NOWY ALGORYTM GENETYCZNY DLA POŁĄCZEŃ ROZGAŁĘŹNYCH W SIECIACH PAKIETOWYCH
|
|
- Ksawery Skowroński
- 7 lat temu
- Przeglądów:
Transkrypt
1 POZNAN UNIVERSITY OF TECHNOLOGY ACADEMIC JOURNALS Adam CHOJNACKI* Maciej PIECHOWIAK* Piotr ZWIERZYKOWSKI* 2007 Poznańskie Warsztaty Telekomunikacyjne Poznań 6-7 grudnia 2007 NOWY ALGORYTM GENETYCZNY DLA POŁĄCZEŃ ROZGAŁĘŹNYCH W SIECIACH PAKIETOWYCH W artykule zaproponowano nowy algorytm genetyczny routingu rozgałęźnego dla sieci pakietowych. Przedstawiono opis i schemat działania algorytmu. Symulacyjne badania algorytmu potwierdziły jego efektywność w porównaniu z dobrze znanymi algorytmami heurystycznymi tj. CSPT, KPP oraz LD. 1. WPROWDZENIE Wzrost przepustowości współczesnych sieci umożliwił transmisję danych multimedialnych w czasie rzeczywistym (transmisja radiowa i telewizyjna, wideo na żądanie, telekonferencje, itp.) [1]. Dla zapewnienia poprawnej transmisji tego typu danych wymagane jest określone pasmo, a przede wszystkim opóźnienie między węzłem nadawczym i odbiorczym utrzymane na stałym, nieprzekraczalnym poziomie. Zjawisko fluktuacji opóźnienia (ang. jitter) jest w tym wypadku niepożądane. Sposób transmisji tego typu danych przypomina technikę rozsiewczą (ang. broadcasting), jednak w praktyce istnieje określona grupa węzłów odbierająca równolegle te same dane w tym samym czasie. Transmisja grupowa (ang. multicasting) wymaga wydajnych algorytmów routingu wyznaczających drzewo o minimalnym koszcie między węzłem nadawczym, a poszczególnymi węzłami reprezentującymi odbiorców. Takie rozwiązanie zapobiega powielaniu tych samych danych (pakietów) w łączach sieci. Rozgałęzianie przesyłanych danych następuje tylko w tych węzłach sieci, które prowadzą bezpośrednio do węzłów odbiorczych. Jeżeli sieć komunikacyjną przedstawimy jako graf, wynikiem działania takiego algorytmu routingu będzie drzewo rozpinające zakorzenione w węźle nadawczym i obejmujące wszystkie węzły odbiorcze wchodzące w skład grupy multicast. W procesie optymalizacji wyróżnić można dwa rodzaje drzew: minimalne drzewo Steinera (MST ang. Minimum Steiner Tree) oraz drzewo najkrótszych ścieżek między węzłem źródłowym, a każdym z węzłów odbiorczych (SPT ang. Shortest Path Tree). Znalezienie minimalnego drzewa Steinera, będące problemem NPzupełnym, prowadzi do struktury o minimalnym koszcie całkowitym [3]. Drzewo najkrótszych ścieżek minimalizuje koszt każdej ścieżki między nadawcą, a każdym * Poznań University of Technology, Chair of Communication and Computer Networks PWT POZNAŃ 6-7 GRUDNIA /9
2 Adam Chojnacki, Maciej Piechowiak, Piotr Zwierzykowski z członków grupy multicast tworząc drzewo ze ścieżek o najmniejszym koszcie. W ogólności stosuje się algorytm Dijkstry [5] lub Bellmana-Forda [6], a następnie odcina gałęzie drzewa, które nie zawierają węzłów odbiorczych. W celu zapewnienia niezawodnej transmisji aplikacje multimedialne stawiają wysokie wymagania parametrom jakościowym (ang. QoS - Quality-of-Service). Wymagania jakościowe dotyczące m.in. stałej gwarantowanej wartości opóźnień związanych z przejściem pakietu pomiędzy węzłem nadawczym i odbiorczym po określonej ścieżce w sieci są wciąż wyzwaniem dla projektantów aplikacji czasu rzeczywistego. Dlatego proces optymalizacyjny przeprowadza się przy użyciu drugiej metryki sieci opóźnienia. Maksymalne opóźnienie między dwoma końcowymi punktami w sieci (Δ) jest kryterium wykorzystywanym przy konstruowaniu drzew multicast. W pracach [3] i [4] udowodniono, że znalezienie takiego drzewa jest problemem NP-zupełnym dla jednego i większej liczby parametrów QoS. Z uwagi na złożoność problemu prezentowane algorytmy stosują techniki przybliżające rozwiązanie algorytmy genetyczne i algorytmy heurystyczne (m.in. [4]). W artykule przedstawiono propozycję nowego algorytmu genetycznego oraz porównano efektywność popularnych algorytmów heurystycznych. W rozdziale drugim przedstawiono model sieci wykorzystywany w badaniach. Rozdział trzeci zawiera opis proponowanego algorytmu. W rozdziale czwartym przedstawiono uzyskane wyniki badań. Artykuł kończy podsumowanie umieszczone w rozdziale piątym. 2. MODEL SIECI Załóżmy, że sieć komunikacyjna reprezentowana jest jako nieskierowany, spójny graf N = (V, E), gdzie V jest zbiorem węzłów, a E zbiorem łączy między węzłami sieci. Istnienie łącza e=(u,v) między węzłem u i v pociąga za sobą istnienie łącza e'=(v,u) dla dowolnych u, v V (odpowiednik łączy dwukierunkowych w sieciach komunikacyjnych). Z każdym łączem e E skojarzone są dwa parametry: koszt C(e) oraz opóźnienie D(e). Koszt połączenia reprezentuje wykorzystanie zasobów łącza. C(e) jest zatem funkcją wielkości ruchu w danym łączu i pojemności bufora wymaganej dla tego ruchu. Opóźnienie w łączu z kolei jest sumą opóźnień wprowadzanych przez propagację w łączu, kolejkowanie i przełączanie w węzłach sieci. Grupa multicast jest zbiorem węzłów będących odbiorcami ruchu grupowego (identyfikacja odbywa się na podstawie unikalnego adresu i), G = {g 1,..., g n } V, gdzie n = G V. Węzeł s V jest źródłem dla grupy multicast G. Drzewo multicast T(s,G) E jest drzewem zakorzenionym w węźle źródłowym s i obejmującym wszystkich członków grupy G. Całkowity koszt drzewa T(s,G) można określić jako t T ( s, G ) C( t). Ścieżka P(s, G) T(s, G) jest zbiorem łączy między s a g G. Koszt ścieżki P(s, G) PWT POZNAŃ 6-7 GRUDNIA /9
3 Nowy algorytm genetyczny dla połączeń rozgałęźnych w sieciach pakietowych można przedstawić jako początkiem i końcem ścieżki: p P ( s, G ) C( p) p P ( s, G ) D( p) drzewie można wyznaczyć jako max D( p., natomiast opóźnienie mierzone między p P( s, G) ) g G. Stąd też maksymalne opóźnienie w Drzewo Steinera jest dobrą reprezentacją rozwiązania problemu routingu multicast. Takie podejście nabiera szczególnego znaczenia, gdy mamy do czynienia tylko z jedną aktywną grupą multicast, a koszt całego drzewa ma być minimalny. Ze względu jednak na złożoność obliczeniową tego algorytmu (problem NP-zupełny) [3] stosuje się algorytmy genetyczne lub heurystyczne. Jeżeli zbiór węzłów minimalnego drzewa Steinera zawiera wszystkie węzły danej sieci, wtedy problem sprowadza się do znalezienia minimalnego drzewa rozpinającego (rozwiązanie to można uzyskać w czasie wielomianowym). 3. PROPONOWANY ALGORYTM GENETYCZNY W działaniu każdego algorytmu genetycznego możemy wyróżnić etap wyboru populacji początkowej, krzyżowania oraz mutacji. Duże znaczenie dla efektywności i jakości rozwiązania ma równie sposób kodowania chromosomów i ich ocena. Dlatego w przedstawionym opisie algorytmu skupiono się na tych elementach Tablica trasowania W grafie sieciowym, zdefiniowanym jako G=(V, E), gdzie V oznacza liczbę wierzchołków, a E określa liczbę krawędzi, może istnieć do V x{ V -1} par: węzeł nadawczy-węzeł odbiorczy. Taka para może być połączona zestawem różnego rodzaju łączy, od węzła początkowego do węzła końcowego, zwanych dalej drogami. W wyniku tego istnieje wiele różnych dróg pomiędzy węzłem nadawczym, a węzłem odbiorczym. W przypadku przedstawianej implementacji algorytmu genetycznego tworzymy tablice trasowania, w których zapisujemy określoną liczbę dróg dla każdej pary: nadawca-odbiorca. Tablice trasowania możemy tworzyć w sposób uporządkowany lub nie. Dla potrzeb implementacji wybrano zmodyfikowany algorytm Dijkstry [5], natomiast sortowanie tablic odbywa się według kosztu elementów składających się na drogę łączącą docelowe węzły, przy czym najtańsze rozwiązania znajdują się na początku zestawienia Reprezentacja chromosomów Dla danego zestawu: węzeł nadawczy M[0] i zbioru węzłów odbiorczych M[1, 2, 3,, k] chromosom może być reprezentowany przez ciąg liczb naturalnych o długości k równej liczbie dróg pomiędzy węzłem nadawczym, a poszczególnymi węzłami odbiorczymi. W ten sposób otrzymujemy osobniki PWT POZNAŃ 6-7 GRUDNIA /9
4 Adam Chojnacki, Maciej Piechowiak, Piotr Zwierzykowski złożone z liczby: k genów, z których każdy reprezentuję określoną drogę w wybranej tablicy trasowania (0, 1, 2,., K), zgodnie ze schematem przedstawionym na rysunku. Rys. 1. Reprezentacja chromosomu Przedstawiona metoda kodowania została po raz pierwszy zaprezentowana dla problemu routingu połączeń typu punkt-punkt [1],[2]. W celu wykorzystania jej w algorytmie routingu połączeń typu punkt wielopunkt, który wymaga drzewa spinającego wszystkie wierzchołki należące do grupy multicastowej, musi zostać uwzględniona specyfika takich systemów. A zatem otrzymany rezultat nie może zawierać powtarzających się krawędzi, które mogą pojawić się niezależnie w ramach różnych dróg łączących inne wierzchołki docelowe. Co więcej, wszelkie pętle, jakie mogą powstać wyniku przecinania się dwóch lub większej liczby dróg muszą zostać wyeliminowane Działanie algorytmu Algorytm rozpoczyna pracę z losową wykreowaną populacją. Dla wszystkich chromosomów składających się na populację następuje obliczenie funkcji oceny, określającej dopasowanie poszczególnych osobników. Po dokonaniu oceny i posortowaniu populacji według ich przystawania rozpoczyna się proces ewolucji, opierający się na dwóch podstawowych operatorach genetycznych mutacji i krzyżowaniu. Po przetworzeniu określonej liczby pokoleń najlepiej dopasowany chromosom wyznaczy wartość rozwiązania odnalezioną przez algorytm. PWT POZNAŃ 6-7 GRUDNIA /9
5 Nowy algorytm genetyczny dla połączeń rozgałęźnych w sieciach pakietowych 3.4. Inicjalizacja chromosomów Każdy osobnik złożony jest z liczby k genów, które to reprezentowane są przez liczby naturalne w zakresie (0, 1, 2,., K). Inicjalizacja populacji polega na losowym wypełnieniu genów liczbami wygenerowanymi przez generator multiplikatywny. Proces ten jest powtarzany dla wszystkich chromosomów należących do populacji, których liczba jest zawsze stała w każdej iteracji Ocena chromosomów Wartość funkcji dopasowania chromosomu określa wartość celu dla poszukiwanego drzewa multicastowego reprezentowanego przez dany osobnik. Funkcja oceny jest obliczana na podstawie ścieżek z tablic trasowania wskazywanych przez poszczególne geny pojedynczych osobników populacji. Obliczamy ją sumując koszt wszystkich ścieżek wchodzących w skład drzewa multicastowego zdefiniowanego przez dany chromosom. Po obliczeniu wartości dla każdego osobnika, chromosomy są sortowane poczynając od najlepiej przystosowanych egzemplarzy, a kończąc na najgorzej ocenionych w populacji Operatory genetyczne i rozwój populacji Zgodnie z obliczona funkcją dopasowania poszczególnych osobników, część chromosomów zostaje wybrana do wygenerowania następnego pokolenia, natomiast pozostałe zostają skazane na wymarcie. W ten sposób osobniki z wyższych miejsc listy (o większej wartości funkcji dopasowania) mają większe szanse na przeżycie i reprodukcje, natomiast niedopasowane do otoczenia chromosomy wyginą, zgodnie z zasadna selekcji naturalnej. W procesie PWT POZNAŃ 6-7 GRUDNIA /9
6 Adam Chojnacki, Maciej Piechowiak, Piotr Zwierzykowski reprodukcji nie następuje zmiana liczebności populacji, która jest utrzymywana przez cały czas na tym samym poziomie Krzyżowanie W wyniku działania operatora krzyżowania informacja genetyczna pochodząca od osobników o lepszej funkcji dopasowania wybieranych z istniejącej populacji jest mieszana w celu utworzenia dwóch nowych potomków. Punkty cięcia chromosomów rodzicielskich, a co za tym idzie długość porcji genów przekazywanych potomkom od poszczególnych rodziców są wybierane losowo. Na bazie materiału przekazanego od rodziców tworzone są osobniki potomne tworzące nowe pokolenie. Rys. 2. Schemat krzyżowania Mutacja Operacja mutacji stanowi pewną losową zmianę w materiale genetycznym osobnika, której celem jest uniknięcie znalezienia się w lokalnym optimum. Mutacja ułatwia poszerzenie obszaru przeszukiwań przestrzeni możliwych rozwiązań. W przypadku algorytmu genetycznego zastosowana mutację punktową, w której z pewnym prawdopodobieństwem, zwanym prawdopodobieństwem mutacji, następuję losowa zmiana pojedynczego genu przetwarzanego osobnika, zgodnie z wartością wylosowaną przez generator losowy. 4. WYNIKI BADAŃ Wyniki badań przedstawione na Rys. 4 7 prezentują porównanie proponowanego algorytmu genetycznego z popularnymi algorytmami dla połączeń typu multicast: KPP, CSPT oraz drzewem minimalnych opóźnień LDC. W pierwszym etapie badań wyznaczono koszty generowanych drzew w funkcji wielkości sieci (liczba węzłów sieci n). Symulacje przeprowadzono dla maksymalnej wartości opóźnienia wzdłuż ścieżki =2000 (Rys. 3) oraz bez uwzględniania tego parametru ( ) Rys. 4. Zmniejszenie kosztów generowanych drzew jest szczególnie widoczne dla proponowanego algorytmu przy =2000. Znajduje on wtedy rozwiązania lepsze niż popularny CSPT. Przy braku ograniczenia opóźnienia, wydajność obydwu algorytmów jest zbliżona (w PWT POZNAŃ 6-7 GRUDNIA /9
7 Nowy algorytm genetyczny dla połączeń rozgałęźnych w sieciach pakietowych rzeczywistości obydwa algorytmy są algorytmami budującymi drzewo najkrótszych ścieżek SPT). KPP zwraca najlepsze wyniki w obydwu przypadkach. Rysunek 5 pokazuje, że wraz ze wzrostem liczebności grupy multicastowej koszty drzew rosną dla każdego z wykorzystywanych algorytmów. Jednak te uzyskiwane przez AG są mniejsze od analogicznych kosztów uzyskiwanych przez CSPT. W przypadku kosztów drzew otrzymanych dla sieci o różnych gęstościach (różny średni stopień grafu D av wyniki AG są zbliżone do CSPT (Rys. 6). Rys. 3. Zależność kosztu drzewa multicast w funkcji liczby węzłów sieci n (m=10, D av =4, =2000) Rys. 4. Zależność kosztu drzewa multicast w funkcji liczby węzłów sieci n (m=10, D av =4, ) PWT POZNAŃ 6-7 GRUDNIA /9
8 Adam Chojnacki, Maciej Piechowiak, Piotr Zwierzykowski Rys. 5. Zależność kosztu drzewa multicast w funkcji liczby węzłów odbiorczych m (n=100, D av =4, =2000) Rys. 6. Zależność kosztu drzewa multicast w funkcji liczby łączy w sieci k (n=200, m=10, ) 5. PODSUMOWANIE W artykule przedstawiono propozycję nowego algorytmu genetycznego dla połączeń rozgałęźnych w sieci pakietowej. Wyniki licznych eksperymentów symulacyjnych przeprowadzonych przez autorów wskazują na efektywność proponowanego rozwiązania, która w wielu wypadkach jest lepsza od klasycznych algorytmów heurystycznych. Prezentowane wyniki potwierdzają słuszność PWT POZNAŃ 6-7 GRUDNIA /9
9 Nowy algorytm genetyczny dla połączeń rozgałęźnych w sieciach pakietowych przyjętego kierunku badań, których pierwszym rezultatem jest opisywany w artykule algorytm genetyczny. Dalsze badania będą dotyczyły sprawdzenia efektywności badanego algorytmu dla różnych metod generowania topologii sieci i związanych z nimi parametrów opisu sieci. Prowadzone będą również badania efektywności AG w zależności od przyjętych metod implementacji operatorów genetycznych. LITERATURA [1] Wang Z., Crowcroft J.: Quality-of-service routing for supporting multimedia applications, Journal on Selected Area in Communications, 14(7): , [2] Schmamoto N., Hiramatu A., Yamasaki K.: A dynamic routing control based on a genetic algorithm, IEEE International Conference on Neural Networks, pp , [3] Karp R.: Reducibility among combinatorial problems, Complexity of Computer Computations, pp , 1972 [4] Kou L., Markowsky G., Berman L.: A fast algorithm for Steiner trees, Acta Informatica, no. 15, pp , [5] Dijkstra E.: A note on two problems in connexion with graphs, Numerische Mathematik, vol. 1, pp , [6] Bellman R.: On a routing problem, Quarterly of Applied Mathematics, vol. 16, no.1, pp , [7] Kompella V.P., Pasquale J., Polyzos G.C.: Multicasting for Multimedia Applications, in Proceedings of INFOCOM, pp , PWT POZNAŃ 6-7 GRUDNIA /9
Zastosowanie algorytmów genetycznych do realizacji połączeń rozgałęźnych w sieciach pakietowych
Politechnika Poznańska Wydział Elektroniki i Telekomunikacji Katedra Sieci Telekomunikacyjnych i Komputerowych Zastosowanie algorytmów genetycznych do realizacji połączeń rozgałęźnych w sieciach pakietowych
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoRECENZJA rozprawy doktorskiej mgr. inż. Macieja Piechowiaka
Prof. dr hab. inż. Wojciech Kabaciński Katedra Sieci Telekomunikacyjnych i Komputerowych Politechnika Poznańska Poznań, dnia 10 maja 2010 r. RECENZJA rozprawy doktorskiej mgr. inż. Macieja Piechowiaka
Bardziej szczegółowoBadania algorytmów heurystycznych dla połaczeń rozgałęźnych w sieciach pakietowych
POLITECHNIKA POZNAŃSKA WYDZIAŁ ELEKTRONIKI I TELEKOMUNIKACJI Katedra Sieci Telekomunikacyjnych i Komputerowych Autoreferat rozprawy doktorskiej Badania algorytmów heurystycznych dla połaczeń rozgałęźnych
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoALGORYTMY GENETYCZNE ćwiczenia
ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację
Bardziej szczegółowoALGORYTMY HEURYSTYCZNE DLA POŁĄCZEŃ ROZGAŁĘŹNYCH W SIECIACH PAKIETOWYCH - PROPOZYCJA NOWEGO ROZWIĄZANIA
Artur Żodź, Piotr Zwierzykowski, Politechnika Poznańska, Wydział Elektroniki i Telekomunikacji, ul. Piotrowo 3A, 60-965 Poznań, E-mail: arturzodz@o2.pl 2006 Poznańskie Warsztaty Telekomunikacyjne Poznań
Bardziej szczegółowoGenerowanie i optymalizacja harmonogramu za pomoca
Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć
Bardziej szczegółowoSprawozdanie do zadania numer 2
Sprawozdanie do zadania numer 2 Michał Pawlik 29836 Temat: Badanie efektywności algorytmów grafowych w zależności od rozmiaru instancji oraz sposobu reprezentacji grafu w pamięci komputera 1 WSTĘP W ramach
Bardziej szczegółowoDrzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II
Wykład 6. Drzewa cz. II 1 / 65 drzewa spinające Drzewa spinające Zliczanie drzew spinających Drzewo T nazywamy drzewem rozpinającym (spinającym) (lub dendrytem) spójnego grafu G, jeżeli jest podgrafem
Bardziej szczegółowoStrefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek
Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę
Bardziej szczegółowoZofia Kruczkiewicz, Algorytmu i struktury danych, Wykład 14, 1
Wykład Algorytmy grafowe metoda zachłanna. Właściwości algorytmu zachłannego:. W przeciwieństwie do metody programowania dynamicznego nie występuje etap dzielenia na mniejsze realizacje z wykorzystaniem
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia stacjonarne i niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki,
Bardziej szczegółowoRouting. mgr inż. Krzysztof Szałajko
Routing mgr inż. Krzysztof Szałajko Modele odniesienia 7 Aplikacji 6 Prezentacji 5 Sesji 4 Transportowa 3 Sieciowa 2 Łącza danych 1 Fizyczna Aplikacji Transportowa Internetowa Dostępu do sieci Wersja 1.0
Bardziej szczegółowoALGORYTMY GENETYCZNE DLA POŁACZEŃ ROZGAŁEŹNYCH
Tomasz Bartczak, Piotr Zwierzykowski Politechnika Poznańska Instytut Elektroniki i Telekomunikacji ul. Piotrowo 3A, 60-965 Poznań e-mail: pzwierz@et.put.poznan.pl 2005 Poznańskie Warsztaty Telekomunikacyjne
Bardziej szczegółowoDWA ZDANIA O TEORII GRAFÓW. przepływ informacji tylko w kierunku
DWA ZDANIA O TEORII GRAFÓW Krawędź skierowana Grafy a routing Każdą sieć przedstawić składającego przedstawiają E, inaczej węzłami). komunikacyjną można w postaci grafu G się z węzłów V (które węzły sieci)
Bardziej szczegółowoPorównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki
Porównanie algorytmów wyszukiwania najkrótszych ścieżek między wierzchołkami grafu. Instytut Informatyki 22 listopada 2015 Algorytm DFS w głąb Algorytm przejścia/przeszukiwania w głąb (ang. Depth First
Bardziej szczegółowoMODELE SIECIOWE 1. Drzewo rozpinające 2. Najkrótsza droga 3. Zagadnienie maksymalnego przepływu źródłem ujściem
MODELE SIECIOWE 1. Drzewo rozpinające (spanning tree) w grafie liczącym n wierzchołków to zbiór n-1 jego krawędzi takich, że dowolne dwa wierzchołki grafu można połączyć za pomocą krawędzi należących do
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA
PLAN WYKŁADU Operator krzyżowania Operator mutacji Operator inwersji Sukcesja Przykłady symulacji AG Kodowanie - rodzaje OPTYMALIZACJA GLOBALNA Wykład 3 dr inż. Agnieszka Bołtuć OPERATOR KRZYŻOWANIA Wymiana
Bardziej szczegółowoMetody przeszukiwania
Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania
Bardziej szczegółowoZadania laboratoryjne i projektowe - wersja β
Zadania laboratoryjne i projektowe - wersja β 1 Laboratorium Dwa problemy do wyboru (jeden do realizacji). 1. Water Jug Problem, 2. Wieże Hanoi. Water Jug Problem Ograniczenia dla każdej z wersji: pojemniki
Bardziej szczegółowoPodejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski
Podejście memetyczne do problemu DCVRP - wstępne wyniki Adam Żychowski Na podstawie prac X. S. Chen, L. Feng, Y. S. Ong A Self-Adaptive Memeplexes Robust Search Scheme for solving Stochastic Demands Vehicle
Bardziej szczegółowoOgólne wiadomości o grafach
Ogólne wiadomości o grafach Algorytmy i struktury danych Wykład 5. Rok akademicki: / Pojęcie grafu Graf zbiór wierzchołków połączonych za pomocą krawędzi. Podstawowe rodzaje grafów: grafy nieskierowane,
Bardziej szczegółowoWybrane podstawowe rodzaje algorytmów
Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych
Bardziej szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej szczegółowoAlgorytmiczna teoria grafów
Przedmiot fakultatywny 20h wykładu + 20h ćwiczeń 21 lutego 2014 Zasady zaliczenia 1 ćwiczenia (ocena): kolokwium, zadania programistyczne (implementacje algorytmów), praca na ćwiczeniach. 2 Wykład (egzamin)
Bardziej szczegółowoMetody Programowania
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład. Prof. dr hab. inż. Jan Magott Algorytmy grafowe: podstawowe pojęcia, reprezentacja grafów, metody przeszukiwania, minimalne drzewa rozpinające, problemy
Bardziej szczegółowoMinimalne drzewa rozpinające
KNM UŚ 26-28 listopada 2010 Ostrzeżenie Wprowadzenie Motywacja Definicje Niektóre pojęcia pojawiające się podczas tego referatu są naszymi autorskimi tłumaczeniami z języka angielskiego. Nie udało nam
Bardziej szczegółowoa) 7 b) 19 c) 21 d) 34
Zadanie 1. Pytania testowe dotyczące podstawowych własności grafów. Zadanie 2. Przy każdym z zadań może się pojawić polecenie krótkiej charakterystyki algorytmu. Zadanie 3. W zadanym grafie sprawdzenie
Bardziej szczegółowo6. Klasyczny algorytm genetyczny. 1
6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu
Bardziej szczegółowoZadanie 5 - Algorytmy genetyczne (optymalizacja)
Zadanie 5 - Algorytmy genetyczne (optymalizacja) Marcin Pietrzykowski mpietrzykowski@wi.zut.edu.pl wersja 1.0 1 Cel Celem zadania jest zapoznanie się z Algorytmami Genetycznymi w celu rozwiązywanie zadania
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 9 PRZESZUKIWANIE GRAFÓW Z
Bardziej szczegółowoStrategie ewolucyjne (ang. evolu4on strategies)
Strategie ewolucyjne (ang. evolu4on strategies) Strategia ewolucyjna (1+1) W Strategii Ewolucyjnej(1 + 1), populacja złożona z jednego osobnika generuje jednego potomka. Kolejne (jednoelementowe) populacje
Bardziej szczegółowoOdkrywanie algorytmów kwantowych za pomocą programowania genetycznego
Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego Piotr Rybak Koło naukowe fizyków Migacz, Uniwersytet Wrocławski Piotr Rybak (Migacz UWr) Odkrywanie algorytmów kwantowych 1 / 17 Spis
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 14c 2 Definicje indukcyjne Twierdzenia dowodzone przez indukcje Definicje indukcyjne Definicja drzewa
Bardziej szczegółowoKatedra Informatyki Stosowanej. Algorytmy ewolucyjne. Inteligencja obliczeniowa
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Treść wykładu Wprowadzenie Zasada działania Podział EA Cechy EA Algorytm genetyczny 2 EA - wprowadzenie Algorytmy ewolucyjne
Bardziej szczegółowoWykład 8. Drzewo rozpinające (minimum spanning tree)
Wykład 8 Drzewo rozpinające (minimum spanning tree) 1 Minimalne drzewo rozpinające - przegląd Definicja problemu Własności minimalnych drzew rozpinających Algorytm Kruskala Algorytm Prima Literatura Cormen,
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoBadania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle
Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Paweł Szołtysek 12 czerwca 2008 Streszczenie Planowanie produkcji jest jednym z problemów optymalizacji dyskretnej,
Bardziej szczegółowoAlgorytmy Równoległe i Rozproszone Część V - Model PRAM II
Algorytmy Równoległe i Rozproszone Część V - Model PRAM II Łukasz Kuszner pokój 209, WETI http://www.sphere.pl/ kuszner/ kuszner@sphere.pl Oficjalna strona wykładu http://www.sphere.pl/ kuszner/arir/ 2005/06
Bardziej szczegółowoAlgorytm Dijkstry znajdowania najkrótszej ścieżki w grafie
Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie Używane struktury danych: V - zbiór wierzchołków grafu, V = {1,2,3...,n} E - zbiór krawędzi grafu, E = {(i,j),...}, gdzie i, j Î V i istnieje
Bardziej szczegółowoProgramowanie genetyczne, gra SNAKE
STUDENCKA PRACOWNIA ALGORYTMÓW EWOLUCYJNYCH Tomasz Kupczyk, Tomasz Urbański Programowanie genetyczne, gra SNAKE II UWr Wrocław 2009 Spis treści 1. Wstęp 3 1.1. Ogólny opis.....................................
Bardziej szczegółowo5. Algorytm genetyczny przykład zastosowania
5. Algorytm genetyczny przykład zastosowania Zagadnienie magicznych kwadratów Opis działania algorytmu Zagadnienie magicznych kwadratów polega na wygenerowaniu kwadratu n n, w którym elementami są liczby
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 02 Algorytmy genetyczne
Algorytmy stochastyczne, wykład 02 Algorytmy genetyczne J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-27 1 Mutacje algorytmu genetycznego 2 Dziedzina niewypukła abstrakcyjna
Bardziej szczegółowoProgramowanie sieciowe. Tadeusz Trzaskalik
Programowanie Tadeusz Trzaskalik 8.1. Wprowadzenie Słowa kluczowe Drzewo rozpinające Minimalne drzewo rozpinające Najkrótsza droga w sieci Wierzchołek początkowy Maksymalny przepływ w sieci Źródło Ujście
Bardziej szczegółowoAlgorytmy ewolucyjne NAZEWNICTWO
Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne
Bardziej szczegółowoAlgorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki
Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Obliczenia ewolucyjne (EC evolutionary computing) lub algorytmy ewolucyjne (EA evolutionary algorithms) to ogólne określenia używane
Bardziej szczegółowoDziałanie algorytmu oparte jest na minimalizacji funkcji celu jako suma funkcji kosztu ( ) oraz funkcji heurystycznej ( ).
Algorytm A* Opracowanie: Joanna Raczyńska 1.Wstęp Algorytm A* jest heurystycznym algorytmem służącym do znajdowania najkrótszej ścieżki w grafie. Jest to algorytm zupełny i optymalny, co oznacza, że zawsze
Bardziej szczegółowoAlgorytmy ewolucyjne 1
Algorytmy ewolucyjne 1 2 Zasady zaliczenia przedmiotu Prowadzący (wykład i pracownie specjalistyczną): Wojciech Kwedlo, pokój 205. Konsultacje dla studentów studiów dziennych: poniedziałek,środa, godz
Bardziej szczegółowoAlgorytmy memetyczne (hybrydowe algorytmy ewolucyjne)
Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne) 1 2 Wstęp Termin zaproponowany przez Pablo Moscato (1989). Kombinacja algorytmu ewolucyjnego z algorytmem poszukiwań lokalnych, tak że algorytm poszukiwań
Bardziej szczegółowooperacje porównania, a jeśli jest to konieczne ze względu na złe uporządkowanie porównywanych liczb zmieniamy ich kolejność, czyli przestawiamy je.
Problem porządkowania zwanego również sortowaniem jest jednym z najważniejszych i najpopularniejszych zagadnień informatycznych. Dane: Liczba naturalna n i ciąg n liczb x 1, x 2,, x n. Wynik: Uporządkowanie
Bardziej szczegółowoAlgorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba
Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów
Bardziej szczegółowoAlgorytmika Problemów Trudnych
Algorytmika Problemów Trudnych Wykład 9 Tomasz Krawczyk krawczyk@tcs.uj.edu.pl Kraków, semestr letni 2016/17 plan wykładu Algorytmy aproksymacyjne: Pojęcie algorytmu aproksymacyjnego i współczynnika aproksymowalności.
Bardziej szczegółowoMulticasty w zaawansowanych usługach Internetu nowej generacji
PREZENTACJA PRACY MAGISTERSKIEJ Multicasty w zaawansowanych usługach Internetu nowej generacji Autor : Bogumił Żuchowski Kierujący pracą: dr inż. Maciej Stroiński PLAN PREZENTACJI Wprowadzenie Cel pracy
Bardziej szczegółowoAlgorytmy równoległe: ocena efektywności prostych algorytmów dla systemów wielokomputerowych
Algorytmy równoległe: ocena efektywności prostych algorytmów dla systemów wielokomputerowych Rafał Walkowiak Politechnika Poznańska Studia inżynierskie Informatyka 2013/14 Znajdowanie maksimum w zbiorze
Bardziej szczegółowoAlgorytmy i str ruktury danych. Metody algorytmiczne. Bartman Jacek
Algorytmy i str ruktury danych Metody algorytmiczne Bartman Jacek jbartman@univ.rzeszow.pl Metody algorytmiczne - wprowadzenia Znamy strukturę algorytmów Trudność tkwi natomiast w podaniu metod służących
Bardziej szczegółowoALGORYTMY GENETYCZNE (wykład + ćwiczenia)
ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja
Bardziej szczegółowoLABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania
Bardziej szczegółowoAlgorytm Grovera. Kwantowe przeszukiwanie zbiorów. Robert Nowotniak
Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej Politechnika Łódzka 13 listopada 2007 Plan wystapienia 1 Informatyka Kwantowa podstawy 2 Opis problemu (przeszukiwanie zbioru) 3 Intuicyjna
Bardziej szczegółowoObliczenia ewolucyjne - plan wykładu
Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja
Bardziej szczegółowoAlgorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach
Adam Stawowy Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Summary: We present a meta-heuristic to combine Monte Carlo simulation with genetic algorithm for Capital
Bardziej szczegółowoAlgorytmy równoległe: ocena efektywności prostych algorytmów dla systemów wielokomputerowych
Algorytmy równoległe: ocena efektywności prostych algorytmów dla systemów wielokomputerowych Rafał Walkowiak Politechnika Poznańska Studia inżynierskie Informatyka 2014/15 Znajdowanie maksimum w zbiorze
Bardziej szczegółowoAlgorytmy Komunikacyjne dla Trójwymiarowych Sieci Opartych na Plastrze Miodu. Ireneusz Szcześniak. Politechnika Śląska 20 czerwca 2002 r.
Algorytmy Komunikacyjne dla Trójwymiarowych Sieci Opartych na Plastrze Miodu Ireneusz Szcześniak Politechnika Śląska 20 czerwca 2002 r. 2 Plan prezentacji Wprowadzenie Prezentacja trójwymiarowych sieci
Bardziej szczegółowoDobór parametrów algorytmu ewolucyjnego
Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.
Bardziej szczegółowoDLACZEGO QoS ROUTING
DLACZEGO QoS ROUTING Reakcja na powstawanie usług multimedialnych: VoIP (Voice over IP) Wideo na żądanie Telekonferencja Potrzeba zapewnienia gwarancji transmisji przy zachowaniu odpowiedniego poziomu
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Algorytm kolonii mrówek Idea Smuga feromonowa 1 Sztuczne mrówki w TSP Sztuczna mrówka agent, który porusza się z miasta do miasta Mrówki preferują miasta połączone łukami z dużą
Bardziej szczegółowoAlgorytm wyznaczania najkrótszej ścieżki w grafie skierowanym w zbiorze liczb rozmytych
NEUMNN Tomasz 1 lgorytm wyznaczania najkrótszej ścieżki w grafie skierowanym w zbiorze liczb rozmytych WSTĘP W systemach zarządzania transportem jedną z najbardziej istotnych kwestii jest zapewnienie najkrótszej
Bardziej szczegółowoTesty De Jonga. Problemy. 1 Optymalizacja dyskretna i ciągła
Problemy 1 Optymalizacja dyskretna i ciągła Problemy 1 Optymalizacja dyskretna i ciągła 2 Środowisko pomiarowe De Jonga Problemy 1 Optymalizacja dyskretna i ciągła 2 Środowisko pomiarowe De Jonga 3 Ocena
Bardziej szczegółowoRozwiązanie problemu komiwojażera przy użyciu algorytmu genetycznego 2
Joanna Ochelska-Mierzejewska 1 Politechnika Łódzka Rozwiązanie problemu komiwojażera przy użyciu algorytmu genetycznego 2 Wprowadzenie Jednym z podstawowych ogniw usług logistycznych jest transport [7].
Bardziej szczegółowoPrzetwarzanie równoległesprzęt. Rafał Walkowiak Wybór
Przetwarzanie równoległesprzęt 2 Rafał Walkowiak Wybór 17.01.2015 1 1 Sieci połączeń komputerów równoległych (1) Zadanie: przesyłanie danych pomiędzy węzłami przetwarzającymi, pomiędzy pamięcią a węzłami
Bardziej szczegółowoRozwiązywanie problemów metodą przeszukiwania
Rozwiązywanie problemów metodą przeszukiwania Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Reprezentacja problemu w przestrzeni stanów Jedną z ważniejszych metod sztucznej
Bardziej szczegółowoLABORATORIUM 7: Problem komiwojażera (TSP) cz. 2
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 7: Problem komiwojażera (TSP) cz. 2 opracował:
Bardziej szczegółowoAlgorytmy równoległe. Rafał Walkowiak Politechnika Poznańska Studia inżynierskie Informatyka 2010
Algorytmy równoległe Rafał Walkowiak Politechnika Poznańska Studia inżynierskie Informatyka Znajdowanie maksimum w zbiorze n liczb węzły - maksimum liczb głębokość = 3 praca = 4++ = 7 (operacji) n - liczność
Bardziej szczegółowoAlgorytmy genetyczne (AG)
Algorytmy genetyczne (AG) 1. Wprowadzenie do AG a) ewolucja darwinowska b) podstawowe definicje c) operatory genetyczne d) konstruowanie AG e) standardowy AG f) przykład rozwiązania g) naprawdę bardzo,
Bardziej szczegółowoAlgorytmy wyznaczania centralności w sieci Szymon Szylko
Algorytmy wyznaczania centralności w sieci Szymon Szylko Zakład systemów Informacyjnych Wrocław 10.01.2008 Agenda prezentacji Cechy sieci Algorytmy grafowe Badanie centralności Algorytmy wyznaczania centralności
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoPrzykład planowania sieci publicznego transportu zbiorowego
TRANSPORT PUBLICZNY Przykład planowania sieci publicznego transportu zbiorowego Źródło: Bieńczak M., 2015 Politechnika Poznańska, Wydział Maszyn Roboczych i Transportu 1 METODYKA ZAŁOśENIA Dostarczanie
Bardziej szczegółowoStrategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek
Strategie ewolucyjne Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne, a algorytmy genetyczne Podobieństwa: Oba działają na populacjach rozwiązań Korzystają z zasad selecji i przetwarzania
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 17. ALGORYTMY EWOLUCYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska KODOWANIE BINARNE Problem różnych struktur przestrzeni
Bardziej szczegółowoAlgorytmy ewolucyjne Część II
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Część II Metaheurystyki Treść wykładu Zastosowania Praktyczne aspekty GA Reprezentacja Funkcja dopasowania Zróżnicowanie dopasowania
Bardziej szczegółowoLABORATORIUM SYSTEMY I SIECI TELEKOMUNIKACYJNE CZĘŚĆ 2 MODELOWANIE SIECI Z WYKORZYSTANIEM SYMULATORA NCTUNS
LABORATORIUM SYSTEMY I SIECI TELEKOMUNIKACYJNE CZĘŚĆ 2 MODELOWANIE SIECI Z WYKORZYSTANIEM SYMULATORA NCTUNS 1 Warunki zaliczenia części związanej z modelowaniem sieci Zajęcia laboratoryjne z wykorzystaniem
Bardziej szczegółowoRównoległy algorytm wyznaczania bloków dla cyklicznego problemu przepływowego z przezbrojeniami
Równoległy algorytm wyznaczania bloków dla cyklicznego problemu przepływowego z przezbrojeniami dr inż. Mariusz Uchroński Wrocławskie Centrum Sieciowo-Superkomputerowe Agenda Cykliczny problem przepływowy
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58 Anna LANDOWSKA ROZWIĄZANIE PROBLEMU OPTYMALNEGO PRZYDZIAŁU ZA POMOCĄ KLASYCZNEGO
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny
Algorytmy stochastyczne, wykład 01 J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-21 In memoriam prof. dr hab. Tomasz Schreiber (1975-2010) 1 2 3 Różne Orientacyjny
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoInspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny
Soft computing Soft computing tym róŝni się od klasycznych obliczeń (hard computing), Ŝe jest odporny na brak precyzji i niepewność danych wejściowych. Obliczenia soft computing mają inspiracje ze świata
Bardziej szczegółowoAnaliza stanów gry na potrzeby UCT w DVRP
Analiza stanów gry na potrzeby UCT w DVRP Seminarium IO na MiNI 04.11.2014 Michał Okulewicz based on the decision DEC-2012/07/B/ST6/01527 Plan prezentacji Definicja problemu DVRP DVRP na potrzeby UCB Analiza
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoTeoria obliczeń i złożoność obliczeniowa
Teoria obliczeń i złożoność obliczeniowa Kontakt: dr hab. inż. Adam Kasperski, prof. PWr. pokój 509 B4 adam.kasperski@pwr.wroc.pl materiały + informacje na stronie www. Zaliczenie: Egzamin Literatura Problemy
Bardziej szczegółowoAlgorytmy ewolucyjne
Algorytmy ewolucyjne wprowadzenie Piotr Lipiński lipinski@ii.uni.wroc.pl Piotr Lipiński Algorytmy ewolucyjne p.1/16 Cel wykładu zapoznanie studentów z algorytmami ewolucyjnymi, przede wszystkim nowoczesnymi
Bardziej szczegółowoDANE W SIECIACH TELEKOMUNIKACYJNYCH
DANE W SIECIACH TELEKOMUNIKACYJNYCH WŁASNOŚCI DANYCH W SIECIACH TELEKOMUNIKACYJNYCH DANE TEKSTOWE Dane tekstowe są najpopularniejszym typem przesyłanych mediów. Można je odnaleźć w usługach takich jak
Bardziej szczegółowoZadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik
Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda
Bardziej szczegółowoAlgorytmy genetyczne w optymalizacji
Algorytmy genetyczne w optymalizacji Literatura 1. David E. Goldberg, Algorytmy genetyczne i ich zastosowania, WNT, Warszawa 1998; 2. Zbigniew Michalewicz, Algorytmy genetyczne + struktury danych = programy
Bardziej szczegółowoWykorzystanie algorytmów mrówkowych w dynamicznym problem
Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 18 stycznia 2013 Przedmiot i cele pracy dyplomowej
Bardziej szczegółowo