RÓWNOLEGŁY ALGORYTM NEURO-TABU DLA PROBLEMU GNIAZDOWEGO SZEREGOWANIA ZADAŃ
|
|
- Aniela Cieślik
- 8 lat temu
- Przeglądów:
Transkrypt
1 ÓWNOLEGŁY ALGOYTM NEUO-TABU DLA POBLEMU GNIAZDOWEGO SZEEGOWANIA ZADAŃ Wojcech BOŻEJKO, Marusz UCHOŃSKI, Meczysław WODECKI Streszczene: W pracy proponujemy zastosowane dwóch równoległych algorytmów bazujących na mechanzme neuro-tabu do rozwązywana lasycznego problem gnazdowego szeregowana zadań (job shop). Perwszy z algorytmów oparty jest na wyonywanu nezależnych współbeżnych algorytmów poszuwana z zabronenam (tabu search) z secą neuronową zastępującą lstę ruchów zabrononych (algorytm neurotabu). Drug z algorytmów bazuje na unalnej metodze dywersyfacj połączonej z mechanzmem śceże łączących (path-relnng) zastosowanym do zboru rozwązań eltarnych. Proponowane podejśca oazują sę szczególne efetywne dla przyładów problemów o dużych rozmarach. Słowa luczowe: optymalzacja dysretna, GPU, poszuwane z zabronenam, seć neuronowa 1. Wprowadzene ozważamy w pracy problem gnazdowy szeregowana zadań, tóry można ująć następująco (zobacz [2]). Dane są zbór zadań oraz zbór maszyn. Każde zadane słada sę z pewnej lczby operacj tóre muszą zostać wyonane w zadanej olejnośc, ażde na dedyowanej sobe maszyne, przez pewen czas. Wyonane operacj ne może być przerywane. Każda maszyna może wyonywać co najwyżej jedną operację w danym momence czasu. Chcemy znaleźć tae uszeregowane (tj. przyporządowane oepracj do mementów czasowych na maszynach) tóre mnmalzuje masymalny czas wyonana zadań (ang. maespan). Ta opsany gnazdowy problem szeregowana zadań, choć prosty do zdefnowana, jest z puntu wdzena teor złożonośc oblczcenowej problemem slne NP-trudnym jest uważany za jeden z najtrudnejszych problemów optymalzacj ombnatorycznej. Z powodu NP-trudnośc problemu do jego rozwązywana reomenduje sę główne heurysty metaheurysty ja najrozsądnejsze metody rozwązana. Węszość proponowanych metod odnos sę do problemu mnmalzacj maszymelnego czasu zaończena wyonywana zadań. Cytując najnowsze publacje dotyczące metaheurysty dla rozważanego problemu, wymenć należy prace: Jan, angaswamy Meeran [9]; Pezzella Merell [12]; Grabows Wodec [6]; Nowc Smutnc [11]; Bożejo Uchrońs [3]. Algorytmy heurystyczne proponują taże Holthaus ajendran [8] oraz Bushee Svesta [4]. Dla nnych ryterów regularnych tach ja ryterum sumacyjne oraz sumy spóźneń w lteraturze proponowane są metaheurysty bazujące na metodze poszuwana z zabronenam [1] algorytmu genetycznego [10]. W nnejszej pracy proponujemy nowe podejśce do projetowana rozproszonych algorytmów poszuwana z zabronenam rozwązywana trudnych problemów optymalzacj dysretnej, tach ja problem gnazdowy, używając archtetury mult-gpu, tj. lastra zołożonego z węzłów wyposazonych w arty oblczenowe GPU. 537
2 2. Defncja problemu Dany jest zbór zadań J {1 2 n}, tóre należy wyonać na maszynach ze zboru P {1 2 m}. Zadane jest cągem pewnych operacj. Każdą operację należy wyonać bez przerywana na odpowednej maszyne w ustalonym czase. Problem polega na wyznaczenu olejnośc wyonywana operacj na ażdej maszyne, mnmalzującej czas wyonana wszystch zadań. Nech O {1 2 o} będze zborem wszystch operacj. Zbór ten można rozbć na cąg odpowadające zadanom przy czym, zadane j J jest cągem o j operacj, tóre będą olejno wyonywane na odpowednch maszynach (tzw. cąg technologczny). Operacje te są ndesowane lczbam ( l j11 l j1 oj ), gdze l operacj perwszych j zadań, j 12 n, przy czym l0 0, a o j j o jest lczbą 1 n o 1 Operacja v O będze wyonywana na maszyne v P w czase p v. Zbór O można taże rozbć na podzbory O { vo } ( P) operacj wyonywanych na tej samej v maszyne. Nech permutacja wyznacza olejność wyonywana operacj ze zboru na maszyne. Przez oznaczmy zbór wszystch permutacj elementów z O. Wobec tego, dowolna olejność wyonywana wszystch operacj na maszynach jest wyznaczona przez onatenację m cągów (permutację) ( 12 m), gdze 12 m. Oczywśce może zawerać taże rozwązana nedopuszczalne. Każde rozwązane dopuszczalne problemu gnazdowego można przedstawć w postac grafu. Dla dowolnej olejnośc wyonywana operacj na maszynach (permutacj ), onstruujemy graf serowany z obcążonym werzchołam (seć) G( ) ( V E( )), gdze V jest zborem werzchołów, a E( ) zborem łuów, przy czym: 1. V O { s c}, gdze s c są dodatowym (fcyjnym) operacjam reprezentującym odpowedno,,start",,zaończene". Wagą werzchoła v O jest czas wyonywana p, odpowadającej mu operacj ( p p 0). v n o j 1 2. l j1 l j1 1 sl j11 l j1 ojc j1 1 Zbór zawera łu łączące olejne operacje tego samego zadana oraz łu z werzchoła s do perwszej operacj ażdego zadana łu od ostatnej operacj ażdego zadana do werzchoła c. m O 1 3. E( ) ( ) ( 1) 1 1 Łatwo zauważyć, że łu ze zboru E( ) łączą operacje wyonywane na tej samej maszyne ( jest permutacją operacj z O ). Permutacja (olejność operacj na maszynach) jest dopuszczalna wtedy tylo wtedy, gdy odpowadający jej graf G( ) ne zawera cyl. s c O 538
3 Nech permutacja będze rozwązanem dopuszczalnym dla problemu gnazdowego, a G( ) odpowadającym jej grafem. Cąg werzchołów ( v1 v 2 v ) grafu G( ) ta, że ( v v 1) E( ) dla nazywamy drogą (lub śceżą) z werzchoła v 1 do v. Przez C( v u) oznaczmy najdłuższą drogę (drogę rytyczną) w G( ) z werzchoła v do u, a przez L( v u) długość (sumę wag werzchołów) tej drog. Łatwo zauważyć, że czas wyonywana operacj C ( ) max w olejnośc jest równy długośc L ( s c ) drog rytycznej C( s c). Wobec tego, rozwązane problemu gnazdowego sprowadza sę do wyznaczena permutacj dopuszczalnej, dla tórej odpowadający jej graf ma najrótszą drogę rytyczną, tj. mnmalzuje L( s c). 3. Mechanzm tabu z zastosowanem sec neuronowej W lasycznej metodze tabu pewnen ruch jest wyberany w ażdej teracj algorytmu. uch ten jest pamętany na pewnej lśce o długośc maxt zwanej lstą tabu jest zabronony przez maxt lczbę teracj. Po wyonanu przez algorytm tabu search maxt teracj ruch ten jest usuwany z lsty może być wyonany ponowne. Można powedzeć, że ruch ten trac swój status ruchu zabrononego,,nagle. Ponżej zostane przedstawony mechanzm, w tórym status ruchu zabrononego zmnejsza sę w sposób wyładnczy. W rozpatrywanym algorytme tabu search ażdy ruch reprezentowany jest przez neuron. Dla rozpatrywanego w pracy sąsedztwa [11] seć neuronowa słada sę z o 1 neuronów. Podejśce to z powodzenem zostało zastosowane dla wadratowego problemu przydzału [7] oraz dla problemu przepływowego [13]. Nech -ty neuron reprezentuje ruch polegający na zamane dwóch przyległych elementów na pozycjach 1 w permutacj. W zaproponowanej archteturze sec neuronowej hstora ażdego neuronu jest pamętana jao jego stan wewnętrzny (efet tabu). Jeśl w pewnej teracj neuron zostane atywowany to na jego wyjścu zostane ustalona wartość 1, a na wyjścach pozostałych neuronów zostane ustalona watość 0. Atywowany w danej teracj neuron ne może być ponowne atywowany przez olejnych s teracj. Każdy neuron opsany jest przez następujące równana: ( t 1) = ( t), (1) ( t) Cmax( ) C ( t) = C max max, (2) s 1 d=0 d ( t 1) = x ( t d), (3) (t) gdze x (t) oznacza wyjśce neuronu w teracj t. Symbol C ( ) max oznacza wartość funcj celu dla permutacj uzysanej w wynu wyonana ruchu w teracj t, tzn.. Symbol (t) oznacza znormalzowaną, beżącą wartość funcj celu, a C oznacza max (t) najlepszą znalezoną dotychczas wartość funcj celu. Parametry są 539
4 współczynnam salującym. Symbol ( t 1) Zmenna ( t 1) (gan effect) oreśla jaość ruchu. (tabu effect) przechowuje hstorę neuronu dla ostatnch s teracj. Neuron jest atywowany jeżel ma nsą wartość efetu tabu zapewna lepszą reducję C max. Doładnej neuron zostaje atywowany jeżel ma najmnejszą wartość { ( t 1) ( t 1)} spośród wszystch neuronów. Jeżel 0 < < 1 s = t to równane (3) przyjme następującą postać: ( t 1) = ( t) x ( t), gdze (0) = 0 (t) (4) oraz x (0) = 0 dla ażdego. Z równana (4) wyna, że wartość ażdego neuronu maleje wyładnczo (ysune 1 2). ys. 1. Zmany wartośc (t) dla = 0.5 Welu proponowanych w lteraturze algorytmach opartych na metodze tabu search wyposażonych jest w mechanzm pozwalający na wyonanu ruchu zabrononego, tóry bezpośredno lub pośredno prowadz do rozwązań bazowych o wartośc funcj celu mnejszej nż dotychczas znalezona. Mechanzm ten jest nazywany ryterum aspracj. W proponowanym algorytme neuro-tabu search taa funcja może zostać zamplementowana 540
5 poprzez gnorowane efetu tabu dla ruchu dla tórego < 0. Jedna na drodze przeprowadzonych esperymentów oblczenowych, mechanzm ten dla mplementowanego algorytmu ne przynos pożądanych efetów. Dlatego też algorytm neuro-tabu search dla problemu gnazdowego ne został wyposażony w taą funcję. 4. ównoległy algorytm neuro-tabu ys. 2. Zmany wartośc (t) dla = 0.7. Jao drugą metodę rozwązana rozważanego problemu proponujemy podejśce oparte na rozpatrywanym w pracy Nowcego Smutncego [11] z modyfacją polegającąną na użycu algorytmu neuro-tabu zamast lasycznego algorytmu poszuwana z zabronenam. Proponowany w nnejszezj pracy algorytm NTS operuje na zborze rozproszonych rozwązań (eltarnych) uzysanych za pomocą funcj NIS(,, C ) (ops na ys. 3), gdze, są rozwązanam referencyjnym (porządem operacj) a C jest referencyjną wartoścą funcj ryteralnej. ozważana funcja używa generatora sąsedztwa opartego na zamane przyległych operacj (swap of adjacent operatons, zobacz 541
6 Bożejo [4]). Oznaczmy przez N ( ) zbór ruchów otrzymanych przez zamanę dwóch przyległych operacj na śceżce rytycznej w rozwązanu (aby otrzymać rozwązane dopuszczalen, zobacz [6]). Podstawowym zadanem funcj NIS jest wygenerowane rozwązana = NIS(,, C ) leżącego,,pomędzy a (rozwązanama referencyjnym) aby uruchomć esporację algorytmem NTS (zobacz ys. 4). Aby ontorlować odległość pomędzy danym rozwązanam, zastosowano marę tau Kendalla D (, ) wyrażającą mnmalną lczbę przyległych zaman (nwersj) 1 1 potrzebnych do przeształcena permutacj w (węcej o marach odległośc dla permutacj znaleźć można w pracy Daconsa [5]). Przyjęto następujące wartośc parametrów strojących: maxe = 8 (lczba eltarnych rozwązań), maxd = 5 (masymalna odległość, używana w głównej pętl), maxv = 0.5. Algorytm 1. NIS(,, C ) Wejśce:, rozwązana referencyjne; C referencyjna wartość ryterum; Wyjśce: rozwązane; poprawone referencyjne ryterum C ; ; ter 0 epeat. Znajdź 1 oraz D (, ) ter ter 1; Wyznacz N ( ) ; Dla ażdego v N( ) polcz zapamętaj C ) ; max( (v) 1 1 Wyznacz N ={ v = ( x, y) N( ) : ( y) < ( x)}; f N than Wyberz ta ruch w K, że C ) = mn v K C ( ) ; K ; K N else N( ) max( ( w) max ( v) przez ; Oznacz (w) ; ; f C max( ) < C than C C ( max ) and ext; untl ter maxv D(, ) ; { maxv (0,1) - parametr} ys. 3. Funcja NIS(,, C ). 542
7 Algorytm 2. NTS 0 Wejśce: rozwązane uzysane algorytmem INSA; Output: najlepsze znalezone rozwązane oraz jego wartość ryterum Podstaw (, C ) NTS( ) oraz C C ; for 2,, maxe do 1 0 NIS(,, C ) ; (, C ) NTS( ) C = mn{ C, C }; epeat Znajdź untl ; 1 l maxe tae, że l D(, ) = max{ D(, ) :1 maxe} ; Podstaw NIS(, l, C ) oraz (, C l ) NTS( ) l l l f C < C than podstaw (, C ) (, C ) l ; oraz l ; max{ D(, ) :1 maxe} < maxd. 5. Esperymenty oblczenowe ys. 4. Algorytm NTS C ; Algorytmy zostały uruchomone na 6-rdzenowym serwerze z procesorem Intel Core 7 CPU X980 (3.33GHz) połączonym z artą oblczenową GPU nvda Tesla S2050 (1792 rdzen) procującym pod ontrolą 64-btowego systemu Lnux Ubuntu LTS I przetestowane na przyładach testowych Tallarda [14]. Wyn oblczeń porównanow w Tabel 1. Oznaczena poszczególnych olumn oznaczają: snts sewencyjny algorytm Neuro Tabu Search z pracy Bożejo Uchrońs [3], pnts równoległy (dla lczby wątów p = 16 ) algorytm Neuro Tabu Search algorthm, model MPSS (Multple startng Ponts, Sngle Strategy, według lasyfacj Voß a [14] równoległych algorytmów poszuwana za zabronenam wszyste wąt pracowałe według tej samej strateg, ale startowały z różnych rozwązań początowych) bez omunacj; dla ażdego procesora rozwązane startowe było generowane przez algorytm NTS wyonywane przez process _d 100 teracj, NTS algorytm NTS bazujący na mechanzme dywersyfacj ntensyfacj oraz zborze rozwązań eltarnych opsanym w ozdzale 4, pnts równoległy algorytm NTS. Zbór rozwązań eltarnych generowany jest współbeżne na GPU. 543
8 Tab. 1. Procentowe względne odchylene do najlepszych znanych rozwązań Problem n m snts pnts (p=16) NTS pnts (p=8) TA ,4948 0,3141 0,0652 0, TA ,1691 0,9129 0,4412 0, TA ,2486 0,7033 0,4803 0, TA ,0592 0,7965 0,3764 0, TA ,8565 1,5634 0,8328 0, TA ,0915 0,0915 0,0520 0, TA ,1479 0,0210 0,0140 0, TA ,0090 0,0090 0,0090 0, średna 0,7596 0,5515 0,2839 0,2915 Czasy wyonana dla wszystch nstancj testowych były następujące: (sewencyjny) ) 169m45.748s (dłuższy czas NTS 132m27.319s, (równoległy) pnts ( p = 4 dzałana algorytmu spowodowany jest metodą generowana rozwązań startowych oraz synchronzacją), NTS ooło 60 godzn. Ja można zaobserwować proponowany algorytm NTS uzysał średn pozom odchylena względnego (percentage relatve devaton, PD) do najlepszych znanych rozwązań (dla nstancj testowych Tallarda) na pozome 0,28%. Z ole równoległ pnts uzysał średne PD dla grupy przyładów o dużych rozmarach TA61-TA70 (z przyładam dla 1000 operacj) 10 razy nższe nż proponowany algorytm NTS. Porównując rezultaty uzysane przez algorytmy snts oraz pnts można zauważyć, że użyce środowsa weloprocesorowego sutuje dużym obnżenem uzyswanych błędów PD do najlepszych znanych rozwązań (zobacz ys. 5). 544
9 ys. 5. Porównane efetywnośc algorytmów dla przyładów Tallarda [14] 6. Wnos W pracy proponujemy metodologę projetowana algorytmów równoległych rozwązywana trudnych problemów optymalzacj ombnatorycznej dla archtetury współbeżnych wyposażonych zarówno w pamęć rozproszoną (lastry), ja pamęć współdzeloną (GPU), oraz ch ombnacje (multu-gpu). Metodologa ta oazuje sę być szczególne efetywna przy rozwązywanu problemów o dużych rozmarach, dla tórych nesuteczne oazują se zarówno metody doładne, ja I sewencyjne metody metaheurystyczne, tae ja snts. 545
10 Lteratura 1. Armentano V.A., Scrch C..: Tabu search for mnmzng total tardness n a job shop. Internatonal Journal of Producton Economcs 63(2), (2000) 2. Bożejo W.: On sngle-wal parallelzaton of the job shop problem solvng algorthms. Computers & Operatons esearch 39, (2012) 3. Bożejo W., Uchrońs M.: A Neuro-Tabu Search Algorthm for the Job Shop Problem. In: L. utows et al. (Eds.), Proceedngs of the ICAISC 2010, Lecture Notes n Artfcal Intellgence No. 6114, Sprnger, (2010) 4. Bushee D.C., Svesta. J.A.: A b-drectonal schedulng approach for job shops. Internatonal Journal of Producton esearch 37(16), (1999) 5. Dacons P.: Group epresentatons n Probablty and Statstcs. Lecture Notes - Mono-graph Seres Vol. 11, Insttute of Mathematcal Statstcs, Harvard Unversty (1988). 6. Grabows J., Wodec M.: A very fast tabu search algorthm for the job shop problem. w: C. ego, B. Aldaee (Eds.), Adaptve memory and evoluton, tabu search and scatter search. Kluwer Academc Publshers, Dordrecht (2005) 7. Hasegawa M., T. Ieguch, K. Ahara, Exponental and chaotc neuro dynamcal tabu searches for quadratc assgnment problems. Control and Cybernetcs 29, (2000) 8. Holthaus O., ajendran C.: Effcent jobshop dspatchng rules: further developments. Producton Plannng and Control 11, (2000) 9. Jan A.S., angaswamy B., Meeran S.: New and stronger job-shop neghborhoods: A focus on the method of Nowc and Smutnc (1996 ). Journal of Heurstcs 6(4), (2000) 10. Mattfeld D.C., Berwrth C.: An effcent genetc algorthm for job shop schedulng wth tardness objectves. European Journal of Operatonal esearch 155(3), (2004) 11. Nowc E., Smutnc C.: An advanced tabu search algorthm for the job shop problem. Journal of Schedulng 8(2), (2005) 12. Pezzella F., Merell E.: A tabu search method guded by shftng bottlenec for the job-shop schedulng problem. European Journal of Operatonal esearch 120, (2000) 13. Solmanpur M., P. Vrat,. Shanar, A neuro tabu search heurstc for the flow shop schedulng problem. Computers and Operatons esearch 31, 2004, Tallard, E.: Benchmars for basc schedulng problems. European Journal of Operatonal esearch 64, (1993) 15. Voß S.: Tabu search: Applcatons and prospects. In: D.Z. Du and P.M. Pardalos (eds.), Networ Optmzaton Problems, pp World Scentfc Publshng Co., Sngapore (1993) Dr hab. Wojcech Bożejo Instytut Informaty, Automaty oboty Poltechn Wrocławsej Wrocław, ul. Janszewsego tel./fax: / e-mal: wojcech.bozejo@pwr.wroc.pl 546
11 Dr hab. Meczysław Wodec Instytut Informaty Unwersytet Wrocławs Wrocław, Jolot-Cure 15 tel./fax: / e-mal: mwd@.un.wroc.pl Mgr nż. Marusz Uchrońs Instytut Informaty, Automaty oboty Poltechn Wrocławsej Wrocław, ul. Janszewsego tel./fax: / e-mal: marusz.uchrons@pwr.wroc.pl 547
RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI
RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI Wojcech BOŻEJKO, Marusz UCHROŃSKI, Meczysław WODECKI Streszczene: W pracy rozpatrywany jest ogólny problem kolejnoścowy
Bardziej szczegółowoWielokryterialny Trójwymiarowy Problem Pakowania
Łukasz Kacprzak, Jarosław Rudy, Domnk Żelazny Instytut Informatyk, Automatyk Robotyk, Poltechnka Wrocławska Welokryteralny Trójwymarowy Problem Pakowana 1. Wstęp Problemy pakowana należą do klasy NP-trudnych
Bardziej szczegółowoSTATYSTYKA. Zmienna losowa skokowa i jej rozkład
STATYSTYKA Wnosowane statystyczne to proces myślowy polegający na formułowanu sądów o całośc przy dysponowanu o nej ogranczoną lczbą nformacj Zmenna losowa soowa jej rozład Zmenną losową jest welość, tóra
Bardziej szczegółowoWikiWS For Business Sharks
WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace
Bardziej szczegółowoMODYFIKACJA KOSZTOWA ALGORYTMU JOHNSONA DO SZEREGOWANIA ZADAŃ BUDOWLANYCH
MODYFICJ OSZTOW LGORYTMU JOHNSON DO SZEREGOWNI ZDŃ UDOWLNYCH Michał RZEMIŃSI, Paweł NOW a a Wydział Inżynierii Lądowej, Załad Inżynierii Producji i Zarządzania w udownictwie, ul. rmii Ludowej 6, -67 Warszawa
Bardziej szczegółowoZmodyfikowana technika programowania dynamicznego
Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.
Bardziej szczegółowoRozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Bardziej szczegółowoZapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.
Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane
Bardziej szczegółowoWprowadzenie do Sieci Neuronowych Sieci rekurencyjne
Wprowadzene do Sec Neuronowych Sec rekurencyjne M. Czoków, J. Persa 2010-12-07 1 Powtórzene Konstrukcja autoasocjatora Hopfelda 1.1 Konstrukcja Danych jest m obrazów wzorcowych ξ 1..ξ m, gdze każdy pojedynczy
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoKier. MTR Programowanie w MATLABie Laboratorium Ćw. 12
Ker. MTR Programowane w MATLABe Laboratorum Ćw. Analza statystyczna grafczna danych pomarowych. Wprowadzene MATLAB dysponuje weloma funcjam umożlwającym przeprowadzene analzy statystycznej pomarów, czy
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoParametry zmiennej losowej
Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru
Bardziej szczegółowoD Archiwum Prac Dyplomowych - Instrukcja dla studentów
Kraków 01.10.2015 D Archwum Prac Dyplomowych - Instrukcja dla studentów Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu Rolnczego m. H. Kołłątaja
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoWYZNACZENIE ROZKŁADU TEMPERATUR STANU USTALONEGO W MODELU 2D PRZY UŻYCIU PROGRMU EXCEL
Zeszyty robemowe Maszyny Eetryczne Nr /203 (98) 233 Andrze ałas BOBRME KOMEL, Katowce WYZNACZENIE ROZKŁADU TEMERATUR STANU USTALONEGO W MODELU 2D RZY UŻYCIU ROGRMU EXCEL SOLVING STEADY STATE TEMERATURE
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 szczegółowo5. OPTYMALIZACJA GRAFOWO-SIECIOWA
. OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,
Bardziej szczegółowoPERMUTACJE Permutacją zbioru n-elementowego X nazywamy dowolną wzajemnie jednoznaczną funkcję f : X X X
PERMUTACJE Permutacą zboru -elemetowego X azywamy dowolą wzaeme edozaczą fucę f : X X f : X X Przyład permutac X = { a, b, c, d } f (a) = d, f (b) = a, f (c) = c, f (d) = b a b c d Zaps permutac w postac
Bardziej szczegółowoCYKLICZNY SYSTEM PRODUKCYJNY Z DWUMASZYNOWYMI GNIAZDAMI
CYKLICZNY SYSTEM PRODUKCYJNY Z DWUMASZYNOWYMI GNIAZDAMI Wojcech BOŻEJKO, Potr NADYBSKI, Marusz UCHROŃSKI, Meczysław WODECKI Streszczene: W pracy rozpatrujemy eastyczny system producj cycznej, w tórym operacje
Bardziej szczegółowodr inż. ADAM HEYDUK dr inż. JAROSŁAW JOOSTBERENS Politechnika Śląska, Gliwice
dr nż. ADA HEYDUK dr nż. JAOSŁAW JOOSBEENS Poltechna Śląsa, Glwce etody oblczana prądów zwarcowych masymalnych nezbędnych do doboru aparatury łączenowej w oddzałowych secach opalnanych według norm europejsej
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoOptymalizacja harmonogramów budowlanych - problem szeregowania zadań
Mieczysław POŁOŃSKI Wydział Budownictwa i Inżynierii Środowisa, Szoła Główna Gospodarstwa Wiejsiego, Warszawa, ul. Nowoursynowsa 159 e-mail: mieczyslaw_polonsi@sggw.pl Założenia Optymalizacja harmonogramów
Bardziej szczegółowoIN YNIERIA BEZPIECZE STWA LABORATORIUM NR 6
IN YNIERIA BEZPIECZE STWA LABORATORIUM NR 6 WYBRANE ZAGADNIENIA Z TEORII LICZB 1. Wybrane zagadnena z teor lczb Do onstruowana systemów ryptografcznych u Ŝ ywa sę czę sto wyrafnowanego aparatu matematycznego,
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoWielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki
Welokategoralne systemy uząe sę h zastosowane w bonformatye Rafał Grodzk Welokategoralny system uząy sę (multlabel learnng system) Zbór danyh weśowyh: d X = R Zbór klas (kategor): { 2 } =...Q Zbór uząy:
Bardziej szczegółowo1 Metody optymalizacji wielokryterialnej... 1 1.1 Ogólna charakterystyka problemu... 1 1.2 Tradycyjne metody optymalizacji wielokryterialnej...
1 Metody optymalzacj welokryteralnej.... 1 1.1 Ogólna charakterystyka problemu.... 1 1.2 Tradycyjne metody optymalzacj welokryteralnej.... 3 1.2.1 Metoda ważonych kryterów.... 3 1.2.2 Metoda optymalzacj
Bardziej szczegółowoMatematyka finansowa r.
. Sprawdź, tóre z ponższych zależnośc są prawdzwe: () = n n a s v d v d d v v d () n n m ) ( n m ) ( v a d s ) m ( = + & & () + = = + = )! ( ) ( δ Odpowedź: A. tylo () B. tylo () C. tylo () oraz () D.
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoĆwiczenie 10. Metody eksploracji danych
Ćwczene 10. Metody eksploracj danych Grupowane (Clusterng) 1. Zadane grupowana Grupowane (ang. clusterng) oznacza grupowane rekordów, obserwacj lub przypadków w klasy podobnych obektów. Grupa (ang. cluster)
Bardziej szczegółowoROZWIĄZYWANIE DWUWYMIAROWYCH USTALONYCH ZAGADNIEŃ PRZEWODZENIA CIEPŁA PRZY POMOCY ARKUSZA KALKULACYJNEGO
OZWIĄZYWAIE DWUWYMIAOWYCH USALOYCH ZAGADIEŃ PZEWODZEIA CIEPŁA PZY POMOCY AKUSZA KALKULACYJEGO OPIS MEODY Do rozwązana ustalonego pola temperatury wyorzystana est metoda blansów elementarnych. W metodze
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoUrządzenia wejścia-wyjścia
Urządzena wejśca-wyjśca Klasyfkacja urządzeń wejśca-wyjśca. Struktura mechanzmu wejśca-wyjśca (sprzętu oprogramowana). Interakcja jednostk centralnej z urządzenam wejśca-wyjśca: odpytywane, sterowane przerwanam,
Bardziej szczegółowoĆw. 5. Wyznaczanie współczynnika sprężystości przy pomocy wahadła sprężynowego
5 KATEDRA FIZYKI STOSOWANEJ PRACOWNIA FIZYKI Ćw. 5. Wyznaczane współczynna sprężystośc przy pomocy wahadła sprężynowego Wprowadzene Ruch drgający należy do najbardzej rozpowszechnonych ruchów w przyrodze.
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowoKRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA
KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany
Bardziej szczegółowoProgramowanie Równoległe i Rozproszone
Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać
Bardziej szczegółowoHEURYSTYCZNA PROCEDURA SZEREGOWANIA ZADA W SYSTEMIE MASZYN RÓWNOLEGŁYCH PRZY OGRANICZONEJ DOST PNO CI ZASOBÓW
EURYSYCA PROCEDURA SEREGOWAIA ADA W SYSEMIE MASY RÓWOLEGŁYC PRY OGRAICOEJ DOSPOCI ASOBÓW BIGIEW BUCALSKI Poltechna Wrocławsa Streszczene Cele artył jest prezentacja rezltatów bada proble czasowo-optyalnego
Bardziej szczegółowoCYKLICZNY PROBLEM PRZEPŁYWOWY Z PRZEZBROJENIAMI MASZYN
CYKLICZNY PROBLEM PRZEPŁYWOWY Z PRZEZBROJENIAMI MASZYN Wojciech BOŻEJKO, Łuasz KACPRZAK, Mieczysław WODECKI Streszczenie: W pracy zajmujemy się cylicznym problemem przepływowym z przezbrojeniami maszyn.
Bardziej szczegółowoBADANIE WYBRANYCH PROCEDUR I STRATEGII EKSPLOATACYJNYCH
AKŁAD KSPLOATACJI SYSTMÓW LKTONICNYCH INSTYTUT SYSTMÓW LKTONICNYCH WYDIAŁ LKTONIKI WOJSKOWA AKADMIA TCHNICNA ---------------------------------------------------------------------------------------------------------------
Bardziej szczegółowoLABORATORIUM TECHNIKI CIEPLNEJ INSTYTUTU TECHNIKI CIEPLNEJ WYDZIAŁ INŻYNIERII ŚRODOWISKA I ENERGETYKI POLITECHNIKI ŚLĄSKIEJ
INSTYTUTU TECHNIKI CIEPLNEJ WYDZIAŁ INŻYNIERII ŚRODOWISKA I ENERGETYKI POLITECHNIKI ŚLĄSKIEJ INSTRUKCJA LABORATORYJNA Temat ćwczena: BADANIE POPRAWNOŚCI OPISU STANU TERMICZNEGO POWIETRZA PRZEZ RÓWNANIE
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoOPTYMALIZACJA KOSZTÓW PRZEBUDOWY PORTFELA JAKO ZADANIE TRANSPORTOWE. 1. Problem badawczy
B A D A N I A O P E R A C Y J N E I D E C Y Z J E Nr 2 2004 Krzysztof PIASECKI* OPTYALIZACJA KOSZTÓW PRZEBUDOWY PORTFELA JAKO ZADANIE TRANSPORTOWE Wszyste oszty generowane przez prowze malerse są włączone
Bardziej szczegółowoPROBLEM PRZEPŁYWOWY Z PRZEZBROJENIAMI ORAZ CIĄGŁĄ PRACĄ MASZYN
PROBLEM PRZEPŁYWOWY Z PRZEZBROJENIAMI ORAZ CIĄGŁĄ PRACĄ MASZYN Wojcech BOŻEJKO, Radosław IDZIKOWSKI, Meczysław WODECKI Streszczene: W pracy rozpatrujemy probem przepływowy z przezbrojenam maszyn pomędzy
Bardziej szczegółowoAlgorytm FA. Zastosowanie w zadanich optymalizacji z ograniczeniami dla ciągłych dziedzin poszukiwań
Algorytm FA Metaheurystyczna metoda poszukwań (Xn-She Yang, 2008), nsprowana przez: zachowana społeczne zjawsko bolumnescencj robaczków śwetojańskch (śwetlków) Zastosowane w zadanch optymalzacj z ogranczenam
Bardziej szczegółowoĆWICZENIE 1 BADANIE WYBRANYCH PROCEDUR I STRATEGII EKSPLOATACYJNYCH
ĆWICNI BADANI WYBANYCH POCDU I STATGII KSPLOATACYJNYCH Cel ćwczena: - lustracja zagadneń zwązanych z zarządzanem esploatacją; - lustracja zależnośc mędzy dagnostyą nezawodnoścą a efetem procesu esploatacj.
Bardziej szczegółowoRegulamin promocji 14 wiosna
promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30
Bardziej szczegółowoWykład IX Optymalizacja i minimalizacja funkcji
Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoZadanie na wykonanie Projektu Zespołowego
Zadane na wykonane Projektu Zespołowego Celem projektu jest uzyskane następującego szeregu umejętnośc praktycznych: umejętnośc opracowana równoległych wersj algorytmów (na przykładze algorytmów algebry
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoKomórkowy model sterowania ruchem pojazdów w sieci ulic.
Komórkowy model sterowana ruchem pojazdów w sec ulc. Autor: Macej Krysztofak Promotor: dr n ż. Marusz Kaczmarek 1 Plan prezentacj: 1. Wprowadzene 2. Cel pracy 3. Podsumowane 2 Wprowadzene Sygnalzacja śwetlna
Bardziej szczegółowoZadanie 1. Udowodnij, że CAUS PRAM. Załóżmy przetwarzanie przyczynowo spójne. Dla każdego obrazu historii hv i zachodzi zatem:
Zadane 1 Udowodnj, że CAUS PRAM Załóżmy przetwarzane przyczynowo spójne. Dla każdego obrazu hstor hv zachodz zatem: O OW O OW x X p j o O o1 o2 o1 o2 o1 j o2 ( o1 = w( x) v o2 = r( x) v) o1 o2 ( o1 o o2)
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoHARMONOGRAMOWANIE ROBÓT BUDOWLANYCH Z MINIMALIZACJĄ ŚREDNIEGO POZIOMU ZATRUDNIENIA
HARMONOGRAMOWANIE ROBÓT BUDOWLANYCH Z MINIMALIZACJĄ ŚREDNIEGO POZIOMU ZATRUDNIENIA Wojciech BOśEJKO, Zdzisław HEJDUCKI, Michał PODOLSKI, Mariusz UCHROŃSKI Streszczenie: w pracy proponujemy zastosowanie
Bardziej szczegółowoOdczyt kodów felg samochodowych w procesie produkcyjnym
Odczyt odów felg samochodowych w procese producyjnym Jace Dunaj Przemysłowy Instytut Automaty Pomarów PIAP Streszczene: W artyule przedstawono sposób realzacj odczytu odów felg samochodowych. Opracowane
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoN ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.
3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy
Bardziej szczegółowoSTATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],
STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:
Bardziej szczegółowoSterowanie procesami dyskretnymi
Politechnika Rzeszowska Wydział Elektrotechniki i Informatyki Katedra Informatyki i Automatyki Laboratorium Sterowanie procesami dyskretnymi Stanowisko 3 Algorytmy harmonogramowania zadań pakiet LiSA Rzeszów
Bardziej szczegółowoSystemy Ochrony Powietrza Ćwiczenia Laboratoryjne
ś POLITECHNIKA POZNAŃSKA INSTYTUT INŻYNIERII ŚRODOWISKA PROWADZĄCY: mgr nż. Łukasz Amanowcz Systemy Ochrony Powetrza Ćwczena Laboratoryjne 2 TEMAT ĆWICZENIA: Oznaczane lczbowego rozkładu lnowych projekcyjnych
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 18. ALGORYTMY EWOLUCYJNE - ZASTOSOWANIA Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska ZADANIE ZAŁADUNKU Zadane załadunku plecakowe
Bardziej szczegółowoOPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE OPTIMAL INVESTMENT STRATEGY FUNDAMENTAL ANALYSIS
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Sera: ORGANIZACJA I ZARZĄDZANIE z. 68 Nr kol. 1905 Adranna MASTALERZ-KODZIS Unwersytet Ekonomczny w Katowcach OPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE
Bardziej szczegółowo1. Zmienne i dane wejściowe Algorytmu Rozdziału Obciążeń
ZAŁĄCZNIK nr Zasada dzałana Algorytmu Rozdzału Obcążeń. Zmenne dane wejścowe Algorytmu Rozdzału Obcążeń.. Zmennym podlegającym optymalzacj w procese rozdzału obcążeń są welośc energ delarowane przez Jednost
Bardziej szczegółowowtedy i tylko wtedy, gdy rozwiązanie i jest nie gorsze od j względem k-tego kryterium. 2) Macierz części wspólnej Utwórz macierz
Temat: Programowanie wieloryterialne. Ujęcie dysretne.. Problem programowania wieloryterialnego. Z programowaniem wieloryterialnym mamy do czynienia, gdy w problemie decyzyjnym występuje więcej niż jedno
Bardziej szczegółowoWYDAJNOŚĆ MECHANIZMÓW MODUŁU PARALLEL COMPUTING TOOLBOX SYSTEMU MATLAB W ZRÓWNOLEGLONEJ REALIZACJI SYMULACJI RUCHU UKŁADÓW CIAŁ W POLU GRAWITACYJNYM
STUDIA INFORMATICA 00 Volume 3 Number 4A (9) Darusz R. AUGUSTYN Poltechna Śląsa Instytut Informaty WYDAJNOŚĆ MECHANIZMÓW MODUŁU PARALLEL COMPUTING TOOLBOX SYSTEMU MATLAB W ZRÓWNOLEGLONEJ REALIZACJI SYMULACJI
Bardziej szczegółowoOKREŚLENIE OPTYMALNEJ ODLEGŁOŚCI KONTURU ZE ŹRÓDŁAMI OD BRZEGU OBSZARU Z ZASTOSOWANIEM METODY ROZWIĄZAŃ PODSTAWOWYCH
Z E S Z Y T Y N A U K O W E P O L I T E C H N I K I P O Z N AŃSKIEJ Nr Budowa Maszyn Zarządzane Produkcją 005 PIOTR GORZELAŃCZYK, JAN ADAM KOŁODZIEJ OKREŚLENIE OPTYMALNEJ ODLEGŁOŚCI KONTURU ZE ŹRÓDŁAMI
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowoOptymalizacja harmonogramów budowlanych - problem szeregowania zadań
Mieczysław OŁOŃSI Wydział Budownictwa i Inżynierii Środowisa, Szoła Główna Gospodarstwa Wiejsiego, Warszawa, ul. Nowoursynowsa 159 e-mail: mieczyslaw_polonsi@sggw.pl Założenia Optymalizacja harmonogramów
Bardziej szczegółowoAlgorytm mrówkowy w optymalizacji dyskretnych problemów nieliniowych
KRENICH Stansław 1 mrówowy w optymalzacj dysretnych problemów nelnowych WSTĘP Proces optymalzacj dysretnych nelnowych problemów jedno ja weloryteralnych jest w dalszym cągu jednym z trudnejszych zagadneń
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE METODY KLASYFIKACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE MEODY KLASYFIKACJI Częstochowa 4 Dr hab. nż. Grzegorz Dude Wydzał Eletryczny Poltechna Częstochowsa FUNKCJE FISHEROWSKA DYSKRYMINACYJNE DYSKRYMINACJA I MASZYNA LINIOWA
Bardziej szczegółowoEugeniusz Rosołowski. Komputerowe metody analizy elektromagnetycznych stanów przejściowych
Eugenusz Rosołows Komputerowe metody analzy eletromagnetycznych stanów przejścowych Ocyna Wydawncza Poltechn Wrocławsej Wrocław 9 Opnodawcy Jan IŻYKOWSKI Paweł SOWA Opracowane redacyjne Mara IZBIKA Koreta
Bardziej szczegółowoCzęść 1 7. TWIERDZENIA O WZAJEMNOŚCI 1 7. TWIERDZENIA O WZAJEMNOŚCI Twierdzenie Bettiego (o wzajemności prac)
Część 1 7. TWIERDZENIA O WZAJEMNOŚCI 1 7. 7. TWIERDZENIA O WZAJEMNOŚCI 7.1. Twerdzene Bettego (o wzajemnośc prac) Nech na dowolny uład ramowy statyczne wyznaczalny lub newyznaczalny, ale o nepodatnych
Bardziej szczegółowoPROCEDURY ODPORNEJ ALOKACJI ZASOBÓW DLA PROBLEMU HARMONOGRAMOWANIA PROJEKTU Z WAŻONYMI KOSZTAMI NIESTABILNOŚCI 1
PROCEDURY ODPORNEJ ALOKACJI ZASOBÓW DLA PROBLEMU HARMONOGRAMOWANIA PROJEKTU Z WAŻONYMI KOSZTAMI NIESTABILNOŚCI 1 Marcn KLIMEK, Potr ŁEBKOWSKI Streszczene: Odporne harmonogramowane projektu jest ważnym
Bardziej szczegółowoStatyczna alokacja kanałów (FCA)
Przydzał kanałów 1 Zarys wykładu Wprowadzene Alokacja statyczna a alokacja dynamczna Statyczne metody alokacj kanałów Dynamczne metody alokacj kanałów Inne metody alokacj kanałów Alokacja w strukturach
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoRANKING ROZWIĄZAŃ SPRAWNYCH DLA PROBLEMU DOBORU LICZEBNOŚCI TABORU W PRZEDSIĘBIORSTWIE TRANSPORTOWYM
Poloptymalzacja Komputerowe Wspomagane Projetowana MIELNO 99 Zeszyty Nauowe Wydzału Mechancznego Poltechn Koszalńsej Jace ŻAK * Potr SAWICKI * Poloptymalzacja CAD 99 RANKING ROZWIĄZAŃ SPRAWNYCH DLA PROBLEMU
Bardziej szczegółowoMatematyka dyskretna. Wykład 2: Kombinatoryka. Gniewomir Sarbicki
Matematya dysretna Wyład 2: Kombinatorya Gniewomir Sarbici Kombinatorya Definicja Kombinatorya zajmuje się oreślaniem mocy zbiorów sończonych, w szczególności mocy zbiorów odwzorowań jednego zbioru w drugi
Bardziej szczegółowoPROBLEMATYKA DOBORU MIARY ODLEGŁOŚCI W KLASYFIKACJI SPEKTRALNEJ DANYCH SYMBOLICZNYCH
Marcn Peła Unwersytet Eonoczny we Wrocławu PROBLEMATYKA DOBORU MIARY ODLEGŁOŚCI W KLASYFIKACJI SPEKTRALNEJ DANYCH SYMBOLICZNYCH Wprowadzene Zagadnene doboru odpowednej ary odległośc stanow, obo probleaty
Bardziej szczegółowoIndukcja matematyczna
Iducja matematycza Twerdzee. zasada ducj matematyczej Nech T ozacza pewą tezę o lczbe aturalej. Jeżel dla pewej lczby aturalej 0 teza T 0 jest prawdzwa dla ażdej lczby aturalej 0 z prawdzwośc tezy T wya
Bardziej szczegółowoPODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH
PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających
Bardziej szczegółowoXXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne
XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca
Bardziej szczegółowoBadanie energetyczne płaskiego kolektora słonecznego
Katedra Slnów Salnowych Pojazdów ATH ZAKŁAD TERMODYNAMIKI Badane energetyczne łasego oletora słonecznego - 1 - rowadzene yorzystane energ celnej romenowana słonecznego do celów ogrzewana, chłodzena oraz
Bardziej szczegółowoRegulamin promocji zimowa piętnastka
zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoPROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA WAHANIA SEZONOWE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Krzysztof Dmytrów * Marusz Doszyń ** Unwersytet Szczecńsk PROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA
Bardziej szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej szczegółowoKodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana
Kodowane nformacj Instytut Informatyk UWr Studa weczorowe Wykład nr 2: rozszerzone dynamczne Huffmana Kod Huffmana - nemłe przypadk... Nech alfabet składa sę z 2 lter: P(a)=1/16 P(b)=15/16 Mamy H(1/16,
Bardziej szczegółowoRegulamin promocji upalne lato 2014 2.0
upalne lato 2014 2.0 strona 1/5 Regulamn promocj upalne lato 2014 2.0 1. Organzatorem promocj upalne lato 2014 2.0, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa
Bardziej szczegółowoRozkłady statystyczne w fizyce jądrowej
UNIWERSYTET SZCZECIŃSKI INSTYTUT FIZYKI ZAKŁAD FIZYKI CIAŁA STAŁEGO Ćwczene laboratoryjne Rozłady statystyczne w fzyce jądrowej SZCZECIN 005 WSTĘP Różne neontrolowane zaburzena zewnętrzne (wahana temperatury,
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoSortowanie szybkie Quick Sort
Sortowane szybke Quck Sort Algorytm sortowana szybkego opera sę na strateg "dzel zwycęża" (ang. dvde and conquer), którą możemy krótko scharakteryzować w trzech punktach: 1. DZIEL - problem główny zostae
Bardziej szczegółowoBadania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)
Bardziej szczegółowoHipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowo