ZASTOSOWANIE ALGORYTMÓW UCZENIA SIĘ ZE WZMOCNIENIEM WE WSPOMAGANIU PROCESÓW PODEJMOWANIA DECYZJI PODCZAS MANEWROWANIA STATKIEM
|
|
- Franciszek Staniszewski
- 7 lat temu
- Przeglądów:
Transkrypt
1 PRACE WYDZIAŁU NAWIGACYJNEGO nr 22 AKADEMII MORSKIEJ W GDYNI 2008 MIROSŁAW ŁĄCKI Akademia Morska w Gdyni Katedra Nawigacji ZASTOSOWANIE ALGORYTMÓW UCZENIA SIĘ ZE WZMOCNIENIEM WE WSPOMAGANIU PROCESÓW PODEJMOWANIA DECYZJI PODCZAS MANEWROWANIA STATKIEM W prezentowanym artykule przedstawiono koncepcję zastosowania algorytmów uczenia się ze wzmocnieniem we wspomaganiu procesów podejmowania decyzji podczas manewrowania statkiem. Celem badań było wykonanie aplikacji i przeprowadzenie symulacji komputerowej dla różnych modeli środowiska. W zastosowanej metodzie uczenia się ze wzmocnieniem, symulowany w aplikacji model statku traktowany jest jako agent, który przez interakcję ze środowiskiem uczy się sterowania statkiem na ograniczonym obszarze, starając się znaleźć optymalną trasę przejścia. Proces uczenia polega na obserwowaniu aktualnego stanu i otrzymanej nagrody po wybraniu jednej z dostępnych akcji. Agent otrzymuje nagrodę za dotarcie do celu, bądź karę za wpłynięcie na przeszkodę. 1. OPIS IDEI UCZENIA SIĘ ZE WZMOCNIENIEM Główna idea uczenia się ze wzmocnieniem bazuje na interakcji agenta ze środowiskiem (rys. 1). Środowisko stan nagroda Agent akcja Rys. 1. Ogólny model uczenia się ze wzmocnieniem [3] 62
2 Agent stanowi autonomiczną jednostkę zdolną do podejmowania decyzji w oparciu o zdobytą w trakcie nauki wiedzę. Środowiskiem jest obiekt zewnętrzny z którym ów agent współdziała. W przypadku zastosowania algorytmów uczenia się ze wzmocnieniem we wspomaganiu procesów podejmowania decyzji podczas manewrowania statkiem, środowiskiem jest nie tylko akwen wodny lecz także wybrane parametry statku (tj. prędkość kątowa bądź wychylenie steru). W dowolnym momencie środowisko informuje agenta w jakim stanie się znajduje. Agent ten, po wybraniu jednej z dostępnych akcji, otrzymuje sygnał wzmocnienia nazywany nagrodą. Z otrzymanych nagród cząstkowych agent potrafi obliczyć wartości stanów oraz wartości poszczególnych akcji w tych stanach. Głównym celem agenta jest maksymalizacja końcowej wartości sumy nagród cząstkowych: R T = rt rt rt (1) gdzie: R T suma nagród, r i nagrody cząstkowe w momencie i. W przypadku modelu procesu ciągłego, do wzoru wprowadza się współczynnik dyskontowy γ dla kolejnych nagród cząstkowych [2]: R = r t k t rt γ rt = γ k = 0 γ r (2) t + k + 1 W uczeniu się ze wzmocnieniem, model środowiska zbudowany jest na podstawie procesu decyzyjnego Markowa [5], definiowanego jako: S zbiór stanów środowiska, A(s) zbiór akcji a możliwych do podjęcia w stanie s S, P(s,s',a) prawdopodobieństwo podjęcia akcji a A(s) i przejścia z s do s', R(s,s',a) oczekiwana nagroda przy przejściu z s to s',γ współczynnik dyskontowy dla kolejnych nagród.... S r t + 1 t S r t + 2 t + 1 S t + 2 r t + 3 S t a t a t + 1 a t + 2 a t + 3 Rys. 2. Schemat stanów, akcji i nagród cząstkowych [5] Najprostszy algorytm uczenia się ze wzmocnieniem, zwany 1-krokowy Q-Learning, polega na przeliczeniu wartości pary stan akcja Q(s,a) na podstawie sygnałów otrzymanych przez agenta z poprzedniego stanu do aktualnego. 63
3 Algorytm Q-Learning [1]: Wyzeruj wartości Q(s,a). Dla każdego epizodu powtarzaj: Określ stan s. W każdym kroku epizodu powtarzaj: wybierz a z s stosując politykę π wyznaczoną z Q (np., ε-zachłanna), wybierz akcję a, obserwuj r, s. δ r + γ maxq( s', a') Q( s, a) Q ( s, a) Q( s, a) +α δ s s dopóki s jest stanem końcowym. Wartości α i γ dobierane są doświadczalnie lub według przyjętej kontroli polityki π procesu uczenia się. 2. ŚLEDZENIE WYBIERALNOŚCI W procesie uczenia się występuje problem przeniesienia wartości aktualnie otrzymanej nagrody cząstkowej na poprzednie wartości par stan akcja, które doprowadziły agenta do aktualnego stanu. Problem ten można rozwiązać poprzez zastosowanie śladów wybieralności (ang. Eligibility Traces) danej akcji w danym stanie. Im częściej dana akcja zostanie wybrana, tym większy wpływ na wartości ostatnio zaistniałych par stan akcja ma nagroda cząstkowa otrzymana po tej akcji. Wystąpienie pary s, a Akumulacja śladów Zamiana śladów Rys. 3. Wartości śladów akumulowanych i zamienianych [2] 64
4 W zależności od wybranego algorytmu i symulowanego modelu można zastosować wartość akumulowaną śladów lub wartość zamienianą śladów. Szybkość zmniejszania się wartości śladu wybieralności zależy od współczynnika uczenia się α. 3. KONTROLA POLITYKI Główną różnicą uczenia się ze wzmocnieniem i uczenia nadzorowanego jest poszukiwanie przez agenta nowych akcji w określonym stanie. Zjawisko to jest nazywane eksploracją i musi być zrównoważone z wykorzystaniem zdobytej już wiedzy na temat wartości akcji w poszczególnych stanach, czyli eksploatacją. Dobór odpowiednich wartości współczynników bilansu eksploracja eksploatacja tworzy kontrolę polityki π procesu podejmowania decyzji przez agenta [1]. W algorytmach uczenia się ze wzmocnieniem, problemem jest również przestrzeń stanów im większy akwen wodny, tym dłuższy proces uczenia się wynikający z większej liczby iteracji. Do zapisania wartości par stan akcja potrzeba także więcej zasobów pamięci. Dynamiczne środowisko również znacznie utrudnia zoptymalizowanie współczynników równań obliczających wartości stanów i akcji. Możliwość pojawienia się nowego stanu utrudnia zamodelowanie środowiska i znacznie komplikuje strukturę algorytmu. Ciągła przestrzeń stanów musi być skwantyfikowana, dlatego też dla celów symulacji środowisko w którym znajduje się agent sternik zostało podzielone na regularne elementy. Od siły kwantyfikacji zależała wierność modelu im więcej stanów, tym dokładniejszy model, lecz dłuższy czas uczenia się. Cel Rys. 4. Wierność modelu zależna od wielkości wektora stanów [3] 65
5 4. PARAMETRY SYMULACJI W modelu zastosowanym w aplikacji użyto następujących parametrów: zbiór akcji: kąt wychylenia steru δ: co 5 wektor stanów: prędkość kątowa r: /s kurs statku ψ: co 12 pozycja statku X,Y: Siatka stref o różnej gęstości 10x10, 20x20, 100x100 wzmocnienia (nagrody i kary): a) -1 za każdą jednostkę czasu, b) -100 za wpłynięcie na niedozwolony obszar (mielizny, przeszkody, wypłynięcie poza strefę w miejscu innym niż wyznaczone), c) 100 za dopłynięcie do celu. N δ ψ Cel r Rys. 5. Model zastosowanych sygnałów w wektorze stanów [3] W celu uproszczenia symulowanego modelu założono, że prędkość statku jest stała. 66
6 5. WYNIKI SYMULACJI 1. Gęstość siatki 10x10, kurs początkowy z przedziału Aktualny epizod Liczba wypadków Liczba dopłynięć do celu Wykres czasowy wydajności agenta (ostatnie 800 epizodów) Moment znalezienia celu (ep. ~750) Rys. 6. Okno symulacji 1 Przy wymienionych założeniach przebadano ogólną zdolność agenta do znajdowania celu w obszarze z jedną przeszkodą na drodze do celu przy różnych wartościach początkowych kursu statku (od 60 do 120 ). Na początku symulacji agent nie wiedział, gdzie jest cel rejsu, a jego pierwszym zadaniem było nauczenie się omijania przeszkody na drodze do celu. Po znalezieniu celu rejsu, co zajęło mu około 300 epizodów na siatce o małej gęstości stref (10x10) okazało się, że agent bardzo szybko potrafił poprawić trasę rejsu eksperymentując z nowymi ustawieniami steru. Ogólna charakterystyka wydajności algorytmu w tym momencie czasowym była następująca: na całkowitą liczbę 366 ukończonych epizodów 227 (62%) zakończyło się wpłynięciem na przeszkodę, a 139 (38%) dopłynięciem do celu. Dzięki zdolności agenta do szybkiego uczenia się skuteczność algorytmu po znalezieniu celu w ciągu kilkunastu epizodów wzrosła do poziomu około 95%. 67
7 2. Gęstość siatki 10x10, kurs początkowy 120 Moment znalezienia celu (ep. ~16200) Rys. 7. Okno symulacji 2 W założonej sytuacji przebadano zdolność agenta do przepływania przez wąskie przesmyki. Na początku symulacji położenie celu rejsu dla agenta nie było znane. Dopłynięcie do celu było dodatkowo utrudnione, gdyż agent starał się omijać niebezpiecznie wąski przesmyk. Pierwsze dopłynięcie do celu rejsu nastąpiło po około epizodów na siatce o małej gęstości stref (10x10). W badanej sytuacji agent nie miał zbyt wiele miejsca na eksperymentalne poszukiwanie lepszego ustawienia steru, stąd tak słaba ogólna charakterystyka wydajności algorytmu w zaprezentowanym momencie czasowym: pierwsze dopłynięcie do celu pojawiło się dopiero po około epizodach, przy współczynniku eksploracji ε = 0,001 (nowe akcje pojawiały się w każdym momencie podejmowania decyzji przez agenta z prawdopodobieństwem równym 0,001). Skuteczność algorytmu utrzymywała się na poziomie około 80%. 68
8 3. Gęstość siatki 20x20, kurs początkowy 0 Rys. 8. Okno symulacji 3 Przy wymienionych założeniach przebadano ogólną zdolność agenta do znajdowania celu w obszarze ograniczonym z jedną przeszkodą, przy większej gęstości siatki (20x20). Na początku symulacji agent nie wiedział, gdzie jest cel rejsu i jego pierwszym zadaniem było nauczenie się omijania przeszkód na drodze do celu. Po około 1000 epizodów agent znalazł trasę do celu, chociaż trasa ta nie była jeszcze trasą optymalną. Na rysunku można zobaczyć kilka ostatnich tras eksperymentalnych, które dawały bardzo duży rozrzut tras, przy współczynniku eksploracji ε = 0,001 i współczynniku uczenia się równym α = 0,026, co oznacza, że nauczona wartość tej akcji w danym stanie musi być dodana do funkcji wartości z wagą α. W przedstawionym momencie czasowym, na ogólną liczbę 1079 skończonych epizodów, statek dopłynął do celu 71 razy (6,6%). Po znalezieniu celu rejsu, skuteczność algorytmu szybko wzrosła do poziomu ponad 95%. 69
9 6. WNIOSKI Skuteczność algorytmów uczenia się ze wzmocnieniem jest w dużym stopniu zależna od przyjętego modelu środowiska. Dokładność odwzorowania ograniczonego obszaru wodnego oraz wielkość wektora akcji ma istotny wpływ na złożoność obliczeń. Zmniejszenie czasu obliczeń można uzyskać poprzez skwantyfikowanie ciągłej przestrzeni stanów jaka występuje w przypadku manewrowania statkiem na ograniczonym obszarze. Ponadto w badanych sytuacjach nie była rozpatrywana obecność innych jednostek pływających, co należy uwzględnić w dalszych badaniach. Ogólny algorytm wymaga również optymalizacji pod względem wyboru tras głównych, które mogą być obliczane za pomocą algorytmów innych niż uczenie ze wzmocnieniem w celu przyspieszenia i zwiększenia dokładności obliczeń. LITERATURA 1. Eden T., Knittel A., Uffelen R., Reinforcement Learning: Tutorial, University of New South Wales, Sydney Kaelbling L.P., Littman & Moore, Reinforcement Learning: A Survey, Journal of Artificial Intelligence Research, Vol. 4, Łącki M., Machine learning algorithms in decision making support in ship handling, Transport Systems Telematics TST, Politechnika Śląska, Polska Akademia Nauk, Komitet Transportu, Katowice Ustroń Łącki M., Reinforcement learning in ship handling, VII International Symposium of Navigation TransNav, WN AM w Gdyni, The Nautical Institute, Gdynia Sutton R., Barto A., Reinforcement Learning: An Introduction, MIT Press, REINFORCEMENT LEARNING ALGORITHMS IN DECISION MAKING SUPPORT IN SHIP HANDLING (Summary) In this paper, the author presents the idea of using machine learning algorithms to aid action decision making in ship manoeuvring. Main goal of presented approach was to create an application, simulate and present results of simulation in different layouts of restricted waters. Reinforcement learning is based on agent interactions with environment. The agent learns through exploration of the environment and tries to find the best solution which is determined by positive or negative rewards received after each action taken. 70
MODEL ŚRODOWISKA WIELOAGENTOWEGO W NEUROEWOLUCYJNYM STEROWANIU STATKIEM
Mirosław Łącki Akademia Morska w Gdyni MODEL ŚRODOWISKA WIELOAGENTOWEGO W NEUROEWOLUCYJNYM STEROWANIU STATKIEM W artykule tym przedstawiono propozycję użycia neuroewolucyjnego systemu wieloagentowego do
Bardziej szczegółowoPROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM
Mostefa Mohamed-Seghir Akademia Morska w Gdyni PROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM W artykule przedstawiono propozycję zastosowania programowania dynamicznego do rozwiązywania
Bardziej szczegółowoSPOTKANIE 11: Reinforcement learning
Wrocław University of Technology SPOTKANIE 11: Reinforcement learning Adam Gonczarek Studenckie Koło Naukowe Estymator adam.gonczarek@pwr.edu.pl 19.01.2016 Uczenie z nadzorem (ang. supervised learning)
Bardziej szczegółowoUNIKANIE NIEBEZPIECZNYCH SYTUACJI W ZŁYCH WARUNKACH POGODOWYCH W RUCHU STATKU NA FALI NADĄŻAJĄCEJ
MIROSŁAW JURDZIŃSKI Akademia Morska w Gdyni Katedra Nawigacji UNIKANIE NIEBEZPIECZNYCH SYTUACJI W ZŁYCH WARUNKACH POGODOWYCH W RUCHU STATKU NA FALI NADĄŻAJĄCEJ Podstawową zasadą planowania nawigacji jest
Bardziej szczegółowoUczenie ze wzmocnieniem
Uczenie ze wzmocnieniem Maria Ganzha Wydział Matematyki i Nauk Informatycznych 2018-2019 Temporal Difference learning Uczenie oparte na różnicach czasowych Problemy predykcyjne (wieloetapowe) droga do
Bardziej szczegółowoMetoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych
inż. Marek Duczkowski Metoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych słowa kluczowe: algorytm gradientowy, optymalizacja, określanie wodnicy W artykule
Bardziej szczegółowoDokąd on zmierza? Przemieszczenie i prędkość jako wektory
A: 1 OK Muszę to powtórzyć... Potrzebuję pomocy Dokąd on zmierza? Przemieszczenie i prędkość jako wektory Łódź żegluje po morzu... Płynie z szybkością 10 węzłów (węzeł to 1 mila morska na godzinę czyli
Bardziej szczegółowoLaboratorium 5 Przybliżone metody rozwiązywania równań nieliniowych
Uniwersytet Zielonogórski Wydział Informatyki, Elektrotechniki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych Elektrotechnika niestacjonarne-zaoczne pierwszego stopnia z tyt. inżyniera
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 szczegółowoOKREŚLENIE WPŁYWU WYŁĄCZANIA CYLINDRÓW SILNIKA ZI NA ZMIANY SYGNAŁU WIBROAKUSTYCZNEGO SILNIKA
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2008 Seria: TRANSPORT z. 64 Nr kol. 1803 Rafał SROKA OKREŚLENIE WPŁYWU WYŁĄCZANIA CYLINDRÓW SILNIKA ZI NA ZMIANY SYGNAŁU WIBROAKUSTYCZNEGO SILNIKA Streszczenie. W
Bardziej szczegółowoOpenAI Gym. Adam Szczepaniak, Kamil Walkowiak
OpenAI Gym Adam Szczepaniak, Kamil Walkowiak Plan prezentacji Programowanie agentowe Uczenie przez wzmacnianie i problemy związane z rozwojem algorytmów Charakterystyka OpenAI Gym Biblioteka gym Podsumowanie
Bardziej szczegółowoWIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW
Uniwersytet Ekonomiczny we Wrocławiu WIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW Wprowadzenie Wrażliwość wyników analizy wielokryterialnej na zmiany wag kryteriów, przy
Bardziej szczegółowoSystemy agentowe. Uczenie ze wzmocnieniem. Jędrzej Potoniec
Systemy agentowe Uczenie ze wzmocnieniem Jędrzej Potoniec Uczenie ze wzmocnieniem (ang. Reinforcement learning) dane Środowisko, w którym można wykonywać pewne akcje, które są nagradzane lub karane, ale
Bardziej szczegółowoTRANSCOMP XIV INTERNATIONAL CONFERENCE COMPUTER SYSTEMS AIDED SCIENCE, INDUSTRY AND TRANSPORT
TRANSCOMP XIV INTERNATIONAL CONFERENCE COMPUTER SYSTEMS AIDED SCIENCE, INDUSTRY AND TRANSPORT Mirosław ŁĄCKI 1 Algorytmy ewolucyjne, Sieci neuronowe, Sterowanie statkiem WYZNACZANIE PUNKTÓW TRASY W NEUROEWOLUCYJNYM
Bardziej szczegółowoWYBRANE ZAGADNIENIA OPTYMALIZACJI PRZEGLĄDÓW OKRESOWYCH URZĄDZEŃ ELEKTRONICZNYCH
Problemy Kolejnictwa Zeszyt 149 89 Dr inż. Adam Rosiński Politechnika Warszawska WYBRANE ZAGADNIENIA OPTYMALIZACJI PRZEGLĄDÓW OKRESOWYCH URZĄDZEŃ ELEKTRONICZNYCH SPIS TREŚCI 1. Wstęp. Optymalizacja procesu
Bardziej szczegółowoSystemy agentowe. Uwagi organizacyjne i wprowadzenie. Jędrzej Potoniec
Systemy agentowe Uwagi organizacyjne i wprowadzenie Jędrzej Potoniec Kontakt mgr inż. Jędrzej Potoniec Jedrzej.Potoniec@cs.put.poznan.pl http://www.cs.put.poznan.pl/jpotoniec https://github.com/jpotoniec/sa
Bardziej szczegółowoMODEL STANOWISKA DO BADANIA OPTYCZNEJ GŁOWICY ŚLEDZĄCEJ
Mgr inż. Kamil DZIĘGIELEWSKI Wojskowa Akademia Techniczna DOI: 10.17814/mechanik.2015.7.232 MODEL STANOWISKA DO BADANIA OPTYCZNEJ GŁOWICY ŚLEDZĄCEJ Streszczenie: W niniejszym referacie zaprezentowano stanowisko
Bardziej szczegółowoPRACA DYPLOMOWA MAGISTERSKA
Politechnika Poznańska Wydział Budowy Maszyn i Zarządzania PRACA DYPLOMOWA MAGISTERSKA Konstrukcja autonomicznego robota mobilnego Małgorzata Bartoszewicz Promotor: prof. dr hab. inż. A. Milecki Zakres
Bardziej szczegółowoMetody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015
Metody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015 1 Metody numeryczne Dział matematyki Metody rozwiązywania problemów matematycznych za pomocą operacji na liczbach. Otrzymywane
Bardziej szczegółowoOPTYMALIZACJA ZBIORNIKA NA GAZ PŁYNNY LPG
Leon KUKIEŁKA, Krzysztof KUKIEŁKA, Katarzyna GELETA, Łukasz CĄKAŁA OPTYMALIZACJA ZBIORNIKA NA GAZ PŁYNNY LPG Streszczenie Praca dotyczy optymalizacji kształtu zbiornika toroidalnego na gaz LPG. Kryterium
Bardziej szczegółowoUczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
Bardziej szczegółowoOptymalizacja. Przeszukiwanie lokalne
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Idea sąsiedztwa Definicja sąsiedztwa x S zbiór N(x) S rozwiązań, które leżą blisko rozwiązania x
Bardziej szczegółowoMODELOWANIE ROZKŁADU TEMPERATUR W PRZEGRODACH ZEWNĘTRZNYCH WYKONANYCH Z UŻYCIEM LEKKICH KONSTRUKCJI SZKIELETOWYCH
Budownictwo o Zoptymalizowanym Potencjale Energetycznym 2(18) 2016, s. 55-60 DOI: 10.17512/bozpe.2016.2.08 Maciej MAJOR, Mariusz KOSIŃ Politechnika Częstochowska MODELOWANIE ROZKŁADU TEMPERATUR W PRZEGRODACH
Bardziej szczegółowoSYMULACYJNE BADANIE SKUTECZNOŚCI AMUNICJI ODŁAMKOWEJ
Dr inż. Maciej PODCIECHOWSKI Dr inż. Dariusz RODZIK Dr inż. Stanisław ŻYGADŁO Wojskowa Akademia Techniczna SYMULACYJNE BADANIE SKUTECZNOŚCI AMUNICJI ODŁAMKOWEJ Streszczenie: W referacie przedstawiono wyniki
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA I WSPOMAGANIA DECYZJI Rozproszone programowanie produkcji z wykorzystaniem
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Metody optymalizacji Metody poszukiwania ekstremum funkcji jednej zmiennej Materiały pomocnicze do ćwiczeń
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
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 szczegółowoMarzec Politechnika Gdańska Wydział Oceanotechniki i Okrętownictwa St. inż. I stopnia, sem. IV, Oceanotechnika, ZiMwGM
Politechnika Gdańska Wydział Oceanotechniki i Okrętownictwa St. inż. I stopnia, sem. IV, Oceanotechnika, ZiMwGM Podstawy automatyzacji okrętu 1 WPROWADZENIE M. H. Ghaemi Marzec 2016 Podstawy automatyzacji
Bardziej szczegółowoO ALGORYTMACH I MASZYNACH TURINGA
O ALGORYTMACH I MASZYNACH TURINGA ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające współcześnie precyzyjny schemat mechanicznej lub maszynowej realizacji zadań określonego
Bardziej szczegółowoXIII International PhD Workshop OWD 2011, October 2011 METODA REEINGINEERINGU ORGANIZACJI Z WYKORZYSTANIEM SYMULATORA PROCESÓW BIZNESOWYCH
XIII International PhD Workshop OWD 2011, 22 25 October 2011 METODA REEINGINEERINGU ORGANIZACJI Z WYKORZYSTANIEM SYMULATORA PROCESÓW BIZNESOWYCH METHOD OF REEINGINEERING ORGANIZATION USING BUSINESS PROCESS
Bardziej szczegółowoSYMULACJA PROGRAMÓW KOMPUTEROWEGO WSPOMAGANIA BEZPIECZEŃSTWA TRANSPORTU MORSKIEGO
Józef Lisowski Akademia Morska w Gdyni SYMULACJA PROGRAMÓW KOMPUTEROWEGO WSPOMAGANIA BEZPIECZEŃSTWA TRANSPORTU MORSKIEGO Wstęp Do klasycznych zagadnień teorii procesów decyzyjnych w transporcie morskim
Bardziej szczegółowoTHE AUTOMATIZATION OF THE CALCULATION CONNECTED WITH PROJECTING LEADING LIGHTS
XIII-th International Scientific and Technical Conference THE PART OF NAVIGATION IN SUPPORT OF HUMAN ACTIVITY ON THE SEA Naval University in Poland Institute of Navigation and Hydrography Rafał Ropiak,
Bardziej szczegółowoSTATYKA Z UWZGLĘDNIENIEM DUŻYCH SIŁ OSIOWYCH
Część. STATYKA Z UWZGLĘDNIENIEM DUŻYCH SIŁ OSIOWYCH.. STATYKA Z UWZGLĘDNIENIEM DUŻYCH SIŁ OSIOWYCH Rozwiązując układy niewyznaczalne dowolnie obciążone, bardzo często pomijaliśmy wpływ sił normalnych i
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
Bardziej szczegółowoUczenie ze wzmocnieniem
Uczenie ze wzmocnieniem Maria Ganzha Wydział Matematyki i Nauk Informatycznych 2018-2019 Przypomnienia (1) Do tych czas: stan X t u, gdzie u cel aktualizacji: MC : X t G t TD(0) : X y R t+1 + γˆv(x t,
Bardziej szczegółowoPOZIOM UFNOŚCI PRZY PROJEKTOWANIU DRÓG WODNYCH TERMINALI LNG
Stanisław Gucma Akademia Morska w Szczecinie POZIOM UFNOŚCI PRZY PROJEKTOWANIU DRÓG WODNYCH TERMINALI LNG Streszczenie: W artykule zaprezentowano probabilistyczny model ruchu statku na torze wodnym, który
Bardziej szczegółowoBADANIA SYMULACYJNE PROCESU HAMOWANIA SAMOCHODU OSOBOWEGO W PROGRAMIE PC-CRASH
BADANIA SYMULACYJNE PROCESU HAMOWANIA SAMOCHODU OSOBOWEGO W PROGRAMIE PC-CRASH Dr inż. Artur JAWORSKI, Dr inż. Hubert KUSZEWSKI, Dr inż. Adam USTRZYCKI W artykule przedstawiono wyniki analizy symulacyjnej
Bardziej szczegółowoSchemat programowania dynamicznego (ang. dynamic programming)
Schemat programowania dynamicznego (ang. dynamic programming) Jest jedną z metod rozwiązywania problemów optymalizacyjnych. Jej twórcą (1957) był amerykański matematyk Richard Ernest Bellman. Schemat ten
Bardziej szczegółowoMechanika Robotów. Wojciech Lisowski. 5 Planowanie trajektorii ruchu efektora w przestrzeni roboczej
Katedra Robotyki i Mechatroniki Akademia Górniczo-Hutnicza w Krakowie Mechanika Robotów Wojciech Lisowski 5 Planowanie trajektorii ruchu efektora w przestrzeni roboczej Mechanika Robotów KRiM, WIMIR, AGH
Bardziej szczegółowoWIELOKRYTERIALNY DOBÓR ROZTRZĄSACZY OBORNIKA
Inżynieria Rolnicza 7(95)/2007 WIELOKRYTERIALNY DOBÓR ROZTRZĄSACZY OBORNIKA Andrzej Turski, Andrzej Kwieciński Katedra Maszyn i Urządzeń Rolniczych, Akademia Rolnicza w Lublinie Streszczenie: W pracy przedstawiono
Bardziej szczegółowoPODEJMOWANIE DECYZJI W WARUNKACH NIEPEŁNEJ INFORMACJI
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 5 PODEJMOWANIE DECYZJI W WARUNKACH NIEPEŁNEJ INFORMACJI 5.2. Ćwiczenia komputerowe
Bardziej szczegółowoZASTOSOWANIE GRAFU WIDOCZNOŚCI W PLANOWANIU TRASY PRZEJŚCIA STATKU APPLICATION OF A VISIBILITY GRAPH IN SHIP S PATH PLANNING
Zeszyty Naukowe Akademii Morskiej w Gdyni Scientific Journal of Gdynia Maritime University Nr /, ISSN - e-issn - ZASTOSOWANIE GRAFU WIDOCZNOŚCI W PLANOWANIU TRASY PRZEJŚCIA STATKU APPLICATION OF A VISIBILITY
Bardziej szczegółowoOptymalizacja systemów
Optymalizacja systemów Laboratorium - problem detekcji twarzy autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, P. Klukowski Cel zadania Celem zadania jest zapoznanie się z gradientowymi algorytmami optymalizacji
Bardziej szczegółowoAUTO-STROJENIE REGULATORA TYPU PID Z WYKORZYSTANIEM LOGIKI ROZMYTEJ
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 75 Electrical Engineering 2013 Łukasz NIEWIARA* Krzysztof ZAWIRSKI* AUTO-STROJENIE REGULATORA TYPU PID Z WYKORZYSTANIEM LOGIKI ROZMYTEJ Zagadnienia
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoPolitechnika Gdańska Wydział Oceanotechniki i Okrętownictwa St. inż. I stopnia, sem. IV, Transport. Luty 2015. Automatyzacja statku 1.
Politechnika Gdańska Wydział Oceanotechniki i Okrętownictwa St. inż. I stopnia, sem. IV, Transport Automatyzacja statku 1 WPROWADZENIE M. H. Ghaemi Luty 2015 Automatyzacja statku 1. Wprowadzenie 1 Kierunek:
Bardziej szczegółowoZasada indukcji matematycznej
Zasada indukcji matematycznej Twierdzenie 1 (Zasada indukcji matematycznej). Niech ϕ(n) będzie formą zdaniową zmiennej n N 0. Załóżmy, że istnieje n 0 N 0 takie, że 1. ϕ(n 0 ) jest zdaniem prawdziwym,.
Bardziej szczegółowoAlgorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
y mrówkowe P. Oleksyk Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 14 kwietnia 2015 1 Geneza algorytmu - biologia 2 3 4 5 6 7 8 Geneza
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN Szkoła Wyższa Psychologii Społecznej d.wojcik@nencki.gov.pl dwojcik@swps.edu.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/
Bardziej szczegółowoProblemy Decyzyjne Markowa
Problemy Decyzyjne Markowa na podstawie AIMA ch17 i slajdów S. Russel a Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 18 kwietnia 2013 Sekwencyjne problemy decyzyjne Cechy sekwencyjnego
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 szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego
Bardziej szczegółowoPodstawy Automatyzacji Okrętu
Politechnika Gdańska Wydział Oceanotechniki i Okrętownictwa St. inż. I stopnia, sem. IV, specjalności okrętowe Podstawy Automatyzacji Okrętu 1 WPROWADZENIE M. H. Ghaemi Luty 2018 Podstawy automatyzacji
Bardziej szczegółowoAby mówić o procesie decyzyjnym Markowa musimy zdefiniować następujący zestaw (krotkę): gdzie:
Spis treści 1 Uczenie ze wzmocnieniem 2 Proces decyzyjny Markowa 3 Jak wyznaczyć optymalną strategię? 3.1 Algorytm iteracji funkcji wartościującej 3.2 Algorytm iteracji strategii 4 Estymowanie modelu dla
Bardziej szczegółowoANALIZA OBCIĄŻEŃ JEDNOSTEK NAPĘDOWYCH DLA PRZESTRZENNYCH RUCHÓW AGROROBOTA
Inżynieria Rolnicza 7(105)/2008 ANALIZA OBCIĄŻEŃ JEDNOSTEK NAPĘDOWYCH DLA PRZESTRZENNYCH RUCHÓW AGROROBOTA Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. W pracy przedstawiono
Bardziej szczegółowoUczenie ze wzmocnieniem
Uczenie ze wzmocnieniem Maria Ganzha Wydział Matematyki i Nauk Informatycznych 2018-2019 O projekcie nr 2 roboty (samochody, odkurzacze, drony,...) gry planszowe, sterowanie (optymalizacja; windy,..) optymalizacja
Bardziej szczegółowoCHARAKTERYSTYKA I ZASTOSOWANIA ALGORYTMÓW OPTYMALIZACJI ROZMYTEJ. E. ZIÓŁKOWSKI 1 Wydział Odlewnictwa AGH, ul. Reymonta 23, Kraków
36/3 Archives of Foundry, Year 004, Volume 4, 3 Archiwum Odlewnictwa, Rok 004, Rocznik 4, Nr 3 PAN Katowice PL ISSN 64-5308 CHARAKTERYSTYKA I ZASTOSOWANIA ALGORYTMÓW OPTYMALIZACJI ROZMYTEJ E. ZIÓŁKOWSKI
Bardziej szczegółowoREPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH
REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH Transport, studia I stopnia rok akademicki 2012/2013 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Pojęcie
Bardziej szczegółowoMetody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska
Metody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska e-mail: bartosz.krawczyk@pwr.wroc.pl Czym jest klasyfikacja
Bardziej szczegółowoNumeryczna symulacja rozpływu płynu w węźle
231 Prace Instytutu Mechaniki Górotworu PAN Tom 7, nr 3-4, (2005), s. 231-236 Instytut Mechaniki Górotworu PAN Numeryczna symulacja rozpływu płynu w węźle JERZY CYGAN Instytut Mechaniki Górotworu PAN,
Bardziej szczegółowoMANEWR OSTATNIEJ CHWILI OCENA I ANALIZA DLA MASOWCA W ZALEŻNOŚCI OD ODLEGŁOŚCI ROZPOCZĘCIA MANEWRU I KĄTA KURSOWEGO
STANISŁAW GÓRSKI PIOTR LIZAKOWSKI ARKADIUSZ ŁUKASZEWICZ Akademia Morska w Gdyni Katedra Nawigacji MANEWR OSTATNIEJ CHWILI OCENA I ANALIZA DLA MASOWCA W ZALEŻNOŚCI OD ODLEGŁOŚCI ROZPOCZĘCIA MANEWRU I KĄTA
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoWYKORZYSTANIE METOD OPTYMALIZACJI DO ESTYMACJI ZASTĘPCZYCH WŁASNOŚCI MATERIAŁOWYCH UZWOJENIA MASZYNY ELEKTRYCZNEJ
MODELOWANIE INŻYNIERSKIE ISNN 1896-771X 3, s. 71-76, Gliwice 006 WYKORZYSTANIE METOD OPTYMALIZACJI DO ESTYMACJI ZASTĘPCZYCH WŁASNOŚCI MATERIAŁOWYCH UZWOJENIA MASZYNY ELEKTRYCZNEJ TOMASZ CZAPLA MARIUSZ
Bardziej szczegółowoSkalowalność obliczeń równoległych. Krzysztof Banaś Obliczenia Wysokiej Wydajności 1
Skalowalność obliczeń równoległych Krzysztof Banaś Obliczenia Wysokiej Wydajności 1 Skalowalność Przy rozważaniu wydajności przetwarzania (obliczeń, komunikacji itp.) często pojawia się pojęcie skalowalności
Bardziej szczegółowoRys 1 Schemat modelu masa- sprężyna- tłumik
Rys 1 Schemat modelu masa- sprężyna- tłumik gdzie: m-masa bloczka [kg], ẏ prędkośćbloczka [ m s ]. 3. W kolejnym energię potencjalną: gdzie: y- przemieszczenie bloczka [m], k- stała sprężystości, [N/m].
Bardziej szczegółowoUczenie ze wzmocnieniem
Uczenie ze wzmocnieniem Na podstawie: AIMA ch2 Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 20 listopada 203 Problem decyzyjny Markova 3 + 2 0.8 START 0. 0. 2 3 4 MDP bez modelu przejść
Bardziej szczegółowoModelowanie niezawodności prostych struktur sprzętowych
Modelowanie niezawodności prostych struktur sprzętowych W ćwiczeniu tym przedstawione zostaną proste struktury sprzętowe oraz sposób obliczania ich niezawodności przy założeniu, że funkcja niezawodności
Bardziej szczegółowoĆwiczenie nr 1 Odpowiedzi czasowe układów dynamicznych
Ćwiczenie nr 1 Odpowiedzi czasowe układów dynamicznych 1. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów z metodą wyznaczania odpowiedzi skokowych oraz impulsowych podstawowych obiektów regulacji.
Bardziej szczegółowoCyfrowe algorytmy sterowania AR S1 semestr 4 Projekt 4
Cyfrowe algorytmy sterowania AR S1 semestr 4 Projekt 4 MPC Sterowanie predykcyjne Cel: Poznanie podstaw regulacji predykcyjnej i narzędzi do badań symulacyjnych Wykonali: Konrad Słodowicz Patryk Frankowski
Bardziej szczegółowo2. Wyznaczenie parametrów dynamicznych obiektu na podstawie odpowiedzi na skok jednostkowy, przy wykorzystaniu metody Küpfmüllera.
1. Celem projektu jest zaprojektowanie układu regulacji wykorzystującego regulator PI lub regulator PID, dla określonego obiektu składającego się z iloczynu dwóch transmitancji G 1 (s) i G 2 (s). Następnym
Bardziej szczegółowoZagadnienia brzegowe dla równań eliptycznych
Temat 7 Zagadnienia brzegowe dla równań eliptycznych Rozważmy płaski obszar R 2 ograniczony krzywą. la równania Laplace a (Poissona) stawia się trzy podstawowe zagadnienia brzegowe. Zagadnienie irichleta
Bardziej szczegółowoINSTRUKCJA DO ĆWICZENIA NR 7
KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 7 PRZEDMIOT TEMAT OPRACOWAŁ LABORATORIUM MODELOWANIA Przykładowe analizy danych: przebiegi czasowe, portrety
Bardziej szczegółowoINTERPOLACJA I APROKSYMACJA FUNKCJI
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Wprowadzenie Na czym polega interpolacja? Interpolacja polega
Bardziej szczegółowoModelowanie matematyczne a eksperyment
Modelowanie matematyczne a eksperyment Budowanie modeli w środowisku Hildegard Urban-Woldron Ogólnopolska konferencja, 28.10. 2011, Warszawa Plan Budowanie modelu w środowisku Równania i wartości Uruchomienie
Bardziej szczegółowoZASTOSOWANIE METOD OPTYMALIZACJI W DOBORZE CECH GEOMETRYCZNYCH KARBU ODCIĄŻAJĄCEGO
MODELOWANIE INŻYNIERSKIE ISSN 1896-771X 40, s. 43-48, Gliwice 2010 ZASTOSOWANIE METOD OPTYMALIZACJI W DOBORZE CECH GEOMETRYCZNYCH KARBU ODCIĄŻAJĄCEGO TOMASZ CZAPLA, MARIUSZ PAWLAK Katedra Mechaniki Stosowanej,
Bardziej szczegółowoROZWIĄZANIA DO ZADAŃ
TURNIRJ MATEMATYCZNY ELIPSA dla klas LO ROZWIĄZANIA DO ZADAŃ Zadanie. (2 pkt.) Dla jakich wartości parametru m (m R), część wspólna przedziałów A = (, m m i B = 2m 2, + ) jest zbiorem pustym? / Jeśli A
Bardziej szczegółowoMETODY NUMERYCZNE. wykład. konsultacje: wtorek 10:00-11:30 środa 10:00-11:30. dr inż. Grażyna Kałuża pokój
METODY NUMERYCZNE wykład dr inż. Grażyna Kałuża pokój 103 konsultacje: wtorek 10:00-11:30 środa 10:00-11:30 www.kwmimkm.polsl.pl Program przedmiotu wykład: 15 godzin w semestrze laboratorium: 30 godzin
Bardziej szczegółowoInżynieria Ruchu Morskiego wykład 01. Dr inż. Maciej Gucma Pok. 343 Tel //wykłady tu//
Inżynieria Ruchu Morskiego wykład 01 Dr inż. Maciej Gucma Pok. 343 Tel. 91 4809 495 www.uais.eu //wykłady tu// m.gucma@am.szczecin.pl Zaliczenie Wykładu / Ćwiczeń Wykład zaliczenie pisemne Ćwiczenia -
Bardziej szczegółowoĆwiczenie 4 - Badanie charakterystyk skokowych regulatora PID.
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie KATEDRA AUTOMATYKI LABORATORIUM Aparatura Automatyzacji Ćwiczenie 4. Badanie charakterystyk skokowych regulatora PID. Wydział EAIiE kierunek
Bardziej szczegółowoRÓWNANIE DYNAMICZNE RUCHU KULISTEGO CIAŁA SZTYWNEGO W UKŁADZIE PARASOLA
Dr inż. Andrzej Polka Katedra Dynamiki Maszyn Politechnika Łódzka RÓWNANIE DYNAMICZNE RUCHU KULISTEGO CIAŁA SZTYWNEGO W UKŁADZIE PARASOLA Streszczenie: W pracy opisano wzajemne położenie płaszczyzny parasola
Bardziej szczegółowoKOMPUTEROWY MODEL UKŁADU STEROWANIA MIKROKLIMATEM W PRZECHOWALNI JABŁEK
Inżynieria Rolnicza 8(117)/2009 KOMPUTEROWY MODEL UKŁADU STEROWANIA MIKROKLIMATEM W PRZECHOWALNI JABŁEK Ewa Wachowicz, Piotr Grudziński Katedra Automatyki, Politechnika Koszalińska Streszczenie. W pracy
Bardziej szczegółowoINSTRUKCJA DO ĆWICZENIA NR 2
KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 2 PRZEDMIOT TEMAT OPRACOWAŁ MECHANIKA UKŁADÓW MECHANCZNYCH Modelowanie fizyczne układu o jednym stopniu
Bardziej szczegółowoWstęp do metod numerycznych Zadania numeryczne 2016/17 1
Wstęp do metod numerycznych Zadania numeryczne /7 Warunkiem koniecznym (nie wystarczającym) uzyskania zaliczenia jest rozwiązanie co najmniej 3 z poniższych zadań, przy czym zadania oznaczone literą O
Bardziej szczegółowoUkłady równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np.
Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona f(x 0, f ( f, f,..., f n gdzie 2 x ( x, x 2,..., x n dla n2 np. f ( x, y 0 g( x, y 0 dla każdej wielowymiarowej rozwinięcie w szereg Taylora
Bardziej szczegółowo1. Podstawowe pojęcia
1. Podstawowe pojęcia Sterowanie optymalne obiektu polega na znajdowaniu najkorzystniejszej decyzji dotyczącej zamierzonego wpływu na obiekt przy zadanych ograniczeniach. Niech dany jest obiekt opisany
Bardziej szczegółowoTeoria systemów uczacych się i wymiar Vapnika-Chervonenkisa
Systemy uczace się 2009 1 / 32 Teoria systemów uczacych się i wymiar Vapnika-Chervonenkisa Hung Son Nguyen Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski email: son@mimuw.edu.pl Grudzień
Bardziej szczegółowoMgr inż. Wojciech Chajec Pracownia Kompozytów, CNT Mgr inż. Adam Dziubiński Pracownia Aerodynamiki Numerycznej i Mechaniki Lotu, CNT SMIL
Mgr inż. Wojciech Chajec Pracownia Kompozytów, CNT Mgr inż. Adam Dziubiński Pracownia Aerodynamiki Numerycznej i Mechaniki Lotu, CNT SMIL We wstępnej analizie przyjęto następujące założenia: Dwuwymiarowość
Bardziej szczegółowoPROBLEMY NIEKONWENCJONALNYCH UKŁADÓW ŁOŻYSKOWYCH Łódź maja 1995 roku
PROBLEMY NIEKONWENCJONALNYCH UKŁADÓW ŁOŻYSKOWYCH Łódź 09-10 maja 1995 roku Jerzy-Andrzej Nowakowski, Walenty Osipiuk (Politechnika Bialostocka) PROBLEMY REALIZACJI NAPIFCIA WSTF~PNEGO JEDNORZF~DOWYCH ŁOŻYSK
Bardziej szczegółowoAparaty słuchowe Hi-Fi z Multiphysics Modeling
Aparaty słuchowe Hi-Fi z Multiphysics Modeling POLITECHNIKA POZNAŃSKA Wydział Budowy Maszyn i Zarządzania Mechanika i Budowa Maszyn Technologia Przetwarzania Materiałów Prowadzący: dr hab. Tomasz Stręk
Bardziej szczegółowoWarsztat nauczyciela: Badanie rzutu ukośnego
Warsztat nauczyciela: Badanie rzutu ukośnego Patryk Wolny Dydaktyk Medialny W nauczaniu nic nie zastąpi prawdziwego doświadczenia wykonywanego przez uczniów. Nie zawsze jednak jest to możliwe. Chcielibyśmy
Bardziej szczegółowoZASTOSOWANIE PROBABILISTYCZNEJ SIECI NEURONOWEJ DO IDENTYFIKACJI OBIEKTÓW NA PODSTAWIE WSKAZAŃ CZUJNIKÓW PODCZERWIENI ROBOTA KHEPERA 2
Marcin Pluciński ZASTOSOWANIE PROBABILISTYCZNEJ SIECI NEURONOWEJ DO IDENTYFIKACJI OBIEKTÓW NA PODSTAWIE WSKAZAŃ CZUJNIKÓW PODCZERWIENI ROBOTA KHEPERA 2 Streszczenie Do najważniejszych zadań systemów nadzorujących
Bardziej szczegółowoEkonomika Transportu Morskiego wykład 08ns
Ekonomika Transportu Morskiego wykład 08ns dr Adam Salomon, Katedra Transportu i Logistyki Wydział Nawigacyjny, Akademia Morska w Gdyni ETM 2 Wykład ostatni merytoryczny ETM: tematyka 1. Dynamiczne metody
Bardziej szczegółowoMetoda wizualizacji danych z AIS na potrzeby nawigatora
DRAMSKI Mariusz 1 Metoda wizualizacji danych z AIS na potrzeby nawigatora WSTĘP W dobie nowoczesnej nawigacji na statkach morskich wykorzystywane są coraz nowsze i bardziej zaawansowane narzędzia wspomagające
Bardziej szczegółowoZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Seria: TRANSPORT z. 82 Nr kol. 1903
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Seria: TRANSPORT z. 82 Nr kol. 1903 Piotr FOLĘGA 1 DOBÓR ZĘBATYCH PRZEKŁADNI FALOWYCH Streszczenie. Różnorodność typów oraz rozmiarów obecnie produkowanych zębatych
Bardziej szczegółowoSpis treści. Przedmowa... 11
Spis treści Przedmowa.... 11 Nowe trendy badawcze w ruchu lotniczym. Zagadnienia wstępne... 13 I. Ruch lotniczy jako efekt potrzeby komunikacyjnej pasażera.... 13 II. Nowe środki transportowe w ruchu lotniczym....
Bardziej szczegółowoDefinicja pochodnej cząstkowej
1 z 8 gdzie punkt wewnętrzny Definicja pochodnej cząstkowej JeŜeli iloraz ma granicę dla to granicę tę nazywamy pochodną cząstkową funkcji względem w punkcie. Oznaczenia: Pochodną cząstkową funkcji względem
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW PRZYGOTOWANY PRZEZ SERWIS WWW.ZADANIA.INFO POZIOM PODSTAWOWY 14 KWIETNIA 2018 CZAS PRACY: 170 MINUT 1 Zadania zamknięte ZADANIE 1 (1 PKT) Liczba 5 30 2 3 5
Bardziej szczegółowoPOPRAWA EFEKTYWNOŚCI ENERGETYCZNEJ UKŁADU NAPĘDOWEGO Z SILNIKIEM INDUKCYJNYM ŚREDNIEGO NAPIĘCIA POPRZEZ JEGO ZASILANIE Z PRZEMIENNIKA CZĘSTOTLIWOŚCI
Zeszyty Problemowe Maszyny Elektryczne Nr 73/5 49 Zbigniew Szulc, łodzimierz Koczara Politechnika arszawska, arszawa POPRAA EFEKTYNOŚCI ENERGETYCZNEJ UKŁADU NAPĘDOEGO Z SILNIKIEM INDUKCYJNYM ŚREDNIEGO
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowo