TYPOWE OPERATORY KRZYŻOWANIA OBLICZENIA EWOLUCYJNE FUNKCJE TESTOWE F. RASTRIGINA F. ACKLEYA ( x) = x i minimum globalne.
|
|
- Władysław Kaczmarczyk
- 8 lat temu
- Przeglądów:
Transkrypt
1 FUNKCJE TESTOWE OBLICENIA EWOLUCJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromoome EVOLUTIONAR OPERATORS AND RECEIVING FITNESS F. wykład 5 VALUE ftne f. value MIGRATION PHASE FITNESS F. communcaton COMPUTATION wth other SELECTION ubpopulaton F. RASTRIGINA - x mnmum globalne alne: x = 0, f (x) = -n n - l. zmennych) n 2 ( x) = co(8 ) = f x x ES TERMINATION CONDITION NO END 2 F. ACKLEA n n 2 f ( x) = 20exp 0.2 x exp co(2 π x) e n = n = -30 x 30 mnmum globalne alne: x = 0, f (x) = TPOWE OPERATOR KRŻOWANIA 5 Para rodzców para potomków wykle : 2 oobnk rodzcelke - 2 (przęż ężone) oobnk potomne. Pojedynczy oobnk potomny warant dwuoobnczy para oobnków w rodzcelkch; warant globalny jeden wodący n pomocnczych oobnków w rodzcelkch (po jednym dla każdego genu). Krzyżowane welooobncze: z weloma oobnkam potomnym; z jednym oobnkem potomnym. 6
2 OPERATOR KRŻOWANIA WMIENIAJĄCEGO Tworzą chromoomy potomne przez kładane ch z wartośc genów w chromoomów w rodzcelkch. Mogą być wykorzytywane zarówno przy kodo- wanu bnarnym, jak rzeczywtolczbowym. Ne dochodz do modyfkacj wartośc genów zawartych w chromoomach krzyżowanych oobnków w rodzcelkch (tylko ch przetaowane). 7 8 KRŻOWANIE JEDNOPUNKTOWE (prote) wybór r (z rozkładem jednotajnym) lczby c (punkt rozcęca) ca) ze zboru {, 2,..., n -} n - długość oobnka; Podzał chromoomów X X 2 poddawanych krzyżowanu na dwe częś ęśc ch klejane: = [X[,,..., X c, X2 c+,, X2 n]. X X c W werj z 2 oobnkam potomnym drug potomek: = [X[ 2,,..., X 2 c, X c+,, X n ] 9 0 KRŻOWANIE DWUPUNKTOWE wybór r 2 punktów w rozcęca ca c c 2 ; X X Podzał chromoomów X X 2 poddawanych krzyżo- wanu na 3 częś ęśc wymana środkowej częś ęśc: = [X[,,..., X c, X 2 c+,, X 2 c2, X c2+,, X n ] c W werj z 2 oobnkam potomnym drug potomek: = [X[ 2,,..., X 2 c, X c+,, X c2, X 2 c2+,, X 2 n ] c c = c 2 krzyżowane jednopunktowe KRŻOWANIE WIELOPUNKTOWE... 2
3 KRŻOWANIE RÓWNOMIERNER p e =0.5 Chromoom potomny: X jeśl wyloowano lczbę <p e ; = 2 X w przecwnym raze. X X wyloowano p e parametr krzyżowana (typowo p e =0.5) W werj z 2 oobnkam potomnym drug potomek: 2 X jeśl = X ; = X w przecwnym raze KRŻOWANIE DIAGONALNE Jet krzyżowanem welooobnczym. Tworzy r potomków w z rodzców w przy c = r - punktach krzyżowana. Oobnk potomne powtają w wynku kładana fragmentów w kodu po przekątnej. Dla 3 oobnków: = [X[,,..., X c, X 2 c+,, X 2 c2, X 3 c2+,, X 3 n ] = [X[ 2,,..., X 2 c, X 3 c+,, X 3 c2, X c2+,, X n ] W = [X[ 3,,..., X 3 c, X c+,, X c2, X 2 c2+,, X 2 n ] 5 X X 2 X 3 W W werj potomkem tylko potomek 6 OPERATOR KRŻOWANIA UŚREDNIAJĄCEGO Są pecyfczne dla kodowana rzeczywtolczbowego; Oddzałują na wartośc genów chromoomów poddawanych krzyżowanu; Wartośc każdego genu chromoomów potomnych ą lczbam zawerającym ę mędzy najwękzą najmnejzą wartoścą genu chromoomów rodzcelkch. 7 8
4 KRŻOWANIE ARTMETCNE X X generowane lczby loowej k z zakreu (0,) lub jej arbtralny wybór; uśrednane arytmetyczne wartośc genów chromoomów w rodzcelkch: = X + k (X 2 - X ) X 2 k= W werj z 2 oobnkam potomnym drug potomek: = X 2 + X - Rodzc 2 Potomek 2 Potomek Rodzc Lna krzyżowana k= X KRŻOWANIE HEURSTCNE X X 2 Ne jet krzyżowanem uśrednaju rednającym! Generowane lczby loowej k z zakreu (0,); Tworzy ę (makymalne) jednego potomka: = k (X 2 - X ) + X przy założenu, że f(x 2 ) f(x ) Może e utworzyć potomka, który ne jet dopuzczalny, wówcza: wcza: X 2 Potomek Rodzc 2 Lna krzyżowana» generuje ę nową lczbę loową tworzy nowego potomka;» Jeśl po założonej onej lczbe prób b ne utworzono oobnka dopuzczalnego, to ne tworzy ę potomka. Rodzc X 2 MUTACJA RÓWNOMIERNAR TPOWE OPERATOR MUTACJI 23 Loowy wybór r genu w chromoome. Przyjęce przez gen wartośc loowej (z rozkładem równomernym) z zakreu dopuzczalnego dla danej zmennej: = [X,..., X k,..., X n ], X k = left(k), rght(k) Szczególne użyteczna u we wczenej faze dzałana ana AE (gdy pożą żądane jet zeroke przezukwane obzaru pozukwań optmum). 24
5 MUTACJA NIERÓWNOMIERNA Funkcja Δ(t,y) przyjmuje wartośc z zakreu [0,y]; Należy y do grupy tzw. mutacj ze trojenem. Modyfkacja wartośc wybranego genu o wartość pewnej funkcj Δ(t,y): gdze: = [X,..., X k,..., X n ], X k =X k + Δ (t, (t, rght(k)-x k ) gdy wyloowano 0 X k =X k Δ (t, (t, X k - left(k) gdy wyloowano 25 Prawdopodobeńtwo, że Δ(t,y) jet blke zero wzrata ze wzrotem czau oblczeń y 0 Δ(t,y) (ne zależy y jednak od zachowana ę AE). Początkowa faza oblczeń k y 0 Δ(t,y) Pod konec dzałana ana AE k 26 MUTACJA BREGOWA MUTACJA GAUSSOWSKA Jet odmaną mutacj równomernej, r w której: X k = left(k) gdy wyloowano 0 X k = rght(k) gdy wyloowano Przyjęce przez wyloowany gen wartośc loowej (z rozkładem Gaua) o wartośc oczekwanej równej r wartośc przed zmaną: = [X,..., X k,..., X n ], X k = X k +N(0, N(0,σ) Szczególne użyteczna, u gdy rozwązane zane optymalne leży na brzegu obzaru dopuzczalnego lub bardzo blko tego brzegu) ISTOTNOŚĆ OPERATORÓW W AG przyjmuje ę częto, że krzyżowane jet operatorem perwzoplanowym,, podcza gdy mutacja ma za zadane zapewnać dopływ śweżej ej krw do populacj jet operatorem o mnejzym znaczenu. Wśród d badaczy uprawających programowane ewolucyjne twerdz ę, że krzyżowane jet operatorem zbędnym dnym,, zaś mutacja jet jedynym mechanzmem przezukwana. Potrzebny jet co najmnej jeden tak operator genetyczny, który gwarantuje pójno jność przetrzen genotypów - operatorem tym jet najczęś ęścej mutacja. 29 OPERATOR GENETCNE ADAPTUJĄ- CMI SIĘ PRAWDOPODOBIEŃSTWAMI Użyteczność wękzo kzośc operatorów w genetycznych ne jet jednakowa w każdej faze dzałana ana algorytmu. Mechanzm adaptacj: Prawdop.. operatorów w genetycznych, które częś ęścej prowadzą do lepzych oobnków w potomnych wzrata koztem operatorów mających gorze wynk. Należy y zadbać,, aby ne zablokować żadnego z operatorów (prawdopodobeńtwa ne pownny oąga gać zera) Skuteczność dzałana ana operatora - ocenana przez zewnętrzny proce montorujący który teruje prawdop.. operatorów. Należy y uwzględn dnć w algorytme korzyśc wynkające z dzałana ana pewnych operatorów w wdoczne dopero po klku pokolenach. 30
6 OPTMALIACJA WIELO- KRTERIALNA SFORMUŁOWANIE OWANIE ADANIA Wele praktycznych problemów w podejmowana decyzj, projektowana tp. trudno jet formułowa ować jako zadane optymalzacj funkcj celu zwracającej cej jedną wartość ść. amat jednego lczbowego kryterum oceny mu ę uwzględna dnać cały y ch zbór. Nerzadko jednoczena mnmalzacja tych kryterów w jet nemożlwa z powodu ch wzajemnej przecznośc c Formalne: Dany jet zbór r (wektor) m funkcj: f (x) = [f[ (x)...f m (x)]. Celem jet jednoczena mnmalzacja wzytkch kryterów f j (x). reguły y krytera ne ą ze obą zgodne (mnmalzacja względem jednego z nch może e powodować wzrot nnych). Rozwązane zane x jet zdomnowane wtedy tylko wtedy gdy tneje dopuzczalne rozwązane zane y ne gorze od x (dla wzytkch kryterów). Jeśl rozwązane zane ne jet zdomnowane przez żadne nne rozwązane zane dopuzczalne to nazywamy je rozwązanem zanem nezdomnowanym lub rozwązanem zanem paretooptymalnym. 33 Przykład: Gra na gełdze paperów w wartoścowych Cel: kupowane akcj charakteryzujących cych ę mnmalnym ryzykem jak makymalnym zykem. reguły ne ma takch akcj, które pełna nałyby oba krytera jednocześne. ne. Należy odrzucć akcje, dla których tneje co najmnej jedna nna charakteryzująca ca ę jednocześne ne mnejzym ryzykem wyżz zą rentownośc cą. Akcje, które pozotały po takej elekcj, ą równoprawnym rozwązanam zanam zadana jednoczenej mnmalzacj ryzyka wpółczynnka cena/zyk. 34 Cel: Inwetowane w akcje o jak najmnejzym ryzyku jak najmnejzej wartośc wpółczynnka cena/zyk. ryzyko ryzyko zbór akcj nezdomnowanych adane optymalzacj welokryteralnej polega na pozukwanu zboru P punktów nezdomnowanych. Szczególne przypadk: Pozukwane nezdomnowanego punktu; Pozukwane zboru punktów nezdomnowanych: dużo o trudnejze w ogólnym przypadku nemożlwe do rozwązana; zana; częto potyka ę uprozczene, polegające na znalezenu możlwe najwękzej ch lczby). cena/zyk cena/zyk 35 36
7 Metody optymalzacj welokryteralnej A-pror: - decyzja podejmowana przed rozpoczęcem optymalzacj (pojedynczy cel uzykany a pror). wykłe metody optymalzacj mogą być użyte... Interaktywne: - decyzja podejmowana podcza przezukwana. Wymagana nterakcja z użytkownkem... A-poteror: - znalezene zboru rozwązań nezdomnowanych, natępne podjęce decyzj co do wyboru rozwązana. Koneczne metody optymalzacj welokryteralnej Metody optymalzacj welokryteralnej alety Wady A-PRORI INTERAKTWNE A-POSTERIORI nk kozt oblczenowy prote w mplementacj łatwo dotępne oprogramowane wymagana (nerealtyczne) duża wedza o probleme wymagana analza wrażlwośc decydent nadzoruje proce optymalzacj decydent uczy ę problemu nezbędna ntenywna nterakcja z decydentem wynk zależny od wedzy decydenta preferencje ą określane po faze optymalzacj uzykujemy węcej, nż rozwązane koztowne oblczenowo potrzebna druga faza dla dokonana wyboru; oprogramowane ne jet tek powzechne. 38 Jedno z kryterów w może e być uznane za wodące ce. Rozwązana zana pozukuje ę toując c metody właścwe w dla problemów w z ogranczenam Wprowadzene funkcj agregującej cej. Argumenty wartośc pozczególnych kładnk adnków wektorowego wkaźnka jakośc. W wynku - zagregowany,, kalarny wkaźnk jakośc f (x),, będący b natępne przedmotem optymalzacj: [ ] f ( x) = ϕ f ( x),.. f ( x)] m ϕ - funkcja agregująca ależne od funkcj ϕ różne metody kalaryzacj, np.:. ważone umowane kryterów, 2. metoda punktu dealnego, 3. metoda punktu najgorzych oczekwań. 40 WAŻONE SUMOWANIE SKŁADNIK ADNIKÓW WEKTOROWEGO WSKAŹNIKA JAKOŚCI Najczęś ęścej toowana technka kalaryzacj. Funkcja agregująca ϕ jet lnowa w potac umy ważonej kładnk adnków w wektorowego wkaźnka jakośc. m ϕ [ f( x),.. fm( x)] ] = wk fk( x) k = Wycena pozczególnych elementów w wektorowego wkaźnka jakośc. Wzajemne proporcje korzyśc trat wynkają z przyję-tych wpółczynnk czynnków w wagowych w k. 4 METODA PUNKTU IDEALNEGO Decydent podaje punkt, zwany dealnym,, znajdujący ę poza obzarem dopuzczalnym. Punkt ten to dealne wartośc wektorowego wkaźnka jakośc. SKALARACJA AD. WIELOKRTERIALNEGO Sprowadzene do problemu jednokryteralnego poprzez wprowadzene dodatkowego kryterum, porządkuj dkują- cego punkty nezdomnowane.. Określene makymalnych dopuzczalnych war- tośc pozczególnych kładnk adnków Problem welokryteralny prowadza ę do zagadne- na znalezena dowolnego punktu dopuzczalnego. Można zaakceptować pogorzene jednego z kryterów o pewną welkość ść,, jeśl kompenują to korzyśc wynkające z poprawy wartośc nnych kryterów; adane optymalzacj welokryteralnej prowadza ę do znalezena rozwąza zań nezdomnowanych znajdujących ę najblżej punktu dealnego. Funkcja agregująca ma potać: [ ] ( ),.. ( )] ( ) ϕ f x f x = f x f mn( ϕ ) m - f punkt dealny - norma wektora. 42
8 Metryka eukldeowa: f 2 (x) obzar rozw. dopuzczalny nezdomnowane Metryka max: f 2 (x) obzar dopuzczalny rozw. nezdomnowane METODA PUNKTU NAJGORSCH OCEKIWAŃ Metoda dualna do metody punktu dealnego. W metodze tej makymalzuje ę odległość od tzw. punktu najgorzych oczekwań. max( ϕ ) punkt dealny rozwązane zadana po kalaryzacj f (x) punkt dealny rozwązane zadana po kalaryzacj Kztałty ty zborów w jednakowej wartośc zagregowanej funkcj celu: f (x) 43 MINIMA LOKALNE SKALARNEJ FUNKCJI CELU atoowane metody kalaryzacj może e prowadzć do funkcj celu poadającej węcej nż jedno mnmum. Wkazane jet wówcza w wcza zatoowane jednej z metod optymalzacj welomodalnej. 44 Ewolucyjne metody optymalzacj welokryteralnej wykle bazują na podejścu Pareto; Rozwązana zana pownny być równomerne rozmezczone na fronce Pareto; AE przetwarzają jednocześne ne wele rozwąza zań,, lecz problemem jet globalność elekcj; Należy y wprowadzć odpowedne mechanzmy (wpółczynnk zatłoczena, nzowane tp.) AE: oobnk A jet lepzy od oobnka B jeśl A ma wyżze przytoowane. tu: : oobnk A jet lepzy od oobnka B jeśl go domnuje. Popularne AE optymalzacj welokryteralnej: VEGA: Vector Evaluated Genetc Algorthm (Schaffer 985), HLGA: Hajela' and Ln' Weghtng-baed GA (992), FFGA: Foneca' and Flemng' Multobjectve GA (993), NPGA: The Nched Pareto GA (Horn, Nafplot, Goldberg 994), NSGA: The Nondomnated Sortng GA (Srnva( Srnva, Deb 994), SPEA: The Strength Pareto EA (tzler( tzler, Thele 999). SPEA2 (tzler,, 200) NSGA-II (Deb( nn, 2000) np. NSGA-II II: Sortowane: Sortuje oobnk w fronty. Cel: wybrać N najlepzych pośród 2 N oobnków Stouje ę crowdng dtance jako kryterum dodatkowe. Operatory: - mutacja równomernar - krzyżowane prote - elekcja bazująca na turnejowej Populacja rodzcelka N N front front 2 front 3 Sortowane domnacyjne Sortowane crowdng dtance Nowa populacja N Populacja potomna
9 Podzał na fronty: Crowdng dtance : Dotyczy oobnków w należą żących do tego amego frontu. 2 kryterum (mnmalzacja) Front 3 Jet to mara wolnej przetrzen wokół danego rozwązana zana (w( węcej=lepej). Skutkuje wyborem oobnków w znajdujących ę w mnej zatłoczonych rejonach. Front 2 Front (nezdomnowane) kryterum (mnmalzacja)
Na poprzednim wykładzie:
ALGORYTMY EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. wykład VALUE 3 fitness f. value FITNESS F.
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 szczegółowoAlgorytmy ewolucyjne (2)
Algorytmy ewolucyjne (2) zajecia.jakubw.pl/nai/ ALGORYTM GEETYCZY Cel: znaleźć makimum unkcji. Założenie: unkcja ta jet dodatnia. 1. Tworzymy oobników loowych. 2. Stoujemy operacje mutacji i krzyżowania
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 szczegółowoALGORYTMY EWOLUCYJNE. INTELIGENTNE TECHNIKI KOMPUTEROWE wykład 011. Napór selekcyjny (selektywny nacisk. Superosobniki: SELEKCJA
INTELIGENTNE TECHNIKI KOMPUTEROWE wykład 0 ALGORYTMY EWOLUCYJNE 2 Dla danego problemu można określić wiele sposobów kodowania i zdefiniować szereg operatorów (np. zadanie komiwojażera). AE to rozwinięcie
Bardziej szczegółowoPrzykład: Znaleźć max { f (x)=x 2 } Nr osobnika Po selekcji: Nr osobnika
Przykład: Znaleźć max { f (x)=x } METODY HEURYSTYCZNE wykład 3 dla wartośc całkowtych x z zakresu -3. Populacja w chwl t: P(t)= {x t,...x t n} Założena: - łańcuchy 5-btowe (x=,,...,3); - lczebność populacj
Bardziej szczegółowoMinimalizacja globalna. Algorytmy genetyczne i ewolucyjne.
Mnmalzacja globalna Algorytmy genetyczne ewolucyjne. Lnearyzacja nelnowego operatora g prowadz do przyblżonych metod rozwązywana zagadnena odwrotnego. Wynk takej nwersj jest slne uzależnony od wyboru modelu
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 szczegółowoMETODY HEURYSTYCZNE wykład 3
METODY HEURYSTYCZNE wykład 3 1 Przykład: Znaleźć max { f (x)=x 2 } dla wartości całkowitych x z zakresu 0-31. Populacja w chwili t: P(t)= {x t 1,...x t n} Założenia: - łańcuchy 5-bitowe (x=0,1,...,31);
Bardziej szczegółowoALGORYTMY GENETYCZNE ALGORYTMY GENETYCZNE METODY HEURYSTYCZNE 3. METODY ANALITYCZNE kontra AG METODY ANALITYCZNE SCHEMAT DZIAŁANIA ANIA AG:
METODY HEURYSTYCZNE wykład 3 ALGORYTMY GENETYCZNE SCHEMAT DZIAŁANIA ANIA AG: procedure algorytm_genetyczny t:= wyberz populację początkową P(t) oceń P(t) whle (not warunek_zakończena) do t:=t+ wyberz P(t)
Bardziej szczegółowoMinimalizacja globalna, algorytmy genetyczne i zastosowanie w geotechnice
Mnmalzacja globalna, algorytmy genetyczne zastosowane w geotechnce Metoda sejsmczna Metoda geoelektryczna Podstawowy podzał ZAGADNIENIE PROSTE (ang. forward problem) model + parametry modelu dane (ośrodek,
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 szczegółowoMETODY HEURYSTYCZNE wykład 3
SCHEMAT DZIAŁANIA AG: METODY HEURYSTYCZNE wykład 3 procedure Algorytm_genetyczny t:=0 wybierz populację początkową P(t) oceń P(t) while (not warunek_zakończenia) do t:=t+ wybierz P(t) z P(t-) (selekcja)
Bardziej szczegółowoWAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego
WAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego Algorytm ewolucyjny algorytm ewolucyjny inicjuj P 0 {P 0 1, P 0 2... P 0 μ } t 0 H P 0 while! stop for (i 1: λ) if (a< p c ) O t i mutation(crossover
Bardziej szczegółowoMETODY HEURYSTYCZNE 3
METODY HEURYSTYCZNE wykład 3 1 ALGORYTMY GENETYCZNE 2 SCHEMAT DZIAŁANIA ANIA AG: procedure algorytm_genetyczny begin t:=0 wybierz populację początkową P(t) oceń P(t) while (not warunek_zakończenia) do
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 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 szczegółowoOPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POBLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU GENETYCZNEGO
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 81 Electrcal Engneerng 015 Mkołaj KSIĄŻKIEWICZ* OPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU
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 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 szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
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 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 szczegółowoKINEMATYKA MANIPULATORÓW
KIEMK MIULOÓW WOWDEIE. Manpulator obot można podzelć na zęść terująą mehanzną. Część mehanzna nazywana jet manpulatorem. punktu wdzena Mehank ta zęść jet najbardzej ntereująa. Manpulator zaadnzo można
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
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 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 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 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 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 szczegółowoLABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność
Bardziej szczegółowoPortfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
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 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 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 szczegółowoALHE Z11 Jarosław Arabas wykład 11
ALHE Z11 Jarosław Arabas wykład 11 algorytm ewolucyjny inicjuj P 0 {x 1, x 2... x } t 0 while! stop for i 1: if a p c O t,i mutation crossover select P t, k else O t,i mutation select P t,1 P t 1 replacement
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 szczegółowoAlgorytmy ewolucyjne optymalizacji wielokryterialnej sterowane preferencjami decydenta
Algorytmy ewolucyjne optymalizacji wielokryterialnej sterowane preferencjami decydenta Dr Janusz Miroforidis MGI Metro Group Information Technology Polska Sp. z o.o. listopad 2010 Wprowadzenie Plan prezentacji
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 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 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 szczegółowoOBLICZENIA EWOLUCYJNE
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. wykład VALUE 5fitness f. value EVOLUTIONARY
Bardziej szczegółowoProblem plecakowy (KNAPSACK PROBLEM).
Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne
Bardziej szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
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 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 szczegółowoOBLICZENIA EWOLUCYJNE
METODY ANALITYCZNE kontra AG/AE OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome EVOLUTIONARY OPERATORS AND RECEIVING
Bardziej szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
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 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 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 szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoWstęp do Sztucznej Inteligencji
Wstęp do Sztucznej Inteligencji Algorytmy Genetyczne Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Metody heurystyczne Algorytm efektywny: koszt zastosowania (mierzony
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 2 communication
Bardziej szczegółowoORGANIZACJA ZAJĘĆ OPTYMALIZACJA GLOBALNA WSTĘP PLAN WYKŁADU. Wykładowca dr inż. Agnieszka Bołtuć, pokój 304, e-mail: aboltuc@ii.uwb.edu.
ORGANIZACJA ZAJĘĆ Wykładowca dr nż. Agneszka Bołtuć, pokój 304, e-mal: aboltuc@.uwb.edu.pl Lczba godzn forma zajęć: 15 godzn wykładu oraz 15 godzn laboratorum 15 godzn projektu Konsultacje: ponedzałk 9:30-11:00,
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 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 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 szczegółowoMETODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.
Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)
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 szczegółowo1. REFERENCE POINT METHOD APPLIED TO FIND SYMMETRICLY EFFECTIVE DECISIONS IN MULTICRITERIA MODELLING OF TWO-SIDE NEGOTIATIONS PROCESS
Studa Materały Informatyk Stosowanej, Tom 5, Nr 3, 3 str. 9-8 ZASTOSOWANIE METODY PUNKTU ODNIESIENIA DO ZNAJDOWANIA DECYZJI SYMETRYCZNIE EFEKTYCHNYCH W MODELOWANIU WIELOKRYTERIALNYM PROCESU NEGOCJACJI
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 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 szczegółowoZadanie 2. Dany jest szereg rozdzielczy przedziałowy, wyznaczyć następujące miary: 0 5 5 wariancja, odchylenie standardowe
Zadane 1. Dany jet zereg przedzałowy, wyznaczyć natępujące mary: x n średna arytmetyczna 1 10 warancja, odchylene tandardowe 15 domnanta 3 0 medana 4 35 kurtoza 5 0 6 15 Zadane. Dany jet zereg rozdzelczy
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 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 szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA ZADANIE KOMIWOJAŻERA METODY ROZWIĄZYWANIA. Specyfika zadania komiwojażera Reprezentacje Operatory
PLAN WYKŁADU Specyfika zadania komiwojażera Reprezentacje Operatory OPTYMALIZACJA GLOBALNA Wykład 5 dr inż. Agnieszka Bołtuć ZADANIE KOMIWOJAŻERA Koncepcja: komiwojażer musi odwiedzić każde miasto na swoim
Bardziej szczegółowoWPROWADZENIE DO TEORII DECYZJI STATYSTYCZNYCH
Ćwczene nr 1 Statystyczne metody wspomagana decyzj Teora decyzj statystycznych WPROWADZENIE DO TEORII DECYZJI STATYSTYCZNYCH Problem decyzyjny decyzja pocągająca za sobą korzyść lub stratę. Proces decyzyjny
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 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 szczegółowoMETODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne
METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz: MSI - algorytmy ewolucyjne
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 szczegółowo8. Optymalizacja decyzji inwestycyjnych
dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.
Bardziej szczegółowoZagadnienia do omówienia
Zarządzane produkcją dr nż. Marek Dudek Ul. Gramatyka 0, tel. 6798 http://www.produkcja.zarz.agh.edu.pl Zagadnena do omówena Zasady projektowana systemów produkcyjnych część (organzacja procesów w przestrzen)
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 szczegółowoAlgorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS
Algorytmy ewolucyjne Łukasz Przybyłek Studenckie Koło Naukowe BRAINS 1 Wprowadzenie Algorytmy ewolucyjne ogólne algorytmy optymalizacji operujące na populacji rozwiązań, inspirowane biologicznymi zjawiskami,
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 szczegółowo= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału
5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B
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 szczegółowo1. OKREŚLENIE PARAMETRÓW GEOTECHNICZNYCH
Projekt z fundamentowana: MUR OPOROWY (tuda mgr) POSADOWIENIE NA PALACH WG PN-83/B-02482. OKREŚLENIE PARAMETRÓW GEOTECHNICZNYCH grunt G π P d T/Nm P / P r grunt zayp. Tabl.II.. Zetawene parametrów geotechncznych.
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 szczegółowoLICZEBNOŚĆ POPULACJI OBLICZENIA EWOLUCYJNE. wykład 3. Istotny parametr AG...
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS VALUE fitness f. value
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 13. PROBLEMY OPTYMALIZACYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska PROBLEMY OPTYMALIZACYJNE Optymalizacja poszukiwanie
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 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 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 szczegółowoALGORYTMY IMMUNO- LOGICZNE
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome wykład AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS 7 VALUE fitness
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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoALGORYTMY EWOLUCYJNE
1 ALGORYTMY FITNESS F. START COMPUTATION FITNESS F. COMPUTATION EWOLUCYJNE INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS VALUE fitness f.
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 7 FITNESS
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 szczegółowoMODEL OPTYMALIZACJI TRAS PRZEJAZDOWYCH JAKO NARZĘDZIE ZMNIEJSZENIA KOSZTÓW LOGISTYCZNYCH
Małgorzata Baryła-Paśnik 1, Wiesław Piekarski 2, Andrzej Kuranc 3, Anna Piecak 4, Szymon Ignaciuk 5, Jacek Wawrzosek 6 Uniwersytet Przyrodniczy w Lublinie MODEL OPTYMALIZACJI TRAS PRZEJAZDOWYCH JAKO NARZĘDZIE
Bardziej szczegółowody dx stąd w przybliżeniu: y
Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc
Bardziej szczegółowoStatystyka Opisowa 2014 część 2. Katarzyna Lubnauer
Statystyka Opsowa 2014 część 2 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,
Bardziej szczegółowoAlgorytmy ewolucyjne
Algorytmy ewolucyjne Dr inż. Michał Bereta p. 144 / 10, Instytut Modelowania Komputerowego mbereta@pk.edu.pl beretam@torus.uck.pk.edu.pl www.michalbereta.pl Problemy świata rzeczywistego często wymagają
Bardziej szczegółowo