PREZENTACJA DZIAŁANIA KLASYCZNEGO ALGORYTMU GENETYCZNEGO
|
|
- Fabian Skiba
- 8 lat temu
- Przeglądów:
Transkrypt
1 Piotr Borowiec PREZENTACJA DZIAŁANIA KLASYCZNEGO ALGORYTMU GENETYCZNEGO Sporód wielu metod sztucznej inteligencji obliczeniowej algorytmy genetyczne doczekały si wielu implementacji. Mona je wykorzystywa do rozwizywania rzeczywistych problemów z dowolnej dziedziny ludzkiej działalnoci. Najczciej jednak dostpne na rynku programy s mało przydatne dla celów dydaktycznych, gdy działanie ich realizuje si w ukryciu przed okiem operatora. Podjte w ramach niniejszej pracy działanie ma na celu stworzenie aplikacji (wraz z jej opisem), która przy wykorzystaniu wizualizacji zrozumiałego dla wszystkich problemu, ukazałaby w przystpny sposób działanie klasycznego algorytmu genetycznego. zmienione Jako główne cele przyjto: a) stworzenie programu, który mógłby by wykorzystywany w celach edukacyjnych, b) ukazanie, w jaki sposób dziedziczone s cechy osobników populacji (na przykładzie populacji owadów) c) skupienie si na moliwociach optymalizacyjnych klasycznego algorytmu genetycznego (stworzenie jak najlepszego osobnika), d) skupienie si na wizualizacji całego zagadnienia. 1. Geneza algorytmów genetycznych Pojcie algorytmów genetycznych nie zostało wymylone zupełnie od podstaw przez matematyków i informatyków. Metoda wywodzi si wprost z dowiadcze darwinowskiej teorii ewolucji oraz inynierii genetycznej. Podobnie jak w teorii ewolucji, klasyczny algorytm genetyczny oparty jest na procesie tzw. doboru naturalnego oraz na zasadzie dziedzicznoci. W procesie doboru naturalnego przeywaj i rozmnaaj si tylko te osobniki, które s najlepiej przystosowane do panujcych warunków rodowiska. W procesie rozmnaania przekazuj potomstwu jedn z moliwych kombinacji własnych cech. Najczciej, co potwierdzaj badania biologiczne jak równie dowiadczenia prowadzone na algorytmach genetycznych, wraz z kolejnymi pokoleniami rodz si osobnicy coraz lepiej przystosowani do panujcych warunków. Zadaniem klasycznych algorytmów genetycznych jest poszukiwanie optymalnego rozwizania problemów, dla których nie znamy zasad jego rozwizania. Musimy jednak zna i dobrze okreli funkcj celu, która bdzie odpowiednikiem miary przystosowania organizmów ywych do rodowiska. 2. Podstawowe pojcia 1. Geny s to podstawowe elementy, z których składaj si chromosomy. W przypadku, gdy pojedyncze chromosomy reprezentuj osobników - geny mona uzna za ich cechy, 2. Chromosom jest to uporzdkowany cig (zbiór) genów. W najprostszym przypadku, kady pojedynczy gen bdzie prezentowany poprzez bit informacji.
2 Czsto jeden chromosom moe prezentowa indywidualnego osobnika populacji, jednak moe te reprezentowa tylko jedn z jego cech. 3. Populacja zbiór osobników tworzonych przez chromosomy. Populacja ma swoj stał liczebno. W kolejnych cyklach ewolucji (pokoleniach) w wyniku zastosowania operatorów genetycznych pierwotny skład populacji ulega zmianie dzieje si tak, poniewa wszystkie chromosomy podlegaj wymianie na nowe. W ten sposób powstaj nowe pokolenia. 4. Genotyp to inaczej struktura danego osobnika, zespół jego chromosomów. Mona powiedzie, e genotyp jest osobnikiem populacji. 5. Fenotyp jest tym, co reprezentuje genotyp. Mona go okreli jako wygld zewntrzny osobnika. 6. Allel jest to warto danego genu, okrelana czsto jako warto cechy lub wariant cechy. 7. Locus pozycja danego genu okrelajca miejsce danego genu w chromosomie. 8. Funkcja przystosowania (celu) funkcja, która okrela jako kadego z dopuszczalnych rozwiza. Dziki niej moemy wszystkie rozwizania uporzdkowa wg jej wartoci. 9. Operatory genetyczne operacje, które mog by wykonywane na chromosomach, np. krzyowanie, mutacja. 10. Operacja krzyowania polega na losowym przeciciu dwóch chromosomów (cigów bitów) w jednym punkcie i wymianie podzielonych czci pomidzy chromosomami. Powstaj w ten sposób dwa nowe chromosomy. 11. Operacja mutacji polega na zamianie na przeciwny losowego bitu. 12. Operacja przejcia polega na losowym wyborze (w okrelonej proporcji) osobników spoza populacji,. 13. Selekcja osobników etap przed krzyowaniem. Wybór na podstawie wczeniej okrelonych wartoci funkcji oceny tych osobników, którzy wezm udział w tworzeniu kolejnego pokolenia. W przypadku klasycznego algorytmu genetycznego najczstszym sposobem selekcji jest metoda koła ruletki. Koło ruletki składa si z prawdopodobiestw wylosowania kadego osobnika. Prawdopodobiestwa ustalane s włanie poprzez wykorzystanie funkcji przystosowania. 14. Rozwizaniem problemu jest najlepiej przystosowany osobnik z ostatniej wygenerowanej populacji. W celu okrelenia takiego osobnika, naley z góry ustali warunek zatrzymania tworzenia kolejnych populacji. Takimi warunkami mog by: a) uzyskanie osobnika o odpowiednio dobrych parametrach cech, b) powtórzenie działania algorytmu genetycznego okrelon ilo iteracji (nastpienie po sobie ustalonej liczby nowych populacji). 15. Problem optymalizacyjny zadanie wyszukania najlepszego rozwizania sporód puli dopuszczalnych. Jest to cel, do którego dymy. 16. Zbiór dopuszczalnych rozwiza czyli zbiór wszystkich ewentualnych rozwiza zadania (niekoniecznie optymalnych). 3. Etapy w klasycznym algorytmie genetycznym Realizacja klasycznego algorytmu genetycznego składa si z kilku podstawowych etapów (Rys.1.). Pierwszym z nich jest inicjacja, czyli wybór lub stworzenie nowej populacji osobników. Nastpnie dla kadego z osobników obliczana jest funkcja przystosowania (ustalana w zalenoci od tego, jakie zadania ma spełnia algorytm). Na ogół im wiksza warto tej funkcji tym lepszy jest osobnik. dodane
3 Po wyliczeniu wartoci przystosowania (warto funkcji) sprawdzany jest tzw. warunek zatrzymania, którego spełnienie oznacza, e mona ju z obecnej populacji wybra odpowiedniego osobnika. Przykładowo warunkiem zatrzymania moe by osignicie jakiej minimalnej wartoci przystosowania lub rozpoczcie konkretnej iteracji algorytmu (ustalony arbitralnie numer pokolenia). W przypadku nie spełnienia warunku zatrzymania nastpuje selekcja osobników, łczenie ich w pary, krzyowanie i mutacja (w programie dla uproszczenia pominita). W wyniku uycia tych operatorów powstaje nowe pokolenie osobników. START Inicjacja Ocena przystosowania Selekcja NIE Warunek zatrzymania TAK Optymalny (najlepszy) wynik Zastosowanie operatorów STOP Utworzenie nowej populacji Rys. 1. Etapy w klasycznym algorytmie genetycznym 4. Projekt programu 4.1. Wstp
4 Jednym z głównych celów projektu było ukazanie w jaki sposób dziedziczone s cechy osobników, a take zobrazowanie właciwoci optymalizacyjnych klasycznego algorytmu genetycznego (stworzenie doskonałego osobnika). Do napisania programu wykorzystano jzyk Delphi. Program zaprojektowano w taki sposób, aby uytkownik mógł w czasie korzystania z niego na bieco poznawa wszystkie etapy działania klasycznego algorytmu genetycznego poczwszy od inicjacji, a skoczywszy na wyborze najlepszego osobnika (Rys.2.). Rys. 2. Okno główne programu tu przed zastosowaniem operatorów genetycznych Badania obrazujce prac programu przeprowadzono na stworzonym na potrzeby dowiadczenia nowym gatunku owadów: sztucznej osie. Okrelono dla niej 9 cech, które wydaj si istotne z punktu widzenia jej funkcjonowania w rodowisku. Kada cecha jest reprezentowana przez cig 8 bitów. Cechy te, to: wielko i kształt głowy, wielko i kształt tułowia, wielko i kształt odwłoka, wielko i kształt odnóy, wielko i kształt skrzydeł, wielko dła, wielko i kształt czułek, wielko i kształt oczu, wielko i kształt uwaczek (ust) Inicjacja Pierwszy etap to utworzenie losowej populacji 20 osobników.
5 4.3. Ocena przystosowania osobników Obliczana jest warto funkcji przystosowania dla kadego osobnika z populacji. Im wysza bdzie warto tej funkcji, tym lepszy jakociowo bdzie osobnik. Obrano bardzo prost funkcj oceny do okrelenia jakoci osobnika. Wykorzystano skonwertowan warto binarn chromosomu okrelajcego cech na system dziesitny. Celem przeskalowania przedziału wartoci oceny wielko t podniesiono do kwadratu. System przyznawania punktów: 1. Na pocztek postawiono załoenie, e cechy nie s równie wane (przyznano wagi). Dla przykładu: wano cechy wielko i kształt głowy w odniesieniu do całego osobnika (cały osobnik to 100%) to 20%, a warto cechy wielko i kształt odnóy to 5%. Ta procentowa warto to wskanik wanoci. 2. Wartoci binarne kadej z cech s zamieniane (dekodowane) na wartoci dziesitne. 3. Otrzymane wartoci dziesitne s przemnaane przez ich wskaniki wanoci. 4. Otrzymane wyniki (wynik = warto cechy w systemie dziesitnym * wano cechy) dla kadej z cech s ze sob sumowane. Otrzymana po zsumowaniu cech warto to włanie zmienna x, która po podniesieniu do kwadratu słuy do okrelenia stopnia przystosowania osobnika. Warto przystosowania osobnika przy takich załoeniach moe waha si od 0 do Sprawdzenie warunku zatrzymania Wykorzystany w programie algorytm jest algorytmem optymalizacyjnym, którego zadaniem jest stworzenie idealnego owada. Zatrzymanie algorytmu nastpi gdy: 1) funkcja przystosowania przekroczy ustalon warto (tzw. maksimum). W programie t wartoci jest ) Utworzona zostanie ustalona (w programie 4-ta) generacja osobników, a warto przystosowania nie przekroczy ustalonej wczeniej wartoci (35000). Jeli warunek zatrzymania zostaje spełniony, to wybierany jest osobnik, dla którego funkcja przystosowania osignła najwysz warto Selekcja osobników Łczenia osobników w pary dokonano za pomoc metody koła ruletki (na podstawie obliczonych wartoci funkcji przystosowania tych osobników). Jeeli: w(xi) wycinek okrgu dla danego osobnika (w %) p(xi) warto przystosowania konkretnego osobnika podzielona przez sum wartoci przystosowania wszystkich osobników f(xi) warto przystosowania dla danego osobnika
6 f(xi) suma wartoci przystosowania wszystkich osobników Za pomoc wzoru w(xi)=p(xi)*100%, gdzie p(xi)=f(xi)/ f(xi) wyliczane s wycinki okrgu jakie przypadn dla kadego z osobników. Wielko wycinka okrgu oznacza po prostu szans, z jaka dany osobnik moe zosta wybrany do tworzenia nastpnej generacji (pokolenia). Po okreleniu szansy na wybór kadego z osobników, naley połczy ich w pary, poprzez tzw. obrót kołem ruletki. Losowanie osobników do par nastpuje 20 razy (taka sam ilo razy jak wielko pocztkowej populacji). Przy czym jeden osobnik rodzicielskich moe si znale jednoczenie w kilku parach. Szanse na to ma tym wiksze im wiksz ma warto funkcji przystosowania. Dla uproszczenia przyjto operator przejcia równy 1, a to oznacza, e reprodukcja odbywa si w obrbie osobników z tej samej populacji Operacja krzyowania Kady z chromosomów u jednego z rodziców jest krzyowany z odpowiednim chromosomem u drugiego z rodziców (krzyowane s chromosomy odpowiedzialne za t sam cech). Czyli np. krzyowany jest chromosom odpowiedzialny za wielko odwłoka u rodzica A z chromosomem odpowiedzialnym za wielko odwłoka u rodzica B, itd. Punkt krzyowania (miejsce rozcicia chromosomu) jest obierany losowo. Na koniec operacji krzyowania zostaj wymienione ze sob powstałe w ten sposób podcigi bitów. Powstaj w ten sposób nowe pary potomków. Nowi osobnicy staj si populacj biec dla kolejnej iteracji algorytmu genetycznego. Jeli warunek zatrzymania zostanie spełniony to wybierany jest osobnik o najwikszej wartoci funkcji przystosowania jest to osobnik optymalny. Jest bardzo mała szansa, e powstanie osobnik idealny. Jednak metoda ta jest wykorzystywana, gdy inne metody optymalizacyjne zupełnie zawodz, dlatego nawet jej skuteczno na poziomie 60-70% (oczywicie moe to by nawet 100%) moe by w wielu przypadkach jak najbardziej wystarczajca. Warto przystosowania osobnika idealnego to 65025, a jego wszystkie cechy to binarne (dziesitne 255). Najlepszy osobnik (Rys.3.) wg przyjtych w programie załoe to taki, który posiada: - ostro zakoczon głow z dodatkowymi wyrostkami, - due, szeroko otwarte oczy, - ostro zakoczone szczki o odpowiednim kształcie, - długie poskrcane czułki, - skrzydła o duej powierzchni, - długie dło.
7 Rys. 3. Wzór idealnego osobnika Osobnikiem najgorszym (Rys.4.) jest taki, u którego powysze cechy nie s w ogóle spełnione. Jego warto przystosowania to 0, a cechy wynosz po (czyli dziesitne 0). Rys. 4. Najgorszy moliwy osobnik
8 2. Wnioski Naley stwierdzi, e pominicie mutacji oraz moliwoci ustawienia wartoci operatora przejcia sprawiło, e po przekroczeniu pewnej liczby kolejnych pokole, algorytm zastosowany w programie stopniowo zatraca swoje optymalizacyjne właciwoci. Podsumowujc mona uzna, e obecna wersja programu, pomimo swojego wci niezbyt duego stopnia skomplikowania, spełnia przedstawione na pocztku załoenia. Trzeba te zauway, e w przyszłych wersjach naleałoby uzupełni oprogramowanie o brakujce, omówione wyej operatory. To powinno pozwoli na usunicie wystpujcych ogranicze. Literatura: 1. D. E. Goldberg, Algorytmy genetyczne i ich zastosowania, Wydawnictwa Naukowo - Techniczne, Warszawa Z. Michalewicz, Algorytmy genetyczne + struktury danych = programy ewolucyjne, Wydawnictwa Naukowo Techniczne, Warszawa Internet: 4. Internet:
SCHEMAT 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 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 szczegółowo6. Klasyczny algorytm genetyczny. 1
6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu
Bardziej szczegółowoPlanowanie adresacji IP dla przedsibiorstwa.
Planowanie adresacji IP dla przedsibiorstwa. Wstp Przy podejciu do planowania adresacji IP moemy spotka si z 2 głównymi przypadkami: planowanie za pomoc adresów sieci prywatnej przypadek, w którym jeeli
Bardziej szczegółowoAlgorytmy ewolucyjne NAZEWNICTWO
Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne
Bardziej szczegółowoAlgorytmy genetyczne. 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 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 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 GENETYCZNE ćwiczenia
ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację
Bardziej szczegółowoAlgorytmy 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 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 szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoAlgorytmy genetyczne. 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 szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny
Algorytmy stochastyczne, wykład 01 J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-21 In memoriam prof. dr hab. Tomasz Schreiber (1975-2010) 1 2 3 Różne Orientacyjny
Bardziej 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 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 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 szczegółowoInspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny
Soft computing Soft computing tym róŝni się od klasycznych obliczeń (hard computing), Ŝe jest odporny na brak precyzji i niepewność danych wejściowych. Obliczenia soft computing mają inspiracje ze świata
Bardziej szczegółowoODPOWIEDZI I SCHEMAT PUNKTOWANIA ZESTAW NR 2 POZIOM PODSTAWOWY. 1. x y x y
Nr zadania Nr czynnoci Przykadowy zestaw zada nr z matematyki ODPOWIEDZI I SCHEMAT PUNKTOWANIA ZESTAW NR POZIOM PODSTAWOWY Etapy rozwizania zadania. Podanie dziedziny funkcji f: 6, 8.. Podanie wszystkich
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 szczegółowoProgramowanie genetyczne, gra SNAKE
STUDENCKA PRACOWNIA ALGORYTMÓW EWOLUCYJNYCH Tomasz Kupczyk, Tomasz Urbański Programowanie genetyczne, gra SNAKE II UWr Wrocław 2009 Spis treści 1. Wstęp 3 1.1. Ogólny opis.....................................
Bardziej szczegółowoAlgorytmy genetyczne
Politechnika Łódzka Katedra Informatyki Stosowanej Algorytmy genetyczne Wykład 2 Przygotował i prowadzi: Dr inż. Piotr Urbanek Powtórzenie Pytania: Jaki mechanizm jest stosowany w naturze do takiego modyfikowania
Bardziej szczegółowoObliczenia ewolucyjne - plan wykładu
Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja
Bardziej 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 szczegółowo6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie
6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie Do projektowania składu chemicznego stali szybkotn cych, które jest zadaniem optymalizacyjnym, wykorzystano
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 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 szczegółowoZadania do wykonaj przed przyst!pieniem do pracy:
wiczenie 3 Tworzenie bazy danych Biblioteka tworzenie kwerend, formularzy Cel wiczenia: Zapoznanie si ze sposobami konstruowania formularzy operujcych na danych z tabel oraz metodami tworzenia kwerend
Bardziej szczegółowoZPKSoft. Kreator dokumentów. Wstp. Przeznaczenie. Definicje
ZPKSoft Kreator dokumentów Wstp Kreator dokumentów jest aplikacj sieciow typu klient serwer, dedykowan dla serwera InterBase. Aplikacja pracuje w rodowisku Windows. Jest dostosowana do współpracy z systemem
Bardziej szczegółowoOdkrywanie algorytmów kwantowych za pomocą programowania genetycznego
Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego Piotr Rybak Koło naukowe fizyków Migacz, Uniwersytet Wrocławski Piotr Rybak (Migacz UWr) Odkrywanie algorytmów kwantowych 1 / 17 Spis
Bardziej szczegółowoInstrukcja obsługi programu MechKonstruktor
Instrukcja obsługi programu MechKonstruktor Opracował: Sławomir Bednarczyk Wrocław 2002 1 1. Opis programu komputerowego Program MechKonstruktor słuy do komputerowego wspomagania oblicze projektowych typowych
Bardziej szczegółowoWprowadzanie i zmiany faktur z zakupu, wydruk rejestru zakupu
Sterowanie procedurami programu "Rejestr zakupu" odbywa si poprzez wybór jednej z kilku proponowanych akurat na ekranie moliwoci. U dołu ekranu wypisywany jest komunikat bliej objaniajcy wybran aktualnie
Bardziej szczegółowoProgramowanie Obiektowe
Programowanie Obiektowe dr in. Piotr Zabawa IBM/Rational Certified Consultant pzabawa@pk.edu.pl WYKŁAD 1 Wstp, jzyki, obiektowo Cele wykładu Zaznajomienie słuchaczy z głównymi cechami obiektowoci Przedstawienie
Bardziej szczegółowoBazy danych. Plan wykładu. Zalenoci funkcyjne. Wykład 4: Relacyjny model danych - zalenoci funkcyjne. SQL - podzapytania A B
Plan wykładu Bazy danych Wykład 4: Relacyjny model danych - zalenoci funkcyjne. SQL - podzapytania Definicja zalenoci funkcyjnych Klucze relacji Reguły dotyczce zalenoci funkcyjnych Domknicie zbioru atrybutów
Bardziej szczegółowoGenerowanie i optymalizacja harmonogramu za pomoca
Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska
Bardziej szczegółowoALGORYTMY GENETYCZNE
ALGORYTMY GENETYCZNE Algorytmy Genetyczne I. Co to są algorytmy genetyczne? II. Podstawowe pojęcia algorytmów genetycznych III. Proste algorytmy genetyczne IV. Kodowanie osobników i operacje genetyczne.
Bardziej szczegółowoTemat: Technika zachłanna. Przykłady zastosowania. Własno wyboru zachłannego i optymalnej podstruktury.
Temat: Technika zachłanna. Przykłady zastosowania. Własno wyboru zachłannego i optymalnej podstruktury. Algorytm zachłanny ( ang. greedy algorithm) wykonuje zawsze działanie, które wydaje si w danej chwili
Bardziej szczegółowoProjektowanie i analiza zadaniowa interfejsu na przykładzie okna dialogowego.
Projektowanie i analiza zadaniowa interfejsu na przykładzie okna dialogowego. Jerzy Grobelny Politechnika Wrocławska Projektowanie zadaniowe jest jednym z podstawowych podej do racjonalnego kształtowania
Bardziej szczegółowoProgram do konwersji obrazu na cig zero-jedynkowy
Łukasz Wany Program do konwersji obrazu na cig zero-jedynkowy Wstp Budujc sie neuronow do kompresji znaków, na samym pocztku zmierzylimy si z problemem przygotowywania danych do nauki sieci. Przyjlimy,
Bardziej szczegółowoAlgorytmy genetyczne (AG)
Algorytmy genetyczne (AG) 1. Wprowadzenie do AG a) ewolucja darwinowska b) podstawowe definicje c) operatory genetyczne d) konstruowanie AG e) standardowy AG f) przykład rozwiązania g) naprawdę bardzo,
Bardziej szczegółowoALGORYTMY GENETYCZNE (wykład + ćwiczenia)
ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja
Bardziej 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 szczegółowoPlan wykładu. Reguły asocjacyjne. Przykłady asocjacji. Reguły asocjacyjne. Jeli warunki to efekty. warunki efekty
Plan wykładu Reguły asocjacyjne Marcin S. Szczuka Wykład 6 Terminologia dla reguł asocjacyjnych. Ogólny algorytm znajdowania reguł. Wyszukiwanie czstych zbiorów. Konstruowanie reguł - APRIORI. Reguły asocjacyjne
Bardziej szczegółowoWst p do sieci neuronowych, wykªad 15 Algorytmy genetyczne
Wst p do sieci neuronowych, wykªad 15 Algorytmy genetyczne M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toru«, Poland 2011-25-01 Motywacja Algorytmy
Bardziej szczegółowoMetody przeszukiwania
Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA HISTORIA NA CZYM BAZUJĄ AG
PLAN WYKŁADU OPTYMALIZACJA GLOBALNA Wykład 2 dr inż. Agnieszka Bołtuć Historia Zadania Co odróżnia od klasycznych algorytmów Nazewnictwo Etapy Kodowanie, inicjalizacja, transformacja funkcji celu Selekcja
Bardziej szczegółowoAmortyzacja rodków trwałych
Amortyzacja rodków trwałych Wydawnictwo Podatkowe GOFIN http://www.gofin.pl/podp.php/190/665/ Dodatek do Zeszytów Metodycznych Rachunkowoci z dnia 2003-07-20 Nr 7 Nr kolejny 110 Warto pocztkow rodków trwałych
Bardziej szczegółowoTemat: Algorytmy zachłanne
Temat: Algorytmy zachłanne Algorytm zachłanny ( ang. greedy algorithm) wykonuje zawsze działanie, które wydaje si w danej chwili najkorzystniejsze. Wybiera zatem lokalnie optymaln moliwo w nadziei, e doprowadzi
Bardziej szczegółowoProgram "FLiNN-GA" wersja 2.10.β
POLSKIE TOWARZYSTWO SIECI NEURONOWYCH POLITECHNIKA CZĘSTOCHOWSKA Zakład Elektroniki, Informatyki i Automatyki Maciej Piliński Robert Nowicki - GA Program "FLiNN-GA" wersja 2.10.β Podręcznik użytkownika
Bardziej szczegółowoPROWIZJE Menad er Schematy rozliczeniowe
W nowej wersji systemu pojawił si specjalny moduł dla menaderów przychodni. Na razie jest to rozwizanie pilotaowe i udostpniono w nim jedn funkcj, która zostanie przybliona w niniejszym biuletynie. Docelowo
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 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 szczegółowoAlgorytmy genetyczne
Politechnika Łódzka Katedra Informatyki Stosowanej Algorytmy genetyczne Wykład 2 Przygotował i prowadzi: Dr inż. Piotr Urbanek Powtórzenie Pytania: Jaki mechanizm jest stosowany w naturze do takiego modyfikowania
Bardziej szczegółowoProgram Sprzeda wersja 2011 Korekty rabatowe
Autor: Jacek Bielecki Ostatnia zmiana: 14 marca 2011 Wersja: 2011 Spis treci Program Sprzeda wersja 2011 Korekty rabatowe PROGRAM SPRZEDA WERSJA 2011 KOREKTY RABATOWE... 1 Spis treci... 1 Aktywacja funkcjonalnoci...
Bardziej szczegółowo6. Algorytm genetyczny przykłady zastosowań.
6. Algorytm genetyczny przykłady zastosowań. 1. Zagadnienie magicznych kwadratów. Opis działania algorytmu Zagadnienie magicznych kwadratów polega na wygenerowaniu kwadratu n n, w którym elementami są
Bardziej szczegółowoMODELOWANIE PROCESÓW EKSPLOATACJI MASZYN
Akademia Techniczno Rolnicza w Bydgoszczy Wojskowy Instytut Techniki Pancernej i Samochodowej MODELOWANIE PROCESÓW EKSPLOATACJI MASZYN BYDGOSZCZ SULEJÓWEK, 2002. 2 Akademia Techniczno Rolnicza w Bydgoszczy
Bardziej szczegółowoSystemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta
Systemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta Dr inż. Jacek Mazurkiewicz Katedra Informatyki Technicznej e-mail: Jacek.Mazurkiewicz@pwr.edu.pl Wprowadzenie Problemy
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58 Anna LANDOWSKA ROZWIĄZANIE PROBLEMU OPTYMALNEGO PRZYDZIAŁU ZA POMOCĄ KLASYCZNEGO
Bardziej szczegółowoMETODY SZTUCZNEJ INTELIGENCJI W ROZWI ZYWANIU ZADA OPTYMALIZACJI
METODY SZTUCZNEJ INTELIGENCJI W ROZWI ZYWANIU ZADA OPTYMALIZACJI Izabela Skorupska Studium Doktoranckie, Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski e-mail: iskorups
Bardziej szczegółowoDLA KOGO UMOWY ENTERPRISE?
Kady z Uytkowników posiadajcy co najmniej pakiet B moe zamówi funkcj Umowy Enterprise. Koszt tej modyfikacji to 800 zł netto bez wzgldu na liczb stanowisk. I jak ju wielokrotnie ogłaszalimy, koszt wikszoci
Bardziej szczegółowostopie szaro ci piksela ( x, y)
I. Wstp. Jednym z podstawowych zada analizy obrazu jest segmentacja. Jest to podział obrazu na obszary spełniajce pewne kryterium jednorodnoci. Jedn z najprostszych metod segmentacji obrazu jest progowanie.
Bardziej szczegółowoobsług dowolnego typu formularzy (np. formularzy ankietowych), pobieranie wzorców formularzy z serwera centralnego,
Wstp GeForms to program przeznaczony na telefony komórkowe (tzw. midlet) z obsług Javy (J2ME) umoliwiajcy wprowadzanie danych według rónorodnych wzorców. Wzory formularzy s pobierane z serwera centralnego
Bardziej szczegółowoTemat: Problem najkrótszych cieek w grafach waonych, cz. I: Algorytmy typu label - setting.
Temat: Problem najkrótszych cieek w grafach waonych, cz. I: Algorytmy typu label - setting.. Oznaczenia i załoenia Oznaczenia G = - graf skierowany z funkcj wagi s wierzchołek ródłowy t wierzchołek
Bardziej szczegółowoKlonowanie MAC adresu oraz TTL
1. Co to jest MAC adres? Klonowanie MAC adresu oraz TTL Adres MAC (Media Access Control) to unikalny adres (numer seryjny) kadego urzdzenia sieciowego (jak np. karta sieciowa). Kady MAC adres ma długo
Bardziej szczegółowoOpera 9.10. Wykorzystanie certyfikatów niekwalifikowanych w oprogramowaniu Opera 9.10. wersja 1.1 UNIZETO TECHNOLOGIES SA
Opera 9.10 Wykorzystanie certyfikatów niekwalifikowanych w oprogramowaniu Opera 9.10 wersja 1.1 Spis treci 1. INSTALACJA WŁASNEGO CERTYFIKATU Z PLIKU *.PFX... 3 2. WYKONYWANIE KOPII BEZPIECZESTWA WŁASNEGO
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoBazy danych. Plan wykładu. Podzapytania - wskazówki. Podzapytania po FROM. Wykład 5: Zalenoci wielowartociowe. Sprowadzanie do postaci normalnych.
Plan wykładu azy danych Wykład 5: Zalenoci wielowartociowe. Sprowadzanie do postaci normalnych. Dokoczenie SQL Zalenoci wielowartociowe zwarta posta normalna Dekompozycja do 4NF Przykład sprowadzanie do
Bardziej szczegółowoBIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE. Adrian Horzyk. Akademia Górniczo-Hutnicza
BIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii
Bardziej szczegółowoIMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM
IMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM Artykuł zawiera opis eksperymentu, który polegał na uyciu algorytmu genetycznego przy wykorzystaniu kodowania
Bardziej szczegółowoKARTA MODUŁU KSZTAŁCENIA
KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia
Bardziej szczegółowoStandardowy algorytm genetyczny
Standardowy algorytm genetyczny 1 Szybki przegląd 2 Opracowany w USA w latach 70. Wcześni badacze: John H. Holland. Autor monografii Adaptation in Natural and Artificial Systems, wydanej w 1975 r., (teoria
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 szczegółowoGENETYKA POPULACJI. Ćwiczenia 1 Biologia I MGR /
GENETYKA POPULACJI Ćwiczenia 1 Biologia I MGR 1 ZAGADNIENIA struktura genetyczna populacji obliczanie frekwencji genotypów obliczanie frekwencji alleli przewidywanie struktury następnego pokolenia przy
Bardziej szczegółowoGramatyki regularne i automaty skoczone
Gramatyki regularne i automaty skoczone Alfabet, jzyk, gramatyka - podstawowe pojcia Co to jest gramatyka regularna, co to jest automat skoczony? Gramatyka regularna Gramatyka bezkontekstowa Translacja
Bardziej szczegółowoREGULAMIN KONKURSU OFERT NA WYBÓR BROKERA UBEZPIECZENIOWEGO DLA MIASTA ZIELONA GÓRA, JEGO JEDNOSTEK ORGANIZACYJNYCH ORAZ SPÓŁEK KOMUNALNYCH.
REGULAMIN KONKURSU OFERT NA WYBÓR BROKERA UBEZPIECZENIOWEGO DLA MIASTA ZIELONA GÓRA, JEGO JEDNOSTEK ORGANIZACYJNYCH ORAZ SPÓŁEK KOMUNALNYCH. I. INFORMACJE PODSTAWOWE Prezydent Miasta Zielona góra ogłasza
Bardziej szczegółowo5. Algorytm genetyczny przykład zastosowania
5. Algorytm genetyczny przykład zastosowania Zagadnienie magicznych kwadratów Opis działania algorytmu Zagadnienie magicznych kwadratów polega na wygenerowaniu kwadratu n n, w którym elementami są liczby
Bardziej szczegółowoZastosowanie programu Microsoft Excel do analizy wyników nauczania
Grayna Napieralska Zastosowanie programu Microsoft Excel do analizy wyników nauczania Koniecznym i bardzo wanym elementem pracy dydaktycznej nauczyciela jest badanie wyników nauczania. Prawidłow analiz
Bardziej szczegółowoStandardy danych w tagu EPC
Standardy danych w EPC Strona: 1 Standardy danych w tagu EPC W elektronicznym noniku danych, jakim jest tag EPC (Electronic Produkt Code), bdzie zapisany tylko numer identyfikacyjny. Bdzie to jeden z poniszych
Bardziej szczegółowoSposoby przekazywania parametrów w metodach.
Temat: Definiowanie i wywoływanie metod. Zmienne lokalne w metodach. Sposoby przekazywania parametrów w metodach. Pojcia klasy i obiektu wprowadzenie. 1. Definiowanie i wywoływanie metod W dotychczas omawianych
Bardziej szczegółowoAlgorytmy ewolucyjne `
Algorytmy ewolucyjne ` Wstęp Czym są algorytmy ewolucyjne? Rodzaje algorytmów ewolucyjnych Algorytmy genetyczne Strategie ewolucyjne Programowanie genetyczne Zarys historyczny Alan Turing, 1950 Nils Aall
Bardziej szczegółowoWstp. Odniesienie do podstawy programowej
! " 1 Wstp Praca dotyczy projektu midzyprzedmiotowego, jaki moe by zastosowany na etapie nauczania gimnazjum specjalnego. Powyszy projekt moe zosta przeprowadzony na zajciach z przedmiotów: informatyka
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 02 Algorytmy genetyczne
Algorytmy stochastyczne, wykład 02 Algorytmy genetyczne J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-27 1 Mutacje algorytmu genetycznego 2 Dziedzina niewypukła abstrakcyjna
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoCash flow projektu zakładajcego posiadanie własnego magazynu oraz posiłkowanie si magazynem obcym w przypadku sezonowych zwyek
Optymalizacja zaangaowania kapitałowego 4.01.2005 r. w decyzjach typu make or buy. Magazyn czy obcy cz. 2. Cash flow projektu zakładajcego posiadanie własnego magazynu oraz posiłkowanie si magazynem obcym
Bardziej szczegółowoProgramowanie genetyczne - gra SNAKE
PRACOWNIA Z ALGORYTMÓW EWOLUCYJNYCH Tomasz Kupczyk, Tomasz Urbański Programowanie genetyczne - gra SNAKE II UWr Wrocław 2009 Spis treści 1. Wstęp 3 1.1. Ogólny opis.....................................
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 szczegółowoInynieria Systemów Informacyjnych
pjanusz@intertele.pl Inynieria Systemów Informacyjnych 2004 Paweł Janusz 1. Wstp Technika oprogramowania, któr stosowano w pocztkach informatyki bardzo róniła si od tej, któr uytkownicy posługuj si obecnie.
Bardziej szczegółowoM.11.01.04 ZASYPANIE WYKOPÓW WRAZ Z ZAGSZCZENIEM
ZASYPANIE WYKOPÓW WRAZ Z ZAGSZCZENIEM 1. WSTP 1.1. Przedmiot ST Przedmiotem niniejszej ST s wymagania szczegółowe dotyczce wykonania i odbioru Robót zwizanych z zasypywaniem wykopów z zagszczeniem dla
Bardziej szczegółowoZARZĄDZANIE POPULACJAMI ZWIERZĄT
ZARZĄDZANIE POPULACJAMI ZWIERZĄT Ćwiczenia 1 mgr Magda Kaczmarek-Okrój magda_kaczmarek_okroj@sggw.pl 1 ZAGADNIENIA struktura genetyczna populacji obliczanie frekwencji genotypów obliczanie frekwencji alleli
Bardziej szczegółowo1) Grafy eulerowskie własnoci algorytmy. 2) Problem chiskiego listonosza
165 1) Grafy eulerowskie własnoci algorytmy 2) Problem chiskiego listonosza 166 Grafy eulerowskie Def. Graf (multigraf, niekoniecznie spójny) jest grafem eulerowskim, jeli zawiera cykl zawierajcy wszystkie
Bardziej szczegółowoBazy danych. Plan wykładu. Definicja zalenoci funkcyjnych. Zalenoci funkcyjne. Wykład 4: Relacyjny model danych - zalenoci funkcyjne.
Plan wykładu Bazy danych Wykład 4: Relacyjny model danych - zalenoci funkcyjne. SQL - funkcje Deficja zalenoci funkcyjnych Klucze relacji Reguły dotyczce zalenoci funkcyjnych Domknicie zbioru atrybutów
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 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 Naturalne - Algorytmy genetyczne
Literatura Obliczenia Naturalne - Algorytmy genetyczne Paweł Paduch Politechnika Świętokrzyska 20 marca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 1 z 45 Plan wykładu Literatura 1 Literatura
Bardziej szczegółowoTechniki ewolucyjne - algorytm genetyczny i nie tylko
Reprezentacja binarna W reprezentacji binarnej wybór populacji początkowej tworzymy poprzez tablice genotypów (rys.1.), dla osobników o zadanej przez użytkownika wielkości i danej długości genotypów wypełniamy
Bardziej szczegółowoProgram SMS4 Monitor
Program SMS4 Monitor INSTRUKCJA OBSŁUGI Wersja 1.0 Spis treci 1. Opis ogólny... 2 2. Instalacja i wymagania programu... 2 3. Ustawienia programu... 2 4. Opis wskaników w oknie aplikacji... 3 5. Opcje uruchomienia
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 szczegółowoInformacja i Promocja. Mechanizm Finansowy EOG Norweski Mechanizm Finansowy
Informacja i Promocja Mechanizm Finansowy EOG Norweski Mechanizm Finansowy Spis treci 1. Wstp... 3 2. Ogólne działania informacyjno - promocyjne... 3 3. Działania informacyjno-promocyjne projektu... 4
Bardziej szczegółowoWstp. Warto przepływu to
177 Maksymalny przepływ Załoenia: sie przepływow (np. przepływ cieczy, prdu, danych w sieci itp.) bdziemy modelowa za pomoc grafów skierowanych łuki grafu odpowiadaj kanałom wierzchołki to miejsca połcze
Bardziej szczegółowo