Algorytmy Genetyczne w środowisku R
|
|
- Andrzej Paluch
- 6 lat temu
- Przeglądów:
Transkrypt
1 Warszawa,14 grudnia, 2014
2 Materiały do zajęć zadania-genetyczne.html
3 Zadanie Farma Piorta produkuje 2 tony jabłek dziennie, Farma Sławka produkuje 4 tony jabłek dziennie, Przetwórnia Michała potrzebuje 5 ton jabłek dziennie, Przetwórnia Karola potrzebuje 1 tonę jabłek dziennie.
4 Zadanie Farma Piorta produkuje 2 tony jabłek dziennie, Farma Sławka produkuje 4 tony jabłek dziennie, Przetwórnia Michała potrzebuje 5 ton jabłek dziennie, Przetwórnia Karola potrzebuje 1 tonę jabłek dziennie.
5 Zadanie Farma Piorta produkuje 2 tony jabłek dziennie, Farma Sławka produkuje 4 tony jabłek dziennie, Przetwórnia Michała potrzebuje 5 ton jabłek dziennie, Przetwórnia Karola potrzebuje 1 tonę jabłek dziennie.
6 Zadanie Farma Piorta produkuje 2 tony jabłek dziennie, Farma Sławka produkuje 4 tony jabłek dziennie, Przetwórnia Michała potrzebuje 5 ton jabłek dziennie, Przetwórnia Karola potrzebuje 1 tonę jabłek dziennie.
7 Koszty transportu 1 tony jabłek są następujące: Koszt transportu z farmy Piotra do przetwórni Michała to 1000 zł, Koszt transportu z farmy Piotra do przetwórni Karola to 1250 zł, Koszt transportu z farmy Sławka do przetwórni Michała to 1350 zł, Koszt transportu z farmy Sławka do przetwórni Karola to 1500 zł.
8 Koszty transportu 1 tony jabłek są następujące: Koszt transportu z farmy Piotra do przetwórni Michała to 1000 zł, Koszt transportu z farmy Piotra do przetwórni Karola to 1250 zł, Koszt transportu z farmy Sławka do przetwórni Michała to 1350 zł, Koszt transportu z farmy Sławka do przetwórni Karola to 1500 zł.
9 Koszty transportu 1 tony jabłek są następujące: Koszt transportu z farmy Piotra do przetwórni Michała to 1000 zł, Koszt transportu z farmy Piotra do przetwórni Karola to 1250 zł, Koszt transportu z farmy Sławka do przetwórni Michała to 1350 zł, Koszt transportu z farmy Sławka do przetwórni Karola to 1500 zł.
10 Koszty transportu 1 tony jabłek są następujące: Koszt transportu z farmy Piotra do przetwórni Michała to 1000 zł, Koszt transportu z farmy Piotra do przetwórni Karola to 1250 zł, Koszt transportu z farmy Sławka do przetwórni Michała to 1350 zł, Koszt transportu z farmy Sławka do przetwórni Karola to 1500 zł.
11 Koszty transportu 1 tony jabłek są następujące: Koszt transportu z farmy Piotra do przetwórni Michała to 1000 zł, Koszt transportu z farmy Piotra do przetwórni Karola to 1250 zł, Koszt transportu z farmy Sławka do przetwórni Michała to 1350 zł, Koszt transportu z farmy Sławka do przetwórni Karola to 1500 zł.
12 Koszty transportu 1 tony jabłek są następujące: Koszt transportu z farmy Piotra do przetwórni Michała to 1000 zł, Koszt transportu z farmy Piotra do przetwórni Karola to 1250 zł, Koszt transportu z farmy Sławka do przetwórni Michała to 1350 zł, Koszt transportu z farmy Sławka do przetwórni Karola to 1500 zł.
13 Koszty transportu 1 tony jabłek są następujące: Koszt transportu z farmy Piotra do przetwórni Michała to 1000 zł, Koszt transportu z farmy Piotra do przetwórni Karola to 1250 zł, Koszt transportu z farmy Sławka do przetwórni Michała to 1350 zł, Koszt transportu z farmy Sławka do przetwórni Karola to 1500 zł.
14 Koszty transportu 1 tony jabłek są następujące: Koszt transportu z farmy Piotra do przetwórni Michała to 1000 zł, Koszt transportu z farmy Piotra do przetwórni Karola to 1250 zł, Koszt transportu z farmy Sławka do przetwórni Michała to 1350 zł, Koszt transportu z farmy Sławka do przetwórni Karola to 1500 zł.
15 Jan jest właścicielem obu farm i przetwórni Chce tak zorganizować transport, aby zminimalizować koszty. Modelowanie: min(1000 x pm x pk x sm x sk ) x pm - liczba ton jabłek przesyłana z farmy Piotra do przetwórni Michała x pk - liczba ton jabłek przesyłana z farmy Piotra do przetwórni Karola x sm - liczba ton jabłek przesyłana z farmy Sławka do przetwórni Michała x sk - liczba ton jabłek przesyłana z farmy Sławka do przetwórni Karola
16 Jan jest właścicielem obu farm i przetwórni Chce tak zorganizować transport, aby zminimalizować koszty. Modelowanie: min(1000 x pm x pk x sm x sk ) x pm - liczba ton jabłek przesyłana z farmy Piotra do przetwórni Michała x pk - liczba ton jabłek przesyłana z farmy Piotra do przetwórni Karola x sm - liczba ton jabłek przesyłana z farmy Sławka do przetwórni Michała x sk - liczba ton jabłek przesyłana z farmy Sławka do przetwórni Karola
17 Jan jest właścicielem obu farm i przetwórni Chce tak zorganizować transport, aby zminimalizować koszty. Modelowanie: min(1000 x pm x pk x sm x sk ) x pm - liczba ton jabłek przesyłana z farmy Piotra do przetwórni Michała x pk - liczba ton jabłek przesyłana z farmy Piotra do przetwórni Karola x sm - liczba ton jabłek przesyłana z farmy Sławka do przetwórni Michała x sk - liczba ton jabłek przesyłana z farmy Sławka do przetwórni Karola
18 Modelowanie min(1000 x pm x pk x sm x sk ) przy ograniczeniach: x pm + x pk 2 x sm + x sk 4 x pm + x sm 5 x pk + x sk 1
19 Modelowanie min(1000 x pm x pk x sm x sk ) przy ograniczeniach: x pm + x pk 2 x sm + x sk 4 x pm + x sm 5 x pk + x sk 1
20 Modelowanie min(1000 x pm x pk x sm x sk ) przy ograniczeniach: x pm + x pk 2 x sm + x sk 4 x pm + x sm 5 x pk + x sk 1
21 Modelowanie min(1000 x pm x pk x sm x sk ) przy ograniczeniach: x pm + x pk 2 x sm + x sk 4 x pm + x sm 5 x pk + x sk 1
22 Zadanie rozwiążemy metodą Algorytmów Genetycznych Użyjemy biblioteki <b>ga</b> install.packages("ga") library(ga) Uruchomienie zadania: GA <- ga(type = real-valued, fitness = function(x) -Evaluation(x), min = c(0, 0,0,0), max = c(2, 2, 4, 4), popsize = 50, maxiter = 100) summary(ga) plot(ga)
23 Zadanie rozwiążemy metodą Algorytmów Genetycznych Użyjemy biblioteki <b>ga</b> install.packages("ga") library(ga) Uruchomienie zadania: GA <- ga(type = real-valued, fitness = function(x) -Evaluation(x), min = c(0, 0,0,0), max = c(2, 2, 4, 4), popsize = 50, maxiter = 100) summary(ga) plot(ga)
24 Zadanie rozwiążemy metodą Algorytmów Genetycznych Użyjemy biblioteki <b>ga</b> install.packages("ga") library(ga) Uruchomienie zadania: GA <- ga(type = real-valued, fitness = function(x) -Evaluation(x), min = c(0, 0,0,0), max = c(2, 2, 4, 4), popsize = 50, maxiter = 100) summary(ga) plot(ga)
25 Funkcja ewaluacji Evaluation <- function(x){ fact=10^9 penalty=(abs(x[1]+x[2]-2)+abs(x[3]+x[4]-4)+abs(x[1]+x[3]- 5)+abs(x[2]+x[4]-1)) return(c(1000,1250,1350,1500)%*%x+fact*penalty) } penalty - kara za niedotrzymanie ograniczeń, fact - współczynnik zwiększający siłę kary
26 Funkcja ewaluacji Evaluation <- function(x){ fact=10^9 penalty=(abs(x[1]+x[2]-2)+abs(x[3]+x[4]-4)+abs(x[1]+x[3]- 5)+abs(x[2]+x[4]-1)) return(c(1000,1250,1350,1500)%*%x+fact*penalty) } penalty - kara za niedotrzymanie ograniczeń, fact - współczynnik zwiększający siłę kary
27 Funkcja ewaluacji Evaluation <- function(x){ fact=10^9 penalty=(abs(x[1]+x[2]-2)+abs(x[3]+x[4]-4)+abs(x[1]+x[3]- 5)+abs(x[2]+x[4]-1)) return(c(1000,1250,1350,1500)%*%x+fact*penalty) } penalty - kara za niedotrzymanie ograniczeń, fact - współczynnik zwiększający siłę kary
28 Uwaga: zmiennej x pm odpowiada element x[1], zmiennej x pk odpowiada element x[2], zmiennej x sm odpowiada element x[3], zmiennej x sk odpowiada element x[4].
29 Uwaga: zmiennej x pm odpowiada element x[1], zmiennej x pk odpowiada element x[2], zmiennej x sm odpowiada element x[3], zmiennej x sk odpowiada element x[4].
30 Uwaga: zmiennej x pm odpowiada element x[1], zmiennej x pk odpowiada element x[2], zmiennej x sm odpowiada element x[3], zmiennej x sk odpowiada element x[4].
31 Uwaga: zmiennej x pm odpowiada element x[1], zmiennej x pk odpowiada element x[2], zmiennej x sm odpowiada element x[3], zmiennej x sk odpowiada element x[4].
32 Interpretacja wykresu
33 Zadanie 2 Funkcja kary w naszym rozwiązaniu nie uwzględnia kierunków nierówności w ograniczeniach, na przykład w przypadku nierówności x pm + x pk 2 stosowany do tej pory czynnik kary przyjmie taką samą wartość gdy x pm + x pk = 1 jak gdy x pm + x pk = 3, choć tylko druga sytuacja niespełnia ograniczenia. Proszę zaproponować modyfikację kary, która uzwględni kierunki nierówności w ograniczeniach.
34 Zadanie 2 Funkcja kary w naszym rozwiązaniu nie uwzględnia kierunków nierówności w ograniczeniach, na przykład w przypadku nierówności x pm + x pk 2 stosowany do tej pory czynnik kary przyjmie taką samą wartość gdy x pm + x pk = 1 jak gdy x pm + x pk = 3, choć tylko druga sytuacja niespełnia ograniczenia. Proszę zaproponować modyfikację kary, która uzwględni kierunki nierówności w ograniczeniach.
35 Zadanie 2 Funkcja kary w naszym rozwiązaniu nie uwzględnia kierunków nierówności w ograniczeniach, na przykład w przypadku nierówności x pm + x pk 2 stosowany do tej pory czynnik kary przyjmie taką samą wartość gdy x pm + x pk = 1 jak gdy x pm + x pk = 3, choć tylko druga sytuacja niespełnia ograniczenia. Proszę zaproponować modyfikację kary, która uzwględni kierunki nierówności w ograniczeniach.
36 Zadanie 2 - przykład rozwiązania W ograniczeniach: x[1]+x[2] 2 x[3]+x[4] 4 x[1]+x[3] 5 x[2]+x[4] 1 Po przeniesieniu dwóch pierwszych przypadkach na lewą stronę a w pozostałych naprawą stronę nierówności oraz oznaczeniu wyrażeń przez t1, t2, t3 oraz t4 odpowiednio, otrzymujemy: t1=x[1]+x[2]-2 t2=x[3]+x[4]-4 t3=5-x[1]+x[3] t4=1-x[2]+x[4].
37 Zadanie 2 - przykład rozwiązania W ograniczeniach: x[1]+x[2] 2 x[3]+x[4] 4 x[1]+x[3] 5 x[2]+x[4] 1 Po przeniesieniu dwóch pierwszych przypadkach na lewą stronę a w pozostałych naprawą stronę nierówności oraz oznaczeniu wyrażeń przez t1, t2, t3 oraz t4 odpowiednio, otrzymujemy: t1=x[1]+x[2]-2 t2=x[3]+x[4]-4 t3=5-x[1]+x[3] t4=1-x[2]+x[4].
38 Zadanie 2 - przykład rozwiązania W ograniczeniach: x[1]+x[2] 2 x[3]+x[4] 4 x[1]+x[3] 5 x[2]+x[4] 1 Po przeniesieniu dwóch pierwszych przypadkach na lewą stronę a w pozostałych naprawą stronę nierówności oraz oznaczeniu wyrażeń przez t1, t2, t3 oraz t4 odpowiednio, otrzymujemy: t1=x[1]+x[2]-2 t2=x[3]+x[4]-4 t3=5-x[1]+x[3] t4=1-x[2]+x[4].
39 Zadanie 2 - przykład rozwiązania W poniższej funkcji karę zwiększamy o wartość t1, t2, t3 lub t4 kiedy nie jest spełniona odpowiednia nierówność: Evaluation <- function(x){ fact=10^9 penalty=0 t1=x[1]+x[2]-2 if(t1>0) penalty=penalty+t1 t2=x[3]+x[4]-4 if(t2>0) penalty=penalty+t2 t3=5-x[1]-x[3] if(t3>0) penalty=penalty+t3 t4=1-x[2]-x[4] if(t4>0) penalty=penalty+t4 return(c(1000,1250,1350,1500)%*%x+fact*penalty) }
40 Zadanie 3 Rozwiązać zadanie dla większego problemu (np. 7 producentów i 8 przetwórni) Należy pobrać plik zadanie3.r oraz wypełnić brakujące elementy (znaki?)
41 Zadanie 3 Rozwiązać zadanie dla większego problemu (np. 7 producentów i 8 przetwórni) Należy pobrać plik zadanie3.r oraz wypełnić brakujące elementy (znaki?)
42 Zadanie 3 - wyjaśnienie Funkcja randtransportproblem <- function(f,d,sf,sd) generuje: wielkości produkcji dla F farm, wielkości zapotrzebowania dla D przetwórni oraz koszty przesyłów (F D), przy łącznej produkcji sf oraz łącznym zapotrzebowaniu sd.
43 Zadanie 3 - wyjaśnienie Funkcja randtransportproblem <- function(f,d,sf,sd) generuje: wielkości produkcji dla F farm, wielkości zapotrzebowania dla D przetwórni oraz koszty przesyłów (F D), przy łącznej produkcji sf oraz łącznym zapotrzebowaniu sd.
44 Zadanie 3 - wyjaśnienie Należy także wypełnić minimalne i maksymalne ograniczenia rozwiązań: Jeśli mamy 4 farmy które produkują odpowiednio od=(7,6,9,6) ton jabłek oraz 7 przetwórni, to: max=( ), min to wektor 28 zer.
45 Zadanie 3 - wyjaśnienie Należy także wypełnić minimalne i maksymalne ograniczenia rozwiązań: Jeśli mamy 4 farmy które produkują odpowiednio od=(7,6,9,6) ton jabłek oraz 7 przetwórni, to: max=( ), min to wektor 28 zer.
46 Zadanie 3 - wyjaśnienie Należy także wypełnić minimalne i maksymalne ograniczenia rozwiązań: Jeśli mamy 4 farmy które produkują odpowiednio od=(7,6,9,6) ton jabłek oraz 7 przetwórni, to: max=( ), min to wektor 28 zer.
47 Zadanie 3 - wyjaśnienie Należy także wypełnić minimalne i maksymalne ograniczenia rozwiązań: Jeśli mamy 4 farmy które produkują odpowiednio od=(7,6,9,6) ton jabłek oraz 7 przetwórni, to: max=( ), min to wektor 28 zer.
48 Zadanie 3 - rozwiązanie min = rep(0,f*d), max = rep(od,each=f)
49 Zadanie 3 - rozwiązanie min = rep(0,f*d), max = rep(od,each=f)
50 Zadanie 4 W rozwiązaniach otrzymujemy wartości rzeczywiste o długim rozwinięciu dziesiętnych. Pakiet GA nie wyróżnia zadań o rozwiązaniach całkowitoliczbowych. W jaki sposób sprawić, żeby transportować z danej farmy do przetwórni ilość ton jabłek, która jest liczbą całkowitą?
51 Zadanie 4 W rozwiązaniach otrzymujemy wartości rzeczywiste o długim rozwinięciu dziesiętnych. Pakiet GA nie wyróżnia zadań o rozwiązaniach całkowitoliczbowych. W jaki sposób sprawić, żeby transportować z danej farmy do przetwórni ilość ton jabłek, która jest liczbą całkowitą?
52 Zadanie 4 - rozwiązanie Rozwiązanie polega na dodaniu drugiego czynnika kary za odległość od najbliższej liczby całkowitej: Evaluation <- function(x,k,od,of,d,f){... penalty2=sum(abs(x-round(x))) penalty=penalty1+penalty2... }
53 Zadanie do domu Należy zapoznać się z metodami mutacji i krzyżowania dostepnymi w pakiecie GA. Które z nich można zastosować w naszym zadaniu? Sprawdzić ich działanie. Ograniczenia nie zawsze są spełnione dokładnie. Czasami farma dostarcza więcej jabłek niż może wyprodukować. Jak można wyeliminować ten problem?
54 Zadanie do domu Należy zapoznać się z metodami mutacji i krzyżowania dostepnymi w pakiecie GA. Które z nich można zastosować w naszym zadaniu? Sprawdzić ich działanie. Ograniczenia nie zawsze są spełnione dokładnie. Czasami farma dostarcza więcej jabłek niż może wyprodukować. Jak można wyeliminować ten problem?
Badania operacyjne. Dr hab. inż. Adam Kasperski, prof. PWr. Pokój 509, budynek B4 adam.kasperski@pwr.edu.pl Materiały do zajęć dostępne na stronie:
Badania operacyjne Dr hab. inż. Adam Kasperski, prof. PWr. Pokój 509, budynek B4 adam.kasperski@pwr.edu.pl Materiały do zajęć dostępne na stronie: www.ioz.pwr.wroc.pl/pracownicy/kasperski Forma zaliczenia
Bardziej szczegółowoDefinicja problemu programowania matematycznego
Definicja problemu programowania matematycznego minimalizacja lub maksymalizacja funkcji min (max) f(x) gdzie: x 1 x R n x 2, czyli: x = [ ] x n przy ograniczeniach (w skrócie: p.o.) p.o. g i (x) = b i
Bardziej szczegółowoBadania operacyjne. Dr Michał Kulej. Pokój 509, budynek B4 Forma zaliczenia wykładu: egzamin pisemny.
Badania operacyjne Dr Michał Kulej. Pokój 509, budynek B4 michal.kulej@pwr.wroc.pl Materiały do zajęć będa dostępne na stronie: www.ioz.pwr.wroc.pl/pracownicy/kasperski Forma zaliczenia wykładu: egzamin
Bardziej szczegółowoZadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik
Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda
Bardziej szczegółowoProgramowanie liniowe
Badania operacyjne Ćwiczenia 4 Programowanie liniowe Dualizm w programowaniu liniowym Plan zajęć Dualizm w programowaniu liniowym Projektowanie programu dualnego Postać programu dualnego Przykład 1 Rozwiązania
Bardziej szczegółowoBadania Operacyjne Ćwiczenia nr 5 (Materiały)
ZADANIE 1 Zakład produkuje trzy rodzaje papieru: standardowy do kserokopiarek i drukarek laserowych (S), fotograficzny (F) oraz nabłyszczany do drukarek atramentowych (N). Każdy z rodzajów papieru wymaga
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 szczegółowoProgramowanie liniowe całkowitoliczbowe. Tadeusz Trzaskalik
Programowanie liniowe całkowitoliczbowe Tadeusz Trzaskalik .. Wprowadzenie Słowa kluczowe Rozwiązanie całkowitoliczbowe Założenie podzielności Warunki całkowitoliczbowości Czyste zadanie programowania
Bardziej szczegółowoWykład z modelowania matematycznego. Zagadnienie transportowe.
Wykład z modelowania matematycznego. Zagadnienie transportowe. 1 Zagadnienie transportowe zostało sformułowane w 1941 przez F.L.Hitchcocka. Metoda rozwiązania tego zagadnienia zwana algorytmem transportowymópracowana
Bardziej szczegółowoModelowanie całkowitoliczbowe
1 Modelowanie całkowitoliczbowe Zmienne binarne P 1 Firma CMC rozważa budowę nowej fabryki w miejscowości A lub B lub w obu tych miejscowościach. Bierze również pod uwagę budowę co najwyżej jednej hurtowni
Bardziej szczegółowoc j x x
ZESTAW 1 Numer indeksu Test jest wielokrotnego wyboru We wszystkich mają być nieujemne 1 Pewien towar jest zmagazynowany w miejscowości A 1 w ilości 700 ton, w miejscowości 900 ton Ma być on przewieziony
Bardziej szczegółowo1.2. Rozwiązywanie zadań programowania liniowego metodą geometryczną
binarną są określane mianem zadania programowania binarnego. W stosunku do dyskretnych modeli decyzyjnych stosuje się odrębną klasę metod ich rozwiązywania. W dalszych częściach niniejszego rozdziału zostaną
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 8 Programowanie nieliniowe Spis treści Programowanie nieliniowe Zadanie programowania nieliniowego Zadanie programowania nieliniowego jest identyczne jak dla
Bardziej szczegółowoProgramowanie liniowe
Badania operacyjne Ćwiczenia 2 Programowanie liniowe Metoda geometryczna Plan zajęć Programowanie liniowe metoda geometryczna Przykład 1 Zbiór rozwiązań dopuszczalnych Zamknięty zbiór rozwiązań dopuszczalnych
Bardziej szczegółowoModelowanie rynków finansowych z wykorzystaniem pakietu R
Modelowanie rynków finansowych z wykorzystaniem pakietu R Metody numeryczne i symulacje stochastyczne Mateusz Topolewski woland@mat.umk.pl Wydział Matematyki i Informatyki UMK Plan działania 1 Całkowanie
Bardziej szczegółowodoc. dr Beata Pułska-Turyna Zarządzanie B506 mail: mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505.
doc. dr Beata Pułska-Turyna Zakład Badań Operacyjnych Zarządzanie B506 mail: turynab@wz.uw.edu.pl mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505. Tel.: (22)55 34 144 Mail: student@pgadecki.pl
Bardziej szczegółowoOPTYMALIZACJA W LOGISTYCE
OPTYALIZACJA W LOGISTYCE Zagadnienie transportowe 2 dr Zbigniew Karwacki Katedra Badań Operacyjnych UŁ Zagadnienie transportowe z kryterium czasu I rodzaju () Jeżeli w modelu klasycznego zagadnienia transportowego
Bardziej szczegółowoRozwiązanie Ad 1. Model zadania jest następujący:
Przykład. Hodowca drobiu musi uzupełnić zawartość dwóch składników odżywczych (A i B) w produktach, które kupuje. Rozważa cztery mieszanki: M : M, M i M. Zawartość składników odżywczych w poszczególnych
Bardziej szczegółowoProgramowanie nieliniowe
Rozdział 5 Programowanie nieliniowe Programowanie liniowe ma zastosowanie w wielu sytuacjach decyzyjnych, jednak często zdarza się, że zależności zachodzących między zmiennymi nie można wyrazić za pomocą
Bardziej szczegółowoProgramowanie liniowe całkowitoliczbowe
Programowanie liniowe całkowitoliczbowe Jeżeli w zadaniu programowania liniowego pewne (lub wszystkie) zmienne musza przyjmować wartości całkowite, to takie zadanie nazywamy zadaniem programowania liniowego
Bardziej szczegółowoProblem Komiwojażera - algorytmy metaheurystyczne
Problem Komiwojażera - algorytmy metaheurystyczne algorytm mrówkowy algorytm genetyczny by Bartosz Tomeczko. All rights reserved. 2010. TSP dlaczego metaheurystyki i heurystyki? TSP Travelling Salesman
Bardziej szczegółowoRozwiązywanie programów matematycznych
Rozwiązywanie programów matematycznych Program matematyczny składa się z następujących elementów: 1. Zmiennych decyzyjnych:,,, 2. Funkcji celu, funkcji-kryterium, która informuje o jakości rozwiązania
Bardziej szczegółowoZadania do wykonania. Rozwiązując poniższe zadania użyj pętlę for.
Zadania do wykonania Rozwiązując poniższe zadania użyj pętlę for. 1. apisz program, który przesuwa w prawo o dwie pozycje zawartość tablicy 10-cio elementowej liczb całkowitych tzn. element t[i] dla i=2,..,9
Bardziej szczegółowoZagadnienie transportowe i zagadnienie przydziału
Temat: Zagadnienie transportowe i zagadnienie przydziału Zadanie 1 Trzy piekarnie zlokalizowane na terenie miasta są zaopatrywane w mąkę z trzech magazynów znajdujących się na peryferiach. Zasoby mąki
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE
ZAGADNENE TRANSPORTOWE Definicja: Program liniowy to model, w którym warunki ograniczające oraz funkcja celu są funkcjami liniowymi. W skład każdego programu liniowego wchodzą: zmienne decyzyjne, ograniczenia
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.
Bardziej szczegółowoFunkcja kwadratowa. f(x) = ax 2 + bx + c = a
Funkcja kwadratowa. Funkcją kwadratową nazywamy funkcję f : R R określoną wzorem gdzie a, b, c R, a 0. f(x) = ax + bx + c, Szczególnym przypadkiem funkcji kwadratowej jest funkcja f(x) = ax, a R \ {0}.
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 szczegółowoMetody numeryczne I Równania nieliniowe
Metody numeryczne I Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/66 Równania nieliniowe 1. Równania nieliniowe z pojedynczym pierwiastkiem
Bardziej szczegółowoROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH
Transport, studia I stopnia Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym
Bardziej szczegółowoFunkcja kwadratowa. f(x) = ax 2 + bx + c,
Funkcja kwadratowa. Funkcją kwadratową nazywamy funkcję f : R R określoną wzorem gdzie a, b, c R, a 0. f(x) = ax 2 + bx + c, Szczególnym przypadkiem funkcji kwadratowej jest funkcja f(x) = ax 2, a R \
Bardziej szczegółowoBadania operacyjne. te praktyczne pytania, na które inne metody dają odpowiedzi jeszcze gorsze.
BADANIA OPERACYJNE Badania operacyjne Badania operacyjne są sztuką dawania złych odpowiedzi na te praktyczne pytania, na które inne metody dają odpowiedzi jeszcze gorsze. T. Sayty 2 Standardowe zadanie
Bardziej szczegółowoRozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE 6. Ćwiczenia komputerowe Ćwiczenie 6.1
Bardziej szczegółowoZadanie 31 b. (5pkt) Rozwiązanie zadania
Obwód = 2x + 2 x + 5 = 4x + 20 Obwód = 2x + 2 x + 5 = 4x + 20 x(x + 5) = 300 x(x + 5) = 300 x(x + 5) = 300 x 2 + 5x 300 = 0 x(x + 5) = 300 x 2 + 5x 300 = 0 (x 15)(x + 20) = 0 x(x + 5) = 300 x 2 +
Bardziej szczegółowo1 Układy równań liniowych
II Metoda Gaussa-Jordana Na wykładzie zajmujemy się układami równań liniowych, pojawi się też po raz pierwszy macierz Formalną (i porządną) teorią macierzy zajmiemy się na kolejnych wykładach Na razie
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 6 Metoda simpleks Spis treści Wstęp Zadanie programowania liniowego Wstęp Omówimy algorytm simpleksowy, inaczej metodę simpleks(ów). Jest to stosowana w matematyce
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 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 szczegółowoModele i narzędzia optymalizacji w systemach informatycznych zarządzania
Przedmiot: Nr ćwiczenia: 3 Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Temat: Programowanie dynamiczne Cel ćwiczenia: Formułowanie i rozwiązywanie problemów optymalizacyjnych
Bardziej szczegółowoMETODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski
METODA SYMPLEKS Maciej Patan Uniwersytet Zielonogórski WSTĘP Algorytm Sympleks najpotężniejsza metoda rozwiązywania programów liniowych Metoda generuje ciąg dopuszczalnych rozwiązań x k w taki sposób,
Bardziej szczegółowoFUNKCJA KWADRATOWA. 1. Definicje i przydatne wzory. lub trójmianem kwadratowym nazywamy funkcję postaci: f(x) = ax 2 + bx + c
FUNKCJA KWADRATOWA 1. Definicje i przydatne wzory DEFINICJA 1. Funkcja kwadratowa lub trójmianem kwadratowym nazywamy funkcję postaci: f(x) = ax + bx + c taką, że a, b, c R oraz a 0. Powyższe wyrażenie
Bardziej szczegółowoInteligencja obliczeniowa Laboratorium 2: Algorytmy genetyczne
Inteligencja obliczeniowa Laboratorium 2: Algorytmy genetyczne Zadanie 1 W problemie plecakowym pytamy, jakie przedmioty wziąć do plecaka o ograniczonej objętości, by ich wartość była najwyższa. Załóżmy,
Bardziej szczegółowoRozdział 1 PROGRAMOWANIE LINIOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 1 PROGRAMOWANIE LINIOWE 1.2 Ćwiczenia komputerowe Ćwiczenie 1.1 Wykorzystując
Bardziej szczegółowo=B8*E8 ( F9:F11 F12 =SUMA(F8:F11)
Microsoft EXCEL - SOLVER 2. Elementy optymalizacji z wykorzystaniem dodatku Microsoft Excel Solver Cele Po ukończeniu tego laboratorium słuchacze potrafią korzystając z dodatku Solver: formułować funkcję
Bardziej szczegółowoDodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli?
Dodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli? : Proces zmieniania wartości w komórkach w celu sprawdzenia, jak
Bardziej szczegółowoDefinicja i własności wartości bezwzględnej.
Równania i nierówności z wartością bezwzględną. Rozwiązywanie układów dwóch (trzech) równań z dwiema (trzema) niewiadomymi. Układy równań liniowych z parametrem, analiza rozwiązań. Definicja i własności
Bardziej szczegółowoOPTYMALIZACJA DYSKRETNA
Temat nr a: odelowanie problemów decyzyjnych, c.d. OPTYALIZACJA DYSKRETA Zagadnienia decyzyjne, w których chociaż jedna zmienna decyzyjna przyjmuje wartości dyskretne (całkowitoliczbowe), nazywamy dyskretnymi
Bardziej szczegółowoMetody Optymalizacji. Wstęp. Programowanie matematyczne. Dr hab. inż. Maciej Komosiński, mgr Agnieszka Mensfelt
Metody Optymalizacji Dr hab. inż. Maciej Komosiński, mgr Agnieszka Mensfelt Wstęp W ogólności optymalizacja związana jest z maksymalizowaniem lub minimalizowaniem pewnej wielkości np. maksymalizacja zysku
Bardziej szczegółowoNa rysunku przedstawiony jest wykres funkcji f(x) określonej dla x [-7, 8].
Zadania 1 28 stanowią przykłady spełniające kryteria na ocenę 3. Zadanie 1 Na rysunku przedstawiony jest wykres funkcji f() określonej dla [-7, 8]. Odczytaj z wykresu i zapisz: a) największą wartość funkcji
Bardziej szczegółowoRYNEK CIEPŁA REC 2013 OPTYMALIZACJA ROZDZIAŁU OBCIĄŻEŃ POMIĘDZY PRACUJĄCE RÓWNOLEGLE BLOKI CIEPŁOWNICZE
RYEK CIEPŁA REC 2013 OPTYMALIZACJA ROZDZIAŁU OBCIĄŻEŃ POMIĘDZY PRACUJĄCE RÓWOLEGLE BLOKI CIEPŁOWICZE Prof. dr ha. inż. Henryk Rusinowski Dr ha. inż. Marcin Szega Prof. nzw. w Pol. Śl. Mgr inż. Marcin Plis
Bardziej szczegółowoMatematyka stosowana i metody numeryczne
Ewa Pabisek Adam Wosatko Piotr Pluciński Matematyka stosowana i metody numeryczne Konspekt z wykładu 6 Rozwiązywanie równań nieliniowych Rozwiązaniem lub pierwiastkiem równania f(x) = 0 lub g(x) = h(x)
Bardziej szczegółowoJak napisać program obliczający pola powierzchni różnych figur płaskich?
Część IX C++ Jak napisać program obliczający pola powierzchni różnych figur płaskich? Na początku, przed stworzeniem właściwego kodu programu zaprojektujemy naszą aplikację i stworzymy schemat blokowy
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Łukasz Kowalik Instytut Informatyki, Uniwersytet Warszawski April 8, 2016 Łukasz Kowalik (UW) LP April 8, 2016 1 / 15 Problem diety Tabelka wit. A (µg) wit. B1 (µg) wit. C (µg) (kcal)
Bardziej szczegółowoW przeciwnym wypadku wykonaj instrukcję z bloku drugiego. Ćwiczenie 1 utworzyć program dzielący przez siebie dwie liczby
Część XI C++ W folderze nazwisko36 program za każdym razem sprawdza oba warunki co niepotrzebnie obciąża procesor. Ten problem można rozwiązać stosując instrukcje if...else Instrukcja if wykonuje polecenie
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 7 Programowanie nieliniowe i całkowitoliczbowe
Spis treści Elementy Modelowania Matematycznego Wykład 7 i całkowitoliczbowe Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp 2 3 Spis treści Spis treści 1 Wstęp
Bardziej szczegółowo1. Który z warunków nie jest właściwy dla powyższego zadania programowania liniowego? 2. Na podstawie poniższej tablicy można odczytać, że
Stwierdzeń będzie. Przy każdym będzie należało ocenić, czy jest to stwierdzenie prawdziwe, czy fałszywe i zaznaczyć x w tabelce odpowiednio przy prawdzie, jeśli jest ono prawdziwe lub przy fałszu, jeśli
Bardziej szczegółowoIwona Konarzewska Programowanie celowe - wprowadzenie. Katedra Badań Operacyjnych UŁ
1 Iwona Konarzewska Programowanie celowe - wprowadzenie Katedra Badań Operacyjnych UŁ 2 Programowanie celowe W praktycznych sytuacjach podejmowania decyzji często występuje kilka celów. Problem pojawia
Bardziej szczegółowoInstrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia:
Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne Temat ćwiczenia: Programowanie liniowe, metoda geometryczna, dobór struktury asortymentowej produkcji Zachodniopomorski Uniwersytet
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium Zadanie nr 3 Osada autor: A Gonczarek Celem poniższego zadania jest zrealizowanie fragmentu komputerowego przeciwnika w grze strategiczno-ekonomicznej
Bardziej szczegółowoLABORATORIUM 2: Wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE. opracował: dr inż. Witold Beluch
OBLICZENIA EWOLUCYJNE LABORATORIUM 2: Wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE opracował: dr inż. Witold Beluch witold.beluch@polsl.pl Gliwice 12 OBLICZENIA EWOLUCYJNE LABORATORIUM
Bardziej szczegółowoProjekt Era inżyniera pewna lokata na przyszłość jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego
Materiały dydaktyczne na zajęcia wyrównawcze z matematyki dla studentów pierwszego roku kierunku zamawianego Biotechnologia w ramach projektu Era inżyniera pewna lokata na przyszłość Projekt Era inżyniera
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 szczegółowoProgramowanie liniowe
Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2015 Mirosław Sobolewski (UW) Warszawa, 2015 1 / 16 Homo oeconomicus=
Bardziej szczegółowoKonspekt. Piotr Chołda 2 marca Podstawowe informacje nt. przedmiotu. Prowadzący przedmiot (wykład, egzamin, projekt, laboratorium):
Konspekt Piotr Chołda 2 marca 2016 1 Podstawowe informacje nt. przedmiotu 1.1 Dane nt. prowadzących Prowadzący przedmiot (wykład, egzamin, projekt, laboratorium): dr hab. inż. Piotr Chołda; pok. 015, pawilon
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 szczegółowoLABORATORIUM 7: Problem komiwojażera (TSP) cz. 2
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 7: Problem komiwojażera (TSP) cz. 2 opracował:
Bardziej szczegółowoWykład 6. Metoda eliminacji Gaussa: Eliminacja z wyborem częściowym Eliminacja z wyborem pełnym
1 Wykład 6 Metoda eliminacji Gaussa: Eliminacja z wyborem częściowym Eliminacja z wyborem pełnym ELIMINACJA GAUSSA Z WYBOREM CZĘŚCIOWYM ELEMENTÓW PODSTAWOWYCH 2 Przy pomocy klasycznego algorytmu eliminacji
Bardziej szczegółowoNotatki do tematu Metody poszukiwania rozwiązań jednokryterialnych problemów decyzyjnych metody dla zagadnień liniowego programowania matematycznego
Notatki do tematu Metody poszukiwania rozwiązań jednokryterialnych problemów decyzyjnych metody dla zagadnień liniowego programowania matematycznego część III Analiza rozwiązania uzyskanego metodą simpleksową
Bardziej szczegółowo1. LICZBY DZIAŁ Z PODRĘCZNIKA L.P. NaCoBeZu kryteria sukcesu w języku ucznia
L.P. DZIAŁ Z PODRĘCZNIKA NaCoBeZu kryteria sukcesu w języku ucznia 1. LICZBY 1. Znam pojęcie liczby naturalne, całkowite, wymierne, dodatnie, ujemne, niedodatnie, odwrotne, przeciwne. 2. Potrafię zaznaczyć
Bardziej szczegółowoZagadnienie transportowe
Zagadnienie transportowe Firma X zawarła kontrakt na dostarczenie trawnika do wykończenia terenów wokół trzech zakładów U, V i W. Trawnik ma być dostarczony z trzech farm A, B i C. Zapotrzebowanie zakładów
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 szczegółowoPrzykład: frytki i puree Analiza wrażliwości współczynników funkcji celu
Analiza wrażliwości: współczynników funkcji celu analiza wrażliwości pozwala odpowiedzieć na pytanie, w jakich granicach mogą się zmieniać te parametry, aby dotychczasowe rozwiązanie było optymalne, wyrazów
Bardziej szczegółowoSkrypt 12. Funkcja kwadratowa:
Projekt Innowacyjny program nauczania matematyki dla liceów ogólnokształcących współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego Skrypt 12 Funkcja kwadratowa: 8.
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawy optymalizacji Plan prezentacji 1 Podstawy matematyczne 2 3 Eliminacja ograniczeń Metody
Bardziej szczegółowoLaboratorium WDEC. Opis posługiwania się pakietem AMPL
Laboratorium WDEC Opis posługiwania się pakietem AMPL Adam Krzemienowski, Grzegorz Płoszajski Instytut Automatyki i Informatyki Stosowanej Politechnika Warszawska Pakiet AMPL Pakiet AMPL jest narzędziem
Bardziej szczegółowoProjekt Era inżyniera pewna lokata na przyszłość jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego
Materiały dydaktyczne na zajęcia wyrównawcze z matematyki dla studentów pierwszego roku kierunku zamawianego Biotechnologia w ramach projektu Era inżyniera pewna lokata na przyszłość Projekt Era inżyniera
Bardziej szczegółowoLista 1 PL metoda geometryczna
Lista 1 PL metoda geometryczna 1.1. Znajdź maksimum funkcji celuf(x 1,x 2 )=5x 1 +7x 2 przy ograniczeniach: 2x 1 +2x 2 600, 2x 1 +4x 2 1000, x i 0 dlai=1,2 1.2. Znajdź maksimum funkcji celuf(x 1,x 2 )=2x
Bardziej szczegółowoRozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE 2.2 Ćwiczenia komputerowe Ćwiczenie
Bardziej szczegółowoBadania operacyjne Instrukcja do c wiczen laboratoryjnych Rozwiązywanie problemów programowania liniowego z użyciem MS Excel + Solver
Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Wydział Techniki Morskiej i Transportu Katedra Konstrukcji, Mechaniki i Technologii Okręto w Badania operacyjne Instrukcja do c wiczen laboratoryjnych
Bardziej szczegółowoFinanse i Rachunkowość studia niestacjonarne/stacjonarne Model Przepływów Międzygałęziowych
dr inż. Ryszard Rębowski 1 OPIS ZJAWISKA Finanse i Rachunkowość studia niestacjonarne/stacjonarne Model Przepływów Międzygałęziowych 8 listopada 2015 1 Opis zjawiska Będziemy obserwowali proces tworzenia
Bardziej szczegółowoWykorzystanie programów komputerowych do obliczeń matematycznych, cz. 2/2
Temat wykładu: Wykorzystanie programów komputerowych do obliczeń matematycznych, cz. 2/2 Kody kolorów: żółty nowe pojęcie pomarańczowy uwaga kursywa komentarz * materiał nadobowiązkowy 1 Przykłady: Programy
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 szczegółowoPróbny egzamin z matematyki dla uczniów klas II LO i III Technikum. w roku szkolnym 2012/2013
Próbny egzamin z matematyki dla uczniów klas II LO i III Technikum w roku szkolnym 2012/2013 I. Zakres materiału do próbnego egzaminu maturalnego z matematyki: 1) liczby rzeczywiste 2) wyrażenia algebraiczne
Bardziej szczegółowozadaniem programowania liniowego całkowitoliczbowego. nazywamy zadaniem programowania liniowego 0-1. Zatem, w
Sformułowanie problemu Zastosowania Programowanie liniowe całkowitoliczbowe Jeżeli w zadaniu programowania liniowego pewne (lub wszystkie) zmienne musza przyjmować wartości całkowite, to takie zadanie
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 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 szczegółowoWYKORZYSTANIE NARZĘDZIA Solver DO ROZWIĄZYWANIA ZAGADNIEŃ TRANSPORTOWYCH Z KRYTERIUM KOSZTÓW
WYKORZYSTANIE NARZĘDZIA Solver DO ROZWIĄZYWANIA ZAGADNIEŃ TRANSPORTOWYCH Z KRYTERIUM KOSZTÓW Zadania transportowe Zadania transportowe są najczęściej rozwiązywanymi problemami w praktyce z zakresu optymalizacji
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I IDENTYFIKACJA Studia niestacjonarne Estymacja parametrów modeli, metoda najmniejszych kwadratów.
Bardziej szczegółowoKOMPLEKSOWE ROZWIĄZANIA DLA SEKTORA OZE
OBSŁUGA INWESTYCJI FARM WIATROWYCH KOMPLEKSOWE ROZWIĄZANIA DLA SEKTORA OZE Inwestycje w odnawialne źródła energii, a w szczególności w farmy wiatrowe są w naszym kraju oceniane jako bezpieczne i odznaczają
Bardziej szczegółowoProgramowanie liniowe całkowitoliczbowe
Programowanie liniowe całkowitoliczbowe Jeżeli w zadaniu programowania liniowego pewne (lub wszystkie) zmienne musza przyjmować wartości całkowite, to takie zadanie nazywamy zadaniem programowania liniowego
Bardziej szczegółowoWykład z Technologii Informacyjnych. Piotr Mika
Wykład z Technologii Informacyjnych Piotr Mika Uniwersalna forma graficznego zapisu algorytmów Schemat blokowy zbiór bloków, powiązanych ze sobą liniami zorientowanymi. Jest to rodzaj grafu, którego węzły
Bardziej szczegółowoAlgorytmy genetyczne jako metoda wyszukiwania wzorców. Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż.
Algorytmy genetyczne jako metoda wyszukiwania wzorców Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż. Marcin Borkowski Krótko i na temat: Cel pracy Opis modyfikacji AG Zastosowania
Bardziej szczegółowoPlan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA?
/9/ Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład --9 Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów
Bardziej szczegółowoZESTAW PRZYKŁADOWYCH ZADAŃ Z MATEMATYKI ZAKRES ROZSZERZONY
ZESTAW PRZYKŁADOWYCH ZADAŃ Z MATEMATYKI ZAKRES ROZSZERZONY Zadanie Wskaż w zbiorze A = Zadanie Usuń niewymierność z wyrażenia,(0); 0,9; ; 0; 8; 0; 0 liczby wymierne 6 Zadanie Rozwiąż nierówność x + > Rozwiązanie
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 szczegółowo1 Wstęp teoretyczny. Temat: Obcinanie odcinków do prostokąta. Grafika komputerowa 2D. Instrukcja laboratoryjna Prostokąt obcinający
Instrukcja laboratoryjna 3 Grafika komputerowa 2D Temat: Obcinanie odcinków do prostokąta Przygotował: dr inż. Grzegorz Łukawski, mgr inż. Maciej Lasota, mgr inż. Tomasz Michno 1 Wstęp teoretyczny 1.1
Bardziej szczegółowoStandardowe zadanie programowania liniowego. Gliwice 1
Standardowe zadanie programowania liniowego 1 Standardowe zadanie programowania liniowego Rozważamy proces, w którym zmiennymi są x 1, x 2,, x n. Proces poddany jest m ograniczeniom, zapisanymi w postaci
Bardziej szczegółowoKonkurs Potyczki informatyczno matematyczne X edycja 2013r. Zespół Szkół w Dobrzeniu Wielkim
ZADANIE 1. (7pkt./15min.) W sobotę, po godzinie 9.00 rano, planujesz pojechać pierwszym autobusem linii nr 17 z przystanku Dambonia - Pętla w kierunku Częstochowska - Pętla. Masz zamiar wysiąść na przystanku
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 szczegółowoprzetworzonego sygnału
Synteza falek ortogonalnych na podstawie oceny przetworzonego sygnału Instytut Informatyki Politechnika Łódzka 28 lutego 2012 Plan prezentacji 1 Sformułowanie problemu 2 3 4 Historia przekształcenia falkowego
Bardziej szczegółowo