Algorytmy rysowania grafów
|
|
- Oskar Marczak
- 6 lat temu
- Przeglądów:
Transkrypt
1 Krzysztof T. Zwerzysk Algorytmy rysowana grafów Plan wykładu Defncje Rysowane grafów planarnych Rysowane grafów na okrgu Rysowane grafów w ogranczonym obszarze Rysowane grafów metod Psanskego Przekształcena współrzdnych werzchołków grafów Edytor grafów Krytera oceny rysunków grafów Metody rysowana grafów do wyszukwana klk w grafach Rysunk grafów w 3D Informatyka, Sem III, Optymalzacja kombnatoryczna Pozna, 8 grudna 2003 r.
2 Defncje Graf G = (V, E) G = (V, E, x, y) x = x 1, x 2, x 3..., x n y = y 1, y 2, y 3..., y n Lne proste x = x 1, x 2, x 3..., x n y = y 1, y 2, y 3..., y n Rysunk grafów typy krawdz Lne krzywe nformacja o pozycj kadej krawdz (punkty charakterystyczne krzywych Bezera: punkty pocztkowe kocowe, punkty kontrolne) Lne łamane nformacje o punktach łamana krawdz Lne z grotam nformacje o skerowanu grotów Format.poz Rysunk grafów zapsywane s w plkach tekstowych z rozszerzenem.poz. Kada nowa lna w plku oznacza nowy graf. Elementy cgu opsujcego rysunek grafu rozdzelone s znakem spacj. Spacja pownna by równe na kocu tego cgu. n kod_grafu x 1 y 1 x 2 y 2... x n y n gdze: n lczba werzchołków grafu kod_grafu cg zer jedynek bdcy złoenem w jeden wektor elementów górnego trójkta macerzy przyległoc x y współrzdne x y werzchołka o ndekse np.:
3 Rysowane grafów planarnych Twerdzene (Fáry) Jeel graf jest planarny, to mona przestaw go na rysunku w postac, w której wszystke krawdze ne krzyuj s s odcnkam ln prostych. Rysunek grafu planarnego o takch włacwocach nazywa s Fáry embeddng. Algorytm testowana czy graf jest planarny (Hopcroft-Tarajan 1974) - złoono O(n) Twerdzene (Euler) Graf rzdu n 3 z k krawdzam ne jest planarny, jeel k > 3n 6. Twerdzene (K. Kuratowsk, 1930). Graf jest planarny wtedy tylko wtedy, gdy ne zawera podgrafu homeomorfcznego do K 5 lub K 3,3. Algorytm rysowana grafów planarnych 3
4 Rysowane grafów na okrgu (X mn, Y mn) (X mn 15, Y mn 15) (X max/2, Y max/2) (X max 15, Y max 15) (X max, Y max) Załoene: X mn = 0, Y mn = 0, X max = 310, Y max = 310, π = Algorytm rozmeszczana werzchołków na okrgu Dane: n lczba werzchołków, X mn, Y mn, X max, Y max zakres dopuszczalnych wartoc nowych współrzdnych werzchołków, Wynk: x, y wektory opsujce nowe współrzdne werzchołków. Metoda: 1. Oblcz: x max := (X max - X mn - 30)/2 y max := (Y max - Y mn - 30)/2. 2. Dla kolejnych werzchołków (1 n) oblcz: dpn := 2 ( - 1) π/n; x := x max 0.9 x max sn(dpn) 15; y := y max 0.9 y max cos(dpn) 15; Złoono: O(n). Przykład 4
5 Rysowane grafów w ogranczonym obszarze Losowe rozmeszczene werzchołków Arbtralne rozmeszczene werzchołków (np. na okrgu) Rozmeszczene werzchołków sterowane rczne 5
6 Rysowane grafów metod Psanskego Wyznaczene macerzy wektorów własnych B = Uwaga! Posta macerzy zaley od etyketowana werzchołków w grafe Dobór wektorów a) b) c) d) a) kolumny 1-2, b) 1-4, c) 1-5, d) 2-7 6
7 7 Przekształcena współrzdnych werzchołków grafów Normalzacja Przycgane werzchołków do wzłów satk Transformacje Obroty Przesunca Odbca Skalowane Grawtacja ) ( ' ) ( N w x wx x N =, ) ( ' ) ( N w y wy y N = Antygrawtacja ) ( ' ) ( N w x wx x N = ) ( ' ) ( N w y wy y N = "Spryna"
8 Dodawane/usuwane werzchołków Edytor grafów Przemeszczane werzchołków za pomoc myszk Dodawane/usuwane krawdz mdzy dwoma werzchołkam Zaznaczane/odznaczane grupy werzchołków Przemeszczene grupy werzchołków za pomoc myszk Usuwane grupy werzchołków Usuwane/dodawane krawdz mdzy zaznaczon grup werzchołków Zamana podgrafu ndukowanego przez zaznaczon grup werzchołków na dopełnene Wdok macerzy przyległoc Dodawane usuwane krawdz w macerzy Wywetlane nformacj pomocnczych o werzchołkach Numer werzchołka, stope werzchołka 8
9 Krytera oceny rysunków grafów Lczba skrzyowa krawdz Algorytm zlczana skrzyowa krawdz (werzchołk na okrgu) Dane: n lczba werzchołków, A macerz przyległoc grafu. Wynk: cr lczba skrzyowa. Metoda: 1. Przypsz cr := 0; 2. Dla kadej krawdz {, j} wystpujcej w grafe okrel z loma nnym s krzyuje zwkszajc odpowedno cr. Wadomo, e ne krzyuj s krawdze o etyketach {1, n} oraz {a, a1}, gdy le na obwodze grafu. Kada krawd {, j} dzel zbór werzchołków grafu na dwa podzbory B (werzchołk { 1, j 1}) C (werzchołk {j 1, n} ) tylko krawdze, które łcz te róne podzbory krzyuj s z dan krawdz. Złoono: O(n 3 ). Algorytm zlczana skrzyowa (ogólny) Lczba punktów przec Defncja. Punkt przecca nazywamy mejsce skrzyowana s co najmnej dwóch krawdz. Suma któw mdzy krawdzam Symetra rozbce zboru werzchołków grafu na orbty Trudno z rysowanem grafów asymetrycznych, czyl takch, które maj tylko jeden automorfzm. 9
10 Optymalzacja rysunków grafów Wykorzystane losowych transpozycj (czyl zamana mejscam dwóch wylosowanych werzchołków) Wykorzystane losowych permutacj Algorytm mnmalzacj lczby skrzyowa metod ndukowana losowej permutacj Dane: n lczba werzchołków, A macerz przyległoc, x, y cg opsujce współrzdne werzchołków, s lczba powtórze. Wynk: A' macerz przyległoc. Metoda: 1. B := A, A' := A. 2. Oblcz lczb skrzyowa cr := countccr (B, x, y). 3. Powtórz s razy: a) wylosuj losow permutacj, b) ndukuj permutacj B := nducep(n,, B), c) oblcz cr := countccr (B, x, y), d) Jeel cr jest mnejsze od CCR to, A' = B, CCR := cr. Złoono: Zaley od lczby powtórze oraz od złoonoc ndukowana permutacj zlczana skrzyowa. cr = 15 cr = 11 cr = 8 cr = 4 Wykorzystane bazy danych rysunków mnejszych grafów 10
11 Wykorzystane przekształcene grawtacja antygrawtacja Metryka D( x, x', y, y') = n = 1 2 ( x x' ) ( y y' ) 2 Wykorzystane przekształcena spryna Wykorzystane metaheurystyk (algorytmy ewolucyjne, symulowane wyarzane) 11
12 Metody rysowana grafów do wyszukwana klk w grafach Problem MCP (ang. Mnmum Clque Partton Problem) podzału zboru werzchołków grafu na mnmaln lczb rozłcznych klk. W wersj decyzyjnej jest to problem NP-zupełny. Algorytm dokładny EMCP Dane: n lczba werzchołków, A macerz przyległoc. Wynk: cp mnmalna lczba klk w grafe, c cg kolorów werzchołków okrelajcy podzał zboru na podzbory. Metoda: 1. Przypsz cp := n. 2. Generuj kolejne podzały zboru werzchołków na podzbory dla kadego z nch sprawd, czy ndukuje klk. 3. Jeel tak, jest to rozwzane lepsze od becego, to zapamtaj bece rozwzane w cgu c oraz popraw warto cp. Złoono: wykładncza Lczba podzałów zboru na podzbory odpowada lczbe Bella B n. r(n) = t(n)/ t(n/2) r(n) 1E26 1E24 1E22 1E20 1E18 1E16 1E14 1E12 1E10 1E08 1E O(n) O(n^2) O(2^n) O(3^n) O(n!) O(n^n) O(Bn) 12
13 Algorytm zachłanny GCP Dane: n lczba werzchołków, A macerz przyległoc. Wynk: cp mnmalna lczba klk w grafe, c cg kolorów werzchołków okrelajcy podzał zboru na podzbory. Metoda: 1.Werzchołkow 1 przydzel perwszy kolor. 2.Kolejnym werzchołkom przydzel: a) kolor zboru werzchołków o mnejszych etyketach jeel jest połczony z kadym z nch, b) nowy kolor w przecwnym przypadku. Złoono: O(n 3 ) Algorytm IPG (Iteracyjnego Przekształcena Grawtacyjnego) Dane: n lczba werzchołków, A macerz przyległoc, w waga werzchołka, pr próg podobestwa. Wynk: c cg kolorów opsujcy przynaleno danego werzchołka do podzboru. Metoda: 1. Losowo przypsz kademu z werzchołków par lczb (x, y) z przedzału [0, 1]. 2. Oblcz nowe wartoc tych par w nastpujcy sposób: x ' = wx w N( ) x N ( ) wy N ( ) y ' =, w N( ) gdze: N() ssedztwo werzchołka. 3. Podzel werzchołk na podzbory stosujc procedur PCA zapamtujc najlepszy podzał. 4. Jeel warto D(x, y, x', y') jest wksza n załoony próg podobestwa pr, to d do punktu 2. Złoono: welomanowa Algorytm wyznaczana skupe PCA (ang. Prncpal Components Analyss) 1.Normalzuj współrzdne werzchołków do przedzału [0, 1]. 2.Wyznacz wartoc redne dla x y. 3.Wyznacz odchylena standardowe oraz współczynnk korelacj mdzy atrybutam x y. 4.Jeel odchylena standardowe x y ne s jednoczene równe zero, to na podstawe powyszych nformacj podzel werzchołk na dwa podzbory. y 13
14 Algorytm ewolucyjny ECP Dane: n lczba werzchołków, A macerz przyległoc, m welko populacj, t wykładnk funkcj skalujcej, s lczba teracj. Wynk: c cg kolorów opsujcy przynaleno danego werzchołka do podzboru. Metoda: 1. Wylosuj populacj pocztkow złoon z m cgów o długoc n zawerajcych lczby całkowte z przedzału [1, n]. 2. Powtarzaj s razy: - Przegldaj elementy populacj weryfkujc czy podzały, które reprezentuj, ndukuj klk w grafe oraz jaka jest ch lczba. Osobnk z najmnejsz lczb klk jest zapamtywany jako najlepsze rozwzane. - Oce kadego osobnka nalecego do populacj. - Przeskaluj warto funkcj oceny za pomoc skalowana potg. - Wyselekcjonuj za pomoc metody koła ruletk m osobnków, których potomstwo traf do nastpnej populacj. - Zmutuj wektor kodujcy kadego z wyselekcjonowanych osobnków. - Populacj becej przypsz nowo powstała populacj. Kodowane osobnków Funkcja oceny Operator ewolucyjny: mutacja, krzyowane Metoda selekcj Anomala 14
15 Eksport rysunków grafów do rónych formatów SVG (Scalable Vector Graphcs) HTML, DocBook, MS Word <?xml erson="1.0" standalone="no"?> <sg ewbox=" " xmlns:xlnk=" <path d="k1_2" stroke="#000000" d="m L Z "/> <path d="k1_5" stroke="#000000" d="m L Z "/> <path d="k2_3" stroke="#000000" d="m L Z "/> <path d="k3_4" stroke="#000000" d="m L Z "/> <path d="k4_5" stroke="#000000" d="m L Z "/> <crcle d="1" cx="155" cy="15" r="5" <crcle d="2" cx="295" cy="125" r="5"/> <crcle d="3" cx="245" cy="295" r="5"/> <crcle d="4" cx="65" cy="295" r="5"/> <crcle d="5" cx="15" cy="125" r="5"/> </sg> EPS TEX %!PS-Adobe EPSF-2.0 %%BoundngBox: newpath arc fll stroke newpath arc fll stroke newpath arc fll stroke newpath arc fll stroke newpath arc fll stroke newpath moeto lneto closepath stroke newpath moeto lneto closepath stroke newpath moeto lneto closepath stroke newpath moeto lneto closepath stroke newpath moeto lneto closepath stroke showpage RTF MS Word 15
16 Rysunk grafów w 3D VRML LeGraphcs3D (Martn Kraus) <HTML> <HEAD> <TITLE>C5</TITLE> </HEAD> <BODY> <APPLET ARCHIVE="le.jar" CODEBASE="" CODE="Le.class" WIDTH=600 HEIGHT=600 ALIGN=LEFT> <PARAM NAME=INPUT VALUE=" Graphcs3D[ {PontSze[0.03], GrayLeel[0.], {Pont[{155,15, 0}], Pont[{295,125, 0}], Pont[{245,295, 0}], Pont[{65,295, 0}], Pont[{15,125, 0}]}, {Lne[{{155,15,0},{295,125,0}}], Lne[{{155,15,0},{15,125,0}}], Lne[{{295,125,0},{245,295,0}}], Lne[{{245,295,0},{65,295,0}}], Lne[{{65,295,0},{15,125,0}}],}}, {VewPont -> {2.948, , 1.405}, BoxRatos -> {4, 4, 4}, Boxed -> False} ] "> </APPLET> </BODY> </HTML> 16
Klasyfkator 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 szczegółowoZapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.
Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane
Bardziej 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 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 szczegółowoaij - wygrana gracza I bij - wygrana gracza II
M.Mszczsk KBO UŁ, Badana operacjne I (cz.) (wkład B 7) GRY KONFLIKTOWE GRY -OSOBOWE O SUMIE WYPŁT ZERO I. DEFINICJE TWIERDZENI Konflktowe gr dwuosobowe opsuje macerz wpłat ( a ) [ ] mxn j,b j gdze: aj
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 szczegółowoSystem M/M/1/L. λ = H 0 µ 1 λ 0 H 1 µ 2 λ 1 H 2 µ 3 λ 2 µ L+1 λ L H L+1. Jeli załoymy, e λ. i dla i = 1, 2,, L+1 oraz
System M/M// System ten w odrónenu do wczenej omawanych systemów osada kolejk. Jednak jest ona ogranczona, jej maksymalna ojemno jest wartoc skoczon
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 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 szczegółowo11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.
/22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:
Bardziej szczegółowoPodstawowe pojcia. Metody probabilistyczne i statystyka Wykład 7: Statystyka opisowa. Rozkłady prawdopodobiestwa wystpujce w statystyce.
Metody probablstycze statystyka Wykład 7: Statystyka opsowa. Rozkłady prawdopodobestwa wystpujce w statystyce. Podstawowe pojca Populacja geerala - zbór elemetów majcy przyajmej jed włacwo wspól dla wszystkch
Bardziej szczegółowoLABORATORIUM METROLOGII TECHNIKA POMIARÓW (M-1)
LABORATORIUM METROLOGII TECHNIKA POMIARÓW (M-) wwwmuepolslpl/~wwwzmape Opracował: Dr n Jan Około-Kułak Sprawdzł: Dr hab n Janusz Kotowcz Zatwerdzł: Dr hab n Janusz Kotowcz Cel wczena Celem wczena jest
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 szczegółowoPodstawowe obiekty AutoCAD-a
LINIA Podstawowe obiekty AutoCAD-a Zad1: Narysowa lini o pocztku w punkcie o współrzdnych (100, 50) i kocu w punkcie (200, 150) 1. Wybierz polecenie rysowania linii, np. poprzez kilknicie ikony. W wierszu
Bardziej szczegółowoModelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja
Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest
Bardziej szczegółowoZASTOSOWANIE PROGRAMOWANIA DYNAMICZNEGO DO OPRACOWANIA STRATEGII REDUKCJI EMISJI GAZÓW
ZASTOSOWANIE PROGRAOWANIA DYNAICZNEGO DO OPRACOWANIA STRATEGII REDUKCJI EISJI GAZÓW ANDRZEJ KAŁUSZKO Instytut Bada Systemowych Streszczene W pracy opsano zadane efektywnego przydzału ogranczonych rodków
Bardziej szczegółowoIle wynosi suma miar kątów wewnętrznych w pięciokącie?
1 Ile wynos suma mar kątów wewnętrznych w pęcokące? 1 Narysuj pęcokąt foremny 2 Połącz środek okręgu opsanego na tym pęcokące ze wszystkm werzchołkam pęcokąta 3 Oblcz kąty każdego z otrzymanych trójkątów
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 szczegółowoKRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA
KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany
Bardziej 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 szczegółowoWSTĘP DO GRAFIKI KOMPUTEROWEJ
WSTĘP DO GRAFIKI KOMPUTEROWEJ Miłosz Michalski Institute of Physics Nicolaus Copernicus University Październik 2015 1 / 15 Plan wykładu Światło, kolor, zmysł wzroku. Obraz: fotgrafia, grafika cyfrowa,
Bardziej szczegółowoANALIZA TEKSTUR W OBRAZACH CYFROWYCH I JEJ ZASTOSOWANIE DO OBRAZÓW ANGIOGRAFICZNYCH
POLITECHNIKA WARSZAWSKA WYDZIAŁ ELEKTRONIKI I TECHNIK INFORMACYJNYCH INSTYTUT AUTOMATYKI I INFORMATYKI STOSOWANEJ mgr n. Ewa Sntkowska ANALIZA TEKSTUR W OBRAZACH CYFROWYCH I JEJ ZASTOSOWANIE DO OBRAZÓW
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 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 szczegółowoEKONOMETRIA I Spotkanie 1, dn. 05.10.2010
EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra
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 szczegółowoWprowadzenie do Sieci Neuronowych Sieci rekurencyjne
Wprowadzene do Sec Neuronowych Sec rekurencyjne M. Czoków, J. Persa 2010-12-07 1 Powtórzene Konstrukcja autoasocjatora Hopfelda 1.1 Konstrukcja Danych jest m obrazów wzorcowych ξ 1..ξ m, gdze każdy pojedynczy
Bardziej 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 szczegółowoPodstawy teorii falek (Wavelets)
Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
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 szczegółowoKwantyzacja skalarna. Plan 1. Definicja 2. Kwantyzacja równomierna 3. Niedopasowanie, adaptacja 4. Kwantyzacja nierównomierna
Kwantyzacja salarna Plan. Defncja. Kwantyzacja równomerna 3. Nedopasowane, adaptacja 4. Kwantyzacja nerównomerna Pojce wantyzacj Defncja: Kwantyzacja reprezentacja duego w szczególnoc nesoczonego) zboru
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 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 szczegółowoI. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Bardziej szczegółowoTemat: Operacje elementarne na wierszach macierzy
Temat: Operacje elementarne na erszach macerzy Anna Rajfura Anna Rajfura Operacje elementarne na erszach macerzy n j m n A Typy operacj elementarnych. Zamana mejscam erszy oraz j, ozn.: j. Mnożene ersza
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3
Stansław Cchock Natala Nehrebecka Katarzyna Rosak-Lada Zajęca 3 1. Dobrod dopasowana równana regresj. Współczynnk determnacj R 2 Dekompozycja warancj zmennej zależnej Współczynnk determnacj R 2 2. Zmenne
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 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 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 szczegółowoSTANDARDOWE TECHNIKI KOMPRESJI SYGNAŁÓW
STANDARDOWE TECHNIKI KOMPRESJI SYGNAŁÓW Źródło Kompresja Kanał transmsj sek wdeo 60 Mbt 2 mn muzyk (44 00 próbek/sek, 6 btów/próbkę) 84 Mbt Dekompresja Odborca. Metody bezstratne 2. Metody stratne 2 Kodowane
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej 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 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 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 szczegółowoWektor o pocztku i kocu odpowiednio w punktach. Prosta zawierajca punkty p i q: pq Półprosta zaczynajca si w punkcie p i zawierajca punkt q:.
Temat: Geometria obliczeniowa, cz I. Podstawowe algorytmy geometryczne. Problem sprawdzania przynalenoci punktu do wielokta. Problem otoczki wypukłej algorytmy Grahama, i Jarvisa. 1. Oznaczenia Punkty
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 szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobeństwo geometryczne Przykład: Przestrzeń zdarzeń elementarnych określona jest przez zestaw punktów (x, y) na płaszczyźne wypełna wnętrze kwadratu [0 x ; 0 y ]. Znajdź p-stwo, że dowolny punkt
Bardziej szczegółowoPlan wykładu. Sztuczne sieci neuronowe. Uczenie nienadzorowane (bez nauczyciela) Uczenie nienadzorowane - przykłady
Plan yładu Wyład 10: Sec samoorganzuce s na zasadze spółzaodncta Sec samoorganzuace s na zasadze spółzaodncta: uczene nenadzoroane uczene onurencyne reguła WTA reguła WTM antoane etoroe mapa cech Kohonena
Bardziej szczegółowoĆwiczenie 18. Anna Jakubowska, Edward Dutkiewicz ADSORPCJA NA GRANICY FAZ CIECZ GAZ. IZOTERMA ADSORPCJI GIBBSA
Ćwczene 18 Anna Jakubowska, Edward Dutkewcz ADSORPCJA NA GRANICY FAZ CIECZ GAZ. IZOTERMA ADSORPCJI GIBBSA Zagadnena: Zjawsko adsorpcj, pojęce zotermy adsorpcj. Równane zotermy adsorpcj Gbbsa. Defncja nadmaru
Bardziej szczegółowoRozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1
Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa
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 szczegółowoKOINCYDENTNOŚĆ MODELU EKONOMETRYCZNEGO A JEGO JAKOŚĆ MIERZONA WARTOŚCIĄ WSPÓŁCZYNNIKA R 2 (K)
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Mchał Kolupa Poltechnka Radomska w Radomu Joanna Plebanak Szkoła Główna Handlowa w Warszawe KOINCYDENTNOŚĆ MODELU EKONOMETRYCZNEGO A JEGO
Bardziej szczegółowoZadanie na wykonanie Projektu Zespołowego
Zadane na wykonane Projektu Zespołowego Celem projektu jest uzyskane następującego szeregu umejętnośc praktycznych: umejętnośc opracowana równoległych wersj algorytmów (na przykładze algorytmów algebry
Bardziej szczegółowoALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO
ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowo5. OPTYMALIZACJA GRAFOWO-SIECIOWA
. OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,
Bardziej 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 szczegółowoMetody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,
Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą
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 szczegółowoWstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra
Wstęp do metod numerycznych Faktoryzacja SVD Metody teracyjne P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ 2013 Sngular Value Decomposton Twerdzene 1. Dla każdej macerzy A R M N, M N, stneje rozkład
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowo0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4
Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (
Bardziej szczegółowoTwierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że
Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma
Bardziej szczegółowoPORADNIK KANDYDATA. Wkrótce w nauka w szkole w jaki sposób je. zasadniczych szkole
Drog Gmnazjalsto, Wkrótce w nauka w szkole w jak sposób je jedno z z w pracodawców. zasadnczych szkole racjonalnego wyboru przestrz W prowadzona przy pomocy systemu elektroncznego. Rekrutacja wspomagana
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
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 szczegółowoMultimedia i interfejsy. Ćwiczenie 5 HTML5
Multimedia i interfejsy Ćwiczenie 5 HTML5 Celem ćwiczenia jest poznanie nowych elementów wprowadzonych w HTML 5, do których należą m.in. video oraz canvas. Poniższy opis przedstawia sposób użycia tych
Bardziej szczegółowo4. OPTYMALIZACJA WIELOKRYTERIALNA
Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna 4. OPTYMLIZCJ WIELORYTERIL Decyzje nwestycyjne mają często charakter złożony. Zdarza sę, że przy wyborze
Bardziej szczegółowoKodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana
Kodowane nformacj Instytut Informatyk UWr Studa weczorowe Wykład nr 2: rozszerzone dynamczne Huffmana Kod Huffmana - nemłe przypadk... Nech alfabet składa sę z 2 lter: P(a)=1/16 P(b)=15/16 Mamy H(1/16,
Bardziej 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 szczegółowoRóżniczkowalność, pochodne, ekstremum funkcji. x 2 1 x x 2 k
Różnczkowalność, pochodne, ekstremum funkcj Ćwczene 1 Polczyć pochodn a kerunkow a funkcj: 1 1 1 x 1 x 2 x k ϕ(x 1,, x k ) x 2 1 x 2 2 x 2 k x k 1 1 x k 1 2 x k 1 w dowolnym punkce p [x 1, x 2,, x k T
Bardziej szczegółowoCAŠKA NIEOZNACZONA. Politechnika Lubelska. Z.Šagodowski. 18 lutego 2016
WYKŠAD CAŠKA NIEOZNACZONA Z.Šagodowski Politechnika Lubelska 8 lutego 06 Denicja CAŠKA NIEOZNACZONA Funkcja F jest funkcja pierwotn funkcji f na przedziale A, je»eli Zauwa»my,ze F (x) = f (x), dla ka»dego
Bardziej szczegółowoParametry zmiennej losowej
Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru
Bardziej szczegółowoWybrane podstawowe rodzaje algorytmów
Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych
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 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 szczegółowoInterpolacja Lagrange'a, bazy wielomianów
Rozdziaª 4 Interpolacja Lagrange'a, bazy wielomianów W tym rozdziale zajmiemy si interpolacj wielomianow. Zadanie interpolacji wielomianowej polega na znalezieniu wielomianu stopnia nie wi kszego od n,
Bardziej szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej 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 szczegółowonauczyciel Media społecznościowe i praca w chmurze oraz przygotowanie na ich potrzeby materiałów graficznych i zdjęciowych Artur Kurkiewicz
2 S Ł O W O - G R A F I K A - F I L M Meda społecznoścowe praca w chmurze oraz przygotowane na ch potrzeby materałów grafcznych zdjęcowych Artur Kurkewcz część druga - grafka WPROWADZENIE C Cyan M Magenta
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 szczegółowoCAŁKOWANIE NUMERYCZNE całki pojedyncze
CAŁKOWANIE NUMERYCZNE całk pojedyncze Kwadratury nterpolacyjne Kwadratury nterpolacyjne Rozpatrujemy funkcję f() cągłą ogranczoną w przedzale domknętym [a, b]. Przedzał [a, b] dzelmy na skończoną lczbę
Bardziej szczegółowoPrzykład 2.3 Układ belkowo-kratowy.
rzykład. Układ bekowo-kratowy. Dany jest układ bekowo-kratowy, który składa sę z bek o stałej sztywnośc EJ częśc kratowej złożonej z prętów o stałej sztywnośc, obcążony jak na rysunku. Wyznaczyć przemeszczene
Bardziej szczegółowoProblem decyzyjny naley do klasy NP. (Polynomial), jeeli moe by rozwizany w czasie conajwyej wielomianowym przez algorytm A dla DTM.
WYKŁAD : Teoria NP-zupełnoci. Problem decyzyjny naley do klasy P (Polynomial), jeeli moe by rozwizany w czasie conajwyej wielomianowym przez algorytm A dla DTM. (przynaleno ta jest zachowana równie dla
Bardziej szczegółowoREALIZACJA ARCHITEKTUR MACIERZY PROCESOROWYCH W DYNAMICZNIE REPROGRAMOWALNYCH UKŁADACH FPGA
REALIZACJA ARCHITEKTUR MACIERZY PROCESOROWYCH W DYNAMICZNIE RROGRAMOWALNYCH UKŁADACH FPGA Oleg Maslennkow Poltechnka Koszalńska, Wydzał Elektronk, Ul. Śnadeckch, 75-453 Koszaln emal: oleg@e.tu.koszaln.pl
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 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 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 szczegółowoZjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych)
Statystyka - nauka zajmująca sę metodam badana przedmotów zjawsk w ch masowych przejawach ch loścową lub jakoścową analzą z punktu wdzena nauk, do której zakresu należą.
Bardziej szczegółowoSymetrie i struktury ciała stałego - W. Sikora
Symetre struktury cała stałego - W. Skora ( W wykładach zostały wykorzystane fragmenty materałów opracowanych w ramach praktyk wakacyjnej przez studentk specjalnośc Fzyka Cała Stałego WFIS: Sylwę Chudy,
Bardziej szczegółowoGRAFIKA WEKTOROWA. WYKŁAD 1 Wprowadzenie do grafiki wektorowej. Jacek Wiślicki Katedra Informatyki Stosowanej
GRAFIKA WEKTOROWA WYKŁAD 1 Wprowadzenie do grafiki wektorowej Jacek Wiślicki Katedra Informatyki Stosowanej Grafika rastrowa i wektorowa W grafice dwuwymiarowej wyróżnia się dwa rodzaje obrazów: rastrowe,
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natala Nehrebecka Stansław Cchock Wykład 10 1 1. Testy dagnostyczne 2. Testowane prawdłowośc formy funkcyjnej modelu 3. Testowane normalnośc składnków losowych 4. Testowane stablnośc parametrów 5. Testowane
Bardziej szczegółowoProgramowanie wielokryterialne
Prgramwane welkryteralne. Pdstawwe defncje znaczena. Matematyczny mdel sytuacj decyzyjnej Załóżmy, że decydent dknując wybru decyzj dpuszczalnej x = [ x,..., xn ] D keruje sę szeregem kryterów f,..., f.
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 szczegółowo