Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja"

Transkrypt

1 Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja

2 Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest osągnęce możlwe dobrego rozwązana pod względem wybranego kryterum jakośc, np. ergonoma uchwytu, sprawność slnka, doskonałość proflu skrzydła, td. Jeżel kryterum jakośc można wyrazć w postac zależnośc funkcyjnej od parametrów projektu czy rozwązana, to możlwe jest zastosowane metod numerycznych w celu przeprowadzena optymalzacj.

3 Defncja optymalzacj Zazwyczaj kryterum jakośc defnuje sę jako funkcję kosztu (funkcję celu) lub błąd. Wówczas optymalzacja polega na mnmalzacj tego kryterum, czyl poszukwanu mnmum funkcj kosztu. Innym słowy, jeżel dana jest funkcja f : A R, A R n to optymalzacja polega na znalezenu takego punktu * * R n { } że dla każdego A \ zachodz nerównosc : f ( ) > f * 3

4 Przykład naturalnej optymalzacj mnmalzacja energ potencjalnej Układ fzyczny dąży do stan mnmalnej energ potencjalnej. Ne zawsze jest to możlwe (mnma lokalne). y f() Mnmum lokalne Mnmum globalne 4

5 Technczne zastosowana optymalzacj Projektowane konstrukcj archtektoncznych Projektowane maszyn narzędz Projektowane pojazdów nnych środków lokomocj Projektowane obwodów elektroncznych, np. komputerów Projektowane sec energetycznych, nformatycznych, telekomunkacyjnych td. Planowane trasy Logstyka Wele nnych. 5

6 Przykład optymalzacja narzędza Czy można zoptymalzować młotek? Parametry: - masa obucha, - długość trzonka Przykładowa funkcja kosztu: - zmęczene podczas wbjana 000 gwoźdz (trudna do pomerzena) Inna defncja czas wbca 000 gwoźdz. Zachodz koneczność ustalena nnych parametrów, np. rozmar gwoźdza, kondycja wytrenowane pracownka. 6

7 Przykładowe krytera optymalzacj Masa Wytrzymałość Trwałość Welkość Cena Sprawność Pozom wytwarzanego hałasu, zakłóceń, spaln td. Nektóre z kryterów należy maksymalzować, ale można zmenć znak funkcj kosztu zadane sprowadzć do mnmalzacj. 7

8 Ogranczene przestrzen poszukwana mnmum W zastosowanach techncznych często narzucane są wartośc granczne parametrów rozwązana, co prowadz do ogranczena zakresu poszukwana mnmum. Utworzony obszar może być skończony lub neskończony ogranczony. b b a a 8

9 Cele optymalzacj Optymalzacja lokalna poszukwane pojedynczego mnmum, zazwyczaj metody gradentowe (wykorzystujące pochodną albo jej numeryczne przyblżene) Optymalzacja globalna poszukwane mnmum globalnego w obecnośc welu mnmów lokalnych. Zazwyczaj wykorzystywane są metody bazujące na welokrotnym losowanu punktu startowego. 9

10 Metody optymalzacj Analtyczne - problemy lnowe (LP) kryterum jest lnową funkcją parametrów - problemy kwadratowe (QP) kwadratowe kryterum Numeryczne dotyczą problemów nelnowych (NP). Wykorzystują teracyjne technk poszukwana mnmum na podstawe analzy wartośc funkcj kosztu w welu punktach przestrzen parametrów. 0

11 Przykład rozwązywana równań nelnowych przez optymalzację Przykład poszukwana perwastka kwadratowego lczby f(y) y y równane nelnowe : funkcja kosztu : y y ( y ) 0 y Poszukwane perwastków równana można sprowadzć do poszukwana mnmum odpowedno zdefnowanej funkcj kosztu. Jeżel można wyznaczyć pochodne cząstkowe funkcj kosztu, to zadane optymalzacj można sprowadzć do rozwązywana układów równań.

12 Optymalzacja jednowymarowa - metoda złotego podzału Jeżel w przedzale <a,b> wartość funkcj dla: a< < <b spełna nerówność: f( ), f( ) < f(a), f(b), to dla -tej teracj: f() a b ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) 5,,, dla,,, dla < > k k a b b b a a f f k a b a b b a f f k współczynnk złotego podzału.

13 Optymalzacja jednowymarowa - metoda nterpolacj kwadratowej Metoda polega na dopasowanu parabol f() ya bc do wartośc funkcj dla trzech punktów,, 3 Nowy punkt 4 jest mejscem mn mnmum parabol: mn -b/a mn 3 Wybór kolejnej trójk jest zależny od wartośc f( mn ). 3

14 Optymalzacja welowymarowa Funkcja kosztu często jest funkcją n parametrów. Wówczas optymalzacja sprowadza sę do poszukwana mnmum funkcj w n wymarach. Przykład dwuwymarowy 4

15 Optymalzacja welowymarowa - metody bezgradentowe Metody bezgradentowe ne wykorzystują nformacj o pochodnych cząstkowych funkcj (gradence). Często ne można wyznaczyć pochodnych, albo jest to kosztowne oblczenowo. Metoda Smple - w n-wymarowej przestrzen na baze n punktów (werzchołków) buduje sę fgurę nazywaną smpleem. Dla n jest to trójkąt. Optymalzacja polega na budowanu kolejnych przyblżeń, gdze punkt o najwększej wartośc jest symetryczne odbjany od naprzecwległej ścany. Jednocześne może nastąpć rozszerzene lub zawężene smpleu. Warunkem zakończena jest jego zmnejszene ponżej wartośc progowej. ma 5

16 Optymalzacja welowymarowa - metody gradentowe Metody gradentowe wykorzystują nformację o pochodnych cząstkowych funkcj (gradence). Metoda najwększego spadku - polega na tym, że mnmum funkcj jest poszukwane w kerunku przecwnym do gradentu: d f ( ) Metoda polega na wykonanu dwóch kroków w każdej teracj: -wyznaczene kerunku najwększego spadku w punkce, -poszukwane mnmum metodam jednowymarowym. Inne metody wykorzystujące perwsze pochodne to tzw. metody gradentów sprzężonych. 6

17 Nelnowa najmnejsza suma kwadratów (NLS) Metoda jest wykorzystywana przy dopasowanu funkcj do danych pomarowych, np. podczas dentyfkacj obektów dynamcznych. Nech kryterum mnmalzacj ma postać: T ( ) ( ) F( ) F( ) f F Metoda Gaussa-Newtona: kerunek d wyznacza sę z wzoru: J T T ( ) J( ) d J( ) F( ) Metoda Levenberga-Marquardta: kerunek d wyznacza sę z wzoru: [ ( ) ( ) ] T J J λi d J( ) F( ) J jest jakobanem wektora F, λ jest współczynnkem zbeżnośc. 7

18 Przykład dentyfkacja parametrów układu dynamcznego Identyfkacja parametrów transmtancj fltru pasmowo-przepustowego przez dopasowane jego odpowedz jednostkowej do cągu pomerzonych próbek. R C R 3 u I R C u O T ( s) U U O I śr śr ( s) Q ( s) ωśr s A Q ω s s ω śr W tym przypadku dobre efekty daje zastosowane metod gradentowych poszukwana optymalnych parametrów fltru. 8

19 Przykład problem komwojażera Problem polega na znalezenu najkrótszej trasy podróży przy założenu jednokrotnego odwedzena każdego z mast. lczba _ mozlwosc ( )! n Brak danej analtyczne, różnczkowalnej funkcj. Ne można zastosować gradentowych metod optymalzacj. 9

20 Unkane zatrzymana optymalzacj w mnmum lokalnym W przypadku występowana welu mnmów lokalnych stneje nebezpeczeństwo utknęca algorytmu optymalzacj w jednym z nch. Istneje szereg metod skuteczne unkających tego problemu przez generowane dodatkowych punktów startowych, np.: Symulowane wyżarzane Algorytmy ewolucyjne Algorytmy genetyczne 0

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Rozwiązywanie 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 szczegółowo

Wykład IX Optymalizacja i minimalizacja funkcji

Wykład IX Optymalizacja i minimalizacja funkcji Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej

Bardziej szczegółowo

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1 Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Metody oblczenowe wykład nr metody rozwązywana równań nelnowych zadane optymalzacj Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Postać równana

Bardziej szczegółowo

Metody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,

Metody 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

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane 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 szczegółowo

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.

Bardziej szczegółowo

liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.

liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym. =DGDQLHSROHJDMFHQDSRV]XNLZDQLXPDNV\PDOQHMOXEPLQLPDOQHMZDUWRFLIXQNFMLZLHOX ]PLHQQ\FKSU]\MHGQRF]HVQ\PVSHáQLHQLXSHZQHMLORFLQDáR*RQ\FKZDUXQNyZ UyZQDOXE QLHUyZQRFLQRVLQD]Z]DGDQLDRSW\PDOL]DF\MQHJROXE]DGDQLDSURJUDPRZDQLD

Bardziej szczegółowo

ORGANIZACJA ZAJĘĆ OPTYMALIZACJA GLOBALNA WSTĘP PLAN WYKŁADU. Wykładowca dr inż. Agnieszka Bołtuć, pokój 304, e-mail: aboltuc@ii.uwb.edu.

ORGANIZACJA ZAJĘĆ OPTYMALIZACJA GLOBALNA WSTĘP PLAN WYKŁADU. Wykładowca dr inż. Agnieszka Bołtuć, pokój 304, e-mail: aboltuc@ii.uwb.edu. ORGANIZACJA ZAJĘĆ Wykładowca dr nż. Agneszka Bołtuć, pokój 304, e-mal: aboltuc@.uwb.edu.pl Lczba godzn forma zajęć: 15 godzn wykładu oraz 15 godzn laboratorum 15 godzn projektu Konsultacje: ponedzałk 9:30-11:00,

Bardziej szczegółowo

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 szczegółowo

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5

MATEMATYKA 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 szczegółowo

Nieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji

Nieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji Nelnowe zadane optymalzacj bez ogranczeń numeryczne metody teracyjne optymalzacj mn R n f ( ) = f Algorytmy poszuwana mnmum loalnego zadana programowana nelnowego: Bez ogranczeń Z ogranczenam Algorytmy

Bardziej szczegółowo

Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2007/08 Podstawowe fakty Równane Ax = b, x, b R N, A R N N (1) ma jednoznaczne

Bardziej szczegółowo

ZAJĘCIA III. Metody numeryczne w zadaniach identyfikacji

ZAJĘCIA III. Metody numeryczne w zadaniach identyfikacji ZAJĘCIA III Metody numeryczne w zadanach dentyfkacj Rozwązywane układów równań lnowych Mnmalzacja funkcj Symulacja układów dynamcznych Transformata sygnału do dzedzny częstotlwośc WPROWADZENIE Komputerowa

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw 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 szczegółowo

DIAGNOSTYKA WYMIENNIKÓW CIEPŁA Z UWIARYGODNIENIEM WYNIKÓW POMIARÓW EKPLOATACYJNYCH

DIAGNOSTYKA WYMIENNIKÓW CIEPŁA Z UWIARYGODNIENIEM WYNIKÓW POMIARÓW EKPLOATACYJNYCH RYNEK CIEŁA 03 DIANOSYKA YMIENNIKÓ CIEŁA Z UIARYODNIENIEM YNIKÓ OMIARÓ EKLOAACYJNYCH Autorzy: rof. dr hab. nż. Henryk Rusnowsk Dr nż. Adam Mlejsk Mgr nż. Marcn ls Nałęczów, 6-8 paźdzernka 03 SĘ Elementam

Bardziej szczegółowo

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

5. 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 szczegółowo

Laboratorium ochrony danych

Laboratorium 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 szczegółowo

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

BADANIA 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 szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych Algorytm wstecznej propagacji błędu

Wprowadzenie do Sieci Neuronowych Algorytm wstecznej propagacji błędu Wprowadzene do Sec Neuronowych Algorytm wstecznej propagacj błędu Maja Czoków, Jarosław Persa --6 Powtórzene. Perceptron sgmodalny Funkcja sgmodalna: σ(x) = + exp( c (x p)) Parametr c odpowada za nachylene

Bardziej szczegółowo

CAŁKOWANIE NUMERYCZNE całki pojedyncze

CAŁKOWANIE 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 szczegółowo

Statyczna alokacja kanałów (FCA)

Statyczna alokacja kanałów (FCA) Przydzał kanałów 1 Zarys wykładu Wprowadzene Alokacja statyczna a alokacja dynamczna Statyczne metody alokacj kanałów Dynamczne metody alokacj kanałów Inne metody alokacj kanałów Alokacja w strukturach

Bardziej szczegółowo

Optymalizacja belki wspornikowej

Optymalizacja belki wspornikowej Leszek MIKULSKI Katedra Podstaw Mechank Ośrodków Cągłych, Instytut Mechank Budowl, Poltechnka Krakowska e mal: ps@pk.edu.pl Optymalzacja belk wspornkowej 1. Wprowadzene RozwaŜamy zadane optymalnego kształtowana

Bardziej szczegółowo

ELEKTROCHEMIA. ( i = i ) Wykład II b. Nadnapięcie Równanie Buttlera-Volmera Równania Tafela. Wykład II. Równowaga dynamiczna i prąd wymiany

ELEKTROCHEMIA. ( i = i ) Wykład II b. Nadnapięcie Równanie Buttlera-Volmera Równania Tafela. Wykład II. Równowaga dynamiczna i prąd wymiany Wykład II ELEKTROCHEMIA Wykład II b Nadnapęce Równane Buttlera-Volmera Równana Tafela Równowaga dynamczna prąd wymany Jeśl układ jest rozwarty przez elektrolzer ne płyne prąd, to ne oznacza wcale, że na

Bardziej szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. 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 szczegółowo

SYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska

SYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska SYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI ODSTAJĄCYCH, UZUPEŁNIANIE BRAKUJĄCYCH DANYCH Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska WYKRYWANIE

Bardziej szczegółowo

Neuron liniowy. Najprostsza sieć warstwa elementów liniowych

Neuron liniowy. Najprostsza sieć warstwa elementów liniowych Najprostsza jest jednostka lnowa: Neuron lnowy potraf ona rozpoznawać wektor wejścowy X = (x 1, x 2,..., x n ) T zapamętany we współczynnkach wagowych W = (w 1, w 2,..., w n ), Zauważmy, że y = W X Załóżmy,

Bardziej szczegółowo

KONSPEKT WYKŁADU. nt. MECHANIKA OŚRODKÓW CIĄGŁYCH. Piotr Konderla

KONSPEKT WYKŁADU. nt. MECHANIKA OŚRODKÓW CIĄGŁYCH. Piotr Konderla Studa doktorancke Wydzał Budownctwa Lądowego Wodnego Poltechnk Wrocławskej KONSPEKT WYKŁADU nt. MECHANIKA OŚRODKÓW CIĄGŁYCH Potr Konderla paźdzernk 2014 2 SPIS TREŚCI Oznaczena stosowane w konspekce...

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA 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 szczegółowo

XXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne

XXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca

Bardziej szczegółowo

Natalia Nehrebecka. Wykład 2

Natalia Nehrebecka. Wykład 2 Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad

Bardziej szczegółowo

8. Optymalizacja decyzji inwestycyjnych

8. 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 szczegółowo

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są

Bardziej szczegółowo

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne Instrukca do ćwczeń laboratorynych z przedmotu: Badana operacyne Temat ćwczena: Problemy rozkrou materałowego, zagadnena dualne Zachodnopomorsk Unwersytet Technologczny Wydzał Inżyner Mechanczne Mechatronk

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS 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 szczegółowo

WYZNACZENIE DYSYPACJI KINETYCZNEJ ENERGII TURBULENCJI PRZY UŻYCIU PRAWA -5/3. E c = E k + E p + E w

WYZNACZENIE DYSYPACJI KINETYCZNEJ ENERGII TURBULENCJI PRZY UŻYCIU PRAWA -5/3. E c = E k + E p + E w Metrologa... - "W y z n ac z an e d y s y p ac z p raw a -5 / " WYZNACZENIE DYSYPACJI KINETYCZNEJ ENERGII TRBLENCJI PRZY ŻYCI PRAWA -5/. WPROWADZENIE Energa przepływaącego płyn E c dem E p dem E c E k

Bardziej szczegółowo

NAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz

NAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz NAFTA-GAZ marzec 2011 ROK LXVII Tadeusz Kwlosz Instytut Nafty Gazu, Oddzał Krosno Zastosowane metody statystycznej do oszacowana zapasu strategcznego PMG, z uwzględnenem nepewnośc wyznaczena parametrów

Bardziej szczegółowo

± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości

± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość

Bardziej szczegółowo

Sieci Neuronowe 1 Michał Bereta

Sieci Neuronowe 1 Michał Bereta Wprowadzene Zagadnena Sztucznej Intelgencj laboratorum Sec Neuronowe 1 Mchał Bereta Sztuczne sec neuronowe można postrzegać jako modele matematyczne, które swoje wzorce wywodzą z bolog obserwacj ludzkch

Bardziej szczegółowo

RUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego.

RUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego. RUCH OBROTOWY Można opsać ruch obrotowy ze stałym przyspeszenem ε poprzez analogę do ruchu postępowego jednostajne zmennego. Ruch postępowy a const. v v at s s v t at Ruch obrotowy const. t t t Dla ruchu

Bardziej szczegółowo

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.

W 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 szczegółowo

METODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.

METODA 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 szczegółowo

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer Statystyka Opsowa 2014 część 2 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,

Bardziej szczegółowo

Regulamin promocji zimowa piętnastka

Regulamin promocji zimowa piętnastka zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna

Bardziej szczegółowo

; -1 x 1 spełnia powyższe warunki. Ale

; -1 x 1 spełnia powyższe warunki. Ale AIB-Inormatka-Wkła - r Aam Ćmel cmel@.ah.eu.pl Funkcje uwkłane Przkła.ozważm równane np. nech. Ptane Cz la owolneo [] stneje tak że? Nech. Wówczas unkcja - spełna powższe warunk. Ale [ ] Q spełna je także

Bardziej szczegółowo

Współczynnik przenikania ciepła U v. 4.00

Współczynnik przenikania ciepła U v. 4.00 Współczynnk przenkana cepła U v. 4.00 1 WYMAGANIA Maksymalne wartośc współczynnków przenkana cepła U dla ścan, stropów, stropodachów, oken drzw balkonowych podano w załącznku do Rozporządzena Mnstra Infrastruktury

Bardziej szczegółowo

Kwantowa natura promieniowania elektromagnetycznego

Kwantowa natura promieniowania elektromagnetycznego Efekt Comptona. Kwantowa natura promenowana elektromagnetycznego Zadane 1. Foton jest rozpraszany na swobodnym elektrone. Wyznaczyć zmanę długośc fal fotonu w wynku rozproszena. Poneważ układ foton swobodny

Bardziej szczegółowo

V. TERMODYNAMIKA KLASYCZNA

V. TERMODYNAMIKA KLASYCZNA 46. ERMODYNAMIKA KLASYCZNA. ERMODYNAMIKA KLASYCZNA ermodynamka jako nauka powstała w XIX w. Prawa termodynamk są wynkem obserwacj welu rzeczywstych procesów- są to prawa fenomenologczne modelu rzeczywstośc..

Bardziej szczegółowo

1 Metody optymalizacji wielokryterialnej... 1 1.1 Ogólna charakterystyka problemu... 1 1.2 Tradycyjne metody optymalizacji wielokryterialnej...

1 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

Zadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane

Bardziej szczegółowo

Regulamin promocji fiber xmas 2015

Regulamin promocji fiber xmas 2015 fber xmas 2015 strona 1/5 Regulamn promocj fber xmas 2015 1. Organzatorem promocj fber xmas 2015, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna 2015

Bardziej szczegółowo

WYZNACZENIE CHARAKTERYSTYK DYNAMICZNYCH PRZETWORNIKÓW POMIAROWYCH

WYZNACZENIE CHARAKTERYSTYK DYNAMICZNYCH PRZETWORNIKÓW POMIAROWYCH Zakład Metrolog Systemów Pomarowych P o l t e c h n k a P o z n ańska ul. Jana Pawła II 6-965 POZNAŃ (budynek Centrum Mechatronk, Bomechank Nanonżyner) www.zmsp.mt.put.poznan.pl tel. +8 6 665 35 7 fa +8

Bardziej szczegółowo

dy dx stąd w przybliżeniu: y

dy dx stąd w przybliżeniu: y Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc

Bardziej szczegółowo

Plan wykładu. Sztuczne sieci neuronowe. Neuronu dyskretny. Neuron dyskretny (perceptron prosty)

Plan wykładu. Sztuczne sieci neuronowe. Neuronu dyskretny. Neuron dyskretny (perceptron prosty) Plan wykładu Dzałane neuronu dyskretnego warstwy neuronów dyskretnych Wykład : Reguły uczena sec neuronowych. Sec neuronowe ednokerunkowe. Reguła perceptronowa Reguła Wdrowa-Hoffa Reguła delta ałgorzata

Bardziej szczegółowo

Wyszukiwanie. Wyszukiwanie

Wyszukiwanie. Wyszukiwanie ZŁOŻOOŚĆ PROBLEMÓW ALGORYTMICZYCH Dolne górne oszacowana złożonośc problemu Złożoność każdego poprawnego algorytmu znajdującego rozwązane danego problemu ustanawa górne oszacowane złożonośc dla tego problemu.

Bardziej szczegółowo

Nowe europejskie prawo jazdy w celu większej ochrony, bezpieczeństwa i swobodnego przemieszczania się

Nowe europejskie prawo jazdy w celu większej ochrony, bezpieczeństwa i swobodnego przemieszczania się KOMISJA EUROPEJSKA NOTATKA Bruksela, 18 styczna 2013 r. Nowe europejske prawo jazdy w celu wększej ochrony, bezpeczeństwa swobodnego przemeszczana sę W dnu 19 styczna 2013 r., w ramach wejśca w życe trzecej

Bardziej szczegółowo

METODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki

METODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki Metody Planowana Eksperymentów Rozdzał 1. Strona 1 z 14 METODY PLANOWANIA EKSPERYMENTÓW dr hab. nż. Marusz B. Bogack Marusz.Bogack@put.poznan.pl www.fct.put.poznan.pl/cv23.htm Marusz B. Bogack 1 Metody

Bardziej szczegółowo

Kolokwium poprawkowe z Optymalizacji II (Ściśle tajne przed godz. 16 : stycznia 2016.)

Kolokwium poprawkowe z Optymalizacji II (Ściśle tajne przed godz. 16 : stycznia 2016.) Kolokwum z Optymalzacj II Ścśle tajne przed godz 4 : 00 8 grudna 05) Proszę uważne przeczytać treść zadań Na ocenę bardzo duży wpływ będze mała czytelność rozwązań poprawność uzasadnena każdej odpowedz

Bardziej szczegółowo

7. Wykład VII: Warunki Kuhna-Tuckera

7. Wykład VII: Warunki Kuhna-Tuckera Wocech Grega, Metody Optymalzac 7 Wykład VII: Warunk Kuhna-Tuckera 7 Warunk koneczne stnena ekstremum Rozważane est zadane z ogranczenam nerównoścowym w postac: mn F( x ) x X X o F( x ), o { R x : h n

Bardziej szczegółowo

Regulamin promocji upalne lato 2014 2.0

Regulamin promocji upalne lato 2014 2.0 upalne lato 2014 2.0 strona 1/5 Regulamn promocj upalne lato 2014 2.0 1. Organzatorem promocj upalne lato 2014 2.0, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa

Bardziej szczegółowo

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych

Bardziej szczegółowo

Wykład 2: Uczenie nadzorowane sieci neuronowych - I

Wykład 2: Uczenie nadzorowane sieci neuronowych - I Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za

Bardziej szczegółowo

RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI

RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI Wojcech BOŻEJKO, Marusz UCHROŃSKI, Meczysław WODECKI Streszczene: W pracy rozpatrywany jest ogólny problem kolejnoścowy

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych Sieci rekurencyjne

Wprowadzenie 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 szczegółowo

Matematyka obliczeniowa, II rok Matematyki (2015/2016) Metody numeryczne, III rok Informatyki, (2013/2014)

Matematyka obliczeniowa, II rok Matematyki (2015/2016) Metody numeryczne, III rok Informatyki, (2013/2014) Matematyka oblczenowa, II rok Matematyk (2015/2016) Metody numeryczne, III rok Informatyk, (2013/2014) 1. Rozwązywane równań nelnowych 2. Arytmetyka zmennopozycyjna 3. Błędy w oblczenach. Uwarunkowane

Bardziej szczegółowo

I. Elementy analizy matematycznej

I. 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 szczegółowo

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A

Analiza 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 szczegółowo

Metody badań kamienia naturalnego: Oznaczanie współczynnika nasiąkliwości kapilarnej

Metody badań kamienia naturalnego: Oznaczanie współczynnika nasiąkliwości kapilarnej Metody badań kaena naturalnego: Oznaczane współczynnka nasąklwośc kaplarnej 1. Zasady etody Po wysuszenu do stałej asy, próbkę do badana zanurza sę w wodze jedną z powerzchn (ngdy powerzchną obrabaną)

Bardziej szczegółowo

Wielokryterialny Trójwymiarowy Problem Pakowania

Wielokryterialny Trójwymiarowy Problem Pakowania Łukasz Kacprzak, Jarosław Rudy, Domnk Żelazny Instytut Informatyk, Automatyk Robotyk, Poltechnka Wrocławska Welokryteralny Trójwymarowy Problem Pakowana 1. Wstęp Problemy pakowana należą do klasy NP-trudnych

Bardziej szczegółowo

Za: Stanisław Latoś, Niwelacja trygonometryczna, [w:] Ćwiczenia z geodezji II [red.] J. Beluch

Za: Stanisław Latoś, Niwelacja trygonometryczna, [w:] Ćwiczenia z geodezji II [red.] J. Beluch Za: Stansław Latoś, Nwelacja trygonometryczna, [w:] Ćwczena z geodezj II [red.] J. eluch 6.1. Ogólne zasady nwelacj trygonometrycznej. Wprowadzene Nwelacja trygonometryczna, zwana równeż trygonometrycznym

Bardziej szczegółowo

Tomasz Grębski. Liczby zespolone

Tomasz Grębski. Liczby zespolone Tomas Grębsk Lcby espolone Kraśnk 00 Sps Treśc: Lcby espolone Tomas Grębsk- Wstęp. Podstawowe wadomośc o lcbe espolonej.. Interpretacja geometrycna lcby espolonej... Moduł lcby espolonej. Lcby sprężone..

Bardziej szczegółowo

1. SPRAWDZENIE WYSTEPOWANIA RYZYKA KONDENSACJI POWIERZCHNIOWEJ ORAZ KONDENSACJI MIĘDZYWARSTWOWEJ W ŚCIANIE ZEWNĘTRZNEJ

1. SPRAWDZENIE WYSTEPOWANIA RYZYKA KONDENSACJI POWIERZCHNIOWEJ ORAZ KONDENSACJI MIĘDZYWARSTWOWEJ W ŚCIANIE ZEWNĘTRZNEJ Ćwczene nr 1 cz.3 Dyfuzja pary wodnej zachodz w kerunku od środowska o wyższej temperaturze do środowska chłodnejszego. Para wodna dyfundująca przez przegrody budowlane w okrese zmowym napotyka na coraz

Bardziej szczegółowo

Ewolucyjne projektowanie filtrów cyfrowych IIR o nietypowych charakterystykach amplitudowych

Ewolucyjne projektowanie filtrów cyfrowych IIR o nietypowych charakterystykach amplitudowych Adam Słowk Mchał Bałko Wydzał Elektronk Poltechnka Koszalńska ul. JJ Śnadeckch 2, 75-453 Koszaln Ewolucyjne projektowane fltrów cyfrowych IIR o netypowych charakterystykach ampltudowych Słowa kluczowe:

Bardziej szczegółowo

Oligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją

Oligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją Olgopol dynamczny Rozpatrzmy model sekwencyjnej konkurencj loścowej jako gra jednokrotna z pełną doskonalej nformacją (1934) Dwa okresy: t=0, 1 tzn. frma 2 podejmując decyzję zna decyzję frmy 1 Q=q 1 +q

Bardziej szczegółowo

WYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA

WYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA WYŻSZA SZKOŁA IFORMATYKI STOSOWAEJ I ZARZĄDZAIA Złożoność problemów Przykład - weże Hano Problem jest zamknęty (dolne ogranczene złożonośc = złożoność algorytmu rekurencyjnego lub teracyjnego) ma złożoność

Bardziej szczegółowo

Nieeuklidesowe sieci neuronowe

Nieeuklidesowe sieci neuronowe Unwersytet Mkoaja Kopernka Wydza Fzyk, Astronom Informatyk Stosowanej IS Helena Jurkewcz numer albumu: 177622 Praca magsterska na kerunku Fzyka Komputerowa Neeukldesowe sec neuronowe Opekun pracy dyplomowej

Bardziej szczegółowo

Algorytm FA. Zastosowanie w zadanich optymalizacji z ograniczeniami dla ciągłych dziedzin poszukiwań

Algorytm FA. Zastosowanie w zadanich optymalizacji z ograniczeniami dla ciągłych dziedzin poszukiwań Algorytm FA Metaheurystyczna metoda poszukwań (Xn-She Yang, 2008), nsprowana przez: zachowana społeczne zjawsko bolumnescencj robaczków śwetojańskch (śwetlków) Zastosowane w zadanch optymalzacj z ogranczenam

Bardziej szczegółowo

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.

Zapis 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 szczegółowo

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Analiza 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 szczegółowo

Neural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych.

Neural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych. Neural networks Lecture Notes n Pattern Recognton by W.Dzwnel Krótka hstora McCulloch Ptts (1943) - perwszy matematyczny ops dzalana neuronu przetwarzana przez nego danych. Proste neurony, które mogly

Bardziej szczegółowo

Zmodyfikowana technika programowania dynamicznego

Zmodyfikowana technika programowania dynamicznego Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.

Bardziej szczegółowo

I. Poziom: poziom podstawowy (nowa formuła)

I. Poziom: poziom podstawowy (nowa formuła) Przedmot: matematyka Dorota Marcnkowska Analza wynków egzamnu maturalnego wosna 2016 I. Pozom: pozom podstawowy (nowa formuła) 1. Zestawene wynków dla Technkum Nr 1 Lczba ucznów zdających -T 52 Zdało egzamn

Bardziej szczegółowo

mgr inż. Wojciech Artichowicz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁACH OTWARTYCH

mgr inż. Wojciech Artichowicz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁACH OTWARTYCH Poltechnka Gdańska Wydzał Inżyner Lądowej Środowska Katedra ydrotechnk mgr nż. Wojcech Artchowcz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁAC OTWARTYC PRACA DOKTORSKA Promotor: prof. dr

Bardziej szczegółowo

NORMALiZACJA ZMIENNYCH W SKALI PRZEDZIAŁOWEJ I ILORAZOWEJ W REFERENCYJNYM SYSTEMIE GRANICZNYM

NORMALiZACJA ZMIENNYCH W SKALI PRZEDZIAŁOWEJ I ILORAZOWEJ W REFERENCYJNYM SYSTEMIE GRANICZNYM PRZEGLĄD STATYSTYCZNY R. XLIV - ZESZ\'T 1-1997 DANUTA STRAHL, MAREK WALESIAK NORMALZACJA ZMIENNYCH W SKALI PRZEDZIAŁOWEJ I ILORAZOWEJ W REFERENCYJNYM SYSTEMIE GRANICZNYM l. WPROWADZENIE Przy stosowanu

Bardziej szczegółowo

XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadanie teoretyczne

XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadanie teoretyczne XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadane teoretyczne Rozwąż dowolne rzez sebe wybrane dwa sośród odanych nże zadań: ZADANIE T Nazwa zadana: Protony antyrotony A. Cząstk o mase równe mase rotonu, ale

Bardziej szczegółowo

Modelowanie komputerowe fraktalnych basenów przyciągania.

Modelowanie komputerowe fraktalnych basenów przyciągania. Modelowane komputerowe fraktalnych basenów przycągana. Rafał Henryk Kartaszyńsk Unwersytet Mar Cure-Skłodowskej Pl. M. Cure-Skłodowskej 1, 0-031 Lubln, Polska Streszczene. W artykule tym zajmujemy sę prostym

Bardziej szczegółowo

2. STOPIEŃ KINEMATYCZNEJ NIEWYZNACZALNOŚCI

2. STOPIEŃ KINEMATYCZNEJ NIEWYZNACZALNOŚCI Część. STOPIEŃ KINEMATYCZNEJ NIEWYZNACZALNOŚCI.. STOPIEŃ KINEMATYCZNEJ NIEWYZNACZALNOŚCI W metodze sł w celu przyjęca układu podstawowego należało odrzucć węzy nadlczbowe. O lczbe odrzuconych węzów decydował

Bardziej szczegółowo

WSKAŹNIK OCENY HIC SAMOCHODU OSOBOWEGO W ASPEKCIE BEZPIECZEŃSTWA RUCHU DROGOWEGO

WSKAŹNIK OCENY HIC SAMOCHODU OSOBOWEGO W ASPEKCIE BEZPIECZEŃSTWA RUCHU DROGOWEGO WSKAŹNIK OCENY SAMOCHODU OSOBOWEGO W ASPEKCIE BEZPIECZEŃSTWA RUCHU DROGOWEGO Dagmara KARBOWNICZEK 1, Kazmerz LEJDA, Ruch cała człoweka w samochodze podczas wypadku drogowego zależy od sztywnośc nadwoza

Bardziej szczegółowo

Ćwiczenie 10. Metody eksploracji danych

Ćwiczenie 10. Metody eksploracji danych Ćwczene 10. Metody eksploracj danych Grupowane (Clusterng) 1. Zadane grupowana Grupowane (ang. clusterng) oznacza grupowane rekordów, obserwacj lub przypadków w klasy podobnych obektów. Grupa (ang. cluster)

Bardziej szczegółowo

STATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],

STATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ], STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:

Bardziej szczegółowo

Dotyczy: opinii PKPP lewiatan do projektow dwoch rozporzqdzen z 27 marca 2012 (pismo P-PAA/137/622/2012)

Dotyczy: opinii PKPP lewiatan do projektow dwoch rozporzqdzen z 27 marca 2012 (pismo P-PAA/137/622/2012) 30/04! 2012 PON 13: 30! t FAX 22 55 99 910 PKPP Lewatan _..~._. _., _. _ :. _._..... _.. ~._..:.l._.... _. '. _-'-'-'"." -.-.---.. ----.---.-.~.....----------.. LEWATAN Pol~ka KonfederacJa Pracodawcow

Bardziej szczegółowo

EUROELEKTRA. Ogólnopolska Olimpiada Wiedzy Elektrycznej i Elektronicznej. Rok szkolny 2013/2014

EUROELEKTRA. Ogólnopolska Olimpiada Wiedzy Elektrycznej i Elektronicznej. Rok szkolny 2013/2014 EUROELEKTRA Ogólnopolska Olmpada Wedzy Elektrycznej Elektroncznej Rok szkolny 232 Zadana z elektronk na zawody III stopna (grupa elektronczna) Zadane. Oblczyć wzmocnene napęcowe, rezystancję wejścową rezystancję

Bardziej szczegółowo

AERODYNAMICS I WYKŁAD 6 AERODYNAMIKA SKRZYDŁA O SKOŃCZONEJ ROZPIĘTOŚCI PODSTAWY TEORII LINII NOŚNEJ

AERODYNAMICS I WYKŁAD 6 AERODYNAMIKA SKRZYDŁA O SKOŃCZONEJ ROZPIĘTOŚCI PODSTAWY TEORII LINII NOŚNEJ WYKŁAD 6 AERODYNAMIKA SKRZYDŁA O SKOŃCZONEJ ROZPIĘTOŚCI PODSTAWY TEORII INII NOŚNEJ Prawo Bota-Savarta Pole prędkośc ndukowanej przez lnę (nć) wrową o cyrkulacj może być wyznaczone przy użycu formuły Bota-Savarta

Bardziej szczegółowo

Programowanie wielokryterialne

Programowanie 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 szczegółowo

Natalia Nehrebecka. Zajęcia 3

Natalia 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 szczegółowo

Pomiary dawek promieniowania wytwarzanego w liniowych przyspieszaczach na użytek radioterapii

Pomiary dawek promieniowania wytwarzanego w liniowych przyspieszaczach na użytek radioterapii Pomary dawek promenowana wytwarzanego w lnowych przyspeszaczach na użytek radoterap Włodzmerz Łobodzec Zakład Radoterap Szptala m. S. Leszczyńskego w Katowcach Cel radoterap napromenene obszaru PTV zaplanowaną,

Bardziej szczegółowo

WSPOMAGANE KOMPUTEROWO POMIARY CZĘSTOTLIWOŚCI CHWILOWEJ SYGNAŁÓW IMPULSOWYCH

WSPOMAGANE KOMPUTEROWO POMIARY CZĘSTOTLIWOŚCI CHWILOWEJ SYGNAŁÓW IMPULSOWYCH Metrologa Wspomagana Komputerowo - Zegrze, 9-22 05.997 WSPOMAGANE KOMPUTEROWO POMIARY CZĘSTOTLIWOŚCI CHWILOWEJ SYGNAŁÓW IMPULSOWYCH dr nż. Jan Ryszard Jask, dr nż. Elgusz Pawłowsk POLITECHNIKA lubelska

Bardziej szczegółowo

Regulamin promocji 14 wiosna

Regulamin promocji 14 wiosna promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30

Bardziej szczegółowo

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS METODA PROGRAMOWANIA LINIOWEGO. PRZYKŁAD ZASTOSOWANIA W ROLNICTWIE

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS METODA PROGRAMOWANIA LINIOWEGO. PRZYKŁAD ZASTOSOWANIA W ROLNICTWIE FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Fola Pomer. Unv. Technol. Stetn., Oeconomca 2014, 308(74)1, 7 16 Agneszka Barczak METODA PROGRAMOWANIA LINIOWEGO. PRZYKŁAD ZASTOSOWANIA W ROLNICTWIE

Bardziej szczegółowo

p Z(G). (G : Z({x i })),

p Z(G). (G : Z({x i })), 3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W

Bardziej szczegółowo