Programowanie genetyczne w zastosowaniu do harmonogramowania procesu magazynowego
|
|
- Anatol Pluta
- 6 lat temu
- Przeglądów:
Transkrypt
1 Konrad Lewczuk 1 Wydzał Transportu Poltechnk Warszawskej Programowane genetyczne w zastosowanu do harmonogramowana procesu magazynowego 1. WPROWADZENIE Procesy magazynowe są stotną częścą procesów logstycznych w łańcuchach dostaw. Poprawna organzacja procesu magazynowego pod względem wykorzystana zasobów ludz urządzeń, a także przestrzen buforowych jest stotna dla utrzymana konkurencyjnośc całego łańcucha dostaw. Harmonogramowane zadań procesu magazynowego przydzelane do nch zasobów pracy jest jednym z podstawowych sposobów organzacj pracy w magazyne. Zagadnene harmonogramowana procesów technologcznych jest szeroko omawane w lteraturze przedmotu, jednakże harmonogramowane procesów magazynowych ne jest podejmowane bezpośredno w pracach naukowych. Fjałkowsk ([7], [8]) sformułował zagadnene organzacj procesu magazynowego poprzez harmonogramu w funkcj mnmalzacj pracochłonnośc wyważonej kosztam pracy. Ambrozak Lewczuk ([1], [3]) opracowal model matematyczny harmonogramowana procesu magazynowego, a także rozszerzyl go na zagadnena szacowana powerzchn buforowych ([2]). Lewczuk kontynuuje temat ([13], [14]) określając zasady harmonogramowana ze względu na planowane pracy ludz wykorzystane urządzeń na potrzeby projektowana obektów logstycznych. Problem organzacj procesów magazynowych (ze względu na złożoność) jest upraszczany do postac opsowej ([7], [10]) lub uszczegóławany dla konkretnych przypadków ([1], [12]). W lteraturze rozważana jest szeroka rodzna problemów harmonogramowana stanowsk pracy z różnorodnym ogranczenam (opracowana podręcznkowe: [5], [6] czy [16]). Problemy te zostały dobrze opsane sformułowane matematyczne wraz z odpowednm heurystycznym dokładnym rozwązanam. W pracy [3] wykazano, że organzacja procesu magazynowego ma właśne cechy zagadnena harmonogramowana, jednak są też znaczące różnce formalne. Zastosowane algorytmów genetycznych do rozwązywana problemów optymalzacyjnych jest popularne ze względu na efektywność tego podejśca jest dobrze opsane ([11], [15]). W przypadku projektowana rozwązań magazynowych lteratura przedstawa przykłady wykorzystana algorytmów genetycznych do optymalzacj fragmentów projektów magazynów, wybranych zasad organzacj pracy czy zarządzana zasobam. Brak jest jednakże takego podejśca, jake zostało zaproponowane w artykule. Procesy magazynowe są przedmotem modelowana dyskusj. Jako bazowy do dalszej pracy wybrano model prezentowany w pracy [3], który został przytoczony w punkce 2 artykułu poddany dyskusj pod kątem możlwośc rozwązana z wykorzystanem metod genetycznych. Zastosowane metody genetycznych umożlw jego praktyczne zastosowane, tj. uzyskane zadawalającego rozwązana w akceptowalnym czase. W przypadku organzacj procesu magazynowego wystarczające jest przyblżone spełnene ogranczeń problemu oraz podstawowa racjonalzacja rozwązana. Wynka to z cech praktycznych zagadnena. Poneważ algorytmy genetyczne ne dzałają schematyczne, dlatego stneje prawdopodobeństwo uzyskana rozwązań racjonalnych lepszych od ntucyjnych. Podstawową zaletą tych algorytmów jest jednakże możlwość sprawnego przeszukwana przestrzen stanów zagadnena przez to odnajdywane rozwązań dopuszczalnych spełnających wszystke ogranczena lub rozwązań, które spełnają maksymalne dużą część nałożonych ogranczeń. Podstawowe trudnośc jake wążą sę z wykorzystanem algorytmów genetycznych do rozwązywana zadań organzacj procesu magazynowego zwązane są z konstruowanem chromosomu (określene fenotypu), ustalenem zasad krzyżowana mutacj oraz mechanzmów naprawy osobnków, określenem 1 KLE@wt.pw.edu.pl Logstyka 4/
2 zasad selekcj budowana populacj, oraz określenem dodatkowych mechanzmów ukerunkowujących proces ewolucyjny w oparcu o wedzę szczegółową na temat procesu magazynowego. Algorytm genetyczny do organzacj procesu może zostać oparty w pewnych warunkach o znane algorytmy wykorzystywane do rozwązana zadań układana planów zajęć oraz plecaka w różnych warantach. Wypracowane efektywnego czasowo algorytmu rozwązana zadana organzacj procesu magazynowego jest celem, jednakże sama możlwość wygenerowana rozwązana dopuszczalnego w złożonych przypadkach będze uważane za sukces. Odnalezene rozwązana dopuszczalnego oznacza, że jest możlwe zrealzowane go za pomocą posadanych zasobów. Ustalene węcej nż jednego rozwązana dopuszczalnego wybór lepszego oznacza osągnęce oszczędnośc przy zachowanu posadanych zasobów. 2. ZADANIE OPTYMALIZACYJNE HARMONOGRAMOWANIA PROCESU MAGAZYNOWEGO 2.1. Wprowadzene Zadane optymalzacyjne harmonogramowana procesu magazynowego (HPM) sformułowane w pracy [3] jest zadanem nelnowym z bnarnym, czterowymarowym zmennym decyzyjnym. Czas w zadanu jest skwantyfkowany, przez co ogranczona jest lczba możlwych rozwązań dopuszczalnych. Pozostałe wymary dotyczą zadań magazynowych oraz zasobów przydzelanych do ch realzacj. Zasoby w sformułowanu perwotnym przedstawonym w [3] ne były rozdzelone. W ponższym sformułowanu zasoby podzelone zostały osobno na urządzena oraz pracownków. W takm przypadku organzacja procesów w drodze harmonogramowana polega na przydzelanu do zadań procesu odcnków czasu oraz urządzeń pracownków w różnych kombnacjach w sposób mnmalzujący koszty Dane wejścowe Uwzględnono następujące dane: zbór numerów zadań procesu magazynowego I = {1, 2,...,,..., k,..., I}, zbór typów urządzeń U = {0,1,2,,u, u,,u}, oraz zbór kategor pracy ludzkej C = {0,1,2,,c,c,,C} realzujących proces. Dana jest macerz możlwośc technologcznych przypsana urządzeń pracownków, u, c, u, c do zadań V = v, v { 0,1} przy czym v,u,c = 1 kedy -te zadane może być realzowane I ( U + 1) ( C+ 1) przez u-te urządzene obsługwane przez/oraz pracownka c-tej kategor pracy. Każdy typ urządzena ma u c określony stopeń wykorzystana czasu pracy ω, podobne jak każda kategora pracy ludzkej ω. Dany jest zbór numerów buforów (przestrzen buforujących) B = {1,2,,b,,B} o pojemnoścach danych b b macerzą Γ = Γ znanym wstępnym pozome zapełnena określonym wektorem S = S. Dany jest Z I I par zadań, dla których zachodz zależność buforowana w b-tym b także zbór ( ) {, k : k} buforze. Założono, że jest zadanem napełnającym, a k opróżnającym bufor oraz, że cykle transportowe zadana -tego mają swój konec w b-tym buforze, a k-tego mają tam swój początek. Każde zadane ma znaną dobową pracochłonność realzacj określaną przez loczyn lczby powtórzeń określonego cyklu transportowego lub operacj λ czasu jednego powtórzena t. Pracochłonnośc dobowe zadań zapsano D wektorem L = L Dp. Dane są koszty godzny pracy urządzeń k u pracownków k c. Zbór odcnków czasu T = {1,2,,t,,T} określa zarnstość harmonogramu. Lczba elementów zboru wynka z żądanej dokładnośc harmonogramu. Dobowy czas pracy magazynu l jest znany Warunk technczne organzacj procesu magazynowego przez harmonogramowane Proces magazynowy jest sekwencją zadań transportowych operacj zwązanych z przyjęcem, wprowadzenem, wyprowadzenem, uzupełnanem, komsjonowanem wysyłką materałów ([14]), organzowany przez przydzelane do każdego -tego zadana pewnej lczby odcnków czasowych ze zboru T oraz odpowednch zasobów pracy danych zboram U C. Przydzał następuje zgodne z założenam: - Dana jest (opcjonalne) lczba urządzeń u-tego typu n u /lub lczba pracownków c-tej kategor pracy n c jako ogranczena (przy analze stnejących obektów) Logstyka 4/2014
3 - Przydzelone do -tego zadana odcnk czasu stanową w sume jego czas dysponowany t d. - Wszystke -te zadana muszą zostać wykonane w czase T. - Natężene pracochłonnośc realzacj danego zadana jest równomerne w całym czase dysponowanym. - Możlwe jest przerywane realzacj zadana, tj. realzowane go w blokach, pod warunkem spełnena ogranczeń o zarnstośc harmonogramu. Czasy zmany mejsca pracy przez urządzena pracownków (podobne do czasów przezbrojeń w klasycznym zadanu harmonogramowana) są uwzględnone poprzez zastosowane współczynnka wykorzystana czasu pracy ω z przedzału (0, 1]. t, u, c t, u, c Wprowadzono zmenne decyzyjne X x bnarne przyjmujące wartość x = 1 jeżel -te = I T U C zadane ma być wykonywane w t-tym odcnku czasu przez urządzene u-tego typu oraz pracownka c-tej kategor pracy oraz 0 w przecwnym przypadku Ogranczena zadana optymalzacyjnego organzacj procesu magazynowego Zestaw ogranczeń zadana opsano szczegółowo w pracach [3] [14]. Wszystke ogranczena zbudowne są w oparcu o zależnośc pomędzy zmennym decyzyjnym zagadnena mają globalny wpływ na jakość rozwązana, dodatkowo ogranczena te są ścśle ze sobą powązane współzależne: 1) Technologczne dozwolony przydzał urządzeń pracownków do zadań (wg macerzy V). 2) Przydzelane wyłączne jednego typu urządzena pracownka do zadana w określony czase. 3) Wymagane ze względów technologcznych najwcześnejsze najpóźnejsze momenty rozpoczęca zakończena realzacj zadań procesu magazynowego. 4) Technologczne wyłączene określonych przedzałów czasu dla określonych zadań procesu. 5) Mnmalny/maksymalny czas dysponowany przydzelony do zadań procesu. 6) Lczba urządzeń u-tego typu realzujących wszystke zadana w procese. 7) Lczba pracownków c-tej kategor pracy realzujących wszystke zadana w procese. 8) Lczba urządzeń u-tego typu realzujących wybrane -te zadana. 9) Lczba pracownków c-tej kategor pracy realzujących wybrane -te zadana. 10) Mnmalna długość przydzelonego odcnka czasu (mnmalna lczba r odcnków czasowych t, które ze względów technologcznych muszą tworzyć neprzerwany cąg dla -tego zadana). 11) Nakaz równoległego wykonywana określonych zadań. 12) Zakaz równoległego wykonywana określonych zadań. 13) Sekwencje zadań k po wykonanu całośc zadana -tego (poprzedzającego), można przystąpć do realzacj zadana k-tego. 14) Sekwencje zadań k w każdej chwl czasu t, w której wykonywane jest zadane k-te (następujące), lczba zrealzowanych wcześnej cykl zadana -tego (poprzedzającego) mus być wększa o co najmnej χ od lczby zrealzowanych do tej pory powtórzeń zadana k-tego. 15) Neprzekroczene pojemnośc buforów w transporce wewnętrznym Funkcje celu zadana optymalzacyjnego harmonogramowana procesu magazynowego Harmonogram jest optymalny, kedy koszty operacyjne procesu magazynowego są mnmalne przy zachowanu żądanej wydajnośc. Podstawowa funkcja celu opera sę na ocene rozłożena (mnmalzacj) pracochłonnośc sprowadzonej (tj. pracochłonnośc rzeczywstej ważonej kosztam pracy, por. [8], [13]). F ( ) ( ) L T x k + k = mn [ X] D t, u, c u c u U c C X max t T baz s, u, c I l k x s T u U c C (1) gdze: k baz koszt bazowy dla wylczana wartośc pracochłonnośc sprowadzonej, przy czym: {,, ( ),, } baz u c u c u c k = mn v k + k : v = 1. v V Logstyka 4/
4 3. ROZWIĄZANIE ZADANIA HARMONOGRAMOWANIA PROCESU METODAMI GENETYCZNYMI 3.1. Metody dokładne rozwązana zadana harmonograna procesu magazynowego Determnstyczne zagadnena harmonogramowana, take jak prezentowane powyżej, należą do klasy zagadneń optymalzacyjnych, które można rozwązywać metodam dokładnym programowana lnowego nelnowego. W powyższym przypadku ne możlwe (lub bardzo utrudnone) jest skonstruowane algorytmów o akceptowalnym, ogranczonym welomanowo czase rozwązana. Wynka to z faktu, ż zadana optymalzacyjne harmonogramowana należą do klasy problemów NP-trudnych. Z tego powodu koneczne jest opracowane algorytmu aproksymacyjnego generowana rozwązań dopuszczalnych o cechach zaspokajających wymagana praktyk, jednak bez gwarancj na optymalność ([6], [9]). Przedstawone w punkce 2 zadane jest nelnowym problemem kombnatorycznym o znacznej złożonośc oblczenowej. Metody dokładne, tj. dające rozwązane optymalne, bądź wykazujące brak, ne będą możlwe do zastosowana ze względu na rozmary przestrzen stanów problemu. Przeprowadzone oszacowana wykazały, że lczba możlwych układów harmonogramu dla pojedynczego zadna z pomnęcem przydzału zasobów do zadań przy 20-sto elementowym zborze odcnków czasu braku ogranczena na zarnstość przekracza mlon [14]. Take sformułowane zadana, a w szczególnośc konstrukcja zmennych decyzyjnych mnogość ogranczeń o globalnym wpływe na jakość rozwązana (newelka lczba ogranczeń o lokalnym wpływe na wartośc funkcj kryterum) sprawają, że zastosowane metod dokładnych rozwązana jest utrudnone Programowane genetyczne Programowane genetyczne to metoda przetwarzana ewolucyjnego, realzowana w oparcu o algorytmy genetyczne. Jest sposobem zapsu rozwązywana zadań optymalzacyjnych, a także zadań adaptacyjnych z wykorzystanem mechanzmów ewolucyjnych. W węższym zakrese dea algorytmów genetycznych polega na zapsanu nstancj problemu decyzyjnego do postac tzw. chromosomu, czyl uporządkowanego zestawu parametrów opsujących wybrane rozwązane dopuszczalne problemu (genów). Chromosom ocenany przez funkcję dopasowana (kryterum) na tej podstawe określana jest jego jakość. Chromosomy różnych jakośc tworzą populację. Program genetyczny generuje kolejne populacje osobnków rozwązań poprzez mechanzmy krzyżowana, mutacj oraz selekcj prowadz do poprawy jakośc kolejnych populacj w celu wyłonena osobnka o najwyższej wartośc oceny względem założonych kryterów ([15]). Algorytm genetyczny dla szczegółowo określonego zadana zawera następujące elementy ([15]): podstawowa reprezentację potencjalnych elementów zadana geny chromosomy, sposób tworzena początkowej populacj potencjalnych rozwązań, funkcja ocenająca, która gra rolę środowska ocena rozwązana według ch dopasowana, podstawowe operatory, które wpływają na skład populacj dzec mutacj, krzyżowana selekcj, wartośc parametrów algorytmu genetycznego (rozmar populacj, prawdopodobeństwa tp.) Reprezentacja elementów zadana organzacj procesu magazynowego Sposób reprezentacj elementów zadana będze mał kluczowe znaczene przy wyborze mechanzmów ewolucyjnych oraz będze przekładał sę na efektywność algorytmu. Zaproponowano następujące reprezentacje elementów zadana, które zostaną wykorzystane do konstrukcj chromosomu: 1) Reprezentacja zdetermnowana przydzału czasu dysponowanego zasobów do zadań Przydzał urządzeń, pracownków czasu do zadań jest jednoznaczny, tj. ne dopuszczalne są odstępstwa przesunęca w czase realzacj zadań. Zdetermnowany przydzał czasu wymusza zero-jedynkowe zachowane ogranczeń procesu. Brak spełnena przynajmnej jednego z ogranczeń wyłącza dane rozwązane ze zboru dopuszczalnych. Tymczasem pewne ogranczena w procesach magazynowych mają mnejsze potencjalne znaczene nż nne, a ch nezachowane w pewnych warunkach może być globalne korzystnejsze nż ścsłe ch utrzymane (np. ogranczene czasu dostaw do ustalonego okna czasowego, które zmnejsza elastyczność odpowedz systemu na zmenność strumen materałów w łańcuchu dostaw) Logstyka 4/2014
5 2) Reprezentacja rozmyta przydzału czasu dysponowanego do zadań O le przydzał urządzeń pracownków do zadań pownen być zdetermnowany, to przydzał czasu może meć formę podobną do funkcj przynależnośc do zboru w teor zborów rozmytych. Możlwe jest wprowadzene rozmytego przydzału czasu do zadań, w którym koneczność realzacj zadana w określonym odcnku czasu opsana będze funkcją przyjmującą wartośc z przedzału [0, N] gdze N oznacza ścsły wymóg realzacj zadana. Przydzał urządzena pracownka do zadana jest zdetermnowany ne może być stopnowany. Z tego względu koneczny jest podzał perwotnej zmennej decyzyjnej na dwe,, skorelowane zmenne decyzyjne: bnarną x 1 t u c odpowadającą za zdetermnowany przydzał zasobów do t t zadań, oraz całkowtolczbową x2 0; N odpowadającą za rozmyty przydzał czasu. Jeżel x 2 > 0, to t mara konecznośc realzacj zadana -tego w t-tym odcnku czasu wynos x2 / N. Taka postać zmennych znaczne poszerza zakres stosowana narzędz programowana genetycznego do organzacj procesów magazynowych, jednocześne zwększając przestrzeń zmennośc dla algorytmu genetycznego. Skuteczna mplementacja wymaga ustalena wartośc 0 < n < N. Dodatkową kwestą jest ustalene ewentualnych kar za nedotrzymane ogranczeń. Kary te pownny odzwercedlać marę konecznośc realzacj zadana n, jak welkość odstępstwa od ogranczena (np. przesunęce w czase). 3) Reprezentacja przydzału czasu dysponowanego do zadań z karam za nedotrzymane ogranczeń Poneważ proces magazynowy jest procesem rzeczywstym, dzałają na nego zakłócena losowe. Z tego powodu organzacja procesu podlega zmanom w pewnym zakrese. Ogranczena procesu mogą być w pewnych warunkach elastyczne, a konsekwencje braku ch zachowana mogą być stopnowane w zależnośc od skal przekroczena (przykład: przedłużene procesu kompletacj zamóweń zwązane z tym przesunęce wysyłk). Oddzelne kary pownny zostać określone dla każdego ogranczena każdego zadana procesu. Kary pownny odzwercedlać zakres naturę przekroczena muszą być uwzględnone w funkcj celu zadana. Rozwązanem najlepszym w tym przypadku jest połączene rozmytego zapsu procesu magazynowego oraz kar za przekroczene ogranczeń. Take podejśce jednak znaczne utrudna zaps formalny oraz mplementację zadana Budowa chromosomu odzwercedlającego organzację procesu magazynowego Chromosom, czyl reprezentacja parametrów rozwązana zadana optymalzacyjnego, pownen: Odzwercedlać wszystke znaczące parametry zadana optymalzacyjnego. Ujmować zmenne decyzyjne w sposób umożlwający stosowane mechanzmów ewolucyjnych. Poddawać sę procesom krzyżowana, mutacj selekcj. Możlwe jest zbudowane różnych wersj chromosomu odzwercedlającego zadane. Konstrukcja chromosomu sposób zapsu nstancj problemu będze mał kluczowe znaczene dla możlwośc rozwązana zadana z wykorzystanem algorytmów ewolucyjnych. Rozważono budowę chromosomu o stałej długośc z genam o postac całkowtolczbowej oraz bnarnej. 1) Chromosom z genam całkowtolczbowym dla zdetermnowanego zadana organzacj procesu Chromosom mus składać sę z sekcj odwzorowujących wymary macerzy zmennych decyzyjnych, tj. czasu, zadana, urządzena oraz pracownka. Wyróżnono sekcje odwzorowujące: przydzał pracownków odpowednej kategor pracy do zadań, przydzał typów urządzeń do zadań oraz decyzje o realzacj zadań w t-tych odcnkach czasu. Są to sekcje 1-go pozomu. Każda sekcja 1-go pozomu jest podzelona na podsekcje, których lczba odpowada lczbe zadań w procese I. Lczba genów w każdej podsekcj jest równa lczbe odcnków czasu T (zarnstośc harmonogramu). W zwązku z powyższym w sekcj 1-go pozomu znajduje sę I T genów, a cały chromosom będze składał sę z 3 I T genów o charakterze całkowtolczbowym. Konstrukcję chromosomu odzwercedlającego przydzał czasu dysponowanego oraz zasobów do zadań przedstawono na Rys. 1. Geny mają postać lczby całkowtej odzwercedlającej numer kategor pracy ludzkej, typ urządzena przydzał czasu (bnarny). Zakres zmennośc lczb ogranczony jest przez moc odpowednch zborów U oraz C. W sekcj 1-go pozomu odwzorowującej przydzał pracownków geny będą węc lczbą całkowtą z przedzału <0; C>. W sekcj 1-go pozomu odwzorowującej przydzał typów urządzeń do zadań geny Logstyka 4/
6 będą lczbą całkowtą z zakresu <0; U>. W sekcj 1-go pozomu odwzorowującej decyzję o realzacj zadana w t-tym odcnku czas geny będą lczbam bnarnym. Przy tak określonych założenach możlwe jest oszacowane lczby układów chromosomu K = (2(C+1)(U+1)) T I. Dla przypadku typowego, tj. C = 2, U = 3, T = 8, I = 7 lczba ta wynese około 1,96E+77. Rys. 1. Reprezentacja grafczna chromosomu z genam całkowtolczbowym dla zdetermnowanego zadana optymalzacyjnego organzacj procesu magazynowego. Zmana zapsu całkowtolczbowego chromosomu na bnarny zwększyłaby lczbę genów w chromosome prowadzłaby do uproszczena mechanzmów pseudo-ewolucyjnych. Dla zapsu bnarnego szacunkowa lczba możlwych układów chromosomu wynese K = 2 (C+U+1) I T. Dla przypadku typowego, tj. C = 2, U = 3, T = 8, I = 7 lczba ta wynese około 1,4E+101. Konstrukcja chromosomu w zapse bnarnym równeż opera sę na sekcjach w dwóch pozomach, przy czym lczba sekcj 1-go pozomu wynos C+U+1. Każda sekcja 1-go pozomu odpowada bnarnemu przyporządkowanu kategor pracy lub typu urządzena do zadana. Konstrukcja lczność sekcj 2-go pozomu ne zmeną sę. Każda sekcja 1-go pozomu składa sę z I T genów, a cały chromosom składa sę z (C+U+1) I T genów o charakterze bnarnym. 2) Chromosom z genam całkowtolczbowym dla rozmytego zadana organzacj procesu W tym przypadku przydzał czasu dysponowanego do zadań jest rozmyty, tj. funkcja opsująca koneczność realzacj zadana w określonym odcnku czasu przyjmuje wartośc z danego zakresu. Przydzał urządzeń pracownków do zadań jest zdetermnowany. Podzał chromosomu na sekcje jest tak sam jak w chromosome zdetermnowanym. W zwązku z tym w sekcj 1-go pozomu znajduje sę I T genów, a cały chromosom będze składał sę z 3 I T genów o charakterze całkowtolczbowym. Konstrukcję chromosomu odzwercedlającego przydzał czasu dysponowanego oraz zasobów w postac urządzeń ludz do zadań przedstawono na Rys. 2. Zakres zmennośc lczb całkowtych będze ogranczony przez moc zborów U, C oraz rozpętość skal N. W sekcj 1-go pozomu odwzorowującej przydzał pracownków geny będą węc lczbą całkowtą z przedzału <0; C>. W sekcj 1-go pozomu odwzorowującej przydzał typów urządzeń do zadań geny będą lczbą całkowtą z zakresu <0; U>. W sekcj 1-go pozomu odwzorowującej decyzję o realzacj zadana w t-tym odcnku czas geny będą lczbam całkowtym z przedzału <0; N>. Przy tak określonych 2090 Logstyka 4/2014
7 założenach możlwe jest oszacowane lczby układów chromosomu K = ((C+1)(U+1)(N+1)) T I. Dla przypadku typowego, tj. C = 2, U = 3, T = 8, I = 7, N = 9 lczba ta wynese około 2,72E+116. Rys. 2. Reprezentacja grafczna chromosomu z genam całkowtolczbowym dla zadana optymalzacyjnego rozmytego przydzału czasu dysponowanego. 4. ALGORYTMY PROGRAMU EWOLUCYJNEGO 4.1. Pętla teracyjna programu ewolucyjnego Program ewolucyjny rozwązujący zadane organzacj procesu magazynowego, będze realzował pętlę teracyjną następującej postac: 1. Generowane populacj początkowej rozwązań dopuszczalnych. 2. Jeżel wygenerowane populacj początkowej ne jest możlwe, dź do punktu Selekcja osobnków do krzyżowana. 4. Krzyżowane z naprawą osobnków uszkodzonych powstane grupy potomków. 5. Selekcja w grupe potomków w grupe rodzców powstane nowej populacj. 6. Mutacja z naprawą osobnków uszkodzonych z nowej populacj. 7. Archwzacja osobnka/ów najlepej dostosowanego/ych do środowska. 8. Archwzacja średnej wartośc funkcj dopasowana dla populacj. 9. Jeżel warunek końca ne został spełnony, to powrót do punktu Konec wybór osobnka najlepszego spośród osobnków archwzowanych w punkce Konec brak rozwązana Generowane populacj początkowej Przy problemach NP-złożonych o skomplkowanej strukturze ogranczeń generowane populacj początkowej samo w sobe jest problemem złożonym. Zadany układ ogranczeń znaczne wpływa na możlwośc uzyskana rozwązań dopuszczalnych do populacj początkowej. Z tego powodu w probleme organzacj procesu magazynowego ogranczena podzelono na: a) Perwszorzędne koneczne ze względów technologcznych (np. zarnstość harmonogramu), a ch nezachowane będze skutkowało brakem możlwośc realzacj procesu magazynowego. Logstyka 4/
8 b) Drugorzędne których zachowane w pewnych warunkach ne jest koneczne. Wyrażają one zasady organzacyjne procesu magazynowego, których nezachowane ne unemożlw realzacj procesu, a jedyne będze mało wpływ na parametry wydajnoścowe. Decyzja o podzale ogranczeń jest podejmowana w odnesenu do konkretnego przypadku wynka z uwarunkowań technologcznych realzacj procesu. W zwązku z powyższym uzyskane populacj początkowej może być przeprowadzone na klka podstawowych sposobów: a) Populacja początkowa składa sę wyłączne z osobnków spełnających komplet ogranczeń problemu. b) W populacj początkowej mogą znaleźć sę osobnk nespełnające ogranczeń drugorzędnych. c) W populacj początkowej mogą znaleźć sę osobnk nespełnające ogranczeń drugorzędnych /lub perwszorzędnych algorytm ewolucyjny będze dążył do usunęca/poprawy osobnków uszkodzonych, jednakże mogą one neść w sobe fragmenty nformacj cennych dla rozwązana. Przy generowanu populacj należy dążyć do maksymalzowana lczby osobnków spełnających komplet ogranczeń zadana. W skomplkowanych układach ogranczeń (wykorzystane wszystkch ogranczeń w ścsłym powązanu ze sobą) najwększe trudnośc w generowanu rozwązań początkowych są zwązane z przydzałem czasu do zadań, co wykazały eksperymenty. Mnejszy problem stanow przydzał urządzeń pracownków. Z tego względu koneczne jest wypracowane algorytmu generowana rozwązań początkowych, który przede wszystkm będze przydzelał czas dysponowany do zadań, a następne zasoby. Ze względu na fakt, że początkowa populacja pownna być różnorodna, każdy osobnk pownen być tworzony odrębne od pozostałych. Należy ustalć jak lczna będze populacja. Jeśl populacja będze zawerała zbyt mało osobnków to algorytm może zatrzymać sę w mnmum lokalnym. Zbyt duża lczebność populacj zmnejsza szybkość dzałana algorytmu. W tym mejscu wdać przewagę reprezentacj bnarnej gdze bez względu na rodzaj problemu nowo tworzony osobnk zawera określoną lczbę losowo wygenerowanych btów. Zaproponowano następujący algorytm generowana rozwązań początkowych: 1. Podzał ogranczeń na perwszorzędne drugorzędne. 2. Ogranczene przestrzen czasu (wyłączene odcnków) zgodne z ogranczenam perwszorzędnym (np. Wymagane ze względów technologcznych najwcześnejsze najpóźnejsze momenty rozpoczęca zakończena realzacj zad czy Technologczne wyłączene określonych przedzałów czasu). 3. (opcjonalne) Ogranczene przestrzen czasu (stałe wyłączene wybranych odcnków czasu) zgodne z ogranczenam drugorzędnym. 4. Generowane osobnków populacj początkowej: losowe przydzelane czasu dysponowanego do zadań w grancach jak w punkce (opcjonalne) Generowane osobnków populacj początkowej: losowe przydzelane czasu dysponowanego do zadań w grancach jak w punkce Losowy przydzał zasobów do zadań (z zachowanem ogranczeń dotyczących lczby urządzeń pracownków) dla osobnków wygenerowanych w punkce 4 lub (opcjonalne) Losowy przydzał zasobów do zadań (z zachowanem ogranczeń dotyczących lczby urządzeń pracownków) dla osobnków wygenerowanych w punkce (opcjonalne) Losowane osobnków uzupełnających populację początkową bez dotrzymana ogranczeń perwszo /lub drugorzędnych. W zależnośc od wersj chromosomu, losowana prowadzane są w grancach danych mocam zborów C, U lub skal N, jednakże losowana take mogą być neefektywne przy złożonych układach ogranczeń. Alternatywny algorytm generowana populacj początkowej zakłada następujące krok: 1 3. J/w. 4. Ręczne generowane pojedynczego rozwązana dopuszczalnego o cechach racjonalnych zgodne z metodologą przedstawoną w opracowanu [14]. 5. Losowa zmana wybranych genów rozwązana pojedynczego odpowedzalnych za przydzał odcnków czasu do zadań, oraz losowa zmana przydzału urządzeń pracownków do zadań. Podejśce alternatywne będze z wększym prawdopodobeństwem dawać osobnk spełnające komplet ogranczeń oraz spełnające ogranczena perwszorzędne, jednakże da potencjalne mnejszą lczbę osobnków dobrej jakośc Logstyka 4/2014
9 4.3. Funkcja ocenająca środowsko Funkcja ocenająca jakość dopasowana osobnków do środowska jest dana w punkce 2.5. W przypadku chromosomów zapsanych w forme zdetermnowanej z jednoznacznym przydzałem czasu dysponowanego zasobów do zadań oblczene wartośc funkcj kryterum ne stanow problemu. Trudnośc pojawają sę, kedy do oblczena wartość funkcj trzeba wykorzystać dane rozmyte. Rozmyty czas dysponowany jest lepszym rozwązanem z punktu wdzena naturalnych mechanzmów doboru stosowanych przez algorytmy genetyczne. Powększa on znaczne przestrzeń stanów, tym samym wpływając na prawdopodobeństwo wpadnęca w ekstremum lokalne. W takm przypadku należy uwzględnć fakt przekroczena ogranczeń perwszo drugorzędnych oraz słę przekroczena. Do tego celu sformułowano przelcznk redukujące, które pozwalają na uwzględnene w funkcj oceny faktu złamana ogranczeń przez dane rozwązane oraz potencjalnego wpływu jake to przekroczene ma na rozwązane końcowe. Ocena jakośc rozwązana w aspekce nedotrzymana ogranczeń może być przeprowadzona w następujący sposób (dotyczy wyłączne przydzału czasu do zadań): 1. Przypsane do ogranczeń wag mo 0;1, gdze m jest wagą, o jest kolejnym numerem ogranczena, oraz gdze 0 oznacza całkowte omnęce ogranczena, a 1 oznacza całkowty brak możlwośc omnęca ogranczena. 2. Opsane ogranczeń jako perwszorzędnych drugorzędnych na podstawe ch wag. t 3. Jeżel przydzelene zmennej x2 ( 0; N łame o-te ogranczene, określa sę wpływ tego faktu (w zależnośc od tego, czy dopuszczalne jest łamane ogranczeń perwszo, czy drugorzędnych): dla każdego 2 t O t x2 o o= 1 N X2 (2) x X2 łamącego ogranczena: 1+ m F ( ) gdze: F(X2) jest wartoścą funkcj kryterum dla danej postac macerzy X2, O jest lczbą ogranczeń. Określene wag ogranczeń pownno być wykonywane na drodze eksperymentu na konkretnym przypadku oblczenowym. Efektywne rozwązywane przypadków rzeczywstych będze możlwe przy zachowanu następujących reguł (co wynka z przeprowadzonych eksperymentów): Zarnstość harmonogramu pownna być jak najmnejsza, tj. pownno sę dążyć do przydzelana jak najdłuższych odcnków czasu. Stosować urządzena kategore pracy ludzkej o dużym stopnu unwersalnośc. Mnmalzować lczbę ogranczeń problemu zakresu ch zastosowana. Jak najwększą lczbę ogranczeń przydzelać do kategor ogranczeń drugorzędnych. Unkać ogranczeń sekwencjonujących zadana (wązane funkcjonalne zadań). Jeżel to możlwe, na stałe przypsywać typy urządzeń kategore pracy ludzkej do zadań Operatory genetyczne w probleme organzacj procesu magazynowego 1) Operatory selekcj W przypadku organzacj procesu w wersj chromosomu z genam o postac całkowtolczbowej dla zdetermnowanego zadana optymalzacyjnego, selekcja będze odbywała sę metodą ruletkową (jeżel cała populacja jest wyrażona jako pole koła, to każdy osobnk ma przydzelony wycnek proporcjonalny do swojej dobroc, co zwększa jego szanse na wylosowane do krzyżowana [11]), przy czym do populacj wprowadzane będą także losowo osobnk o słabym dopasowanu w celu urozmacena pul genowej. Przyjęto wersję algorytmu z pulą równej welkośc, tj. składającą sę z takej samej lczby osobnków w każdym pokolenu. Take rozwązane pozwala na kontrolowane postępu średnej wartośc dopasowana populacj, a tym samym obserwację dzałana algorytmu genetycznego. Taka konstrukcja w pewnym zakrese skutkuje możlwoścą ogranczena mechanzmów ewolucyjnych zwększa szanse wpadnęca w ekstremum lokalne funkcj dopasowana, jednakże jest lepsza ze względu na szacowane czasu oblczeń. Selekcja nowej populacj następuje poprzez połączene: Pewnej lczby osobnków (dzec) powstałych w procese krzyżowana δ dz (metoda ruletkowa). Pewnej lczby osobnków (rodzców) δ rdz (metoda ruletkowa), Logstyka 4/
10 Pewnej lczby osobnków (rodzców dzec) o wartośc funkcj dopasowana ponżej średnej dla populacj δ avg (losowane). Osobnk, które ne zostały wybrane są elmnowane, jednakże zanm to nastąp, wszystke są ocenane ze względu na funkcję dopasowana. Welkość populacj β = δ dz + δ rdz + δ avg. Lczba osobnków poszczególnych kategor jest ustawana ndywdualne dla przypadku metodam eksperymentalnym. Możlwe jest zastąpene metody ruletkowej metodam rankngową lub turnejową ([11], [15]). Jeżel w procese krzyżowana powstane mnej nż δ dz osobnków dopuszczalnych, wtedy różnca ta będze pokryta z pul rodzców. W przypadku zadań o złożonej strukturze ogranczeń wynkającej z tego faktu zbyt małej lcznośc populacj początkowej względem założonej wartośc β, należy zrezygnować z uśmercana jakchkolwek osobnków do momentu osągnęca lczby β osobnków w populacj. 2) Operatory krzyżowana krzyżowane Krzyżowane oznacza tworzene z pul rodzców określonej lczby nowych osobnków dzec poprzez wymanę pewnych part genów mędzy chromosomam rodzców. Ne każdy osobnk z pul rodzców mus wząć udzał w krzyżowanu. Zajśce krzyżowana określone jest przez współczynnk prawdopodobeństwa krzyżowana. Jeżel określony osobnk został wybrany do krzyżowana, to następuje krzyżowane w wersj każdy z każdym. Para osobnków daje dwójkę potomków. Krzyżowane pownno odzwercedlać naturalne mechanzmy ewolucyjne, czyl generować z dużym prawdopodobeństwem osobnka zdrowego, tj. poddającego sę ocene przez funkcję środowska, a także mogącego brać udzał w kolejnym krzyżowanu. Take założene sprawa, że krzyżowane osobnków mus podlegać ścśle określonym regułom. Ze względu na stałą długość chromosomu jego strukturę wykorzystany zostane mechanzm krzyżowana welopunktowego ([11]), w którym losowane są punkty, w których cęte są chromosomy pary rodzców. Losowane są dwa lub trzy punkty tak, aby możlwa była wymana odpowedno jednej lub dwóch sekcj genów. Ze względu na konstrukcję chromosomu (wyróżnene sekcj 1-go 2-go pozomu) ne będą stosowane metody PMX, CX lub OX. 3) Operatory krzyżowana naprawa osobnków Wymana part genów będze z bardzo dużym prawdopodobeństwem powodowała brak spełnena wybranych ogranczeń oraz uszkodzene chromosomu. W takm przypadku możlwe jest: elmnowane osobnków ne spełnających ogranczeń perwszorzędnych /lub drugorzędnych, próba naprawy osobnków. Naprawa wymaga przejrzena każdego genu osobnka sprawdzene, czy ne powoduje on złamana któregoś z ogranczeń (nawet, jeżel rozwązywane jest zagadnene z karam). Dla każdego ogranczena należy określć metodę naprawy genu. Naprawa genów w złożonych przypadkach może sama w sobe stanowć zadane o dużej złożonośc. Naprawa genów może być efektywne realzowana tylko we względne prostych przypadkach np. przekroczene czasu dysponowanego dla zadana lub przekroczene okna czasowego, lub przydzelene urządzena, które ne może realzować danego zadana. Mechanzm naprawy genów będze bardzo pracochłonny oblczenowo, jednakże przy bardzo dużych trudnoścach z uzyskanem rozwązana dopuszczalnego (wygenerowane osobnka) jest koneczny Operatory mutacj Nowa populacja powstała w skutek krzyżowana selekcj jest poddawana mutacj wg zasad: Mutacja polega na zastąpenu nformacj przechowywanej w gene losową nną nformacją w określonym zakrese zmennośc. Mutacj może być poddany każdy gen w populacj. Zajśce mutacj genu jest określone prawdopodobeństwem (względne nske). Jeżel nformacja mutująca jest w dopuszczalnym przedzale zmennośc, jednak powoduje łamane ogranczeń perwszo /lub drugorzędnych (w zależnośc od wersj zadana), to możlwe jest: o Podejmowane dalszych prób mutacj, aż do skutku lub przekroczena lmtu powtórzeń. o Porzucene próby mutacj danego genu. o W przypadku złamana ogranczena drugorzędnego, w sytuacj, w której jest to dopuszczalne ne podejmowane dzałań Logstyka 4/2014
11 o Próba naprawy genu. Stosowany jest współczynnk zmany mutacj γ, powodujący zwększane prawdopodobeństwa mutacj z każdym kolejnym krokem teracyjnym algorytmu. Współczynnk przecwdzała wytwarzanu sę jednorodnej pod względem genotypu populacj. Przy ustalonej lczbe pokoleń pownen uaktywnać sę pod konec dzałana algorytmu. Przy neustalonej lczbe pokoleń możlwa jest aktywacja czasowa współczynnka zmany mutacj, lub zmana lnowa prawdopodobeństwa mutacj. Współczynnk mutacj pownen zostać określony eksperymentalne Charakterystyka populacj dla zadana organzacj procesu magazynowego Wstępne ustalono, że do uruchomena algorytmu organzacj procesu magazynowego należy określć: Lczność populacj. Przyjęto, że populacja ma stałą welkość β. Podstawową trudność stanow generowane populacj początkowej, które przy pewnych układach ogranczeń jest wręcz newykonalne. Z tego względu, w przypadkach o względne prostej strukturze ogranczeń welkość populacj będze wynosła od 40 do 80 osobnków. W przypadku złożonej struktury ogranczeń należy przyjąć jako welkość populacj maksymalną lczbę osobnków, jaką udało sę wygenerować (nawet 1!). Lczba pokoleń. Pownna być ustalana eksperymentalne, przez obserwację wykresu zbeżnośc funkcj kryterum. Lczba pokoleń jest zależna od przebegu procesu ewolucyjnego, a także od czasu przeznaczonego na dzałane algorytmu. Lczba pokoleń rzędu 500 jest traktowana jako wyjścowa. Parametry δ dz, δ rdz δ avg, są doberane eksperymentalne. Wartośc wyjścowe dla tych parametrów to: δ dz = 0,5β, δ rdz = 0,3β, δ avg = 0,2β. Prawdopodobeństwo krzyżowana. Względne wysoke. Wartość wyjścowa dla osobnków wynos 0,8. Prawdopodobeństwo mutacj. Względne nske. Wartość wyjścowa dla każdego genu wynos 0,04. Współczynnk zmany prawdopodobeństwa mutacj γ. Wartość należy ustalć eksperymentalne w zależnośc od lczby pokoleń tego, czy jest ona ustalona. Wpływ współczynnka γ należy obserwować na wykrese zbeżnośc funkcj dopasowana. Wyjścowa wartość współczynnka dla 500 pokoleń, to 1,2. Oznacza to, że prawdopodobeństwo mutacj w ostatnm pokolenu będze wynosło 1,2 wartośc tego prawdopodobeństwa w perwszym pokolenu. Oczywśce, prawdopodobeństwo mutacj ne może być wększe nż 1. Lczba cęć w chromosomach rodzców. W zależnośc od decyzj: 2 lub 3. Wymenane pomędzy rodzcam pownny być sekcje neprzystające. 5. PODSUMOWANIE Zagadnena harmonogramowana w zastosowanach praktycznych w wększośc wypadków wymagają algorytmów heurystycznych dla uzyskana rozwązań. Przedstawone zadane optymalzacyjne charakteryzuje sę następującym cecham predestynującym metody genetyczne do rozwązana: Duża złożoność oblczenowa zagadnena (złożoność typu NP), nelnowość. Duża lczba ogranczeń o znacznym wpływe na układ zmennych decyzyjnych. Slna wzajemna współzależność ogranczeń, zwłaszcza w rozbudowanych przypadkach. Trudność w uzyskanu przynajmnej jednego rozwązana dopuszczalnego w złożonych przypadkach. Przedstawony kształt algorytmu genetycznego uwzględna powyższe wymog. Proponowana forma chromosomu z wykorzystanem rozmytej formy zapsu ułatwa generowane rozwązana dopuszczalnego, co stanow najwększą trudność. Uzyskane rozwązana dopuszczalnego dla złożonych przypadków jest uznawane za sukces. Dośwadczena potwerdzają, że uzyskane rozwązana dopuszczalne poddają sę racjonalzacj. Następnym etapem badań jest mplementacja algorytmu w postac programu komputerowego eksperymenty oblczenowe mające na celu badane różnych konfguracj algorytmu wyznaczane wartośc parametrów algorytmu. Logstyka 4/
12 Streszczene W artykule przedstawono propozycję metody rozwązana zadana optymalzacyjnego organzacj procesu magazynowego z wykorzystanem algorytmu genetycznego. Organzacja procesu jest realzowana poprzez harmonogramowane zadań przydzał zasobów do ch realzacj. Przeprowadzono dyskusję możlwośc rozwązana zadana metodam dokładnym wykazano znaczną złożoność oblczenową problemu. Następne przedstawono algorytm programowana genetycznego służący do rozwązana zadana. Omówono strukturę chromosomu reprezentującego rozwązane zadana, sposób generowana populacj początkowej, podstawowe operatory genetyczne: dzedzczena selekcj, krzyżowana, mutacj oraz naprawy osobnków. Omówono podstawowe trudnośc mplementacyjne algorytmu zakres jego stosowana. Słowa kluczowe: harmonogramowane, proces magazynowy, optymalzacja, algorytmy genetyczne. Genetc programmng n schedulng warehousng process Abstract The paper presents proposton of genetc algorthm to solve optmzaton task of warehousng process organzaton. The organzaton s done through schedulng of warehousng tasks ncludng allocaton of human resources and equpment. The dscusson about solvng proposed task wth precse methods revealed hgh computatonal complexty of the problem, so heurstc genetc algorthm to solve the task was proposed. The structure of chromosome representng feasble soluton, methods of generatng ntal populaton, base genetc operators: nhertance and selecton, crossover, mutaton and fxng of ndvduals are descrbed. The man mplementaton dffcultes and the scope of applcaton of the algorthm were dscussed. Key words: schedulng, warehousng process, optmzaton, genetc algorthm. LITERATURA [1] Ambrozak T., Lewczuk K., A method for schedulng the goods recevng process n warehouse facltes, Total Logstc Management. Annual No.1, p. 7-14, AGH Unversty of Scence and Technology Press, Kraków 2008 r. [2] Ambrozak T., Lewczuk K., Problematyka buforowana przepływów materałów w aspekce harmonogramowana procesów transportu wewnętrznego, Logstyka 4/2010. [3] Ambrozak T., Lewczuk K., Wybrane aspekty harmonogramowana procesu magazynowego. Współczesne wyzwana transportu w logstyce, Prace Naukowe PW Transport z. 64 strony: 5-12, OWPW Warszawa 2008 r. [4] Ambrozak T.: Metody narzędza harmonogramowana w transporce. Bbloteka Problemów eksploatacj. Wydawnctwo Instytutu Technolog Eksploatacj PIB, Warszawa [5] Błażewcz J., Ecker K., Pesch E., Schmdt G., Węglarz J.: Handbook on Schedulng. From Theory to Applcatons, Sprnger-Verlag Berln Hedelberg [6] Bruckner P., Schedulng Algorthms, (5-te wyd.), Sprnger-Verlag Berln Hedelberg, 2007r. [7] Fjałkowsk J. Racjonalzacja potencjału magazynowego w systemach logstycznych. Procedury analtyczne projektowe z przykładem. Logstyka 2/2012, str [8] Fjałkowsk J.: Transport wewnętrzny w systemach logstycznych. Wybrane zagadnena. OWPW, Warszawa [9] Fndesen W., Szymanowsk J., Werzbck A., Metody oblczenowe optymalzacj. Wydawnctwa Poltechnk Warszawskej, Warszawa [10] Frazelle E., World-Class Warehousng and Materal Handlng, McGraw-Hll 2002 r. [11] Goldberg D. E., Algorytmy genetyczne ch zastosowane, Wydawnctwa Naukowo-Technczne, Warszawa [12] Jacyna M., Kłodawsk M., Matematyczny model kształtowana strefy komsjonowana, AUTOMATYKA 2011, z. 2., tom 5., Wyd. AGH. [13] Lewczuk K. Organzacja procesu magazynowego a efektywność wykorzystana zasobów pracy. Logstyka 4/2011, str [14] Lewczuk K., Metoda projektowana obektów logstycznych w aspekce harmonogramowana procesów transportu wewnętrznego Rozprawa Doktorska, Wydzał Transportu PW, Warszawa [15] Mchalewcz Z. Algorytmy genetyczne + struktury danych = programy ewolucyjne. Wyd. 2. Wydawnctwa Naukowo-Technczne. Warszawa [16] T kndt V., Bllaut J.-Ch.: Multcrtera Schedulng: Theory, Models and Algorthms, Sprnger, Berln Logstyka 4/2014
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 szczegółowoORGANIZACJA PROCESU MAGAZYNOWEGO A EFEKTYWNOŚĆ WYKORZYSTANIA ZASOBÓW PRACY
Logstyka nauka Konrad LEWCZUK Poltechnka Warszawska, Wydzał Transportu 00-662 Warszawa, ul. Koszykowa 75, kle@t.pw.edu.pl ORGANZACJA PROCESU MAGAZYNOWEGO A EFEKTYWNOŚĆ WYKORZYSTANA ZASOBÓW PRACY Streszczene:
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 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 szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej 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 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 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 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 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 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 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 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 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 szczegółowoRÓWNOLEGŁY 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 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 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 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 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 szczegółowoD Archiwum Prac Dyplomowych - Instrukcja dla studentów
Kraków 01.10.2015 D Archwum Prac Dyplomowych - Instrukcja dla studentów Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu Rolnczego m. H. Kołłątaja
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 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 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 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 szczegółowoPrzykład: Znaleźć max { f (x)=x 2 } Nr osobnika Po selekcji: Nr osobnika
Przykład: Znaleźć max { f (x)=x } METODY HEURYSTYCZNE wykład 3 dla wartośc całkowtych x z zakresu -3. Populacja w chwl t: P(t)= {x t,...x t n} Założena: - łańcuchy 5-btowe (x=,,...,3); - lczebność populacj
Bardziej 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 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 szczegółowoNAFTA-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 szczegółowoPODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH
PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających
Bardziej szczegółowoD Archiwum Prac Dyplomowych - Instrukcja dla opiekunów/promotorów/recenzentów
D Archwum Prac Dyplomowych - Instrukcja dla opekunów/promotorów/recenzentów Kraków 13.01.2016 r. Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu
Bardziej szczegółowoZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO
Studa Materały. Mscellanea Oeconomcae Rok 6, Nr 2/22 Wydzał Zarządzana Admnstrac Unwersytetu Jana Kochanowskego w Kelcach Z a r z ą d z a n e f n a n s e Rafał Prońko ZASTOSOWANIE KLASYCZNEGO ALGORYTMU
Bardziej szczegółowoWykład IX Optymalizacja i minimalizacja funkcji
Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej
Bardziej szczegółowoBadania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej 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 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 szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoKształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu
PRACE KOMISJI GEOGRAFII PRZEMY SŁU Nr 7 WARSZAWA KRAKÓW 2004 Akadema Pedagogczna, Kraków Kształtowane sę frm nformatycznych jako nowych elementów struktury przestrzennej przemysłu Postępujący proces rozwoju
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 szczegółowoAnaliza ryzyka jako instrument zarządzania środowiskiem
WARSZTATY 2003 z cyklu Zagrożena naturalne w górnctwe Mat. Symp. str. 461 466 Elżbeta PILECKA, Małgorzata SZCZEPAŃSKA Instytut Gospodark Surowcam Mneralnym Energą PAN, Kraków Analza ryzyka jako nstrument
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 szczegółowoInstrukcja 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 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 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 szczegółowoOPTYMALIZACJA PROCESU PRZESIEWANIA W PRZESIEWACZACH WIELOPOKŁADOWYCH
Prace Naukowe Instytutu Górnctwa Nr 136 Poltechnk Wrocławskej Nr 136 Studa Materały Nr 43 2013 Jerzy MALEWSKI* Marta BASZCZYŃSKA** przesewane, jakość produktów, optymalzacja OPTYMALIZACJA PROCESU PRZESIEWANIA
Bardziej szczegółowoProgramowanie Równoległe i Rozproszone
Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać
Bardziej szczegółowoZadane 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 szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoZapytanie ofertowe nr 4/2016/Młodzi (dotyczy zamówienia na usługę ochrony)
Fundacja na Rzecz Rozwoju Młodzeży Młodz Młodym ul. Katedralna 4 50-328 Wrocław tel. 882 021 007 mlodzmlodym@archdecezja.wroc.pl, www.sdm2016.wroclaw.pl Wrocław, 24 maja 2016 r. Zapytane ofertowe nr 4/2016/Młodz
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoNowe 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoSystem Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik
Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA
Bardziej szczegółowoOptymalizacja 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 szczegółowoMinister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r.
Mnster Edukacj arodowej Pan Katarzyna HALL Mnsterstwo Edukacj arodowej al. J. Ch. Szucha 25 00-918 arszawa Dna 03 czerwca 2009 r. TEMAT: Propozycja zmany art. 30a ustawy Karta auczycela w forme lstu otwartego
Bardziej szczegółowoProste modele ze złożonym zachowaniem czyli o chaosie
Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok
Bardziej szczegółowoSTATECZNOŚĆ 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 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 szczegółowoXXX 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 szczegółowoSymulator układu regulacji automatycznej z samonastrajającym regulatorem PID
Symulator układu regulacj automatycznej z samonastrajającym regulatorem PID Założena. Należy napsać program komputerowy symulujący układ regulacj automatycznej, który: - ma pracować w trybe sterowana ręcznego
Bardziej szczegółowoDotyczy: 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 szczegółowoMINISTER EDUKACJI NARODOWEJ
4 MINISTER EDUKACJI NARODOWEJ DWST WPZN 423189/BSZI13 Warszawa, 2013 -Q-4 Pan Marek Mchalak Rzecznk Praw Dzecka Szanowny Pane, w odpowedz na Pana wystąpene z dna 28 czerwca 2013 r. (znak: ZEW/500127-1/2013/MP),
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 szczegółowoWSPOMAGANE 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 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 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 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 szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoWYBRANE ASPEKTY HARMONOGRAMOWANIA PROCESU MAGAZYNOWEGO
PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 64 Transpor 28 Tomasz AMBROZIAK, Konrad LEWCZUK Wydzał Transporu Polechnk Warszawske Zakład Logsyk Sysemów Transporowych ul. Koszykowa 75, -662 Warszawa am@.pw.edu.pl;
Bardziej szczegółowoRegulamin 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 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 szczegółowoNatalia 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 szczegółowoWielokryterialny Trójwymiarowy Problem Pakowania
Łukasz Kacprzak, Jarosław Rudy, Domnk Żelazny Instytut Informatyk, Automatyk Robotyk, Poltechnka Wrocławska Welokryteralny Trójwymarowy Problem Pakowana 1. Wstęp Problemy pakowana należą do klasy NP-trudnych
Bardziej szczegółowoZarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych
dr nż Andrze Chylńsk Katedra Bankowośc Fnansów Wyższa Szkoła Menedżerska w Warszawe Zarządzane ryzykem w rzedsęborstwe ego wływ na analzę ołacalnośc rzedsęwzęć nwestycynych w w w e - f n a n s e c o m
Bardziej szczegółowoEwolucyjne 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 szczegółowoRegulamin 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 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 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 szczegółowody dx stąd w przybliżeniu: y
Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc
Bardziej 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 szczegółowoĆwiczenie 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 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 szczegółowoInteligencja obliczeniowa
Intelgencja oblczenowa Ćwczene nr 6 Algorytmy Genetyczne Schemat blokowy podstawowego algorytmu genetycznego; Reprezentacja osobnków Kodowane rozwązań; Funkcja celu; Podstawowe operacje: selekcja, krzyżowane,
Bardziej szczegółowoRegulamin 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 szczegółowoDiagnostyka układów kombinacyjnych
Dagnostyka układów kombnacyjnych 1. Wprowadzene Dagnostyka obejmuje: stwerdzene stanu układu, systemu lub ogólne sec logcznej. Jest to tzw. kontrola stanu wykrywająca czy dzałane sec ne jest zakłócane
Bardziej szczegółowoStatystyka Opisowa 2014 część 2. Katarzyna Lubnauer
Statystyka Opsowa 2014 część 2 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,
Bardziej szczegółowoZa: 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 szczegółowoSystemy Ochrony Powietrza Ćwiczenia Laboratoryjne
ś POLITECHNIKA POZNAŃSKA INSTYTUT INŻYNIERII ŚRODOWISKA PROWADZĄCY: mgr nż. Łukasz Amanowcz Systemy Ochrony Powetrza Ćwczena Laboratoryjne 2 TEMAT ĆWICZENIA: Oznaczane lczbowego rozkładu lnowych projekcyjnych
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 szczegółowoPomiary parametrów akustycznych wnętrz.
Pomary parametrów akustycznych wnętrz. Ocena obektywna wnętrz pod względem akustycznym dokonywana jest na podstawe wartośc następujących parametrów: czasu pogłosu, wczesnego czasu pogłosu ED, wskaźnków
Bardziej szczegółowoTeoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru
Pomary fzyczne - dokonywane tylko ze skończoną dokładnoścą. Powodem - nedoskonałość przyrządów pomarowych neprecyzyjność naszych zmysłów borących udzał w obserwacjach. Podawane samego tylko wynku pomaru
Bardziej szczegółowoJakość cieplna obudowy budynków - doświadczenia z ekspertyz
dr nż. Robert Geryło Jakość ceplna obudowy budynków - dośwadczena z ekspertyz Wdocznym efektem występowana znaczących mostków ceplnych w obudowe budynku, występującym na ogół przy nedostosowanu ntensywnośc
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy
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 szczegółowoDelegacje otrzymują w załączeniu dokument Komisji D012257/03 ZAŁĄCZNIK.
RADA UNII EUROPEJSKIEJ Bruksela, 28 lpca 20 r. (29.07) (OR. en) 082/ ADD AVIATION 94 PISMO PRZEWODNIE Od: Komsja Europejska Data otrzymana: 8 lpca 20 r. Do: Sekretarat Generalny Rady Nr dok. Kom D02257/0
Bardziej szczegółowoWykład 1 Zagadnienie brzegowe liniowej teorii sprężystości. Metody rozwiązywania, metody wytrzymałości materiałów. Zestawienie wzorów i określeń.
Wykład Zagadnene brzegowe lnowe teor sprężystośc. Metody rozwązywana, metody wytrzymałośc materałów. Zestawene wzorów określeń. Układ współrzędnych Kartezańsk, prostokątny. Ose x y z oznaczono odpowedno
Bardziej szczegółowoliniowym 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 szczegółowoSYSTEM ZALICZEŃ ĆWICZEŃ
AMI, zma 010/011 mgr Krzysztof Rykaczewsk System zalczeń Wydzał Matematyk Informatyk UMK SYSTEM ZALICZEŃ ĆWICZEŃ z Analzy Matematycznej I, 010/011 (na podst. L.G., K.L., J.M., K.R.) Nnejszy dokument dotyczy
Bardziej szczegółowoStatystyka Opisowa 2014 część 1. Katarzyna Lubnauer
Statystyka Opsowa 2014 część 1 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 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 szczegółowo