IMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM
|
|
- Patrycja Tomaszewska
- 8 lat temu
- Przeglądów:
Transkrypt
1 IMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM Artykuł zawiera opis eksperymentu, który polegał na uyciu algorytmu genetycznego przy wykorzystaniu kodowania liczbami całkowitymi do rozwizania problemu komiwojaera. Praca wykazała, e implementacja tego algorytmu za pomoc jzyka C# z pakietu programistycznego Visual Studio 2010 firmy Microsoft daje du nadziej na moliwo wykorzystania takiego podejcia nie tylko w przypadku rozwizywania problemu komiwojaera, ale równie bardziej skomplikowanych problemów. Słowa kluczowe 1. Wprowadzenie
2 POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ Seria: Studia i Materiały, nr 36, Zasada działania klasycznego algorytmu genetycznego Start Wygeneruj populacj pocztkow ak T Koniec ie N Operacje genetyczne: krzyowanie, mutacja Rysunek 1. Schemat działania klasycznego algorytmu genetycznego
3 Grzegorz Wojarnik Implikacje zastosowania kodowania opartego na liczbach całkowitych w algorytmie genetycznym 3. Kodowanie genomu w algorytmach genetycznych
4 POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ Seria: Studia i Materiały, nr 36, 2010 αβbin = β e α bin 4. Kodowanie liczbami całkowitymi na przykładzie problemu TSP Tabela 2. Odległoci pomidzy poszczególnymi miastami
5 Grzegorz Wojarnik Implikacje zastosowania kodowania opartego na liczbach całkowitych w algorytmie genetycznym
6 POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ Seria: Studia i Materiały, nr 36, 2010 Pokolenie 0 -- rednia = 3392,52; Min = 2736; Max = 4153 Pokolenie 1 -- rednia = 3252,76; Min = 2676; Max = 4090 Pokolenie 2 -- rednia = 3090,06; Min = 2602; Max = 3739 Pokolenie 3 -- rednia = 2999,5; Min = 2513; Max = 3842 Pokolenie 4 -- rednia = 2976,08; Min = 2513; Max = 3777 Pokolenie 5 -- rednia = 2971,54; Min = 2435; Max = 3812 Pokolenie 6 -- rednia = 2911,86; Min = 2435; Max = 3662 Pokolenie 7 -- rednia = 2770,64; Min = 2401; Max = 3915 Pokolenie 8 -- rednia = 2641,04; Min = 2289; Max = 3662 Pokolenie 9 -- rednia = 2660,02; Min = 2289; Max = 3624 Pokolenie rednia = 2654,78; Min = 2289; Max = 3356 Pokolenie rednia = 2597,08; Min = 2289; Max = 3574 Pokolenie rednia = 2572,66; Min = 2289; Max = 3574 Pokolenie rednia = 2570,44; Min = 2204; Max = 3635 Pokolenie rednia = 2560,96; Min = 2204; Max = 3635 Pokolenie rednia = 2500,08; Min = 2204; Max = 3123 Pokolenie rednia = 2459,22; Min = 2204; Max = 3123 Pokolenie rednia = 2442,32; Min = 2035; Max = 3282 Pokolenie rednia = 2420,14; Min = 2035; Max = 3207 Pokolenie rednia = 2410,7; Min = 2035; Max = 3373 Pokolenie rednia = 2394,64; Min = 2035; Max = 3347 Pokolenie rednia = 2347,62; Min = 2035; Max = 3137 Pokolenie rednia = 2248; Min = 2035; Max = 3103 Pokolenie rednia = 2160,52; Min = 2035; Max = 2805 Pokolenie rednia = 2175,08; Min = 2035; Max = 2805 Pokolenie rednia = 2236,76; Min = 2035; Max = 2961 Pokolenie rednia = 2238,86; Min = 2035; Max = 3092 Pokolenie rednia = 2279,68; Min = 2035; Max = 3159 Pokolenie rednia = 2255,4; Min = 2035; Max = 3159 Pokolenie rednia = 2238,5; Min = 2035; Max = 2950 Pokolenie rednia = 2210,66; Min = 2035; Max = 3124 Pokolenie rednia = 2214,96; Min = 2035; Max = 2841 Pokolenie rednia = 2220,4; Min = 2035; Max = 2999 Pokolenie rednia = 2226,88; Min = 2035; Max = 3032 Pokolenie rednia = 2216,18; Min = 2035; Max = 3207 Pokolenie rednia = 2222,7; Min = 2035; Max = 3063 Pokolenie rednia = 2263,36; Min = 2035; Max = 3056 Pokolenie rednia = 2270,36; Min = 2035; Max = 3045 Pokolenie rednia = 2289,34; Min = 2035; Max = 3002
7 Grzegorz Wojarnik Implikacje zastosowania kodowania opartego na liczbach całkowitych w algorytmie genetycznym Pokolenie rednia = 2268,72; Min = 2035; Max = 3102 Pokolenie rednia = 2306,58; Min = 2035; Max = 3102 Pokolenie rednia = 2278; Min = 2035; Max = 3035 Pokolenie rednia = 2285,2; Min = 2035; Max = 3207 Pokolenie rednia = 2296,28; Min = 2035; Max = 3207 Pokolenie rednia = 2358,86; Min = 2035; Max = 3224 Pokolenie rednia = 2323,48; Min = 2035; Max = 3172 Pokolenie rednia = 2254,8; Min = 2035; Max = 2850 Pokolenie rednia = 2194,36; Min = 2035; Max = 2976 Pokolenie rednia = 2195,4; Min = 2035; Max = 3001 Pokolenie rednia = 2219,52; Min = 2035; Max = 2825 Pokolenie rednia = 2230,78; Min = 2035; Max = 2915 Ilo osobników w populacji=50 Ilo powórze=50 Prawdopodobiestwo krzyowania=0,8 Prawdopodobiestwo mutacji=0,5 Najlepsza trasa = Pozna, Szczecin, Gdask, Białystok, Lublin, Warszawa, Łód, Kraków, Katowice, Wrocław 5. Podsumowanie brutee force
8 POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ Seria: Studia i Materiały, nr 36, 2010 Rysunek 2. Mapa kraju z tras stanowic rozwizanie problemu
9 Grzegorz Wojarnik Implikacje zastosowania kodowania opartego na liczbach całkowitych w algorytmie genetycznym fia A history of evolutionary computation w Handbook of Evolutionary Computation Wykłady z algorytmów ewolucyjnych Metody i techniki sztucznej inteligencji Jak to rozwiza, czyli nowoczesna heurystyka IMPLICATIONS OF APPLICATION CODING BASED ON THE INTEGER NUMBERS OF GENETIC ALGORITHM The paper presents an experiment of using genetic algorithm with encoding using integers to solve the problem of TSP. The survey showed that the implementation of this algorithm using C # with MS Visual Studio 2010 gives high hopes to apply this approach not only to the TSP problem, but also other, more complex applications. Keywords
ZASTOSOWANIE ODCINKOWO-LINIOWEGO MINIMODELU DO MODELOWANIA PRODUKCJI SPRZEDANEJ PRZEMYSŁU
ZASTOSOWANIE ODCINKOWO-LINIOWEGO MINIMODELU DO MODELOWANIA PRODUKCJI SPRZEDANEJ PRZEMYSŁU W artykule przedstawiono now metod modelowania zjawisk ekonomicznych. Metoda odcinkowo-liniowego minimodelu szczególnie
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoLABORATORIUM 7: Problem komiwojażera (TSP) cz. 2
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 7: Problem komiwojażera (TSP) cz. 2 opracował:
Bardziej szczegółowoAlgorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach
Adam Stawowy Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Summary: We present a meta-heuristic to combine Monte Carlo simulation with genetic algorithm for Capital
Bardziej szczegółowoSystemy sztucznej inteligencji w zarzdzaniu przedsibiorstwem Karta (sylabus) przedmiotu
Systemy w zarzdzaniu przedsibiorstwem Karta (sylabus) przedmiotu WZ Zarzdzanie i Inynieria Produkcji Studia II stopnia o profilu: A P Przedmiot: Systemy w zarzdzaniu przedsibiorstwem Status przedmiotu:
Bardziej szczegółowoWstęp do Sztucznej Inteligencji
Wstęp do Sztucznej Inteligencji Algorytmy Genetyczne Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Metody heurystyczne Algorytm efektywny: koszt zastosowania (mierzony
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
Bardziej szczegółowoWykorzystanie metod ewolucyjnych w projektowaniu algorytmów kwantowych
Wykorzystanie metod ewolucyjnych w projektowaniu algorytmów kwantowych mgr inż. Robert Nowotniak Politechnika Łódzka 1 października 2008 Robert Nowotniak 1 października 2008 1 / 18 Plan referatu 1 Informatyka
Bardziej szczegółowoAlgorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań
Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)
Bardziej szczegółowoWYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH
Inżynieria Rolnicza 7(105)/2008 WYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH Justyna Zduńczuk, Wojciech Przystupa Katedra Zastosowań Matematyki, Uniwersytet Przyrodniczy
Bardziej szczegółowoDobór parametrów algorytmu ewolucyjnego
Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.
Bardziej szczegółowoGenerowanie i optymalizacja harmonogramu za pomoca
Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska
Bardziej szczegółowoAlgorytmy ewolucyjne 1
Algorytmy ewolucyjne 1 2 Zasady zaliczenia przedmiotu Prowadzący (wykład i pracownie specjalistyczną): Wojciech Kwedlo, pokój 205. Konsultacje dla studentów studiów dziennych: poniedziałek,środa, godz
Bardziej szczegółowoKARTA MODUŁU KSZTAŁCENIA
KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 17. ALGORYTMY EWOLUCYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska KODOWANIE BINARNE Problem różnych struktur przestrzeni
Bardziej szczegółowoZastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
Bardziej szczegółowoLABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania
Bardziej szczegółowoLABORATORIUM 2: Wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE. opracował: dr inż. Witold Beluch
OBLICZENIA EWOLUCYJNE LABORATORIUM 2: Wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE opracował: dr inż. Witold Beluch witold.beluch@polsl.pl Gliwice 12 OBLICZENIA EWOLUCYJNE LABORATORIUM
Bardziej szczegółowoGrzegorz Wojarnik. Uniwersytet Szczeciński. Streszczenie
zeszyty naukowe uniwersytetu szczecińskiego NR 863 studia informatica nr 36 2015 DOI: 10.18276/si.2015.36-03 Grzegorz Wojarnik Uniwersytet Szczeciński METODY EWOLUCYJNE W ANALIZIE ZMIAN KURSU AKCJI SPÓŁEK
Bardziej szczegółowoGospodarcze zastosowania algorytmów genetycznych
Marta Woźniak Gospodarcze zastosowania algorytmów genetycznych 1. Wstęp Ekonometria jako nauka zajmująca się ustalaniem za pomocą metod statystycznych ilościowych prawidłowości zachodzących w życiu gospodarczym
Bardziej szczegółowoCenniki. Taryfa opłat dla linii Warszawa - Gda sk
Warszawa - Gda sk Warszawa - Gdańsk 61 od 1 zł do 60 zł, w zależności od daty zakupu biletu na stronie internetowej lub w punkcie sprzedaży, ilości dostępnych miejsc na dany kurs oraz innych czynników
Bardziej szczegółowoZarzdzanie i Inynieria Produkcji Studia drugiego stopnia o profilu: A P. Wykład 15 wiczenia 30 Laboratorium Projekt
Podstawy optymalizacja w ach wytwarzania WM Zarzdzanie i Inynieria Produkcji Studia drugiego stopnia o profilu: A P Przedmiot: Optymalizacja w ach wytwarzania Status przedmiotu: obowizkowy Kod: ZIP S 0
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58 Anna LANDOWSKA ROZWIĄZANIE PROBLEMU OPTYMALNEGO PRZYDZIAŁU ZA POMOCĄ KLASYCZNEGO
Bardziej szczegółowoNieklasyczne podejście ewolucyjne do problemu szeregowania zadań w systemach produkcyjnych
Andrzej Jardzioch, Bartosz Skobiej Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Nieklasyczne podejście ewolucyjne do problemu szeregowania zadań w systemach produkcyjnych Wstęp Problematyka
Bardziej szczegółowoCenniki. Taryfa opłat dla linii Warszawa - Gda sk. Warszawa - Ostróda 45
Warszawa - Gda sk Warszawa - Gdańsk 61 Warszawa - Ostróda 45 Ostróda - Gdańsk 42 od 1 zł do 60 zł, w zależności od daty zakupu biletu na stronie internetowej lub Warszawa - Bydgoszcz Warszawa - Bydgoszcz
Bardziej szczegółowoAlgorytmy ewolucyjne
Algorytmy ewolucyjne wprowadzenie Piotr Lipiński lipinski@ii.uni.wroc.pl Piotr Lipiński Algorytmy ewolucyjne p.1/16 Cel wykładu zapoznanie studentów z algorytmami ewolucyjnymi, przede wszystkim nowoczesnymi
Bardziej szczegółowoMIO - LABORATORIUM. Imię i nazwisko Rok ak. Gr. Sem. Komputer Data ... 20 / EC3 VIII LAB...
MIO - LABORATORIUM Temat ćwiczenia: TSP - Problem komiwojażera Imię i nazwisko Rok ak. Gr. Sem. Komputer Data Podpis prowadzącego... 20 / EC3 VIII LAB...... Zadanie Zapoznać się z problemem komiwojażera
Bardziej szczegółowoZadania laboratoryjne i projektowe - wersja β
Zadania laboratoryjne i projektowe - wersja β 1 Laboratorium Dwa problemy do wyboru (jeden do realizacji). 1. Water Jug Problem, 2. Wieże Hanoi. Water Jug Problem Ograniczenia dla każdej z wersji: pojemniki
Bardziej szczegółowoZadanie 5 - Algorytmy genetyczne (optymalizacja)
Zadanie 5 - Algorytmy genetyczne (optymalizacja) Marcin Pietrzykowski mpietrzykowski@wi.zut.edu.pl wersja 1.0 1 Cel Celem zadania jest zapoznanie się z Algorytmami Genetycznymi w celu rozwiązywanie zadania
Bardziej szczegółowoStrefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek
Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę
Bardziej szczegółowoMetody przeszukiwania
Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Algorytm kolonii mrówek Idea Smuga feromonowa 1 Sztuczne mrówki w TSP Sztuczna mrówka agent, który porusza się z miasta do miasta Mrówki preferują miasta połączone łukami z dużą
Bardziej szczegółowoOdkrywanie algorytmów kwantowych za pomocą programowania genetycznego
Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego Piotr Rybak Koło naukowe fizyków Migacz, Uniwersytet Wrocławski Piotr Rybak (Migacz UWr) Odkrywanie algorytmów kwantowych 1 / 17 Spis
Bardziej szczegółowoHelena Boguta, klasa 8W, rok szkolny 2018/2019
Poniższy zbiór zadań został wykonany w ramach projektu Mazowiecki program stypendialny dla uczniów szczególnie uzdolnionych - najlepsza inwestycja w człowieka w roku szkolnym 2018/2019. Składają się na
Bardziej szczegółowoProgramowanie genetyczne, gra SNAKE
STUDENCKA PRACOWNIA ALGORYTMÓW EWOLUCYJNYCH Tomasz Kupczyk, Tomasz Urbański Programowanie genetyczne, gra SNAKE II UWr Wrocław 2009 Spis treści 1. Wstęp 3 1.1. Ogólny opis.....................................
Bardziej szczegółowoALGORYTMY GENETYCZNE ćwiczenia
ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA
PLAN WYKŁADU Operator krzyżowania Operator mutacji Operator inwersji Sukcesja Przykłady symulacji AG Kodowanie - rodzaje OPTYMALIZACJA GLOBALNA Wykład 3 dr inż. Agnieszka Bołtuć OPERATOR KRZYŻOWANIA Wymiana
Bardziej szczegółowoProblem Komiwojażera - algorytmy metaheurystyczne
Problem Komiwojażera - algorytmy metaheurystyczne algorytm mrówkowy algorytm genetyczny by Bartosz Tomeczko. All rights reserved. 2010. TSP dlaczego metaheurystyki i heurystyki? TSP Travelling Salesman
Bardziej szczegółowoPrzegląd 4 Aerodynamika, algorytmy genetyczne, duże kroki i dynamika pozycji. Modelowanie fizyczne w animacji komputerowej Maciej Matyka
Przegląd 4 Aerodynamika, algorytmy genetyczne, duże kroki i dynamika pozycji Modelowanie fizyczne w animacji komputerowej Maciej Matyka Wykład z Modelowania przegląd 4 1. Animation Aerodynamics 2. Algorytmy
Bardziej szczegółowoMS Visual Studio 2005 Team Suite - Performance Tool
MS Visual Studio 2005 Team Suite - Performance Tool przygotował: Krzysztof Jurczuk Politechnika Białostocka Wydział Informatyki Katedra Oprogramowania ul. Wiejska 45A 15-351 Białystok Streszczenie: Dokument
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2011, Oeconomica 285 (62), 45 50
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2011, Oeconomica 285 (62), 45 50 Anna Landowska KLASYCZNY ALGORYTM GENETYCZNY W DYNAMICZNEJ OPTYMALIZACJI MODELU
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoProgramowanie proceduralne w języku C++ Podstawy
Programowanie proceduralne w języku C++ Podstawy Mirosław Głowacki 1 1 Akademia Górniczo-Hutnicza im. Stanisława Staszica w Ktrakowie Wydział Inżynierii Metali i Informatyki Stosowanej Katedra Informatyki
Bardziej szczegółowoPROGRAM SPOTKAŃ AKADEMICKICH INFORMATYKA. umożliwienie uczniowi kontaktu ze środowiskiem pracowników naukowych i infrastruktury wyższej uczelni,
PROGRAM SPOTKAŃ AKADEMICKICH INFORMATYKA 1. Opis celów spotkań akademickich a) Cele ogólne: umożliwienie uczniowi kontaktu ze środowiskiem pracowników naukowych i infrastruktury wyższej uczelni, intensyfikacja
Bardziej szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
Bardziej szczegółowoWybrane podstawowe rodzaje algorytmów
Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych
Bardziej szczegółowoKatedra Informatyki Stosowanej. Algorytmy ewolucyjne. Inteligencja obliczeniowa
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Treść wykładu Wprowadzenie Zasada działania Podział EA Cechy EA Algorytm genetyczny 2 EA - wprowadzenie Algorytmy ewolucyjne
Bardziej szczegółowoALGORYTMY GENETYCZNE (wykład + ćwiczenia)
ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja
Bardziej szczegółowoALGORYTM EWOLUCYJNY DLA PROBLEMU GRUPOWANIA WYROBÓW Z ALTERNATYWNYMI MARSZRUTAMI
Adam Stawowy ALGORYTM EWOLUCYJNY DLA PROBLEMU GRUPOWANIA WYROBÓW Z ALTERNATYWNYMI MARSZRUTAMI EVOLUTIONARY STRATEGY FOR CELL FORMATION PROBLEM WITH MULTIPLE ROUTINGS Summary: Group Technology (GT) is philosophy
Bardziej szczegółowoZastrzegamy sobie prawo do zmiany cen oraz asortymentu bez wcze niejszego zawiadomienia.
Zastrzegamy sobie prawo do zmiany cen oraz asortymentu bez wcze niejszego zawiadomienia. Kod Rozmiar Bie nik LI SI RF FR Opony do samochodów osobowych - seria 80 13" 0362001000 135/80R13 rallye 680 70
Bardziej szczegółowoAlgorytmy memetyczne (hybrydowe algorytmy ewolucyjne)
Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne) 1 2 Wstęp Termin zaproponowany przez Pablo Moscato (1989). Kombinacja algorytmu ewolucyjnego z algorytmem poszukiwań lokalnych, tak że algorytm poszukiwań
Bardziej szczegółowoLABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoAlgorytm dyskretnego PSO z przeszukiwaniem lokalnym w problemie dynamicznej wersji TSP
Algorytm dyskretnego PSO z przeszukiwaniem lokalnym w problemie dynamicznej wersji TSP Łukasz Strąk lukasz.strak@gmail.com Uniwersytet Śląski, Instytut Informatyki, Będzińska 39, 41-205 Sosnowiec 9 grudnia
Bardziej szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej szczegółowoHybrydowy algorytm mrówkowy wykorzystujący algorytm genetyczny do wyznaczania trasy w systemie nawigacji
Hybrydowy algorytm mrówkowy wykorzystujący algorytm genetyczny do wyznaczania trasy w systemie nawigacji A hybrid ant algorithm using genetic algorithm to determine the route in navigation system Daniel
Bardziej szczegółowoAlgorytmy ewolucyjne NAZEWNICTWO
Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne
Bardziej szczegółowoWyniki sprzedaży drewna w systemowych aukjach internetowych w aplikacji E-drewno na II półrocze 2014 roku
Wyniki sprzedaży drewna w systemowych aukjach internetowych w aplikacji E-drewno na II półrocze 2014 roku - wybrane grupy handlowo-gatunkowe W_STANDARD SO 01 BIAŁYSTOK 72 913 72 892 100,0% 158 295,4 187,0%
Bardziej szczegółowoAlgorytmy genetyczne dla problemu komiwojażera (ang. traveling salesperson)
Algorytmy genetyczne dla problemu komiwojażera (ang. traveling salesperson) 1 2 Wprowadzenie Sztandarowy problem optymalizacji kombinatorycznej. Problem NP-trudny. Potrzeba poszukiwania heurystyk. Chętnie
Bardziej szczegółowoWAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego
WAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego Algorytm ewolucyjny algorytm ewolucyjny inicjuj P 0 {P 0 1, P 0 2... P 0 μ } t 0 H P 0 while! stop for (i 1: λ) if (a< p c ) O t i mutation(crossover
Bardziej szczegółowoZASTOSOWANIE ALGORYTMÓW GENETYCZNYCH DO AUTOMATYCZNEGO GENEROWANIA PLANU ZAJĘĆ 10
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej Nr 21 XV Seminarium ZASTOSOWANIE KOMPUTERÓW w NAUCE i TECHNICE 2005 Oddział Gdański PTETiS ZASTOSOWANIE ALGORYTMÓW GENETYCZNYCH
Bardziej szczegółowoń ę ń ę ń ę ń ę ę ę ę ę ź ń ź Ś ę Ł ń ę ę ń ę ń ę ę ę ę ę ę ź ę ę Ż ę ŚĆ ę Ż ń ń ę ń ę ę ę ę ę ź ę ę Ś Ś Ś Ś ź ę ń ę ę Ź ń Ś Ś ę ń ę ę ę ę ę ź ń ŚĆ Ś ń ń ń Ą ń ę ę ŚĆ ę Ż ę ń ę ę ę ę ę ź ń Ś Ś ź Ś Ł ę
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt
Bardziej szczegółowoALGORYTM EWOLUCYJNY DLA PROBLEMU SZEREGOWANIA ZADAŃ W SYSTEMIE PRZEPŁYWOWYM
ALGORYTM EWOLUCYJNY DLA PROBLEMU SZEREGOWANIA ZADAŃ W SYSTEMIE PRZEPŁYWOWYM Adam STAWOWY, Marek ŚWIĘCHOWICZ Streszczenie: W pracy zaprezentowano algorytm strategii ewolucyjnej do problemu szeregowania
Bardziej szczegółowoPREZENTACJA DZIAŁANIA KLASYCZNEGO ALGORYTMU GENETYCZNEGO
Piotr Borowiec PREZENTACJA DZIAŁANIA KLASYCZNEGO ALGORYTMU GENETYCZNEGO Sporód wielu metod sztucznej inteligencji obliczeniowej algorytmy genetyczne doczekały si wielu implementacji. Mona je wykorzystywa
Bardziej szczegółowoMETODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne
METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz: MSI - algorytmy ewolucyjne
Bardziej szczegółowoLICZBA SPECJALISTYCZNYCH UZBROJONYCH FORMACJI OCHRONNYCH ORAZ LICZBA KONTROLI SUFO
POLICJA.PL Źródło: http://www.policja.pl/pol/kgp/biuro-prewencji/wydzial-nadzoru-nad-sp/specjalistyczne-uzbroj/76256,liczba-specjalistycznychuzbrojonych-formacji-ochronnych-oraz-liczba-kontroli-su.html
Bardziej szczegółowoilość 5 6 7 pierwszy dzień cena specjalna 2 500 3 000 3 500 kolejny dzień cena specjalna 800 960 1 120
WARSZAWA Cennik usług d la przedsiębiorców Pakiety Metro + wartość podpisanego zlecenia* 3 000 5 000 7 000 Pakiety W ramach pakietów ceny obejmują: ŁODŹ Cennik usług d la przedsiębiorców Pakiety Metro
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoWYKORZYSTANIE METOD OPTYMALIZACJI DO ESTYMACJI ZASTĘPCZYCH WŁASNOŚCI MATERIAŁOWYCH UZWOJENIA MASZYNY ELEKTRYCZNEJ
MODELOWANIE INŻYNIERSKIE ISNN 1896-771X 3, s. 71-76, Gliwice 006 WYKORZYSTANIE METOD OPTYMALIZACJI DO ESTYMACJI ZASTĘPCZYCH WŁASNOŚCI MATERIAŁOWYCH UZWOJENIA MASZYNY ELEKTRYCZNEJ TOMASZ CZAPLA MARIUSZ
Bardziej szczegółowoWiesław Serewi Anna Owczarek Piotr Pachół WODGiK Katowice
Przegld urzdowych geoportalilskich na tle wybranych geoportali polskich Wiesław Serewi Anna Owczarek Piotr Pachół WODGiK Katowice Geoportal - definicja Geoportal - witryna internetowa, zapewniajca dostp
Bardziej szczegółowoOptymalizacja. Wybrane algorytmy
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoCele oraz techniki tworzenia prototypów systemów infromatycznych. Inżynieria Oprogramowania
Cele oraz techniki tworzenia prototypów systemów infromatycznych Zagadnienia Rola oraz umiejscowienie prototypowania w procesie tworzenia oprogramowania Rola prototypu w procesie walidacji wymagań systemowych
Bardziej szczegółowoLABORATORIUM 5: Wpływ reprodukcji na skuteczność poszukiwań AE. opracował: dr inż. Witold Beluch
OBLICZENIA EWOLUCYJNE LABORATORIUM 5: Wpływ reprodukcji na skuteczność poszukiwań AE opracował: dr inż. Witold Beluch witold.beluch@polsl.pl Gliwice 2012 OBLICZENIA EWOLUCYJNE LABORATORIUM 5 2 Cel ćwiczenia
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2017, 337(88)3, 5 12
DOI: 10.21005/oe.2017.88.3.01 FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2017, 337(88)3, 5 12 Anna LANDOWSKA ZASTOSOWANIE KLASYCZNEGO ALGORYTMU
Bardziej szczegółowoAlgorytmy ewolucyjne (3)
Algorytmy ewolucyjne (3) http://zajecia.jakubw.pl/nai KODOWANIE PERMUTACJI W pewnych zastosowaniach kodowanie binarne jest mniej naturalne, niż inne sposoby kodowania. Na przykład, w problemie komiwojażera
Bardziej szczegółowoAlgorytmy ewolucyjne (2)
Algorytmy ewolucyjne (2) zajecia.jakubw.pl/nai/ ALGORYTM GEETYCZY Cel: znaleźć makimum unkcji. Założenie: unkcja ta jet dodatnia. 1. Tworzymy oobników loowych. 2. Stoujemy operacje mutacji i krzyżowania
Bardziej szczegółowoAlgorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba
Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów
Bardziej szczegółowoLICZBA OBIEKTÓW PODLEGAJĄCYCH OBOWIĄZKOWEJ OCHRONIE
POLICJA.PL http://www.policja.pl/pol/kgp/biuro-prewencji/wydzial-nadzoru-nad-sp/specjalistyczne-uzbroj/76255,liczba-obiektow-podlegaj acych-obowiazkowej-.html 2019-06-25, 06:45 LICZBA OBIEKTÓW PODLEGAJĄCYCH
Bardziej szczegółowoKARTA PRZEDMIOTU. 1. Informacje ogólne. 2. Ogólna charakterystyka przedmiotu. Metody drążenia danych D1.3
KARTA PRZEDMIOTU 1. Informacje ogólne Nazwa przedmiotu i kod (wg planu studiów): Nazwa przedmiotu (j. ang.): Kierunek studiów: Specjalność/specjalizacja: Poziom kształcenia: Profil kształcenia: Forma studiów:
Bardziej szczegółowoLABORATORIUM 1: Program Evolutionary Algorithms
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 1: Program Evolutionary Algorithms opracował:
Bardziej szczegółowo6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie
6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie Do projektowania składu chemicznego stali szybkotn cych, które jest zadaniem optymalizacyjnym, wykorzystano
Bardziej szczegółowoWYKORZYSTANIE MES DO WYZNACZANIA WPŁYWU PĘKNIĘCIA W STOPIE ZĘBA KOŁA NA ZMIANĘ SZTYWNOŚCI ZAZĘBIENIA
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2009 Seria: TRANSPORT z. 65 Nr kol. 1807 Tomasz FIGLUS, Piotr FOLĘGA, Piotr CZECH, Grzegorz WOJNAR WYKORZYSTANIE MES DO WYZNACZANIA WPŁYWU PĘKNIĘCIA W STOPIE ZĘBA
Bardziej szczegółowoEwolucyjne projektowanie i optymalizacja kombinacyjnych układów cyfrowych ze względu na liczbę tranzystorów
Adam Słowik Michał Białko Wydział Elektroniki i Informatyki Politechnika Koszalińska ul. JJ Śniadeckich 2, 75-453 Koszalin Ewolucyjne projektowanie i optymalizacja kombinacyjnych układów cyfrowych ze względu
Bardziej szczegółowo6. Klasyczny algorytm genetyczny. 1
6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny
Algorytmy stochastyczne, wykład 01 J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-21 In memoriam prof. dr hab. Tomasz Schreiber (1975-2010) 1 2 3 Różne Orientacyjny
Bardziej szczegółowoĆWICZENIE 2: Algorytmy ewolucyjne cz. 1 wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE studia niestacjonarne ĆWICZENIE 2: Algorytmy ewolucyjne cz. 1
Bardziej szczegółowoProgramowanie gier. wykład 0. Joanna Kołodziejczyk. 30 września Joanna Kołodziejczyk Programowanie gier 30 września / 13
Programowanie gier wykład 0 Joanna Kołodziejczyk 30 września 2016 Joanna Kołodziejczyk Programowanie gier 30 września 2016 1 / 13 Program przedmiotu Formy zajęć: 1 Wykład studia stacjonarne (15h) 2 Laboratorium
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoLIGHT ART SP. Z O.O. 1133-523. Bezterminowo (without the date)
NR W/037/20 NO W/037/20) (We declare under our sole responsibility that the product types, to wich this declaration relates is in conformity with the Oprawy oświetleniowe CASSINI 4 230V/12V, 50 Hz, max
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 szczegółowoAlgorytm FIREFLY. Michał Romanowicz Piotr Wasilewski
Algorytm FIREFLY Michał Romanowicz Piotr Wasilewski Struktura prezentacji 1. Twórca algorytmu 2. Inspiracja w przyrodzie 3. Algorytm 4. Zastosowania algorytmu 5. Krytyka algorytmu 6. Porównanie z PSO Twórca
Bardziej szczegółowosieć sprzedaży Oddział handlowy Końskie ul. Górna 2a, 26-200 Końskie, tel: +48 41 375 1347, fax: +48 41 375 1348 1 Łukasz Mączyński Dyrektor Regionu M: +48 665 139 210 l.maczynski@betomax.pl Oddział handlowy
Bardziej szczegółowo4. EKSPLOATACJA UKŁADU NAPĘD ZWROTNICOWY ROZJAZD. DEFINICJA SIŁ W UKŁADZIE Siła nastawcza Siła trzymania
3 SPIS TREŚCI Przedmowa... 11 1. WPROWADZENIE... 13 1.1. Budowa rozjazdów kolejowych... 14 1.2. Napędy zwrotnicowe... 15 1.2.1. Napęd zwrotnicowy EEA-4... 18 1.2.2. Napęd zwrotnicowy EEA-5... 20 1.3. Współpraca
Bardziej szczegółowoWykaz ekspozytur Centrum Zarządzania Ruchem Kolejowym PKP Polskie Linie Kolejowe S.A.
Regulamin przydzielania tras pociągów i korzystania z przydzielonych tras pociągów Wykaz ekspozytur Centrum Zarządzania Ruchem Kolejowym PKP Polskie Linie Kolejowe S.A. Lp. Adres Komórka Naczelnik + 48
Bardziej szczegółowoEwolucja Ró»nicowa - Wprowadzenie
15 grudnia 2016 Klasykacja Algorytmy Ewolucyjne Strategie Ewolucyjne Ewolucja Ró»nicowa Autorzy : Storn i Price [1994-97] Cechy charakterystyczne Algorytm oparty na populacji Osobniki s opisane za pomoc
Bardziej szczegółowoAlgorytmy metaheurystyczne podsumowanie
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoAlgorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki
Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Obliczenia ewolucyjne (EC evolutionary computing) lub algorytmy ewolucyjne (EA evolutionary algorithms) to ogólne określenia używane
Bardziej szczegółowoNazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia. Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia
Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia Wydział Matematyki i Informatyki Instytut Informatyki i
Bardziej szczegółowo