Systemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta
|
|
- Ludwika Kozieł
- 6 lat temu
- Przeglądów:
Transkrypt
1 Systemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta Dr inż. Jacek Mazurkiewicz Katedra Informatyki Technicznej
2 Wprowadzenie Problemy rozwiązywane przez podglądanie biologii Selekcja naturalna i mechanizmy dziedziczenia Zadania optymalizacyjne funkcja przystosowania Kiedy podejście klasyczne zawodzi lub jest trudne Współpraca z sieciami neuronowymi
3 Historia zjawiska : początki - biolodzy Barricelli, Fraser symulacja algorytmów genetycznych 1962: algorytmy genetyczne w zastosowaniach poza biologią J. Holland 1967: algorytmy genetyczne w prostych grach 1970: rozpoznawanie osób - tam gdzie klasyczne podejście zawodzi 1971: algorytmy genetyczne w optymalizacji
4 Zastosowania Programowanie komputerów Sztuczna inteligencja Optymalizacja Sztuczne sieci neuronowe algorytmy uczenia
5 Algorytmy genetyczne - słownik (1) Populacja zbiór osobników Osobnicy z populacji chromosom koduje informacje o osobniku Chromosomy uporządkowane ciągi genów Gen pojedynczy element genotypu - w szczególności chromosomu
6 Algorytmy genetyczne - słownik (2) Genotyp zespół chromosomów osobnika Fenotyp zestaw wartości odpowiadających danemu genotypowi Allel wartość danego genu (wariant cechy) 1 Locus pozycja genu w chromosomie
7 Algorytmy genetyczne - słownik (3) Generacja kolejna iteracja w algorytmie genetycznym Pokolenie wynik generacji nowo utworzona populacja Funkcja przystosowania miara przystosowania danego osobnika w populacji ocena stopnia przystosowania danego osobnika w populacji wybór osobników najlepiej przystosowanych
8 x 2 Przykład optymalizacji (1) x Funkcja: f(x) = x 2, x [0, 31], x N Początkowa populacja: - wybrana i zakodowana Prawdopodobieństwo wyboru osobnika: Nr Osobnik Wartość x Przystosowanie f(x) p S p S f ( x) = f ( x) f(x) funkcja przystosowania f(x) przystosowanie dla populacji , , , ,31 Średnia 293 0,25 Max 576 0,49
9 Przykład optymalizacji (2) Wybór rodziców, kojarzenie par losowe, krzyżowanie Nr Rodzice Nr partnera Nowa populacja x f(x) Średnia 439 Max 729 Wygenerowano nowe pokolenie chromosomów New Average = 1.5 * Old Average New Max = 1.5 * Old Max
10 Klasyczny algorytm genetyczny (1) Inicjalizacja wybór początkowej populacji chromosomów losowy wybór żądanej liczby chromosomów reprezentowanych przez ciągi binarne o określonej długości Ocena przystosowanie chromosomów w populacji obliczenie wartości funkcji przystosowania dla każdego chromosomu populacji im większa wartość funkcji tym lepsze przystosowanie danego chromosomu Kontrola warunku zatrzymania uzyskanie żądanej wartości optymalnej z wymaganą dokładnością kolejne kroki algorytmu nie poprawiają uzyskanej już wartości ograniczenia na czas wykonania algorytmu lub liczbę iteracji
11 Klasyczny algorytm genetyczny (2) Selekcja chromosomów wybór chromosomów biorących udział w tworzeniu potomków następnego pokolenia zasada naturalnej selekcji największe szanse na wybór chromosomy o największej wartości funkcji przystosowania Reprodukcja tworzenie nowej populacji z wybranej puli rodziców krzyżowanie mutacja Nowa populacja otrzymane chromosomy nowa populacja nowa pula rodziców Chromosom najlepiej przystosowany
12 Metoda ruletki Generalia ciągi kodowe o lepszym przystosowaniu mają większe prawdopodobieństwo wprowadzenia potomków do kolejnego pokolenia Symulacja wykalibrowanej ruletki każdy chromosom to sektor wielkość sektora proporcjonalna do przystosowania n-krotne losowanie osobników z bieżącej populacji wybrane osobniki do nowej populacji ruletka startuje n-razy n liczba osobników w populacji Prawdopodobieństwo selekcji f(x) funkcja przystosowania f(x) przystosowanie dla populacji p S f ( x) = f ( x) 8% 1 1 % % % % %
13 Ranking liniowy Generalia przystosowanie zależy od położenia osobnika na liście posortowanej według funkcji oceny Cechy metody dostraja kompresuje - dystans do najlepszego rozwiązania redukuje gdy jest zbyt znaczący zwiększa gdy zbyt mały Prawdopodobieństwo wyboru p x x p x przystosowanie osobnika przystosowanie populacji p S = px p X X
14 Ruletka ranking liniowy - przykład przystosowanie wartość prawdopodobieństwa wartość ruletka ranking liniowy 1 5 5/25 20% 1/6 16,6% (najgorszy) /25 52% 3/6 50% (najlepszy) 7 7/25 28% 2 2/6 33,3%
15 Turniej Generalia losowy wybór kilku osobników z całej populacji (grupa turniejowa) wybór najlepiej przystosowanego osobnika z grupy i wstawienie go do nowo tworzonej populacji Operacja powtarzana do momentu utworzenia całej nowej populacji Klucz decyzyjny ważna jest jedynie lepszość jednego rozwiązania nad innymi nie jest wymagana maksymalizacja funkcji oceny - jak w metodzie ruletki i rankingu liniowego
16 Krzyżowanie (1) Generalia wymiana materiału genetycznego pomiędzy dwoma osobnikami powstanie dwóch nowych osobników (dzieci) w wyniku operacji krzyżowania dwóch osobników (rodziców) zastąpienie rodziców przez dzieci w populacji Kroki wybór par chromosomów z puli rodzicielskiej w sposób losowy zgodnie z prawdopodobieństwem krzyżowania p c (0.5, 1) losowanie punktu krzyżowania l k (pozycji genu w chromosomie) poprzez losowanie liczby z przedziału [1, L-1], L długość chromosomu tworzenie potomków przez wymianę genów obu rodziców
17 Krzyżowanie (2) Rodzice Dzieci przed krzyżowaniem po krzyżowaniu
18 Krzyżowanie (3) jednopunktowe dwupunktowe Parent A Child A Child B Parent B wielopunktowe chromosomy rodziców są dzielone na kilka części dzieci tworzone są na podstawie przeplatanych wycinków rodziców równomierne wylosowany wzorzec wskazujący pokazuje, które geny są dziedziczone od pierwszego z rodziców a pozostałe od drugiego
19 Mutacja nie tak ważny operator częstość mutacji potrzebna do uzyskania dobrych wyników jest rzędu 1:1000 kopiowanych bitów droga wyjścia z lokalnych minimów zapobiega odrzuceniu wyeliminowanego przez selekcję i krzyżowanie potencjalnie obiecującego materiału genetycznego odwraca wartości genu w chromosomie 0 na 1 lub 1 na 0 - prawdopodobieństwo mutacji p m [0, 0.1] geny do zmutowania losowaniu liczby z przedziału [0, 1] dla każdego genu i wybraniu tych genów do mutacji, dla których wylosowana liczba jest mniejsza lub równa p m
20 Inwersja otrzymywanie nowych potomków - różniących się od chromosomów rodzicielskich - obok krzyżowania i mutacji działa na pojedynczym chromosomie - zmieniając kolejność alleli między dwiema losowo wybranymi pozycjami chromosomu występuje w rozszerzonych algorytmach genetycznych
21 Strategie szczególne reprodukcji strategia elitarna ochrona najlepszych chromosomów w kolejnych iteracjach - w algorytmie klasycznym osobniki najlepiej przystosowane nie zawsze wchodzą do następnej generacji z częściową wymianą populacji część populacji przechodzi do następnej generacji bez jakichkolwiek zmian - nie podlega operacjom krzyżowania i mutacji
22 Funkcja przystosowania (1) ocenia wynik każdego możliwego rozwiązania wartość numeryczna (dodatnia) pokazująca jak dane rozwiązanie rozwiązuje cały problem rosnące wartości oznaczają coraz lepsze przystosowanie zadanie algorytmu genetycznego: znalezienie, które rozwiązanie ma największą wartość funkcji przystosowania spośród całego zestawu możliwych rozwiązań przekształcanie funkcji celu w funkcję przystosowania funkcja celu może przyjmować wartości ujemne i dodatnie funkcja przystosowania jest nieujemnym kryterium oceny
23 Funkcja przystosowania (2) Funkcja celu g(x) w funkcję przystosowania f(x) czasem bezpośrednio f(x) = g(x) czasem przekształcenie liniowe Przykład 1: znaleźć maksimum g(x) Funkcja przystosowania: f(x) = g(x) + c min
24 Funkcja przystosowania (3) Przykład 2: znaleźć minimum funkcji g(x) Funkcja przystosowania: f(x) = c max - g(x)
25 Skalowanie przystosowania (1) gdy średnia wartość przystosowania f avg (x) << f max (x) zapobiega przedwczesnej zbieżności - ponadprzeciętnych osobników - w pierwszych pokoleniach Założenia: 1. f avg = f avg 2. C współczynnik zwielokrotnienia; średnia liczba potomków osobnika o maksymalnym przystosowaniu Zbliża osobniki przeciętne do najlepszych początek populacji
26 Skalowanie przystosowania (2) jeśli f avg (x) < f max (x) zapobiega błądzeniu przypadkowemu wśród przeciętniaków w najmłodszych pokoleniach populacji Założenia: 1. f avg = f avg 2. f min = 0 osobniki najgorzej przystosowane mają: f(x) = 0 najlepsi separowani są od przeciętnych dojrzała populacja
27 GA w służbie ANN optymalizacja topologii sieci neuronowych dobór wag sieci neuronowych algorytmy genetyczne w sieciach rekurencyjnych
28 Wnioskowanie rozmyte Plan Teoria logiki rozmytej Zbiory Rozmyte Logika Rozmyta Systemy bazujące na rozmytym wnioskowaniu Aplikacje
29 Teoria logiki rozmytej Zasadnicze założenie logiki rozmytej -to przynależność elementu do zbioru rozmytego z pewnym stopniem przynależności. Zbiór rozmyty ma rozmyte granice Nie mamy już logiki dwuwartościowej prawda i fałsz, mamy częściową prawdę i częściowy fałsz. Stopień przynależności do prawdy i fałszu to liczba z przedziału [0,1] Logika rozmyta to rozszerzenie logiki dwuwartościowej prawdziwość wyrażenia nie jest ograniczona to dwóch stanów
30 Zbiory rozmyte (1) Klasyczny przykład zbioru rozmytego - zbiór ludzi wysokich. Elementami zbioru rozmytego ludzi wysokich - są wszyscy, lecz stopień ich przynależności do tegoż zbioru zależy od ich wzrostu Name Chris Mark John Tom David Mike Bob Steven Bill Height, cm Degree of Membership Crisp Fuzzy Rozmyty zbiór ludzi wysokich Peter
31 Zbiory rozmyte (2) Degree of Membership 1.0 Crisp Sets Tall Men 0.4 Klasyczny i rozmyty zbiór ludzi wysokich Degree of Membership 1.0 Fuzzy Sets Height, cm Height, cm
32 Zbiory rozmyte (3) Oś x reprezentuje zakres zmienności dziedziny czyli zakres wszystkich możliwych wartości naszej zmiennej. ta zmienna to oczywiście wzrost człowieka. zakładamy, że do zbioru ludzi wysokich przynależą wszyscy. Oś y reprezentuje wartość przynależności do zbioru rozmytego. Innymi słowy zbiór ludzi wysokich powstaje przez mapowanie wzrostu człowieka z pewną wartością przynależności.
33 Zbiory rozmyte (4) Każdy zbiór rozmyty ma swoje ograniczenia Niech X to zbiór wartości wejściowych, a jego elementy to: x. W klasycznej teorii zbiorów, zbiór A w X jest definiowany funkcją f A (x) zwaną charakterystyką cechą zbioru A f A (x): X {0, 1}, gdzie f A ( x) = 1, if 0, if x x A A
34 Zbiory rozmyte (5) W teorii zbiorów rozmytych, zbiór rozmyty A przestrzeni X jest definiowany funkcją A (x) zwaną funkcją przynależności do zbioru A A (x): X [0, 1], gdzie A (x) = 1 gdy x w pełni zawarty w A; A (x) = 0 gdy x nie jest zawarty w A; 0 < A (x) < 1 gdy x jest częściowo zawarty w A. Dla każdego elementu x z przestrzeni X, wartość funkcji przynależności A (x) równa się stopniowi z jakim x jest elementem zbioru A. Ten stopień wartość zawarta między 0 a 1, reprezentuje stopień przynależności elementu x do zbioru A.
35 Zbiory rozmyte (6) Degree of Membership Crisp Sets Short Average Short Tall Tall Men Przykład opisu zbioru klasycznego i rozmytego Degree of Membership 1.0 Fuzzy Sets Height, cm Short Average Tall Tall
36 Zbiory rozmyte (7) X Fuzzy Subset A (x) 1 Crisp Subset A 0 Fuzziness Fuzziness x Typowymi funkcjami używanymi do opisu zbiorów rozmytych są: sigmoid, funkcja Gaussowska oraz PI. Funkcje bardziej złożone wyraźnie wydłużają czas przewarzania danych opisanych zbiorami rozmytymi. Stąd w praktyce najczęściej używane są liniowe funkcje wyznaczające przynależność do zbioru rozmytego.
37 Zbiory rozmyte (8) Zmienna lingwistyczna jest zmienną rozmytą. Dla przykładu Janek jest wysoki - implikuje zmienną lingwistyczną Janek - przyjmującą lingwistyczną wartość wysoki. Zakres możliwych wartości lingwistycznej zmiennej reprezentuje przestrzeń zmienności tej wartości. Przykład zakres zmienności lingwistycznej zmiennej prędkość opisanej liczbowo od 0 do 220 km/h może przyjmować wartości rozmyte takie jak: bardzo wolno, wolno, średnio, szybko, i bardzo szybko. Innymi słowy zmienne lingwistyczne mogą mieć dodatkowe parametry rozmyte, zwane przedrostkami. Przedrostki modyfikują kształt zbioru rozmytego. To określenia takie jak: bardzo, trochę, nieco, więcej, mniej, znacząco.
38 Przedrostek bardzo zbioru rozmytego Degree of Membership Short Average Short Tall Very Short Very Tall Tall Height, cm
39 Zbiory rozmyte (9) Operacje na zbiorach rozmytych - dopełnienie Zbiór klasyczny: Kto/co do zbioru nie należy? Zbiór rozmyty: W jakim stopniu ktoś/coś nie należy do zbioru? Przykład mamy zbiór osób wysokich, dopełnienie zbiór osób niewysokich. Jeśli A jest zbiorem rozmytym, to dopełnienie -A opisujemy następująco: -A (x) = 1 A (x)
40 Zbiory rozmyte (10) Operacje na zbiorach rozmytych - zawieranie Zbiór klasyczny: Które elementy należą do innych zbiorów? Zbiór rozmyty: Które elementy należą do innych zbiorów?? W zbiorze ludzi wysokich zbiór ludzi bardzo wysokich jest podzbiorem ludzi wysokich. Zauważmy, że zbiór ludzi wysokich jest także podzbiorem zbioru ludzie. W zbiorach klasycznych elementy podzbiorów przynależą w całości do zbioru większego. W zbiorach rozmytych sytuacja jest podobna, lecz: elementy mają mniejszą wartość przynależności do podzbioru niż do zbioru większego.
41 Zbiory rozmyte (11) Operacje na zbiorach rozmytych - przekrój Zbiór klasyczny: Które elementy należą do obu zbiorów? Zbiór rozmyty: Jak mocno elementy należą do obu zbiorów?? W zbiorach klasycznych do przekroju należą elementy nakładające się zbiorów macierzystych. W zbiorach rozmytych elementy mogą należeć do obu zbiorów macierzystych z różnymi wartościami funkcji przynależności. Rozmyty przekrój to niższa wartość funkcji przynależności. Zatem rozmyty przekrój zbiorów rozmytych A i B w przestrzeni X: A B (x) = min [ A (x), B (x)] = A (x) B (x), gdzie: x X
42 Zbiory rozmyte (12) Operacje na zbiorach rozmytych - suma Zbiór klasyczny: Który element należy do któregoś ze zbiorów? Zbiór rozmyty: Jak mocno element należy do któregoś ze zbiorów?? Dla zbiorów klasycznych suma zbiorów jest wynikiem logicznej operacji OR. Dla zbiorów rozmytych suma jest odwrotnością przekroju. Tym samym, suma powstaje jako produkt największej wartości funkcji przynależności. Suma rozmyta dwóch rozmytych zbiorów A i B w przestrzeni X może być opisana jako: A B (x) = max [ A (x), B (x)] = A (x) B (x), gdzie: x X
43 Zbiory rozmyte (13) ( x ) A Not A x ( x ) A B A B x Operacje na zbiorach rozmytych 0 0 Complement x Containment ( x ) ( x ) x 1 A B 1 A B 0 x 0 x 1 A B 1 0 Intersection x 0 A B Union x
44 Logika rozmyta (1) Logika rozmyta to rozszerzenie logiki dwuwartościowej prawdziwość zdania is nie jest ograniczona do prawdy i fałszu Przykłady zdań rozmytych: Φ = Height(John, tall) Φ = 0.9 Ψ = Speed(Mazda, fast) Ψ = 0.3 Prawdziwość zdania może być definiowana: -Φ = 1 Φ Φ Ψ = min { Φ, Ψ } /* t-norm */ Φ Ψ = max { Φ, Ψ } /* t-conorm */ Φ Ψ = min {1 - Φ + Ψ, 1} /* Lukasiewicz */
45 Logika rozmyta (2) Cztery klasy logiki rozmytej Logika klasyczna klasyczne wyrażenie: Height(John, 180) Weight(John, 60) klasyczne dane: Height(John, 180) Rozmyta baza wiedzy rozmyte wyrażenie: Height(John, tall) Weight(John, heavy) klasyczne dane: Height(John, 180) Niepewna baza wiedzy klasyczne wyrażenie: Height(John, 180) Weight(John, 60) rozmyte dane: Height(John, tall) Niepewna rozmyta baza wiedzy rozmyte wyrażenie: Height(John, tall) Weight(John, heavy) rozmyte dane: Height(John, tall)
46 Rozmyte systemy bazy wiedzy (1) Rozmyte systemy bazy wiedzy lub systemy sterowania rozmytego są specjalnym typem wielowartościowej logiki Reguły rozmyte są użyte do operowania na zbiorach rozmytych Prawdziwość każdej reguły rozmytej jest równa 1 Reprezentacja reguły rozmytej IF x is A THEN y is B gdzie x i y są zmiennymi lingwistycznymi; A i B są wartościami lingwistycznymi pozyskiwanymi ze zbiorów rozmytych odpowiednio w przestrzeni X i Y.
47 Rozmyte systemy bazy wiedzy (2) Reguła rozmyta może mieć wiele założeń: IF AND AND THEN project_duration is long project_staffing is large project_funding is inadequate risk is high Podobnie możemy mieć wiele wyników: IF temperature is hot THEN hot_water is reduced; cold_water is increased
48 Rozmyte systemy bazy wiedzy (3) Reguły wnioskowania klasyczne i rozmyte: Reguła klasyczna: IF speed is >100 THEN stopping_distance is long reguła rozmyta: IF speed is fast THEN stopping_distance is long W systemach rozmytych reguły mogą być odpalane etapami. Założenie i reakcja wniosek mają ten sam poziom przynależności.
PLAN 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 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 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 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 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 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 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 szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA HISTORIA NA CZYM BAZUJĄ AG
PLAN WYKŁADU OPTYMALIZACJA GLOBALNA Wykład 2 dr inż. Agnieszka Bołtuć Historia Zadania Co odróżnia od klasycznych algorytmów Nazewnictwo Etapy Kodowanie, inicjalizacja, transformacja funkcji celu Selekcja
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 szczegółowoObliczenia ewolucyjne - plan wykładu
Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja
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 szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia stacjonarne i niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki,
Bardziej szczegółowoAlgorytmy genetyczne w optymalizacji
Algorytmy genetyczne w optymalizacji Literatura 1. David E. Goldberg, Algorytmy genetyczne i ich zastosowania, WNT, Warszawa 1998; 2. Zbigniew Michalewicz, Algorytmy genetyczne + struktury danych = programy
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 szczegółowoAlgorytmy genetyczne
Politechnika Łódzka Katedra Informatyki Stosowanej Algorytmy genetyczne Wykład 2 Przygotował i prowadzi: Dr inż. Piotr Urbanek Powtórzenie Pytania: Jaki mechanizm jest stosowany w naturze do takiego modyfikowania
Bardziej szczegółowoMetody 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 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 szczegółowoAlgorytmy ewolucyjne. wprowadzenie
Algorytmy ewolucyjne wprowadzenie Gracjan Wilczewski, www.mat.uni.torun.pl/~gracjan Toruń, 2005 Historia Podstawowy algorytm genetyczny został wprowadzony przez Johna Hollanda (Uniwersytet Michigan) i
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 szczegółowoRównoważność algorytmów optymalizacji
Równoważność algorytmów optymalizacji Reguła nie ma nic za darmo (ang. no free lunch theory): efektywność różnych typowych algorytmów szukania uśredniona po wszystkich możliwych problemach optymalizacyjnych
Bardziej szczegółowoInspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny
Soft computing Soft computing tym róŝni się od klasycznych obliczeń (hard computing), Ŝe jest odporny na brak precyzji i niepewność danych wejściowych. Obliczenia soft computing mają inspiracje ze świata
Bardziej szczegółowoAlgorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS
Algorytmy ewolucyjne Łukasz Przybyłek Studenckie Koło Naukowe BRAINS 1 Wprowadzenie Algorytmy ewolucyjne ogólne algorytmy optymalizacji operujące na populacji rozwiązań, inspirowane biologicznymi zjawiskami,
Bardziej szczegółowoAlgorytmy genetyczne (AG)
Algorytmy genetyczne (AG) 1. Wprowadzenie do AG a) ewolucja darwinowska b) podstawowe definicje c) operatory genetyczne d) konstruowanie AG e) standardowy AG f) przykład rozwiązania g) naprawdę bardzo,
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 szczegółowoMETODY HEURYSTYCZNE wykład 3
METODY HEURYSTYCZNE wykład 3 1 Przykład: Znaleźć max { f (x)=x 2 } dla wartości całkowitych x z zakresu 0-31. Populacja w chwili t: P(t)= {x t 1,...x t n} Założenia: - łańcuchy 5-bitowe (x=0,1,...,31);
Bardziej szczegółowoStandardowy algorytm genetyczny
Standardowy algorytm genetyczny 1 Szybki przegląd 2 Opracowany w USA w latach 70. Wcześni badacze: John H. Holland. Autor monografii Adaptation in Natural and Artificial Systems, wydanej w 1975 r., (teoria
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 szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowoAlgorytmy genetyczne
Politechnika Łódzka Katedra Informatyki Stosowanej Algorytmy genetyczne Wykład 2 Przygotował i prowadzi: Dr inż. Piotr Urbanek Powtórzenie Pytania: Jaki mechanizm jest stosowany w naturze do takiego modyfikowania
Bardziej szczegółowoRozmyte systemy doradcze
Systemy ekspertowe Rozmyte systemy doradcze Plan. Co to jest myślenie rozmyte? 2. Teoria zbiorów rozmytych. 3. Zmienne lingwistyczne. 4. Reguły rozmyte. 5. Wnioskowanie rozmyte (systemy doradcze). typu
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoAlgorytmy ewolucyjne `
Algorytmy ewolucyjne ` Wstęp Czym są algorytmy ewolucyjne? Rodzaje algorytmów ewolucyjnych Algorytmy genetyczne Strategie ewolucyjne Programowanie genetyczne Zarys historyczny Alan Turing, 1950 Nils Aall
Bardziej szczegółowoWYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte)
WYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte) Motywacje:! przezwyciężenie wad tradycyjnych algorytmów komputerowych, które zawodzą zwłaszcza w sytuacjach, w których człowiek
Bardziej szczegółowoAutomatyczny dobór parametrów algorytmu genetycznego
Automatyczny dobór parametrów algorytmu genetycznego Remigiusz Modrzejewski 22 grudnia 2008 Plan prezentacji Wstęp Atrakcyjność Pułapki Klasyfikacja Wstęp Atrakcyjność Pułapki Klasyfikacja Konstrukcja
Bardziej szczegółowoMETODY HEURYSTYCZNE wykład 3
SCHEMAT DZIAŁANIA AG: METODY HEURYSTYCZNE wykład 3 procedure Algorytm_genetyczny t:=0 wybierz populację początkową P(t) oceń P(t) while (not warunek_zakończenia) do t:=t+ wybierz P(t) z P(t-) (selekcja)
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 szczegółowoInteligencja obliczeniowa
Ćwiczenie nr 1 Zbiory rozmyte logika rozmyta Tworzenie: termów zmiennej lingwistycznej o różnych kształtach, modyfikatorów, zmiennych o wielu termach; operacje przecięcia, połączenia i dopełnienia 1. Wprowadzenie
Bardziej szczegółowoSztuczna inteligencja : Zbiory rozmyte cz. 2
Sztuczna inteligencja : Zbiory rozmyte cz. 2 Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego 1 marca 2012 Funkcja trójkątna: Funkcja trójkątna: Funkcja przynależności γ (gamma): Rysunek:
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 szczegółowoProgram "FLiNN-GA" wersja 2.10.β
POLSKIE TOWARZYSTWO SIECI NEURONOWYCH POLITECHNIKA CZĘSTOCHOWSKA Zakład Elektroniki, Informatyki i Automatyki Maciej Piliński Robert Nowicki - GA Program "FLiNN-GA" wersja 2.10.β Podręcznik użytkownika
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice
Bardziej szczegółowoSztuczna inteligencja: zbiory rozmyte
Instytut Informatyki Uniwersytetu Śląskiego lab 1 1 Klasyczna teoria zbiorów 2 Teoria zbiorów rozmytych 3 Zmienne lingwistyczne i funkcje przynależności 4 System rozmyty 5 Preprocesing danych Każdy element
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 szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Logika Rozmyta (Fuzzy Logic) Mimo
Bardziej szczegółowoBIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE. Adrian Horzyk. Akademia Górniczo-Hutnicza
BIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii
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 szczegółowoALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ
ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ Zalety: nie wprowadzają żadnych ograniczeń na sformułowanie problemu optymalizacyjnego. Funkcja celu może być wielowartościowa i nieciągła, obszar
Bardziej szczegółowoStrategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek
Strategie ewolucyjne Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne, a algorytmy genetyczne Podobieństwa: Oba działają na populacjach rozwiązań Korzystają z zasad selecji i przetwarzania
Bardziej szczegółowoSieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte
Sieci Neuronowe Wykład 11 Algorytmy genetyczne; Systemy rozmyte wykład przygotowany na podstawie. S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 4, PWNT, Warszawa 1996. W. Duch, J. Korbicz,
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 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 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 szczegółowoTechniki ewolucyjne - algorytm genetyczny i nie tylko
Reprezentacja binarna W reprezentacji binarnej wybór populacji początkowej tworzymy poprzez tablice genotypów (rys.1.), dla osobników o zadanej przez użytkownika wielkości i danej długości genotypów wypełniamy
Bardziej szczegółowoJeśli X jest przestrzenią o nieskończonej liczbie elementów:
Logika rozmyta 2 Zbiór rozmyty może być formalnie zapisany na dwa sposoby w zależności od tego z jakim typem przestrzeni elementów mamy do czynienia: Jeśli X jest przestrzenią o skończonej liczbie elementów
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 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 stochastyczne, wykład 02 Algorytmy genetyczne
Algorytmy stochastyczne, wykład 02 Algorytmy genetyczne J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-27 1 Mutacje algorytmu genetycznego 2 Dziedzina niewypukła abstrakcyjna
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 szczegółowoZadanie 0 gdy nie mamy logiki rozmytej. Zadanie 1- gdy już mamy logikę rozmytą
Zadanie 0 gdy nie mamy logiki rozmytej Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest gorąco czy raczej zimno. A więc znając wartośd liczbową temperatury chcemy oceniad
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Wykład 7 PLAN: - Repetitio (brevis) -Algorytmy miękkiej selekcji: algorytmy ewolucyjne symulowane wyżarzanie
Bardziej szczegółowoSTANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F.
METODY HEURYSTYCZNE wykład 6 STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI 2 GAUSSOWSKA F. PRZYNALEŻNOŚCI F. PRZYNALEŻNOŚCI KLASY s środek; a określa szerokość krzywej 3 4 F. PRZYNALEŻNOŚCI KLASY π F. PRZYNALEŻNOŚCI
Bardziej szczegółowoINŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Podstawowe pojęcia z logiki rozmytej Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sterowanie
Bardziej szczegółowoObliczenia Naturalne - Algorytmy genetyczne
Literatura Obliczenia Naturalne - Algorytmy genetyczne Paweł Paduch Politechnika Świętokrzyska 20 marca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 1 z 45 Plan wykładu Literatura 1 Literatura
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
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 szczegółowoALGORYTMY GENETYCZNE
ALGORYTMY GENETYCZNE Algorytmy Genetyczne I. Co to są algorytmy genetyczne? II. Podstawowe pojęcia algorytmów genetycznych III. Proste algorytmy genetyczne IV. Kodowanie osobników i operacje genetyczne.
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 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 szczegółowoWnioskowanie rozmyte. Krzysztof Patan
Wnioskowanie rozmyte Krzysztof Patan Wprowadzenie Informacja precyzyjna jest to jedyna postać informacji akceptowanej przez konwencjonalne metody matematyczne, najczęściej dostarczana jest przez precyzyjne
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 szczegółowoModyfikacje i ulepszenia standardowego algorytmu genetycznego
Modyfikacje i ulepszenia standardowego algorytmu genetycznego 1 2 Przypomnienie: pseudokod SGA t=0; initialize(p 0 ); while(!termination_condition(p t )) { evaluate(p t ); T t =selection(p t ); O t =crossover(t
Bardziej szczegółowoReprezentacja rozmyta - zastosowania logiki rozmytej
17.06.2009 Wrocław Bartosz Chabasinski 148384 Reprezentacja rozmyta - zastosowania logiki rozmytej 1. Wstęp Celem wprowadzenia pojęcia teorii zbiorów rozmytych była potrzeba matematycznego opisania tych
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 szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoAlgorytmy genetyczne Michał Bereta Paweł Jarosz (część teoretyczna)
1 Zagadnienia Sztucznej Inteligencji laboratorium Wprowadzenie Algorytmy genetyczne Michał Bereta Paweł Jarosz (część teoretyczna) Dana jest funkcja f, jednej lub wielu zmiennych. Należy określić wartości
Bardziej szczegółowoAlgorytmy genetyczne w interpolacji wielomianowej
Algorytmy genetyczne w interpolacji wielomianowej (seminarium robocze) Seminarium Metod Inteligencji Obliczeniowej Warszawa 22 II 2006 mgr inż. Marcin Borkowski Plan: Przypomnienie algorytmu niszowego
Bardziej szczegółowo6. Zagadnienie parkowania ciężarówki.
6. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoW narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury do zbioru gorąco.
Zadanie 0 Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest gorąco czy raczej zimno. A więc znając wartośd liczbową temperatury chcemy oceniad wartośd funkcji przynależności
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 szczegółowoPiotr Sobolewski Krzysztof Skorupski
Plan prezentacji Logika rodzaje Logika klasyczna Logika wielowartościowa Logika rozmyta Historia powstania Definicje Zbiory rozmyte Relacje rozmyte Systemy rozmyte Modele Zastosowanie w optymalizacji przykłady
Bardziej szczegółowoTechnologia informacyjna Sztuczna Inteligencja Janusz Uriasz
Technologia informacyjna Sztuczna Inteligencja Janusz Uriasz 4. Sztuczna inteligencja Sztuczna inteligencja (SI) - dziedzina informatyki związana z koncepcjami i metodami wnioskowania symbolicznego, wykonywanego
Bardziej szczegółowoAlgorytmy genetyczne jako metoda wyszukiwania wzorców. Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż.
Algorytmy genetyczne jako metoda wyszukiwania wzorców Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż. Marcin Borkowski Krótko i na temat: Cel pracy Opis modyfikacji AG Zastosowania
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład 4 (Fuzzy logic) 23 listopad 2011 Plan wykładu 1 Systemy wnioskowania z danymi niepewnymi 2 3 Inteligentne systemy z wiedzą Systemy z wiedzą składają się z dwóch części: 1 Baza wiedzy (KB): zbioru
Bardziej szczegółowoALGORYTMY GENETYCZNE I EWOLUCYJNE
http://wazniak.mimuw.edu.pl INTELIGENTNE TECHNIKI KOMPUTEROWE wykład Karol Darwin (59 On the origin of species ): ALGORYTMY GENETYCZNE I EWOLUCYJNE Gregor Johann Mel (-) - austriacki zakonnik, augustianin,
Bardziej szczegółowoZadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik
Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda
Bardziej szczegółowoZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE
SYSTEMY ROZMYTE ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE 2 965 Lotfi A. Zadeh: Fuzzy sets Metoda reprezentacji wiedzy wyrażonej w języku naturalnym: Temperatura wynosi 29 o C informacja liczbowa - naturalna
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Logika rozmyta dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Wyostrzanie Ostateczna, ostra wartość
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 szczegółowo7. Zagadnienie parkowania ciężarówki.
7. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoALGORYTMY EWOLUCYJNE. INTELIGENTNE TECHNIKI KOMPUTEROWE wykład 011. Napór selekcyjny (selektywny nacisk. Superosobniki: SELEKCJA
INTELIGENTNE TECHNIKI KOMPUTEROWE wykład 0 ALGORYTMY EWOLUCYJNE 2 Dla danego problemu można określić wiele sposobów kodowania i zdefiniować szereg operatorów (np. zadanie komiwojażera). AE to rozwinięcie
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
METODY ANALITYCZNE kontra AG/AE OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome EVOLUTIONARY OPERATORS AND RECEIVING
Bardziej szczegółowoAlgorytmy ewolucyjne Część II
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Część II Metaheurystyki Treść wykładu Zastosowania Praktyczne aspekty GA Reprezentacja Funkcja dopasowania Zróżnicowanie dopasowania
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 2 communication
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 szczegółowoINTELIGENCJA OBLICZENIOWA. dr Katarzyna Grzesiak-Kopeć
INTELIGENCJA OBLICZENIOWA dr Katarzyna Grzesiak-Kopeć obliczenia ewolucyjne 2 Plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne
Bardziej szczegółowo1. Logika, funkcje logiczne, preceptron.
Sieci neuronowe 1. Logika, funkcje logiczne, preceptron. 1. (Logika) Udowodnij prawa de Morgana, prawo pochłaniania p (p q), prawo wyłączonego środka p p oraz prawo sprzeczności (p p). 2. Wyraź funkcję
Bardziej szczegółowoAlgorytmy genetyczne służą głównie do tego, żeby rozwiązywać zadania optymalizacji
Kolejna metoda informatyczna inspirowana przez Naturę - algorytmy genetyczne Struktura molekuły DNA nośnika informacji genetycznej w biologii Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania
Bardziej szczegółowoTomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej
1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowo