XII International PhD Workshop OWD 2010, October 2010 MODEL TEORETYCZNY ALGORYTMU MRÓWKOWEGO SAS
|
|
- Grażyna Kurek
- 5 lat temu
- Przeglądów:
Transkrypt
1 XII International PhD Workshop OWD 2010, October 2010 MODEL TEORETYCZNY ALGORYTMU MRÓWKOWEGO SAS Paweł Rembelski, Polsko-Japońska Wyższa Szkoła Technik Komputerowych (Opiekun naukowy: prof. Witold Kosiński, Polsko-Japońska Wyższa Szkoła Technik Komputerowych) Abstract The paper introduces a Simple Ant System algorithm (SAS), which is a modification of a well known Ant System (AS) heuristic. SAS method is designed with respect to the assumed definition of an optimization problem. In this case the following components of the AS method are rebuilt: the definition of pheromone density coefficient, the neighborhood choosing rule, the pheromone update rule. Using these modifications the theoretical model of evolution of SAS algorithm is derived, both in the local scale, i.e. for a single ant, as well as in the global scale, i.e. for the whole ant colony. The final conclusion is that Simple Ant System evolution process is the Markov process over the finite set of states. This result gives a possibility to carry out the detailed research on the convergence property of SAS method as well as allows to investigate a theoretical background of self-adaptive subalgorithms for the single ant behavior. Due to this line of research a Self-Adaptive Ant System (SAAS) with parallelization schema for the NVidia CUDA platform is planned to be SAS method successor. Streszczenie W artykule prezentujemy zmodyfikowaną wersję klasycznej heurystyki mrówkowej, nazwaną przez autora pracy Simple Ant System (SAS), dla której konstruujemy model teoretyczny sformułowany w języku algebry liniowej. Finalnym rezultatem pracy jest wniosek mówiący, że proces ewolucji algorytmu SAS jest procesem Markowa w skończonej przestrzeni stanów. 1. Problem optymalizacyjny Przez problem optymalizacyjny będziemy rozumieli czwórkę,r,,, gdzie: =, jest zadanym skończonym grafem skierowanym nad zbiorem indeksowanych wierzchołków =,,, i binarną macierzą sąsiedztwa wymiaru, R=,,, jest zbiorem wszystkich indeksowanych dróg (rozwiązań), tj. ciągów (z powtórzeniami) złożonych z indeksów wierzchołków grafu, gdzie =,,,, dla każdego 1, =,,, jest zbiorem indeksowanych dopuszczalnych krotności wystąpień indeksów wierzchołków grafu w każdej drodze R tak, że N, dla 1, = :R R 0 jest funkcją oceny jakości drogi. Wniosek 1.1. Ponieważ =, to zbiór R jest zbiorem skończonym. Niech dalej R będzie drogą optymalną, tj. 1. Naszym zadaniem jest wyszukanie takiej drogi R, by różnica była możliwie minimalna. Zatem interesuje nas minimalizacja wartości funkcji oceny w przestrzeni rozwiązań R. Przedstawione powyżej sformułowanie problemu optymalizacyjnego jest dostatecznie uniwersalne. Pozwala na wyrażenie wielu praktycznych zagadnień kombinatorycznych z dziedziny teorii algorytmów, szczególnie tych, z klasy problemów NP-zupełnych, jak np. problem komiwojażera, problem marszrutyzacji, problem plecakowy. Z punktu widzenia tematyki prezentowanej pracy ustalenie konkretnego problemu optymalizacyjnego nie jest istotne. Stąd, w dalszej części artykułu przedstawimy wyniki teoretyczne bez bezpośredniego odniesienia do instancji problemu optymalizacyjnego. 2. Algorytmy mrówkowe 37
2 Algorytmy mrówkowe stanowią szeroką klasę heurystyk optymalizacyjnych inspirowanych biologią, a dokładniej zachowaniami rojowymi. W tym przypadku siła metody obliczeniowej spoczywa na kolektywnym gromadzeniu informacji przez jednostki nazywane mrówkami i konstruowaniu indywidualnych rozwiązań w oparciu o globalną wiedzę zbioru indeksowanych mrówek =,,,, nazywanego mrowiskiem. Pierwsze prace nad algorytmami mrówkowymi przedstawił w rozprawie doktorskiej M. Dorigo [1]. Następnie razem z współpracownikami podał kompletny schemat metody Ant System (AS) [5] i wykazał efektywność tego podejścia na przykładzie problemu komiwojażera [4]. Kolejne lata badań przyniosły wiele modyfikacji bazowego modelu AS, w rezultacie czego powstała szeroka klasa heurystyk mrówkowych, nazywanych ogólnie Ant Colony Optimization (ACO), np. Ant Colony System (ACS) [3], MAX-MIN Ant System (MMAS) [8]. Algorytmy zawarte w tej klasie metod ACO znalazły szeroką gamę zastosowań praktycznych w dziedzinach: routingu, przydziału zasobów, planowania pracy, wyszukiwania właściwych podzbiorów elementów i wielu innych [2]. Wraz z rozwojem praktycznych aspektów zastosowań algorytmów mrówkowych, podano także częściowe wyniki teoretyczne dotyczące ich zbieżności i oczekiwanego czasu działania, np. [6], [7]. 2.1 Algorytm AS Model heurystyki AS bazuje na pojęciu współczynnika nasycenia śladu feromonowego, R krawędzi łączącej wierzchołek z wierzchołkiem. Wartość współczynnika jest modyfikowana w trakcie wykonania algorytmu przez wszystkie mrówki,,,, na podstawie indywidualnie skonstruowanych dróg,,,, zgodnie z poniższą regułą aktualizacji współczynników nasycenia śladu feromonowego (AS-PUR), 1 + Δ,, gdzie jest ustalonym współczynnikiem wyparowania feromonu Δ, =,, ą 0,.. dla będącego zadaną stałą. Aktualne wartości współczynników nasycenia śladu feromonowego,, dla 1, stanowią nośnik wiedzy dla całego mrowiska na temat własności przeszukiwanej przestrzeni rozwiązań R. Niech =,,, będzie aktualnie skonstruowaną drogą, przez mrówkę, gdzie =. Poniższa probabilistyczna reguła wyboru sąsiedztwa (AS-NCR) jednoznacznie determinuje prawdopodobieństwo dołączenia przez mrówkę do ciągu wierzchołka =,,,,,, 0,.. dla będących zadanymi współczynnikami sterującymi zachowaniem mrówki,, dla 1,, będącym dodatkową lokalną informacją (tzw. informacja heurystyczna) związaną z parą wierzchołków,, np. dla problemu komiwojażera 1, = dist,, gdzie dist, jest odległością między wierzchołkami o indeksach. Ostatecznie algorytm mrówkowy klasy AS ma następującą postać: ustal wartości parametrów sterujących,,, dopóki warunek stopu nie jest spełniony powtórz: o dla mrówki,,, ustal indeks wierzchołka początkowego drogi, o dla mrówki,,, zbuduj korzystając z reguły AS-NCR drogę, o przeprowadź globalnie aktualizację współczynników nasycenia śladu feromonowego reguła AS-PUR. 2.2 Algorytm SAS Prosty algorytm mrówkowy Simple Ant System (SAS) stanowi przedmiotem pracy badawczej autora artykułu. Heurystyka SAS bazuje na schemacie metody AS, wprowadza jednak szereg modyfikacji względem poszczególnych składowych wersji pierwotnej. Podstawowe zmiany dotyczą trzech kluczowych aspektów: definicji współczynnika nasycenia śladu feromonowego, reguły aktualizacji współczynników nasycenia śladu feromonowego reguła SAS-PUR, reguły wyboru sąsiedztwa reguła SAS-NCR. Dokładny opis powyższych zmian jest zawarty w treści kolejnego rozdziału. Istotny jest fakt, że w algorytmie SAS zawężamy zbiór parametrów sterujących,, jedynie do współczynnika, dodatkowo rezygnujemy z informacji heurystycznej,. Ostatecznie heurystyka SAS ma następującą postać: ustal wartość parametru sterującego,, dopóki warunek stopu nie jest spełniony powtórz: 38
3 o dla mrówki,,, ustal indeks wierzchołka początkowego drogi, o dla mrówki,,, zbuduj korzystając z reguły SAS-PUR drogę, o dla mrówki,,,, przeprowadź lokalnie aktualizację współczynników nasycenia śladu feromonowego reguła SAS- NCR. 3. Model teoretyczny algorytmu SAS Na potrzeby tego rozdziału przyjmiemy następujące oznaczenia:, wektor kolumnowy tożsamy z -tą kolumną macierzy, -ty element ciągu, #, liczba wystąpień elementów w wektorze/ciągu. 3.1 Probabilistyka śladu feromonowego Niech N będzie maksymalną wartością współczynnika nasycenia śladu feromonowego związanego z dowolną krawędzią grafu. Dalej zbiór H=1,2,, będziemy nazywali zbiorem współczynników nasycenia śladu feromonowego. W algorytmie SAS. Na tej podstawie wprowadzamy kolejno: F=,,, zbiór wszystkich indeksowanych wektorów kolumnowych stopni nasycenia śladu feromonowego wymiaru takich, że H, dla 1, gdzie oznacza ilość feromonu związanego z wierzchołkiem, H=,,, zbiór wszystkich indeskowanych macierzy stopni nasycenia śladu feromonowego wymiaru takich, że H, dla 1, gdzie, oznacza ilość feromonu związanego z krawędzią łączącą wierzchołek z wierzchołkiem. Wniosek 3.1. Ponieważ =, to zbiór F jest zbiorem skończonym. Wniosek 3.2. Ponieważ =, to zbiór H jest zbiorem skończonym. Korzystając z przedstawionych powyżej zbiorów H, F H wprowadzimy teraz niezbędny aparat probabilistyczny pozwalający na stworzenie modelu teoretycznego dla rozważanego algorytmu mrówkowego SAS. Przez H oznaczać będziemy zbiór dyskretnych wartości prawdopodobieństwa postaci H =, gdzie 1,2,,, 1,2,, 0< 1. Konstruujemy funkcję redukcji wektorów Ω:F R R H stanowiącą zmodyfikowaną regułę wyboru sąsiedztwa (SAS-NCR) dla algorytmu SAS, która danemu wektorowi kolumnowemu stopni nasycenia śladu feromonowego przyporządkowuje stochastyczny wektor kolumnowy =Ω,, tak, że =1 oznacza prawdopodobieństwo wyboru wierzchołka, gdzie =, #,< 0, #, :#, dla będącego parametrem sterującym zachowaniem pojedynczej mrówki. Należy zwrócić uwagę na fakt, że prawdopodobieństwo wyboru wierzchołka na podstawie wektora probabilistycznego jest równe 0 wtedy i tylko wtedy, gdy krotność występowania indeksu w dotychczas ustalonej drodze R jest większa bądź równa. W każdym innym przypadku prawdopodobieństwo wyboru wierzchołka jest niezerowe. 3.2 Przypadek podstawowy pojedyncza mrówka Przez stan mrówki w chwili będziemy rozumieli czwórkę,,,, gdzie: jest wektorem stopnia nasycenia śladu feromonowego określającym probabilistykę wyboru wierzchołka początkowego dla drogi konstruowanej w chwili, jest macierzą stopni nasycenia śladu feromonowego określającą probabilistykę wyboru kolejnych wierzchołków w drodze konstruowanej w chwili, droga będąca rezultatem przejścia mrówki ze stanu w chwili 1 do stanu, najlepsza, względem wartości funkcji oceny, droga skonstruowana do chwili 1 włącznie, F H R. 39
4 Wniosek 3.3. Stan mrówki w chwili zależy jedynie od stanu mrówki w chwili 1. Dalej =,,, będzie zbiorem wszystkich = indeksowanych stanów mrówki. Wniosek 3.4. Ponieważ = = to zbiór jest zbiorem skończonym. Asymptotyczne górne ograniczenie na liczność elementów zbioru jest konsekwencją wprowadzonego w pierwszym rozdziale asymptotycznego górnego ograniczenia na liczność zbioru R. Oczywiście nie jest to wynik dokładny, ale zarazem wystarczający do tego by wykazać fakt skończoności zbioru, a tym samym podać skończony wektor kolumnowy opisujący rozkład prawdopodobieństwa dla stanów mrówki, a także skonstruować skończoną macierz reprezentującą algorytm działania dla pojedynczej mrówki. Załóżmy teraz, że mrówka (z ustaloną wartością parametru ) w chwili znajduje się w stanie. Poniższy schemat determinuje regułę przejścia mrówki w algorytmie SAS ze stanu do stanu. Tym samym opisuje zmodyfikowaną regułę aktualizacji współczynników nasycenia śladu feromonowego (SAS-PUR): na podstawie rozkładu prawdopodobieństwa zadanego wektorem kolumnowym Ω,, ustal indeks pierwszego wierzchołka w konstruowanej drodze, dopóki warunek stopu nie jest spełniony powtórz: niech =,,,, na podstawie rozkładu prawdopodobieństwa zadanego wektorem kolumnowym Ω,,, ustal indeks -tego wierzchołka drogi, następnie,, niech =,,, będzie skonstruowaną drogą, gdzie 1, wtedy jeżeli, to wykonaj w przeciwnym przypadku wykonaj, niech =,,,, wykonaj aktualizację śladu feromonowego zgodnie z poniższym schematem:, max1, 1, min, +1, następnie, max1,, 1,, min,, +1, kolejno dla 1 < i 1 <. Ostatecznie stan, który mrówka osiągnie w chwili +1 ma postać,,,. Na podstawie powyższego algorytmu postępowania dla pojedynczej mrówki możemy sformułować kompletny opis algebraiczny jego wykonania. Poniżej 0,1 będzie stochastycznym wektorem kolumnowym wymiaru reprezentującym rozkład prawdopodobieństwa stanu mrówki w chwili tak, że =1 oznacza prawdopodobieństwo tego, że w chwili mrówka znajduje się w stanie. Następnie 0,1 będzie macierzą kolumnowo stochastyczną wymiaru reprezentującą algorytm postępowania dla pojedynczej mrówki tak, że,=1 dla każdego 1,, oznacza prawdopodobieństwo przejścia mrówki w chwili ze stanu =,,, do stanu =,,, w chwili +1. Kryteria konstrukcji macierzy bazują na przedstawionych powyżej regułach przejścia dla mrówki i są zgodne z następującym schematem:,=0, gdy różnica wektorów nie jest wektorem o zerowej sumie elementów i zawierającym co najwyżej jeden element 1 jeden element 1,,=0, gdy różnica wektorów,, dla pewnego 1, nie jest wektorem o zerowej sumie elementów i zawierającym co najwyżej jeden element 1 jeden element 1,,=0, gdy <, tj. nieosiągalne są stany, w których rozwiązanie jest lepsze niż rozwiązanie do tej pory najlepsze,,=0, gdy >, tj. nieosiągalne są stany, w których rozwiązanie do tej pory 40
5 najlepsze jest gorsze niż rozwiązanie do tej pory najlepsze w stanie poprzedzającym stan, w pozostałych przypadkach, jeżeli =,,,, gdzie 1, to,=ω,, Ω,,,,,, czyli prawdopodobieństwo przejścia mrówki ze stanu do stanu jest równe iloczynowi prawdopodobieństwa wyboru wierzchołka początkowego o indeksie zgodnie z rozkładem zadanym wektorem Ω,,, z prawdopodobieństwem wyboru wierzchołka o indeksie w wierzchołku zgodnie z rozkładem prawdopodobieństwa zadanym wektorem Ω,,,,,,, kolejno dla =1,2,, 1. Załóżmy teraz, że wektor kolumnowy odpowiada za rozkład prawdopodobieństwa stanów mrówki w chwili, wtedy = jest wektorem prawdopodobieństwa stanów mrówki w chwili +1. Ogólnie, jeżeli jest wektorem rozkładu prawdopodobieństwa dla stanu początkowego pojedynczej mrówki, to = jest wektorem prawdopodobieństwa dla stanów mrówki w chwili, gdzie =1,2,3,. Przedstawione powyżej rozważania z uwzględnieniem wniosków 3.3 i 3.4, pozwalają nam na wyrażenie procesu ewolucji stanów pojedynczej mrówki w języku teorii łańcuchów Markowa nad dyskretną przestrzenią stanów. Prowadzi to do kluczowego wniosku: Wniosek 3.5. Proces ewolucji stanów pojedynczej mrówki w przyjętym modelu teoretycznym algorytmy SAS jest procesem Markowa. 3.3 Przypadek rozszerzony - mrowisko W oparciu o zaprezentowany model teoretyczny postępowania dla pojedynczej mrówki możemy podać rozszerzenie rezultatów dla procesu ewolucji mrowiska =,,,, składającego się z >1 mrówek. Przez stan mrowiska w chwili będziemy rozumieli -tkę stanów mrówek gdzie,,,, =,,, jest czwórką opisującą stan mrówki w chwili, dla 1. Zatem F H R. Wniosek 3.6. Stan mrowiska w chwili zależy jedynie od stanu mrowiska w chwili 1. Należy podkreślić fakt, że w przyjętym modelu teoretycznym dla stanu mrowiska, wszystkie mrówki w chwili dostrzegają tą samą postać wektora macierzy. Dalej =,,, będzie zbiorem wszystkich indeksowanych stanów mrowiska. Wniosek 3.7. Ponieważ =, to zbiór jest zbiorem skończonym. Schemat reguły przejścia mrowiska stanu do stanu jest następujący: dla każdej mrówki, gdzie 1, wykonaj przejście mrówki ze stanu do stanu zgodnie z reguła przejścia dla pojedynczej mrówki przedstawioną w podrozdziale 3.2. Na tej podstawie możemy wyprowadzić algebraiczny opis procesu ewolucji dla całego mrowiska. Niech 0,1 będzie stochastycznym wektorem kolumnowym wymiaru reprezentującym rozkład prawdopodobieństwa stanu mrowiska w chwili tak, że =1 oznacza prawdopodobieństwo tego, że w chwili mrowisko znajduje się w stanie. Następnie 0,1 będzie macierzą kolumnowo stochastyczną wymiaru reprezentującą algorytm postępowania mrowiska tak, że,=1 dla każdego 1,, oznacza prawdopodobieństwo przejścia mrowiska w chwili ze stanu do stanu w chwili +1. Określenie wartości elementu macierzy, bazuje na stwierdzeniu, że indywidualne procesy ewolucji mrówek z chwili do chwili +1 są zdarzeniami niezależnymi. Stąd jeżeli =,,,, =,,,, 41
6 =,,,, dla 1 i =,,, gdzie 1, to,= Ω,, Ω,,,,, czyli prawdopodobieństwo przejścia mrowiska ze stanu do stanu jest równe iloczynowi prawdopodobieństw przejścia każdej z mrówek ze stanu do stanu. Ostatecznie jeżeli jest wektorem opisującym rozkład prawdopodobieństwa stanów mrowiska w chwili, to = jest wektorem prawdopodobieństwa stanów mrowiska w chwili t+1. Zatem analogicznie jak w przypadku pojedynczej mrówki = jest wektorem rozkładu prawdopodobieństwa stanów mrowiska w chwili =1,2,3,, dla będącego wektorem rozkładu prawdopodobieństwa dla stanu początkowego mrowiska. Teraz korzystając z wniosków 3.6, 3.7 jak i powyższego równania procesu ewolucji probabilistycznej stanów mrowiska z wektora do wektora, możemy sformułować końcowy wniosek: Wniosek 3.8. Proces ewolucji stanów mrowiska w przyjętym modelu teoretycznym algorytmy SAS jest procesem Markowa. 4. Podsumowanie Głównym rezultatem przedstawionych badań jest stwierdzenie mówiące, że ewolucja uproszczonego schematu algorytmu mrówkowego SAS jest procesem Markowa w przyjętym modelu teoretycznym. Wynik ten daje szanse dalszej analizy własności rozważanej heurystyki pod względem zbieżności, a stąd także i oczekiwanej złożoności czasowej. W przyszłości autor artykułu planuje rozszerzyć metodę SAS o schemat samoadaptacji heurystyki względem parametru. W tym przypadku zostanie także podany rozszerzony model teoretyczny algorytmu bazujący na tym, który został przedstawiony w rozdziale 3. Ostatecznie autor podejmie próbę ustalenia efektywnego schematu zrównoleglenia otrzymanej wersji samoadaptacyjnej algorytmu mrówkowego, dla wielordzeniowej platformy obliczeniowej NVidia CUDA. Prace badawcze zostaną zakończone implementacją rozwiązania szeroką analizą wyników eksperymentalnych dla różnych instancji problemów NP-trudnych. Literatura 1. Dorigo M., Optimization, learning and natural algorithms, Ph. D. disseration, Dorigo M., Birattari M. Stutzle T, Ant Colony Optimization, IEEE Computional Intelligence Magazine, XI Dorgio M., Gambardella L. M., Ant Colony System: A cooperative learing approach to the TSP problem, IEEE Transaction on Evolutionary Computation, vol. 1, Dorigo M, Gambardella L. M., Solving symmetric and asymmetic TSPs by ant colonies, IEEE International Conference on Evolutionary Computation, Dorigo M., Maniezzo V., Colorni A., Ant System: optymization by colony of cooperating agents, IEEE Transactions on Systems, Man and Cybernetics, vol. 26, Dorigo M., Stutzle T., A short convergence proof for a class of ACO algorithms, IEEE Transactions on Evolutionary Computation, vol 6, Gutjahr W. J., ACO algorithms with guaranteed convergence proof to the optimal solution, Information Processing Letters, vol 82, Stutzle T., Hoos H. H., MAX-MIN Ant System, Future Generation Computer Systems, vol 16, Adres służbowy Autora: Mgr inż. Paweł Rembelski PJWSTK ul. Koszykowa Warszawa tel. (0-22) rembelski@pjwstk.edu.pl 42
Algorytmy mrówkowe (ang. Ant Colony Optimization)
Algorytmy mrówkowe (ang. Ant Colony Optimization) 1. Wprowadzenie do ACO a) mrówki naturalne b) mrówki sztuczne c) literatura (kilka pozycji) 2. ACO i TSP 1. Wprowadzenie do ACO a) mrówki naturalne ślepe,
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Metaheurystyki oparte na algorytmach lokalnego przeszukiwania Maciej Hapke maciej.hapke at put.poznan.pl GRASP Greedy Randomized Adaptive Search Procedure T.A. Feo, M.G.C. Resende,
Bardziej szczegółowoAlgorytmy mrówkowe. Plan. » Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji» Testowanie
Algorytmy mrówkowe w środowiskach dynamicznych Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 1/51 Plan» Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji»
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 10 - Mrówki w labiryntach Jarosław Miszczak IITiS PAN Gliwice 05/05/2016 1 / 48 Na poprzednim wykładzie 1... 2... 3... 2 / 48 1 Motywacja biologiczna Podstawowe mechanizmy
Bardziej szczegółowoAlgorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
y mrówkowe P. Oleksyk Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 14 kwietnia 2015 1 Geneza algorytmu - biologia 2 3 4 5 6 7 8 Geneza
Bardziej szczegółowoAlgorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)
Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation) Jest to technika probabilistyczna rozwiązywania problemów obliczeniowych, które mogą zostać sprowadzone do problemu znalezienie
Bardziej szczegółowoObliczenia Naturalne - Algorytmy Mrówkowe
Plan Literatura Obliczenia Naturalne - Algorytmy Mrówkowe Paweł Paduch Politechnika Świętokrzyska 8 maja 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy Mrówkowe 1 z 43 Plan wykładu Plan Literatura
Bardziej szczegółowoWykorzystanie algorytmów mrówkowych w dynamicznym problem
Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 18 stycznia 2013 Przedmiot i cele pracy dyplomowej
Bardziej szczegółowoAlgorytmy Mrówkowe. Daniel Błaszkiewicz. 11 maja 2011. Instytut Informatyki Uniwersytetu Wrocławskiego
Algorytmy Mrówkowe Instytut Informatyki Uniwersytetu Wrocławskiego 11 maja 2011 Opis Mrówki w naturze Algorytmy to stosunkowo nowy gatunek algorytmów optymalizacyjnych stworzony przez Marco Dorigo w 1992
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 szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoAlgorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
Algorytmy mrówkowe H. Bednarz Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 13 kwietnia 2015 1 2 3 4 Przestrzeń poszukiwań Ograniczenia
Bardziej szczegółowoWykorzystanie algorytmów mrówkowych w dynamicznym problem
Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 14 czerwca 2013 Przedmiot i cele pracy dyplomowej
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 6. Piotr Syga
Algorytmy metaheurystyczne Wykład 6 Piotr Syga 10.04.2017 Wprowadzenie Inspiracje Wprowadzenie ACS idea 1 Zaczynamy z pustym rozwiązaniem początkowym 2 Dzielimy problem na komponenty (przedmiot do zabrania,
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 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 szczegółowoSystemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski
Systemy mrówkowe Opracowali: Dawid Strucker, Konrad Baranowski Wprowadzenie Algorytmy mrówkowe oparte są o zasadę inteligencji roju (ang. swarm intelligence). Służą głównie do znajdowania najkrótszej drogi
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.
Bardziej szczegółowoObliczenia Naturalne - Algorytmy Mrówkowe cz. 4
Plan Literatura Obliczenia Naturalne - y Mrówkowe cz. 4 Paweł Paduch Politechnika Świętokrzyska 12 czerwca 2014 Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz. 4 1 z 37 Plan wykładu Wstęp Plan Literatura
Bardziej szczegółowoPrawa wielkich liczb, centralne twierdzenia graniczne
, centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
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 szczegółowoObliczenia z wykorzystaniem sztucznej inteligencji
Obliczenia z wykorzystaniem sztucznej inteligencji wykład III Systemy mrówkowe Joanna Kołodziejczyk marzec 2016 Joanna Kołodziejczyk Obliczenia z wykorzystaniem sztucznej inteligencji marzec 2016 1 / 38
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoDroga i cykl Eulera Przykłady zastosowania drogi i cyku Eulera Droga i cykl Hamiltona. Wykład 4. Droga i cykl Eulera i Hamiltona
Wykład 4. Droga i cykl Eulera i Hamiltona 1 / 92 Grafy Eulera Droga i cykl Eulera Niech G będzie grafem spójnym. Definicja Jeżeli w grafie G istnieje zamknięta droga prosta zawierająca wszystkie krawędzie
Bardziej szczegółowoMetody Programowania
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie
Bardziej szczegółowoProblem komiwojażera ACO. Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym.
Problem komiwojażera ACO Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym. -Wikipedia Problem do rozwiązania zazwyczaj jest przedstawiany jako
Bardziej szczegółowo5. Rozwiązywanie układów równań liniowych
5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a
Bardziej szczegółowoObliczenia z wykorzystaniem sztucznej inteligencji
Obliczenia z wykorzystaniem sztucznej inteligencji wykład III Systemy mrówkowe Joanna Kołodziejczyk 31 marzec 2014 Plan wykładu 1 Inspiracje biologiczne Informacje ogólne Naturalna optymalizacja 2 Artificial
Bardziej szczegółowoWykład 4. Droga i cykl Eulera i Hamiltona
Wykład 4. i Hamiltona Wykład 4. i Hamiltona 1 / 35 Grafy Eulera Niech G będzie grafem spójnym. Definicja Jeżeli w grafie G istnieje zamknięta droga prosta zawierająca wszystkie krawędzie grafu, to taką
Bardziej szczegółowoPlan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA?
/9/ Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład --9 Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów
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 szczegółowoHARMONOGRAMOWANIE Z OGRANICZENIAMI PROJEKTÓW WSPÓŁBIEŻNYCH
HARMONOGRAMOWANIE Z OGRANICZENIAMI PROJEKTÓW WSPÓŁBIEŻNYCH Bożena MARCIŃCZYK, Bożena SKOŁUD Streszczenie: W artykule przedstawiono zastosowanie meta heurystycznej metody algorytmu mrówkowego w harmonogramowaniu
Bardziej szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są
Bardziej szczegółowoUNIKANIE IMPASÓW W SYSTEMACH PROCESÓW WSPÓŁBIEŻNYCH
UNIKANIE IMPASÓW W SYSTEMACH PROCESÓW WSPÓŁBIEŻNYCH Robert Wójcik Instytut Cybernetyki Technicznej Politechniki Wrocławskiej 1. Impasy w systemach procesów współbieżnych 2. Klasyczne algorytmy unikania
Bardziej szczegółowoObliczenia Naturalne - Algorytmy Mrówkowe cz. 4
Plan Literatura Obliczenia Naturalne - Algorytmy Mrówkowe cz. 4 Paweł Paduch Politechnika Świętokrzyska 5 czerwca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy Mrówkowe cz. 4 1 z 51 Plan wykładu Plan
Bardziej szczegółowoUkłady równań i nierówności liniowych
Układy równań i nierówności liniowych Wiesław Krakowiak 1 grudnia 2010 1 Układy równań liniowych DEFINICJA 11 Układem równań m liniowych o n niewiadomych X 1,, X n, nazywamy układ postaci: a 11 X 1 + +
Bardziej szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane
Bardziej szczegółowoSIMR 2016/2017, Analiza 2, wykład 1, Przestrzeń wektorowa
SIMR 06/07, Analiza, wykład, 07-0- Przestrzeń wektorowa Przestrzeń wektorowa (liniowa) - przestrzeń (zbiór) w której określone są działania (funkcje) dodawania elementów i mnożenia elementów przez liczbę
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 5 Prof. dr hab. inż. Jan Magott DMT rozwiązuje problem decyzyjny π przy kodowaniu e w co najwyżej wielomianowym czasie, jeśli dla wszystkich łańcuchów wejściowych
Bardziej szczegółowoSystem bonus-malus z mechanizmem korekty składki
System bonus-malus z mechanizmem korekty składki mgr Kamil Gala Ubezpieczeniowy Fundusz Gwarancyjny dr hab. Wojciech Bijak, prof. SGH Ubezpieczeniowy Fundusz Gwarancyjny, Szkoła Główna Handlowa Zagadnienia
Bardziej szczegółowoTeoretyczne podstawy programowania liniowego
Teoretyczne podstawy programowania liniowego Elementy algebry liniowej Plan Kombinacja liniowa Definicja Kombinacja liniowa wektorów (punktów) x 1, x 2,, x k R n to wektor x R n k taki, że x = i=1 λ i
Bardziej szczegółowoPodejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski
Podejście memetyczne do problemu DCVRP - wstępne wyniki Adam Żychowski Na podstawie prac X. S. Chen, L. Feng, Y. S. Ong A Self-Adaptive Memeplexes Robust Search Scheme for solving Stochastic Demands Vehicle
Bardziej szczegółowoOpis efektów kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA. rozumie cywilizacyjne znaczenie matematyki i jej zastosowań
TABELA ODNIESIEŃ EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA PROGRAMU KSZTAŁCENIA DO EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA OBSZARU KSZTAŁCENIA I PROFILU STUDIÓW PROGRAM KSZTAŁCENIA: POZIOM KSZTAŁCENIA: PROFIL KSZTAŁCENIA:
Bardziej szczegółowoProgramowanie dynamiczne i algorytmy zachłanne
Programowanie dynamiczne i algorytmy zachłanne Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii
Bardziej szczegółowoSchemat programowania dynamicznego (ang. dynamic programming)
Schemat programowania dynamicznego (ang. dynamic programming) Jest jedną z metod rozwiązywania problemów optymalizacyjnych. Jej twórcą (1957) był amerykański matematyk Richard Ernest Bellman. Schemat ten
Bardziej szczegółowoStrategie Zespołowe (SZ) dr inż. Tomasz Białaszewski
Strategie Zespołowe (SZ) dr inż. Tomasz Białaszewski Tematyka wykładu Algorytmy Inteligencji Roju (Swarm Intelligence, SI) Optymalizacja kolonią mrówek (Ant Colony Optimization, ACO) Optymalizacja rojem
Bardziej szczegółowoMarkowski model dyskretnego algorytmu mrówkowego
MATEMATYKA STOSOWANA TOM 13/54 2011 Paweł Rembelski (Warszawa) Markowski model dyskretnego algorytmu mrówkowego Streszczenie. Algorytm inspirowany naturą zaproponowany przez M. Doriego został w pracy przedefiniowany
Bardziej szczegółowoZASTOSOWANIE ALGORYTMÓW MRÓWKOWYCH W ROZWIĄZANIU PROBLEMU SZEREGOWANIA ZADAŃ APPLICATION OF ANT COLONY SYSTEMS IN SOLVING OF TASK SCHEDULING PROBLEM
GRZEGORZ FILO ZASTOSOWANIE ALGORYTMÓW MRÓWKOWYCH W ROZWIĄZANIU PROBLEMU SZEREGOWANIA ZADAŃ APPLICATION OF ANT COLONY SYSTEMS IN SOLVING OF TASK SCHEDULING PROBLEM S t r e s z c z e n i e A b s t r a c
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA - POJĘCIA WSTĘPNE MATERIAŁY POMOCNICZE - TEORIA
Wydział: WiLiŚ, Transport, sem.2 dr Jolanta Dymkowska RACHUNEK PRAWDOPODOBIEŃSTWA - POJĘCIA WSTĘPNE MATERIAŁY POMOCNICZE - TEORIA Przestrzeń probabilistyczna Modelem matematycznym (tj. teoretycznym, wyidealizowanym,
Bardziej szczegółowoSTOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI
1-2011 PROBLEMY EKSPLOATACJI 89 Franciszek GRABSKI Akademia Marynarki Wojennej, Gdynia STOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI Słowa kluczowe Bezpieczeństwo, procesy semimarkowskie,
Bardziej szczegółowoAlgorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa
Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa Wojciech Niemiro 1 Uniwersytet Warszawski i UMK Toruń XXX lat IMSM, Warszawa, kwiecień 2017 1 Wspólne prace z Błażejem Miasojedowem,
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Informacje podstawowe 1. Konsultacje: pokój
Bardziej szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych
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 szczegółowoZ52: Algebra liniowa Zagadnienie: Zastosowania algebry liniowej Zadanie: Operatory różniczkowania, zagadnienie brzegowe.
Z5: Algebra liniowa Zagadnienie: Zastosowania algebry liniowej Zadanie: Operatory różniczkowania zagadnienie brzegowe Dyskretne operatory różniczkowania Numeryczne obliczanie pochodnych oraz rozwiązywanie
Bardziej szczegółowoProgramowanie celowe #1
Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Wprowadzenie Maciej Hapke maciej.hapke at put.poznan.pl Literatura D.E. Goldberg Algorytmy genetyczne i zastosowania, WNT, 1995 Z. Michalewicz Algorytmy genetyczne + struktury danych
Bardziej szczegółowoTemat: Projektowanie sterownika rozmytego. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Projektowanie sterownika rozmytego Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sterowanie
Bardziej szczegółowoTeoria obliczeń i złożoność obliczeniowa
Teoria obliczeń i złożoność obliczeniowa Kontakt: dr hab. inż. Adam Kasperski, prof. PWr. pokój 509 B4 adam.kasperski@pwr.wroc.pl materiały + informacje na stronie www. Zaliczenie: Egzamin Literatura Problemy
Bardziej szczegółowoUkłady równań i równania wyższych rzędów
Rozdział Układy równań i równania wyższych rzędów Układy równań różniczkowych zwyczajnych Wprowadzenie W poprzednich paragrafach zajmowaliśmy się równaniami różniczkowymi y = f(x, y), których rozwiązaniem
Bardziej szczegółowoAlgorytmika Problemów Trudnych
Algorytmika Problemów Trudnych Wykład 9 Tomasz Krawczyk krawczyk@tcs.uj.edu.pl Kraków, semestr letni 2016/17 plan wykładu Algorytmy aproksymacyjne: Pojęcie algorytmu aproksymacyjnego i współczynnika aproksymowalności.
Bardziej szczegółowoAlgebra liniowa z geometrią
Algebra liniowa z geometrią Maciej Czarnecki 15 stycznia 2013 Spis treści 1 Geometria płaszczyzny 2 1.1 Wektory i skalary........................... 2 1.2 Macierze, wyznaczniki, układy równań liniowych.........
Bardziej szczegółowoINTERPOLACJA I APROKSYMACJA FUNKCJI
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Wprowadzenie Na czym polega interpolacja? Interpolacja polega
Bardziej szczegółowo9.9 Algorytmy przeglądu
14 9. PODSTAWOWE PROBLEMY JEDNOMASZYNOWE 9.9 Algorytmy przeglądu Metody przeglądu dla problemu 1 r j,q j C max były analizowane między innymi w pracach 25, 51, 129, 238. Jak dotychczas najbardziej elegancka
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowo1 Przykładowe klasy zagadnień liniowych
& " 1 PRZYKŁADOWE KLASY ZAGADNIEŃ LINIOWYCH 1 1 Przykładowe klasy zagadnień liniowych Liniowy model produkcji Zakład może prowadzić rodzajów działalności np. produkować różnych wyrobów). Do prowadzenia
Bardziej szczegółowoZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA
ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA DYNAMICZNYCH LOKAT KAPITAŁOWYCH Krzysztof Gąsior Uniwersytet Rzeszowski Streszczenie Celem referatu jest zaprezentowanie praktycznego zastosowania
Bardziej szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. Przykład Symetryczne błądzenie przypadkowe na prostej. 1 2 Łańcuchem
Bardziej szczegółowoR E C E N Z J A. rozprawy doktorskiej mgr Wojciecha Bury nt. Wielokryterialne, mrowiskowe algorytmy optymalizacji w nawigacji samochodowej
Prof. dr hab. inż. Franciszek Seredyński Warszawa, 25.02.2015 Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie Wydział Matematyczno Przyrodniczy Szkoła Nauk Ścisłych ul. Wóycickiego 1/3, 01-938 Warszawa
Bardziej szczegółowoAlgebra WYKŁAD 3 ALGEBRA 1
Algebra WYKŁAD 3 ALGEBRA 1 Liczby zespolone Postać wykładnicza liczby zespolonej Niech e oznacza stałą Eulera Definicja Równość e i cos isin nazywamy wzorem Eulera. ALGEBRA 2 Liczby zespolone Każdą liczbę
Bardziej szczegółowoF t+ := s>t. F s = F t.
M. Beśka, Całka Stochastyczna, wykład 1 1 1 Wiadomości wstępne 1.1 Przestrzeń probabilistyczna z filtracją Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną i niech F = {F t } t 0 będzie rodziną
Bardziej szczegółowoMODELOWANIE STANÓW CZYNNOŚCIOWYCH W JĘZYKU SIECI BAYESOWSKICH
Inżynieria Rolnicza 7(105)/2008 MODELOWANIE STANÓW CZYNNOŚCIOWYCH W JĘZYKU SIECI BAYESOWSKICH Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. Zastosowanie sieci bayesowskiej
Bardziej szczegółowoInterwałowe zbiory rozmyte
Interwałowe zbiory rozmyte 1. Wprowadzenie. Od momentu przedstawienia koncepcji klasycznych zbiorów rozmytych (typu 1), były one krytykowane za postać jaką przybiera funkcja przynależności. W przypadku
Bardziej szczegółowoProcesy stochastyczne
Wykład IV: dla łańcuchów Markowa 14 marca 2017 Wykład IV: Klasyfikacja stanów Kiedy rozkład stacjonarny jest jedyny? Przykład Macierz jednostkowa I wymiaru #E jest macierzą stochastyczną. Dla tej macierzy
Bardziej szczegółowoKlasyczne zagadnienie przydziału
Klasyczne zagadnienie przydziału Można wyodrębnić kilka grup problemów, w których zadaniem jest odpowiednie rozmieszczenie posiadanych zasobów. Najprostszy problem tej grupy nazywamy klasycznym zagadnieniem
Bardziej szczegółowoAnaliza Algorytmów 2018/2019 (zadania na laboratorium)
Analiza Algorytmów 2018/2019 (zadania na laboratorium) Wybór lidera (do 9 III) Zadanie 1 W dowolnym języku programowania zaimplementuj symulator umożliwiający przetestowanie algorytmu wyboru lidera ELECT
Bardziej szczegółowoNUMERYCZNE ALGORYTMY PRZECHOWYWANIA MACIERZY RZADKICH
Scientific Bulletin of Che lm Section of Mathematics and Computer Science No 1/2008 NUMERYCZNE ALGORYTMY PRZECHOWYWANIA MACIERZY RZADKICH RADOSŁAW MATUSIK Katedra Analizy Matematycznej i Teorii Sterowania,
Bardziej szczegółowoLaboratorium Metod Optymalizacji
Laboratorium Metod Optymalizacji Grupa nr... Sekcja nr... Ćwiczenie nr 4 Temat: Programowanie liniowe (dwufazowa metoda sympleksu). Lp. 1 Nazwisko i imię Leszek Zaczyński Obecność ocena Sprawozdani e ocena
Bardziej szczegółowoTeoria informacji i kodowania Ćwiczenia Sem. zimowy 2016/2017
Algebra liniowa Zadanie 1 Czy jeśli wektory x, y i z, należące do binarnej przestrzeni wektorowej nad ciałem Galois GF (2), są liniowo niezależne, to można to samo orzec o następujących trzech wektorach:
Bardziej szczegółowoAlgebra liniowa II. Lista 1. 1 u w 0 1 v 0 0 1
Algebra liniowa II Lista Zadanie Udowodnić, że jeśli B b ij jest macierzą górnotrójkątną o rozmiarze m m, to jej wyznacznik jest równy iloczynowi elementów leżących na głównej przekątnej: det B b b b mm
Bardziej szczegółowoModele całkowitoliczbowe zagadnienia komiwojażera (TSP)
& Zagadnienie komowojażera 1 Modele całkowitoliczbowe zagadnienia komiwojażera (TSP) Danych jest miast oraz macierz odległości pomiędzy każdą parą miast. Komiwojażer wyjeżdża z miasta o numerze 1 chce
Bardziej szczegółowoDocument: Exercise*02*-*manual /11/ :31---page1of8 INSTRUKCJA DO ĆWICZENIA NR 2
Document: Exercise*02*-*manual ---2014/11/12 ---8:31---page1of8 PRZEDMIOT TEMAT KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 2 Wybrane zagadnienia z
Bardziej szczegółowoIMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM
IMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM Artykuł zawiera opis eksperymentu, który polegał na uyciu algorytmu genetycznego przy wykorzystaniu kodowania
Bardziej szczegółowoMetody teorii gier. ALP520 - Wykład z Algorytmów Probabilistycznych p.2
Metody teorii gier ALP520 - Wykład z Algorytmów Probabilistycznych p.2 Metody teorii gier Cel: Wyprowadzenie oszacowania dolnego na oczekiwany czas działania dowolnego algorytmu losowego dla danego problemu.
Bardziej szczegółowoMetody iteracyjne rozwiązywania układów równań liniowych (5.3) Normy wektorów i macierzy (5.3.1) Niech. x i. i =1
Normy wektorów i macierzy (5.3.1) Niech 1 X =[x x Y y =[y1 x n], oznaczają wektory przestrzeni R n, a yn] niech oznacza liczbę rzeczywistą. Wyrażenie x i p 5.3.1.a X p = p n i =1 nosi nazwę p-tej normy
Bardziej szczegółowoAlgorytmy Mrówkowe. Daniel Błaszkiewicz 11 maja 2011
Algorytmy Mrówkowe Daniel Błaszkiewicz 11 maja 2011 1 Wprowadzenie Popularnym ostatnimi laty podejściem do tworzenia nowych klas algorytmów do szukania rozwiązań problemów nie mających algorytmów rozwiązujących
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 szczegółowoRÓWNOLEGŁY ALGORYTM POSZUKIWANIA Z ZABRONIENIAMI UKŁADANIA PLANU ZAJĘĆ
RÓWNOLEGŁY ALGORYTM POSZUKIWANIA Z ZABRONIENIAMI UKŁADANIA PLANU ZAJĘĆ Wojciech BOŻEJKO, Łukasz GNIEWKOWSKI Streszczenie: Praca dotyczy zastosowania równoległego algorytmu poszukiwania z zabronieniami
Bardziej szczegółowoZaawansowane algorytmy i struktury danych
Zaawansowane algorytmy i struktury danych u dr Barbary Marszał-Paszek Opracowanie pytań teoretycznych z egzaminów. Strona 1 z 12 Pytania teoretyczne z egzaminu pisemnego z 25 czerwca 2014 (studia dzienne)
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 szczegółowoZagadnienie transportowe
9//9 Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów
Bardziej szczegółowoInformacja w perspektywie obliczeniowej. Informacje, liczby i obliczenia
Informacja w perspektywie obliczeniowej Informacje, liczby i obliczenia Cztery punkty odniesienia (dla pojęcia informacji) ŚWIAT ontologia fizyka UMYSŁ psychologia epistemologia JĘZYK lingwistyka nauki
Bardziej szczegółowoReprezentacje grafów nieskierowanych Reprezentacje grafów skierowanych. Wykład 2. Reprezentacja komputerowa grafów
Wykład 2. Reprezentacja komputerowa grafów 1 / 69 Macierz incydencji Niech graf G będzie grafem nieskierowanym bez pętli o n wierzchołkach (x 1, x 2,..., x n) i m krawędziach (e 1, e 2,..., e m). 2 / 69
Bardziej szczegółowoPODSTAWY AUTOMATYKI. MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
WYDZIAŁ ELEKTROTECHNIKI I AUTOMATYKI Katedra Inżynierii Systemów Sterowania PODSTAWY AUTOMATYKI MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
Bardziej szczegółowoVII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.
VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w
Bardziej szczegółowoObliczenia naturalne Natural Computing. Informatyka II stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny)
KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowodr Mariusz Grządziel 15,29 kwietnia 2014 Przestrzeń R k R k = R R... R k razy Elementy R k wektory;
Wykłady 8 i 9 Pojęcia przestrzeni wektorowej i macierzy Układy równań liniowych Elementy algebry macierzy dodawanie, odejmowanie, mnożenie macierzy; macierz odwrotna dr Mariusz Grządziel 15,29 kwietnia
Bardziej szczegółowo9. Schematy aproksymacyjne
9. Schematy aproksymacyjne T.H. Cormen, C.E. Leiserson, R.L. Rivest, C. Stein Wprowadzenie do algorytmów, WNT (2004) O.H. Ibarra, C.E. Kim Fast approximation algorithms for the knapsack and sum of subset
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Dokładne algorytmy optymalizacji Maciej Hapke maciej.hapke at put.poznan.pl Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem minimalizacji
Bardziej szczegółowo