2) wzrost i hodowla kryształów, metalurgia algorytm symulowanego wygrzewania
|
|
- Martyna Zając
- 5 lat temu
- Przeglądów:
Transkrypt
1 Przewodnik do przeszukiwania losowego inspiracje przyrodnicze Przyrodnicze (naturalne) algorytmy optymalizacji MC 1) teoria doboru naturalnego algorytmy genetycze wygląd owada zoptymalizowany na drodze przypadkowego krzyżowania genów oraz mutacji z mechanizmem selekcji lkjinaturalnej 2) wzrost i hodowla kryształów, metalurgia algorytm symulowanego wygrzewania
2 atom węgla: orbitale walencyjne 2p x,2p y,2p z węgiel tworzy kierunkowek wiązania kowalencyjne nieobsadzone miejsca na orbitalach +6e Stabilne formy węgla: każda lokalne minimum energii diament E wiązania (funkcja struktury układu)=e wiązania (10 23 położeń atomów) grafit E grafit diament
3 Wzrost kryształów jako proces optymalizacji E wiązania (funkcja struktury układu)=e wiązania (10 23 położeń atomów) metoda Czochralskiego hodowli likryształów zarodek krystaliczny niska T roztopiony materiał ciut powyżej temperatury topnienia wysoka T
4 Wzrost kryształów jako proces optymalizacji E wiązania ( funkcja struktury układu)=e wiązania ( położeń atomów) metoda Czochralskiego wzrostu kryształów zarodek roztopiony materiał nieco powyżej temperatury topnienia zarodek wolno wyciągany roztopiony materiał stygnie i powoli krystalizuje jeśli odpowiednio d wolno schładzany materiał krystalizuje w idealnej strukturze (o optymalnej energii wiązania) jeśli zarodek zbyt szybko wyciągnięty: kryształ będzie złej jakości defekty [układ osiąga najbliższe minimum lokalne]
5 Struktura krystaliczna i defekty: dyslokacja krawędziowa Defekty powodują naprężenia wewnętrzne. Kryształ z defektami jest twardy. wakansja położenie międzywęzłowe energia kryształu dla usunięcia ę defektów (usunięcia ę naprężeń ę i zmiany twardości metalu) kryształ nagrzewa się do wysokiej temperatury, potem powoli schładza. Bariera energetyczna pokonana dzięki energii dostarczonej w formie ciepła. [proces odwrotny do hartowania stali] położen nie atomu przywrócenie idealnej struktury: wymaga pokonania bariery energetycznej
6 Metoda z symulacji mechaniki statystycznej układu o bardzo wielu stopniach swobody w równowadze termicznej z otoczeniem algorytm Metropolisa. Kirkpatrick algorytm Metropolisa do optymalizacjizłożonych złożonych problemów Symulowane wygrzewanie (simulated annealing) Kirkpatrick, Science praca wykonana w IBM przy optymalizacji fizycznego projektowania układów scalonych) Pomysł: optymalizacja funkcji wielu zmiennych naśladująca proces usuwania defektów z kryształu. usuwanie defektów: optymalizacja energii wiązania w funkcji położeń wielkiej liczby atomów. Idealne optimum osiągane, gdy układ powoli schładzany (tak aby zachowana chwilowo równowaga termiczna).
7 Zachowanie układów o dużej liczbie stopni swobody w równowadze termicznej ze zbiornikiem ciepła kilka informacji o równowadze termodynamicznej i temperaturze przyda się dla również dla symulacji transportu t ciepła ł (źródło: F. Riff Reiff Mechanika Statystyczna) kontakt termiczny
8 Zachowanie układów o dużej liczbie stopni swobody w równowadze termicznej ze zbiornikiem ciepła otoczenie układ E u E o kontakt termiczny
9 otoczenie układ E u E o kontakt termiczny całość izolowana = układ zamknięty
10 otoczenie układ E u E o kontakt termiczny całość izolowana = układ zamknięty E c=e u+e o (energia zachowana)
11 otoczenie układ E u E o kontakt termiczny E c niezależna od czasu całość izolowana = układ zamknięty E c=e u+e o (energia zachowana)
12 za F. Reiff Mechanika Statystyczna otoczenie układ E u E o kontakt termiczny E c niezależna od czasu ale E c =E u (t)+e o (t) układy wymieniają energię całość izolowana = układ zamknięty E c=e u+e o (zachowana) wymiana energii = w stanie równowagi [równe temperatury zbiorników] fluktuacje (uśredniające się do zera) = poza równowagą [różne temperatury] ukierunkowany transfer ciepła dla wyrównania temperatur (doprowadzenia do równowagi)
13 gorący dążenie do równowagi zimny otoczenie za F. Reiff Mechanika Statystyczna układ E u E o kontakt termiczny całość izolowana = układ zamknięty E c=e u+e o (zachowana) przekaz energii między układem gorącym i zimnym aż ż do osiągnięcia i i równowagi gorący zimny (np. blok lodu) (np. garnek z wrzątkiem) stany mikroskopowe gorącego i zimnego zbiornika
14 Ω(E) liczba stanów mikroskopowych układu (stan mikro położenia i prędkości cząsteczek), dla której energia zgromadzona w układzie wynosi E stan mikroskopowy o minimalnej energii jeden stanów mikro o większej energii znacznie więcej
15 Ω(E) liczba stanów mikroskopowych układu (stan mikro położenia i prędkości cząsteczek), dla której energia zgromadzona w układzie wynosi E stan mikroskopowy o minimalnej energii jeden stanów mikro o większej energii znacznie więcej założenie: każdy stan mikroskopowyjest równie prawdopodobny wtedy: pstwo, że realizowany dany stan makroskopowy = proporcjonalne do liczby stanów mikro odpowiadających danemu stanowi makro P(E u )=CΩ(E u )Ω (E c E u ) mniejszy podukład większy pstwo, że układ zawiera energię E u (że podział energii E u,e o =E c E u ) (inaczej: że układ w takim stanie makroskopowym, że u ma energię E u ) Ω(E) funkcja silnie rosnąca z E (oraz z rozmiarem układu) równowaga (jedna z definicji): stan najbardziej prawdopodobny
16 P(E u )=CΩ(E u )Ω (E c E u ) Ω(E) funkcja silnie rosnąca z E (oraz z rozmiarem układu) Ω E u E transfer energii (w formie ciepła) między u a o aż do osiągnięcia równowagi stan równowagi: maksymalne prawdopodobieństwo. Możliwe fluktuacje wokół wartości najbardziej prawdopodobnej.
17 P(E u )=CΩ(E u )Ω (E c E u ) Ω(E) funkcja silnie rosnąca z E (oraz z rozmiarem układu) jeśli P max to również log P max: poniżej na tej folii log = ln E o =E c E u Ω w równowadze (stan najbardziej prawdopodobny): E u E transfer energii (w formie ciepła) między u a o aż do osiągnięcia równowagi stan równowagi: maksymalne prawdopodobieństwo. Możliwe fluktuacje wokół wartości najbardziej prawdopodobnej.
18 P(E u )=CΩ(E u )Ω (E c E u ) Ω(E) funkcja silnie rosnąca z E (oraz z rozmiarem układu) jeśli P max to również log P max: poniżej na tej folii log = ln E o =E c E u Ω w równowadze (stan najbardziej prawdopodobny): E u E transfer energii (w formie ciepła) między u a o aż do osiągnięcia równowagi w równowadze: (def. temperatury) stan równowagi: maksymalne prawdopodobieństwo. Możliwe fluktuacje wokół wartości najbardziej prawdopodobnej. transfer ciepła napędzany gradientem T i dążący do jej wyrównania
19 w równowadze: układ bardzo mały w porównaniu z otoczeniem, z którym znajduje się w równowadze termicznej pytanie: jakiejestprawdopodobieństwo że pytanie: jakie jest prawdopodobieństwo, że układ ma energię E u : P(E u )?
20 w równowadze: układ bardzo mały w porównaniu z otoczeniem, z którym znajduje się w równowadze termicznej pytanie: jakiejestprawdopodobieństwo jest prawdopodobieństwo, że układ ma energię E u : P(E u )? E u <<E c, Ω<<Ω Ω Ω Taylor: czynnik Boltzmanna
21 N exp(-e) exp(-e/10) 0.2 exp(-e*10) E granica wysokiego T: układ może znaleźć się z równym prawdopodobieństwem przechowywać dowolnie wysoką energię znalezienie i układu w stanie o dużej ż energii jest prawdopodobne niska T układ będzie przechowywał minimalną wartość energii jeśli T bliskie zeru: znajdziemy go tylko w stanie o najmniejszej energii
22 Algorytm Metropolisa symulacja układu, który fluktuuje termicznie w równowadze z otoczeniem (zbiornikiem ciepła) kolejne kroki czasowe zmiany stanu mikroskopowego układu układ ma podlegać rozkładowi Boltzmana. N exp(-e) exp(-e/10) 0.2 exp(-e*10) E
23 Algorytm Metropolisa za S.Kooninem Układ opisany zbiorem zmiennych X=(x 1,x 2,x 3,...,x N ) punkt w wielowymiarowej przestrzeni chcemy zasymulować ć fluktuacje termiczne zmiennych, X 1 X 2 X 3 X 4 X 5 tak, żeby układ był w równowadze termicznej z otoczeniem o temperaturze T. prawdopodobieństwo tego, że na ścieżce fluktuacji pojawi się stan X p p g, j p j ę ma być dane przez zadany z góry rozkład w(x), u nas: Boltzmana w(x)= Cexp( E(X)/kT)
24 Algorytm Metropolisa X X p układ jest w stanie X. Do jakiego stanu przejdzie? wybieramy losowo stan próbny X p z pewnego otoczenia stanu X X p :X+(δx :=X+(δx 1,δx 2,...,δx n ) δx i losowane z przedziału [ d,d] d] z rozkładem równomiernym możliwości: 1) X p mniej prawdopodobne w(x) [rozkład pstwa] X X p 2) X p bardziej prawdopodobne w(x) X p X punkt mniej prawdopodobny akceptujemy z pstwem w(x p )/w(x) liczymy r=w(x p )/w(x) jeśli r 1 [ w(x p ) w(x) ] akceptujemy stan próbny X:=XX p zawsze akceptujemy bardziej prawdopodobny punkt jeśli r<1 [w(x p )<w(x) ] akceptujemy punkt próbny z prawdopodobieństwem r losujemy liczbę losową q z przedziału [0,1] jeśli q < r akceptujemy stan próbny X:=X p jeśli q r odrzucamy
25 punkty na ścieżce wygenerowanej algorytmem M. istotnie podlegają rozkładowi pstwa w(x): wyobraźmy sobie, że mamy wielu wędrowców poruszających się zgodnie z algorytmem Metropolisa X Y uwagę koncentrujemy na 2 stanach układu N(X) aktualna liczba wędrowców w punkcie X zmiana liczby wędrowców w Y w wyniku migracji z i do punktu X Δ = N(X)P(X Y) N(Y)P(Y X) w warunkach równowagi (bez zmian w średnim rozkładzie wędrowców N r (X) ) równowaga osiągana po odpowiednio dużej liczbie kroków algorytmu
26 równowaga w schemacie Metropolisa N= wędrowców. rozkład w(x)=c exp( 50x 2 ) niebieska linia łączypunkty dane kropki: liczba wędrowców w przedziale x dx/2, x+dx/2 dx=0.01 start: rozkład równomierny
27 Algorytm Metropolisa pozostaje pokazać, że N r (X) jest proporcjonalne do w(x) pstwo podjęcia próby (wylosowania Y jako p.próbnego) pstwo zaakceptowania próby losujemy ypunkty ypróbne z rozkładem równomiernym mamy 2 przypadki: w(x)>w(y) : A(Y X) = 1 A(X Y) =w(y)/w(x) co chcieliśmy zobaczyć w(x)<w(y) : A(X Y) = 1 A(Y X) =w(x)/w(y)
28 Kirkpatrick symulowane wygrzewanie w[e(x)]=cexp( E(X)/kT) alg. Metropolisa z modyfikacją rozkładu pstwa (T) w miarę działania algorytmu Algorytm symulowanego wyżarzania dla optymalizacji E(P) Wystartuj w punkcie P, ustaw wysoką temperaturę T Przesuń P losowo P =P+dP Nowy punkt akceptowany (P:=P ) zawsze gdy lepszy E(P )<E(P) (lepszy=bardziej prawdopodobny 1.0 wg.rozkładu B) 0.8 gdy E(P )>E(P) prawdopodobieństwo zaakceptowania punktu gorszego P dane przez np. 0.6 exp( (E(P (E(P ) E(P)) / kt) (rozkład Boltzmana) 0 4 p kt= exp(-δe/kt) P'' P P' zmniejszyć T Koniec jeśli T=0 T Losujemy liczbę losową q wg rozkładu równomiernego, jeśli q <exp ( (E(P ) E(P)) / kt) P:=P kt=1 kt=0.1 ΔE Im niższe T, tym mniej chętnie akceptujemy przesunięcia w górę na skali energii
29 Przykład 1: f(x)=sin(x)+x () () 2 /1000 Sposób zmiany temperatury: T=0.001 i 2 gdzie i spada od 100 do 1 w każdej T wykonywana pewna liczba losowań (przesunięcia z przedziału [ 2,2]) 2 T=0.9 T=0.1 Wysokie T punkt P wędruje między minimami Niskie T P uwięziony wokół jednego minimum 1 W wysokiej T przeszukiwany szeroki zakres zmiennych. 0 W niższej algorytm bada dokładnie minimum, które może być globalne, jeśli schładzanie zostało odpowiednio wykonane. -1 Techniczna uwaga: gdy zmieniamy T: najlepiej startować od najlepszego rozwiązania uzyskanego do tej pory.
30 Przykład Zastosowanie S.A. Dla funkcji testowej de Jonga: y x ł ż i P w kolejnych k l j h iteracjach: i j h Położenia T>5 T< T<
31 zawężanie zakresu przeszukiwań z temperaturą: generowane ścieżki ścieżka (100 kroków) dla T=4 10 y x ścieżka (50 kroków) dla T= ścieżka (25 kroków) dla T=
32 Przykład 3: Problem komiwojażera Generowanie P z P: P = [ ] Losowo zmieniamy kolejność P = [ ] Losujemy pierwsze i ostatnie miasto T Strategia schładzania a wynik końcowy Sposób zmiany T długość P dlugosc trasy zbyt szybkie schłodzenie [do najbliższego minimum lokalnego] Najlepsze rozwiązanie numer iteracji / numer iteracji / 100
33 Przykład 4: klaster jonowy co gif najprostsze przybliżenie: naładowane kule bilardowe (nie mogą się przenikać) d r dodatnio naładowane współrzędne r 1,r 2,... ujemnie naładowane współrzędne d 1,d 2,...
34 Przykład 4: klaster jonowy potencjał oddziaływania: załóżmy że promienie jonowe są równe 1 oddziaływanie jonów o różnym znaku o tym samym znaku najprostsze przybliżenie: naładowane kule bilardowe (nie mogą się przenikać) d r dodatnio naładowane współrzędne r 1,r 2,... ujemnie naładowane współrzędne d 1,d 2,...
35 Weźmy 5 jonów dodatnich, pięc ujemnych, dwa wymiary fcja 20 zmiennych d r
36 minimum globalne ominięte minima lokalne
37 Przykład 5: najkrótsza droga na płaszczyźnie (kontinuum, nie graf) V(x,y) meta y wzniesienia: utrudnienia na trasie można je pokonać ale to kosztuje x środki przeszkód start przeszkody
38 długość z definicji: całka z 1 wzdłuż trasy: funkcja kosztu: całka liczona numerycznie rozwiązanie próbne = przesunięcie każdego z zakrętów w zakresie [.5,.5]* T (zależna od T) poruszamy się po odcinkach prostych: liczba zakrętów = parametr rachunku schładzanie paraboliczne
39 wyniki: jeden zakręt
40 2 zakręty zakręty !
41 Generacja liczb losowych o zadanym (ciągłym) rozkładzie prawdopodobieństwa algorytm Metropolisa położenia wędrowca jest zmienną losową podległą zadanemu rozkładowi w(x) generacja liczb losowych o zadanym rozkładzie przydatne dla symulacjimc MC, obliczaniacałek całek, rozwiązywanie równań różniczkowych, itd.
42 obliczenia całek MC 1) hit or miss generator o rozkładzie równomiernym f(x) 1 losujemy y 0 losujemy x 1 0 szacowanie błędu błąd wyznaczenia średniej: odchylenie standardowe (cecha w)
43 obliczenia całek MC 1) hit or miss generator o rozkładzie równomiernym wartość dokładna [1 exp( 1)] wartości plus minus ε 0.6 ε /sqrt(N) N (jedna sekwencja)
44 obliczenia całek MC 2) Metoda szacowania średniej generator o rozkładzie równomiernym f(x) hit or miss losujemy x średnia ε hom średnia /sqrt(N)
45 obliczenia całek MC 3) użycie niejednorodnego rozkładu pstwa taka aby g(x) mogło być gęstością ś prawdopodobieństwa d ń g(x) 0 wtedy: I = <h(x)> g(x) () dla zmiennej losowej x opisanej rozkładem g(x) jeśli g(x) tak wybrana, / N aby h(x) słabo zmienna w przedziale (a,b) mamy szanse na niski błąd uwaga: jeśli h(x i )=const błąd będzie 0
46 Przykład liczenia całek z użyciem a. Metropolisa 5 5 C (gdzie C bliskie jedynce) <h>=<sq rt(5π) cos s(x)> h(x)=sqrt(5*pi) cos(x)/c N=1000 wędrowców : amplituda fluktuacji maleje z N niebieska kreska: dokładna wartość całki (1.1355) 1355) start wędrowcy rozmieszczeni wg rozkładu równomiernego z przedziału [ 5,5] 5] czerwona kreska: liczba kroków a.metropolisa
47 Schemat Metropolisa a równania różniczkowe wariacyjna metoda MC rozwiązywania równania Poissona y=+1 na brzegu u=0 pokażemy (w swoim czasie), że dla u rozwiązania r.poissona minimalna jest całka: y= 1 x= 1 x=+1 rozwiązanie próbne: r. dokładne: C,a parametry wariacyjne należy wybrać tak aby S optymalne
48 wariacyjna metoda MC rozwiązywania równania Poissona funkcjonał: średnia z ułamka dla zbioru punktów (x,y) o rozkładzie Aby wyznaczyć stałą normalizacji E: rozkład pstwa wyznaczony przez rozwiązanie próbne generowany przy pomocy algorytmu Metropolisa
49 wariacyjna metoda MC rozwiązywania równania Poissona wyniki: policzone dla a=2.2, C=0.018 (w pobliżu minimum S) analityczna wartość S= 5.2e 4 dla wybranej funkcji próbnej 2E-4 0 N=100 chwilowa wartość S (wartość dla rozwiązania dokładnego S= 6.27e 4) -2E-4-4E-4 <S> -6E-4-8E-4-1E-3-1.2E-3 średnia wartość S od iteracji 200 (gdy osiągnięta równowaga w rozkładzie wędrowców) -1.4E iteracje M
50 2E-4 0 N=100 zakres fluktuacji = funkcja 1/sqrt(N) -2E-4 2E-4-4E-4 0 S -6E-4 2E 4-8E-4-4E-4-1E-3-1.2E-3-6E-4-1.4E-3-8E-4-1E E-3 <S> 2E-4 0-2E-4-4E-4-6E-4-8E-4-1E-3 iteracje M -2E-4 N= E N= E-3-1.4E
51 wariacyjna metoda MC rozwiązywania równania Poissona wyniki w funkcji parametrów wariacyjnych 2E-4 N=1000 a=2.2, C= E-4-4E-4-6E-4-8E-4-1E-3-1.2E-3-1.4E E-4 0-2E-4-4E-4-6E-4-8E-4-1E-3-1.2E-3-1.4E-3 N=1000 a=2*2.2, C=2*
52 wariacyjna metoda MC rozwiązywania równania Poissona (dokładna S= 6.27e 4) S= 5.2e 4 r.dokładne 1) pik pik niższy 2) słabiej zlokalizowany przy tej funkcji próbnej lepiej być nie może przy tej funkcji próbnej lepiej być nie może trzeba ją poprawić
53 Algorytm Metropolisa jako generator liczb losowych zaleta: wada: pozwala wygenerować zmienną losową o dowolnym o rozkładzie prawdopodobieństwa a w dowolnej liczbie wymiarów rozkład musi zostać wyhodowany algorytm, który posiada tę samą zaletę, a nie wymaga hodowli rozkładu: metoda von Neumanna
Optymalizacja Monte-Carlo - algorytmy inspirowane przyrodniczo (algorytmy genetyczne, symulowane wyżarzanie, stadne strategie obliczeniowe)
Optymalizacja Monte-Carlo - algorytmy inspirowane przyrodniczo (algorytmy genetyczne, symulowane wyżarzanie, stadne strategie obliczeniowe) przykłady problemów do optymalizacji Przykład 1 układ połączeń
Bardziej szczegółowoProblemy optymalizacji. Problem matematycznie definiuje tzw. funkcja kosztu [celu] f( 1, 2,... N), której minimum poszukujemy
Problemy optymalizacji przykłady problemów do optymalizacji Przykład 1 układ połączeń na płytce drukowanej Do optymalizacji 1) Rozmiar płytki 2) Długość połączeń 3) Czas wytwarzania Przykład 2 Najbardziej
Bardziej szczegółowoProgram MC. Obliczyć radialną funkcję korelacji. Zrobić jej wykres. Odczytać z wykresu wartość radialnej funkcji korelacji w punkcie r=
Program MC Napisać program symulujący twarde kule w zespole kanonicznym. Dla N > 100 twardych kul. Gęstość liczbowa 0.1 < N/V < 0.4. Zrobić obliczenia dla 2,3 różnych wartości gęstości. Obliczyć radialną
Bardziej szczegółowoe E Z = P = 1 Z e E Kanoniczna suma stanów Prawdopodobieństwo wystąpienia mikrostanu U E = =Z 1 Wartość średnia energii
Metoda Metropolisa Z = e E P = 1 Z e E Kanoniczna suma stanów Prawdopodobieństwo wystąpienia mikrostanu U E = P E =Z 1 E e E Wartość średnia energii Średnia wartość A = d r N A r N exp[ U r N ] d r N exp[
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 szczegółowoRównowaga w układach termodynamicznych. Katarzyna Sznajd-Weron
Równowaga w układach termodynamicznych. Katarzyna Sznajd-Weron Zagadka na początek wykładu Diagram fazowy wody w powiększeniu, problem metastabilności aktualny (Nature, 2011) Niższa temperatura topnienia
Bardziej szczegółowoElementy teorii powierzchni metali
prof. dr hab. Adam Kiejna Elementy teorii powierzchni metali Wykład 4 v.16 Wiązanie metaliczne Wiązanie metaliczne Zajmujemy się tylko metalami dlatego w zasadzie interesuje nas tylko wiązanie metaliczne.
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Symulowane wyżarzanie Maciej Hapke maciej.hapke at put.poznan.pl Wyżarzanie wzrost temperatury gorącej kąpieli do takiej wartości, w której ciało stałe topnieje powolne zmniejszanie
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 20 KWANTOWE METODY MONTE CARLO 20.1 Kwantowa wariacyjna metoda Monte Carlo Problem własny dla stanu podstawowego układu N cząstek (H E 0 )ψ 0 (r)
Bardziej szczegółowoOptymalizacja. Symulowane wyżarzanie
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Wyżarzanie wzrost temperatury gorącej kąpieli do takiej wartości, w której ciało stałe topnieje powolne
Bardziej szczegółowoMetody inwersji Bayesowskiej -L7- IGF PAN, 21.IV.2005
Metody inwersji Bayesowskiej -L7- Podejście optymalizacyjne i probabilistyczne podobieństwa i różnice (C) G(m) d obs + λ m m apr = min d obs m apr d th = d true + ɛ obs = m true + ɛ apr = G(m) + ɛ th G(m)
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 szczegółowoCałkowanie metodą Monte Carlo
Całkowanie metodą Monte Carlo Plan wykładu: 1. Podstawowa metoda Monte Carlo 2. Metody MC o zwiększonej efektywności a) losowania ważonego b) zmiennej kontrolnej c) losowania warstwowego d) obniżania krotności
Bardziej szczegółowoElementy wspo łczesnej teorii inwersji
Elementy wspo łczesnej teorii inwersji Metoda optymalizacyjna (2) W. Debski, 8.01.2015 Liniowy problem odwrotny m est (λ) = m apr + (G T G + λi) 1 G T ( dobs G m apr) +δ d est d o = + λ I ( G T G + λi
Bardziej szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej szczegółowoI. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji.
I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji. Niech x 0 R i niech f będzie funkcją określoną przynajmniej na
Bardziej szczegółowoTadeusz Lesiak. Dynamika punktu materialnego: Praca i energia; zasada zachowania energii
Mechanika klasyczna Tadeusz Lesiak Wykład nr 4 Dynamika punktu materialnego: Praca i energia; zasada zachowania energii Energia i praca T. Lesiak Mechanika klasyczna 2 Praca Praca (W) wykonana przez stałą
Bardziej szczegółowoOgólny schemat postępowania
Ogólny schemat postępowania 1. Należy zdecydować, który rozkład prawdopodobieństwa chcemy badać. Rozkład oznaczamy przez P; zależy od zespołu statystycznego. 2. Narzucamy warunek równowagi szczegółowej,
Bardziej szczegółowoMetody numeryczne II
Metody numeryczne II Poszukiwanie ekstremów funkcji Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne II (C) 2004 Janusz Szwabiński p.1/55 Poszukiwanie ekstremów funkcji 1. Funkcje jednej zmiennej
Bardziej szczegółowoS ścianki naczynia w jednostce czasu przekazywany
FIZYKA STATYSTYCZNA W ramach fizyki statystycznej przyjmuje się, że każde ciało składa się z dużej liczby bardzo małych cząstek, nazywanych cząsteczkami. Cząsteczki te znajdują się w ciągłym chaotycznym
Bardziej szczegółowoRozkłady prawdopodobieństwa zmiennych losowych
Rozkłady prawdopodobieństwa zmiennych losowych Rozkład dwumianowy Rozkład normalny Marta Zalewska Zmienna losowa dyskretna (skokowa) jest to zmienna, której zbór wartości jest skończony lub przeliczalny.
Bardziej szczegółowoALHE. prof. Jarosław Arabas semestr 15Z
ALHE prof. Jarosław Arabas semestr 15Z Wykład 5 Błądzenie przypadkowe, Algorytm wspinaczkowy, Przeszukiwanie ze zmiennym sąsiedztwem, Tabu, Symulowane wyżarzanie 1. Błądzenie przypadkowe: Pierwszym krokiem
Bardziej szczegółowoFIZYKA STATYSTYCZNA. d dp. jest sumaryczną zmianą pędu cząsteczek zachodzącą na powierzchni S w
FIZYKA STATYSTYCZNA W ramach fizyki statystycznej przyjmuje się, że każde ciało składa się z dużej liczby bardzo małych cząstek, nazywanych cząsteczkami. Cząsteczki te znajdują się w ciągłym chaotycznym
Bardziej szczegółowoStochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów
Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 14
Bardziej szczegółowoZespół kanoniczny N,V, T. acc o n =min {1, exp [ U n U o ] }
Zespół kanoniczny Zespół kanoniczny N,V, T acc o n =min {1, exp [ U n U o ] } Zespół izobaryczno-izotermiczny Zespół izobaryczno-izotermiczny N P T acc o n =min {1, exp [ U n U o ] } acc o n =min {1, exp[
Bardziej szczegółowoNauka o Materiałach Wykład II Monokryształy Jerzy Lis
Wykład II Monokryształy Jerzy Lis Treść wykładu: 1. Wstęp stan krystaliczny 2. Budowa kryształów - krystalografia 3. Budowa kryształów rzeczywistych defekty WPROWADZENIE Stan krystaliczny jest podstawową
Bardziej szczegółowoMetody numeryczne II
Metody numeryczne II Poszukiwanie ekstremów funkcji Janusz Szwabiński szwabin@ift.uni.wroc.pl nmslides-13.tex Metody numeryczne II Janusz Szwabiński 29/5/2003 14:40 p.1/55 Poszukiwanie ekstremów funkcji
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 szczegółowoZaburzenia periodyczności sieci krystalicznej
Zaburzenia periodyczności sieci krystalicznej Defekty liniowe dyslokacja krawędziowa dyslokacja śrubowa dyslokacja mieszana Defekty punktowe obcy atom w węźle luka w sieci (defekt Schottky ego) obcy atom
Bardziej szczegółowoPochodna funkcji. Pochodna funkcji w punkcie. Różniczka funkcji i obliczenia przybliżone. Zastosowania pochodnych. Badanie funkcji.
Pochodna funkcji Pochodna funkcji w punkcie. Różniczka funkcji i obliczenia przybliżone. Zastosowania pochodnych. Badanie funkcji. Małgorzata Wyrwas Katedra Matematyki Wydział Informatyki Politechnika
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Bardziej szczegółowoMetody numeryczne. Wykład nr 12. Dr Piotr Fronczak
Metody numeryczne Wykład nr 1 Dr Piotr Fronczak Generowanie liczb losowych Metody Monte Carlo są oparte na probabilistyce działają dzięki generowaniu liczb losowych. W komputerach te liczby generowane
Bardziej szczegółowoUkłady równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np.
Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona f(x 0, f ( f, f,..., f n gdzie 2 x ( x, x 2,..., x n dla n2 np. f ( x, y 0 g( x, y 0 dla każdej wielowymiarowej rozwinięcie w szereg Taylora
Bardziej szczegółowo= = Budowa materii. Stany skupienia materii. Ilość materii (substancji) n - ilość moli, N liczba molekuł (atomów, cząstek), N A
Budowa materii Stany skupienia materii Ciało stałe Ciecz Ciała lotne (gazy i pary) Ilość materii (substancji) n N = = N A m M N A = 6,023 10 mol 23 1 n - ilość moli, N liczba molekuł (atomów, cząstek),
Bardziej szczegółowoIX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. - funkcja dwóch zmiennych,
IX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. Definicja 1.1. Niech D będzie podzbiorem przestrzeni R n, n 2. Odwzorowanie f : D R nazywamy
Bardziej szczegółowoy i b) metoda różnic skończonych nadal problem nieliniowy 2 go rzędu z warunkiem Dirichleta
b) metoda różnic skończonych nadal problem nieliniowy 2 go rzędu z warunkiem Dirichleta przedział (a,b) dzielimy na siatkę, powiedzmy o stałym kroku: punkty siatki: u A y i w metodzie strzałów używamy
Bardziej szczegółowoWykład 3 Zjawiska transportu Dyfuzja w gazie, przewodnictwo cieplne, lepkość gazu, przewodnictwo elektryczne
Wykład 3 Zjawiska transportu Dyfuzja w gazie, przewodnictwo cieplne, lepkość gazu, przewodnictwo elektryczne W3. Zjawiska transportu Zjawiska transportu zachodzą gdy układ dąży do stanu równowagi. W zjawiskach
Bardziej szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej szczegółowoMetody Obliczeniowe w Nauce i Technice
Metody Obliczeniowe w Nauce i Technice 15. Obliczanie całek metodami Monte Carlo Marian Bubak Department of Computer Science AGH University of Science and Technology Krakow, Poland bubak@agh.edu.pl dice.cyfronet.pl
Bardziej szczegółowoWykład 2. Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova)
Wykład 2 Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova) 1. Procesy Markova: definicja 2. Równanie Chapmana-Kołmogorowa-Smoluchowskiego 3. Przykład dyfuzji w kapilarze
Bardziej szczegółowoGeneracja liczb pseudolosowych
Generacja liczb pseudolosowych Zapis liczb w komputerze Generatory liczb pseudolosowych Liniowe kongruentne Liniowe mutiplikatywne kongruentne Jakość generatorów Test widmowy Generowanie liczb losowych
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoElementy termodynamiki i wprowadzenie do zespołów statystycznych. Katarzyna Sznajd-Weron
Elementy termodynamiki i wprowadzenie do zespołów statystycznych Katarzyna Sznajd-Weron Wielkości makroskopowe - termodynamika Termodynamika - metoda fenomenologiczna Fenomenologia w fizyce: widzimy jak
Bardziej szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji n-wymiarowych Forma kwadratowa w n wymiarach Procedury minimalizacji Minimalizacja wzdłuż prostej w n-wymiarowej przestrzeni Metody minimalizacji wzdłuż osi współrzędnych wzdłuż kierunków
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 szczegółowoFunkcje dwóch zmiennych
Funkcje dwóch zmiennych Andrzej Musielak Str Funkcje dwóch zmiennych Wstęp Funkcja rzeczywista dwóch zmiennych to funkcja, której argumentem jest para liczb rzeczywistych, a wartością liczba rzeczywista.
Bardziej szczegółowoKwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p.
Kwantyle Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p, że P(X x p ) p P(X x p ) 1 p Możemy go obliczyć z dystrybuanty: Jeżeli F(x p ) = p, to x p jest kwantylem rzędu p Jeżeli F(x p )
Bardziej szczegółowoĘ ś
ć Ę Ł ś Ę ś ś ż Ź ż ż ż ż ż ś ż ż Ż Ę ś ść ść ś Ć ś ś Ć ść Ź ć Ż ć ś ż ś ść ś ś ś ś ć Ć ś Ć ś ś Ź ś ś Ź ś ź ś ż ż ś ś ś ź ś ś Ź Ł ż ś ż Ę Ź ś Ę Ę ż Ę Ź Ę ś ś ś ć ź ś ś ś ś ś ś ś Ź ś ż ż ć ć ć ś Ę ż ś ć
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 szczegółowoTransport jonów: kryształy jonowe
Transport jonów: kryształy jonowe JONIKA I FOTONIKA MICHAŁ MARZANTOWICZ Jodek srebra AgI W 42 K strukturalne przejście fazowe I rodzaju do fazy α stopiona podsieć kationowa. Fluorek ołowiu PbF 2 zdefektowanie
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek: 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowo1 Relacje i odwzorowania
Relacje i odwzorowania Relacje Jacek Kłopotowski Zadania z analizy matematycznej I Wykazać, że jeśli relacja ρ X X jest przeciwzwrotna i przechodnia, to jest przeciwsymetryczna Zbadać czy relacja ρ X X
Bardziej szczegółowoTEORIA PASMOWA CIAŁ STAŁYCH
TEORIA PASMOWA CIAŁ STAŁYCH Skolektywizowane elektrony w metalu Weźmy pod uwagę pewną ilość atomów jakiegoś metalu, np. sodu. Pojedynczy atom sodu zawiera 11 elektronów o konfiguracji 1s 2 2s 2 2p 6 3s
Bardziej szczegółowoWykład 8 i 9. Hipoteza ergodyczna, rozkład mikrokanoniczny, wzór Boltzmanna
Wykład 8 i 9 Hipoteza ergodyczna, rozkład mikrokanoniczny, wzór Boltzmanna dr hab. Agata Fronczak, prof. PW Wydział Fizyki, Politechnika Warszawska 1 stycznia 2017 dr hab. A. Fronczak (Wydział Fizyki PW)
Bardziej szczegółowoWynik pomiaru jako zmienna losowa
Wynik pomiaru jako zmienna losowa Wynik pomiaru jako zmienna losowa Zmienne ciągłe i dyskretne Funkcja gęstości i dystrybuanta Wartość oczekiwana Momenty rozkładów Odchylenie standardowe Estymator zmiennej
Bardziej szczegółowoIlustracja metody Monte Carlo obliczania pola obszaru D zawartego w kwadracie [a,b]x[a,b]
Ilustracja metody Monte Carlo obliczania pola obszaru D zawartego w kwadracie [a,b]x[a,b] Dagna Bieda, Piotr Jarecki, Tomasz Nachtigall, Jakub Ciesiółka, Marek Kubiczek Metoda Monte Carlo Metoda Monte
Bardziej szczegółowoModelowanie rynków finansowych z wykorzystaniem pakietu R
Modelowanie rynków finansowych z wykorzystaniem pakietu R Metody numeryczne i symulacje stochastyczne Mateusz Topolewski woland@mat.umk.pl Wydział Matematyki i Informatyki UMK Plan działania 1 Całkowanie
Bardziej szczegółowoWstęp do fizyki statystycznej: krytyczność i przejścia fazowe. Katarzyna Sznajd-Weron
Wstęp do fizyki statystycznej: krytyczność i przejścia fazowe Katarzyna Sznajd-Weron Co to jest fizyka statystyczna? Termodynamika poziom makroskopowy Fizyka statystyczna poziom mikroskopowy Marcin Weron
Bardziej szczegółowoGeneratory takie mają niestety okres, po którym sekwencja liczb powtarza się.
1 Wstęp Będziemyrozważaćgeneratorytypux n+1 =f(x n,x n 1,...,x n k )(modm). Zakładamy,żeargumentamifunkcjifsąliczbycałkowitezezbioru0,1,...,M 1. Dla ustalenia uwagi mogą to być generatory liniowe typu:
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoOznacza to, że chcemy znaleźć minimum, a właściwie wartość najmniejszą funkcji
Wykład 11. Metoda najmniejszych kwadratów Szukamy zależności Dane są wyniki pomiarów dwóch wielkości x i y: (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Przypuśćmy, że nanieśliśmy je na wykres w układzie
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW PRZYGOTOWANY PRZEZ SERWIS WWW.ZADANIA.INFO POZIOM PODSTAWOWY 2 MARCA 2019 CZAS PRACY: 170 MINUT 1 Zadania zamknięte ZADANIE 1 (1 PKT) Cena towaru bez podatku
Bardziej szczegółowoS. Baran - Podstawy fizyki materii skondensowanej Gaz Fermiego elektronów swobodnych. Gaz Fermiego elektronów swobodnych
Gaz Fermiego elektronów swobodnych charakter idea Teoria metali Paula Drudego Teoria metali Arnolda (1900 r.) Sommerfelda (1927 r.) klasyczna kwantowa elektrony przewodnictwa elektrony przewodnictwa w
Bardziej szczegółowoIX. MECHANIKA (FIZYKA) KWANTOWA
IX. MECHANIKA (FIZYKA) KWANTOWA IX.1. OPERACJE OBSERWACJI. a) klasycznie nie ważna kolejność, w jakiej wykonujemy pomiary. AB = BA A pomiar wielkości A B pomiar wielkości B b) kwantowo wartość obserwacji
Bardziej szczegółowoWykład IX: Odkształcenie materiałów - właściwości plastyczne
Wykład IX: Odkształcenie materiałów - właściwości plastyczne JERZY LIS Wydział Inżynierii Materiałowej i Ceramiki Katedra Technologii Ceramiki i Materiałów Ogniotrwałych Treść wykładu: 1. Odkształcenie
Bardziej szczegółowoGRA Przykład. 1) Zbiór graczy. 2) Zbiór strategii. 3) Wypłaty. n = 2 myśliwych. I= {1,,n} S = {polować na jelenia, gonić zająca} S = {1,,m} 10 utils
GRA Przykład 1) Zbiór graczy n = 2 myśliwych I= {1,,n} 2) Zbiór strategii S = {polować na jelenia, gonić zająca} S = {1,,m} 3) Wypłaty jeleń - zając - 10 utils 3 utils U i : S n R i=1,,n J Z J Z J 5 0
Bardziej szczegółowoMatematyka II. Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr letni 2018/2019 wykład 13 (27 maja)
Matematyka II Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr letni 208/209 wykład 3 (27 maja) Całki niewłaściwe przedział nieograniczony Rozpatrujemy funkcje ciągłe określone na zbiorach < a, ),
Bardziej szczegółowoWIĄZANIA. Co sprawia, że ciała stałe istnieją i są stabilne? PRZYCIĄGANIE ODPYCHANIE
WIĄZANIA Co sprawia, że ciała stałe istnieją i są stabilne? PRZYCIĄGANIE ODPYCHANIE Przyciąganie Wynika z elektrostatycznego oddziaływania między elektronami a dodatnimi jądrami atomowymi. Może to być
Bardziej szczegółowoNauka o Materiałach. Wykład IX. Odkształcenie materiałów właściwości plastyczne. Jerzy Lis
Nauka o Materiałach Wykład IX Odkształcenie materiałów właściwości plastyczne Jerzy Lis Nauka o Materiałach Treść wykładu: 1. Odkształcenie plastyczne 2. Parametry makroskopowe 3. Granica plastyczności
Bardziej szczegółowoMetody Optymalizacji: Przeszukiwanie z listą tabu
Metody Optymalizacji: Przeszukiwanie z listą tabu Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: wtorek
Bardziej szczegółowoTeoria kinetyczno cząsteczkowa
Teoria kinetyczno cząsteczkowa Założenie Gaz składa się z wielkiej liczby cząstek znajdujących się w ciągłym, chaotycznym ruchu i doznających zderzeń (dwucząstkowych) Cel: Wyprowadzić obserwowane (makroskopowe)
Bardziej szczegółowoZestaw VI. Zadanie 1. (1 pkt) Wskaż nierówność, którą spełnia liczba π A. (x + 1) 2 > 18 B. (x 1) 2 < 5 C. (x + 4) 2 < 50 D.
Zestaw VI Zadanie. ( pkt) Wskaż nierówność, którą spełnia liczba π A. (x + ) 2 > 8 B. (x ) 2 < C. (x + 4) 2 < 0 D. (x 2 )2 8 Zadanie 2. ( pkt) Pierwsza rata, która stanowi 8% ceny roweru, jest równa 92
Bardziej szczegółowoElementy termodynamiki
Elementy termodynamiki Katarzyna Sznajd-Weron Katedra Fizyki Teoretycznej Politechnika Wrocławska 5 stycznia 2019 Katarzyna Sznajd-Weron (K4) Wstęp do Fizyki Statystycznej 5 stycznia 2019 1 / 27 Wielkości
Bardziej szczegółowoPotencjał pola elektrycznego
Potencjał pola elektrycznego Pole elektryczne jest polem zachowawczym, czyli praca wykonana przy przesunięciu ładunku pomiędzy dwoma punktami nie zależy od tego po jakiej drodze przesuwamy ładunek. Spróbujemy
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
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 szczegółowo1 Funkcje dwóch zmiennych podstawowe pojęcia
1 Funkcje dwóch zmiennych podstawowe pojęcia Definicja 1 Funkcją dwóch zmiennych określoną na zbiorze A R 2 o wartościach w zbiorze R nazywamy przyporządkowanie każdemu punktowi ze zbioru A dokładnie jednej
Bardziej szczegółowoMATURA probna listopad 2010
MATURA probna listopad 00 ZADANIA ZAMKNIĘTE W zadaniach od. do 5. wybierz i zaznacz poprawną odpowiedź. Zadanie. ( pkt) - 4 $ 4 Liczba 0 jest równa 4-0, 5 A. B. C. D. 4 Zadanie. ( pkt) Liczba log 6 - log
Bardziej szczegółowoMatura 2011 maj. Zadanie 1. (1 pkt) Wskaż nierówność, którą spełnia liczba π A. x + 1 > 5 B. x 1 < 2 C. x D. x 1 3 3
Matura 2011 maj Zadanie 1. (1 pkt) Wskaż nierówność, którą spełnia liczba π A. x + 1 > 5 B. x 1 < 2 C. x + 2 3 4 D. x 1 3 3 Zadanie 2. (1 pkt) Pierwsza rata, która stanowi 9% ceny roweru, jest równa 189
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowo22 Pochodna funkcji definicja
22 Pochodna funkcji definicja Rozważmy funkcję f : (a, b) R, punkt x 0 b = +. (a, b), dopuszczamy również a = lub Definicja 33 Mówimy, że funkcja f jest różniczkowalna w punkcie x 0, gdy istnieje granica
Bardziej szczegółowo1 Wykład 3 Generatory liczb losowych o dowolnych rozkładach.
Wykład 3 Generatory liczb losowych o dowolnych rozkładach.. Metoda odwracania Niech X oznacza zmienna losowa o dystrybuancie F. Oznaczmy F (t) = inf (x : t F (x)). Uwaga Zauważmy, że t [0, ] : F ( F (t)
Bardziej szczegółowo1.1 Przegląd wybranych równań i modeli fizycznych. , u x1 x 2
Temat 1 Pojęcia podstawowe 1.1 Przegląd wybranych równań i modeli fizycznych Równaniem różniczkowym cząstkowym rzędu drugiego o n zmiennych niezależnych nazywamy równanie postaci gdzie u = u (x 1, x,...,
Bardziej szczegółowoPrzewodność elektryczna ciał stałych. Elektryczne własności ciał stałych Izolatory, metale i półprzewodniki
Przewodność elektryczna ciał stałych Elektryczne własności ciał stałych Izolatory, metale i półprzewodniki Elektryczne własności ciał stałych Do sklasyfikowania różnych materiałów ze względu na ich własności
Bardziej szczegółowo3. KINEMATYKA Kinematyka jest częścią mechaniki, która zajmuje się opisem ruchu ciał bez wnikania w jego przyczyny. Oznacza to, że nie interesuje nas
3. KINEMATYKA Kinematyka jest częścią mechaniki, która zajmuje się opisem ruchu ciał bez wnikania w jego przyczyny. Oznacza to, że nie interesuje nas oddziaływanie między ciałami, ani też rola, jaką to
Bardziej szczegółowoModel wiązania kowalencyjnego cząsteczka H 2
Model wiązania kowalencyjnego cząsteczka H 2 + Współrzędne elektronu i protonów Orbitale wiążący i antywiążący otrzymane jako kombinacje orbitali atomowych Orbital wiążący duża gęstość ładunku między jądrami
Bardziej szczegółowo12DRAP - parametry rozkładów wielowymiarowych
DRAP - parametry rozkładów wielowymiarowych Definicja.. Jeśli h : R R, a X, Y ) jest wektorem losowym o gęstości fx, y) to EhX, Y ) = hx, y)fx, y)dxdy. Jeśli natomiast X, Y ) ma rozkład dyskretny skupiony
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa
Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego
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 szczegółowoWŁAŚCIWOŚCI MECHANICZNE PLASTYCZNOŚĆ. Zmiany makroskopowe. Zmiany makroskopowe
WŁAŚCIWOŚCI MECHANICZNE PLASTYCZNOŚĆ Zmiany makroskopowe Zmiany makroskopowe R e = R 0.2 - umowna granica plastyczności (0.2% odkształcenia trwałego); R m - wytrzymałość na rozciąganie (plastyczne); 1
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoPolitechnika Wrocławska Wydział Elektroniki INFORMATYKA SYSTEMÓW AUTONOMICZNYCH. Heurystyka, co to jest, potencjalne zastosowania
Politechnika Wrocławska Wydział Elektroniki INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Autor: Łukasz Patyra indeks: 133325 Prowadzący zajęcia: dr inż. Marek Piasecki Ocena pracy: Wrocław 2007 Spis treści 1 Wstęp
Bardziej szczegółowoKodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,
1 Kwantyzacja skalarna Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 10.05.005 Kwantyzacja polega na reprezentowaniu dużego zbioru wartości (być może nieskończonego) za pomocą wartości
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 szczegółowoFizyka statystyczna Termodynamika bliskiej nierównowagi. P. F. Góra
Fizyka statystyczna Termodynamika bliskiej nierównowagi P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2015 Nasze wszystkie dotychczasowe rozważania dotyczyły układów w równowadze termodynamicznej lub
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. 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 szczegółowoPasmowa teoria przewodnictwa. Anna Pietnoczka
Pasmowa teoria przewodnictwa elektrycznego Anna Pietnoczka Wpływ rodzaju wiązań na przewodność próbki: Wiązanie jonowe - izolatory Wiązanie metaliczne - przewodniki Wiązanie kowalencyjne - półprzewodniki
Bardziej szczegółowoTERMODYNAMIKA FENOMENOLOGICZNA
TERMODYNAMIKA FENOMENOLOGICZNA Przedmiotem badań są własności układów makroskopowych w zaleŝności od temperatury. Układ makroskopowy Np. 1 mol substancji - tyle składników ile w 12 gramach węgla C 12 N
Bardziej szczegółowo