Pesymistyczna złożoność obliczeniowa algorytmu faktoryzacji Fact

Wielkość: px
Rozpocząć pokaz od strony:

Download "Pesymistyczna złożoność obliczeniowa algorytmu faktoryzacji Fact"

Transkrypt

1 Pesymstyczna złożoność oblczenowa algorytmu faktoryzacj Fact Lech Madeysk 1, Zygmunt Mazur Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 7, Wrocław Streszczene. W artykule zaprezentowano algorytm faktoryzacj Fact oblczana nezawodnośc - termnal sec probablstycznych reprezentowanych przez graf ( V, E) = z wyróżnonym podzborem węzłów, jak równeż metodę oceny pesymstycznej złożonośc tego algorytmu. Pośród algorytmów faktoryzacj najnższą złożonoścą pesymstyczną charakteryzuje sę algorytm analzowany przez Wooda, którego lczba lśc bnarnego drzewa oblczeń w przypadkach grancznych, gdy 5 oraz V V, ne przekracza ( V )!. Dla algorytmu Fact wykażemy, że maksymalna lczba lśc bnarnego drzewa oblczeń ( V )! jest osągalna dla dowolnego ( V ), a ne tylko w przypadkach grancznych. Rezultat ten uzyskano przy prostszym nż zaproponowany przez Wooda zborze zachowujących nezawodność redukcj grafu neskomplkowanej strateg selekcj krawędz do faktoryzacj. Słowa kluczowe: analza algorytmów, algorytmy faktoryzacj, nezawodność -termnal. 1. Algorytm faktoryzacj W artykule rozpatrywany jest, powszechne podejmowany przez badaczy, problem analzy nezawodnośc sec z wykorzystanem mar nezawodnośc bazujących na spójnośc sec reprezentowanej poprzez probablstyczny graf neskerowany = ( V, E) z wyróżnonym podzborem węzłów (<= <= V ). rawędze grafu reprezentują łącza komunkacyjne, które ulegają wzajemne nezależne losowym uszkodzenom ze znanym prawdopodobeństwem. Wśród mar oceny nezawodnośc sec, najbardzej unwersalną powszechne stosowaną marą jest nezawodność -termnal (-termnal network relablty), defnowana jako prawdopodobeństwo, ż wszystke węzły znajdujące sę w zborze są połączone za pomocą ne uszkodzonych łączy (mogą sę komunkować). 1 E-mal: madeysk@c.pwr.wroc.pl. E-mal: mazur@c.pwr.wroc.pl.

2 Spośród algorytmów znajdujących dokładne rozwązane problemu nezawodnośc - termnal szczególne dużo uwag pośwęcono algorytmom faktoryzacj zachowującym nezawodność redukcjom grafu [1 13]. Algorytm faktoryzacj wykorzystuje zdarzena elementarne sprawnośc lub nesprawnośc pojedynczej krawędz. Stany grafu można podzelć na dwa zbory ze względu na dwa możlwe stany krawędz e o nezawodnośc p. Stąd nezawodność -termnal można wyrazć w postac prostej formuły nezawodnośc warunkowej: R ( ) p R( e funkcjonuje) + ( 1 p ) R( e ne funkcjonuje). = (1) Twerdzene faktoryzacj jest topologczną nterpretacją formuły (1) dla grafów neskerowanych. Twerdzene 1 (Twerdzene faktoryzacj) Nezawodność -termnal sec probablstycznej reprezentowanej poprzez graf z wyróżnonym podzborem węzłów można wyrazć następująco: R ( ) p R( * e ) + ( 1 p ) R( e ), gdze: = () ' e dowolna krawędź grafu ; p prawdopodobeństwo, że łącze reprezentowane przez ' * e ( V u v + w, E e ) ' = u v + w e = ( V, E e ). =, w = u v; jeżel u, v ; jeżel u lub v ; e E funkcjonuje; Algorytm faktoryzacj uzupełnony o funkcje redukcj grafu można opsać w postac następującej trójk (F 0, R, S), gdze: F 0 szkelet algorytmu oblczana nezawodnośc wykorzystujący twerdzene faktoryzacj; R zbór zachowujących nezawodność redukcj dekompozycj grafu 3 ; S stratega wyberana krawędz grafu do faktoryzacj (dekompozycj problemu). 3 Nektóre zachowujące nezawodność redukcje grafu przedstawono w załącznku 1.

3 Spośród algorytmów faktoryzacj najnższą pesymstyczną złożonoścą czasową charakteryzuje sę algorytm faktoryzacj opsany przez Wooda [11, 1] (F 0, {R1, R, R3, R4}, S), gdze: S = S S 3 ; S = {Możyć wybrana dowolna krawędź e E za wyjątkem takej, że ' = 1 w * e }; S 3 = {Możyć wybrana dowolna krawędź e E jeżel * e e są dwuspójne ne mają pętl własnych}. W przypadku tego algorytmu maksymalna lczba lśc bnarnego drzewa oblczeń ( V )! jest osągalna dla przypadków grancznych, gdy 5 oraz V V. Znany jest równeż nny algorytm faktoryzacj [8, 1], dla którego maksymalna lczba lśc bnarnego drzewa oblczeń jest równa ( V 1)! dla dowolnego zboru ( V ). Zaprezentowany w tym artykule algorytm faktoryzacj Fact (F 0, {R0, R1, R, R3}, S ) jest modyfkacją algorytmu faktoryzacj przedstawonego przez Page a Perry [3]. Dzęk zaproponowanu nowej strateg S selekcj krawędz do faktoryzacj, jak równeż nowej metody analzy pesymstycznej złożonośc oblczenowej algorytmu wykażemy, że maksymalna lczba ( V )! lśc bnarnego drzewa oblczeń algorytmu faktoryzacj jest osągalna dla dowolnego zboru ( V ), a ne tylko dla przypadków grancznych, gdy 5 oraz V V (jak to ma mejsce w przypadku algorytmu analzowanego przez Wooda [11, 1]). Rezultat ten uzyskano przy prostszym nż zaproponowany przez Wooda zborze zachowujących nezawodność redukcj grafu neskomplkowanej strateg selekcj krawędz do faktoryzacj. Dokładna analza procesu faktoryzacj w przypadku algorytmu Fact wykorzystującego strategę S, jak równeż sama stratega S selekcj krawędz do faktoryzacj, przedstawona jest w następnym rozdzale.

4 . Analza pesymstycznej złożonośc oblczenowej algorytmu faktoryzacj metodą przekształcena do grafu pełnego Znane z lteratury metody analzy pesymstycznej złożonośc algorytmów faktoryzacj wykorzystywały nezmennk grafów [8, 1]. W przypadku analzy pesymstycznej złożonośc algorytmu Fact zaproponowano odmenną metodę..1. Idea przekształcena do grafu pełnego Mamy dowolną seć reprezentowaną poprzez graf o n -werzchołkach. raf możemy uzupełnć do postac grafu pełnego krawędzam reprezentującym łącza o zerowym prawdopodobeństwe uszkodzena. W wynku tej operacj nezawodność -termnal takej sec ne ulega zmane. Dokonując faktoryzacj (wykorzystując określoną strategę selekcj S) na krawędzach o prawdopodobeństwe uszkodzena p = 0, zamast dwóch podproblemów (jak ma to mejsce przy faktoryzacj na krawędzach o p 0 ) otrzymujemy tylko jeden podproblem. W zwązku z tym lczba lśc BDO algorytmu faktoryzacj wykorzystującego strategę S przy rozwązywanu dowolnych sec reprezentowanych przez, nędze wększa nż L ( n ), gdze n jest grafem pełnym o n werzchołkach. Podobne głębokość rekurencj przy rozwązywanu sec reprezentowanych przez przypadku grafu pełnego. nędze wększa nż w Jeżel ponadto stratega S selekcj krawędz do faktoryzacj będze tak dobrana, by mała mejsce dekompozycja problemu oblczena nezawodnośc -termnal sec reprezentowanej przez graf pełny n (o n werzchołkach) na pewną lczbę podproblemów nższego rzędu reprezentowanych poprzez grafy pełne n 1, to określene pesymstycznej złożonośc oblczenowej rozważanego algorytmu będze stosunkowo proste... Złożoność czasowa algorytmu faktoryzacj Chcąc oszacować złożoność czasową algorytmu faktoryzacj należy uwzględnć lczbę węzłów (lśc) BDO, jak równeż złożoność czasową operacj dokonywanych w poszczególnych węzłach BDO, którą można oszacować przez ( b ) O.

5 ..1. Nezawodność wszystkch termnal Dla ułatwena rozpatrzmy najperw często rozważany przypadek oblczana nezawodnośc wszystkch termnal (tzn. gdy = V ). Twerdzene Lczba lśc BDO algorytmu faktoryzacj, wykorzystującego zbór redukcj R={R0, R1, R, R3} oraz strategę S=S' (określoną na rysunku ponżej), przy rozwązywanu problemu nezawodnośc wszystkch termnal dowolnej sec reprezentowanej poprzez graf, spełna zależność ( ) ( n )! V L V, gdze n jest lczbą werzchołków (przy rozwązywanu problemu nezawodnośc wszystkch termnal redukcje R ne są używane).

6 Faktoryzacja z wykorzystanem strateg S' Tak raf Czy n>3 Ne Wyberamy werzchołek u Proste Na grafe (nekoneczne pełnym) stosujemy procedurę faktoryzacj na krawędz e ncydentnej do u Powstaje L =\e Powstaje P =*e Tak Czy deg(u)> Ne Stosuję redukcje, dostaję graf nższego stopna P ' = P ' = L u take same Stosuję redukcje usuwając werzchołeku dostaję graf nższego stopna = L Rysunek 1. Faktoryzacja z wykorzystanem strateg S' selekcj krawędz grafu do faktoryzacj. Dowód: W przypadku oblczana nezawodnośc wszystkch termnal sec reprezentowanej przez graf pełny, fragment BDO algorytmu faktoryzacj przedstawony jest na ponższym rysunku.

7 n n-1 n-1 n- 1 n-1 n- n-1 n-1 R R n-1 n- n-1 3 n-1 n-1 R n-1 n- n-1 n-1 R n-1 Rysunek. Fragment bnarnego drzewa oblczeń algorytmu faktoryzacj (F 0, {R0, R1, R, R3}, S') przy rozwązywanu problemu nezawodnośc wszystkch termnal sec reprezentowanych przez graf pełny.

8 Wyberamy werzchołek u, który ma n 1 krawędz ncydentnych. Następne n 3 razy stosujemy formułę faktoryzacj. Otrzymujemy n węzłów BDO, w których występuje seć n 1. Lczbę lśc BDO algorytmu faktoryzacj można węc wyrazć rekurencyjne: L L ( n ) = ( n ) L( n 1 ) ( ) = L( ) = L( ) = W efekce lczba lśc BDO algorytmu faktoryzacj (F 0, {R0, R1, R, R3}, S') w przypadku oblczana nezawodnośc wszystkch termnal spełna zależność ( ) ( n )! R ne są używane).... Nezawodność -termnal L V (redukcje c.n.d. W rozdzale tym uogólnmy rozpatrywany w poprzednm rozdzale przypadek tak, by dotyczył nezawodnośc -termnal (gdy V ), a ne tylko nezawodnośc wszystkch termnal ( = V ). Modyfkując strategę S' można uogólnć twerdzene na problem nezawodnośc - termnal. Jeżel ne wszystke werzchołk rozpatrywanego grafu należą do zboru, wystarczy w ramach stosowanej strateg selekcj krawędz wyberać tak werzchołek u, że u. Tak zmodyfkowaną strategę selekcj krawędz S" przedstawa ponższy rysunek.

9 Faktoryzacja z wykorzystanem strateg S" Tak raf Czy n>3 Ne Wyberamy werzchołek u (o le to możlwe ne należący do zboru ) Proste Na grafe (nekoneczne pełnym) stosujemy procedurę faktoryzacj na krawędz e ncydentnej do u Powstaje L =\e Powstaje P =* e Tak Czy deg( u)> Ne Stosuję redukcje na grafe P, dostaję graf P ' = P ' = L u take same Stosuję redukcje usuwając werzchołek u, dostaję graf nższego stopna = L Rysunek 3. Faktoryzacja z wykorzystanem strateg S" selekcj krawędz grafu do faktoryzacj. Modyfkacja strateg selekcj krawędz grafu do faktoryzacj umożlwa redukcję werzchołków stopna : za pomocą redukcj R w przypadku, gdy ne wszystke werzchołk grafu należą do zboru ; za pomocą redukcj R3 w przypadku, gdy wszystke werzchołk grafu należą do zboru. Dzęk temu lczba lśc BDO, a co za tym dze równeż złożoność algorytmu Fact (F 0, {R0, R1, R, R3}, S") w przypadku oblczana nezawodnośc -termnal ne ulegne zmane w porównanu do przypadku rozpatrywanego w twerdzenu. Dlatego prawdzwe jest ponższe twerdzene.

10 Twerdzene 3 Lczba lśc BDO algorytmu faktoryzacj Fact, wykorzystującego zbór redukcj R={R0, R1, R, R3} oraz strategę S" (określoną na rysunku powyżej), przy rozwązywanu problemu nezawodnośc -termnal dowolnej sec reprezentowanej poprzez graf spełna zależność ( ) ( n )! L, gdze n jest lczbą werzchołków. W rezultace prawdzwe jest równeż ponższe twerdzene. Twerdzene 4 Pesymstyczna złożoność czasowa algorytmu faktoryzacj Fact (F 0, {R0, R1, R, R3}, S"), przy rozwązywanu problemu nezawodnośc -termnal dowolnej sec reprezentowanej poprzez graf wynos b (( n )!) ( ) O..3. Złożoność pamęcowa algorytmu faktoryzacj Rozmar wymaganej pamęc można ogólne oszacować poprzez loczyn rozmaru sec (t.j. zestawu danych, wykorzystanych główne do reprezentacj sec w pojedynczej nstancj rekurencyjnej funkcj Prob) głębokośc rekurencj d ( ). Stąd zgrubnym pesymstycznym oszacowanem złożonośc pamęcowej algorytmów faktoryzacj jest O ( b ), gdz jest lczbą krawędz grafu reprezentującego badaną seć. Pesymstyczną złożoność pamęcową algorytmu faktoryzacj można równeż, podobne jak w przypadku złożonośc czasowej, w prosty sposób analzować wykorzystując grafy pełne. łębokość rekurencj przy rozwązywanu sec reprezentowanych przez ne będze wększa nż w przypadku grafu pełnego. Uzyskane w ten sposób oszacowana mogą być jednak (szczególne w przypadku grafów rzadkch) gorsze od oszacowana O ( b ). Jak można zaobserwować na rysunku. głębokość rekurencj algorytmu faktoryzacj, wykorzystującego zbór redukcj R={R0, R1, R, R3} oraz strategę S' lub S" w przypadku rozwązywana problemu nezawodnośc -termnal sec reprezentowanej poprzez graf pełny d ( ) n spełna zależność d ( ) ( n ) + d( ) n n = 3 n 1. Stąd: ( n 3) ( ) ( n )( n 3) n 5n + 6 n( n 1) 1+ 4n + 6 = n 3 = = = = b n + 3.

11 Twerdzene 5 łębokość rekurencj algorytmu faktoryzacj Fact, wykorzystującego zbór redukcj R={R0, R1, R, R3} oraz strategę S", przy rozwązywanu problemu nezawodnośc - termnal dowolnej sec reprezentowanej poprzez graf, spełna zależność ( ) ( n )( n 3) d, gdze n jest lczbą werzchołków. Twerdzene 6 Pesymstyczna złożoność pamęcowa algorytmu faktoryzacj Fact (F 0, {R0, R1, R, R3}, S"), przy rozwązywanu problemu nezawodnośc -termnal dowolnej sec reprezentowanej poprzez graf 3. Podsumowane wynos O ( n )( n 3) Przedstawony w tym rozdzale algorytm Fact (F 0, {R0, R1, R, R3}, S ) jest modyfkacją algorytmu faktoryzacj przedstawonego przez Page a Perry [3]. Dzęk zaproponowanu nowej strateg S selekcj krawędz do faktoryzacj, jak równeż nowej metody analzy pesymstycznej złożonośc oblczenowej algorytmu wykazano, że maksymalna lczba ( V )! lśc bnarnego drzewa oblczeń algorytmu faktoryzacj jest osągalna dla dowolnego zboru ( V ), a ne tylko dla przypadków grancznych, gdy 5 oraz V V (jak to ma mejsce w przypadku algorytmu analzowanego przez Wooda [11, 1]). Rezultat ten uzyskano przy prostszym nż zaproponowany przez Wooda zborze zachowujących nezawodność redukcj grafu R={R0, R1, R, R3}. Ne ma bowem konecznośc uwzględnana najbardzej skomplkowanego 4 podzboru redukcj R4 (redukcj welokąta do łańcucha). Równeż zaproponowana stratega selekcj krawędz do faktoryzacj ne wymaga stosowana złożonych procedur testowana własnośc (np. dwuspójnośc) sec występujących w poszczególnych węzłach BDO. Zaprezentowana w tym rozdzale metoda analzy pesymstycznej złożonośc oblczenowej jest na tyle unwersalna, że można ją równeż wykorzystać do analzy odman algorytmu Fact, wykorzystujących różne zbory zachowujących nezawodność redukcj grafów. Złożoność czasowa tych algorytmów nyła dotąd analzowana a uzyskane rezultaty. 4 Por. załącznk 1.

12 pomogą określć wpływ zastosowanych redukcj grafu na pesymstyczną złożoność oblczenową algorytmów faktoryzacj.

13 Lteratura: [1] M. S. Cho, C. H. Jun, Some varants of polygon-to-chan reductons n evaluaton relablty of undrected network, Mcroelectron. Relab., 1995(35), [] M.. F. La, Polygon-to-chan reductons work for networks wth mperfect vertces, Mcroelectron. Relab., 1994(34), [3] L. B. Page, J. E. Perry, A practcal mplementaton of the factorng theorem for network relablty, IEEE Trans. Relablty, 1988 (37) Aug, [4] L. B. Page, J. E. Perry, Relablty of drected networks usng the factorng theorem, IEEE Trans. Relablty, 1989 (38) Dec, [5] M.. C. Resende, A program for relablty evaluaton of undrected networks va polygon-to-chan reductons, IEEE Trans. Relablty, 1986 (R-35) Apr, 4-9. [6] L. I. P. Resende, Implementaton of factorng algorthm for relablty evaluaton of undrected networks, IEEE Trans. Relablty, 1988 (37) Dec, [7] A. Satyanarayana, R.. Wood, Polygon-to-chan reductons and network relablty, Operatons Research Center, Unversty of Calforna, Report ORC 8-4, 198. [8] A. Satyanarayana, M.. Chang, Network Relablty and the Factorng Theorem, Networks, 1983 (13), [9] O. R. Theologou, J.. Carler, Factorng and Reductons for Networks wth Imperfect Vertces, IEEE Trans. Relablty, 1991 (40), [10] R.. Wood, Polygon-to-chan reductons and extensons for relablty evaluaton of undrected networks, PhD thess, Dept. of Industral Engneerng and Operatons Research, Unversty of Calforna, Berkeley, 198. [11] R.. Wood, A Factorng Algorthm Usng Polygon-to-Chan Reductons for Computng -Termnal Network Relablty, Networks, 1985 (15), [1] R.. Wood, Factorng Algorthms for Computng -Termnal Network Relablty, IEEE Trans. Relablty, 1986 (R-35), [13] R.. Wood, Trconnected decomposton for computng -termnal network relablty, Networks, 1989 (19), 03-0.

14 Załącznk 1 Zachowujące nezawodność redukcje grafu Aby zredukować rozmar badanych grafów, a co za tym dze także rozmar przestrzen stanów rozpatrywanego problemu nezawodnośc -termnal, czyl złożoność problemu, można zastosować zachowujące nezawodność redukcje grafu (relablty preservng reductons) ze zboru R. Redukcje te wymagają tylko welomanowego czasu wykonana 5 zmnejszając wykładnczą przestrzeń stanów problemu. Redukcje zmenają graf topologczne probablstyczne przekształcając go do postac ' ' tak, że: ( ) = Ω Ω R( ). R + 1 ' ' (3) Ω 1 Ω są stałym uzyskanym wyłączne z orygnalnego grafu. Ta ogólna formuła jest często upraszczana do postac, która zawera jedyne stałą multplkatywną Ω = Ω. Poneważ wększość redukcj wykorzystuje jedyne stałą multplkatywną równane (3) przyjmuje następującą postać: ( ) ΩR( ) R = ' ' Ponżej zostaną przedstawone najczęścej wykorzystywane w praktyce redukcje grafu 6. Przyjęto następujące oznaczena werzchołków na rysunkach opsujących redukcje: werzchołek grafu ze zboru werzchołek grafu spoza zboru werzchołek grafu, który może lecz ne mus należeć do zboru (4) R0 redukcja stopna 1 (degree-1 reducton) Jeśl e ( u, v) = będze krawędzą w grafe, a werzchołek v będze stopna jeden tzn. deg ( v ) = 1, to wtedy: ' ' = * e = ' = u v + w 1 Ω1 = 0, Ω = pa ( V u v + w, E e ) jeżel u, v jeżel u lub jeżelv jeżelv, w = u v, v. 5 Por. [11], s.175 [8], s Dokładne opsy redukcj można znaleźć także w pracy [1], s.7-73 oraz [11], s

15 R1 Redukcja równoległa (parallel reducton) u e a v e a =(u,v) =(u,v) redukcja u v =(u,v) p c =1- q a q b Ω 1 =0, Ω =1 = R Redukcja szeregowa (seres reducton) u v e a w e a =(u,v) =(v,w) v redukcja u w =(u,w) p c =p a p b Ω 1 =0, Ω =1 =

16 R3 Redukcja stopna (degree- reducton) u v e a redukcja w e a =(u,v) =(v,w) u,v,w deg(v)= u w =(u,w) p c =p a p b /(1-q a q b ) Ω 1 =0, Ω =(1-q a q b ) =-v R4 Redukcje welokąta do łańcucha (polygon-to-chan reducton) Satyanarayana Wood [7, 10, 11] zaproponowal redukcje R4, welokąta do łańcucha (polygon-to-chan reductons). Jeżel po zastosowanu redukcj R1, R, R3 graf zawera welokąt, to przybera on jedną z sedmu postac można go zastąpć przez łańcuch składający sę z 1, lub 3 krawędz. Redukcje te mogą zmnejszyć wysłek oblczenowy wymagany do oblczena nezawodnośc za pomocą algorytmu faktoryzacj. Ponższa tabela zawera wszystke sedem redukcj: Welokąt Łańcuch Nowe nezawodnośc łączy łańcucha gdze: e a e r e s p r =δ/(α+δ) α=q a p b q c (1) β=p a q b q c e a () e r e s p s =δ/(β+δ) Ω =(α+δ)(β+δ)/δ δ=p a p b p c [1+(q a /p a )+ (q b /p b )+ (q c /p c )] e a e r e s Ω 1 =0 α=p a q b q c p d +q a p b p c q d + q a p b q c p d β=p a q b p c q d (3) e d δ=p a p b p c p d [1+(q a /p a )+ (q b /p b )+(q c /p c )+(q d /p d )]

17 e a e r e s e t α=q a p b q c p d β=p a q b q c p d + q a p b p c q d (4) e d p r =γ/(α+γ) δ=p a q b p c q d γ=p a p b p c p d [1+(q a /p a )+ (q b /p b )+(q c /p c )+(q d /p d )] > α=q a p b p c q d e a e r e s e t p s =γ/(β+γ) β=p a q b p c q d e d (5a) δ=p a p b q c q d γ=p a p b p c p d [1+(q a /p a )+ (q b /p b )+(q c /p c )+(q d /p d )] e a e r e s e t p t =γ/(δ+γ) α=q a p b p c q d p e β=p a q b p c (p d q e +q d p e )+ e d e e p b (q a p c p d q e +p a q c q d p e ) (6) δ= p a p b q c p d q e γ=p a p b p c p d p e [1+(q a /p a )+ (q b /p b )+(q c /p c )+(q d /p d )+ (q e /p e )] e a e r e s e t Ω =(α+γ)(β+γ)(δ+γ α=q a p b p c q d p e p f β=p a q b p c (q d p e p f +p d q e p f +p d p e q f ) e d e e (7) e f )/γ Ω 1 =0 + p a p b q c p f (p d q e +q d p e )+ q a p b p c p d (q e p f +p e q f ) δ= p a p b q c p d p e q f γ=p a p b p c p d p e p f [1+(q a /p a )+(q b /p b )+(q c /p c )+(q d /p d )+(q e /p e )+(q f /p f ) ] = p r =(p b +p a q b p c p d )/Ω α=q a p b p c q d e a e r Ω =p b +p a q b p c β=p a q b p c q d e d (5b) Ω 1 =0 δ=p a p b q c q d γ=p a p b p c p d [1+(q a /p a )+ (q b /p b )+(q c /p c )+(q d /p d )] Tabela 1 Redukcje welokąta do łańcucha (polygon-to-chan reductons)

Zmodyfikowana technika programowania dynamicznego

Zmodyfikowana technika programowania dynamicznego Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.

Bardziej szczegółowo

KONCEPCJA ZASTOSOWANIA ALGORYTMU FAKTORYZACJI DO OCENY NIEZAWODNOŚCI CIĄGÓW KOMUNIKACYJNYCH

KONCEPCJA ZASTOSOWANIA ALGORYTMU FAKTORYZACJI DO OCENY NIEZAWODNOŚCI CIĄGÓW KOMUNIKACYJNYCH 2-2007 POBLEMY ESPLOATACJI 29 obert PILCH, Jan SZYBA Akadema Górnczo-Hutncza, raków ONCEPCJA ZASTOSOWANIA ALGOYTMU FATOYZACJI DO OCENY NIEZAWODNOŚCI CIĄGÓW OMUNIACYJNYCH Słowa kluczowe Nezawodność układów

Bardziej szczegółowo

Zaawansowane metody numeryczne

Zaawansowane metody numeryczne Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x

Bardziej szczegółowo

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

5. OPTYMALIZACJA GRAFOWO-SIECIOWA . OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,

Bardziej szczegółowo

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja) Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz

Bardziej szczegółowo

Metody analizy obwodów

Metody analizy obwodów Metody analzy obwodów Metoda praw Krchhoffa, która jest podstawą dla pozostałych metod Metoda transfguracj, oparte na przekształcenach analzowanego obwodu na obwód równoważny Metoda superpozycj Metoda

Bardziej szczegółowo

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:

Bardziej szczegółowo

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe

Bardziej szczegółowo

Proces narodzin i śmierci

Proces narodzin i śmierci Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do

Bardziej szczegółowo

Programowanie Równoległe i Rozproszone

Programowanie Równoległe i Rozproszone Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać

Bardziej szczegółowo

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany

Bardziej szczegółowo

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp

Bardziej szczegółowo

Ćwiczenie 10. Metody eksploracji danych

Ćwiczenie 10. Metody eksploracji danych Ćwczene 10. Metody eksploracj danych Grupowane (Clusterng) 1. Zadane grupowana Grupowane (ang. clusterng) oznacza grupowane rekordów, obserwacj lub przypadków w klasy podobnych obektów. Grupa (ang. cluster)

Bardziej szczegółowo

RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI

RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI Wojcech BOŻEJKO, Marusz UCHROŃSKI, Meczysław WODECKI Streszczene: W pracy rozpatrywany jest ogólny problem kolejnoścowy

Bardziej szczegółowo

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam

Bardziej szczegółowo

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej

Bardziej szczegółowo

4. OPTYMALIZACJA WIELOKRYTERIALNA

4. OPTYMALIZACJA WIELOKRYTERIALNA Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna 4. OPTYMLIZCJ WIELORYTERIL Decyzje nwestycyjne mają często charakter złożony. Zdarza sę, że przy wyborze

Bardziej szczegółowo

SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska. SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma

Bardziej szczegółowo

Laboratorium ochrony danych

Laboratorium ochrony danych Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz

Bardziej szczegółowo

ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012

ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012 ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW (88)/01 Hubert Sar, Potr Fundowcz 1 WYZNACZANIE ASOWEGO OENTU BEZWŁADNOŚCI WZGLĘDE OSI PIONOWEJ DLA SAOCHODU TYPU VAN NA PODSTAWIE WZORU EPIRYCZNEGO 1. Wstęp asowy moment

Bardziej szczegółowo

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe

Bardziej szczegółowo

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie. Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,

Bardziej szczegółowo

WikiWS For Business Sharks

WikiWS For Business Sharks WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace

Bardziej szczegółowo

ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 5(96)/2013

ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 5(96)/2013 ZESZYTY NAUKOWE NSTYTUTU POJAZDÓW 5(96)/2013 Hubert Sar, Potr Fundowcz 1 WYZNACZANE MASOWEGO MOMENTU BEZWŁADNOŚC WZGLĘDEM OS PODŁUŻNEJ DLA SAMOCHODU TYPU VAN NA PODSTAWE WZORÓW DOŚWADCZALNYCH 1. Wstęp

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni. Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :

Bardziej szczegółowo

Kodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana

Kodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana Kodowane nformacj Instytut Informatyk UWr Studa weczorowe Wykład nr 2: rozszerzone dynamczne Huffmana Kod Huffmana - nemłe przypadk... Nech alfabet składa sę z 2 lter: P(a)=1/16 P(b)=15/16 Mamy H(1/16,

Bardziej szczegółowo

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np. Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas

Bardziej szczegółowo

Nowy algorytm do szybkiego obliczania niezawodności sieci

Nowy algorytm do szybkiego obliczania niezawodności sieci Lech Madeyski 1, Zygmunt Mazur 2 Nowy algorytm do szybkiego obliczania niezawodności sieci 1. Wprowadzenie Analiza niezawodności różnego rodzaju sieci, których łącza ulegają losowym uszkodzeniom jest tematem

Bardziej szczegółowo

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA

Bardziej szczegółowo

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje

Bardziej szczegółowo

D Archiwum Prac Dyplomowych - Instrukcja dla studentów

D Archiwum Prac Dyplomowych - Instrukcja dla studentów Kraków 01.10.2015 D Archwum Prac Dyplomowych - Instrukcja dla studentów Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu Rolnczego m. H. Kołłątaja

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 3

Natalia Nehrebecka. Zajęcia 3 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych Sieci rekurencyjne

Wprowadzenie do Sieci Neuronowych Sieci rekurencyjne Wprowadzene do Sec Neuronowych Sec rekurencyjne M. Czoków, J. Persa 2010-12-07 1 Powtórzene Konstrukcja autoasocjatora Hopfelda 1.1 Konstrukcja Danych jest m obrazów wzorcowych ξ 1..ξ m, gdze każdy pojedynczy

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3

Stanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3 Stansław Cchock Natala Nehrebecka Katarzyna Rosak-Lada Zajęca 3 1. Dobrod dopasowana równana regresj. Współczynnk determnacj R 2 Dekompozycja warancj zmennej zależnej Współczynnk determnacj R 2 2. Zmenne

Bardziej szczegółowo

Odtworzenie wywodu metodą wstępującą (bottom up)

Odtworzenie wywodu metodą wstępującą (bottom up) Przeglądane wejśca od lewej strony do prawej L (k) Odtwarzane wywodu prawostronnego Wystarcza znajomosc "k" następnych symbol łańcucha wejścowego hstor dotychczasowych redukcj, aby wyznaczyc jednoznaczne

Bardziej szczegółowo

Klasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5

Bardziej szczegółowo

Płyny nienewtonowskie i zjawisko tiksotropii

Płyny nienewtonowskie i zjawisko tiksotropii Płyny nenewtonowske zjawsko tksotrop ) Krzywa newtonowska, lnowa proporcjonalność pomędzy szybkoścą ścnana a naprężenem 2) Płyny zagęszczane ścnanem, naprężene wzrasta bardzej nż proporcjonalne do wzrostu

Bardziej szczegółowo

65120/ / / /200

65120/ / / /200 . W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę

Bardziej szczegółowo

Funkcje i charakterystyki zmiennych losowych

Funkcje i charakterystyki zmiennych losowych Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych

Bardziej szczegółowo

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim 5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną

Bardziej szczegółowo

EKONOMETRIA I Spotkanie 1, dn. 05.10.2010

EKONOMETRIA I Spotkanie 1, dn. 05.10.2010 EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra

Bardziej szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. Definicje ogólne 0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj

Bardziej szczegółowo

Sortowanie szybkie Quick Sort

Sortowanie szybkie Quick Sort Sortowane szybke Quck Sort Algorytm sortowana szybkego opera sę na strateg "dzel zwycęża" (ang. dvde and conquer), którą możemy krótko scharakteryzować w trzech punktach: 1. DZIEL - problem główny zostae

Bardziej szczegółowo

Statyczna alokacja kanałów (FCA)

Statyczna alokacja kanałów (FCA) Przydzał kanałów 1 Zarys wykładu Wprowadzene Alokacja statyczna a alokacja dynamczna Statyczne metody alokacj kanałów Dynamczne metody alokacj kanałów Inne metody alokacj kanałów Alokacja w strukturach

Bardziej szczegółowo

ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH

ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH Potr Mchalsk Węzeł Centralny OŻK-SB 25.12.2013 rok ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH Celem ponższej analzy jest odpowedź na pytane: czy wykształcene radnych

Bardziej szczegółowo

dy dx stąd w przybliżeniu: y

dy dx stąd w przybliżeniu: y Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc

Bardziej szczegółowo

Modelowanie przepływu cieczy przez ośrodki porowate Wykład IX

Modelowanie przepływu cieczy przez ośrodki porowate Wykład IX Modelowane przepływu ceczy przez ośrodk porowate Wykład IX Metody rozwązywana metodam analtycznym równań hydrodynamk wód podzemnych płaskch zagadneń fltracj. 9.1 Funkcja potencjału zespolonego. Rozważana

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 18. ALGORYTMY EWOLUCYJNE - ZASTOSOWANIA Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska ZADANIE ZAŁADUNKU Zadane załadunku plecakowe

Bardziej szczegółowo

Wielokryterialny Trójwymiarowy Problem Pakowania

Wielokryterialny Trójwymiarowy Problem Pakowania Łukasz Kacprzak, Jarosław Rudy, Domnk Żelazny Instytut Informatyk, Automatyk Robotyk, Poltechnka Wrocławska Welokryteralny Trójwymarowy Problem Pakowana 1. Wstęp Problemy pakowana należą do klasy NP-trudnych

Bardziej szczegółowo

Wyszukiwanie. Wyszukiwanie

Wyszukiwanie. Wyszukiwanie ZŁOŻOOŚĆ PROBLEMÓW ALGORYTMICZYCH Dolne górne oszacowana złożonośc problemu Złożoność każdego poprawnego algorytmu znajdującego rozwązane danego problemu ustanawa górne oszacowane złożonośc dla tego problemu.

Bardziej szczegółowo

Przykład 5.1. Kratownica dwukrotnie statycznie niewyznaczalna

Przykład 5.1. Kratownica dwukrotnie statycznie niewyznaczalna rzykład.. Kratownca dwukrotne statyczne newyznaczana oecene: korzystaąc z metody sł wyznaczyć sły w prętach ponższe kratowncy. const Rozwązane zadana rozpoczynamy od obczena stopna statyczne newyznaczanośc

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4 Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja

Bardziej szczegółowo

p Z(G). (G : Z({x i })),

p Z(G). (G : Z({x i })), 3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W

Bardziej szczegółowo

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są

Bardziej szczegółowo

7.8. RUCH ZMIENNY USTALONY W KORYTACH PRYZMATYCZNYCH

7.8. RUCH ZMIENNY USTALONY W KORYTACH PRYZMATYCZNYCH WYKŁAD 7 7.8. RUCH ZMIENNY USTALONY W KORYTACH PRYZMATYCZNYCH 7.8.. Ogólne równane rucu Rucem zmennym w korytac otwartyc nazywamy tak przepływ, w którym parametry rucu take jak prędkość średna w przekroju

Bardziej szczegółowo

Zadanie 1. Udowodnij, że CAUS PRAM. Załóżmy przetwarzanie przyczynowo spójne. Dla każdego obrazu historii hv i zachodzi zatem:

Zadanie 1. Udowodnij, że CAUS PRAM. Załóżmy przetwarzanie przyczynowo spójne. Dla każdego obrazu historii hv i zachodzi zatem: Zadane 1 Udowodnj, że CAUS PRAM Załóżmy przetwarzane przyczynowo spójne. Dla każdego obrazu hstor hv zachodz zatem: O OW O OW x X p j o O o1 o2 o1 o2 o1 j o2 ( o1 = w( x) v o2 = r( x) v) o1 o2 ( o1 o o2)

Bardziej szczegółowo

STATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],

STATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ], STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:

Bardziej szczegółowo

Realizacja logiki szybkiego przeniesienia w prototypie prądowym układu FPGA Spartan II

Realizacja logiki szybkiego przeniesienia w prototypie prądowym układu FPGA Spartan II obert Berezowsk Natala Maslennkowa Wydzał Elektronk Poltechnka Koszalńska ul. Partyzantów 7, 75-4 Koszaln Mchał Bałko Przemysław Sołtan ealzacja logk szybkego przenesena w prototype prądowym układu PG

Bardziej szczegółowo

Analiza ryzyka jako instrument zarządzania środowiskiem

Analiza ryzyka jako instrument zarządzania środowiskiem WARSZTATY 2003 z cyklu Zagrożena naturalne w górnctwe Mat. Symp. str. 461 466 Elżbeta PILECKA, Małgorzata SZCZEPAŃSKA Instytut Gospodark Surowcam Mneralnym Energą PAN, Kraków Analza ryzyka jako nstrument

Bardziej szczegółowo

mgr inż. Wojciech Artichowicz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁACH OTWARTYCH

mgr inż. Wojciech Artichowicz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁACH OTWARTYCH Poltechnka Gdańska Wydzał Inżyner Lądowej Środowska Katedra ydrotechnk mgr nż. Wojcech Artchowcz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁAC OTWARTYC PRACA DOKTORSKA Promotor: prof. dr

Bardziej szczegółowo

Ocena jakościowo-cenowych strategii konkurowania w polskim handlu produktami rolno-spożywczymi. dr Iwona Szczepaniak

Ocena jakościowo-cenowych strategii konkurowania w polskim handlu produktami rolno-spożywczymi. dr Iwona Szczepaniak Ocena jakoścowo-cenowych strateg konkurowana w polskm handlu produktam rolno-spożywczym dr Iwona Szczepanak Ekonomczne, społeczne nstytucjonalne czynnk wzrostu w sektorze rolno-spożywczym w Europe Cechocnek,

Bardziej szczegółowo

Proste modele ze złożonym zachowaniem czyli o chaosie

Proste modele ze złożonym zachowaniem czyli o chaosie Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok

Bardziej szczegółowo

Regulamin promocji zimowa piętnastka

Regulamin promocji zimowa piętnastka zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna

Bardziej szczegółowo

Procedura normalizacji

Procedura normalizacji Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny

Bardziej szczegółowo

METODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.

METODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów. Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)

Bardziej szczegółowo

Prawdopodobieństwo geometryczne

Prawdopodobieństwo geometryczne Prawdopodobeństwo geometryczne Przykład: Przestrzeń zdarzeń elementarnych określona jest przez zestaw punktów (x, y) na płaszczyźne wypełna wnętrze kwadratu [0 x ; 0 y ]. Znajdź p-stwo, że dowolny punkt

Bardziej szczegółowo

POJAZDY SZYNOWE 2/2014

POJAZDY SZYNOWE 2/2014 ANALIZA PRZYCZYN I SKUTKÓW USZKODZEŃ (FMEA) W ZASTOSOWANIU DO POJAZDÓW SZYNOWYCH dr nż. Macej Szkoda, mgr nż. Grzegorz Kaczor Poltechnka Krakowska, Instytut Pojazdów Szynowych al. Jana Pawła II 37, 31-864

Bardziej szczegółowo

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1 Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa

Bardziej szczegółowo

Treść zadań 1 8 odnosi się do poniższego diagramu przestrzenno-czasowego.

Treść zadań 1 8 odnosi się do poniższego diagramu przestrzenno-czasowego. Treść zadań 8 odnos sę do ponższego dagramu przestrzenno-czasowego. P e e e e e e P e P P e e e e. Jaka będze wartość zmennej clock (zegara skalarnego) po zajścu zdarzena e w procese P zakładając że wartość

Bardziej szczegółowo

6. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO

6. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO Różnce mędzy obserwacjam statystycznym ruchu kolejowego a samochodowego 7. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO.. Obserwacje odstępów mędzy kolejnym wjazdam na stację

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 4

Natalia Nehrebecka. Zajęcia 4 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających

Bardziej szczegółowo

Regulamin promocji 14 wiosna

Regulamin promocji 14 wiosna promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30

Bardziej szczegółowo

Statystyka. Zmienne losowe

Statystyka. Zmienne losowe Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu

Bardziej szczegółowo

OPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POBLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU GENETYCZNEGO

OPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POBLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU GENETYCZNEGO POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 81 Electrcal Engneerng 015 Mkołaj KSIĄŻKIEWICZ* OPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU

Bardziej szczegółowo

= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału

= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału 5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B

Bardziej szczegółowo

Kwantowa natura promieniowania elektromagnetycznego

Kwantowa natura promieniowania elektromagnetycznego Efekt Comptona. Kwantowa natura promenowana elektromagnetycznego Zadane 1. Foton jest rozpraszany na swobodnym elektrone. Wyznaczyć zmanę długośc fal fotonu w wynku rozproszena. Poneważ układ foton swobodny

Bardziej szczegółowo

Wykład Mikro- i makrostany oraz prawdopodobie

Wykład Mikro- i makrostany oraz prawdopodobie Wykład 6 5.5 Mkro- makrostany oraz prawdopodobeństwo termodynamczne cd. 5.6 Modele fzyczne 5.7 Aproksymacja Strlna 5.8 Statystyka Boseo-Enstena 5.10 Statystyka Fermeo-Draca 5.10 Statystyka Maxwell a-boltzmann

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane

Bardziej szczegółowo

MECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko

MECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko MECHANIKA Wykład Nr 10 MOMENT BEZWŁADNOŚCI Prowadzący: dr Krzysztof Polko Defncja momentu bezwładnośc Momentem bezwładnośc punktu materalnego względem płaszczyzny, os lub beguna nazywamy loczyn masy punktu

Bardziej szczegółowo

Zadanie na wykonanie Projektu Zespołowego

Zadanie na wykonanie Projektu Zespołowego Zadane na wykonane Projektu Zespołowego Celem projektu jest uzyskane następującego szeregu umejętnośc praktycznych: umejętnośc opracowana równoległych wersj algorytmów (na przykładze algorytmów algebry

Bardziej szczegółowo

1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:

1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń: .. Uprość ops zdarzeń: a) A B, A \ B b) ( A B) ( A' B).. Uproścć ops zdarzeń: a) A B A b) A B, ( A B) ( B C).. Uproścć ops zdarzeń: a) A B A B b) A B C ( A B) ( B C).4. Uproścć ops zdarzeń: a) A B, A B

Bardziej szczegółowo

RUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego.

RUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego. RUCH OBROTOWY Można opsać ruch obrotowy ze stałym przyspeszenem ε poprzez analogę do ruchu postępowego jednostajne zmennego. Ruch postępowy a const. v v at s s v t at Ruch obrotowy const. t t t Dla ruchu

Bardziej szczegółowo

Komórkowy model sterowania ruchem pojazdów w sieci ulic.

Komórkowy model sterowania ruchem pojazdów w sieci ulic. Komórkowy model sterowana ruchem pojazdów w sec ulc. Autor: Macej Krysztofak Promotor: dr n ż. Marusz Kaczmarek 1 Plan prezentacj: 1. Wprowadzene 2. Cel pracy 3. Podsumowane 2 Wprowadzene Sygnalzacja śwetlna

Bardziej szczegółowo

Określanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2

Określanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2 T A R C Z A Z E G A R O W A ASTYGMATYZM 1.Pojęca ogólne a) astygmatyzm prosty (najbardzej zgodny z pozomem) - najbardzej płask połudnk tzn. o najmnejszej mocy jest pozomy b) astygmatyzm odwrotny (najbardzej

Bardziej szczegółowo

Diagnostyka układów kombinacyjnych

Diagnostyka układów kombinacyjnych Dagnostyka układów kombnacyjnych 1. Wprowadzene Dagnostyka obejmuje: stwerdzene stanu układu, systemu lub ogólne sec logcznej. Jest to tzw. kontrola stanu wykrywająca czy dzałane sec ne jest zakłócane

Bardziej szczegółowo

8. Optymalizacja decyzji inwestycyjnych

8. Optymalizacja decyzji inwestycyjnych dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.

Bardziej szczegółowo

I. Elementy analizy matematycznej

I. Elementy analizy matematycznej WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem

Bardziej szczegółowo

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej

Bardziej szczegółowo

Metody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,

Metody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia, Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą

Bardziej szczegółowo

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.

Bardziej szczegółowo

Wprowadzenie. Support vector machines (maszyny wektorów wspierających, maszyny wektorów nośnych) SVM służy do: Zalety metody SVM

Wprowadzenie. Support vector machines (maszyny wektorów wspierających, maszyny wektorów nośnych) SVM służy do: Zalety metody SVM SVM Wprowadzene Support vector machnes (maszyny wektorów wsperających, maszyny wektorów nośnych) SVM służy do: w wersj podstawowej klasyfkacj bnarnej w wersj z rozszerzenam regresj wyboru najważnejszych

Bardziej szczegółowo

MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI

MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI Alcja Wolny-Domnak Unwersytet Ekonomczny w Katowcach MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI Wprowadzene

Bardziej szczegółowo

Współczynnik przenikania ciepła U v. 4.00

Współczynnik przenikania ciepła U v. 4.00 Współczynnk przenkana cepła U v. 4.00 1 WYMAGANIA Maksymalne wartośc współczynnków przenkana cepła U dla ścan, stropów, stropodachów, oken drzw balkonowych podano w załącznku do Rozporządzena Mnstra Infrastruktury

Bardziej szczegółowo

3. ŁUK ELEKTRYCZNY PRĄDU STAŁEGO I PRZEMIENNEGO

3. ŁUK ELEKTRYCZNY PRĄDU STAŁEGO I PRZEMIENNEGO 3. ŁUK ELEKTRYCZNY PRĄDU STŁEGO I PRZEMIENNEGO 3.1. Cel zakres ćwczena Celem ćwczena jest zapoznane sę z podstawowym właścwoścam łuku elektrycznego palącego sę swobodne, w powetrzu o cśnentmosferycznym.

Bardziej szczegółowo

Diagonalizacja macierzy kwadratowej

Diagonalizacja macierzy kwadratowej Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an

Bardziej szczegółowo

Dobór zmiennych objaśniających

Dobór zmiennych objaśniających Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.

Bardziej szczegółowo

Przykłady grafów. Graf prosty, to graf bez pętli i bez krawędzi wielokrotnych.

Przykłady grafów. Graf prosty, to graf bez pętli i bez krawędzi wielokrotnych. Grafy Graf Graf (ang. graph) to zbiór wierzchołków (ang. vertices), które mogą być połączone krawędziami (ang. edges) w taki sposób, że każda krawędź kończy się i zaczyna w którymś z wierzchołków. Graf

Bardziej szczegółowo