Obliczenia Naturalne - Algorytmy Mrówkowe cz. 4
|
|
- Magda Czech
- 8 lat temu
- Przeglądów:
Transkrypt
1 Plan Literatura Obliczenia Naturalne - y Mrówkowe cz. 4 Paweł Paduch Politechnika Świętokrzyska 12 czerwca 2014 Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz. 4 1 z 37
2 Plan wykładu Wstęp Plan Literatura 1 Wstęp Plan Literatura 2 3 Definicja Główne problemy Rezultaty 4 Ogólnie y mrówkowe w problemach podzbioru Inne zastosowania Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz. 4 2 z 37
3 Literatura Wstęp Plan Literatura Marco Dorigo, Thomas Stützle - Ant Colony Optimization. Bradford Company, Scituate, MA, USA, 2004 Krzysztof Socha, Joshua Knowles, and Michael Sampels - A max-min ant system for the university course timetabling problem Proceedings of the 3rd International Workshop on Ant Algorithm, ANTS 2002, Lecture Notes in Computer Science, strony Springer-Verlag, 2002 Daniel Merkle, Martin Middendorf - An Ant Algorithm with a New Pheromone Evaluation Rule for Total Tardiness Problems. EvoWorkshops, strony , 2000 Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz. 4 3 z 37
4 Literatura Wstęp Plan Literatura Daniel Merkle, Martin Middendorf, Hartmut Schmeck - Ant colony optimization for resource-constrained project scheduling. IEEE Transactions on Evolutionary Computation, strony Morgan Kaufmann, 2000 Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz. 4 4 z 37
5 Cel Wstęp Głównym zadaniem planowania uniwersyteckieog rozkładu zajęć (ang. University Course Timetabling Problem - UCTP) jest przypisanie wydarzenia do przedziałów czasowych oraz do pomieszczeń tak, by wszystkie twarde założenia zostały spełnione oraz by było jak najmniej niespełnionych miękkich założeń. Problem UCTP wraz z podobnymi podproblemami jest NP-trudny, próbowano go już rozwiązywać za pomocą algorytmów ewolucyjnych, symulowanego wyżarzania, tabu search. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz. 4 5 z 37
6 Założenia Wstęp Dany jest zbiór n zajęć (Events) E Dany jest zbiór slotów czasowych T = {t 1, t 2,..., t k } Dla 5 dni w tygodniu i 9 godzin k = 45 Zbiór pomieszczeń R w których zajęcia mogłyby się odbywać Zbiór studentów S uczęszczających na zajęcia Zbiór F cech jakie spełniają pomieszczenia R a wymagane są do prowadzenia zajęć E Każdy student uczęszcza na pewną liczbę zajęć Każda sala ma określoną pojemność studentów Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz. 4 6 z 37
7 Wykonalność - założenia twarde Plan jest wykonalny gdy wszystkie zajęcia są przydzielone do slotów czasowych i pomieszczeń w ten sposób, że wszystkie twarde założenia są spełnione: żaden student (grupa studencka) nie uczestniczy w tym samym czasie w większej liczbie zajęć niż 1. pomieszczenie jest na tyle pojemne by wszyscy studenci się zmieścili i spełnia wymagania stawiane przez określone zajęcia (np. wyposażenie) w danym pomieszczeniu w tym samym czasie prowadzone mogą być tylko jedne zajęcia. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz. 4 7 z 37
8 Założenia miękkie Wykonalny plan jest jednocześnie karany za naruszenie założeń miękkich np. Student ma zajęcia w ostatniej godzinie danego dnia Student ma więcej niż 2 zajęcia pod rząd (u nas raczej chodzi o minimalizowanie okienek) Student ma dokładnie jedne zajęcia w ciągu całego dnia. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz. 4 8 z 37
9 Wyższość założeń Twarde ograniczenia muszą być spełnione przez wszystkie możliwe rozwiązania, miękkie zaś nie dotyczą wykonywalności, ale wpływają na jakość rozwiązania. Założenia twarde są stawiane zawsze wyżej niż założenia miękkie. Jeżeli w pewnym rozwiązaniu wszystkie założenia miękkie są spełnione ale złamane jest choćby jedno twarde to takie rozwiązanie ma mniej punktów niż inne ze spełnionymi wszystkim założeniami twardymi ale z dużą liczbą złamanych założeń miękkich. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz. 4 9 z 37
10 Reprezentacja Wstęp Rozwiązaniem jest wektor T E reprezentujący pary slotów czasowych i zajęć. Przypisaniem tych par do pomieszczeń zajmu się już deterministyczny algorytm. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
11 Konstruowanie grafu Aby użyć algorytmu mrówkowego do omawianego problemu musimy umieścić go na grafie. Dwa podejścia stosowane przez mrówki: Odwiedzanie kolejnych slotów czasowych próbując dopasować do nich zajęcia. Odwiedzanie kolejnych zajęć próbując dopasować sloty czasowe. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
12 Struktura sieci Pierwsze podejście wymaga użycia wirtualnych slotów czasowych T = {t 1, t 2,..., t E } i mapowania T T e 1 t 1 t 2 t n Start e 2 Stop e n Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
13 Struktura sieci Drugie podejście jest prostsze, mrówka przechodzi przez wszystkie zajęcia e E wybierając dla nich różne sloty czasowe t T. To gwarantuje, że każde zajęcia będą dokładnie raz w jednym slocie czasowym. Ponadto można ustawić na samym początku bardziej problematyczne zajęcia np. wymagające dużej auli. e 1 e 2 e n t 1 Start t 2 Stop t k Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
14 Mrówki przechodząc przez graf tworzą częściowe rozwiązania A i : E i T dla i = 0,..., E, gdzie E i = {e 1,..., e i }. Mrówka startuje pustym częściowym rozwiązaniem A 0 = 0. Po skonstruowaniu Ai 1 tworzone jest rozwiązanie A i jako suma poprzedniego rozwiązania i dołączenia bieżącej pary slotu czasowego i zajęć A i = A i 1 {(e i, t)} Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
15 Slot czasowy t jest wybierany losowo ze zbioru T zgodnie z prawdopodobieństwem p ei,t zależnego od macierzy feromonów τ(a i 1 ) [τ min, τ max ] E T (τ min, τ max R) oraz informacji heurystycznej η(a i 1 ) danej wzorem: p ei,t(τ(a i 1 ), η(a i 1 )) = (τ (ei,t)(a i 1 )) α (η (ei,t)(a i 1 )) β θ T (τ (e i,θ)(a i 1 )) α (η (ei,θ)(a i 1 )) β Zarówno τ jak i η mają w argumencie poprzednie częściowe rozwiązanie A i 1. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
16 Reprezentacja feromonowa W najprostszym podejściu feromon reprezentuje bezwzględną pozycję, gdzie zajęcia powinny być umieszczone. Macierz feromonowa dana jest τ(a i ) = τ, i = 1,..., E. Oznacza to że feromon nie zależy od częściowego rozwiązania. A i. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
17 Macierz feromonowa W bardziej zaawansowanych rozwiązaniach można dodać dodatkową macierz µ R E E + określająca, które zajęcia mogą być wykonywane w tym samym czasie a które nie. Teraz τ (e,t) (A i ) może być wyrażona: { τmax jeżeli A 1 i (t) = 0 τ (e,t) (A i ) = min e A 1 i (t) µ(e, e ) dla pozostałych. Zapisując informacje zwrotną do µ algorytm uczy się, które zajęcia może łączyć a których nie. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
18 Informacja heurystyczna Najprostsza informacja heurystyczna będzie zależeć od liczby naruszonych warunków twardych i miękkich danych funkcją V (e,t) (A i 1 ). 1 η (e,t) (A i 1 ) = 1 + V (e,t) (A i 1 ) Wyliczanie V może być kosztowne i niepotrzebne w przypadku użycia Local Search. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
19 Wstęp Na początku inicjowana jest macierz feromonów wartością τ max. W każdej iteracji m mrówek tworzy swoje własne kompletne rozwiązanie, przypisując wszystkie zajęcia do slotów czasowych. Mrówki pobierają zajęcia w ustalonej wcześniej kolejności, sloty czasowe wybierają zaś zgodnie z opisanym wcześniej prawdopodobieństwem. Po stworzeniu wszystkich par zajęcie-slot czasowy przetwarzane są one na plan zajęć. Najlepiej dopasowany plan jest jeszcze ulepszany za pomocą algorytmu lokalnego wyszukiwania. Jeżeli nowe plan jest lepszy od poprzednich zostaje zapamiętany. Następnie na podstawie najlepszego dotychczasowego planu aktualizujemy feromon. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
20 Wstęp 1 MAX-MIN UCTP (Inicjalizacja) Wejście: Instancja problemu I 1: τ max 1/ρ 2: τ(e, t) τ max (e, t) E T 3: Oblicz c(e, e ) (e, e ) E 2 4: Oblicz d(e) 5: Posortuj E według, dając e 1 e 2... e n Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
21 Wstęp 2 MAX-MIN UCTP (Główna pętla) 6: while Nie upłynął czas do 7: for a = 1 to m do 8: A 0 0 9: for i = 1 to E do 10: Wybierz slot czasowy t według p ei,t dla zajęć e i 11: A i A i 1 (e i, t) 12: end for 13: C rozwiązanie po przekształceniu A n na plan zajęć 14: C ib najlepsze z C i w C ib 15: end for 16: C ib rozwiązanie po użyciu lokalnego wyszukiwania na C ib 17: C gb najlepsze z C ib oraz C gb 18: Zaktualizuj feromon τ używając C gb, τ min, τ max 19: end while Wyjście: Zoptymalizowany kandydat C gb rozwiązania dla I Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
22 - objaśnienia c(e, e ) = { 1 jeżeli są studenci uczestniczący w e oraz e 0 dla pozostałych. d(e) = {e E\{e} c(e, e ) 0} Kolejność zdefiniowana jest następująco: e e : d(e) > d(e ) d(e) = d(e ) l(e) < l(e ) Gdzie l jest funkcją różnowartościową l : E N i jest używana tylko do trzymania więzi. Tylko rozwiązania z najmniejszą liczbą naruszonych warunków wybierane są do poprawienia metodą Local Search. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
23 Aktualizacja feromonu Do aktualizowania feromonu raz na iterację wybierane jest tylko najlepsze globalne rozwiązanie. { (1 ρ) τ(e,t) + 1 jeżeli A τ(e, t) = gb (e) = t (1 ρ) τ (e,t) dla pozostałych. żeby wartość feromonu była pomiędzy τ min, τ max τ min jeżeli τ (e,t) < τ min τ(e, t) = τ max jeżeli τ (e,t) > τ max dla pozostałych τ (e,t) Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
24 Zalecane parametry Zalecanymi parametrami są: ρ = 0, 3 τ max = 1 ρ = 3, 33 τ min około 0,0019-0,0078 (zależne od skali problemu) α = 1 β = 0 - wyłączenie heurystyki liczba mrówek m = 10 Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
25 Problem harmonogramowania Definicja Główne problemy Rezultaty Problem harmonogramowania (ang. Scheduling Problems) to kolejny problem do rozwiązania którego użyto algorytmu ACO. Problem ten zwykle występuje w harmonogramowaniu produkcji, gdzie na m maszynach trzeba wykonać n zadań w g operacjach. Trzeba tak poukładać zadania, by wykorzystanie zasobów było najlepsze. W zależności od rodzaju problemu harmonogramowania, różne jego wersje mogą różnić się pewnymi ograniczeniami lub dodatkowymi założeniami, jak np. relacje pomiędzy poszczególnymi procesami czy uwzględnienie problemu transportu. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
26 Definicja Główne problemy Rezultaty Główne problemy harmonogramowania rozwiązywane za pomocą ACO to między innymi: problem otwarty OSP (ang. open-shop problem), problem gniazdowy JSP, (ang. job shop problem), problem permutacyjny przepływowy PFSP (ang. permutation flow shop problem), SMTTP (ang. single-machine total tardiness problem), SMTWTP (ang. single-machine total weighted tardiness problem), RCPSP (ang. resource-constrained project scheduling problem), GSP (ang. group shop problem) SMTTPSDST (ang. single-machine total tardiness problem with sequence dependent setup times). Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
27 Rezultaty Wstęp Definicja Główne problemy Rezultaty ACO stosuje się do wielu problemów harmonogramowania jednak wydajność algorytmów mrówkowych w zależności od typu problemu może się różnić. ACO osiąga bardzo dobre wyniki w zastosowaniu do rozwiązania problemów SMTWTP, OSP czy RCPSP. Jednak przy PFSP czy JSP rezultaty są dalekie od tych osiąganych za pomocą innych algorytmów. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
28 Ogólnie Wstęp Ogólnie y mrówkowe w problemach podzbioru Inne zastosowania Problem podzbioru (ang. Subset Problem) polega na odpowiednim wybraniu elementów z podanego zbioru według pewnych zasad. Wybór musi być dokonany tak, by był optymalny. Zastosowanie ACO do problemu podzbioru charakteryzują dwie cechy. kolejność podzbioru nie jest istotna, w ten sposób ślady feromonowe związane są z elementami, a nie połączeniami pomiędzy nimi. liczba elementów w rozwiązaniu budowanym przez różne mrówki może być różna. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
29 Pokrycie zbioru Ogólnie y mrówkowe w problemach podzbioru Inne zastosowania Pokrycie zbioru (ang. set covering), gdzie mając na wejściu wiele zbiorów, które mają elementy wspólne, trzeba wybrać minimalny zestaw tych zbiorów by zawierały wszystkie elementy, jakie znajdywały się w zbiorach danych na wejściu. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
30 Problem - WCGTPP Ogólnie y mrówkowe w problemach podzbioru Inne zastosowania Problem podziału drzewa w grafie ograniczonym wagowo (ang. Weight Constrained Graph Tree Partition Problem - WCGTPP), gdzie mamy nieskierowany graf G(N, A) składający się z n węzłów i l krawędzi. Każdej krawędzi (i, j) jest przypisany koszt c ij a każdemu węzłowi i jest przypisana waga w i. Celem jest znalezienie minimalnego lasu rozpinającego F złożonego z p drzew tak, by waga każdego drzewa mieściła się w wyznaczonym przedziale [W, W + ]. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
31 Arc-Weighted l-cardinality Tree Problem Ogólnie y mrówkowe w problemach podzbioru Inne zastosowania Arc-Weighted l-cardinality Tree Problem. Jest uogólnieniem problemu wyznaczenia minimalnego drzewa rozpinającego, który polega na znalezieniu poddrzewa z dokładnie l krawędziami w grafie G = (N, A) z wagami krawędzi (lub węzłów) takimi, by suma wag była minimalna. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
32 Problem wielo-plecakowy Ogólnie y mrówkowe w problemach podzbioru Inne zastosowania Problem wielo-plecakowy (ang. Multiple Knapsack Problem - MKP). Mamy kilka kontenerów (plecaków) o ograniczonych zasobach (np. pojemności). Dany jest zestaw przedmiotów konsumujących pewne zasoby (np. pojemność) oraz mających pewną wartość (np. waga, cena). Należy tak dopasować przedmioty do kontenerów, by wartość w nich była jak najbardziej optymalna i jednocześnie nie przekroczyć granicznej objętości. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
33 Ogólnie y mrówkowe w problemach podzbioru Inne zastosowania Problem największego zbioru niezależnego Problem największego zbioru niezależnego (ang. Maximum Independent Set Problem). Polega na znalezieniu maksymalnego podzbioru wierzchołków danego grafu takich, pomiędzy którymi nie istnieje żadna krawędź łącząca je bezpośrednio. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
34 Problem maksymalnej kliki Ogólnie y mrówkowe w problemach podzbioru Inne zastosowania Problem maksymalnej kliki (ang. Maximum Clique Problem). Jest to problem wyznaczenia w grafie maksymalnego zbioru wierzchołków, w którym każda para jest połączona krawędzią. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
35 Inne Wstęp Ogólnie y mrówkowe w problemach podzbioru Inne zastosowania Z innych problemów NP-trudnych do rozwiązania których użyto algorytmów mrówkowych można wymienić problem najkrótszego wspólnego podciągu (ang. Shortest Common Supersequence Problem), problem pakowania (ang. Bin Packing Problem), przewidywanie ułożenia białek bazując na sekwencji aminokwasów (ang. Protein Folding), w problemach uczenia się maszyn. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
36 Pytania Wstęp Ogólnie y mrówkowe w problemach podzbioru Inne zastosowania? Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
37 koniec Wstęp Ogólnie y mrówkowe w problemach podzbioru Inne zastosowania Dziękuję Państwu za uwagę. Paweł Paduch Obliczenia Naturalne - y Mrówkowe cz z 37
Systemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski
Systemy mrówkowe Opracowali: Dawid Strucker, Konrad Baranowski Wprowadzenie Algorytmy mrówkowe oparte są o zasadę inteligencji roju (ang. swarm intelligence). Służą głównie do znajdowania najkrótszej drogi
Bardziej szczegółowoDrzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II
Wykład 6. Drzewa cz. II 1 / 65 drzewa spinające Drzewa spinające Zliczanie drzew spinających Drzewo T nazywamy drzewem rozpinającym (spinającym) (lub dendrytem) spójnego grafu G, jeżeli jest podgrafem
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 10 - Mrówki w labiryntach Jarosław Miszczak IITiS PAN Gliwice 05/05/2016 1 / 48 Na poprzednim wykładzie 1... 2... 3... 2 / 48 1 Motywacja biologiczna Podstawowe mechanizmy
Bardziej szczegółowoAlgorytmy mrówkowe (ang. Ant Colony Optimization)
Algorytmy mrówkowe (ang. Ant Colony Optimization) 1. Wprowadzenie do ACO a) mrówki naturalne b) mrówki sztuczne c) literatura (kilka pozycji) 2. ACO i TSP 1. Wprowadzenie do ACO a) mrówki naturalne ślepe,
Bardziej szczegółowoProblem komiwojażera ACO. Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym.
Problem komiwojażera ACO Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym. -Wikipedia Problem do rozwiązania zazwyczaj jest przedstawiany jako
Bardziej szczegółowoObliczenia Naturalne - Algorytmy Mrówkowe
Plan Literatura Obliczenia Naturalne - Algorytmy Mrówkowe Paweł Paduch Politechnika Świętokrzyska 8 maja 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy Mrówkowe 1 z 43 Plan wykładu Plan Literatura
Bardziej szczegółowoMetody Programowania
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie
Bardziej 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 szczegółowoAlgorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
Algorytmy mrówkowe H. Bednarz Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 13 kwietnia 2015 1 2 3 4 Przestrzeń poszukiwań Ograniczenia
Bardziej szczegółowoOgólne wiadomości o grafach
Ogólne wiadomości o grafach Algorytmy i struktury danych Wykład 5. Rok akademicki: / Pojęcie grafu Graf zbiór wierzchołków połączonych za pomocą krawędzi. Podstawowe rodzaje grafów: grafy nieskierowane,
Bardziej szczegółowoAlgorytmy Mrówkowe. Daniel Błaszkiewicz. 11 maja 2011. Instytut Informatyki Uniwersytetu Wrocławskiego
Algorytmy Mrówkowe Instytut Informatyki Uniwersytetu Wrocławskiego 11 maja 2011 Opis Mrówki w naturze Algorytmy to stosunkowo nowy gatunek algorytmów optymalizacyjnych stworzony przez Marco Dorigo w 1992
Bardziej szczegółowoZofia Kruczkiewicz, Algorytmu i struktury danych, Wykład 14, 1
Wykład Algorytmy grafowe metoda zachłanna. Właściwości algorytmu zachłannego:. W przeciwieństwie do metody programowania dynamicznego nie występuje etap dzielenia na mniejsze realizacje z wykorzystaniem
Bardziej szczegółowoWykład 8. Drzewo rozpinające (minimum spanning tree)
Wykład 8 Drzewo rozpinające (minimum spanning tree) 1 Minimalne drzewo rozpinające - przegląd Definicja problemu Własności minimalnych drzew rozpinających Algorytm Kruskala Algorytm Prima Literatura Cormen,
Bardziej szczegółowoAlgorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
y mrówkowe P. Oleksyk Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 14 kwietnia 2015 1 Geneza algorytmu - biologia 2 3 4 5 6 7 8 Geneza
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Metaheurystyki oparte na algorytmach lokalnego przeszukiwania Maciej Hapke maciej.hapke at put.poznan.pl GRASP Greedy Randomized Adaptive Search Procedure T.A. Feo, M.G.C. Resende,
Bardziej szczegółowoBadania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle
Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Paweł Szołtysek 12 czerwca 2008 Streszczenie Planowanie produkcji jest jednym z problemów optymalizacji dyskretnej,
Bardziej szczegółowoZadania laboratoryjne i projektowe - wersja β
Zadania laboratoryjne i projektowe - wersja β 1 Laboratorium Dwa problemy do wyboru (jeden do realizacji). 1. Water Jug Problem, 2. Wieże Hanoi. Water Jug Problem Ograniczenia dla każdej z wersji: pojemniki
Bardziej szczegółowoLaboratorium technik optymalizacji: układanie uniwersyteckiego planu zajęć
Laboratorium technik optymalizacji: układanie uniwersyteckiego planu zajęć Marek Kubiak Opis problemu Rozważany problem układania uniwersyteckiego planu zajęć (ang. University Course Timetabling Problem
Bardziej szczegółowoAlgorytmy Równoległe i Rozproszone Część V - Model PRAM II
Algorytmy Równoległe i Rozproszone Część V - Model PRAM II Łukasz Kuszner pokój 209, WETI http://www.sphere.pl/ kuszner/ kuszner@sphere.pl Oficjalna strona wykładu http://www.sphere.pl/ kuszner/arir/ 2005/06
Bardziej szczegółowoMinimalne drzewa rozpinające
KNM UŚ 26-28 listopada 2010 Ostrzeżenie Wprowadzenie Motywacja Definicje Niektóre pojęcia pojawiające się podczas tego referatu są naszymi autorskimi tłumaczeniami z języka angielskiego. Nie udało nam
Bardziej szczegółowoProgramowanie dynamiczne i algorytmy zachłanne
Programowanie dynamiczne i algorytmy zachłanne Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii
Bardziej szczegółowoProblemy z ograniczeniami
Problemy z ograniczeniami 1 2 Dlaczego zadania z ograniczeniami Wiele praktycznych problemów to problemy z ograniczeniami. Problemy trudne obliczeniowo (np-trudne) to prawie zawsze problemy z ograniczeniami.
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład. Prof. dr hab. inż. Jan Magott Algorytmy grafowe: podstawowe pojęcia, reprezentacja grafów, metody przeszukiwania, minimalne drzewa rozpinające, problemy
Bardziej szczegółowoWykład 4. Droga i cykl Eulera i Hamiltona
Wykład 4. i Hamiltona Wykład 4. i Hamiltona 1 / 35 Grafy Eulera Niech G będzie grafem spójnym. Definicja Jeżeli w grafie G istnieje zamknięta droga prosta zawierająca wszystkie krawędzie grafu, to taką
Bardziej szczegółowoa) 7 b) 19 c) 21 d) 34
Zadanie 1. Pytania testowe dotyczące podstawowych własności grafów. Zadanie 2. Przy każdym z zadań może się pojawić polecenie krótkiej charakterystyki algorytmu. Zadanie 3. W zadanym grafie sprawdzenie
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 6. Piotr Syga
Algorytmy metaheurystyczne Wykład 6 Piotr Syga 10.04.2017 Wprowadzenie Inspiracje Wprowadzenie ACS idea 1 Zaczynamy z pustym rozwiązaniem początkowym 2 Dzielimy problem na komponenty (przedmiot do zabrania,
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoAlgorytmy stochastyczne laboratorium 03
Algorytmy stochastyczne laboratorium 03 Jarosław Piersa 10 marca 2014 1 Projekty 1.1 Problem plecakowy (1p) Oznaczenia: dany zbiór przedmiotów x 1,.., x N, każdy przedmiot ma określoną wagę w(x i ) i wartość
Bardziej szczegółowoAlgorytmy i str ruktury danych. Metody algorytmiczne. Bartman Jacek
Algorytmy i str ruktury danych Metody algorytmiczne Bartman Jacek jbartman@univ.rzeszow.pl Metody algorytmiczne - wprowadzenia Znamy strukturę algorytmów Trudność tkwi natomiast w podaniu metod służących
Bardziej szczegółowoAlgorytmy mrówkowe. Plan. » Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji» Testowanie
Algorytmy mrówkowe w środowiskach dynamicznych Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 1/51 Plan» Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji»
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Algorytmy zachłanne, programowanie dynamiczne Paweł Daniluk Wydział Fizyki Jesień 2014 P. Daniluk(Wydział Fizyki) WP w. IX Jesień 2014 1 / 26 Algorytmy zachłanne Strategia polegająca
Bardziej szczegółowoAlgorytmy mrówkowe w dynamicznych problemach transportowych
y w dynamicznych problemach transportowych prof. dr hab Jacek Mandziuk MiNI, PW 3 czerwca 2013 Cel pracy Zbadanie zachowania algorytmu go zwykłego oraz z zaimplementowanymi optymalizacjami dla problemów
Bardziej szczegółowoSterowanie procesami dyskretnymi
Politechnika Rzeszowska Wydział Elektrotechniki i Informatyki Katedra Informatyki i Automatyki Laboratorium Sterowanie procesami dyskretnymi Stanowisko 3 Algorytmy harmonogramowania zadań pakiet LiSA Rzeszów
Bardziej szczegółowoPodejście zachłanne, a programowanie dynamiczne
Podejście zachłanne, a programowanie dynamiczne Algorytm zachłanny pobiera po kolei elementy danych, za każdym razem wybierając taki, który wydaje się najlepszy w zakresie spełniania pewnych kryteriów
Bardziej szczegółowoObliczenia Naturalne - Algorytmy Mrówkowe cz. 4
Plan Literatura Obliczenia Naturalne - Algorytmy Mrówkowe cz. 4 Paweł Paduch Politechnika Świętokrzyska 5 czerwca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy Mrówkowe cz. 4 1 z 51 Plan wykładu Plan
Bardziej szczegółowoOptymalizacja. Wybrane algorytmy
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoPRZESZUKIWANIE LOKALNE I ALGORYTMY POPULACYJNE DLA WIELOKRYTERIALNEGO PROBLEMU GNIAZDOWEGO
Przeszukiwanie lokalne i algorytmy... Jarosław RUDY, Dominik ŻELAZNY Politechnika Wrocławska PRZESZUKIWANIE LOKALNE I ALGORYTMY POPULACYJNE DLA WIELOKRYTERIALNEGO PROBLEMU GNIAZDOWEGO Streszczenie. W pracy
Bardziej szczegółowoXII International PhD Workshop OWD 2010, October 2010 MODEL TEORETYCZNY ALGORYTMU MRÓWKOWEGO SAS
XII International PhD Workshop OWD 2010, 23 26 October 2010 MODEL TEORETYCZNY ALGORYTMU MRÓWKOWEGO SAS Paweł Rembelski, Polsko-Japońska Wyższa Szkoła Technik Komputerowych (Opiekun naukowy: prof. Witold
Bardziej szczegółowoStrategie Zespołowe (SZ) dr inż. Tomasz Białaszewski
Strategie Zespołowe (SZ) dr inż. Tomasz Białaszewski Tematyka wykładu Algorytmy Inteligencji Roju (Swarm Intelligence, SI) Optymalizacja kolonią mrówek (Ant Colony Optimization, ACO) Optymalizacja rojem
Bardziej szczegółowoHeurystyczne metody przeszukiwania
Heurystyczne metody przeszukiwania Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Pojęcie heurystyki Metody heurystyczne są jednym z ważniejszych narzędzi sztucznej inteligencji.
Bardziej szczegółowoRównoległy algorytm wyznaczania bloków dla cyklicznego problemu przepływowego z przezbrojeniami
Równoległy algorytm wyznaczania bloków dla cyklicznego problemu przepływowego z przezbrojeniami dr inż. Mariusz Uchroński Wrocławskie Centrum Sieciowo-Superkomputerowe Agenda Cykliczny problem przepływowy
Bardziej szczegółowoReprezentacje grafów nieskierowanych Reprezentacje grafów skierowanych. Wykład 2. Reprezentacja komputerowa grafów
Wykład 2. Reprezentacja komputerowa grafów 1 / 69 Macierz incydencji Niech graf G będzie grafem nieskierowanym bez pętli o n wierzchołkach (x 1, x 2,..., x n) i m krawędziach (e 1, e 2,..., e m). 2 / 69
Bardziej szczegółowoWykorzystanie algorytmów mrówkowych w dynamicznym problem
Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 18 stycznia 2013 Przedmiot i cele pracy dyplomowej
Bardziej szczegółowoPlanowanie przedsięwzięć
K.Pieńkosz Badania Operacyjne Planowanie przedsięwzięć 1 Planowanie przedsięwzięć Model przedsięwzięcia lista operacji relacje poprzedzania operacji modele operacji funkcja celu planowania K.Pieńkosz Badania
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 szczegółowoZnajdowanie skojarzeń na maszynie równoległej
11 grudnia 2008 Spis treści 1 Skojarzenia w różnych klasach grafów Drzewa Grafy gęste Grafy regularne dwudzielne Claw-free graphs 2 Drzewa Skojarzenia w drzewach Fakt Wybierajac krawędź do skojarzenia
Bardziej szczegółowoHARMONOGRAMOWANIE Z OGRANICZENIAMI PROJEKTÓW WSPÓŁBIEŻNYCH
HARMONOGRAMOWANIE Z OGRANICZENIAMI PROJEKTÓW WSPÓŁBIEŻNYCH Bożena MARCIŃCZYK, Bożena SKOŁUD Streszczenie: W artykule przedstawiono zastosowanie meta heurystycznej metody algorytmu mrówkowego w harmonogramowaniu
Bardziej szczegółowoMetody przeszukiwania
Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania
Bardziej szczegółowoDrzewa. Jeżeli graf G jest lasem, który ma n wierzchołków i k składowych, to G ma n k krawędzi. Własności drzew
Drzewa Las - graf, który nie zawiera cykli Drzewo - las spójny Jeżeli graf G jest lasem, który ma n wierzchołków i k składowych, to G ma n k krawędzi. Własności drzew Niech T graf o n wierzchołkach będący
Bardziej szczegółowoDroga i cykl Eulera Przykłady zastosowania drogi i cyku Eulera Droga i cykl Hamiltona. Wykład 4. Droga i cykl Eulera i Hamiltona
Wykład 4. Droga i cykl Eulera i Hamiltona 1 / 92 Grafy Eulera Droga i cykl Eulera Niech G będzie grafem spójnym. Definicja Jeżeli w grafie G istnieje zamknięta droga prosta zawierająca wszystkie krawędzie
Bardziej szczegółowoWybrane podstawowe rodzaje algorytmów
Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych
Bardziej szczegółowoAlgorytmika Problemów Trudnych
Algorytmika Problemów Trudnych Wykład 9 Tomasz Krawczyk krawczyk@tcs.uj.edu.pl Kraków, semestr letni 2016/17 plan wykładu Algorytmy aproksymacyjne: Pojęcie algorytmu aproksymacyjnego i współczynnika aproksymowalności.
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Algorytm kolonii mrówek Idea Smuga feromonowa 1 Sztuczne mrówki w TSP Sztuczna mrówka agent, który porusza się z miasta do miasta Mrówki preferują miasta połączone łukami z dużą
Bardziej szczegółowoProblemy optymalizacyjne - zastosowania
Problemy optymalizacyjne - zastosowania www.qed.pl/ai/nai2003 PLAN WYKŁADU Zło ono obliczeniowa - przypomnienie Problemy NP-zupełne klika jest NP-trudna inne problemy NP-trudne Inne zadania optymalizacyjne
Bardziej szczegółowoAlgorytm dyskretnego PSO z przeszukiwaniem lokalnym w problemie dynamicznej wersji TSP
Algorytm dyskretnego PSO z przeszukiwaniem lokalnym w problemie dynamicznej wersji TSP Łukasz Strąk lukasz.strak@gmail.com Uniwersytet Śląski, Instytut Informatyki, Będzińska 39, 41-205 Sosnowiec 9 grudnia
Bardziej szczegółowoTemat: Algorytmy zachłanne
Temat: Algorytmy zachłanne Algorytm zachłanny ( ang. greedy algorithm) wykonuje zawsze działanie, które wydaje się w danej chwili najkorzystniejsze. Wybiera zatem lokalnie optymalną możliwość w nadziei,
Bardziej szczegółowoRÓWNOLEGŁY ALGORYTM POSZUKIWANIA Z ZABRONIENIAMI UKŁADANIA PLANU ZAJĘĆ
RÓWNOLEGŁY ALGORYTM POSZUKIWANIA Z ZABRONIENIAMI UKŁADANIA PLANU ZAJĘĆ Wojciech BOŻEJKO, Łukasz GNIEWKOWSKI Streszczenie: Praca dotyczy zastosowania równoległego algorytmu poszukiwania z zabronieniami
Bardziej szczegółowoSzeregowanie zadań. Wykład nr 3. dr Hanna Furmańczyk
Wykład nr 3 27.10.2014 Procesory identyczne, zadania niezależne, podzielne: P pmtn C max Algorytm McNaughtona 1 Wylicz optymalną długość C max = max{ j=1,...,n p j/m, max j=1,...,n p j }, 2 Szereguj kolejno
Bardziej szczegółowoProblem Komiwojażera - algorytmy metaheurystyczne
Problem Komiwojażera - algorytmy metaheurystyczne algorytm mrówkowy algorytm genetyczny by Bartosz Tomeczko. All rights reserved. 2010. TSP dlaczego metaheurystyki i heurystyki? TSP Travelling Salesman
Bardziej szczegółowoAlgorytmy i struktury danych. Co dziś? Tytułem przypomnienia metoda dziel i zwyciężaj. Wykład VIII Elementarne techniki algorytmiczne
Algorytmy i struktury danych Wykład VIII Elementarne techniki algorytmiczne Co dziś? Algorytmy zachłanne (greedyalgorithms) 2 Tytułem przypomnienia metoda dziel i zwyciężaj. Problem można podzielić na
Bardziej szczegółowoGrafem nazywamy strukturę G = (V, E): V zbiór węzłów lub wierzchołków, Grafy dzielimy na grafy skierowane i nieskierowane:
Wykład 4 grafy Grafem nazywamy strukturę G = (V, E): V zbiór węzłów lub wierzchołków, E zbiór krawędzi, Grafy dzielimy na grafy skierowane i nieskierowane: Formalnie, w grafach skierowanych E jest podzbiorem
Bardziej szczegółowoAlgorytm Dijkstry znajdowania najkrótszej ścieżki w grafie
Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie Używane struktury danych: V - zbiór wierzchołków grafu, V = {1,2,3...,n} E - zbiór krawędzi grafu, E = {(i,j),...}, gdzie i, j Î V i istnieje
Bardziej szczegółowoE: Rekonstrukcja ewolucji. Algorytmy filogenetyczne
E: Rekonstrukcja ewolucji. Algorytmy filogenetyczne Przypominajka: 152 drzewo filogenetyczne to drzewo, którego liśćmi są istniejące gatunki, a węzły wewnętrzne mają stopień większy niż jeden i reprezentują
Bardziej szczegółowoAlgorytmiczna teoria grafów
Przedmiot fakultatywny 20h wykładu + 20h ćwiczeń 21 lutego 2014 Zasady zaliczenia 1 ćwiczenia (ocena): kolokwium, zadania programistyczne (implementacje algorytmów), praca na ćwiczeniach. 2 Wykład (egzamin)
Bardziej szczegółowoPorównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki
Porównanie algorytmów wyszukiwania najkrótszych ścieżek między wierzchołkami grafu. Instytut Informatyki 22 listopada 2015 Algorytm DFS w głąb Algorytm przejścia/przeszukiwania w głąb (ang. Depth First
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 14c 2 Definicje indukcyjne Twierdzenia dowodzone przez indukcje Definicje indukcyjne Definicja drzewa
Bardziej szczegółowoAlgorytmy i struktury danych. Drzewa: BST, kopce. Letnie Warsztaty Matematyczno-Informatyczne
Algorytmy i struktury danych Drzewa: BST, kopce Letnie Warsztaty Matematyczno-Informatyczne Drzewa: BST, kopce Definicja drzewa Drzewo (ang. tree) to nieskierowany, acykliczny, spójny graf. Drzewo może
Bardziej szczegółowoDziałanie algorytmu oparte jest na minimalizacji funkcji celu jako suma funkcji kosztu ( ) oraz funkcji heurystycznej ( ).
Algorytm A* Opracowanie: Joanna Raczyńska 1.Wstęp Algorytm A* jest heurystycznym algorytmem służącym do znajdowania najkrótszej ścieżki w grafie. Jest to algorytm zupełny i optymalny, co oznacza, że zawsze
Bardziej szczegółowoMODELE SIECIOWE 1. Drzewo rozpinające 2. Najkrótsza droga 3. Zagadnienie maksymalnego przepływu źródłem ujściem
MODELE SIECIOWE 1. Drzewo rozpinające (spanning tree) w grafie liczącym n wierzchołków to zbiór n-1 jego krawędzi takich, że dowolne dwa wierzchołki grafu można połączyć za pomocą krawędzi należących do
Bardziej szczegółowoObliczenia naturalne Natural Computing. Informatyka II stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny)
KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoWstęp do Techniki Cyfrowej... Teoria automatów
Wstęp do Techniki Cyfrowej... Teoria automatów Alfabety i litery Układ logiczny opisywany jest przez wektory, których wartości reprezentowane są przez ciągi kombinacji zerojedynkowych. Zwiększenie stopnia
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 03/0 Przeszukiwanie w głąb i wszerz I Przeszukiwanie metodą
Bardziej szczegółowoGrupowanie Witold Andrzejewski, Politechnika Poznańska, Wydział Informatyki 201/633
Grupowanie Grupowanie 7 6 5 4 y 3 2 1 0-3 -2-1 0 1 2 3 4 5-1 -2-3 -4 x Witold Andrzejewski, Politechnika Poznańska, Wydział Informatyki 201/633 Wprowadzenie Celem procesu grupowania jest podział zbioru
Bardziej szczegółowoĆWICZENIE NR 1 WPROWADZENIE DO INFORMATYKI
J.NAWROCKI, M. ANTCZAK, H. ĆWIEK, W. FROHMBERG, A. HOFFA, M. KIERZYNKA, S.WĄSIK ĆWICZENIE NR 1 WPROWADZENIE DO INFORMATYKI ZAD. 1. Narysowad graf nieskierowany. Zmodyfikowad go w taki sposób, aby stał
Bardziej szczegółowoRozwiązywanie problemów metodą przeszukiwania
Rozwiązywanie problemów metodą przeszukiwania Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Reprezentacja problemu w przestrzeni stanów Jedną z ważniejszych metod sztucznej
Bardziej szczegółowoWykład VII. Kryptografia Kierunek Informatyka - semestr V. dr inż. Janusz Słupik. Gliwice, 2014. Wydział Matematyki Stosowanej Politechniki Śląskiej
Wykład VII Kierunek Informatyka - semestr V Wydział Matematyki Stosowanej Politechniki Śląskiej Gliwice, 2014 c Copyright 2014 Janusz Słupik Problem pakowania plecaka System kryptograficzny Merklego-Hellmana
Bardziej szczegółowoTomasz M. Gwizdałła 2012/13
METODY METODY OPTYMALIZACJI OPTYMALIZACJI Tomasz M. Gwizdałła 2012/13 Informacje wstępne Tomasz Gwizdałła Katedra Fizyki Ciała Stałego UŁ Pomorska 149/153, p.523b tel. 6355709 tomgwizd@uni.lodz.pl http://www.wfis.uni.lodz.pl/staff/tgwizdalla
Bardziej szczegółowoprowadzący dr ADRIAN HORZYK /~horzyk e-mail: horzyk@agh tel.: 012-617 Konsultacje paw. D-13/325
PODSTAWY INFORMATYKI WYKŁAD 8. prowadzący dr ADRIAN HORZYK http://home home.agh.edu.pl/~ /~horzyk e-mail: horzyk@agh agh.edu.pl tel.: 012-617 617-4319 Konsultacje paw. D-13/325 DRZEWA Drzewa to rodzaj
Bardziej szczegółowoMATEMATYKA DYSKRETNA - MATERIAŁY DO WYKŁADU GRAFY
ERIAŁY DO WYKŁADU GRAFY Graf nieskierowany Grafem nieskierowanym nazywamy parę G = (V, E), gdzie V jest pewnym zbiorem skończonym (zwanym zbiorem wierzchołków grafu G), natomiast E jest zbiorem nieuporządkowanych
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 szczegółowoRachunek podziałów i elementy teorii grafów będą stosowane w procedurach redukcji argumentów i dekompozycji funkcji boolowskich.
Pojęcia podstawowe c.d. Rachunek podziałów Elementy teorii grafów Klasy zgodności Rachunek podziałów i elementy teorii grafów będą stosowane w procedurach redukcji argumentów i dekompozycji funkcji boolowskich.
Bardziej szczegółowoAlgorytmy metaheurystyczne podsumowanie
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoOSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) Algorytmy i Struktury Danych PIŁA
OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) 16.01.2003 Algorytmy i Struktury Danych PIŁA ALGORYTMY ZACHŁANNE czas [ms] Porównanie Algorytmów Rozwiązyjących problem TSP 100 000 000 000,000 10 000 000
Bardziej szczegółowoSchemat programowania dynamicznego (ang. dynamic programming)
Schemat programowania dynamicznego (ang. dynamic programming) Jest jedną z metod rozwiązywania problemów optymalizacyjnych. Jej twórcą (1957) był amerykański matematyk Richard Ernest Bellman. Schemat ten
Bardziej szczegółowoWYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA
DRZEWA i LASY Drzewem nazywamy graf spójny nie zawierający cykli elementarnych. Lasem nazywamy graf nie zawierający cykli elementarnych. Przykłady drzew i lasów takie krawędzie są wykluczone drzewo las
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Programowanie dynamiczne Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk(Wydział Fizyki) WP w. X Jesień 2013 1 / 21 Dziel i zwyciężaj przypomnienie 1 Podział problemu na 2 lub
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Algorytmy zachłanne, algoritme Dijkstry Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk(Wydział Fizyki) WP w. XI Jesień 2013 1 / 25 Algorytmy zachłanne Strategia polegająca na
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Twierdzenie 2.1 Niech G będzie grafem prostym
Bardziej szczegółowoAlgorytmy wyznaczania centralności w sieci Szymon Szylko
Algorytmy wyznaczania centralności w sieci Szymon Szylko Zakład systemów Informacyjnych Wrocław 10.01.2008 Agenda prezentacji Cechy sieci Algorytmy grafowe Badanie centralności Algorytmy wyznaczania centralności
Bardziej szczegółowoPROBLEM: SORTOWANIE PRZEZ ODWRÓCENIA METODA: ALGORYTMY ZACHŁANNE
D: PROBLEM: SORTOWANIE PRZEZ ODWRÓCENIA METODA: ALGORYTMY ZACHŁANNE I. Strategia zachłanna II. Problem przetasowań w genomie III. Sortowanie przez odwrócenia IV. Algorytmy przybliżone V. Algorytm zachłanny
Bardziej szczegółowoCo to jest grupowanie
Grupowanie danych Co to jest grupowanie 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Szukanie grup, obszarów stanowiących lokalne gromady punktów Co to jest grupowanie
Bardziej szczegółowoWYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH
Inżynieria Rolnicza 7(105)/2008 WYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH Justyna Zduńczuk, Wojciech Przystupa Katedra Zastosowań Matematyki, Uniwersytet Przyrodniczy
Bardziej szczegółowoProjektowanie i analiza algorytmów
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Projektowanie i analiza algorytmów www.pk.edu.pl/~zk/piaa_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład
Bardziej szczegółowoMETODY OPTYMALIZACJI. Tomasz M. Gwizdałła 2018/19
METODY OPTYMALIZACJI Tomasz M. Gwizdałła 2018/19 Informacje wstępne Tomasz Gwizdałła Katedra Fizyki Ciała Stałego UŁ Pomorska 149/153, p.524b tel. 6355709 tomgwizd@uni.lodz.pl http://www.wfis.uni.lodz.pl/staff/tgwizdalla
Bardziej szczegółowoPrzykłady problemów optymalizacyjnych
Przykłady problemów optymalizacyjnych NAJKRÓTSZA ŚCIEŻKA W zadanym grafie G = (V, A) wyznacz najkrótsza ścieżkę od wierzchołka s do wierzchołka t. 2 7 5 5 3 9 5 s 8 3 1 t 2 2 5 5 1 5 4 Przykłady problemów
Bardziej szczegółowoBioinformatyka Laboratorium, 30h. Michał Bereta
Bioinformatyka Laboratorium, 30h Michał Bereta mbereta@pk.edu.pl www.michalbereta.pl 1 Filogenetyka molekularna wykorzystuje informację zawartą w sekwencjach aminokwasów lub nukleotydów do kontrukcji drzew
Bardziej szczegółowoMatematyka dyskretna
Matematyka dyskretna Wykład 13: Teoria Grafów Gniewomir Sarbicki Literatura R.J. Wilson Wprowadzenie do teorii grafów Definicja: Grafem (skończonym, nieskierowanym) G nazywamy parę zbiorów (V (G), E(G)),
Bardziej szczegółowoSeminarium IO. Zastosowanie wielorojowej metody PSO w Dynamic Vehicle Routing Problem. Michał Okulewicz
Seminarium IO Zastosowanie wielorojowej metody PSO w Dynamic Vehicle Routing Problem Michał Okulewicz 26.02.2013 Plan prezentacji Przypomnienie Problem DVRP Algorytm PSO Podejścia DAPSO, MAPSO 2PSO, 2MPSO
Bardziej szczegółowo