INTELIGENCJA OBLICZENIOWA. dr Katarzyna Grzesiak-Kopeć
|
|
- Agata Krawczyk
- 7 lat temu
- Przeglądów:
Transkrypt
1 INTELIGENCJA OBLICZENIOWA dr Katarzyna Grzesiak-Kopeć
2 obliczenia ewolucyjne 2
3 Plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie 3
4 Algorytmy genetyczne John Holland 1975 Reprezentacja za pomocą ciągu bitów Selekcja proporcjonalna KrzyŜowanie jako główna metoda reprodukcji 4
5 Reprezentacja chromosomu Wektor binarny ustalonej długości Kodowanie Wartości dyskretne D-wymiarowy wektor, gdzie 2 D jest liczbą wszystkich moŝliwych wartości Wartości ciągłe ciągłe z [z min,z max ] chcemy zakodować na 30 bitach (2 30 1) z z z z max min min φ: φ α β D D R {0,1}, :[, ] {0,1} 5
6 Odległość Hamminga Liczba bitów, którymi ciągi się róŝnią Binarny Gray a bb 1 g g 1 k 2 = Kb = b 1 b K k 1bk + Binarny do Gray a b k 1 b k Operatory logiczne: NOT, AND, OR 6
7 Cel: utworzenie potomka z dwóch rodziców wybranych dowolną metodą selekcji KrzyŜowanie ma miejsce z ustalonym prawdopodobieństwem p c KrzyŜowanie KrzyŜowanie osobników 1. Wylosuj ξ ~U(0,1) 2. Ifξ> p c to nie ma krzyŝowania i zwracamy rodziców r r 3., r r α = C n β = C 1 n 2 4. Oblicz maskę m r 5. For i=1,,i if(m i =1) dokonaj wymiany materiału genetycznego αi =, β = 2 C n i i Cn, i, 1 C r, n C r 1 n 2 6. Zwróć potomków: α i, β i 7
8 Maska Wskazuje, które bity mają zostać wymienione KrzyŜowanie Równomierne Jednopunktowe Wielopunktowe 8
9 KrzyŜowanie równomierne Maska tworzona losowo dla kaŝdej pary rodziców Bit 1 dany gen ma zostać wymieniony pomiędzy rodzicami m i =0 dla i=1,,i Dla kaŝdego i wylosuj ξ ~U(0,1) Jeśli (ξ p x ) m i =1 Zwróć maskę 9
10 KrzyŜowanie jednopunktowe Losujemy jeden locus (pozycję genu) i wymieniamy ciągi za tym punktem Wylosuj ξ ~U(1,I-1) m i =0 dla i=1,,i Dla kaŝdego i= ξ+1,,i m i =1 Zwróć maskę 10
11 KrzyŜowanie dwupunktowe Losujemy dwie pozycje i wymieniamy ciągi pomiędzy tymi punktami Wylosuj ξ 1, ξ 2 ~U(1,I-1) ξ 1 ξ 2 m i =0 dla i=1,,i Dla kaŝdego i= ξ 1,, ξ 2 m i =1 Zwróć maskę 11
12 Mutacja Losowa zmiana wartości genów w chromosomie Cel to zróŝnicowanie materiału genetycznego w populacji zwiększenie przestrzeni poszukiwań Zazwyczaj zachodzi rzadko (małe p-wo) Malejące eksponencjonalnie w czasie polepsza szybkość zbieŝności i dokładność Mutacja Losowa Inorder 12
13 Mutacja losowa Losujemy pozycje i negujemy bity Dla kaŝdego i i=1,,i Wylosuj ξ ~U(0,1) Jeśli (ξ p m ) zaneguj i- ty bit 13
14 Mutacja inorder Losujemy dwie pozycje i mutujemy geny pomiędzy nimi Wylosuj ξ 1, ξ 2 ~U(1,I) ξ 1 ξ 2 Dla kaŝdego i= ξ 1,, ξ 2 m i =1 Wylosuj ξ ~U(0,1) Jeśli (ξ p m ) zaneguj i-ty bit 14
15 Przykład 1 J. Wróblewski, Niekonwencjonalne metody obliczeniowe Wytwórca lodów dąŝy do maksymalizacji zysków Decyduje o smaku i wielkości lodów oraz o zestawie dostępnych dodatków Przyjmijmy 4 smaki lodów: waniliowe, czekoladowe, truskawkowe, karmelowe Lody mogą mieć lub nie dodatki Lody mogą być duŝe bądź małe Jakie lody powinien produkować wytwórca by jego zysk (iloczyn ceny i popytu) był maksymalny? Koszt wyprodukowania lodów nie zaleŝy od smaku i jest stały Dla małych wynosi 10 Dla duŝych wynosi 2x10 Koszt dodatków teŝ jest stały Dla małych wynosi 5 Dla duŝych wynosi 2x5 Lody duŝe cieszą się dwukrotnie mniejszym zainteresowaniem ze względu na cenę 15
16 Przykład 1 J. Wróblewski, Niekonwencjonalne metody obliczeniowe Mamy dane określające zaleŝność popytu od rodzaju lodów Waniliowe Truskawkowe Czekoladowe Karmelowe Dodatki Bez Osobniki lody Fenotyp rodzaj lodów Genotyp zespół opisujących cech Smak (4 wartości) Wielkość (2 wartości) Dodatki (2 wartości) Lody waniliowe w polewie czekoladowej duŝe 0011 Małe Waniliowe Truskawkowe Czekoladowe Karmelowe Bez dodatków Z dodatkami DuŜe
17 Przykład 1 J. Wróblewski, Niekonwencjonalne metody obliczeniowe Funkcja przystosowania KaŜdemu osobnikowi przypisuje nieujemną wartość Zysk ze sprzedaŝy Iloczyn popytu i ceny Selekcja koło ruletki Mutacja Losowa zmiana jednego bitu P-wo 5% (dla kaŝdego bitu) KrzyŜowanie jednopunktowe Losujemy rodziców P-wo 50% Potomek Początkowy fragment 1go rodzica, końcowy 2go Wielkość populacji ustalamy 4 17
18 Przykład 1 J. Wróblewski, Niekonwencjonalne metody obliczeniowe Populacja początkowa 0111 (truskawka duŝe z dodatkami) 1000, 1000, 0100 Ocena osobników FP(0111) = 30x3=90, udział = 90/350=25% Cena 30 (duŝe+) Popyt 6/2=3 (bo duŝe) 18
19 Selekcja Przykład 1 Losujemy cztery liczby z zakresu [0,1) 0.22, 0.01, 0.15, 0.88 Odpowiadają osobnikom: 1, 1, 1 i 4 Nowa populacja: 0111, 0111, 0111, 0100 KrzyŜowanie J. Wróblewski, Niekonwencjonalne metody obliczeniowe Wylosowaliśmy do krzyŝowania 1 i 4 (p-wo 50%) Losujemy im pary 2, 1 odpowiednio Osobnik , osobnik potomek 0111 Osobnik , osobnik potomek
20 Przykład 1 J. Wróblewski, Niekonwencjonalne metody obliczeniowe Zastępując rodziców potomkami otrzymujemy nową populację 0111, 0111, 0111, 0101 Mutacja p-wo 5% - średnio mniej niŝ 1 gen zostanie zmutowany (cała populacja to 16 genów) Wylosowaliśmy, Ŝe zostanie zmutowany 3 gen 2go osobnika 0111, 0101, 0111, 0101 FP(0111)=90, FP(0101)=100 Średnio wyŝsze niŝ początkowe idziemy w dobrym kierunku 20
21 Pytania do przykładu 1 J. Wróblewski, Niekonwencjonalne metody obliczeniowe Jaka jest moc przestrzeni poszukiwań? Dodajmy do parametrów kolor opakowania (8 wartości). Ile mamy rodzajów lodów? Jak długi będzie chromosom? Czy moŝliwe jest by po fazie reprodukcji całą populację opanował osobnik najgorzej przystosowany? 21
22 Przykład 2 Mamy sieć z M switchami, switch startowy i switch docelowy Cel: znalezienie najlepszej trasy dla połączenia Reprezentacja chromosomu RóŜnej długości (max M) Gen switch Allele wartości całkowite ( ) ( )=( ) Inicjalizacja populacji Losowa z ustaleniem pierwszego i ostatniego genu Wartości losowane [1,M], rozkład p-wa jednostajny 22
23 Przykład 2 Funkcja przystosowania wielokryterialna Najmniej obciąŝona trasa Minimalny koszt F = af + bf + cf + j Switch j Block j Util j df Cost j Najkrótsza trasa Maksymalna eksploatacja 23
24 Funkcja przystosowania Najkrótsza trasa r j trasa r j liczba switchów na trasie Maksymalna eksploatacja F U xy stopień wykorzystania połączenia Util F j min{1 U xy r Switch j = = } +α j xy r j M xy Najmniej obciąŝona trasa B xy p-wo blokady połączenia F α Block j xy j = 1 (1 B 1 = 0 xy r xy r wpp Minimalny koszt nie istniej C xy koszt połączenia F Cost j = rj xy r j j C xy xy + α + α ) xy xy 24
25 Przykład 2 Dowolna selekcja i krzyŝowanie Mutacja Zmian wartości wybranego genu [1,M] jednostajny rozkład p-wa AG Numeryczna reprezentacja Zmienna długość chromosomu Ograniczenie struktury osobników 25
26 Równoległość Obliczenia równoległe Natura AG Zrównoleglenie AG Model globalny (single-walk model) Model rozproszony (diffusion model) Model wyspowy (island model) 26
27 Równoległość Model globalny Kilka procesorów wspólna pamięć Centralny procesor: Populacja (jest jedna) Selekcja, krzyŝowanie i mutacja Procesory podrzędne Obliczanie FP Ewentualnie lokalne poszukiwanie przy algorytmach hybrydowych 27
28 Równoległość Model rozproszony (asynchroniczny) Identyczne procesory niezaleŝne KaŜdy procesor ma swoją podpopulację Zazwyczaj 1 osobnik Selekcja i krzyŝowanie w małym otoczeniu Wyznaczonym przez topologię sieci połączeń procesorów Po selekcji i krzyŝowaniu następuje rozproszenie nowych osobników Przydzielenie odpowiednim procesorom 28
29 Model wyspowy Wyspa reprezentuje populację Selekcja, krzyŝowanie i mutacja zachodzą na wyspie niezaleŝnie od innych populacji Komunikacja Migracja Wizytacja Odstrzał słabych 29
30 Model wyspowy Jak inicjalizować populacje? Tak, by były rozłączne (róŝne części przestrzeni poszukiwań) Optymalizacja wielokryterialna Losowo KaŜda populacja optymalizuje inne kryterium Kiedy i gdzie migrować? Losowo Turniej: zarówno kto, jak i gdzie 30
31 Model wyspowy Jak inicjalizować populacje? Losowo Tak, by były rozłączne (róŝne części przestrzeni poszukiwań) Optymalizacja wielokryterialna KaŜda populacja optymalizuje inne kryterium Kiedy i gdzie migrować? Losowo Turniej: zarówno kto, jak i gdzie 31
32 Model wyspowy Jak inicjalizować populacje? Losowo Tak, by były rozłączne (róŝne części przestrzeni poszukiwań) Optymalizacja wielokryterialna KaŜda populacja optymalizuje inne kryterium Kiedy i gdzie migrować? Losowo Turniej: zarówno kto, jak i gdzie 32
33 Migracja Intuicja Lepsi z gorszej wyspy chcą przejść na lepszą Przyjęcie imigranta Z pewnym prawdopodobieństwem Wartość FP w porównaniu z wartością FP na wyspie Jeśli zróŝnicuje materiał genetyczny Jest maksymalnie odmienny 33
34 Wizytacja Osobnik o wysokiej wartości FP z dobrze prosperującej wyspy odwiedza inne wyspy Bierze udział w reprodukcji 34
35 Odstrzał słabych Usunięcie najsłabszego Zastąpienie imigrantem 35
36 Uwagi Model wyspowy moŝe być stosowany dla innych AE Koewolucja kooperatywna KaŜda wyspa optymalizuje jeden parametr (gen) 36
37 Co jeszcze? Jak wybrać operatory? ZaleŜy od problemu Liczne symulacje Meta-ewolucja 37
38 Twierdzenie o schematach Podstawowe twierdzenie AG Wyjaśnia dlaczego i tłumaczy jak działają Potrzebne pojęcia Schemat Rząd schematu Rozpiętość schematu Przystosowanie schematu 38
39 Schemat SCHEMATEM nazywamy wzorzec opisujący podzbiór wszystkich ciągów podobnych do siebie ze względu na ustalone pozycje. JeŜeli mamy alfabet E, to schematy są słowami nad alfabetem E {*} * moŝe być dowolną literą alfabetu E {* R * A} {O R K A} {A R K A} #E k 39
40 Rząd i rozpiętość RZĘDEM SCHEMATU o(s) nazywamy liczbę genów o ustalonych wartościach. ROZPIĘTOŚCIĄ SCHEMATU δ(s) nazywamy odległość między skrajnymi ustalonymi w schemacie genami. {* R * A} {* I * * I * N *} o(s)=2 o(s)=3 δ(s)=4-2=2 δ(s)=7-2=5 40
41 Przystosowanie schematu PRZYSTOSOWANIEM SCHEMATU f(s) nazywamy średnie przystosowanie wszystkich jego reprezentantów. Reprezentanci najlepiej przystosowanych schematów To najlepsze osobniki Nie są osobnikami najgorszymi 41
42 Twierdzenie o schematach Wąskie, niskiego rzędu i dobrze przystosowane schematy rozprzestrzeniają się w kolejnych pokoleniach zgodnie z wykładniczym prawem wzrostu. 42
43 Hipoteza cegiełek AG dochodzi do niemal optymalnej wydajności zestawiając schematy cegiełki. UWAGA na Sposób kodowania Funkcję przystosowania 43
44 Uwag kilka Czy problem nadaje się do rozwiązania przy pomocy AG? Transformacje Walsha Problemy AG-trudne Izolowane punkty optymalne = igły w stogu siana 44
45 Techniki zaawansowane Dominacja Inwersja Dymorfizm płciowy Gatunki i inne 45
46 Dylemat więźnia Teoria Gier, Melvin Dreshera i Merril Food (1950) Więzień B milczy Więzień B donosi Więzień A milczy Obaj dostają po 6 miesięcy A dostaje 10 lat B wychodzi na wolność Więzień A donosi A wychodzi na wolność B dostaje 10 lat Obaj dostają po 2 lata 46
47 Iterowany dylemat więźnia Rozgrywanie dylematu więźnia między tymi samymi graczami Opłaca się współpracować! Skuteczne strategie Przyjazność Mściwość Skłonność do przebaczania Brak zazdrości 47
48 koniec 48
Algorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki
Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Obliczenia ewolucyjne (EC evolutionary computing) lub algorytmy ewolucyjne (EA evolutionary algorithms) to ogólne określenia używane
Bardziej szczegółowoObliczenia ewolucyjne - plan wykładu
Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny
Algorytmy stochastyczne, wykład 01 J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-21 In memoriam prof. dr hab. Tomasz Schreiber (1975-2010) 1 2 3 Różne Orientacyjny
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA
PLAN WYKŁADU Operator krzyżowania Operator mutacji Operator inwersji Sukcesja Przykłady symulacji AG Kodowanie - rodzaje OPTYMALIZACJA GLOBALNA Wykład 3 dr inż. Agnieszka Bołtuć OPERATOR KRZYŻOWANIA Wymiana
Bardziej szczegółowoAlgorytmy genetyczne
Politechnika Łódzka Katedra Informatyki Stosowanej Algorytmy genetyczne Wykład 2 Przygotował i prowadzi: Dr inż. Piotr Urbanek Powtórzenie Pytania: Jaki mechanizm jest stosowany w naturze do takiego modyfikowania
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
Bardziej szczegółowoAlgorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba
Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia stacjonarne i niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki,
Bardziej szczegółowoZadanie 5 - Algorytmy genetyczne (optymalizacja)
Zadanie 5 - Algorytmy genetyczne (optymalizacja) Marcin Pietrzykowski mpietrzykowski@wi.zut.edu.pl wersja 1.0 1 Cel Celem zadania jest zapoznanie się z Algorytmami Genetycznymi w celu rozwiązywanie zadania
Bardziej szczegółowoAlgorytmy ewolucyjne NAZEWNICTWO
Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne
Bardziej szczegółowoInspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny
Soft computing Soft computing tym róŝni się od klasycznych obliczeń (hard computing), Ŝe jest odporny na brak precyzji i niepewność danych wejściowych. Obliczenia soft computing mają inspiracje ze świata
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoAlgorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS
Algorytmy ewolucyjne Łukasz Przybyłek Studenckie Koło Naukowe BRAINS 1 Wprowadzenie Algorytmy ewolucyjne ogólne algorytmy optymalizacji operujące na populacji rozwiązań, inspirowane biologicznymi zjawiskami,
Bardziej 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 szczegółowoKatedra Informatyki Stosowanej. Algorytmy ewolucyjne. Inteligencja obliczeniowa
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Treść wykładu Wprowadzenie Zasada działania Podział EA Cechy EA Algorytm genetyczny 2 EA - wprowadzenie Algorytmy ewolucyjne
Bardziej szczegółowoObliczenia Naturalne - Algorytmy genetyczne
Literatura Obliczenia Naturalne - Algorytmy genetyczne Paweł Paduch Politechnika Świętokrzyska 20 marca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 1 z 45 Plan wykładu Literatura 1 Literatura
Bardziej szczegółowo6. Klasyczny algorytm genetyczny. 1
6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58 Anna LANDOWSKA ROZWIĄZANIE PROBLEMU OPTYMALNEGO PRZYDZIAŁU ZA POMOCĄ KLASYCZNEGO
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoAlgorytmy genetyczne
Politechnika Łódzka Katedra Informatyki Stosowanej Algorytmy genetyczne Wykład 2 Przygotował i prowadzi: Dr inż. Piotr Urbanek Powtórzenie Pytania: Jaki mechanizm jest stosowany w naturze do takiego modyfikowania
Bardziej szczegółowoGenerowanie i optymalizacja harmonogramu za pomoca
Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska
Bardziej szczegółowoAlgorytmy ewolucyjne. wprowadzenie
Algorytmy ewolucyjne wprowadzenie Gracjan Wilczewski, www.mat.uni.torun.pl/~gracjan Toruń, 2005 Historia Podstawowy algorytm genetyczny został wprowadzony przez Johna Hollanda (Uniwersytet Michigan) i
Bardziej szczegółowoAlgorytmy genetyczne w optymalizacji
Algorytmy genetyczne w optymalizacji Literatura 1. David E. Goldberg, Algorytmy genetyczne i ich zastosowania, WNT, Warszawa 1998; 2. Zbigniew Michalewicz, Algorytmy genetyczne + struktury danych = programy
Bardziej szczegółowoProblemy optymalizacyjne Dana jest przestrzeń X. Znaleźć x X taki, że x spełnia określone warunki. Dana jest przestrzeń X i funkcja celu f: X R.
Problemy optymalizacyjne Dana jest przestrzeń X. Znaleźć x X taki, że x spełnia określone warunki. Dana jest przestrzeń X i funkcja celu f: X R. Znaleźć x X taki, że f(x) jest maksimum (minimum) funkcji
Bardziej szczegółowoMETODY HEURYSTYCZNE wykład 3
SCHEMAT DZIAŁANIA AG: METODY HEURYSTYCZNE wykład 3 procedure Algorytm_genetyczny t:=0 wybierz populację początkową P(t) oceń P(t) while (not warunek_zakończenia) do t:=t+ wybierz P(t) z P(t-) (selekcja)
Bardziej szczegółowoMETODY HEURYSTYCZNE wykład 3
METODY HEURYSTYCZNE wykład 3 1 Przykład: Znaleźć max { f (x)=x 2 } dla wartości całkowitych x z zakresu 0-31. Populacja w chwili t: P(t)= {x t 1,...x t n} Założenia: - łańcuchy 5-bitowe (x=0,1,...,31);
Bardziej 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 szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
Bardziej szczegółowoStrefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek
Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę
Bardziej szczegółowoALGORYTMY GENETYCZNE ćwiczenia
ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację
Bardziej szczegółowoAlgorytmy ewolucyjne (2)
Algorytmy ewolucyjne (2) zajecia.jakubw.pl/nai/ ALGORYTM GEETYCZY Cel: znaleźć makimum unkcji. Założenie: unkcja ta jet dodatnia. 1. Tworzymy oobników loowych. 2. Stoujemy operacje mutacji i krzyżowania
Bardziej szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej szczegółowoTeoria algorytmów ewolucyjnych
Teoria algorytmów ewolucyjnych 1 2 Dlaczego teoria Wynik analiza teoretycznej może pokazać jakie warunki należy spełnić, aby osiągnąć zbieżność do minimum globalnego. Np. sukcesja elitarystyczna. Może
Bardziej szczegółowoTechniki ewolucyjne - algorytm genetyczny i nie tylko
Reprezentacja binarna W reprezentacji binarnej wybór populacji początkowej tworzymy poprzez tablice genotypów (rys.1.), dla osobników o zadanej przez użytkownika wielkości i danej długości genotypów wypełniamy
Bardziej szczegółowoLABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania
Bardziej szczegółowoStandardowy algorytm genetyczny
Standardowy algorytm genetyczny 1 Szybki przegląd 2 Opracowany w USA w latach 70. Wcześni badacze: John H. Holland. Autor monografii Adaptation in Natural and Artificial Systems, wydanej w 1975 r., (teoria
Bardziej szczegółowoAlgorytmy genetyczne (AG)
Algorytmy genetyczne (AG) 1. Wprowadzenie do AG a) ewolucja darwinowska b) podstawowe definicje c) operatory genetyczne d) konstruowanie AG e) standardowy AG f) przykład rozwiązania g) naprawdę bardzo,
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 02 Algorytmy genetyczne
Algorytmy stochastyczne, wykład 02 Algorytmy genetyczne J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-27 1 Mutacje algorytmu genetycznego 2 Dziedzina niewypukła abstrakcyjna
Bardziej szczegółowoRównoważność algorytmów optymalizacji
Równoważność algorytmów optymalizacji Reguła nie ma nic za darmo (ang. no free lunch theory): efektywność różnych typowych algorytmów szukania uśredniona po wszystkich możliwych problemach optymalizacyjnych
Bardziej szczegółowoSystemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta
Systemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta Dr inż. Jacek Mazurkiewicz Katedra Informatyki Technicznej e-mail: Jacek.Mazurkiewicz@pwr.edu.pl Wprowadzenie Problemy
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoModyfikacje i ulepszenia standardowego algorytmu genetycznego
Modyfikacje i ulepszenia standardowego algorytmu genetycznego 1 2 Przypomnienie: pseudokod SGA t=0; initialize(p 0 ); while(!termination_condition(p t )) { evaluate(p t ); T t =selection(p t ); O t =crossover(t
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
METODY ANALITYCZNE kontra AG/AE OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome EVOLUTIONARY OPERATORS AND RECEIVING
Bardziej szczegółowoAlgorytmy ewolucyjne (3)
Algorytmy ewolucyjne (3) http://zajecia.jakubw.pl/nai KODOWANIE PERMUTACJI W pewnych zastosowaniach kodowanie binarne jest mniej naturalne, niż inne sposoby kodowania. Na przykład, w problemie komiwojażera
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 2 communication
Bardziej szczegółowoALGORYTMY GENETYCZNE
ALGORYTMY GENETYCZNE Algorytmy Genetyczne I. Co to są algorytmy genetyczne? II. Podstawowe pojęcia algorytmów genetycznych III. Proste algorytmy genetyczne IV. Kodowanie osobników i operacje genetyczne.
Bardziej szczegółowoALGORYTMY GENETYCZNE I EWOLUCYJNE
http://wazniak.mimuw.edu.pl INTELIGENTNE TECHNIKI KOMPUTEROWE wykład Karol Darwin (59 On the origin of species ): ALGORYTMY GENETYCZNE I EWOLUCYJNE Gregor Johann Mel (-) - austriacki zakonnik, augustianin,
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 17. ALGORYTMY EWOLUCYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska KODOWANIE BINARNE Problem różnych struktur przestrzeni
Bardziej szczegółowoAlgorytmy ewolucyjne `
Algorytmy ewolucyjne ` Wstęp Czym są algorytmy ewolucyjne? Rodzaje algorytmów ewolucyjnych Algorytmy genetyczne Strategie ewolucyjne Programowanie genetyczne Zarys historyczny Alan Turing, 1950 Nils Aall
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA HISTORIA NA CZYM BAZUJĄ AG
PLAN WYKŁADU OPTYMALIZACJA GLOBALNA Wykład 2 dr inż. Agnieszka Bołtuć Historia Zadania Co odróżnia od klasycznych algorytmów Nazewnictwo Etapy Kodowanie, inicjalizacja, transformacja funkcji celu Selekcja
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoOptymalizacja parametryczna (punkt kartezjańskim jest niewypukła).
METODY INTELIGENCJI OBLICZENIOWEJ wykład RODZAJE ZADAŃ OPTYMALIZACJI (w zależno ności od przestrzeni szukiwań) Optymalizacja parametryczna (punkt U jest wektorem zm. niezależnych nych):. Zadania ciągłe
Bardziej szczegółowoLICZEBNOŚĆ POPULACJI OBLICZENIA EWOLUCYJNE. wykład 3. Istotny parametr AG...
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS VALUE fitness f. value
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA ZADANIE KOMIWOJAŻERA METODY ROZWIĄZYWANIA. Specyfika zadania komiwojażera Reprezentacje Operatory
PLAN WYKŁADU Specyfika zadania komiwojażera Reprezentacje Operatory OPTYMALIZACJA GLOBALNA Wykład 5 dr inż. Agnieszka Bołtuć ZADANIE KOMIWOJAŻERA Koncepcja: komiwojażer musi odwiedzić każde miasto na swoim
Bardziej szczegółowoAlgorytmy memetyczne (hybrydowe algorytmy ewolucyjne)
Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne) 1 2 Wstęp Termin zaproponowany przez Pablo Moscato (1989). Kombinacja algorytmu ewolucyjnego z algorytmem poszukiwań lokalnych, tak że algorytm poszukiwań
Bardziej szczegółowoAlgorytmy genetyczne - ćwiczenia
Niekonwencjonalne metody obliczeniowe Algorytmy genetyczne - ćwiczenia Jakub Wróblewski Warszawa, 1996 Spis treści 1. Problem optymalizacyjny... 3 2. Zasada działania algorytmu genetycznego... 6 3. Implementacja
Bardziej szczegółowoALGORYTMY GENETYCZNE (wykład + ćwiczenia)
ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja
Bardziej szczegółowoStrategie ewolucyjne (ang. evolu4on strategies)
Strategie ewolucyjne (ang. evolu4on strategies) Strategia ewolucyjna (1+1) W Strategii Ewolucyjnej(1 + 1), populacja złożona z jednego osobnika generuje jednego potomka. Kolejne (jednoelementowe) populacje
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 szczegółowoProgramowanie genetyczne, gra SNAKE
STUDENCKA PRACOWNIA ALGORYTMÓW EWOLUCYJNYCH Tomasz Kupczyk, Tomasz Urbański Programowanie genetyczne, gra SNAKE II UWr Wrocław 2009 Spis treści 1. Wstęp 3 1.1. Ogólny opis.....................................
Bardziej szczegółowoNa poprzednim wykładzie:
ALGORYTMY EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. wykład VALUE 3 fitness f. value FITNESS F.
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
ZTUCZNA INTELIGENCJA WYKŁAD 6. ALGORYTMY GENETYCZNE - CHEMATY, METODY ELEKCJI Częstochowa 204 Dr hab. inż. Grzegorz Dude Wydział Eletryczny Politechnia Częstochowsa CHEMATY chemat zbór chromosomów o wspólnych
Bardziej szczegółowoALGORYTMY EWOLUCYJNE. INTELIGENTNE TECHNIKI KOMPUTEROWE wykład 011. Napór selekcyjny (selektywny nacisk. Superosobniki: SELEKCJA
INTELIGENTNE TECHNIKI KOMPUTEROWE wykład 0 ALGORYTMY EWOLUCYJNE 2 Dla danego problemu można określić wiele sposobów kodowania i zdefiniować szereg operatorów (np. zadanie komiwojażera). AE to rozwinięcie
Bardziej szczegółowoMETODY HEURYSTYCZNE 3
METODY HEURYSTYCZNE wykład 3 1 ALGORYTMY GENETYCZNE 2 SCHEMAT DZIAŁANIA ANIA AG: procedure algorytm_genetyczny begin t:=0 wybierz populację początkową P(t) oceń P(t) while (not warunek_zakończenia) do
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. wykład VALUE 3fitness f. value EVOLUTIONARY
Bardziej szczegółowoWstęp do Sztucznej Inteligencji
Wstęp do Sztucznej Inteligencji Algorytmy Genetyczne Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Metody heurystyczne Algorytm efektywny: koszt zastosowania (mierzony
Bardziej szczegółowoProgram "FLiNN-GA" wersja 2.10.β
POLSKIE TOWARZYSTWO SIECI NEURONOWYCH POLITECHNIKA CZĘSTOCHOWSKA Zakład Elektroniki, Informatyki i Automatyki Maciej Piliński Robert Nowicki - GA Program "FLiNN-GA" wersja 2.10.β Podręcznik użytkownika
Bardziej szczegółowoMETODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne
METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz: MSI - algorytmy ewolucyjne
Bardziej szczegółowoAlgorytmy ewolucyjne 1
Algorytmy ewolucyjne 1 2 Zasady zaliczenia przedmiotu Prowadzący (wykład i pracownie specjalistyczną): Wojciech Kwedlo, pokój 205. Konsultacje dla studentów studiów dziennych: poniedziałek,środa, godz
Bardziej szczegółowoAutomatyczny dobór parametrów algorytmu genetycznego
Automatyczny dobór parametrów algorytmu genetycznego Remigiusz Modrzejewski 22 grudnia 2008 Plan prezentacji Wstęp Atrakcyjność Pułapki Klasyfikacja Wstęp Atrakcyjność Pułapki Klasyfikacja Konstrukcja
Bardziej szczegółowoOdkrywanie algorytmów kwantowych za pomocą programowania genetycznego
Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego Piotr Rybak Koło naukowe fizyków Migacz, Uniwersytet Wrocławski Piotr Rybak (Migacz UWr) Odkrywanie algorytmów kwantowych 1 / 17 Spis
Bardziej szczegółowoFizyka w symulacji komputerowej i modelowaniu komputerowym Metody Monte Carlo Algorytmy Genetyczne. Łukasz Pepłowski
Fizyka w symulacji komputerowej i modelowaniu komputerowym Metody Monte Carlo Algorytmy Genetyczne Łukasz Pepłowski Plan Metody Stochastyczne Łańcuchy Markowa Dynamika Brownowska Metoda Monte Carlo Symulowane
Bardziej szczegółowoStrategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek
Strategie ewolucyjne Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne, a algorytmy genetyczne Podobieństwa: Oba działają na populacjach rozwiązań Korzystają z zasad selecji i przetwarzania
Bardziej szczegółowoLABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność
Bardziej szczegółowoAlgorytmy genetyczne w interpolacji wielomianowej
Algorytmy genetyczne w interpolacji wielomianowej (seminarium robocze) Seminarium Metod Inteligencji Obliczeniowej Warszawa 22 II 2006 mgr inż. Marcin Borkowski Plan: Przypomnienie algorytmu niszowego
Bardziej szczegółowoMetody teorii gier. ALP520 - Wykład z Algorytmów Probabilistycznych p.2
Metody teorii gier ALP520 - Wykład z Algorytmów Probabilistycznych p.2 Metody teorii gier Cel: Wyprowadzenie oszacowania dolnego na oczekiwany czas działania dowolnego algorytmu losowego dla danego problemu.
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 11. Piotr Syga
Algorytmy metaheurystyczne Wykład 11 Piotr Syga 22.05.2017 Drzewa decyzyjne Idea Cel Na podstawie przesłanek (typowo zbiory rozmyte) oraz zbioru wartości w danych testowych, w oparciu o wybrane miary,
Bardziej szczegółowoAlgorytmy ewolucyjne
Tomasz "Zyx" Jędrzejewski Algorytmy ewolucyjne Wersja 1.0 (6.07.2006) Szczegółowe informacje o licencji znajdują się pod artykułem. www.zyxist.com 1 Algorytmy ewolucyjne- www.zyxist.com Algorytmy ewolucyjne
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoBIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE. Adrian Horzyk. Akademia Górniczo-Hutnicza
BIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii
Bardziej szczegółowoWAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego
WAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego Algorytm ewolucyjny algorytm ewolucyjny inicjuj P 0 {P 0 1, P 0 2... P 0 μ } t 0 H P 0 while! stop for (i 1: λ) if (a< p c ) O t i mutation(crossover
Bardziej szczegółowoAlgorytmy genetyczne Michał Bereta Paweł Jarosz (część teoretyczna)
1 Zagadnienia Sztucznej Inteligencji laboratorium Wprowadzenie Algorytmy genetyczne Michał Bereta Paweł Jarosz (część teoretyczna) Dana jest funkcja f, jednej lub wielu zmiennych. Należy określić wartości
Bardziej szczegółowoAlgorytmy genetyczne służą głównie do tego, żeby rozwiązywać zadania optymalizacji
Kolejna metoda informatyczna inspirowana przez Naturę - algorytmy genetyczne Struktura molekuły DNA nośnika informacji genetycznej w biologii Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania
Bardziej szczegółowoGENETYKA POPULACJI. Ćwiczenia 1 Biologia I MGR /
GENETYKA POPULACJI Ćwiczenia 1 Biologia I MGR 1 ZAGADNIENIA struktura genetyczna populacji obliczanie frekwencji genotypów obliczanie frekwencji alleli przewidywanie struktury następnego pokolenia przy
Bardziej szczegółowoObliczenia Naturalne - Algorytmy genetyczne
Literatura Kodowanie Obliczenia Naturalne - Algorytmy genetyczne Paweł Paduch Politechnika Świętokrzyska 27 marca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 1 z 45 Plan wykładu Literatura
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2017, 337(88)3, 5 12
DOI: 10.21005/oe.2017.88.3.01 FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2017, 337(88)3, 5 12 Anna LANDOWSKA ZASTOSOWANIE KLASYCZNEGO ALGORYTMU
Bardziej szczegółowoZARZĄDZANIE POPULACJAMI ZWIERZĄT
ZARZĄDZANIE POPULACJAMI ZWIERZĄT Ćwiczenia 1 mgr Magda Kaczmarek-Okrój magda_kaczmarek_okroj@sggw.pl 1 ZAGADNIENIA struktura genetyczna populacji obliczanie frekwencji genotypów obliczanie frekwencji alleli
Bardziej szczegółowoZastosowanie równoległych algorytmów genetycznych do rozwiązywania problemów przestrzennej alokacji zasobów.
Sławomir Żak *, Szymon Łukasik ** *Student kierunku Informatyka na Politechnice Krakowskiej **Asystent naukowo-dydaktyczny w Zakładzie Automatyki Politechniki Krakowskiej Zastosowanie równoległych algorytmów
Bardziej szczegółowoZaawansowane programowanie
Zaawansowane programowanie wykład 1: wprowadzenie + algorytmy genetyczne Plan wykładów 1. Wprowadzenie + algorytmy genetyczne 2. Metoda przeszukiwania tabu 3. Inne heurystyki 4. Jeszcze o metaheurystykach
Bardziej szczegółowoProgramowanie genetyczne - gra SNAKE
PRACOWNIA Z ALGORYTMÓW EWOLUCYJNYCH Tomasz Kupczyk, Tomasz Urbański Programowanie genetyczne - gra SNAKE II UWr Wrocław 2009 Spis treści 1. Wstęp 3 1.1. Ogólny opis.....................................
Bardziej szczegółowoDobór parametrów algorytmu ewolucyjnego
Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.
Bardziej szczegółowoAlgorytmy ewolucyjne Część II
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Część II Metaheurystyki Treść wykładu Zastosowania Praktyczne aspekty GA Reprezentacja Funkcja dopasowania Zróżnicowanie dopasowania
Bardziej szczegółowoRachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych
Rachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych Autorzy: Marta Rotkiel, Anna Konik, Bartłomiej Parowicz, Robert Rudak, Piotr Otręba Spis treści: Wstęp Cel
Bardziej szczegółowo2. CZYNNIKI ZABURZAJĄCE RÓWNOWAGĘ GENETYCZNĄ
ZARZĄDZANIE POPULACJAMI ZWIERZĄT 2. CZYNNIKI ZABURZAJĄCE RÓWNOWAGĘ GENETYCZNĄ POPULACJI Fot. W. Wołkow Prowadzący: dr Wioleta Drobik Katedra Genetyki i Ogólnej Hodowli Zwierząt MIGRACJE Zmiana frekwencji
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 2 FITNESS
Bardziej szczegółowoObliczenia Naturalne - Strategie ewolucyjne
Literatura Historia Obliczenia Naturalne - Paweł Paduch Politechnika Świętokrzyska 3 kwietnia 2014 Paweł Paduch Obliczenia Naturalne - 1 z 44 Plan wykładu Literatura Historia 1 Literatura Historia 2 Strategia
Bardziej szczegółowoAlgorytmy Genetyczne (AG) dr inż. Tomasz Białaszewski
Algorytmy Genetyczne (AG) dr inż. Tomasz Białaszewski Biologiczne tło AG Genetyka - badanie dziedziczności i zmienności organizmów Początek badań - XIX w. (Gregor Johann Mendel) Gen (z gr. genos - ród)
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 szczegółowoRok akademicki: 2013/2014 Kod: JIS AD-s Punkty ECTS: 4. Kierunek: Informatyka Stosowana Specjalność: Modelowanie i analiza danych
Nazwa modułu: Algorytmy genetyczne i ich zastosowania Rok akademicki: 2013/2014 Kod: JIS-2-201-AD-s Punkty ECTS: 4 Wydział: Fizyki i Informatyki Stosowanej Kierunek: Informatyka Stosowana Specjalność:
Bardziej szczegółowo