ZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO
|
|
- Maja Sokołowska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Studa Materały. Mscellanea Oeconomcae Rok 6, Nr 2/22 Wydzał Zarządzana Admnstrac Unwersytetu Jana Kochanowskego w Kelcach Z a r z ą d z a n e f n a n s e Rafał Prońko ZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO. Ops Algorytmu Genetycznego Algorytmy genetyczne w cągu ostatnch 3 lat stały sę przedmotem ntensywnych badań naukowych, ako element nezbędny przy rozwązywanu welu zadań. Dzęk algorytmom genetycznym udało sę rozwązać lub choćby przyspeszyć rozwązane welu różnych problemów np.: dylemat węźna, zadane komwoażera, zadane transportowe, zadana harmonogramowana, podzału obektów grafów, czy choćby optymalzacę parametrów sec neuronowych. W uproszczenu algorytmy genetyczne można porównać do same genetyk. Załóżmy, że mamy populacę lsów wadomo, że lsy muszą być szybke, zwnne, meć rozwnęte zmysły wszystke te elementy będzemy nazywać cecham gatunku (w teor algorytmów genetycznych będzemy e nazywać chromosomam). Na początku stnena populac lsów (zwana rozwązanem początkowym). Cechy te są rozwnęte na pewnym pozome (pozom rozwnęca tych cech został przez naturę wylosowany ). Jednak aby lsy mogły coraz sprawne polować cechy te muszą z każdym pokolenem coraz bardze sę rozwać. Perwszą możlwoścą rozwou tych genów est łączene sę lsów w pary. Następue wtedy wymana genów pomędzy dwoma lsam (w algorytmach genetycznych nazywa sę to krzyżowanem). Jak wadomo z pary lsów ne powstane eden super ls obdarzony nalepszym cecham obu rodzców. W genetyce est tak, że powstae tych lsów trochę węce każdy otrzymał pewne cechy ednego rodzca pewne cechy drugego (wcale ne są one nalepsze). Pytane powstae czy w ten sposób lsy Mgr Rafał Prońko, doktorant Wydzału Matematyk Informatyk Unwersytetu Łódzkego. 35
2 z każdym pokolenem będą sę rozwać? Odpowedź est oczywsta brzm ne. Zatem co potrzeba aby cechy lsów w każdym pokolenu były coraz lepsze? Z pomocą ednak przychodz matka natura wprowadzaąc tak element ak mutacę genów co powodue ch rozwó, czasem degeneracę. Mutaca polega na ak namnesze zmane poedynczego genu. Dzęk mutac w każdym pokolenu lsów otrzymuemy geny różnące sę trochę od nalepszych genów rodzców. Podczas procesu mutac można powedzeć, że matka natura gra w ruletkę. Nekedy te zmany są na lepsze, ale czasem są na gorsze. W ten sposób z ednego pokolena lsów otrzymuemy w następnym pokolenu osobnk obdarzone lepszym ak równeż gorszym cecham odpowedzalnym za polowane. Zwerzęta obdarzone gorszym cecham nerzadko wymeraą, poneważ ne są w stane polować tak dobrze ak osobnk obdarzone lepszym genam (w teor algorytmów ewolucynych take zachowane nazywa sę selekcą). Ne wszystke ednak lsy obdarzone gorszym genam wymeraą zdarza sę, że lsy take przeżyą także maą możlwość rozmnażana sę co powodue, że w każdym pokolenu lsów występuą cechy gorsze cechy lepsze. Dla genetyk czy też algorytmów genetycznych est to ak nabardze dobre poneważ przeprowadzene mutac na lepszym gene może dać gorsze wynk nż przeprowadzene mutac na gene gorszym. W ten sposób otrzymuemy możlwość dodana genów, które w pewnych warunkach mogą okazać sę dużo lepsze nż geny cały czas rozwane. Tak właśne dzała algorytm genetyczny. Posadamy pewną grupę rozwązań (ne wemy czy są one dobre czy ne), nazywamy tę grupę przestrzeną rozwązań, następne rozwązana krzyżuemy ze sobą. Nowo powstałe rozwązana zmena sę neznaczne w sposób losowy (mutaca). Z rozwązań akch dostaemy w wynku krzyżowana mutac wyberamy pewną grupę a resztę usuwamy. Wybrana grupa est znów poddawana dzałanom krzyżowana mutac tak do momentu uzyskana nalepszych rozwązań. Oczywśce wybór grupy osobnków ne est przypadkowy, podlega on prawom rachunku prawdopodobeństwa, każdy osobnk ma prawo być wybrany ale tylko z pewnym prawdopodobeństwem. To zapewna nam zmenność genów (mogą do następne populac prześć osobnk słabe przystosowane ale po skrzyżowanu z nnym lepe dopasowanym mogą dać rezultaty lepsze nż gdyby skrzyżować osobnk lepe dopasowane). Należy zdać sobe sprawę, że podstawowe operatory genetyczne take ak krzyżowane (łączene sę lsów w pary), czy też mutacę naprośce wykonywać est na łańcuchach bnarnych, choć ne zawsze est to możlwe. Algorytm genetyczny, gdze reprezentaca danych est w postac bnarne nazywa sę algorytmem klasycznym. Parametram algorytmu genetycznego są: prawdopodobeństwo krzyżowana p c prawdopodobeństwo mutac p m. Początkową populacę osobnków doberamy w sposób całkowce losowy. Chromosomy (osobnk) w obecne populac oznaczamy ako v natomast od- 36
3 powadaące m punkty przestrzen (rozkodowane łańcuchy bnarne) oznaczamy ako: v. Krok algorytmu genetycznego 2. Należy oblczyć wartość dopasowana dla każdego chromosomu eval v = f dla =... n, gdze n oznacza rozmar populac (zwyczaowo ( ) ( ) v oznaczone ako popsze) popsze 2. Oblczyć całkowte przystosowane populac F = eval( v ) =. ( v ) eval 3. Oblczyć prawdopodobeństwo wyboru każdego chromosomu p =, F gdze =...popsze. 4. Oblczyć dystrybuantę (prawdopodobeństwo skumulowane) dla każdego eval( v ) chromosomu q p =. = = F 5. Proces selekc polega na obroce ruletką popsze razy (aby wybrać znów popsze chromosomów do nowe populac) wyborze ednego chromosomu do nowe populac w następuący sposób: wygenerować lczbę z zakresu r, ; wyberz chromosom v dla którego zachodz q < r < q ; oczywśce pewne chromosomy (lepe przystosowane) mogą zostać wybrane węce nż eden raz, 6. proces krzyżowana przeprowadzany est w następuący sposób: wygeneru zmenno przecnkową lczbę z przedzału r, ; eśl r < pc to wyberz rozpatrywany chromosom do krzyżowana: Oczekwana lczba chromosomów, które należy skrzyżować to posze pc. Następne dla każde pary chromosomów losuemy lczbę pos, m, która wyznacza mesce krzyżowana dwóch chromosomów. Załóżmy, że mamy dwa chromosomy () () losuemy pewną lczbę pos = 3 (ak wadomo mus być ona z przedzału od do 7 poneważ welkość naszych chromosomów, lczba zer edynek w nch, wynos 8). Następne rozdzelamy oba chro-,. W ten sposób tworzy sę dwa mosomy po trzecm bce ( ) ( ) potomk, naperw borąc część perwszą (tą przed lną) z perwszego chromoso- 2 Zb. Mchalewcz, Algorytmy genetyczne + struktury danych = programy ewolucyne, WNT, Warszawa
4 mu, następne wybera sę część drugą z drugego chromosomu (tą po ln ponowe), a późne na odwrót. Potomk ake powstały z wybranych chromosomów to:,. ( ) ( ) 7. dla każdego chromosomu dla każdego btu w chromosome wykona: losuemy lczbę r, ; eśl r < pm to zmutu bt (czyl zmeń z na lub odwrotne); Uwaga: każdy bt ma taką samą szansę na to by został zmutowany, zmenony) 8. następne ocenamy populacę wyberamy losowo chromosomy, które są nalepe dopasowane (z pewnym prawdopodobeństwem) Całość algorytmu genetycznego powtarzamy do momentu aż ne zostaną osągnęte warunk stopu (często est to pewna z góry ustalona lość powtórzeń). Zapszmy teraz schemat kroków w postac algorytmu: program AlgorytmGenetyczny t:= ; wyberz populacę początkową P(t) oceń P(t) dopók (ne est spełnony warunek stopu) wykona początek pętl t:=t+; wyberz P(t) z P(t-) // est to selekca zmeń P(t) // operatory genetyczne (krzyżowane, mutace) oceń P(t) konec pętl wyśwetl nalepszy wynk z P(t) Konec programu. Znaąc uż zasadę dzałana algorytmów genetycznych można prześć do rozwązywana zadana transportowego za pomocą algorytmu genetycznego. 2. Defnowane zagadnena transportowego Zagadnene transportowe polega na zaplanowanu przewozów towarów od pewne lczby dostawców (magazynów) do pewne lczby odborców (sklepów), w tak sposób aby koszty transportu były ak nanższe. Założena zagadnena transportowego:. w każdym punkce dostawy można odebrać ne węce towaru nż poemność takego punktu a 2. do każdego punktu odboru można dostarczyć ne węce towaru nż est on w stane przyąć b 38
5 3. transport odbywa sę tylko wzdłuż zaplanowanych tras, oraz znane są koszty transportu pomędzy dowolnym punktam. Zadane to po sformułowanu można zapsać w postac matematyczne: K = n m = = c x gdze: K koszty transportu c - ednostkowy koszt transportu towaru na trase -; x - lość towaru przewożona na trase -. Funkca ta oznacza funkcę celu (funkca kosztów). Funkce ogranczeń: n = m x = x b a mn () podaż dostawców ne może być przekroczona (2) popyt odborców mus być co namne zaspokoony (3) Tak skonstruowane zadane est zadanem ogólnym, aby rozwązać go metodam analtycznym (z wykorzystanem rachunku macerzowego) należy dokonać zblansowana zadana, czyl zastąpć znak nerównośc znakam równośc poprzez wprowadzene fkcynych punktów odboru źródła. Zagadnene transportowe można rozwązywać za pomocą metod analtycznych takch ak metoda smpleks, kąta północno-zachodnego, namneszego elementu, VAM Przykładowe zagadnene transportowe Załóżmy, że pewna frma ma trzy magazyny trzy sklepy oznaczone odpowedno m s gdze =,2, 3. Ilość towaru w poszczególnych magazynach opsana est wektorem: 2 m = 3 Natomast zapotrzebowane poszczególnych sklepów opsane est wektorem: 5 s = J. Prońko, Szczególne przypadk programowana lnowego, wykład kursowy dla studentów Wydzału Zarządzana UJK w Kelcach, Kelce 2. 39
6 W prezentowanym przykładze mamy do czynena z zagadnenem transportowym zblansowanym, poneważ potrzeby sklepów są równe możlwoścom magazynów. Koszty ednostkowe transportu pomędzy poszczególnym magazynam sklepam opsue tabela. Tabela. Jednostkowe koszty transportu mędzy poszczególnym magazynam sklepam. s s 2 s 3 Źródło: Opracowane własne. m 3 4 m m Sformułowany problem można zapsać w następuące postac macerzowe: f x mn (4) Przy warunkach: A x = b (5) Do rozwązana tak sformułowanego problemu posłużono sę paketem oprogramowana Matlab, w którym funkca rozwązuąca zadane programowana lnowego przymue postać: [ x, fval] = lnprog( f, A, b, Aeq, b, ub) (6) gdze: x wektor rozwązań; fval wartość przy które funkca f x osąga mnmum; f wektor ednostkowych kosztów transportu; A b współczynnk ogranczeń przy zagadnenu nezblansowanym; Aeq beq macerze współczynnków ogranczeń; b dolne ogranczene dla x (od ake wartośc x mus być wększe) ub górne ogranczene dla x (od ake wartośc x mus być mnesze) Jak wynka z funkc (6) rozwązane tego zadana z wykorzystanem paketu matlab wymaga zdefnowana: f = (7) wektora kosztów: [ ] 3
7 3 macerzy współczynnków ogranczeń: = Aeq (8) wektora ogranczeń: [ ] = beq (9) Podstawaąc powyższe dane do funkc (6) otrzymamy: = 5 fval () = x () Interpretaca wynków. Transportuąc towar z magazynów do sklepów w loścach przedstawonych w tabel 2 koszty te operac będą namnesze wynosą 5. Tabela 2. Natańszy sposób transportu towarów z magazynów do sklepu. s s 2 s 3 m 5 5 m 2 m 3 3 Źródło: Opracowane własne.
8 4. Rozwązane zagadnena transportowego za pomocą algorytmu genetycznego W klasycznym algorytme genetycznym, ak uż było wspomnane, każdy chromosom est zapsywany w postac bnarne. Należy zatem naperw zdefnować, ak pownny wyglądać rozwązana. Wadomo, że w rozwązuąc zadane transportowe otrzymuemy wynk w postac wektora składaącego sę z klku lczb. Należy zatem każdą z tych lczb zapsać w postac bnarne (czyl zero edynkowe). Każde rozwązane w zadanu transportowy będze sę zatem składać z pewne lczby wektorów zaweraących zera edynk. Załóżmy, że rozwązanem zagadnena transportowego est wektor: x = ( x, x,, x ) T 2 K m (2) Zatem, aby tak wektor był reprezentowany w postac bnarne należy każdy z x, x2, K, xnm zapsać równeż w postac bnarne: x w w, K w w, (3) ( ),, p = gdze { } Parametr p oznacza nawększą lczbę całkowtą aką mogę te wektory reprezentować: p+ 2 Łatwo zauważyć, że taka reprezentaca danych spełna ogranczene x, poneważ każdy z wektorów bnarnych reprezentue tylko lczby dodatne. Wartośc każdego x przy te reprezentac należą do zboru lczb całkowtych. Funkcę oceny przy te reprezentac można zapsać ako: eval ( decmal( x ) decmal( x2 ),, decmal( xm )) =, K f x (4) Funkca decmal oznacza funkcę zamany z postac bnarne na postać dzesętną. Może być ona zapsana w take postac 4 : functon decmal ($lczba) { $losc_mesc = strlen($lczba); $lczb_dzesetna = ; for ($=$losc_mesc;$>-;$--) { $lczba_dzesetna += $lczba[$-]*pow(2,$losc_mesc-$); } return $lczba_dzesetna; } m = 4 Opracowane własne, ęzyk programowana php. 32
9 Załóżmy, że operatory genetyczne defnowalbyśmy tak, ak w krokach algorytmu genetycznego. Okazue sę, że eśl użyemy klasyczne mutac genów poawa sę problem. Przypomnmy, że mutaca to est mnmalna zmana genów nalepe na poedynczym bce. Załóżmy teraz, że mamy bt postac () co odpowada lczbe. Jeśl zrobmy mnmalną zmanę w tym bce np.: na mescu perwszym wstawmy czyl otrzymamy reprezentacę w postac () co odpowada lczbe. Zmana okazue sę uż ne taka mała ak na początku. Mało tego przy próbe zachowana take mutac powstae koneczność poprawena co namne dwóch nnych genów aby ogranczena zostały zachowane. To wymusło skonstruowane funkc kontrol. Po wprowadzenu te funkc mó algorytm genetyczny spsywał sę bardzo dobrze (zawsze po pewne lczbe terac powstawały odpowedz zblżone często dentyczne ak wynk, który otrzymałem w matlabe). Nestety funkca poprawaąca wynk wydłużyła bardzo czas dzałana algorytmu, co stawa pod znakem zapytana opłacalność stosowana algorytmu genetycznego do rozwązana tego zadana transportowego. Doszedłem ednak do wnosku, że można poprawć dzałana tego algorytmu dodaąc procedurę opsaną przez Zbgnewa Mchalewcza, którą nazwał on ncalzaca: procedure ncalzaca; begn ustaw wszystke pozyce od do m\cdot n ako ne odwedzone repeat wyberz losowo lczbę q z zakresu do m\cdot n ustaw odpowedną pozycę ako odwedzoną podstaw (wersz) =(q-)/k + // zaokrąglamy do dołu podstaw (kolumnę) =(q-) mod k+ podstaw val=mn(s[],d[]) podstaw $x_$ = val podstaw s[] = s[]-val podstaw d[] = d[] - val untl wszystke wartosc będą odwedzone Po zastosowanu te procedury mó algorytm genetyczny stał sę dużo bardze wydany (choć nadal dużo słabszy nż rozwązane w matlab). 5. Wnosk Z moch obserwac wynka, że neopłacalnym est konstruowane algorytmu genetycznego dla lnowego zagadnena transportowego klasy wskazane w przykładze. Chocaż otrzymywane wynk są porównywalne z rozwązanam metodam analtycznym, to ednak algorytmy genetyczne w tym przypadku są dużo wolnesze. Sądzę, ż warto sę zastanowć nad zmaną reprezentac danych w zagadnenu transportowym z bnarnego na bardze naturalną reprezentacę macerzową, pownno to poprawć wynk przyspeszyć dzałane algorytmu genetycznego. 33
10 Zagadnene przedstawone w przykładze est naprostszą formą zagadnena transportowego. Spore zastrzeżena, przy tak sformułowanym zadanu, budz statyczny ops ednostkowych kosztów transportu. W rzeczywstośc kosztów tych ne da sę tak opsać, poneważ zależność mędzy loścą transportowanego towaru a kosztam tego transportu est nelnowa często równeż skokowa. Jest to zwązane z ładownoścą środków transportu. Jeżel dysponuemy środkem transportu o ładownośc np.: 5t, to transport na określone trase ładunku 5 kg 5 ton będze nemal tak sam. Natomast gdybyśmy zamerzal tym środkem transportu przeweźć 6 ton to koszt będze dwukrotne wększy, poneważ musmy wykonać dwa kursy. Rozwązane takego zagadnena metodam analtycznym est bardzo skomplkowane, o le w ogóle możlwe. Natomast w przypadku zastosowana algorytmów genetycznych możemy take zagadnene rozwązać. Bblografa:. Arabas J., Wykłady z algorytmów ewolucynych, WNT, Warszawa Goldberg Davd E., Algorytmy genetyczne ch zastosowana, WNT, Warszawa Mchalewcz Zb., Algorytmy genetyczne + struktury danych = programy ewolucyne, WNT, Warszawa Prońko J., Szczególne przypadk programowana lnowego, wykład kursowy dla studentów Wydzału Zarządzana UJK w Kelcach, Kelce Rutkowsk L., Metody technk sztuczne ntelgenc, PWN, Warszawa Studnarsk M., Teora algorytmów ewolucynych, wykład kursowy dla doktorantów, Łódź 22. Abstrakt Artykuł zawera podstawowy ops algorytmów genetycznych oraz ch zasadę dzałana. W dalsze częśc defnowane est zagadnene transportowe, oraz sposób ego rozwązana metodam analtycznym. W ostatne częśc artykułu umeszczone est rozwązane lnowego zblansowanego zagadnena transportowego za pomocą algorytmu genetycznego, oraz wnosk płynące z tego rozwązana. Use of Classcal Genetc Algorthm for solvng Balanced Transportaton problems The artcle contans an ntroductory descrpton of genetc algorthms, and the prncple of ther operaton. Later n the artcle, the transportaton problem s defned, as well as the way to solve t by means of analytcal methods. In the last part of the artcle, a soluton of lnear balanced transportaton problem by use of the genetc algorthm s presented, together wth the conclusons whch may be drawn from ths soluton. MBA Rafał Prońko, post-graduate student, Unversty of Lodz. 34
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 szczegółowoProblem plecakowy (KNAPSACK PROBLEM).
Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne
Bardziej szczegółowoRozwiązywanie 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 szczegółowoAnaliza 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 szczegółowoZapis 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 szczegółowo7. Wykład VII: Warunki Kuhna-Tuckera
Wocech Grega, Metody Optymalzac 7 Wykład VII: Warunk Kuhna-Tuckera 7 Warunk koneczne stnena ekstremum Rozważane est zadane z ogranczenam nerównoścowym w postac: mn F( x ) x X X o F( x ), o { R x : h n
Bardziej szczegółowon liczba zmiennych decyzyjnych c współczynniki funkcji celu a współczynniki przy zmienych decyzyjnych w warunkach
Problem decyzyny cel różne sposoby dzałana (decyze) warunk ogranczaące (determnuą zbór decyz dopuszczalnych) kryterum wyboru: umożlwa porównane efektywnośc różnych decyz dopuszczalnych z punktu wdzena
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoSZACOWANIE 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 szczegółowoZaawansowane 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 szczegółowoWykład 2: Uczenie nadzorowane sieci neuronowych - I
Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za
Bardziej szczegółowoProjekt 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 szczegółowoSZTUCZNA 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 szczegółowoBadania operacyjne w logistyce i zarządzaniu produkcją
Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu Badana operacyne w logstyce zarządzanu produkcą cz. I Andrze Woźnak Nowy Sącz Komtet Redakcyny doc. dr Zdzsława Zacłona przewodncząca, prof. dr hab. nż. Jarosław
Bardziej szczegółowoBADANIA 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 szczegółowoZaawansowane 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 szczegółowoWykład 2: Uczenie nadzorowane sieci neuronowych - I
Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoPrzykład 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 szczegółowoPodstawy teorii falek (Wavelets)
Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc
Bardziej szczegółowoW 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 szczegółowoWykład 1 Zagadnienie brzegowe liniowej teorii sprężystości. Metody rozwiązywania, metody wytrzymałości materiałów. Zestawienie wzorów i określeń.
Wykład Zagadnene brzegowe lnowe teor sprężystośc. Metody rozwązywana, metody wytrzymałośc materałów. Zestawene wzorów określeń. Układ współrzędnych Kartezańsk, prostokątny. Ose x y z oznaczono odpowedno
Bardziej szczegółowo2012-10-11. 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 szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
Bardziej szczegółowoOPTYMALIZACJA 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 szczegółowoPlan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup
Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT
Bardziej szczegółowoANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO
Artur Zaborsk Unwersytet Ekonomczny we Wrocławu ANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO Wprowadzene Od ukazana
Bardziej szczegółowoBadanie 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 szczegółowoInstrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne
Instrukca do ćwczeń laboratorynych z przedmotu: Badana operacyne Temat ćwczena: Problemy rozkrou materałowego, zagadnena dualne Zachodnopomorsk Unwersytet Technologczny Wydzał Inżyner Mechanczne Mechatronk
Bardziej szczegółowoTRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE
POLITHNIKA RZSZOWSKA Katedra Podstaw lektronk Instrkcja Nr4 F 00/003 sem. letn TRANZYSTOR IPOLARNY HARAKTRYSTYKI STATYZN elem ćwczena jest pomar charakterystyk statycznych tranzystora bpolarnego npn lb
Bardziej szczegółowoZadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane
Bardziej szczegółowoXXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne
XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca
Bardziej szczegółowoRÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH
Stansław KOWALIK e-mal: skowalk@wsb.edu.pl Wyższa Szkoła Bznesu Dąbrowa Górncza RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Streszczene Praca dotyczy nekooperacynych sekwencynych ger dwuosobowych o sume
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE
ZAGADNIENIE TRANSPORTOWE ZT.. Zagadee trasportowe w postac tablcy Z m puktów (odpowedo A,...,A m ) wysyłamy edorody produkt w loścach a,...,a m do puktów odboru (odpowedo B,...,B ), gdze est odberay w
Bardziej szczegółowoKRZYWA 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 szczegółowoMIKROEKONOMIA Prof. nadzw. dr hab. Jacek Prokop jproko@sgh.waw.pl
MIKROEKONOMIA Prof. nadzw. dr hab. Jacek Proko roko@sgh.waw.l Statyka dynamka olgoolstyczne struktury rynku. Modele krótkookresowe konkurenc cenowe w olgoolu.. Model ogranczonych mocy rodukcynych ako wyaśnene
Bardziej szczegółowoRUCH 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 szczegółowoSztuczne sieci neuronowe
Sztuczne sec neuronowe Jerzy Stefanowsk Plan wykładu 1. Wprowadzene 2. Model sztucznego neuronu. 3. Topologe sec neuronowych 4. Reguły uczena sec neuronowych. 5. Klasyfkaca sec neuronowych. 6. Sec warstwowe
Bardziej szczegółowoWprowadzenie 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 szczegółowo8. 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 szczegółowoStanisław 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 szczegółowoZestaw 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) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoZmodyfikowana 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 szczegółowoModel ASAD. ceny i płace mogą ulegać zmianom (w odróżnieniu od poprzednio omawianych modeli)
Model odstawowe założena modelu: ceny płace mogą ulegać zmanom (w odróżnenu od poprzedno omawanych model) punktem odnesena analzy jest obserwacja pozomu produkcj cen (a ne stopy procentowej jak w modelu
Bardziej szczegółowo5. 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 szczegółowoWikiWS 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 szczegółowoTwierdzenie 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoZarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych
dr nż Andrze Chylńsk Katedra Bankowośc Fnansów Wyższa Szkoła Menedżerska w Warszawe Zarządzane ryzykem w rzedsęborstwe ego wływ na analzę ołacalnośc rzedsęwzęć nwestycynych w w w e - f n a n s e c o m
Bardziej szczegółowoZa: Stanisław Latoś, Niwelacja trygonometryczna, [w:] Ćwiczenia z geodezji II [red.] J. Beluch
Za: Stansław Latoś, Nwelacja trygonometryczna, [w:] Ćwczena z geodezj II [red.] J. eluch 6.1. Ogólne zasady nwelacj trygonometrycznej. Wprowadzene Nwelacja trygonometryczna, zwana równeż trygonometrycznym
Bardziej szczegółowoAUTOMATYKA I STEROWANIE W CHŁODNICTWIE, KLIMATYZACJI I OGRZEWNICTWIE L3 STEROWANIE INWERTEROWYM URZĄDZENIEM CHŁODNICZYM W TRYBIE PD ORAZ PID
ĆWICZENIE LABORAORYJNE AUOMAYKA I SEROWANIE W CHŁODNICWIE, KLIMAYZACJI I OGRZEWNICWIE L3 SEROWANIE INWEREROWYM URZĄDZENIEM CHŁODNICZYM W RYBIE PD ORAZ PID Wersja: 03-09-30 -- 3.. Cel ćwczena Celem ćwczena
Bardziej szczegółowoI. 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 szczegółowoLaboratorium 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 szczegółowoWykład IX Optymalizacja i minimalizacja funkcji
Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej
Bardziej szczegółowoProste 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 szczegółowo11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.
/22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoKrzysztof Borowski Zastosowanie metody wideł cenowych w analizie technicznej
Krzysztof Borowsk Zastosowane metody wdeł cenowych w analze technczne Wprowadzene Metoda wdeł cenowych została perwszy raz ogłoszona przez Alana Andrewsa 1 w roku 1960. Trzy lne wchodzące w skład metody
Bardziej szczegółowoStanisław 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 szczegółowoModel ISLM. Inwestycje - w modelu ISLM przyjmujemy, że inwestycje przyjmują postać funkcji liniowej:
dr Bartłomej Rokck Ćwczena z Makroekonom I Model ISLM Podstawowe założena modelu: penądz odgrywa ważną rolę przy determnowanu pozomu dochodu zatrudnena nwestycje ne mają charakteru autonomcznego, a ch
Bardziej szczegółowoPortfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
Bardziej szczegółowoProblemy 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 szczegółowoZESTAW ZADAŃ Z INFORMATYKI
(Wpsue zdaąc przed rozpoczęcem prac) KOD ZDAJĄCEGO ZESTAW ZADAŃ Z INFORMATYKI CZĘŚĆ II (dla pozomu rozszerzonego) GRUDZIEŃ ROK 004 Czas prac 50 mnut Instrukca dla zdaącego. Proszę sprawdzć, cz zestaw zadań
Bardziej szczegółowoProgramowanie 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 szczegółowo1. Komfort cieplny pomieszczeń
1. Komfort ceplny pomeszczeń Przy określanu warunków panuących w pomeszczenu używa sę zwykle dwóch poęć: mkroklmat komfort ceplny. Przez poęce mkroklmatu wnętrz rozume sę zespół wszystkch parametrów fzycznych
Bardziej szczegółowoModelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja
Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
Bardziej szczegółowo65120/ / / /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 szczegółowoMinister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r.
Mnster Edukacj arodowej Pan Katarzyna HALL Mnsterstwo Edukacj arodowej al. J. Ch. Szucha 25 00-918 arszawa Dna 03 czerwca 2009 r. TEMAT: Propozycja zmany art. 30a ustawy Karta auczycela w forme lstu otwartego
Bardziej szczegółowoSortowanie 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 szczegółowoXLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadanie teoretyczne
XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadane teoretyczne Rozwąż dowolne rzez sebe wybrane dwa sośród odanych nże zadań: ZADANIE T Nazwa zadana: Protony antyrotony A. Cząstk o mase równe mase rotonu, ale
Bardziej szczegółowo( ) ( ) 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 szczegółowoWielokryterialny 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 szczegółowoOcena 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 szczegółowoPokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych
Bardziej szczegółowoNatalia 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 szczegółowop 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 szczegółowoSprawozdanie powinno zawierać:
Sprawozdane pownno zawerać: 1. wypełnoną stronę tytułową (gotowa do ćw. nr 0 na strone drugej, do pozostałych ćwczeń zameszczona na strone 3), 2. krótk ops celu dośwadczena, 3. krótk ops metody pomaru,
Bardziej szczegółowoNAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz
NAFTA-GAZ marzec 2011 ROK LXVII Tadeusz Kwlosz Instytut Nafty Gazu, Oddzał Krosno Zastosowane metody statystycznej do oszacowana zapasu strategcznego PMG, z uwzględnenem nepewnośc wyznaczena parametrów
Bardziej szczegółowoMinimalizacja globalna, algorytmy genetyczne i zastosowanie w geotechnice
Mnmalzacja globalna, algorytmy genetyczne zastosowane w geotechnce Metoda sejsmczna Metoda geoelektryczna Podstawowy podzał ZAGADNIENIE PROSTE (ang. forward problem) model + parametry modelu dane (ośrodek,
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowou u u( x) u, x METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH i METODA ELEMENTÓW SKOŃCZONYCH
METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH METODA ELEMENTÓW SKOŃCZONYCH Szkc rozwązana równana Possona w przestrzen dwuwymarowe. Równane Possona to równae różnczkowe cząstkowe opsuące wele
Bardziej szczegółowoALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO
ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max
Bardziej szczegółowoProces 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 szczegółowoKomputer kwantowy Zasady funkcjonowania. Dr hab. inż. Krzysztof Giaro Politechnika Gdańska Wydział ETI
Komputer kwantowy Zasady funkcjonowana Dr hab. nż. Krzysztof Garo Poltechnka Gdańska Wydzał ETI Oblczena kwantowe. R. Feynman [985] symulację zachowana układu kwantowego należy przeprowadzć na "maszyne"
Bardziej szczegółowoOligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją
Olgopol dynamczny Rozpatrzmy model sekwencyjnej konkurencj loścowej jako gra jednokrotna z pełną doskonalej nformacją (1934) Dwa okresy: t=0, 1 tzn. frma 2 podejmując decyzję zna decyzję frmy 1 Q=q 1 +q
Bardziej szczegółowoRegulamin 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 szczegółowoMinimalizacja globalna. Algorytmy genetyczne i ewolucyjne.
Mnmalzacja globalna Algorytmy genetyczne ewolucyjne. Lnearyzacja nelnowego operatora g prowadz do przyblżonych metod rozwązywana zagadnena odwrotnego. Wynk takej nwersj jest slne uzależnony od wyboru modelu
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoRozkład 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 szczegółowoStatystyka. 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(M2) Dynamika 1. ŚRODEK MASY. T. Środek ciężkości i środek masy
(MD) MECHANIKA - Dynamka T. Środek cężkośc środek masy (M) Dynamka T: Środek cężkośc środek masy robert.szczotka(at)gmal.com Fzyka astronoma, Lceum 01/014 1 (MD) MECHANIKA - Dynamka T. Środek cężkośc środek
Bardziej szczegółowo1 Metody optymalizacji wielokryterialnej... 1 1.1 Ogólna charakterystyka problemu... 1 1.2 Tradycyjne metody optymalizacji wielokryterialnej...
1 Metody optymalzacj welokryteralnej.... 1 1.1 Ogólna charakterystyka problemu.... 1 1.2 Tradycyjne metody optymalzacj welokryteralnej.... 3 1.2.1 Metoda ważonych kryterów.... 3 1.2.2 Metoda optymalzacj
Bardziej szczegółowoMatematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXVIII Egzamin dla Aktuariuszy z 29 września 2014 r.
Komsa Egzamnacyna dla Aktuaruszy LXVIII Egzamn dla Aktuaruszy z 29 wrześna 14 r. Część I Matematyka fnansowa WERSJA TESTU A Imę nazwsko osoby egzamnowane:... Czas egzamnu: 0 mnut 1 1. W chwl T 0 frma ABC
Bardziej szczegółowo0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4
Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (
Bardziej szczegółowoEKONOMIA MENEDŻERSKA. Wykład 3 Funkcje produkcji 1 FUNKCJE PRODUKCJI. ANALIZA KOSZTÓW I KORZYŚCI SKALI. MINIMALIZACJA KOSZTÓW PRODUKCJI.
EONOMIA MENEDŻERSA Wykład 3 Funkcje rodukcj 1 FUNCJE PRODUCJI. ANAIZA OSZTÓW I ORZYŚCI SAI. MINIMAIZACJA OSZTÓW PRODUCJI. 1. FUNCJE PRODUCJI: JEDNO- I WIEOCZYNNIOWE Funkcja rodukcj określa zależność zdolnośc
Bardziej szczegółowoRegulamin 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 szczegółowoKlasyfkator 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