Algorytmy mrówkowe. Plan. » Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji» Testowanie

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Algorytmy mrówkowe. Plan. » Algorytm mrówkowy» Warianty» CVRP» Demo» Środowisko dynamiczne» Pomysł modyfikacji» Testowanie"

Transkrypt

1 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» Testowanie Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 2/51 1

2 Algorytm mrówkowy Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 3/51 Algorytmy rojowe» Zbiorowe zachowanie grupy osobników» Pojedynczy osobnik: Bezbronny Bezmyślny» Grupa osobników: Zdecentralizowana Samoorganizująca się Inteligentna Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 4/51 2

3 Algorytmy rojowe» Algorytm mrówkowy» Inne: Particle Swarm Optimization Stochastic Diffusion Search Gravitational Search Algorithm Intelligent Water Drops Charged System Search Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 5/51 Algorytm mrówkowy» Ant System (AS) Marco Dorigo, praca doktorska» Inspirowany naturą Mrówki szukają pożywienia» Feromony ślad zapachowy Wyparowywanie feromonów Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 6/51 3

4 Algorytm mrówkowy - badania» 1989 Goss, Aron, Deneubourg, Pasteels» Pojedyncza mrówka: Głucha Prawie ślepa Bardzo niska inteligencja» Klucz do sukcesu komunikacja Feromony Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 7/51 Algorytm mrówkowy badania Mrowisko Pożywienie Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 8/51 4

5 Algorytm mrówkowy - badania Mrowisko Pożywienie Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 9/51 Algorytm mrówkowy - badania Mrowisko Pożywienie Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 10/51 5

6 Mrówki żywe vs. wirtualne» Podobieństwa: Grupa współpracujących osobników (agentów) Cel: znalezienie najkrótszej drogi Budowanie rozwiązania krok po kroku Losowość i prawdopodobieństwo Rozkładanie i wyparowywanie feromonów Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 11/51 Mrówki żywe vs. wirtualne» Różnice (w świecie wirtualnym): Czas jest dyskretny Mrówki posiadają pamięć Mrówki posiadają wzrok widzą sąsiednie wierzchołki Sposób rozkładania feromonów globalny, lokalny Ilość rozkładanych feromonów zależy od jakości rozwiązania Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 12/51 6

7 Warianty Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 13/51 Oryginalny AS Resetuj feromony For i=0 to IlośćIteracji { Stwórz/resetuj mrówki Dla każdej mrówki: { Znajdź rozwiązanie Jeśli jest lepsze od najlepszego, to zapamiętaj } } Wyparuj część feromonów Dla każdej mrówki: Rozłóż feromony proporcjonalnie do znalezionego rozwiązania Zwróć najlepsze rozwiązanie Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 14/51 7

8 Oryginalny AS Znajdź rozwiązanie { Dopóki nie znaleziono rozwiązania { Wyznacz listę kandydatów Wybierz kandydata metodą ruletki, na podstawie wzorku: } } p ij ( f ) ( h ) ij ij k ( f N ik ) ( hik ) i Przejdź do wybranego kandydata Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 15/51 Oryginalny AS» Parametry algorytmu: Ilość iteracji Ilość mrówek w iteracji Początkowa wartość feromonu na krawędziach Współczynnik wyparowywania Priorytet feromonów Priorytet heurystyki Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 16/51 8

9 Co podlega modyfikacji» Mrówki rozkładające feromony: Wszystkie X najlepszych Najlepsza» Moment rozkładania feromonów: Lokalnie (po każdym przejściu na nowy wierzchołek) Pseudo-lokalnie (zaraz po znalezieniu rozwiązania) Globalnie (jak wszystkie mrówki znajdą rozwiązanie) Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 17/51 Co podlega modyfikacji» Ilość rozkładanego feromonu: Stała Proporcjonalna do jakości rozwiązania» Sposób wyboru następnego wierzchołka: Ruletka Pseudo-ruletka: Losujemy q Jeśli q q 0, to wybieramy najlepszego startującego w ruletce Jeśli q q 0, to przeprowadzamy ruletkę po staremu Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 18/51 9

10 Elitist AS» Dorigo, 1992» Mocne wzmacnianie najlepszego rozwiązania» Po położeniu feromonów przez wszystkie mrówki» Zwiększenie feromonów na krawędziach należących do najlepszego rozwiązania: e Q best e ilość elitarnych mrówek Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 19/51 Rank AS» Bullnheimer, Hartl and Strauss, 1997» σ mrówek zostawia feromony proporcjonalnie do swojej rangi μ : ( ) Q» Najlepsze rozwiązanie też jest wzmacniane: Q best Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 20/51 10

11 Min-Max AS» Stützle & Hoos, 1997» Ograniczony zakres feromonów f f min, f ] [ max» Tylko najlepsza mrówka w danej iteracji zostawia feromony» Początkowa wartość feromonów = f max Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 21/51 Inne warianty» Ant-Density AS» Ant-Quantity AS» Ant Colony System (ACS) Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 22/51 11

12 CVRP Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 23/51 CVRP» Capacitated Vehicle Routing Problem» Rozwinięcie TSP Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 24/51 12

13 CVRP» Klienci z zapotrzebowaniem» 1 magazyn» Ciężarówki z o graniczoną pojemnością» Dostarczyć towar wszystkim klientom» Zminimalizować koszt całej trasy» Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 25/51 Demo Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 26/51 13

14 Środowisko dynamiczne Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 27/51 Środowisko dynamiczne» Może się zmieniać w czasie» Graf: Dodawanie/usuwanie wierzchołków Zmiana zapotrzebowań wierzchołków Dodawanie/usuwanie krawędzi Zmiana wag krawędzi» Zdarzenie zmiany w grafie Wywoływane zawsze gdy nastąpiła jakakolwiek zmiana Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 28/51 14

15 Algorytm dynamiczny» Dynamiczna zmiana parametrów, przykłady: Większa liczba mrówek Zwiększenie parowania feromonów Większy nacisk na feromony/heurystykę Etc» Dynamiczna równoległość Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 29/51 Dodawanie/usuwanie wierzchołków» Zmieniony sposób wyboru sąsiadów» Wyznaczanie aktualnej listy kandydatów za każdym przejściem Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 30/51 15

16 Zmiana zapotrzebowań» Nie można korzystać ze statycznej tablicy zapotrzebowań, inicjalizowanej na początku algorytmu» Trzeba odczytywać zawsze aktualną wartość Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 31/51 Dodawanie/usuwanie krawędzi» CVRP z definicji zakłada graf pełny Dodawanie/usuwanie krawędzi Graf nie jest pełny Konieczna modyfikacja algorytmu Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 32/51 16

17 Modyfikacja algorytmu» Pierwszeństwo wyboru: Najpierw jeszcze nieodwiedzeni Dopiero potem już odwiedzeni» System kar: Przeprowadzamy wybór po staremu Kara za wybranie już odwiedzonego» Połączenie obu?» Inne propozycje? Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 33/51 Zmiana wag krawędzi Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 34/51 17

18 Pomysł modyfikacji Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 35/51 Pomysł modyfikacji» Aktualnie najlepsza droga może nagle stać się bardzo nieatrakcyjna» A drogi złe mogą stać się bardzo atrakcyjne» Ilość feromonów uniemożliwia szukanie nowych dróg» Potrzebny jest mechanizm wyrównywania szans Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 36/51 18

19 Wygładzanie feromonów» Zmniejszenie różnic między krawędziami» Zachowanie porządku» Cienkie krawędzie - mała zmiana» Grube krawędzie - duża zmiana» Funkcja w miarę wolno rosnąca Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 37/51 Wygładzanie feromonów f ij f 0 (1 log p f f ij 0 )» f ij ilość feromonu na wygładzanej krawędzi» f 0 minimalna ilość feromonu» p - podstawa logarytmu Im większa, tym większy efekt wygładzenia Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 38/51 19

20 Wygładzanie feromonów Przed Po Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 39/51 Wygładzanie feromonów» Różnice między krawędziami są zmniejszone» Porządek jest zachowany W dalszym ciągu najgrubsza krawędź ma największe prawdopodobieństwo wyboru» Prawdopodobieństwa wyboru krawędzi są zbliżone Większa szansa wyboru objazdów Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 40/51 20

21 Wygładzanie globalne vs. lokalne» Wygładzanie globalne nie zawsze musi być dobre» Dla dużego grafu: Spora zdobyta wiedza Wszystkie krawędzie są wygładzane Tracimy bezpowrotnie dużo cennych informacji» Potrzebny mechanizm wygładzania tylko w tej okolicy, gdzie wystąpił korek Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 41/51 Wygładzanie globalne vs. lokalne» Dodatkowy parametr algorytmu: Zasięg wygładzania (SmoothRange)» Maksymalna odległość od korka» Wygładzane są tylko te krawędzie, których odległość od korka jest mniejsza od SmoothRange Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 42/51 21

22 Wygładzanie globalne vs. lokalne» SmoothRange = maksymalna odległość między parą wierzchołków» Nowy parametr: Współczynnik wygładzania s SmoothRange s=0 - brak wygładzania s=1 wygładzanie globalne s 0,1 Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 43/51 Inne pomysły» Różne funkcje wygładzające: fij fij f0 F( ) f0 Liniowa Pierwiastek Sigmoidalna Etc» Inne wykorzystanie wygładzania: Zapobieganie stagnacji Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 44/51 22

23 Inne pomysły» Lokalne poprawianie rozwiązań: 2-opt 3-opt Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 45/51 2-opt Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 46/51 23

24 3-opt Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 47/51 Testowanie Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 48/51 24

25 Testowanie» Jak testować dynamiczne problemy?» Jak mierzyć efektywność poszczególnych wariantów?» Ogólna szybkość zbiegania» Jak bardzo pogorszyło się najlepsze rozwiązanie po wystąpieniu zdarzenia zmiany w grafie» Inne metody? Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 49/51 Docelowo» Scenariusze występowania korków» Możliwość tworzenia własnych scenariuszy» Preprogramowane scenariusze Potrzebne do testów» Drugi problem optymalizacyjny: Pomysły? Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 50/51 25

26 Dziękuję. Będę wdzięczny za wszelkie uwagi! Dariusz Maksim, promotor: prof. nzw. dr hab. Jacek Mańdziuk 51/51 26

Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)

Algorytmy 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 szczegółowo

Algorytmy mrówkowe w dynamicznych problemach transportowych

Algorytmy 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 szczegółowo

Systemy mrówkowe. Opracowali: Dawid Strucker, Konrad Baranowski

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 szczegółowo

Algorytmy mrówkowe (ang. Ant Colony Optimization)

Algorytmy 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 szczegółowo

Strategie Zespołowe (SZ) dr inż. Tomasz Białaszewski

Strategie 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 szczegółowo

Algorytmy 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 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 szczegółowo

Algorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne

Algorytmy 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 szczegółowo

Obliczenia Naturalne - Algorytmy Mrówkowe

Obliczenia 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 szczegółowo

Algorytmy Mrówkowe. Daniel Błaszkiewicz. 11 maja 2011. Instytut Informatyki Uniwersytetu Wrocławskiego

Algorytmy 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 szczegółowo

Wykorzystanie algorytmów mrówkowych w dynamicznym problem

Wykorzystanie algorytmów mrówkowych w dynamicznym problem Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 14 czerwca 2013 Przedmiot i cele pracy dyplomowej

Bardziej szczegółowo

Obliczenia inspirowane Naturą

Obliczenia 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 szczegółowo

Metoda UCT w stochastycznych problemach transportowych

Metoda UCT w stochastycznych problemach transportowych Metoda UCT w stochastycznych problemach transportowych mgr inż. Maciej Świechowski promotor: prof. Jacek Mańdziuk Seminarium Metody Inteligencji Obliczeniowej 25.06.2015 Plan prezentacji Krótkie przypomnienie

Bardziej szczegółowo

Problem 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. Problem komiwojażera ACO Zagadnienie optymalizacyjne, polegające na znalezieniu minimalnego cyklu Hamiltona w pełnym grafie ważonym. -Wikipedia Problem do rozwiązania zazwyczaj jest przedstawiany jako

Bardziej szczegółowo

Techniki optymalizacji

Techniki 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 szczegółowo

Algorytmy metaheurystyczne Wykład 6. Piotr Syga

Algorytmy 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 szczegółowo

Wykład 4. Droga i cykl Eulera i Hamiltona

Wykład 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 szczegółowo

Wykorzystanie algorytmów mrówkowych w dynamicznym problem

Wykorzystanie 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 szczegółowo

Problem Komiwojażera - algorytmy metaheurystyczne

Problem 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 szczegółowo

Droga i cykl Eulera Przykłady zastosowania drogi i cyku Eulera Droga i cykl Hamiltona. Wykład 4. Droga i cykl Eulera i Hamiltona

Droga 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 szczegółowo

Algorytmy mrówkowe wprowadzenie.

Algorytmy mrówkowe wprowadzenie. Algorytmy mrówkowe wprowadzenie. Jakub Zajkowski 1 Wstęp i rys historyczny Algorytmy mrówkowe to grupa procesów służących przede wszystkim do poszukiwania dróg w grafie. Z formalnego punktu widzenia algorytmy

Bardziej szczegółowo

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA ALGORYTM MRÓWKOWY (ANT SYSTEM) ALGORYTM MRÓWKOWY. Algorytm mrówkowy

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA ALGORYTM MRÓWKOWY (ANT SYSTEM) ALGORYTM MRÓWKOWY. Algorytm mrówkowy PLAN WYKŁADU Algorytm mrówowy OPTYMALIZACJA GLOBALNA Wyład 8 dr inż. Agniesza Bołtuć (ANT SYSTEM) Inspiracja: Zachowanie mrówe podczas poszuiwania żywności, Zachowanie to polega na tym, że jeśli do żywności

Bardziej szczegółowo

Algorytm dyskretnego PSO z przeszukiwaniem lokalnym w problemie dynamicznej wersji TSP

Algorytm 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 szczegółowo

Zastosowanie UCT w problemach transportowych ze zmiennym zakorkowaniem ulic

Zastosowanie UCT w problemach transportowych ze zmiennym zakorkowaniem ulic Zastosowanie UCT w problemach transportowych ze zmiennym zakorkowaniem ulic MACIEJ ŚWIECHOWSKI PROMOTOR: PROF. JACEK MAŃDZIUK TEMAT W RAMACH GRANTU NCN NA PODSTAWIE DECYZJI DEC-2012/07/B/ST6/01527 Plan

Bardziej szczegółowo

WYKORZYSTANIE ALGORYTMÓW GENETYCZNYCH I MRÓWKOWYCH W PROBLEMACH TRANSPORTOWYCH

WYKORZYSTANIE 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 szczegółowo

Obliczenia z wykorzystaniem sztucznej inteligencji

Obliczenia z wykorzystaniem sztucznej inteligencji Obliczenia z wykorzystaniem sztucznej inteligencji wykład III Systemy mrówkowe Joanna Kołodziejczyk marzec 2016 Joanna Kołodziejczyk Obliczenia z wykorzystaniem sztucznej inteligencji marzec 2016 1 / 38

Bardziej szczegółowo

Algorytmy Mrówkowe. Daniel Błaszkiewicz 11 maja 2011

Algorytmy Mrówkowe. Daniel Błaszkiewicz 11 maja 2011 Algorytmy Mrówkowe Daniel Błaszkiewicz 11 maja 2011 1 Wprowadzenie Popularnym ostatnimi laty podejściem do tworzenia nowych klas algorytmów do szukania rozwiązań problemów nie mających algorytmów rozwiązujących

Bardziej szczegółowo

Obliczenia z wykorzystaniem sztucznej inteligencji

Obliczenia z wykorzystaniem sztucznej inteligencji Obliczenia z wykorzystaniem sztucznej inteligencji wykład III Systemy mrówkowe Joanna Kołodziejczyk 31 marzec 2014 Plan wykładu 1 Inspiracje biologiczne Informacje ogólne Naturalna optymalizacja 2 Artificial

Bardziej szczegółowo

Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie

Algorytm 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 szczegółowo

Analiza stanów gry na potrzeby UCT w DVRP

Analiza stanów gry na potrzeby UCT w DVRP Analiza stanów gry na potrzeby UCT w DVRP Seminarium IO na MiNI 04.11.2014 Michał Okulewicz based on the decision DEC-2012/07/B/ST6/01527 Plan prezentacji Definicja problemu DVRP DVRP na potrzeby UCB Analiza

Bardziej szczegółowo

XII International PhD Workshop OWD 2010, October 2010 MODEL TEORETYCZNY ALGORYTMU MRÓWKOWEGO SAS

XII 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 szczegółowo

Reprezentacje grafów nieskierowanych Reprezentacje grafów skierowanych. Wykład 2. Reprezentacja komputerowa grafów

Reprezentacje 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 szczegółowo

Zadania laboratoryjne i projektowe - wersja β

Zadania 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 szczegółowo

Metody przeszukiwania

Metody przeszukiwania Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania

Bardziej szczegółowo

PLANOWANIE TRASY PRZEJŚCIA STATKU Z ZASTOSOWANIEM ALGORYTMU MRÓWKOWEGO

PLANOWANIE TRASY PRZEJŚCIA STATKU Z ZASTOSOWANIEM ALGORYTMU MRÓWKOWEGO Agnieszka Lazarowska Akademia Morska w Gdyni PLANOWANIE TRASY PRZEJŚCIA STATKU Z ZASTOSOWANIEM ALGORYTMU MRÓWKOWEGO W artykule zaprezentowano wyniki pracy badawczej, dotyczącej zastosowania jednej z metod

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova

Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu

Bardziej szczegółowo

Optymalizacja ciągła

Optymalizacja ciągła Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej

Bardziej szczegółowo

ZASTOSOWANIE ALGORYTMÓW MRÓWKOWYCH W ROZWIĄZANIU PROBLEMU SZEREGOWANIA ZADAŃ APPLICATION OF ANT COLONY SYSTEMS IN SOLVING OF TASK SCHEDULING PROBLEM

ZASTOSOWANIE ALGORYTMÓW MRÓWKOWYCH W ROZWIĄZANIU PROBLEMU SZEREGOWANIA ZADAŃ APPLICATION OF ANT COLONY SYSTEMS IN SOLVING OF TASK SCHEDULING PROBLEM GRZEGORZ FILO ZASTOSOWANIE ALGORYTMÓW MRÓWKOWYCH W ROZWIĄZANIU PROBLEMU SZEREGOWANIA ZADAŃ APPLICATION OF ANT COLONY SYSTEMS IN SOLVING OF TASK SCHEDULING PROBLEM S t r e s z c z e n i e A b s t r a c

Bardziej szczegółowo

Wybrane podstawowe rodzaje algorytmów

Wybrane 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 szczegółowo

Obliczenia Naturalne - Algorytmy Mrówkowe cz. 4

Obliczenia 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 szczegółowo

Heurystyczne metody przeszukiwania

Heurystyczne 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 szczegółowo

Techniki optymalizacji

Techniki 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 szczegółowo

Porównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki

Porównanie 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 szczegółowo

Programowanie Współbieżne. Algorytmy

Programowanie Współbieżne. Algorytmy Programowanie Współbieżne Algorytmy Sortowanie przez scalanie (mergesort) Algorytm : 1. JEŚLI jesteś rootem TO: pobierz/wczytaj tablice do posortowania JEŚLI_NIE to pobierz tablicę do posortowania od rodzica

Bardziej szczegółowo

Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I

Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje:

Bardziej szczegółowo

Metody Optymalizacji: Przeszukiwanie z listą tabu

Metody 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 szczegółowo

Wstęp do programowania

Wstęp 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 szczegółowo

Metody Programowania

Metody 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 szczegółowo

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ Zalety: nie wprowadzają żadnych ograniczeń na sformułowanie problemu optymalizacyjnego. Funkcja celu może być wielowartościowa i nieciągła, obszar

Bardziej szczegółowo

Strefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek

Strefa 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 szczegółowo

Algorytmy heurystyczne w UCB dla DVRP

Algorytmy heurystyczne w UCB dla DVRP Algorytmy heurystyczne w UCB dla DVRP Seminarium IO na MiNI 24.03.2015 Michał Okulewicz based on the decision DEC-2012/07/B/ST6/01527 Plan prezentacji Definicja problemu DVRP UCB na potrzeby DVRP Algorytmy

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa

Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego

Bardziej szczegółowo

Algorytmy wyznaczania centralności w sieci Szymon Szylko

Algorytmy 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 szczegółowo

Obliczenia Naturalne - Algorytmy Mrówkowe cz. 4

Obliczenia Naturalne - Algorytmy Mrówkowe cz. 4 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 Plan wykładu Wstęp Plan Literatura

Bardziej szczegółowo

ALHE. prof. Jarosław Arabas semestr 15Z

ALHE. prof. Jarosław Arabas semestr 15Z ALHE prof. Jarosław Arabas semestr 15Z Wykład 5 Błądzenie przypadkowe, Algorytm wspinaczkowy, Przeszukiwanie ze zmiennym sąsiedztwem, Tabu, Symulowane wyżarzanie 1. Błądzenie przypadkowe: Pierwszym krokiem

Bardziej szczegółowo

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda

Bardziej szczegółowo

Optymalizacja. Wybrane algorytmy

Optymalizacja. 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 szczegółowo

Zofia Kruczkiewicz, Algorytmu i struktury danych, Wykład 14, 1

Zofia 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 szczegółowo

Sieci komputerowe. Wykład 8: Wyszukiwarki internetowe. Marcin Bieńkowski. Instytut Informatyki Uniwersytet Wrocławski

Sieci komputerowe. Wykład 8: Wyszukiwarki internetowe. Marcin Bieńkowski. Instytut Informatyki Uniwersytet Wrocławski Sieci komputerowe Wykład 8: Wyszukiwarki internetowe Marcin Bieńkowski Instytut Informatyki Uniwersytet Wrocławski Sieci komputerowe (II UWr) Wykład 8 1 / 37 czyli jak znaleźć igłę w sieci Sieci komputerowe

Bardziej szczegółowo

Rój cząsteczek. Particle Swarm Optimization. Adam Grycner. 18 maja Instytut Informatyki Uniwersytetu Wrocławskiego

Rój cząsteczek. Particle Swarm Optimization. Adam Grycner. 18 maja Instytut Informatyki Uniwersytetu Wrocławskiego Rój cząsteczek Particle Swarm Optimization Adam Grycner Instytut Informatyki Uniwersytetu Wrocławskiego 18 maja 2011 Adam Grycner Rój cząsteczek 1 / 38 Praca Kennedy ego i Eberhart a Praca Kennedy ego

Bardziej szczegółowo

E: Rekonstrukcja ewolucji. Algorytmy filogenetyczne

E: 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 szczegółowo

Algorytmika Problemów Trudnych

Algorytmika 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 szczegółowo

Plan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA?

Plan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA? /9/ Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład --9 Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów

Bardziej szczegółowo

METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING

METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING NEURONOWE MAPY SAMOORGANIZUJĄCE SIĘ Self-Organizing Maps SOM Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki,

Bardziej szczegółowo

Heurystyki i metaheurystyki

Heurystyki i metaheurystyki Wydział Zarządzania AGH Katedra Informatyki Stosowanej Heurystyki i metaheurystyki Inteligencja Heurystyki, metaheurystyki Wprowadzenie, podstawowe pojęcia Proste techniki przeszukiwania Metaheurystyki

Bardziej szczegółowo

Grafy Alberta-Barabasiego

Grafy Alberta-Barabasiego Spis treści 2010-01-18 Spis treści 1 Spis treści 2 Wielkości charakterystyczne 3 Cechy 4 5 6 7 Wielkości charakterystyczne Wielkości charakterystyczne Rozkład stopnie wierzchołków P(deg(x) = k) Graf jest

Bardziej szczegółowo

Drzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II

Drzewa 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 szczegółowo

Podejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski

Podejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski Podejście memetyczne do problemu DCVRP - wstępne wyniki Adam Żychowski Na podstawie prac X. S. Chen, L. Feng, Y. S. Ong A Self-Adaptive Memeplexes Robust Search Scheme for solving Stochastic Demands Vehicle

Bardziej szczegółowo

Digraf. 13 maja 2017

Digraf. 13 maja 2017 Digraf 13 maja 2017 Graf skierowany, digraf, digraf prosty Definicja 1 Digraf prosty G to (V, E), gdzie V jest zbiorem wierzchołków, E jest rodziną zorientowanych krawędzi, między różnymi wierzchołkami,

Bardziej szczegółowo

PRACA DYPLOMOWA MAGISTERSKA

PRACA DYPLOMOWA MAGISTERSKA Politechnika Poznańska Wydział Budowy Maszyn i Zarządzania PRACA DYPLOMOWA MAGISTERSKA Konstrukcja autonomicznego robota mobilnego Małgorzata Bartoszewicz Promotor: prof. dr hab. inż. A. Milecki Zakres

Bardziej szczegółowo

Algorytm genetyczny (genetic algorithm)-

Algorytm 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 szczegółowo

Programowanie sieciowe. Tadeusz Trzaskalik

Programowanie sieciowe. Tadeusz Trzaskalik Programowanie Tadeusz Trzaskalik 8.1. Wprowadzenie Słowa kluczowe Drzewo rozpinające Minimalne drzewo rozpinające Najkrótsza droga w sieci Wierzchołek początkowy Maksymalny przepływ w sieci Źródło Ujście

Bardziej szczegółowo

Teoria i metody optymalizacji

Teoria i metody optymalizacji II. Optymalizacja globalna Idea: generuj i testuj Do tej grupy naleŝą stochastyczne iteracyjne algorytmy przeszukiwania przestrzeni rozwiązań : metody przeszukiwania lokalnego metody przeszukiwania populacyjnego.

Bardziej szczegółowo

Obliczenia Naturalne - Wstęp

Obliczenia Naturalne - Wstęp Literatura Wprowadzenie Obliczenia Naturalne - Wstęp Paweł Paduch Politechnika Świętokrzyska 18 lutego 2014 Paweł Paduch Obliczenia Naturalne - Wstęp 1 z 49 Plan wykładu Wstęp Literatura Wprowadzenie 1

Bardziej szczegółowo

Analiza składowych głównych. Wprowadzenie

Analiza składowych głównych. Wprowadzenie Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących

Bardziej szczegółowo

Algorytmy genetyczne

Algorytmy genetyczne Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą

Bardziej szczegółowo

Przykład planowania sieci publicznego transportu zbiorowego

Przykład planowania sieci publicznego transportu zbiorowego TRANSPORT PUBLICZNY Przykład planowania sieci publicznego transportu zbiorowego Źródło: Bieńczak M., 2015 Politechnika Poznańska, Wydział Maszyn Roboczych i Transportu 1 METODYKA ZAŁOśENIA Dostarczanie

Bardziej szczegółowo

Systemy wieloagentowe (Multi Agent Systems - MAS) aspekty wybrane

Systemy wieloagentowe (Multi Agent Systems - MAS) aspekty wybrane Systemy wieloagentowe (Multi Agent Systems - MAS) aspekty wybrane Opracowanie: dr inż. Tomasz Rutkowski Katedra Inżynierii Systemów Sterowania 2014/2015 Politechnika Gdańska Wydział Elektrotechniki i Automatyki

Bardziej szczegółowo

TEORETYCZNE PODSTAWY INFORMATYKI

TEORETYCZNE 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 szczegółowo

Kolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w

Kolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w Metoda Simpleks Jak wiadomo, problem PL z dowolną liczbą zmiennych można rozwiązać wyznaczając wszystkie wierzchołkowe punkty wielościanu wypukłego, a następnie porównując wartości funkcji celu w tych

Bardziej szczegółowo

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne

Algorytmy 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 szczegółowo

Struktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott

Struktury 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 szczegółowo

Algorytm grawitacyjnych poszukiwań (Gravitational Search Algorithm - GSA)

Algorytm grawitacyjnych poszukiwań (Gravitational Search Algorithm - GSA) Algorytm grawitacyjnych poszukiwań (Gravitational Search Algorithm - GSA) Nowy algorytm optymalizacji oparty za prawach grawitacji Algorytm wykorzystujący prawa Newtona: Każda cząstka we wszechświecie

Bardziej szczegółowo

Instytut Informatyki Uniwersytet Wrocławski. Dane w sieciach. (i inne historie) Marcin Bieńkowski

Instytut Informatyki Uniwersytet Wrocławski. Dane w sieciach. (i inne historie) Marcin Bieńkowski Dane w sieciach (i inne historie) Marcin Bieńkowski Jak przechowywać dane w sieciach (strony WWW, bazy danych, ) tak, żeby dowolne ciągi odwołań do (części) tych obiektów mogły być obsłużone małym kosztem?

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Przecięcia odcinków. Wykład /07

Przecięcia odcinków. Wykład /07 Przecięcia odcinków Wykład 2 2006/07 Problem Dane: zbiór S={s 1,...,s n } odcinków na płaszczyźnie Wynik: zbiór punktów przecięć wszystkich odcinków z S, wraz z informacją które odcinki przecinają się

Bardziej szczegółowo

Algorytmiczna teoria grafów

Algorytmiczna 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 szczegółowo

Seminarium IO. Zastosowanie metody PSO w Dynamic Vehicle Routing Problem (kontynuacja) Michał Okulewicz

Seminarium IO. Zastosowanie metody PSO w Dynamic Vehicle Routing Problem (kontynuacja) Michał Okulewicz Seminarium IO Zastosowanie metody PSO w Dynamic Vehicle Routing Problem (kontynuacja) Michał Okulewicz 26.10.2012 Plan prezentacji Problem VRP+DR Algorytm PSO Podejścia MAPSO + 2-Opt 2-phase PSO Wyniki

Bardziej szczegółowo

Systemy wieloagentowe (Multi Agent Systems - MAS) aspekty wybrane

Systemy wieloagentowe (Multi Agent Systems - MAS) aspekty wybrane Systemy wieloagentowe (Multi Agent Systems - MAS) aspekty wybrane Opracowanie: dr inż. Tomasz Rutkowski Katedra Inżynierii Systemów Sterowania 2014/2015 Politechnika Gdańska Wydział Elektrotechniki i Automatyki

Bardziej szczegółowo

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW

Bardziej szczegółowo

Mrówka Pachycondyla apicalis

Mrówka Pachycondyla apicalis Mrówka Pachycondyla apicalis Mrówki Pachycondyla apicalis wystepują w lasach południowego Meksyku, północnej Argentyny i Kostaryki. Wystepuja zarówno w lasach wilgotnych jak i suchych. Mrówki te polują

Bardziej szczegółowo

MODELE SIECIOWE 1. Drzewo rozpinające 2. Najkrótsza droga 3. Zagadnienie maksymalnego przepływu źródłem ujściem

MODELE 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 szczegółowo

Algorytmy stochastyczne laboratorium 03

Algorytmy 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 szczegółowo

Optymalizacja. Przeszukiwanie tabu

Optymalizacja. Przeszukiwanie tabu dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Naturalny sposób powstania algorytmu Algorytm optymalizacji lokalnej Niezdolność wyjścia z lokalnych

Bardziej szczegółowo

Matematyczne Podstawy Informatyki

Matematyczne 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 szczegółowo

Spacery losowe generowanie realizacji procesu losowego

Spacery losowe generowanie realizacji procesu losowego Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z

Bardziej szczegółowo

Znajdowanie wyjścia z labiryntu

Znajdowanie wyjścia z labiryntu Znajdowanie wyjścia z labiryntu Zadanie to wraz z problemem pakowania najcenniejszego plecaka należy do problemów optymalizacji, które dotyczą znajdowania najlepszego rozwiązania wśród wielu możliwych

Bardziej szczegółowo

Filogeneza: problem konstrukcji grafu (drzewa) zależności pomiędzy gatunkami.

Filogeneza: problem konstrukcji grafu (drzewa) zależności pomiędzy gatunkami. 181 Filogeneza: problem konstrukcji grafu (drzewa) zależności pomiędzy gatunkami. 3. D T(D) poprzez algorytm łączenia sąsiadów 182 D D* : macierz łącząca sąsiadów n Niech TotDist i = k=1 D i,k Definiujemy

Bardziej szczegółowo

Grafy. Jeżeli, to elementy p i q nazywamy końcami krawędzi e. f a b c d e γ f {1} {1,2} {2,3} {2,3} {1,3}

Grafy. Jeżeli, to elementy p i q nazywamy końcami krawędzi e. f a b c d e γ f {1} {1,2} {2,3} {2,3} {1,3} Grafy Definicja grafu nieskierowanego. Grafem nieskierowanym nazywamy uporządkowaną trójkę: gdzie: V- niepusty zbiór wierzchołków grafu G E- zbiór wszystkich krawędzi grafu G - funkcja ze zbioru E w zbiór

Bardziej szczegółowo

Algorytmy i struktury danych

Algorytmy i struktury danych POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Algorytmy i struktury danych www.pk.edu.pl/~zk/aisd_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 5: Algorytmy

Bardziej szczegółowo

Optymalizacja. Przeszukiwanie lokalne

Optymalizacja. Przeszukiwanie lokalne dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Idea sąsiedztwa Definicja sąsiedztwa x S zbiór N(x) S rozwiązań, które leżą blisko rozwiązania x

Bardziej szczegółowo