Algorytm memetyczny dla rzeczywistego problemu planowania tras pojazdów
|
|
- Dariusz Kaczmarek
- 6 lat temu
- Przeglądów:
Transkrypt
1 Algorytm memetyczny dla rzeczywistego problemu planowania tras pojazdów Andrzej Jaszkiewicz, Przemysław Wesołek 3 grudnia 2013
2 Kontekst problemu
3 Firma dystrybucyjna
4 Kilka statystyk (wiedza z danych miesięcznych) Magazyny centralne 2 POI źródłowe zleceń 10 (magazyny regionalne) POI dostawy 3804 Liczba zleceń 8262 Liczba różnych par POI-POI 3319 Liczba zleceń dziennie (pn-pt) Masa towaru dziennie (pn-pt) ~100 ton
5
6
7 Dane wejściowe Aktualnie w zasadzie w formie kiedy-ile-skąd-dokąd
8 Zdefiniowanie problemu W zasadzie zbiór problemów CVRP, ale...
9 Dodatkowe, realne aspekty niejednorodna flota okna czasowe cross-docki ograniczenia czasowe, np. czas pracy kierowców czasy załadunku i rozładunku zależne od ilości towaru ograniczona liczba bram w magazynach podział floty na własną i wynajmowaną pakowanie towaru na paletę ładowanie pojazdu: 3D packing...
10 Cross-docki
11
12
13
14
15 Pierwsi proponujemy algorytm memetyczny?
16 Algorytm optymalizacji
17 Rozwój algorytmu
18 Zarys algorytmu memetyczngo wygeneruj populację dobrych rozwiązań początkowych metoda konstrukcyjna + lokalne przeszukiwanie powtarzaj { wybierz dwa rozwiązania do rekombinacji wygeneruj potomka posiadającego ich wspólne, dobre cechy wykonaj lokalne przeszukiwanie od utworzonego potomka dodaj uzyskane rozwiązanie do populacji, usuń z niej najsłabsze } dopóki jest czas, a jakość populacji niezadowalająca
19 Gdzie jesteśmy? Dobre rozwiązania początkowe metoda konstrukcyjna Przeglądanie sąsiednich rozwiązań operator przesunięcia zlecenia/poi do innej trasy Przyspieszanie obliczeń cache owanie ruchów Model: odejście od dostaw z magazynów regionalnych, zlecenia z magazynów centralnych przez cross-docki (~magazyny regionalne) Systematycznie zaprojektowany operator rekombinacji
20
21 Metoda konstrukcyjna utwórz puste rozwiązanie dopóki są nieprzypisane zlecenia { } wybierz jedno zlecenie znajdź najlepsze (najtańsze) miejsce wstawienia do istniejących tras lub do nowej dodaj zlecenie
22 Wiele rozwiązań początkowych losowy wybór zlecenia ryzyko kiepskiej jakości rozwiązania sterowana losowość metoda GRASP(N, K) (greedy randomized adaptive search procedure) wybierz losowo N zleceń, posortuj od najtańszego do najdroższego, wybierz do wstawienia losowo jednego z K najtańszych.
23 Lokalne przeszukiwanie wejście: rozwiązanie początkowe bieżące rozwiązanie = rozwiązanie początkowe powtarzaj { wygeneruj zbiór rozwiązań sąsiednich do bieżącego w oparciu o operator sąsiedztwa powtarzaj { oceń kolejnego sąsiada } dopóki nie znaleziono zadowalającego sąsiada lub skończyli się sąsiedzi jeżeli znaleziono zadowalającego sąsiada { } bieżące rozwiązanie = sąsiad } dopóki znaleziono zadowalającego sąsiada
24 Ruch lokalnego przeszukiwania: POI-move 1. Wybierz jedno ze zleceń. 2. Usuń z trasy, na której się znajduje. 3. Dodaj w najlepsze (najtańsze) miejsce, w dowolnym cross-docku, na dowolnej trasie.
25 POI-move: przykład
26
27
28
29
30 Kryterium akceptacji sąsiada greedy: dowolny lepszy od bieżącego rozwiązania steepest: najlepszy z sąsiadów lepszy od bieżącego rozwiązania
31 Jakość a czas
32 Cache ruchów operatora sąsiedztwa obserwacja: większość tras w kolejnym kroku lokalnego przeszukiwania będzie taka sama jak w poprzednim optymalizacja: zapamiętanie, ile kosztowała próba wstawienia każdego zlecenia do niezmienionych tras i użycie tych wyników w kolejnych krokach
33 Operator rekombinacji
34 Fitness-distance correlation Rozwiązania lepsze są do siebie bardziej podobne. Użycie operatora rekombinacji zachowującego podobieństwo daje duże szanse na zbieżność algorytmu memetycznego do dobrych rozwiązań. Jak mierzyć podobieństwo?
35 Podobieństwo przypisania zleceń do cross-docków Liczba zleceń obsługiwanych z tego samego cross-docka w obu rozwiązaniach
36 Podobieństwo łuków Liczba wspólnych łuków w obu rozwiązaniach Rozwiązanie zawiera łuk (a, b), gdy zlecenie a jest na tej samej trasie co zlecenie b, i to bezpośrednio przed nim.
37 Analiza korelacji 5 różnych instancji próba 5000 losowo wygnerowanych rozwiązań początkowych (GRASP + LS) wyznaczone dwoma metodami podobieństwo rozwiązań do najlepszego z próby
38
39 Podobieństwo łuków Podobieństwo cross-docków instancja R instancja R
40
41
42
43
44 Rekombinacja zachowująca łuki 1. Znajdź wspólne łuki dla obu rozwiązań 2. Ze wspólnych łuków utwórz najdłuższe możliwe fragmenty Np. łuki (a, b), (b, c), (d, e) dają fragmenty (a, b, c) i (d, e). 3. Z powstałych fragmentów oraz pozostałych zleceń (tj. poza łukami) skonstruuj rozwiązanie wariantem GRASP (tj. wstawiając najtańszy fragment/zlecenie do tworzonego rozwiązania).
45 Rekombinacja zachowująca przypisanie do cross-docków 1. Skonstruuj rozwiązanie zmodyfikowanym GRASP, wstawiając każde zlecenie tylko do trasy przypisanego cross-docka (jeżeli to możliwe).
46 Rekombinacja zachowująca łuki oraz przypisanie do cross-docków 1. Znajdź wspólne łuki dla obu rozwiązań 2. Ze wspólnych łuków utwórz najdłuższe możliwe fragmenty Np. łuki (a, b), (b, c), (d, e) dają fragmenty (a, b, c) i (d, e). 3. Z powstałych fragmentów oraz pozostałych zleceń (tj. poza łukami) skonstruuj rozwiązanie zmodyfikowanym wariantem GRASP, tj. wstawiając najtańszy fragment/zlecenie do tworzonego rozwiązania, do trasy z przypisanego cross-docka (jeżeli to możliwe).
47 Eksperyment obliczeniowy
48 Warunki heurystyka konstrukcyjna: mocno ulosowiony GRASP cztery metody szukania rozwiązania: algorytm memetyczny z jednym z trzech operatorów rekombinacji (zachowanie łuków (A), zachowanie przypisania do cross-docków (C), zachowanie obu cech (AC))) multiple start local search local search w wariancie greedy 5 instancji 10 uruchomień 15 minut
49 Wyniki zbiorcze
50 Zbieżność algorytmu w czasie
51
52
53
54
55
56
57
58
59
60
61
62
63 Przykład instancja M23, 403 zlecenia algorytmy: losowy, heurystyka początkowa, lokalne przeszukiwanie greedy oraz steepest, memetyczny
64 Koszt RND GRASP LS-GREEDY LS-STEEPEST MEMETIC
65 RND
66 GRASP
67 LS-GREEDY
68 LS-STEEPEST
69 MEMETIC
70 Do zrobienia Przeszukiwanie lokalne ruchy kandydackie Wyspowy model populacji Urealnianie modelu
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 szczegółowoAlgorytmy memetyczne (hybrydowe algorytmy ewolucyjne)
Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne) 1 2 Wstęp Termin zaproponowany przez Pablo Moscato (1989). Kombinacja algorytmu ewolucyjnego z algorytmem poszukiwań lokalnych, tak że algorytm poszukiwań
Bardziej szczegółowoMetody Optymalizacji: Przeszukiwanie z listą tabu
Metody Optymalizacji: Przeszukiwanie z listą tabu Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: wtorek
Bardziej szczegółowoOptymalizacja. Wybrane algorytmy
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Dokładne algorytmy optymalizacji Maciej Hapke maciej.hapke at put.poznan.pl Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem minimalizacji
Bardziej szczegółowoPrzeszukiwanie lokalne
Przeszukiwanie lokalne 1. Klasyfikacja algorytmów 2. Przeszukiwanie lokalne 1. Klasyfikacja algorytmów Algorytmy dokładne znajdują rozwiązanie optymalne, 1. Klasyfikacja algorytmów Algorytmy dokładne znajdują
Bardziej szczegółowoSeminarium Zakładowe IDSS. Równoległe obliczenia metaheurystyczne z wykorzystaniem klastra obliczeniowego
Seminarium Zakładowe IDSS Równoległe obliczenia metaheurystyczne z wykorzystaniem klastra obliczeniowego Krzysztof Kowalczykiewicz Marek Kubiak Dawid Weiss Przemysław Wesołek Motywacje raz jeszcze... Zagospodarowanie
Bardziej szczegółowoZaawansowane programowanie
Zaawansowane programowanie wykład 3: inne heurystyki prof. dr hab. inż. Marta Kasprzak Instytut Informatyki, Politechnika Poznańska Heurystyką nazywamy algorytm (metodę) zwracający rozwiązanie przybliżone.
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Algorytm kolonii mrówek Idea Smuga feromonowa 1 Sztuczne mrówki w TSP Sztuczna mrówka agent, który porusza się z miasta do miasta Mrówki preferują miasta połączone łukami z dużą
Bardziej szczegółowoRISK-AWARE PROJECT SCHEDULING
RISK-AWARE PROJECT SCHEDULING METODA GRASP KAROL WALĘDZIK DEFINICJA ZAGADNIENIA RESOURCE-CONSTRAINED PROJECT SCHEDULING (RCPS) Karol Walędzik - RAPS 3 RISK-AWARE PROJECT SCHEDULING (RAPS) 1 tryb wykonywania
Bardziej szczegółowoAlgorytmy metaheurystyczne podsumowanie
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoWybrane podstawowe rodzaje algorytmów
Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych
Bardziej szczegółowoPodstawy teoretyczne algorytmów metaheurystycznych. Andrzej Jaszkiewicz
Podstawy teoretyczne algorytmów metaheurystycznych Andrzej Jaszkiewicz Iteracyjna poprawa Wygeneruj i oceń początkową populację X Powtarzaj Na podstawie populacji X oraz jej ocen wygeneruj i oceń populację
Bardziej szczegółowoRISK-AWARE PROJECT SCHEDULING
RISK-AWARE PROJECT SCHEDULING PROUCT - GRASP KAROL WALĘDZIK DEFINICJA ZAGADNIENIA RESOURCE-CONSTRAINED PROJECT SCHEDULING (RCPS) Karol Walędzik - RAPS 3 RISK-AWARE PROJECT SCHEDULING (RAPS) 1 tryb wykonywania
Bardziej szczegółowoPodejście 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 szczegółowoTechniki optymalizacji
Techniki optymalizacji Metaheurystyki oparte na algorytmach lokalnego przeszukiwania Maciej Hapke maciej.hapke at put.poznan.pl GRASP Greedy Randomized Adaptive Search Procedure T.A. Feo, M.G.C. Resende,
Bardziej szczegółowoZadania laboratoryjne i projektowe - wersja β
Zadania laboratoryjne i projektowe - wersja β 1 Laboratorium Dwa problemy do wyboru (jeden do realizacji). 1. Water Jug Problem, 2. Wieże Hanoi. Water Jug Problem Ograniczenia dla każdej z wersji: pojemniki
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowoZnajdowanie 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 szczegółowoSerwis NaviExpert Biznes. Instrukcja obsługi
Serwis NaviExpert Biznes Instrukcja obsługi Spis Treści 1. Wprowadzenie 2. Przeglądanie mapy.. 3. Wyszukiwanie punktów 4. Planowanie i optymalizacja trasy.. 5. Edycja planu trasy. 6. Przesyłanie trasy
Bardziej szczegółowoMetody przeszukiwania
Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania
Bardziej szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowoAlgorytmy ewolucyjne 1
Algorytmy ewolucyjne 1 2 Zasady zaliczenia przedmiotu Prowadzący (wykład i pracownie specjalistyczną): Wojciech Kwedlo, pokój 205. Konsultacje dla studentów studiów dziennych: poniedziałek,środa, godz
Bardziej szczegółowoTechniki optymalizacji algorytmy metaheurystyczne
Techniki optymalizacji algorytmy metaheurystyczne Zakres przedmiotu część AJ Wprowadzenie Dokładne i heurystyczne algorytmy optymalizacji Przeszukiwanie lokalne Metaheurystyki oparte na lokalnym przeszukiwaniu
Bardziej szczegółowoSortowanie przez wstawianie Insertion Sort
Sortowanie przez wstawianie Insertion Sort Algorytm sortowania przez wstawianie można porównać do sposobu układania kart pobieranych z talii. Najpierw bierzemy pierwszą kartę. Następnie pobieramy kolejne,
Bardziej szczegółowoStrefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek
Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę
Bardziej szczegółowoKim jesteśmy? Logistyka Podlasie UPS Polska UPS Supply Chain Solutions DELL AVON Cosmetics
inny i wymiarr logil isttyki i Kim jesteśmy? Firma Logistyka Podlasie powstała w 2004 roku. Od samego początku głównym kierunkiem działalności jest zarządzanie białostockim oddziałem firmy UPS Polska.
Bardziej szczegółowoPOŁĄCZENIE ALGORYTMÓW SYMULACYJNYCH ORAZ DZIEDZINOWYCH METOD HEURYSTYCZNYCH W ZAGADNIENIACH DYNAMICZNEGO PODEJMOWANIA DECYZJI
POŁĄCZENIE ALGORYTMÓW SYMULACYJNYCH ORAZ DZIEDZINOWYCH METOD HEURYSTYCZNYCH W ZAGADNIENIACH DYNAMICZNEGO PODEJMOWANIA DECYZJI mgr inż. Karol Walędzik k.waledzik@mini.pw.edu.pl prof. dr hab. inż. Jacek
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoPlanowanie tras transportowych
Jerzy Feldman Mateusz Drąg Planowanie tras transportowych I. Przedstawienie 2 wybranych systemów: System PLANTOUR 1.System PLANTOUR to rozwiązanie wspomagające planowanie i optymalizację transportu w przedsiębiorstwie.
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Symulowane wyżarzanie Maciej Hapke maciej.hapke at put.poznan.pl Wyżarzanie wzrost temperatury gorącej kąpieli do takiej wartości, w której ciało stałe topnieje powolne zmniejszanie
Bardziej szczegółowoALHE. 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 szczegółowoZłożoność obliczeniowa zadania, zestaw 2
Złożoność obliczeniowa zadania, zestaw 2 Określanie złożoności obliczeniowej algorytmów, obliczanie pesymistycznej i oczekiwanej złożoności obliczeniowej 1. Dana jest tablica jednowymiarowa A o rozmiarze
Bardziej szczegółowoAlgorytmy genetyczne w interpolacji wielomianowej
Algorytmy genetyczne w interpolacji wielomianowej (seminarium robocze) Seminarium Metod Inteligencji Obliczeniowej Warszawa 22 II 2006 mgr inż. Marcin Borkowski Plan: Przypomnienie algorytmu niszowego
Bardziej szczegółowoX Y 4,0 3,3 8,0 6,8 12,0 11,0 16,0 15,2 20,0 18,9
Zadanie W celu sprawdzenia, czy pipeta jest obarczona błędem systematycznym stałym lub zmiennym wykonano szereg pomiarów przy różnych ustawieniach pipety. Wyznacz równanie regresji liniowej, które pozwoli
Bardziej szczegółowoAlgorytmy zrandomizowane
Algorytmy zrandomizowane http://zajecia.jakubw.pl/nai ALGORYTMY ZRANDOMIZOWANE Algorytmy, których działanie uzależnione jest od czynników losowych. Algorytmy typu Monte Carlo: dają (po pewnym czasie) wynik
Bardziej szczegółowoLogistyka przedsiębiorstw dystrybucyjnych ćwiczenia 5
Logistyka przedsiębiorstw dystrybucyjnych ćwiczenia 5 ZAPASY ROZPROSZONE: ZARZĄDZANIE ZAPASAMI WIELU LOKALIZACJI - ZAPAS ZABEZPIECZAJĄCY, POK mgr inż. Roman DOMAŃSKI Katedra Systemów Logistycznych 1 Literatura
Bardziej szczegółowoDobór parametrów algorytmu ewolucyjnego
Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoOptymalizacja. 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 szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoLaboratorium technik optymalizacji
Laboratorium technik optymalizacji Marek Kubiak 1 Opis zajęć Zakres zajęć laboratoryjnych jest podzielony na 2 części: realizację algorytmu przeszukiwania lokalnego i wizualizacji jego działania dla zadanego
Bardziej szczegółowoOptymalizacja systemów
Optymalizacja systemów Laboratorium - problem detekcji twarzy autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, P. Klukowski Cel zadania Celem zadania jest zapoznanie się z gradientowymi algorytmami optymalizacji
Bardziej szczegółowoProdukcja by CTI. Proces instalacji, ważne informacje oraz konfiguracja
Produkcja by CTI Proces instalacji, ważne informacje oraz konfiguracja Spis treści 1. Ważne informacje przed instalacją... 3 2. Instalacja programu... 4 3. Nawiązanie połączenia z serwerem SQL oraz z programem
Bardziej szczegółowoDS DOCK SCHEDULING. QGUAR DS - jeden z wielu w palecie systemów SCE VW - VISUAL WAREHOUSE. TMS Transport Management System. YMS Yard Management System
QGUAR DS - jeden z wielu w palecie systemów SCE SIECI TOS 4WEB OTM VW - VISUAL WAREHOUSE TMS Transport Management System morfid YMS Yard Management System DS DOCK SCHEDULING TMS Mobile 4WEB Internet Acces
Bardziej szczegółowoZastosowanie metody interpolacji warstwic do tworzenia NMT. dr inż. Ireneusz Wyczałek Zakład Geodezji POLITECHNIKA POZNAŃSKA
Zastosowanie metody interpolacji warstwic do tworzenia NMT dr inż. Ireneusz Wyczałek Zakład Geodezji POLITECHNIKA POZNAŃSKA Zastosowanie metody interpolacji warstwic do tworzenia Numerycznego Modelu Terenu
Bardziej szczegółowoAlgorytmy genetyczne jako metoda wyszukiwania wzorców. Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż.
Algorytmy genetyczne jako metoda wyszukiwania wzorców Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż. Marcin Borkowski Krótko i na temat: Cel pracy Opis modyfikacji AG Zastosowania
Bardziej szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoInformatyka w logistyce przedsiębiorstw wykład 5
Informatyka w logistyce przedsiębiorstw wykład 5 1. Charakterystyka i funkcje systemu klasy WMS 2. Funkcje systemu WMS 3. Elementy (moduły) systemu WMS 3.1. Operacje magazynowe 3.2. Transport i spedycja
Bardziej szczegółowoTechnologie cyfrowe. Artur Kalinowski. Zakład Cząstek i Oddziaływań Fundamentalnych Pasteura 5, pokój 4.15
Technologie cyfrowe Artur Kalinowski Zakład Cząstek i Oddziaływań Fundamentalnych Pasteura 5, pokój 4.15 Artur.Kalinowski@fuw.edu.pl Semestr letni 2014/2015 Zadanie algorytmiczne: wyszukiwanie dane wejściowe:
Bardziej szczegółowoWykorzystanie algorytmów mrówkowych w dynamicznym problem
Wykorzystanie algorytmów mrówkowych w dynamicznym problemie marszrutyzacji Promotor: dr inż. Aneta Poniszewska-Marańda Współpromotor: mgr inż. Łukasz Chomątek 18 stycznia 2013 Przedmiot i cele pracy dyplomowej
Bardziej szczegółowoRisk-Aware Project Scheduling. SimpleUCT
Risk-Aware Project Scheduling SimpleUCT DEFINICJA ZAGADNIENIA Resource-Constrained Project Scheduling (RCPS) Risk-Aware Project Scheduling (RAPS) 1 tryb wykonywania działań Czas trwania zadań jako zmienna
Bardziej szczegółowoρ siła związku korelacyjnego brak słaba średnia silna bardzo silna
Ćwiczenie 4 ANALIZA KORELACJI, BADANIE NIEZALEŻNOŚCI Analiza korelacji jest działem statystyki zajmującym się badaniem zależności pomiędzy rozkładami dwu lub więcej badanych cech w populacji generalnej.
Bardziej szczegółowoPole wielokąta. Wejście. Wyjście. Przykład
Pole wielokąta Liczba punktów: 60 Limit czasu: 1-3s Limit pamięci: 26MB Oblicz pole wielokąta wypukłego. Wielokąt wypukły jest to wielokąt, który dla dowolnych jego dwóch punktów zawiera również odcinek
Bardziej szczegółowoAlgorytm. Krótka historia algorytmów
Algorytm znaczenie cybernetyczne Jest to dokładny przepis wykonania w określonym porządku skończonej liczby operacji, pozwalający na rozwiązanie zbliżonych do siebie klas problemów. znaczenie matematyczne
Bardziej szczegółowoAutostopem przez galaiktykę: Intuicyjne omówienie zagadnień. Tom I: Optymalizacja. Nie panikuj!
Autostopem przez galaiktykę: Intuicyjne omówienie zagadnień Tom I: Optymalizacja Nie panikuj! Autorzy: Iwo Błądek Agnieszka Mensfelt Konrad Miazga Oświadczamy, że w trakcie produkcji tego tutoriala nie
Bardziej szczegółowoOptymalizacja. Przeszukiwanie tabu
dr inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Naturalny sposób powstania algorytmu Algorytm największego spadku niezdolność wyjścia z lokalnych optimów!
Bardziej szczegółowoModele całkowitoliczbowe zagadnienia komiwojażera (TSP)
& Zagadnienie komowojażera 1 Modele całkowitoliczbowe zagadnienia komiwojażera (TSP) Danych jest miast oraz macierz odległości pomiędzy każdą parą miast. Komiwojażer wyjeżdża z miasta o numerze 1 chce
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 9 PRZESZUKIWANIE GRAFÓW Z
Bardziej szczegółowoAlgorytmy mrówkowe. P. Oleksyk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
y mrówkowe P. Oleksyk Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 14 kwietnia 2015 1 Geneza algorytmu - biologia 2 3 4 5 6 7 8 Geneza
Bardziej szczegółowoSystem Zarządzania Produkcją Opis funkcjonalny
System Zarządzania Produkcją to rozwiązanie przygotowane przez Grupę Dr IT, rozwijające standardową funkcjonalność modułu enova365 Produkcja o następujące elementy: operacje wzorcowe, operacje do indywidualnego
Bardziej szczegółowoTechnologie Informacyjne
POLITECHNIKA KRAKOWSKA - WIEiK - KATEDRA AUTOMATYKI Technologie Informacyjne www.pk.edu.pl/~zk/ti_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład: Generacja liczb losowych Problem generacji
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
Bardziej szczegółowoAlgorytmy sortujące i wyszukujące
Algorytmy sortujące i wyszukujące Zadaniem algorytmów sortujących jest ułożenie elementów danego zbioru w ściśle określonej kolejności. Najczęściej wykorzystywany jest porządek numeryczny lub leksykograficzny.
Bardziej szczegółowoEGZAMIN POTWIERDZAJĄCY KWALIFIKACJE W ZAWODZIE Rok 2018 CZĘŚĆ PRAKTYCZNA
Arkusz zawiera informacje prawnie Układ graficzny CKE 2017 chronione do momentu rozpoczęcia egzaminu Nazwa kwalifikacji: Organizacja i nadzorowanie transportu Oznaczenie kwalifikacji: A.28 Numer zadania:
Bardziej szczegółowoProdukcja by CTI. Proces instalacji, ważne informacje oraz konfiguracja
Produkcja by CTI Proces instalacji, ważne informacje oraz konfiguracja Spis treści 1. Ważne informacje przed instalacją...3 2. Instalacja programu...4 3. Nawiązanie połączenia z serwerem SQL oraz z programem
Bardziej szczegółowoModuł optymalizacji i harmonogramowania tras. - opis
Moduł optymalizacji i harmonogramowania tras - opis 1. Optymalizacja i harmonogramowanie tras Jesteś odpowiedzialny za planowanie zleceń transportowych Klientów swojej firmy? Zastanawiasz się: Jak zmniejszając
Bardziej szczegółowoSystem rabatowy dla Subiekta GT
Do czego służy program? Program pozwala na zastosowanie zaawansowanej polityki cenowej i rabatowej w Subiekcie GT. Przy pomocy zestawów rabatowych można przypisać ceny towarów dla poszczególnych kontrahentów
Bardziej szczegółowoAlgorytm dyskretnego PSO z przeszukiwaniem lokalnym w problemie dynamicznej wersji TSP
Algorytm dyskretnego PSO z przeszukiwaniem lokalnym w problemie dynamicznej wersji TSP Łukasz Strąk lukasz.strak@gmail.com Uniwersytet Śląski, Instytut Informatyki, Będzińska 39, 41-205 Sosnowiec 9 grudnia
Bardziej szczegółowoEGZAMIN MATURALNY Z INFORMATYKI. 10 maja 2017 POZIOM ROZSZERZONY. Godzina rozpoczęcia: 14:00 CZĘŚĆ I
Arkusz zawiera informacje prawnie chronione do momentu rozpoczęcia egzaminu. Układ graficzny CKE 2013 KOD UZUPEŁNIA ZDAJĄCY PESEL miejsce na naklejkę EGZAMIN MATURALNY Z INFORMATYKI POZIOM ROZSZERZONY
Bardziej szczegółowoNazwa kwalifikacji: Organizacja i nadzorowanie transportu Oznaczenie kwalifikacji: A.28 Numer zadania: 01
Arkusz zawiera informacje prawnie chronione do momentu rozpoczęcia egzaminu Układ graficzny CKE 2017 Nazwa kwalifikacji: Organizacja i nadzorowanie transportu Oznaczenie kwalifikacji: A.28 Numer zadania:
Bardziej szczegółowoMetody Programowania
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie
Bardziej szczegółowoWPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
POLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inż. Franciszek Dul 5. ROZWIĄZYWANIE PROBLEMÓW Z OGRANICZENIAMI Problemy z ograniczeniami
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY Metoda K Najbliższych Sąsiadów K-Nearest Neighbours (KNN) ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoZagadnienie transportowe (badania operacyjne) Mgr inż. Aleksandra Radziejowska AGH Akademia Górniczo-Hutnicza w Krakowie
Zagadnienie transportowe (badania operacyjne) Mgr inż. Aleksandra Radziejowska AGH Akademia Górniczo-Hutnicza w Krakowie OPIS ZAGADNIENIA Zagadnienie transportowe służy głównie do obliczania najkorzystniejszego
Bardziej szczegółowoSkładowanie i dostęp do danych w rozproszonym systemie ochrony własności intelektualnej ANDRZEJ SOBECKI, POLITECHNIKA GDAŃSKA INFOBAZY 2014
Składowanie i dostęp do danych w rozproszonym systemie ochrony własności intelektualnej ANDRZEJ SOBECKI, POLITECHNIKA GDAŃSKA INFOBAZY 2014 Podstawowy proces gromadzenia Trudności: Weryfikacja dokumentu
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Algorytmy zachłanne, algoritme Dijkstry Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk(Wydział Fizyki) WP w. XI Jesień 2013 1 / 25 Algorytmy zachłanne Strategia polegająca na
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA
PLAN WYKŁADU Operator krzyżowania Operator mutacji Operator inwersji Sukcesja Przykłady symulacji AG Kodowanie - rodzaje OPTYMALIZACJA GLOBALNA Wykład 3 dr inż. Agnieszka Bołtuć OPERATOR KRZYŻOWANIA Wymiana
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoSystemy wbudowane. Cel syntezy systemowej. Wykład 12: Przykłady kosyntezy systemów wbudowanych
Systemy wbudowane Wykład 12: Przykłady kosyntezy systemów wbudowanych Cel syntezy systemowej minimalizacja kosztu: jaka jest najtańsza architektura spełniająca nałożone wymagania (minimalna szybkość, max.
Bardziej szczegółowoAlgorytm selekcji Hoare a. Łukasz Miemus
Algorytm selekcji Hoare a Łukasz Miemus 1 lutego 2006 Rozdział 1 O algorytmie 1.1 Problem Mamy tablicę A[N] różnych elementów i zmienną int K, takie że 1 K N. Oczekiwane rozwiązanie to określenie K-tego
Bardziej szczegółowoHeurystyczne metody przeszukiwania
Heurystyczne metody przeszukiwania Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Pojęcie heurystyki Metody heurystyczne są jednym z ważniejszych narzędzi sztucznej inteligencji.
Bardziej szczegółowoPODSTAWY LOGISTYKI ZARZĄDZANIE MAGAZYNEM PODSTAWY LOGISTYKI ZARZĄDZANIE MAGAZYNEM MARCIN FOLTYŃSKI
PODSTAWY LOGISTYKI ZARZĄDZANIE MAGAZYNEM MAGAZYN Jednostka funkcjonalno - organizacyjna przeznaczona do magazynowania dóbr materialnych (zapasów) czasowo wyłączonych z użycia w wyodrębnionej przestrzeni
Bardziej szczegółowoAlgorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)
Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation) Jest to technika probabilistyczna rozwiązywania problemów obliczeniowych, które mogą zostać sprowadzone do problemu znalezienie
Bardziej szczegółowoPOJĘCIA WSTĘPNE. STATYSTYKA - nauka traktująca o metodach ilościowych badania prawidłowości zjawisk (procesów) masowych.
[1] POJĘCIA WSTĘPNE STATYSTYKA - nauka traktująca o metodach ilościowych badania prawidłowości zjawisk (procesów) masowych. BADANIE STATYSTYCZNE - ogół prac mających na celu poznanie struktury określonej
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 12. PRZESZUKIWANIE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska ROZWIĄZYWANIE PROBLEMÓW JAKO PRZESZUKIWANIE Istotną rolę podczas
Bardziej szczegółowoWykład z równań różnicowych
Wykład z równań różnicowych 1 Wiadomości wstępne Umówmy się, że na czas tego wykładu zrezygnujemy z oznaczania n-tego wyrazu ciągu symbolem typu x n, y n itp. Zamiast tego pisać będziemy x (n), y (n) itp.
Bardziej szczegółowoCzy mniej i szybciej zawsze musi oznaczać taniej? studia przypadków rozwiązań logistycznych. Jakub Karoń Regionalny kierownik sprzedaży
Czy mniej i szybciej zawsze musi oznaczać taniej? studia przypadków rozwiązań logistycznych Jakub Karoń Regionalny kierownik sprzedaży Rozwiązania GEFCO To już wam prezentowaliśmy Stand by - trailers Operacyjny
Bardziej szczegółowoMAGAZYNY SPRZEDAŻ LOGISTYKA MAGFA GMG Poprawiony czwartek, 10 czerwca 2010 17:50
System obsługuje główne procesy logistyczne począwszy od planowania i budżetowanie dostaw, ewidencji zamówień do dostawców, rejestracji dostaw i zakupów (również import), ewidencji obrotu magazynowego,
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY Metoda K Najbliższych Sąsiadów K-Nearest Neighbours (KNN) ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoPalety by CTI. Instrukcja
Palety by CTI Instrukcja Spis treści 1. Logowanie... 3 2. Okno główne programu... 4 3. Konfiguracja... 5 4. Zmiana Lokalizacji... 6 5. Nowa Paleta z dokumentu MMP... 8 6. Realizacja Zlecenia ZW... 10 7.
Bardziej szczegółowoKS-APTEKA Windows. KAMSOFT S.A. Katowice 2013 KS-AOW. (Wielomagazynowość) Instrukcja WIELOMAGAZYNOWOŚĆ Dokument: Wydanie: 1 Waga: 90
KS-APTEKA Windows (Wielomagazynowość) KAMSOFT S.A. Katowice 2013 Strona 1 z 10 1. Koncepcja wielomagazynowości w System umożliwia zdefiniowanie hierarchicznej struktury przedsiębiorstwa. Elementy struktury
Bardziej szczegółowoPorównanie wydajności CUDA i OpenCL na przykładzie równoległego algorytmu wyznaczania wartości funkcji celu dla problemu gniazdowego
Porównanie wydajności CUDA i OpenCL na przykładzie równoległego algorytmu wyznaczania wartości funkcji celu dla problemu gniazdowego Mariusz Uchroński 3 grudnia 2010 Plan prezentacji 1. Wprowadzenie 2.
Bardziej szczegółowoPRODUKCJA BY CTI. Opis funkcjonalności: Produkcja z cechą
PRODUKCJA BY CTI Opis funkcjonalności: Produkcja z cechą 1 Spis treści: 1. Opis ogólny.... 3 2. Wprowadzenie surowca i wyrobu w Comarch ERP Optima.... 3 3. Konfiguracja Produkcja by CTI.... 3 3.1. Obsługa
Bardziej szczegółowoPrzypadek praktyczny: SLVA Akumulacyjny system Pallet Shuttle: idealne rozwiązanie do składowania mleka wdrożone w magazynie firmy SLVA
Przypadek praktyczny: SLVA Akumulacyjny system Pallet Shuttle: idealne rozwiązanie do składowania mleka wdrożone w magazynie firmy SLVA Lokalizacja: Francja SLVA, francuski producent i dostawca mleka,
Bardziej szczegółowoINSTRUKCJA OBSŁUGI PORTALU panel.optiscope.pl
INSTRUKCJA OBSŁUGI PORTALU panel.optiscope.pl Wszelkie prawa są zastrzeżone. Właścicielem znaku jest FOOUSA BOGDAN BIELAWSKI. instrukcja - wersja 2.0 INSTRUKCJA PORTALU 3 ZARZĄDZANIE KONTEM UŻYTKOWNIKA
Bardziej szczegółowoHeurystyki. Strategie poszukiwań
Sztuczna inteligencja Heurystyki. Strategie poszukiwań Jacek Bartman Zakład Elektrotechniki i Informatyki Instytut Techniki Uniwersytet Rzeszowski DLACZEGO METODY PRZESZUKIWANIA? Sztuczna Inteligencja
Bardziej szczegółowoZadanie 5 - Algorytmy genetyczne (optymalizacja)
Zadanie 5 - Algorytmy genetyczne (optymalizacja) Marcin Pietrzykowski mpietrzykowski@wi.zut.edu.pl wersja 1.0 1 Cel Celem zadania jest zapoznanie się z Algorytmami Genetycznymi w celu rozwiązywanie zadania
Bardziej szczegółowo