Generowanie i optymalizacja harmonogramu za pomoca
|
|
- Kornelia Piątkowska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska Praca inżynierska, 2011
2 Spis tresci 1 Przedstawienie tematu i postawionego problemu Harmonogram - plan zajęć Problem NP-zupełny 2 Idea rozwiazania Jak to działa, że to działa? - matematyczny opis działania algorytmu 3 Implementacja pomysłu Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Pomysły na udoskonalenie i poprawę działania algorytmu 4 Podsumowanie
3 Spis tresci 1 Przedstawienie tematu i postawionego problemu Harmonogram - plan zajęć Problem NP-zupełny 2 Idea rozwiazania Jak to działa, że to działa? - matematyczny opis działania algorytmu 3 Implementacja pomysłu Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Pomysły na udoskonalenie i poprawę działania algorytmu 4 Podsumowanie
4 Spis tresci 1 Przedstawienie tematu i postawionego problemu Harmonogram - plan zajęć Problem NP-zupełny 2 Idea rozwiazania Jak to działa, że to działa? - matematyczny opis działania algorytmu 3 Implementacja pomysłu Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Pomysły na udoskonalenie i poprawę działania algorytmu 4 Podsumowanie
5 Spis tresci 1 Przedstawienie tematu i postawionego problemu Harmonogram - plan zajęć Problem NP-zupełny 2 Idea rozwiazania Jak to działa, że to działa? - matematyczny opis działania algorytmu 3 Implementacja pomysłu Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Pomysły na udoskonalenie i poprawę działania algorytmu 4 Podsumowanie
6 Harmonogram - plan zajęć Spis tresci 1 Przedstawienie tematu i postawionego problemu Harmonogram - plan zajęć Problem NP-zupełny 2 Idea rozwiazania Jak to działa, że to działa? - matematyczny opis działania algorytmu 3 Implementacja pomysłu Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Pomysły na udoskonalenie i poprawę działania algorytmu 4 Podsumowanie
7 Harmonogram - plan zajęć Definicja - Harmonogram "Wykres obrazujacy kolejność i czas trwania poszczególnych czynności w ogólnym planie pracy." 1 Przykłady - Harmonogram plan lekcji harmonogram projektu harmonogram ekspedycyjny harmonogram produkcji harmonogram dostaw rozkład jazdy 1 "Nowy słownik języka polskiego PWN", PWN Warszawa 2002
8 Harmonogram - plan zajęć Definicja - Harmonogram "Wykres obrazujacy kolejność i czas trwania poszczególnych czynności w ogólnym planie pracy." 1 Przykłady - Harmonogram plan lekcji harmonogram projektu harmonogram ekspedycyjny harmonogram produkcji harmonogram dostaw rozkład jazdy 1 "Nowy słownik języka polskiego PWN", PWN Warszawa 2002
9 Problem NP-zupełny Spis tresci 1 Przedstawienie tematu i postawionego problemu Harmonogram - plan zajęć Problem NP-zupełny 2 Idea rozwiazania Jak to działa, że to działa? - matematyczny opis działania algorytmu 3 Implementacja pomysłu Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Pomysły na udoskonalenie i poprawę działania algorytmu 4 Podsumowanie
10 Problem NP-zupełny Definicja -Problem NP-zupełny Problem NP-zupełny, problem należacy do klasy problemów obliczeniowych, dla których nie sa znane algorytmy wielomianowe, ani nie udowodniono istnienia większej niż wielomianowa dolnej granicy złożoności obliczeniowej. Trudne zagadnienie teoretyczne algorytmiki. Przyklady -Problem NP-zupełny problem plecakowy problem drogi Hamiltona problem komiwojażera
11 Problem NP-zupełny Definicja -Problem NP-zupełny Problem NP-zupełny, problem należacy do klasy problemów obliczeniowych, dla których nie sa znane algorytmy wielomianowe, ani nie udowodniono istnienia większej niż wielomianowa dolnej granicy złożoności obliczeniowej. Trudne zagadnienie teoretyczne algorytmiki. Przyklady -Problem NP-zupełny problem plecakowy problem drogi Hamiltona problem komiwojażera
12 Spis tresci 1 Przedstawienie tematu i postawionego problemu Harmonogram - plan zajęć Problem NP-zupełny 2 Idea rozwiazania Jak to działa, że to działa? - matematyczny opis działania algorytmu 3 Implementacja pomysłu Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Pomysły na udoskonalenie i poprawę działania algorytmu 4 Podsumowanie
13 Figure: Schemat budowy populacji
14 Słowniczek pojęć gen - pojedyńczy element kodujacy dana własność chromosom - zbiór genów genotyp - zespół chromosomów (wykorzystuje się głównie 1 chromosom) osobnik - składa się z genotypu i innych wartości opisowych populacja - zbiór osobników o okreśłonej liczebności fenotyp - zestaw wartości odpowiadajacy genotypowi alle - wartośc danego genul locus - miejsce genu w chromosomie funkcja przystosowania - funkcja sprawdzajaca wartość dopasowania danego osbnika do środowiska
15 Figure: Ogólny schemat działania algorytmu
16 Inicjalizacja Losowy wybór poczatkowej populacji wielkości n z przestrzeni X. (Dla specyficznych warunków wybór może nie być w pełni losowy.) Ocena przystosowania Każdy osobnik z populacji jest oceniany poprzez funkcję przystosowania na podstawie poszczególnych alleli.
17 Inicjalizacja Losowy wybór poczatkowej populacji wielkości n z przestrzeni X. (Dla specyficznych warunków wybór może nie być w pełni losowy.) Ocena przystosowania Każdy osobnik z populacji jest oceniany poprzez funkcję przystosowania na podstawie poszczególnych alleli.
18 Warunek zatrzymania Warunek zakończenia pracy algorytmu: ograniczenie czasowe ograniczenie ilości pokoleń brak poprawy wyniku po m iteracjach znalezienie osobnika z wartościa funkcji przystosowania większej niż zalożona granica y znalezienie osobnika z wartościa maksymalna funkcji przystosowania
19 Selekcja Probabilistyczna operacja wyboru m osobników z populacji i służacych do wygenerowania populacji i+1. (Istnieje wiele różnych metod wyboru, dysponujacymi różnymi właściwościami) Zastosowanie operatorów genetycznych cz. 1 Operator krzyżowania Operator działajacy na dwóch elementach (osobnikach), krzyżujacy między nimi geny.
20 Selekcja Probabilistyczna operacja wyboru m osobników z populacji i służacych do wygenerowania populacji i+1. (Istnieje wiele różnych metod wyboru, dysponujacymi różnymi właściwościami) Zastosowanie operatorów genetycznych cz. 1 Operator krzyżowania Operator działajacy na dwóch elementach (osobnikach), krzyżujacy między nimi geny.
21 Selekcja Probabilistyczna operacja wyboru m osobników z populacji i służacych do wygenerowania populacji i+1. (Istnieje wiele różnych metod wyboru, dysponujacymi różnymi właściwościami) Zastosowanie operatorów genetycznych cz. 1 Operator krzyżowania Operator działajacy na dwóch elementach (osobnikach), krzyżujacy między nimi geny.
22 Zastosowanie operatorów genetycznych cz. 2 Operator mutacji Operator działajacy na jednym elemencie (osobniku), wprowadzajacy losowe zmiany w strukture genotypu. Nowa populacja Populacja powstała na skutek użycia operatorów genetycznych. Służy ona do przeprowadzenia kolejnych iteracji algorytmu.
23 Zastosowanie operatorów genetycznych cz. 2 Operator mutacji Operator działajacy na jednym elemencie (osobniku), wprowadzajacy losowe zmiany w strukture genotypu. Nowa populacja Populacja powstała na skutek użycia operatorów genetycznych. Służy ona do przeprowadzenia kolejnych iteracji algorytmu.
24 Zastosowanie operatorów genetycznych cz. 2 Operator mutacji Operator działajacy na jednym elemencie (osobniku), wprowadzajacy losowe zmiany w strukture genotypu. Nowa populacja Populacja powstała na skutek użycia operatorów genetycznych. Służy ona do przeprowadzenia kolejnych iteracji algorytmu.
25 Najlepszy osobnik Osbnik, którego wartość funkcji dopasowania jest największa spośród wszystkich innych osobników w populacji w momenice zakończenia pracy algorytmu.
26 Jak to działa, że to działa? - matematyczny opis działania algorytmu Spis tresci 1 Przedstawienie tematu i postawionego problemu Harmonogram - plan zajęć Problem NP-zupełny 2 Idea rozwiazania Jak to działa, że to działa? - matematyczny opis działania algorytmu 3 Implementacja pomysłu Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Pomysły na udoskonalenie i poprawę działania algorytmu 4 Podsumowanie
27 Jak to działa, że to działa? - matematyczny opis działania algorytmu Definicja - Schemat Schematem nazywamy zbiór chromosomów zawierajacych geny o ustalonych wartościach na wyszczególnionych pozycjach. Przykład - Schemat Weźmy pod uwagę chromosom o 3 genach, gdzie każdy gen przyjmuje wartości ze zbioru X={0,1}. Rozpatrzmy schemat (x 1,x 2,x 3 ), gdzie x 1 = 1 jest ustalone, x 2 =x 3 =,a oznacza dowolny element ze zbioru X,schemat taki będziemy zapisywać jako (1,, ).
28 Jak to działa, że to działa? - matematyczny opis działania algorytmu Definicja - Schemat Schematem nazywamy zbiór chromosomów zawierajacych geny o ustalonych wartościach na wyszczególnionych pozycjach. Przykład - Schemat Weźmy pod uwagę chromosom o 3 genach, gdzie każdy gen przyjmuje wartości ze zbioru X={0,1}. Rozpatrzmy schemat (x 1,x 2,x 3 ), gdzie x 1 = 1 jest ustalone, x 2 =x 3 =,a oznacza dowolny element ze zbioru X,schemat taki będziemy zapisywać jako (1,, ).
29 Jak to działa, że to działa? - matematyczny opis działania algorytmu Twierdzenie - Schemat Mówimy, że chromosom danego osobnika należy do schematu, jeżeli na każdej pozycji (locus) j=1,2,...,i, gdzie i jest długościa chromosomu, symbol na j-tej pozycji w chromosomie odpowiada symbolowi na j-tej pozycji w schemacie. Uwaga - Schemat Schemat w którym występuje n symboli jest zbiorem chromosomów o liczebności n j=1 g j, gdzie g j oznacza moc zbioru symboli możliwych do umieszczenia na j-tym miejscy oznaczonym. Ponadto każdy chromosom o długości i należy do i j=1 g j schematów.
30 Jak to działa, że to działa? - matematyczny opis działania algorytmu Twierdzenie - Schemat Mówimy, że chromosom danego osobnika należy do schematu, jeżeli na każdej pozycji (locus) j=1,2,...,i, gdzie i jest długościa chromosomu, symbol na j-tej pozycji w chromosomie odpowiada symbolowi na j-tej pozycji w schemacie. Uwaga - Schemat Schemat w którym występuje n symboli jest zbiorem chromosomów o liczebności n j=1 g j, gdzie g j oznacza moc zbioru symboli możliwych do umieszczenia na j-tym miejscy oznaczonym. Ponadto każdy chromosom o długości i należy do i j=1 g j schematów.
31 Jak to działa, że to działa? - matematyczny opis działania algorytmu Definicja - Rzad schematu Rzędem schematu S (oznaczanym przez o(s)) nazywamy liczbę pozycji ustalonych w schemacie. Definicja - Rozpiętość schematu Rozpiętościa schematu S (oznaczana przez d(s)) nazywamy odległość między pierwsza, a ostatnia ustalona pozycja schematu.
32 Jak to działa, że to działa? - matematyczny opis działania algorytmu Definicja - Rzad schematu Rzędem schematu S (oznaczanym przez o(s)) nazywamy liczbę pozycji ustalonych w schemacie. Definicja - Rozpiętość schematu Rozpiętościa schematu S (oznaczana przez d(s)) nazywamy odległość między pierwsza, a ostatnia ustalona pozycja schematu.
33 Jak to działa, że to działa? - matematyczny opis działania algorytmu Wpływ selekcji Wartość oczekiwana b(s,t), czyli liczba osobników w populacji M(t) pasujacych do schematu S, jest określona wzorem: E[b(S, t)] = c(s, t) F (S,t) F (t) Wpływ krzyżowania Prawdopodobieństwo, że osobnik z populacji P(t) należacy do schematu S zostanie wybrany do populacji M(t), ale schemat zostanie zniszczony wynosi d(s) p k L 1. Zaś prawdopodobieństwo, że osobnik z populacji P(t) należacy do schematu S zostanie wybrany do populacji M(t), ale schemat przetrwa wynosi d(s) 1 p k L 1.
34 Jak to działa, że to działa? - matematyczny opis działania algorytmu Wpływ selekcji Wartość oczekiwana b(s,t), czyli liczba osobników w populacji M(t) pasujacych do schematu S, jest określona wzorem: E[b(S, t)] = c(s, t) F (S,t) F (t) Wpływ krzyżowania Prawdopodobieństwo, że osobnik z populacji P(t) należacy do schematu S zostanie wybrany do populacji M(t), ale schemat zostanie zniszczony wynosi d(s) p k L 1. Zaś prawdopodobieństwo, że osobnik z populacji P(t) należacy do schematu S zostanie wybrany do populacji M(t), ale schemat przetrwa wynosi d(s) 1 p k L 1.
35 Jak to działa, że to działa? - matematyczny opis działania algorytmu Wpływ mutacji Dla danego osobnika należacego do schematu S, prawdopodobieństwo, że mutacja nie zniszczy schematu wynosi (1 p m ) o(s). Wniosek Zmiana ilości osobników, których chromosom pasuje do schematu S zmienia się z pokolenia na pokolenie według zależności E[c(S, t + 1) c(s, t) F (S,t) (1 p F (t) k d(s) L 1 )(1 p m) o(s).
36 Jak to działa, że to działa? - matematyczny opis działania algorytmu Wpływ mutacji Dla danego osobnika należacego do schematu S, prawdopodobieństwo, że mutacja nie zniszczy schematu wynosi (1 p m ) o(s). Wniosek Zmiana ilości osobników, których chromosom pasuje do schematu S zmienia się z pokolenia na pokolenie według zależności E[c(S, t + 1) c(s, t) F (S,t) (1 p F (t) k d(s) L 1 )(1 p m) o(s).
37 Jak to działa, że to działa? - matematyczny opis działania algorytmu Twierdzenie o schematach Schematy małego rzędu, o małej rozpiętości i o przystosowaniu powyżej średniej otrzymuja rosnaco wykładniczo liczbę swoich reprezentantów w kolejnych generacjach algorytmu. Hipoteza Algorytm dazy do osiagnięcia rezultatu bliskiego optimum poprzez zestawienie dobrych schematów ( o przystosowaniu powyżej średniej), małego rzędu i o małej rozpiętości. Schematy te sa nazywane blokami budujacymi.
38 Jak to działa, że to działa? - matematyczny opis działania algorytmu Twierdzenie o schematach Schematy małego rzędu, o małej rozpiętości i o przystosowaniu powyżej średniej otrzymuja rosnaco wykładniczo liczbę swoich reprezentantów w kolejnych generacjach algorytmu. Hipoteza Algorytm dazy do osiagnięcia rezultatu bliskiego optimum poprzez zestawienie dobrych schematów ( o przystosowaniu powyżej średniej), małego rzędu i o małej rozpiętości. Schematy te sa nazywane blokami budujacymi.
39 Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Spis tresci 1 Przedstawienie tematu i postawionego problemu Harmonogram - plan zajęć Problem NP-zupełny 2 Idea rozwiazania Jak to działa, że to działa? - matematyczny opis działania algorytmu 3 Implementacja pomysłu Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Pomysły na udoskonalenie i poprawę działania algorytmu 4 Podsumowanie
40 Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Przedstawienie struktury osobników oraz stworzonych operatorów genetycznych.
41 Pomysły na udoskonalenie i poprawę działania algorytmu Spis tresci 1 Przedstawienie tematu i postawionego problemu Harmonogram - plan zajęć Problem NP-zupełny 2 Idea rozwiazania Jak to działa, że to działa? - matematyczny opis działania algorytmu 3 Implementacja pomysłu Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Pomysły na udoskonalenie i poprawę działania algorytmu 4 Podsumowanie
42 Pomysły na udoskonalenie i poprawę działania algorytmu Przedstawienie pomysłów jak to udoskonalić.
43 Spis treści 1 Przedstawienie tematu i postawionego problemu Harmonogram - plan zajęć Problem NP-zupełny 2 Idea rozwiazania Jak to działa, że to działa? - matematyczny opis działania algorytmu 3 Implementacja pomysłu Wykorzystanie algorytmu do wygenerowania planu - schemat rozwiazania Pomysły na udoskonalenie i poprawę działania algorytmu 4 Podsumowanie
44 Appendix Bibliografia I L. Rutkowski, Metody i techniki sztucznej inteligencji, PWN, Z. Michalewicz, Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT, 1996.?, Algorytmy ewolucyjne jako narzędzie harmonogramowania produkcji, PWN, 1999.
Algorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki
Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Obliczenia ewolucyjne (EC evolutionary computing) lub algorytmy ewolucyjne (EA evolutionary algorithms) to ogólne określenia używane
Bardziej 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 genetyczne
Politechnika Łódzka Katedra Informatyki Stosowanej Algorytmy genetyczne Wykład 2 Przygotował i prowadzi: Dr inż. Piotr Urbanek Powtórzenie Pytania: Jaki mechanizm jest stosowany w naturze do takiego modyfikowania
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia stacjonarne i niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki,
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoAlgorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba
Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów
Bardziej szczegółowoAlgorytmy genetyczne
Politechnika Łódzka Katedra Informatyki Stosowanej Algorytmy genetyczne Wykład 2 Przygotował i prowadzi: Dr inż. Piotr Urbanek Powtórzenie Pytania: Jaki mechanizm jest stosowany w naturze do takiego modyfikowania
Bardziej szczegółowoAlgorytmy genetyczne w optymalizacji
Algorytmy genetyczne w optymalizacji Literatura 1. David E. Goldberg, Algorytmy genetyczne i ich zastosowania, WNT, Warszawa 1998; 2. Zbigniew Michalewicz, Algorytmy genetyczne + struktury danych = programy
Bardziej 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 szczegółowoTeoria algorytmów ewolucyjnych
Teoria algorytmów ewolucyjnych 1 2 Dlaczego teoria Wynik analiza teoretycznej może pokazać jakie warunki należy spełnić, aby osiągnąć zbieżność do minimum globalnego. Np. sukcesja elitarystyczna. Może
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoAlgorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS
Algorytmy ewolucyjne Łukasz Przybyłek Studenckie Koło Naukowe BRAINS 1 Wprowadzenie Algorytmy ewolucyjne ogólne algorytmy optymalizacji operujące na populacji rozwiązań, inspirowane biologicznymi zjawiskami,
Bardziej szczegółowoLABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania
Bardziej szczegółowo6. Klasyczny algorytm genetyczny. 1
6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu
Bardziej szczegółowoInspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny
Soft computing Soft computing tym róŝni się od klasycznych obliczeń (hard computing), Ŝe jest odporny na brak precyzji i niepewność danych wejściowych. Obliczenia soft computing mają inspiracje ze świata
Bardziej 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 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 szczegółowoSZTUCZNA INTELIGENCJA
ZTUCZNA INTELIGENCJA WYKŁAD 6. ALGORYTMY GENETYCZNE - CHEMATY, METODY ELEKCJI Częstochowa 204 Dr hab. inż. Grzegorz Dude Wydział Eletryczny Politechnia Częstochowsa CHEMATY chemat zbór chromosomów o wspólnych
Bardziej 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 szczegółowoDobór parametrów algorytmu ewolucyjnego
Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.
Bardziej szczegółowoALGORYTMY GENETYCZNE ćwiczenia
ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację
Bardziej szczegółowoObliczenia Naturalne - Algorytmy genetyczne
Literatura Obliczenia Naturalne - Algorytmy genetyczne Paweł Paduch Politechnika Świętokrzyska 20 marca 2014 Paweł Paduch Obliczenia Naturalne - Algorytmy genetyczne 1 z 45 Plan wykładu Literatura 1 Literatura
Bardziej szczegółowoLABORATORIUM 7: Problem komiwojażera (TSP) cz. 2
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 7: Problem komiwojażera (TSP) cz. 2 opracował:
Bardziej szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny
Algorytmy stochastyczne, wykład 01 J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-21 In memoriam prof. dr hab. Tomasz Schreiber (1975-2010) 1 2 3 Różne Orientacyjny
Bardziej szczegółowoAlgorytmy ewolucyjne NAZEWNICTWO
Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne
Bardziej 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 szczegółowoAlgorytmy memetyczne (hybrydowe algorytmy ewolucyjne)
Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne) 1 2 Wstęp Termin zaproponowany przez Pablo Moscato (1989). Kombinacja algorytmu ewolucyjnego z algorytmem poszukiwań lokalnych, tak że algorytm poszukiwań
Bardziej szczegółowoAlgorytmy genetyczne (AG)
Algorytmy genetyczne (AG) 1. Wprowadzenie do AG a) ewolucja darwinowska b) podstawowe definicje c) operatory genetyczne d) konstruowanie AG e) standardowy AG f) przykład rozwiązania g) naprawdę bardzo,
Bardziej 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 szczegółowoAutomatyczny dobór parametrów algorytmu genetycznego
Automatyczny dobór parametrów algorytmu genetycznego Remigiusz Modrzejewski 22 grudnia 2008 Plan prezentacji Wstęp Atrakcyjność Pułapki Klasyfikacja Wstęp Atrakcyjność Pułapki Klasyfikacja Konstrukcja
Bardziej szczegółowoWstęp do Sztucznej Inteligencji
Wstęp do Sztucznej Inteligencji Algorytmy Genetyczne Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Metody heurystyczne Algorytm efektywny: koszt zastosowania (mierzony
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
METODY ANALITYCZNE kontra AG/AE OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome EVOLUTIONARY OPERATORS AND RECEIVING
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Wykład 7 PLAN: - Repetitio (brevis) -Algorytmy miękkiej selekcji: algorytmy ewolucyjne symulowane wyżarzanie
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 2 communication
Bardziej szczegółowoPolitechnika Wrocławska Wydział Elektroniki INFORMATYKA SYSTEMÓW AUTONOMICZNYCH. Heurystyka, co to jest, potencjalne zastosowania
Politechnika Wrocławska Wydział Elektroniki INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Autor: Łukasz Patyra indeks: 133325 Prowadzący zajęcia: dr inż. Marek Piasecki Ocena pracy: Wrocław 2007 Spis treści 1 Wstęp
Bardziej szczegółowoLABORATORIUM 2: Wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE. opracował: dr inż. Witold Beluch
OBLICZENIA EWOLUCYJNE LABORATORIUM 2: Wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE opracował: dr inż. Witold Beluch witold.beluch@polsl.pl Gliwice 12 OBLICZENIA EWOLUCYJNE LABORATORIUM
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej 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 szczegółowoAlgorytmy ewolucyjne
Tomasz "Zyx" Jędrzejewski Algorytmy ewolucyjne Wersja 1.0 (6.07.2006) Szczegółowe informacje o licencji znajdują się pod artykułem. www.zyxist.com 1 Algorytmy ewolucyjne- www.zyxist.com Algorytmy ewolucyjne
Bardziej szczegółowoObliczenia ewolucyjne - plan wykładu
Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja
Bardziej szczegółowoWyznaczanie optymalnej trasy problem komiwojażera
Wyznaczanie optymalnej trasy problem komiwojażera Optymalizacja w podejmowaniu decyzji Opracowała: mgr inż. Natalia Malinowska Wrocław, dn. 28.03.2017 Wydział Elektroniki Politechnika Wrocławska Plan prezentacji
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 szczegółowoStruktury 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 DMT rozwiązuje problem decyzyjny π przy kodowaniu e w co najwyżej wielomianowym czasie, jeśli dla wszystkich łańcuchów wejściowych
Bardziej szczegółowoProblemy z ograniczeniami
Problemy z ograniczeniami 1 2 Dlaczego zadania z ograniczeniami Wiele praktycznych problemów to problemy z ograniczeniami. Problemy trudne obliczeniowo (np-trudne) to prawie zawsze problemy z ograniczeniami.
Bardziej 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 szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoALGORYTMY GENETYCZNE (wykład + ćwiczenia)
ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 2 FITNESS
Bardziej szczegółowoStrategie ewolucyjne (ang. evolu4on strategies)
Strategie ewolucyjne (ang. evolu4on strategies) Strategia ewolucyjna (1+1) W Strategii Ewolucyjnej(1 + 1), populacja złożona z jednego osobnika generuje jednego potomka. Kolejne (jednoelementowe) populacje
Bardziej szczegółowoAlgorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach
Adam Stawowy Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Summary: We present a meta-heuristic to combine Monte Carlo simulation with genetic algorithm for Capital
Bardziej szczegółowoRównoważność algorytmów optymalizacji
Równoważność algorytmów optymalizacji Reguła nie ma nic za darmo (ang. no free lunch theory): efektywność różnych typowych algorytmów szukania uśredniona po wszystkich możliwych problemach optymalizacyjnych
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome EVOLUTIONARY OPERATORS AND RECEIVING FITNESS F. wykład VALUE fitness
Bardziej szczegółowoLICZEBNOŚĆ POPULACJI OBLICZENIA EWOLUCYJNE. wykład 3. Istotny parametr AG...
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS VALUE fitness f. value
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA HISTORIA NA CZYM BAZUJĄ AG
PLAN WYKŁADU OPTYMALIZACJA GLOBALNA Wykład 2 dr inż. Agnieszka Bołtuć Historia Zadania Co odróżnia od klasycznych algorytmów Nazewnictwo Etapy Kodowanie, inicjalizacja, transformacja funkcji celu Selekcja
Bardziej 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 szczegółowoAlgorytmy genetyczne służą głównie do tego, żeby rozwiązywać zadania optymalizacji
Kolejna metoda informatyczna inspirowana przez Naturę - algorytmy genetyczne Struktura molekuły DNA nośnika informacji genetycznej w biologii Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania
Bardziej szczegółowoAlgorytmy ewolucyjne. wprowadzenie
Algorytmy ewolucyjne wprowadzenie Gracjan Wilczewski, www.mat.uni.torun.pl/~gracjan Toruń, 2005 Historia Podstawowy algorytm genetyczny został wprowadzony przez Johna Hollanda (Uniwersytet Michigan) i
Bardziej szczegółowoWielokryterialne harmonogramowanie portfela projektów. Bogumiła Krzeszowska Katedra Badań Operacyjnych
Wielokryterialne harmonogramowanie portfela projektów Bogumiła Krzeszowska Katedra Badań Operacyjnych Problem Należy utworzyć harmonogram portfela projektów. Poprzez harmonogram portfela projektów będziemy
Bardziej szczegółowoWykorzystanie metod ewolucyjnych w projektowaniu algorytmów kwantowych
Wykorzystanie metod ewolucyjnych w projektowaniu algorytmów kwantowych mgr inż. Robert Nowotniak Politechnika Łódzka 1 października 2008 Robert Nowotniak 1 października 2008 1 / 18 Plan referatu 1 Informatyka
Bardziej szczegółowoAlgorytmy ewolucyjne (2)
Algorytmy ewolucyjne (2) zajecia.jakubw.pl/nai/ ALGORYTM GEETYCZY Cel: znaleźć makimum unkcji. Założenie: unkcja ta jet dodatnia. 1. Tworzymy oobników loowych. 2. Stoujemy operacje mutacji i krzyżowania
Bardziej szczegółowoOdkrywanie algorytmów kwantowych za pomocą programowania genetycznego
Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego Piotr Rybak Koło naukowe fizyków Migacz, Uniwersytet Wrocławski Piotr Rybak (Migacz UWr) Odkrywanie algorytmów kwantowych 1 / 17 Spis
Bardziej szczegółowoLABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność
Bardziej szczegółowoRozwiązanie problemu komiwojażera przy użyciu algorytmu genetycznego 2
Joanna Ochelska-Mierzejewska 1 Politechnika Łódzka Rozwiązanie problemu komiwojażera przy użyciu algorytmu genetycznego 2 Wprowadzenie Jednym z podstawowych ogniw usług logistycznych jest transport [7].
Bardziej szczegółowoKARTA MODUŁU KSZTAŁCENIA
KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoMatematyka zajęcia fakultatywne (Wyspa inżynierów) Dodatkowe w ramach projektu UE
PROGRAM ZAJĘĆ FAKULTATYWNYCH Z MATEMATYKI DLA STUDENTÓW I ROKU SYLABUS Nazwa uczelni: Wyższa Szkoła Przedsiębiorczości i Administracji w Lublinie ul. Bursaki 12, 20-150 Lublin Kierunek Rok studiów Informatyka
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 szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58 Anna LANDOWSKA ROZWIĄZANIE PROBLEMU OPTYMALNEGO PRZYDZIAŁU ZA POMOCĄ KLASYCZNEGO
Bardziej szczegółowoRok akademicki: 2013/2014 Kod: JIS AD-s Punkty ECTS: 4. Kierunek: Informatyka Stosowana Specjalność: Modelowanie i analiza danych
Nazwa modułu: Algorytmy genetyczne i ich zastosowania Rok akademicki: 2013/2014 Kod: JIS-2-201-AD-s Punkty ECTS: 4 Wydział: Fizyki i Informatyki Stosowanej Kierunek: Informatyka Stosowana Specjalność:
Bardziej szczegółowoZastosowanie technologii nvidia CUDA do zrównoleglenia algorytmu genetycznego dla problemu komiwojażera
Zastosowanie technologii nvidia CUDA do zrównoleglenia algorytmu genetycznego dla problemu komiwojażera Adam Hrazdil Wydział Inżynierii Mechanicznej i Informatyki Kierunek informatyka, Rok V hrazdil@op.pl
Bardziej szczegółowoZaawansowane programowanie
Zaawansowane programowanie wykład 1: wprowadzenie + algorytmy genetyczne Plan wykładów 1. Wprowadzenie + algorytmy genetyczne 2. Metoda przeszukiwania tabu 3. Inne heurystyki 4. Jeszcze o metaheurystykach
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Wykład wstępny Plan prezentacji 1 Wprowadzenie Kontakt Tematyka wykładu Zasady zaliczenia 2 3
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2011, Oeconomica 285 (62), 45 50
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2011, Oeconomica 285 (62), 45 50 Anna Landowska KLASYCZNY ALGORYTM GENETYCZNY W DYNAMICZNEJ OPTYMALIZACJI MODELU
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 szczegółowoBIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE. Adrian Horzyk. Akademia Górniczo-Hutnicza
BIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoKatedra Informatyki Stosowanej. Algorytmy ewolucyjne. Inteligencja obliczeniowa
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Treść wykładu Wprowadzenie Zasada działania Podział EA Cechy EA Algorytm genetyczny 2 EA - wprowadzenie Algorytmy ewolucyjne
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. wykład VALUE 3fitness f. value EVOLUTIONARY
Bardziej szczegółowoModyfikacje i ulepszenia standardowego algorytmu genetycznego
Modyfikacje i ulepszenia standardowego algorytmu genetycznego 1 2 Przypomnienie: pseudokod SGA t=0; initialize(p 0 ); while(!termination_condition(p t )) { evaluate(p t ); T t =selection(p t ); O t =crossover(t
Bardziej szczegółowoALGORYTMY 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 szczegółowoLABORATORIUM 1: Program Evolutionary Algorithms
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 1: Program Evolutionary Algorithms opracował:
Bardziej szczegółowoZadanie 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 szczegółowoMIO - LABORATORIUM. Imię i nazwisko Rok ak. Gr. Sem. Komputer Data ... 20 / EC3 VIII LAB...
MIO - LABORATORIUM Temat ćwiczenia: TSP - Problem komiwojażera Imię i nazwisko Rok ak. Gr. Sem. Komputer Data Podpis prowadzącego... 20 / EC3 VIII LAB...... Zadanie Zapoznać się z problemem komiwojażera
Bardziej szczegółowoZARZĄDZANIE POPULACJAMI ZWIERZĄT
ZARZĄDZANIE POPULACJAMI ZWIERZĄT Ćwiczenia 1 mgr Magda Kaczmarek-Okrój magda_kaczmarek_okroj@sggw.pl 1 ZAGADNIENIA struktura genetyczna populacji obliczanie frekwencji genotypów obliczanie frekwencji alleli
Bardziej szczegółowoMETODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne
METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz: MSI - algorytmy ewolucyjne
Bardziej szczegółowoALGORYTMY GENETYCZNE
ALGORYTMY GENETYCZNE Algorytmy Genetyczne I. Co to są algorytmy genetyczne? II. Podstawowe pojęcia algorytmów genetycznych III. Proste algorytmy genetyczne IV. Kodowanie osobników i operacje genetyczne.
Bardziej szczegółowoOptymalizacja parametryczna (punkt kartezjańskim jest niewypukła).
METODY INTELIGENCJI OBLICZENIOWEJ wykład RODZAJE ZADAŃ OPTYMALIZACJI (w zależno ności od przestrzeni szukiwań) Optymalizacja parametryczna (punkt U jest wektorem zm. niezależnych nych):. Zadania ciągłe
Bardziej szczegółowoLABORATORIUM 5: Wpływ reprodukcji na skuteczność poszukiwań AE. opracował: dr inż. Witold Beluch
OBLICZENIA EWOLUCYJNE LABORATORIUM 5: Wpływ reprodukcji na skuteczność poszukiwań AE opracował: dr inż. Witold Beluch witold.beluch@polsl.pl Gliwice 2012 OBLICZENIA EWOLUCYJNE LABORATORIUM 5 2 Cel ćwiczenia
Bardziej szczegółowoStrategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek
Strategie ewolucyjne Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne, a algorytmy genetyczne Podobieństwa: Oba działają na populacjach rozwiązań Korzystają z zasad selecji i przetwarzania
Bardziej 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 szczegółowoStandardowy algorytm genetyczny
Standardowy algorytm genetyczny 1 Szybki przegląd 2 Opracowany w USA w latach 70. Wcześni badacze: John H. Holland. Autor monografii Adaptation in Natural and Artificial Systems, wydanej w 1975 r., (teoria
Bardziej szczegółowoZASTOSOWANIE ALGORYTMÓW GENETYCZNYCH DO AUTOMATYCZNEGO GENEROWANIA PLANU ZAJĘĆ 10
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej Nr 21 XV Seminarium ZASTOSOWANIE KOMPUTERÓW w NAUCE i TECHNICE 2005 Oddział Gdański PTETiS ZASTOSOWANIE ALGORYTMÓW GENETYCZNYCH
Bardziej szczegółowoALGORYTMY GENETYCZNE I EWOLUCYJNE
http://wazniak.mimuw.edu.pl INTELIGENTNE TECHNIKI KOMPUTEROWE wykład Karol Darwin (59 On the origin of species ): ALGORYTMY GENETYCZNE I EWOLUCYJNE Gregor Johann Mel (-) - austriacki zakonnik, augustianin,
Bardziej szczegółowoWSTĘP. Copyright 2011, Joanna Szyda
BIOINFORMATYKA 1. Wykład wstępny 2. Struktury danych w badaniach bioinformatycznych 3. Bazy danych: projektowanie i struktura 4. Bazy danych: projektowanie i struktura 5. Równowaga Hardyego-Weinberga,
Bardziej szczegółowoSystemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta
Systemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta Dr inż. Jacek Mazurkiewicz Katedra Informatyki Technicznej e-mail: Jacek.Mazurkiewicz@pwr.edu.pl Wprowadzenie Problemy
Bardziej szczegółowo