PRZYKŁADOWE TEMATY ZADAŃ PROJEKTOWYCH

Podobne dokumenty
PRZYKŁADOWE TEMATY ZADAŃ PROJEKTOWYCH

PRZYKŁADOWE TEMATY ZADAŃ PROJEKTOWYCH

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

WYBRANE MOŻLIWOŚCI WSPOMAGANIA INWESTYCJI

Prawdopodobieństwo i statystyka r.

ZAGADNIENIE TRANSPORTOWE

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

Portfel złożony z wielu papierów wartościowych

5. OPTYMALIZACJA NIELINIOWA

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I PODSTAWY IDENTYFIKACJI

Badania operacyjne. Algorytm simpleks. Organizacja zajęć. Zaliczenie. Literatura. Program zajęć

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

System finansowy gospodarki

Analiza Matematyczna Ćwiczenia. J. de Lucas

3. OPTYMALIZACJA NIELINIOWA

PRZEDZIAŁOWE METODY ROZWIĄZYWANIA ALGEBRAICZNYCH RÓWNAŃ NIELINIOWYCH MECHANIKI KONSTRUKCJI

Podstawy opracowania wyników pomiarowych, analiza błędów

Współczynnik korelacji rangowej badanie zależności między preferencjami

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

... MATHCAD - PRACA 1/A

SZTUCZNA INTELIGENCJA

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację.

TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości

ELEMENTY TEORII MOŻLIWOŚCI

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

Relacyjny model danych. Relacyjny model danych

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1

Regresja REGRESJA

System finansowy gospodarki

Prawdopodobieństwo i statystyka r.

Matematyczny opis ryzyka

EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą.

Badania Maszyn CNC. Nr 2

Statystyka Matematyczna Anna Janicka

AKADEMIA MORSKA W SZCZECINIE

Podprzestrzenie macierzowe

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. dr Michał Silarski

Planowanie eksperymentu pomiarowego I

IV. ZMIENNE LOSOWE DWUWYMIAROWE

05 Klasyfikacja modeli planowania sieci dostaw Model: 1Po_1Pr_KT

06 Model planowania sieci dostaw 1Po_1Pr_KT+KM

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5

MODELE OBIEKTÓW W 3-D3 część

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10)

JEDNOWYMIAROWA ZMIENNA LOSOWA

Teoria i metody optymalizacji

Matematyka dyskretna. 10. Funkcja Möbiusa

n R ZałóŜmy, Ŝe istnieje d, dla którego: Metody optymalizacji Dr inŝ. Ewa Szlachcic otwarte otoczenie R n punktu x, Ŝe

Podstawowe pojcia. Metody probabilistyczne i statystyka Wykład 7: Statystyka opisowa. Rozkłady prawdopodobiestwa wystpujce w statystyce.

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

WYZNACZANIE WARTOŚCI ENERGII ROZPRASZANEJ PODCZAS ZDERZENIA CIAŁ

dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =?

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych

GEODEZJA INŻYNIERYJNA SEMESTR 6 STUDIA NIESTACJONARNE

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

Elementy arytmetyki komputerowej

Generator liczb pseudolosowych oparty na ciągu rekurencyjnym Fibonacciego. Liczby pseudolosowe generowane są na podstawie poniższej formuły

Badania niezawodnościowe i statystyczna analiza ich wyników

Monika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu

Wyrażanie niepewności pomiaru

Miary statystyczne. Katowice 2014

08 Model planowania sieci dostaw 1Po_2Pr_KT+KM

Zadania z analizy matematycznej - sem. I Szeregi liczbowe

STATYSTYKA OPISOWA WYKŁAD 3,4

1. Relacja preferencji

1 Metody optymalizacji wielokryterialnej Ogólna charakterystyka problemu Tradycyjne metody optymalizacji wielokryterialnej...

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

Algorytmy ewolucyjne

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Prawdopodobieństwo i statystyka

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min

Agenda. Politechnika Poznańska WMRiT ZST. Piotr Sawicki Optymalizacja w transporcie 1. Kluczowe elementy wykładu

Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej. Literatura. W. Rudin: Podstawy analizy matematycznej, PWN, Warszawa, 1982.

Projekt 2 2. Wielomiany interpolujące

1. Granica funkcji w punkcie

. Wtedy E V U jest równa

FUNKCJE DWÓCH ZMIENNYCH

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

8.1 Zbieżność ciągu i szeregu funkcyjnego

Zadanie 5 - Algorytmy genetyczne (optymalizacja)

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

Pomiary bezpośrednie i pośrednie obarczone błędem przypadkowym


Pomiary parametrów napięć i prądów przemiennych

11/22/2014 STRATEGIE MIESZANE - MOTYWACJA. ROZWAśMY PRZYKŁAD:

METODY KOMPUTEROWE 1

Ćwiczenia nr 3 Finanse II Robert Ślepaczuk. Teoria portfela papierów wartościowych

Algorytmy ewolucyjne 1

FINANSE II. Model jednowskaźnikowy Sharpe a.

WSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LABORATORIUM II PROGRAMOWANIE CELOWE, ILORAZOWE I MIN-MAX. min. min

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki

Transkrypt:

PRZYKŁADOWE TEMATY ZADAŃ PROJEKTOWYCH Z PRZEDMIOTU EWOLUCYJNE METODY OPTYMALIZACJI. Rozwązać zadae zadaa załaduku (plecakowego z ograczeam a dopuszczale wymary oraz cężar []: a algorytmem symulowaego wyżarzaa. b algorytmem geetyczym c strategą ewolucyją (µ, λ d strategą ewolucyją (µλ e programowaem ewolucyjym. Rozwązać zadae zberaa ploów oraz zadae pchaa wózka []: a algorytmem symulowaego wyżarzaa. b algorytmem geetyczym c strategą ewolucyją (µ, λ d strategą ewolucyją (µλ e programowaem ewolucyjym. Rozwązać problem komwojażera: a algorytmem symulowaego wyżarzaa. b algorytmem geetyczym c strategą ewolucyją (µ, λ d strategą ewolucyją (µλ e programowaem ewolucyjym W rozwązywaym probleme przyjąć, ż e wszystke połączea mędzy dowolym mastam są dopuszczale. Zastosować odpoweda reprezetację rozwązaa. Przyjąć fukcje kryteralą złożoą z klku wskaźków p. droga, czas, opłaty za przejazd tp.. Zrealzować algorytm z podejścem ewolucyjym doberający parametry regulatora PID dla wybraego obektu opsaego w dzedze czasu cągłego. Jako krytera poszukwań przyjąć odpowede wskaźk charakterystyk czasowych lub częstotlwoścowych. Dla uzyskaych ajlepszych rozwązań przeprowadzć symulacje z uzyskaym w sposób geetyczy regulatoram. Przeprowadzć aalzę porówawczą zaprojektowaego regulatora z klasyczym (tz. zaprojektowaym a podstawe p. metod Zeglera-Ncholsa w warukach zakłóceń systemowych, pomarowych, epewośc modelu obektu. 5. Zastosować algorytm ewolucyjy do rozwązywaa lowego zadaa trasportowego []. 6. Skostruować algorytm ewolucyjy do plaowaa drog w środowsku ruchomego robota [, ]. Program powe wczytywać mapy (przykładowe środowska z

przeszkodam, w którym małby sę poruszać sę robot dwuwymarowe oraz pukty startowe końcowe trasy. Drogę robota przykładowo budować z kawałków l prostych. Poadto ależy zaprezetować a beżąco ajlepsze zalezoe rozwązaa. 7. Wyzaczyć optymale parametry algorytmów ewolucyjych dla zadań bechmarkowych (Dodatek przyjmując odpowed rodzaj kodowaa, metodę selekcj, operacje krzyżowaa mutację oraz strategę podstaweń. 8. Zastosować algorytm z kodowaem welopozomowym (HGA do detyfkacj strukturalej parametryczej daego procesu. 9. Zastosować algorytm z kodowaem welopozomowym (HGA projektowaa regulatorów w dzedze czasu cągłego. Dodatek Krótke opsy rozważaych zadań optymalzacj (węcej w cytowaej lteraturze: a zadae załaduku polega a doborze dla ustaloego zboru artykułów (rzeczy wraz z ch wartoścam rozmaram (lub wagam, takego podzboru artykułów, aby suma ch rozmarów (wag e przekraczała zadaego ograczea (pojemośc lub dopuszczalej ładowośc plecaka oraz by suma ch wartośc była maksymala. Problem moża zdefować w astępujący sposób. Nech steje plecak o zadaej dopuszczalej ładowośc C > oraz N > artykułów. Każdy -ty artykuł posada wartość v oraz wagę w. Należy zaleźć tak wektor bary [ K ] ( = ozacza = N wybray artykuł do plecaka, zaś = reprezetuje brak artykułu w plecaku, aby earuszoe było astępujące ograczee N w C oraz by wartość wskaźka wartośc plecaka była maksymala N v Przyjąć lczbę artykułów N kolejo, 5 5. Wag artykułów wygeerować losowo (z rozkładem rówomerym z przedzału [,] b problem zberaa ploów defuje sę jako astępujące zadae maksymalzacj J = N k= u k przy ograczeu będących rówaem wzrostu = a u k k k,

oraz ograczeu rówoścowym = N gdze jest staem początkowym, a ozacza pewa stałą, zaś k R, u k R reprezetują odpowedo sta (eujeme sterowae. Do rozwaa zadaa przyjąć astępujące parametry: a =., = N =,,,, 5. c zadae pchaa wózka określoe jest jako problem maksymalzacj całkowtej drog przebytej w zadaym czase po odjęcu całkowtego wysłku. Dyskrety model staowy opsujący tak problem wyraża sę astępująco ( k = ( k, ( k = ( k ( k u ( k, k N jako kryterum poszukwań przyjmuje sę astępujący wskaźk jakośc sterowaa J = ( N N N k = u ( k, Zadae rozwązać dla astępujących parametrów, N = 5,,5,, 5,,5,, 5 Dodatek. Fukcje bechmarkowe... Model sfery f ( =. Dzedza poszukwań:, =,,...,. Globale mmum dla f (,,..., =... Fukcja Schwefel'a r. f ( =. Dzedza poszukwań:, =,,...,. Globale mmum dla f (,,..., =... Fukcja Schewfel'a r. f = ma{, } (. Dzedza poszukwań:, =,,...,. Globale mmum dla f (,,..., =... Fukcja Schewfel'a r. f ( = ( s( Dzedza poszukwań: 5 5, =,,...,. Globale mmum dal f (.9687,.9687,...,.9687 = 569. 5.

j j= Dzedza poszukwań:, =,,...,. Globale mmum dla f (,,..., =..5. Fukcja Schewfel'a r. f ( =.6. Fukcja Rosebrock'a f ( = [ ( ( ] Dzedza poszukwań:, =,,..., Globale mmum dla f (,,..., =.7. Fukcja skokowa f ( = (.5 Dzedza poszukwań:, =,,..., Globale mmum dla f (,,..., =.8. Zaszumoa fukcja czwartego stopa f ( = radom[, Dzedza poszukwań:.8.8, =,,..., Globale mmum dla f (,,..., =.9. Fukcja Rastrg'a f ( = [ cos(π ] Dzedza poszukwań: 5. 5., =,,..., Globale mmum dla f (,,..., =.. Fukcja Ackley'a f ( = ep. ep cos( ep( π Dzedza poszukwań:, =,,..., Globale mmum dla f (,,..., =.. Fukcja Grewak a f ( = cos Dzedza poszukwań: 6 6, =,,..., Globale mmum dla f (,,..., =

.. Fukcja wlcze doły f ( 5 = 5 j= j ( a j 6 gdze a j ozaczają elemety astępującej macerzy A = 6 6 6 K K 6 Dzedza poszukwań: 65.56 65.56, =, Globale mmum dla f (,.. Fukcja Kowalk'a f ( = ( b b a b b gdze współczyk a, b przyjmują astępujące wartośc a b.957.5.97.5.75.6 5.8 6.67 6 7.56 8 8. 9..5.6 6 Dzedza poszukwań: 5 5, j =,,, j Globale mmum dla f (.98,.98,.,.58. 75 6.. Fukcja sześcogarbego welbłąda f ( =. Dzedza poszukwań: 5 5, =, Globale mmum dla: f (.898,.76 =. 685 oraz f (.898,.76 =.685 5. 5.5. Fukcja Bra a f ( = 6 cos π π 8π Dzedza poszukwań:, 5 5 5

Global mmum dla: f (.,.75 =. 98, f (.,.75 =. 98 oraz f ( 9.5,.5 =.98.6. Fukcja Goldste a-prce a f ( = [ [ ( ( (9 (8 Dzedza poszukwań:, =, Globale mmum dla f (, =.7. Fukcja Hartma'a r. f ( = c ep gdze współczyk a j, c oraz j 6 8 6 ] 7 aj ( pj j= p przyjmują stępujące wartośc a a a c p p p.689.7.67. 5..699.87.77.9.87.557. 5..85.57.888 Dzedza poszukwań:, j =,, Globale mmum dla f (.,.556,.85 =. 86.8. Fukcja Hartma'a r. f ( = c ep j gdze współczyk a j, c oraz j 6 aj ( pj j= p przyjmują astępujące wartośc ] a a a a a 5 a 6 c p p p p p 5 p 6 7.5.7 8..696.5569..88.5886..5 7. 8..9.5.87.76..999.5.7 7 8.8.5.5.88.7.665 7 8.5...7.888.87.57.9.8 Dzedza poszukwań:, j =,,,,5, 6 j Globale mmum dla f (.,.5,.77,.75,.,.657 =..9. Fukcja Shekel'a r. gdze współczyk a j j 5 f ( = ( aj c j j= c przyjmują astępujące wartośc j a j a j a j a j c j.......... 8. 8. 8. 8.. 6. 6. 6. 6.. 6

5. 7.. 7..6 6. 9.. 9..6 7 5. 5.... 8 8.. 8...7 9 6.. 6...5 7..6 7..6.5 Dzedza poszukwań:, =,,, Globale mmum dla f (,,, =. 5.. Fukcja Shekel'a r. f ( = 7 j= ( a j c j Dzedza poszukwań:, =,,, Globale mmum dla f (,,, =. 8.. Fukcja Shekel'a r. f ( = ( aj c j= Dzedza poszukwań:, =,,, Globale mmum dla f (,,, =. 568 s (.5.. Fukcja Schaffer'a r. f ( =.5 j [.( ] Dzedza poszukwań:, =, Globale mmum dla f (, =.5... Fukcja Schaffer'a r. f ( = ( [ s( 5( ] Dzedza poszukwań:, =, Globale mmum dla f (, = 5 5.. Fukcja Shubert'a f ( = cos[ ( ] cos[ ( Dzedza poszukwań:, =, Globale mmum dla wartośc 8.7 w 8 puktach ].5. Fukcja Easom'a f ( = cos( cos( ep( ( π ( π Dzedza poszukwań:, =, Globale mmum dla f ( π, π =.6. Fukcja Bohachevsky'ego r. f ( =. cos(π. cos(π Dzedza poszukwań: 5 5, =,.7 7

Globale mmum dla f (, =.7. Fukcja Bohachevsky'ego r. f ( =. cos(π cos(π Dzedza poszukwań: 5 5, =, Globale mmum dla f (, = (..8. Fukcja Bohachevsky'ego r. f ( =. cos(π cos(π. Dzedza poszukwań: 5 5, =, Globale mmum dla f (, =.9. Coldvlle's fucto f ( = ( ( 9( (. ( ( ( 9.8( ( Dzedza poszukwań:, =,,, Globale mmum dla f (,,, = Lteratura [] Arabas J., (: Wykłady z algorytmów ewolucyjych, WNT Warszawa. [] Goldberg D. E., (995: Algorytmy geetycze ch zastosowaa, WNT Warszawa. [] Mchalewcz Z., (996: Algorytmy geetycze struktury daych = programy ewolucyje, WNT Warszawa. 8