Plánování projektu. 3. dubna Úvod. 2 Reprezentace projektu. 3 Neomezené zdroje. 4 Variabilní doba trvání. 5 Přidání pracovní síly

Rozměr: px
Začít zobrazení ze stránky:

Download "Plánování projektu. 3. dubna Úvod. 2 Reprezentace projektu. 3 Neomezené zdroje. 4 Variabilní doba trvání. 5 Přidání pracovní síly"

Transkript

1 Plánování proektu 3. dubna Úvod 2 Reprezentace proektu 3 Neomezené zdroe 4 Variabilní doba trvání 5 Přidání pracovní síly

2 Problémy plánování proektu Zprostředkování, instalace a testování rozsáhlého počítačového systému proekt zahrnue evaluace a výběr hardware, vývo software, nábor a školení lidí, testování a ladění systému,... precedenční vztahy některé úlohy mohou být prováděny paralelně úloha musí být realizována až po dokončení iných úloh cíl: minimalizovat čas na realizaci celého proektu Příklady dalších problémů stavba nemovitostí, konstrukce center elektráren, voenský průmysl Hana Rudová, FI MU: Plánování proektu 2 3. dubna 2018

3 Plánování proektu Základní problém plánování proektu precedenční podmínky paralelní stro s neomezeným počtem stroů minimalizace maximálního času konce úloh (makespan) relativně ednoduché na řešení Rozšíření variabilní doba trvání (spoena s cenou provádění) optimalizace: kompromis mezi cenou na ukončení proektu a cenou za zkrácení délky úloh pracovní síla (skupiny operátorů s odlišnou specializací) při sdílení omezeného množství operátorů nutno uvažovat disunktivní hrany komplexní problém, ehož řešení e velmi obtížné Hana Rudová, FI MU: Plánování proektu 3 3. dubna 2018

4 Reprezentace proektu: úloha ako hrana Úloha ako hrana mezi dvěma uzly první uzel reprezentue čas startu úlohy druhý uzel reprezentue čas konce úlohy Dvě úlohy nemohou mít stený startovní a koncový uzel Musíme zavést pomocné (dummy) úlohy Hana Rudová, FI MU: Plánování proektu 4 3. dubna 2018

5 Korektní vyádření precedencí Je korektní tato reprezentace? Úloha Předchůdci A B A C D A,C E B,C A B E C D Není: B nemá předchůdce C Musíme uvažovat následuící reprezentaci A B E C D Hana Rudová, FI MU: Plánování proektu 5 3. dubna 2018

6 Reprezentace proektu: úloha ako uzel Reprezentace: úloha ako uzel hrany reprezentuí precedenční podmínky síť neobsahue žádné orientované cykly Úloha Doba Předchůdci trvání , , Hana Rudová, FI MU: Plánování proektu 6 3. dubna 2018

7 Výhodněší reprezentace Běžně používana reprezentace úloha ako hrana Výhodněší ale úloha ako uzel nesou nutné redundantní hrany (pomocné úlohy) pro korektní vyádření precedencí úloha ako uzel lze převést na úloha ako obdelník horizontální strany obdelníku použity ako časové osy odpovídaící době provádění úlohy uloha uloha k Hana Rudová, FI MU: Plánování proektu 7 3. dubna 2018

8 Popis problému Popis problému m paralelně zapoených stroů n úloh s precedenčními omezeními doba provádění p obektivní funkce: minimalizace maximálního času konce úloh (makespan) P prec C max (a m n) polynomiální složitost, metoda kritické cesty P m prec C max 2 m < n NP úplný problém Značení S nedřívěší startovní čas úlohy C = S + p nedřívěší koncový úlohy S nepozděší startovní čas úlohy C nepozděší koncový čas úlohy Prec (přímí) předchůdci úlohy k Prec všechny úlohy k, které předcházeí úlohu : k Prec všechny úlohy, které následuí úlohu k Hana Rudová, FI MU: Plánování proektu 8 3. dubna 2018

9 Metoda kritické cesty Popis algoritmu pro nalezení kritické cesty dopředná procedura start v čase 0 výpočet nedřívěšího startovního času každé úlohy čas dokončení poslední úlohy e makespan zpětná procedura start v čase rovném makespan výpočet nepozděšího startovního času, aby byl realizován tento makespan Úloha s rezervou (slack ob) eí startovní čas může být odložen aniž e navýšen makespan úloha, eichž nedřívěší startovní čas e menší než nepozděší startovní čas Kritická úloha úloha, která nesmí být odložena úlohy, eichž nedřívěší startovní čas e roven nepozděšímu startovnímu čas Kritická cesta řetěz úloh začínaící v čase 0 a končící v čase C max v grafu může existovat více kritických cest kritické cesty se mohou částečně překrývat graf kritických cest G CP : podgraf daný množinou kritických úloh a kritických cest Hana Rudová, FI MU: Plánování proektu 9 3. dubna 2018

10 Kritická cesta: zadání příkladu p Hana Rudová, FI MU: Plánování proektu dubna 2018

11 Příklad: dopředná procedura 1 5+6= = = = legenda S 23+10=33 + p = C S 33+9= = = = =50 5+9= = = =32 Hana Rudová, FI MU: Plánování proektu dubna 2018

12 Příklad: zpětná procedura 5 5=0 1 legenda 12 6= = =24 C p = S = = = = = = = = = =44 Hana Rudová, FI MU: Plánování proektu dubna 2018

13 Kritická cesta C max = Hana Rudová, FI MU: Plánování proektu dubna 2018

14 Algoritmus pro nalezení kritické cesty 1 Dopředná procedura 1 t = 0 2 pro všechny úlohy bez předchůdce: S = 0, C = p 3 vypočíte postupně pro všechny zbývaící úlohy : k2 k1 k3 S = max C k, C = S + p k Prec 4 optimální makespan e C max = max(c 1,..., C n) 2 Zpětná procedura t = C max pro všechny úlohy bez následníka: C = C max, S = C max p vypočíte postupně pro všechny zbývaící úlohy : k1 k3 k2 C = min ověř, že 0 = min(s 1,..., S n ) k: Prec k S k, S = C p Hana Rudová, FI MU: Plánování proektu dubna 2018

15 Kompromis mezi časem a cenou Lze uvažovat variabilní dobu trvání úloh za předpokladu vyšší ceny lze zkrátit dobu provádění Lineární cena Doba trvání p min p p max Marginální cena: cena za zkrácení doby trvání úlohy o 1 časovou ednotku c a c b prostředky (peníze) c = ca c b p min p max p min doba provádění max p př. p min = 10, p max = 15, c b = 10, c a = 20, c = 2 cena provádění úlohy po dobu p : c b + c (p max p ) Hana Rudová, FI MU: Plánování proektu dubna 2018

16 Cena za provádění proektu Fixní režiní náklady c 0 celkem: C max c 0 na časovou ednotku doby provádění proektu Cena F (p ) za provádění proektu při době provádění úloh p určena ako součet ceny za provádění všech úloh fixních režiních nákladů F (p ) = C max c 0 + ( c b + c (p max p ) ) Cíl: nalézt p a S tak, aby byla F (p ) minimální c a c b prostředky (peníze) p min doba provádění max p Hana Rudová, FI MU: Plánování proektu dubna 2018

17 Variabilní doba trvání: metody řešení Obektivní funkce: minimální cena proektu Kompromisní heuristika mezi časem a cenou dobrá kvalita rozvrhu použitené i pro nelineární cenu Formulace lineárního programování optimální rozvrh nelineární verze obtížně řešitelné Hana Rudová, FI MU: Plánování proektu dubna 2018

18 Opakování: Řez, minimální řez Orientovaný graf G = (V, E) Počáteční uzel: zdro s V Koncový uzel: stok t V Řez:... také mluvíme o vrcholovém řezu množina uzlů V, eíž smazáním z grafu se rozpoí zdro a stok E množina hran incidentních s V t. v G =(V-V,E-E ) neexistue orientovaná cesta z s to t Minimální řez: řez U takový, že neexistue řez W U t. vrácení libovolného uzlu z U do grafu znovu spoí zdro a stok minimální řez zdro řez stok Hana Rudová, FI MU: Plánování proektu dubna 2018

19 Řez, minimální řez II. Uvažume orientovaný graf G 0 = (V 0, E 0 ) Do grafu přidáme zdro: nový vrchol s a hrany S vedoucí z s do všech vrcholů G 0 bez předchůdců Do grafu přidáme stok: nový vrchol t a hrany T vedoucí ze všech vrcholů G 0 bez následníků do t Nový graf G = (V, E): V = V 0 {s, t}, E = E 0 S T Budeme hledat řezy a minimální řezy z s do t v G př. graf má 4 minimální řezy minimální řez zdro řez stok Hana Rudová, FI MU: Plánování proektu dubna 2018

20 Kompromisní heuristika: příklad p max p min c b c fixní režiní náklady na časovou ednotku c 0 =6 Hana Rudová, FI MU: Plánování proektu dubna 2018

21 Algoritmus kompromisní heuristiky 1 Nastav doby provádění na eich maximum: p = p max Urči všechny kritické cesty s těmito dobami provádění Zkonstruu graf G CP kritických cest 2 Urči všechny minimální řezy v G CP pozn. pokud zkrátíme dobu provádění všech úloh v minimálním řezu, podaří se nám i zkrátit dobu provádění proektu! Nadi řezy, eichž doba provádění e větší než eich minimum: p > p min G CP Pokud takový řez neexistue STOP, inak běž na krok 3 3 Pro každý minimální řez: spočíte cenu redukuící všechny doby provádění o 1 časovou ednotku Vyber minimální řez s nenižší cenou pozn. abychom za snížení zaplatili co nenižší cenu Jestliže e cena řezu menší než fixní režiní náklady c 0 za časovou ednotku běž na krok 4, inak STOP 4 Reduku všechny doby provádění v minimálním řezu o 1 časovou ednotku Urči novou množinu kritických cest Revidu graf G CP a běž na krok 2 Hana Rudová, FI MU: Plánování proektu dubna 2018

22 Příklad (pokračování): maximální doba provádění C max = Hana Rudová, FI MU: Plánování proektu dubna 2018

23 Kompromisní heuristika: příklad c 0 =6 p max p min c b c Náklady na provedení proektu při maximální době trvání úloh F (p max ) = C max c 0 + ( ) c b + c (p max p max ) = = C max c 0 + cb = = = = = 686 Hana Rudová, FI MU: Plánování proektu dubna 2018

24 Podgraf s kritickou cestou (G CP ) Kandidáti na redukci: uzel 11 a uzel 12, vybereme uzel 12 c = c = 3 6 c = c 12= 2 c 14= c = 4 3 Rezy: {1},{3},{6},{9} {11},{12},{14} 11 c = 2 11 minimální řez s nenižší cenou redukce doby provádení ulohy 12 z 8 na 7 Fixní režiní náklady se redukuí z 56 6 na 55 6 = 330 Cena za provádění úloh naroste o c 12 = 2, t = 352 Celková cena klesla z 686 na = 682 Hana Rudová, FI MU: Plánování proektu dubna 2018

25 Podgraf s kritickou cestou (G CP ) c = c = 4 3 c = 3 6 Rezy: {1},{3},{6},{9} {11},{12,13},{14} c = na 6 11 c = 2 11 c 12= 2 c 14= c 13= 4 minimální řez s nenižší cenou redukce doby trvání ulohy 11 ze 7 na 6 Fixní režiní náklady se redukuí z 55 6 na 54 6 = 324 Cena za provádění úloh naroste o c 11 = 2, t = 354 Celková cena klesla z 682 na = 678 Hana Rudová, FI MU: Plánování proektu dubna 2018

26 Podgraf s kritickou cestou (G CP ) C = C 2= 2 C 4= 3 C 7= C = 4 3 C = 3 6 C = C 10= C = 2 11 C 12= 2 C 14= C = 4 13 další redukce: pro uzel 2 na 5 a pro uzel 11 na 5,... Fixní režiní náklady se redukuí z 54 6 na 53 6 = 318 Cena za provádění úloh naroste o c 2 + c 11 = 2 + 2, t = 358 Celková cena klesla z 678 na = 676 Hana Rudová, FI MU: Plánování proektu dubna 2018

27 Lineární program Heuristika negarantue nalezení optima Celková cena e lineární n ( ) c 0 C max + c b + c (p max p ) =1 všimněte si: stená účelová funkce ako cena za provádění proektu Lineární program: c b a c p n max minimalizace: c 0 C max c p se nemění =1 za předpokladu: x k p x 0 Prec k p p max p p min x 0 C max x p 0 kde x e nedřívěší možný startovní čas úlohy Hana Rudová, FI MU: Plánování proektu dubna 2018

28 Přidání pracovní síly Pracovní síla = operátor = zdro Problém popsán v literatuře ako problém plánování proektu s omezenými zdroi resource-constrained proect scheduling problem (RCPSP) n úloh N zdroů R i kapacita zdroe i p doba provádění úlohy R i požadavek úlohy na zdro i Prec (přímí) předchůdci úlohy Hana Rudová, FI MU: Plánování proektu dubna 2018

29 Formulace celočíselného programování Pomocná úloha n + 1 ako stok, p n+1 = 0 x t = 1 úloha e dokončena v čase t x t = 0 inak Kapacita zdroe i, který potřebue úloha t+p 1 v intervalu [t 1, t]: R i x u t+p 1 u=t x u... počítá, zda úloha běží v čase [t 1, t] t 1 t u=t př. úloha s S = 2, p = 2 a t = 2, 3, 4, 5 (x 4 = 1, pro t = 3, 4 úloha započítána) H ako horní hranice makespan: H = Koncový čas úlohy : C = Makespan: C max = H t x t t=1 H t x n+1,t t=1 n =1 p koncový čas stoku Hana Rudová, FI MU: Plánování proektu dubna 2018 p

30 Celočíselný program Minimalizace za předpokladu H t x n+1,t t=1 minimalizace makespan estliže e předchůdce k, pak C S k, t. C C k p k, t. C + p k C k 0 H t x t + p k t=1 t=1 H t x kt 0 Prec k pro každý čas t: požadavek na zdro i nepřeroste kapacitu i n t+p 1 R i x u =1 u=t R i i t každá úloha skončí právě ednou H x t = 1 t=1 Hana Rudová, FI MU: Plánování proektu dubna 2018

31 Diskuse Řešení celočíselného programu obtížné Při velkém počtu úloh a dlouhém časovém horizontu použití heuristik Lze použít programování s omezuícími podmínkami kumulativní zdroe precedenční podmínky Probírané speciální případy problému ob shop + makespan timetabling Hana Rudová, FI MU: Plánování proektu dubna 2018

32 Plánování proektu: shrnutí Základní problém s neomezenými zdroi metoda kritické cesty Neomezené zdroe + variabilní doba trvání (lineární) kompromisní heuristika mezi časem a cenou lineární programování Problém plánování proektu s omezenými zdroi celočíselné programování heuristiky programování s omezuícími podmínkami Hana Rudová, FI MU: Plánování proektu dubna 2018

Plánování úloh na jednom stroji

Plánování úloh na jednom stroji Plánování úloh na jednom stroji 15. dubna 2015 1 Úvod 2 Řídící pravidla 3 Metoda větví a mezí 4 Paprskové prohledávání Jeden stroj a paralelní stroj Dekompoziční problémy pro složité (flexible) job shop

Více

Úvod do rozvrhování. 21. února Příklady. 2 Terminologie. 3 Klasifikace rozvrhovacích problémů. 4 Složitost.

Úvod do rozvrhování. 21. února Příklady. 2 Terminologie. 3 Klasifikace rozvrhovacích problémů. 4 Složitost. Úvod do rozvrhování 21. února 2019 1 Příklady 2 Terminologie 3 Klasifikace rozvrhovacích problémů 4 Složitost 5 Reálné problémy Hana Rudová, FI MU: Úvod do rozvrhování 2 21. února 2019 Definice pojmu rozvrhování

Více

Plánování se zabývá především kauzálními vztahy mezi akcemi a otázkou. Rozvrhování se soustředí na alokaci naplánovaných akcí v čase a prostoru.

Plánování se zabývá především kauzálními vztahy mezi akcemi a otázkou. Rozvrhování se soustředí na alokaci naplánovaných akcí v čase a prostoru. Plánováníá a rozvrhování Roman Barták, KTIML roman.bartak@mff.cuni.cz cz http://ktiml.mff.cuni.cz/~bartak Od plánů k rozvrhům Plánování se zabývá především kauzálními vztahy mezi akcemi a otázkou výběru

Více

Úvod do rozvrhování. 20. února Příklady a reálné problémy. 2 Terminologie. 3 Klasifikace rozvrhovacích problémů.

Úvod do rozvrhování. 20. února Příklady a reálné problémy. 2 Terminologie. 3 Klasifikace rozvrhovacích problémů. Úvod do rozvrhování 20. února 2018 1 Příklady a reálné problémy 2 Terminologie 3 Klasifikace rozvrhovacích problémů 4 Složitost Hana Rudová, FI MU: Úvod do rozvrhování 2 20. února 2018 Definice pojmu rozvrhování

Více

Sbírka příkladů k předmětu PA167 Rozvrhování

Sbírka příkladů k předmětu PA167 Rozvrhování Sbírka příkladů k předmětu PA167 Rozvrhování http://www.fi.muni.cz/~hanka/rozvrhovani Hana Rudová Fakulta informatiky, Masarykova univerzita 14. června 2012 Obsah 1 Úvod do rozvrhování 3 1 Příklady a reálné

Více

Algoritmus pro hledání nejkratší cesty orientovaným grafem

Algoritmus pro hledání nejkratší cesty orientovaným grafem 1.1 Úvod Algoritmus pro hledání nejkratší cesty orientovaným grafem Naprogramoval jsem v Matlabu funkci, která dokáže určit nejkratší cestu v orientovaném grafu mezi libovolnými dvěma vrcholy. Nastudoval

Více

Plánování: reprezentace problému

Plánování: reprezentace problému Plánování: reprezentace problému 15. března 2018 1 Úvod 2 Konceptuální model 3 Množinová reprezentace 4 Klasická reprezentace Zdroj: Roman Barták, přednáška Plánování a rozvrhování, Matematicko-fyzikální

Více

EKONOMICKO-MATEMATICKÉ METODY

EKONOMICKO-MATEMATICKÉ METODY . přednáška EKONOMICKO-MATEMATICKÉ METODY Ekonomcko matematcké metody (též se užívá název operační analýza) sou metody s matematckým základem, využívané především v ekonomcké oblast, v oblast řízení a

Více

ALGORITMY A DATOVÉ STRUKTURY

ALGORITMY A DATOVÉ STRUKTURY Název tématického celku: Cíl: ALGORITMY A DATOVÉ STRUKTURY Metodický list č. 1 Časová složitost algoritmů Základním cílem tohoto tematického celku je vysvětlení potřebných pojmů a definic nutných k popisu

Více

12. Lineární programování

12. Lineární programování . Lineární programování. Lineární programování Úloha lineárního programování (lineární optimalizace) je jedním ze základních problémů teorie optimalizace. Našim cílem je nalézt maximum (resp. minimum)

Více

Časové rezervy. Celková rezerva činnosti

Časové rezervy. Celková rezerva činnosti Časové rezervy Celková rezerva činnosti CR Volná rezerva činnosti VR Nezávislá rezerva činnosti - NR Celková rezerva činnosti Maximální počet časových jednotek, které jsou k dispozici pro provedení činnosti,

Více

Metody síťové analýzy

Metody síťové analýzy Metody síťové analýzy Řeší problematiku složitých systémů, zejména pak vazby mezi jejich jednotlivými prvky. Vychází z teorie grafů. Základní metody síťové analýzy: CPM (Critical Path Method) deterministický

Více

PROBLEMATIKA TAKTOVÝCH JÍZDNÍCH ŘÁDŮ THE PROBLEMS OF INTERVAL TIMETABLES

PROBLEMATIKA TAKTOVÝCH JÍZDNÍCH ŘÁDŮ THE PROBLEMS OF INTERVAL TIMETABLES PROBLEMATIKA TAKTOVÝCH JÍZDNÍCH ŘÁDŮ THE PROBLEMS OF INTERVAL TIMETABLES Zdeněk Píšek 1 Anotace: Příspěvek poednává o základních aspektech a prvcích plánování taktových ízdních řádů a metod, kterých se

Více

Optimalizace & soft omezení: algoritmy

Optimalizace & soft omezení: algoritmy Optimalizace & soft omezení: algoritmy Soft propagace Klasická propagace: eliminace nekonzistentních hodnot z domén proměnných Soft propagace: propagace preferencí (cen) nad k-ticemi hodnot proměnných

Více

SÍŤOVÁ ANALÝZA. Kristýna Slabá, kslaba@students.zcu.cz. 1. července 2010

SÍŤOVÁ ANALÝZA. Kristýna Slabá, kslaba@students.zcu.cz. 1. července 2010 SÍŤOVÁ ANALÝZA Kristýna Slabá, kslaba@students.zcu.cz 1. července 2010 Obsah 1 Úvod do síťové analýzy Hlavní metody síťové analýzy a jejich charakteristika Metoda CPM Metoda PERT Nákladová analýza Metoda

Více

TGH09 - Barvení grafů

TGH09 - Barvení grafů TGH09 - Barvení grafů Jan Březina Technical University of Liberec 15. dubna 2013 Problém: Najít obarvení států na mapě tak, aby žádné sousední státy neměli stejnou barvu. Motivační problém Problém: Najít

Více

Doc. Ing. Tomáš Šubrt, Ph.D. PEF ZU v Praze MODELY OPTIMÁLNÍHO D LENÍ ZAKÁZEK

Doc. Ing. Tomáš Šubrt, Ph.D. PEF ZU v Praze MODELY OPTIMÁLNÍHO D LENÍ ZAKÁZEK Doc. Ing. Tomáš Šubrt, Ph.D. PEF ZU v Praze MODELY OPTIMÁLNÍHO DLENÍ ZAKÁZEK MODELY OPTIMÁLNÍHO DLENÍ ZAKÁZEK Osnova prezentace Charakteristika problému Matematický model pro lineární problém Matematický

Více

u odpovědí typu A, B, C, D, E: Obsah: jako 0) CLP Constraint Logic Programming

u odpovědí typu A, B, C, D, E: Obsah: jako 0) CLP Constraint Logic Programming Průběžná písemná práce Průběžná písemná práce Obsah: Průběžná písemná práce Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ délka pro vypracování: 25 minut nejsou povoleny žádné materiály

Více

TGH05 - aplikace DFS, průchod do šířky

TGH05 - aplikace DFS, průchod do šířky TGH05 - aplikace DFS, průchod do šířky Jan Březina Technical University of Liberec 31. března 2015 Grafová formulace CPM (critical path method) Orientovaný acyklický graf (DAG) je orientovaný graf neobsahující

Více

Cílem kapitoly je seznámit studenta se seznamem a stromem. Jejich konstrukci, užití a základní vlastnosti.

Cílem kapitoly je seznámit studenta se seznamem a stromem. Jejich konstrukci, užití a základní vlastnosti. Seznamy a stromy Cílem kapitoly je seznámit studenta se seznamem a stromem. Jejich konstrukci, užití a základní vlastnosti. Klíčové pojmy: Seznam, spojový seznam, lineární seznam, strom, list, uzel. Úvod

Více

Základy umělé inteligence

Základy umělé inteligence Základy umělé inteligence Automatické řešení úloh Základy umělé inteligence - prohledávání. Vlasta Radová, ZČU, katedra kybernetiky 1 Formalizace úlohy UI chápe řešení úloh jako proces hledání řešení v

Více

MATEMATICKÉ METODY ROZHODOVÁNÍ STUDIJNÍ OPORA PRO KOMBINOVANÉ

MATEMATICKÉ METODY ROZHODOVÁNÍ STUDIJNÍ OPORA PRO KOMBINOVANÉ MATEMATICKÉ METODY ROZHODOVÁNÍ STUDIJNÍ OPORA PRO KOMBINOVANÉ STUDIUM MATEMATICKÉ METODY ROZHODOVÁNÍ RNDr. Vratislava MOŠOVÁ, CSc. Moravská vysoká škola Olomouc, o.p.s., 8 Moravská vysoká škola Olomouc,

Více

Algoritmizace prostorových úloh

Algoritmizace prostorových úloh INOVACE BAKALÁŘSKÝCH A MAGISTERSKÝCH STUDIJNÍCH OBORŮ NA HORNICKO-GEOLOGICKÉ FAKULTĚ VYSOKÉ ŠKOLY BÁŇSKÉ - TECHNICKÉ UNIVERZITY OSTRAVA Algoritmizace prostorových úloh Grafové úlohy Daniela Szturcová Tento

Více

Dynamické programování

Dynamické programování ALG 11 Dynamické programování Úloha batohu neomezená Úloha batohu /1 Úloha batohu / Knapsack problem Máme N předmětů, každý s váhou Vi a cenou Ci (i = 1, 2,..., N) a batoh s kapacitou váhy K. Máme naložit

Více

Grafové algoritmy. Programovací techniky

Grafové algoritmy. Programovací techniky Grafové algoritmy Programovací techniky Grafy Úvod - Terminologie Graf je datová struktura, skládá se z množiny vrcholů V a množiny hran mezi vrcholy E Počet vrcholů a hran musí být konečný a nesmí být

Více

Matice sousednosti NG

Matice sousednosti NG Matice sousednosti NG V = [ v ij ] celočíselná čtvercová matice řádu U v ij = ρ -1 ( [u i, u j ] )... tedy počet hran mezi u i a u j?jaké vlastnosti má matice sousednosti?? Smyčky, rovnoběžné hrany? V

Více

Obsah. 16. dubna Přehled metodik. Terminologie. Vlastnosti stroje Omezení Optimalizace CVUT FEL, K Klasifikace rozvrhovacích problému

Obsah. 16. dubna Přehled metodik. Terminologie. Vlastnosti stroje Omezení Optimalizace CVUT FEL, K Klasifikace rozvrhovacích problému Rozvrhování Radek Mařík CVUT FEL, K13132 16. dubna 2014 Radek Mařík (marikr@fel.cvut.cz) Rozvrhování 16. dubna 2014 1 / 44 Obsah 1 Úvod do rozvrhování Přehled metodik Příklady reálných problémů Terminologie

Více

Kostry. 9. týden. Grafy. Marie Demlová (úpravy Matěj Dostál) 16. dubna 2019

Kostry. 9. týden. Grafy. Marie Demlová (úpravy Matěj Dostál) 16. dubna 2019 Grafy 16. dubna 2019 Tvrzení. Je dán graf G, pak následující je ekvivalentní. 1 G je strom. 2 Graf G nemá kružnice a přidáme-li ke grafu libovolnou hranu, uzavřeme přesně jednu kružnici. 3 Graf G je souvislý

Více

Grafové algoritmy. Programovací techniky

Grafové algoritmy. Programovací techniky Grafové algoritmy Programovací techniky Grafy Úvod - Terminologie Graf je datová struktura, skládá se z množiny vrcholů V a množiny hran mezi vrcholy E Počet vrcholů a hran musí být konečný a nesmí být

Více

5 Orientované grafy, Toky v sítích

5 Orientované grafy, Toky v sítích Petr Hliněný, FI MU Brno, 205 / 9 FI: IB000: Toky v sítích 5 Orientované grafy, Toky v sítích Nyní se budeme zabývat typem sít ových úloh, ve kterých není podstatná délka hran a spojení, nýbž jejich propustnost

Více

Optimální ustálený chod Optima Power Flow -OPF

Optimální ustálený chod Optima Power Flow -OPF 1 Optimalizace režimu sítě-newtonovský přístup Optimální ustálený chod Optima Power Flow -OPF C i (P i ) cena výroby i-tého zdroe Cílové funkce: 1. minimalizace přenosových ztrát. minimum ceny vyráběné

Více

Static Load Balancing Applied to Time Dependent Mechanical Problems

Static Load Balancing Applied to Time Dependent Mechanical Problems Static Load Balancing Applied to Time Dependent Mechanical Problems O. Medek 1, J. Kruis 2, Z. Bittnar 2, P. Tvrdík 1 1 Katedra počítačů České vysoké učení technické, Praha 2 Katedra stavební mechaniky

Více

Binární vyhledávací stromy II

Binární vyhledávací stromy II Binární vyhledávací stromy II doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 19. března 2019 Jiří Dvorský (VŠB TUO) Binární vyhledávací

Více

a jiné elektronické přístroje včetně mobilů. Pracujte samostatně. Povolen je 1 list A4 vlastnoručně psaných poznámek k předmětu...

a jiné elektronické přístroje včetně mobilů. Pracujte samostatně. Povolen je 1 list A4 vlastnoručně psaných poznámek k předmětu... Písemný test MA010 Grafy: 17.1. 2007, var A... 1). Vašim úkolem je sestrojit všechny neisomorfní jednoduché souvislé grafy na 6 vrcholech mající posloupnost stupňů 1,2,2,2,2,3. Zároveň zdůvodněte, proč

Více

Řešení: PŘENESVĚŽ (N, A, B, C) = přenes N disků z A na B pomocí C

Řešení: PŘENESVĚŽ (N, A, B, C) = přenes N disků z A na B pomocí C Hanojské věže - 3 kolíky A, B, C - na A je N disků různé velikosti, seřazené od největšího (dole) k nejmenšímu (nahoře) - kolíky B a C jsou prázdné - úkol: přenést všechny disky z A na B, mohou se odkládat

Více

Obsah: CLP Constraint Logic Programming. u odpovědí typu A, B, C, D, E: jako 0)

Obsah: CLP Constraint Logic Programming. u odpovědí typu A, B, C, D, E: jako 0) Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Průběžná písemná práce Úvod do umělé inteligence 6/12 1 / 17 Průběžná písemná práce Průběžná písemná práce délka pro vypracování: 25

Více

13. Lineární programování

13. Lineární programování Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 MI-PAA EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI

Více

Návrh Designu: Radek Mařík

Návrh Designu: Radek Mařík 1. 7. Najděte nejdelší rostoucí podposloupnost dané posloupnosti. Použijte metodu dynamického programování, napište tabulku průběžných délek částečných výsledků a tabulku předchůdců. a) 5 8 11 13 9 4 1

Více

TGH05 - aplikace DFS, průchod do šířky

TGH05 - aplikace DFS, průchod do šířky TGH05 - aplikace DFS, průchod do šířky Jan Březina Technical University of Liberec 28. března 2017 Grafová formulace CPM (critical path method) Orientovaný acyklický graf (DAG) je orientovaný graf neobsahující

Více

Teoretická informatika Tomáš Foltýnek Barvení grafů Platónská tělesa

Teoretická informatika Tomáš Foltýnek Barvení grafů Platónská tělesa Tomáš Foltýnek foltynek@pef.mendelu.cz Barvení grafů Platónská tělesa strana 2 Opakování z minulé přednášky Co je to prohledávání grafu? Jaké způsoby prohledávání grafu známe? Jak nalézt východ z bludiště?

Více

4. NP-úplné (NPC) a NP-těžké (NPH) problémy

4. NP-úplné (NPC) a NP-těžké (NPH) problémy Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 MI-PAA 4. NP-úplné (NPC) a NP-těžké (NPH) problémy Karpova redukce

Více

Modelování montážní linky

Modelování montážní linky Modelování montážní linky Geza Dohnal 1. Montážní linka S rozvoem hromadné výroby e velice těsně spoen rozvo a automatizace výrobních a montážních linek. Tyto linky se od sebe obecně liší ednak topologií

Více

Rekonstrukce křivek a ploch metodou postupné evoluce

Rekonstrukce křivek a ploch metodou postupné evoluce Rekonstrukce křivek a ploch metodou postupné evoluce Univerzita Karlova v Praze Matematicko-fyzikální fakulta petra.surynkova@mff.cuni.cz Přehled Evoluce křivek princip evoluce použití evoluce křivky ve

Více

Hranová konzistence. Arc consistency AC. Nejprve se zabýváme binárními CSP. podmínka odpovídá hraně v grafu podmínek

Hranová konzistence. Arc consistency AC. Nejprve se zabýváme binárními CSP. podmínka odpovídá hraně v grafu podmínek Hranová konzistence Arc consistency AC Nejprve se zabýváme binárními CSP podmínka odpovídá hraně v grafu podmínek Hrana (V i, V j ) je hranově konzistentní, právě když pro každou hodnotu x z aktuální domény

Více

3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem

3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem ČVUT FEL X36PAA - Problémy a algoritmy 3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem Jméno: Marek Handl Datum: 1. 1. 2009 Cvičení: Pondělí 9:00 Zadání Naprogramujte

Více

Paralelní grafové algoritmy

Paralelní grafové algoritmy Paralelní grafové algoritmy Značení Minimální kostra grafu Nejkratší cesta z jednoho uzlu Nejkratší cesta mezi všemi dvojicemi uzlů Použité značení Definition Bud G = (V, E) graf. Pro libovolný uzel u

Více

1. Úvod do genetických algoritmů (GA)

1. Úvod do genetických algoritmů (GA) Obsah 1. Úvod do genetických algoritmů (GA)... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Základní pomy genetických algoritmů... 2 1.3.1 Úvod... 2 1.3.2 Základní pomy... 2 1.3.3 Operátor

Více

Příklady ke cvičením. Modelování produkčních a logistických systémů

Příklady ke cvičením. Modelování produkčních a logistických systémů Modelování produkčních a logistických systémů Katedra logistiky, kvality a automobilové techniky Garant, přednášející, cvičící: Jan Fábry 10.12.2018 Příklady ke cvičením Opakování lineárního programování

Více

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE. Optimalizace trasy při revizích elektrospotřebičů

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE. Optimalizace trasy při revizích elektrospotřebičů VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Hlavní specializace: Ekonometrie a operační výzkum Název diplomové práce Optimalizace trasy při revizích elektrospotřebičů Diplomant: Vedoucí

Více

Vzdálenost uzlů v neorientovaném grafu

Vzdálenost uzlů v neorientovaném grafu Vzdálenosti a grafy Vzdálenost uzlů v neorientovaném grafu Je dán neorientovaný neohodnocený graf G = (V,E,I) vzdálenost uzlů u a v v neorientovaném souvislém grafu G je délka nejkratší cesty spojující

Více

07 Základní pojmy teorie grafů

07 Základní pojmy teorie grafů 07 Základní pojmy teorie grafů (definice grafu, vlastnosti grafu, charakteristiky uzlů, ohodnocené grafy) Definice grafu množina objektů, mezi kterými existují určité vazby spojující tyto objekty. Uspořádaná

Více

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE MASARYKŮV ÚSTAV VYŠŠÍCH STUDIÍ. Katedra inženýrské pedagogiky BAKALÁŘSKÁ PRÁCE

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE MASARYKŮV ÚSTAV VYŠŠÍCH STUDIÍ. Katedra inženýrské pedagogiky BAKALÁŘSKÁ PRÁCE ČESKÉ VYSOKÉ ČENÍ TEHNKÉ V PZE MSYKŮV ÚSTV VYŠŠÍH STDÍ Katedra inženýrské pedagogiky KÁŘSKÁ PÁE Praha 9 c. Pavel Řezníček ČESKÉ VYSOKÉ ČENÍ TEHNKÉ V PZE MSYKŮV ÚSTV VYŠŠÍH STDÍ Katedra inženýrské pedagogiky

Více

Informační systémy plánování výroby - pokročilé rozvrhování

Informační systémy plánování výroby - pokročilé rozvrhování Tento materiál vznikl jako součást projektu EduCom, který je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR. Informační systémy plánování výroby - pokročilé rozvrhování Technická univerzita

Více

Definice 9.4. Nedeterministický algoritmus se v některých krocích může libovolně rozhodnout pro některé z několika možných různých pokračování.

Definice 9.4. Nedeterministický algoritmus se v některých krocích může libovolně rozhodnout pro některé z několika možných různých pokračování. 9.5 Třída NP Definice 9.4. Nedeterministický algoritmus se v některých krocích může libovolně rozhodnout pro některé z několika možných různých pokračování. Příklad. Uvažujme problém IND a následující

Více

4EK212 Kvantitativní management. 2. Lineární programování

4EK212 Kvantitativní management. 2. Lineární programování 4EK212 Kvantitativní management 2. Lineární programování 1.7 Přídatné proměnné Přídatné proměnné jsou nezáporné Mají svoji ekonomickou interpretaci, která je odvozena od ekonomické interpretace omezení

Více

Přiřazovací problém. Přednáška č. 7

Přiřazovací problém. Přednáška č. 7 Přiřazovací problém Přednáška č. 7 Přiřazovací problém je jednou podtřídou logistických úloh. Typickým problémem může být nejkratší převoz materiálu od dodavatelů ke spotřebitelům. spotřebitelé a i dodavatelé

Více

Délka (dny) 150 - - 2 terénní úpravy (prvotní) 15-20 - příprava staveniště (výstavba přístřešku pro materiál)

Délka (dny) 150 - - 2 terénní úpravy (prvotní) 15-20 - příprava staveniště (výstavba přístřešku pro materiál) Skupinová práce. Zadání skupinové práce Síťová analýza metoda CPM Dáno: Výstavba skladu zásob obilí představuje následující činnosti: Tabulka Název činnosti Délka (dny) Optimální projekt. Optimální dělníků

Více

1 Měření paralelní kompenzace v zapojení do trojúhelníku a do hvězdy pro symetrické a nesymetrické zátěže

1 Měření paralelní kompenzace v zapojení do trojúhelníku a do hvězdy pro symetrické a nesymetrické zátěže 1 Měření paralelní kompenzace v zapoení do troúhelníku a do hvězdy pro symetrické a nesymetrické zátěže íle úlohy: Trofázová paralelní kompenzace e v praxi honě využívaná. Úloha studenty seznámí s vlivem

Více

Úloha ve stavovém prostoru SP je <s 0, C>, kde s 0 je počáteční stav C je množina požadovaných cílových stavů

Úloha ve stavovém prostoru SP je <s 0, C>, kde s 0 je počáteční stav C je množina požadovaných cílových stavů Stavový prostor a jeho prohledávání SP = formalismus k obecnějšímu uchopení a vymezení problému, který spočívá v nalezení posloupnosti akcí vedoucích od počátečního stavu úlohy (zadání) k požadovanému

Více

Zjednodušení generativního systému redukcí rozlišení

Zjednodušení generativního systému redukcí rozlišení Zjednodušení generativního systému redukcí rozlišení Ze studie zahrnující dotaz na vzdělání. Obor hodnot v i : e základní vzdělání h střední vzdělání c bakalář g magistr Možné redukce rozlišení cg vysoké

Více

Základy algoritmizace

Základy algoritmizace Algoritmus Toto je sice na první pohled pravdivá, ale při bližším prozkoumání nepřesná definice. Například některé matematické postupy by této definici vyhovovaly, ale nejsou algoritmy. Přesné znění definice

Více

2. PŘÍPOJOVÉ VAZBY PŘI ZPOŽDĚNÍ

2. PŘÍPOJOVÉ VAZBY PŘI ZPOŽDĚNÍ V této kapitole e popsána teoreticky i na praktickém příkladu metodika stanovení optimální doby čekání příponých vlaků (lze přiměřeně aplikovat i na ostatní prostředky VHD) při vzniku zpoždění u vlaku,

Více

Úvod do teorie grafů

Úvod do teorie grafů Úvod do teorie grafů Neorientovaný graf G = (V,E,I) V množina uzlů (vrcholů) - vertices E množina hran - edges I incidence incidence je zobrazení, buď: funkce: I: E V x V relace: I E V V incidence přiřadí

Více

OPTIMALIZACE LINKOVÉHO VEDENÍ ČETNOST OBSLUHY, TAKT

OPTIMALIZACE LINKOVÉHO VEDENÍ ČETNOST OBSLUHY, TAKT OPTIMALIZACE LINKOVÉHO VEDENÍ ČETNOST OBSLUHY, TAKT 17TEDL TECHNOLOGIE DOPRAVY A LOGISTIKA CVIČENÍ Č. 1 ING. MICHAL DRÁBEK, PH.D. ÚSTAV LOGISTIKY A MANAGEMENTU DOPRAVY FAKULTA DOPRAVNÍ ČVUT V PRAZE TÉMATA

Více

4EK212 Kvantitativní management. 7.Řízení projektů

4EK212 Kvantitativní management. 7.Řízení projektů 4EK212 Kvantitativní management 7.Řízení projektů 6.5 Řízení projektů Typická aplikace teorie grafů Projekt = soubor činností Příklady: Vývoj a uvedení nového výrobku Výstavba či rekonstrukce objektu Plán

Více

PQ-stromy a rozpoznávání intervalových grafů v lineárním čase

PQ-stromy a rozpoznávání intervalových grafů v lineárním čase -stromy a rozpoznávání intervalových grafů v lineárním čase ermutace s předepsanými intervaly Označme [n] množinu {1, 2,..., n}. Mějme permutaci π = π 1, π 2,..., π n množiny [n]. Řekneme, že množina S

Více

10. Složitost a výkon

10. Složitost a výkon Jiří Vokřínek, 2016 B6B36ZAL - Přednáška 10 1 Základy algoritmizace 10. Složitost a výkon doc. Ing. Jiří Vokřínek, Ph.D. Katedra počítačů Fakulta elektrotechnická České vysoké učení technické v Praze Jiří

Více

CVUT FEL, K dubna Radek Mařík Rozvrhování 16. dubna / 56

CVUT FEL, K dubna Radek Mařík Rozvrhování 16. dubna / 56 Rozvrhování Radek Mařík CVUT FEL, K13133 16. dubna 2013 Radek Mařík (marikr@felk.cvut.cz) Rozvrhování 16. dubna 2013 1 / 56 Obsah 1 Plánování a rozvrhování Vztah plánování a rozvrhování 2 Úvod do rozvrhování

Více

Kombinatorická minimalizace

Kombinatorická minimalizace Kombinatorická minimalizace Cílem je nalézt globální minimum ve velké diskrétní množině, kde může být mnoho lokálních minim. Úloha obchodního cestujícího Cílem je najít nejkratší cestu, která spojuje všechny

Více

Operační výzkum. Síťová analýza. Metoda CPM.

Operační výzkum. Síťová analýza. Metoda CPM. Operační výzkum Síťová analýza. Metoda CPM. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo

Více

12. Globální metody MI-PAA

12. Globální metody MI-PAA Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 MI-PAA EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI

Více

Vyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 21.

Vyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 21. Vyhledávání doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 21. září 2018 Jiří Dvorský (VŠB TUO) Vyhledávání 242 / 433 Osnova přednášky

Více

TGH12 - Problém za milion dolarů

TGH12 - Problém za milion dolarů TGH12 - Problém za milion dolarů Jan Březina Technical University of Liberec 7. května 2013 Složitost problému Co je to problém? Složitost problému Co je to problém? K daným vstupním datům (velkému binárnímu

Více

4EK201 Matematické modelování. 2. Lineární programování

4EK201 Matematické modelování. 2. Lineární programování 4EK201 Matematické modelování 2. Lineární programování 2.1 Podstata operačního výzkumu Operační výzkum (výzkum operací) Operational research, operations research, management science Soubor disciplín zaměřených

Více

Vyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 12.

Vyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 12. Vyhledávání doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 12. září 2016 Jiří Dvorský (VŠB TUO) Vyhledávání 201 / 344 Osnova přednášky

Více

Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT

Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT PEF ČZU Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT Okruhy SZB č. 5 Zdroje: Demel, J., Operační výzkum Jablonský J., Operační výzkum Šubrt, T., Langrová, P., Projektové řízení I. a různá internetová

Více

3. Grafy a matice. Definice 3.2. Čtvercová matice A se nazývá rozložitelná, lze-li ji napsat ve tvaru A =

3. Grafy a matice. Definice 3.2. Čtvercová matice A se nazývá rozložitelná, lze-li ji napsat ve tvaru A = 3 Grafy a matice Definice 32 Čtvercová matice A se nazývá rozložitelná, lze-li ji napsat ve tvaru A = A 11 A 12 0 A 22 kde A 11 a A 22 jsou čtvercové matice řádu alespoň 1 a 0 je nulová matice, anebo lze-li

Více

1. PŘÍLOHA č. 6 Výběr z rešerší http://www.epravo.cz/top/clanky/k-hodnoticim-kriteriim-vyberovych-rizeni-85384.html K HODNOTÍCÍM KRITÉRIÍM VÝBĚROVÝCH ŘÍZENÍ Postupue-li zadavatel v souladu se zákonem č.

Více

Zdůvodněte, proč funkce n lg(n) roste alespoň stejně rychle nebo rychleji než než funkce lg(n!). Symbolem lg značíme logaritmus o základu 2.

Zdůvodněte, proč funkce n lg(n) roste alespoň stejně rychle nebo rychleji než než funkce lg(n!). Symbolem lg značíme logaritmus o základu 2. 1 3 4 5 6 7 8 9 10 11 1 13 14 15 16 17 18 19 0 1 3 4 5 6 7 8 9 30 31 3 Zdůvodněte, proč funkce f(n) = n log(n) 1 n 1/ roste rychleji než funkce g(n) = n. Zdůvodněte, proč funkce f(n) = n 3/ log(n) roste

Více

Ekonomická formulace. Matematický model

Ekonomická formulace. Matematický model Ekonomická formulace Firma balící bonboniéry má k dispozici 60 čokoládových, 60 oříškových a 85 karamelových bonbónů. Může vyrábět dva druhy bonboniér. Do první bonboniéry se dávají dva čokoládové, šest

Více

Výroková a predikátová logika - II

Výroková a predikátová logika - II Výroková a predikátová logika - II Petr Gregor KTIML MFF UK ZS 2015/2016 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - II ZS 2015/2016 1 / 18 Základní syntax Jazyk Výroková logika je logikou

Více

Prohledávání do šířky = algoritmus vlny

Prohledávání do šířky = algoritmus vlny Prohledávání do šířky = algoritmus vlny - souběžně zkoušet všechny možné varianty pokračování výpočtu, dokud nenajdeme řešení úlohy průchod stromem všech možných cest výpočtu do šířky, po vrstvách (v každé

Více

Západočeská univerzita v Plzni Fakulta aplikovaných věd. SÍŤOVÁ ANALÝZA Semestrální práce z předmětu KMA/MAB

Západočeská univerzita v Plzni Fakulta aplikovaných věd. SÍŤOVÁ ANALÝZA Semestrální práce z předmětu KMA/MAB Západočeská univerzita v Plzni Fakulta aplikovaných věd SÍŤOVÁ ANALÝZA Semestrální práce z předmětu KMA/MAB Vypracovala: Kristýna Slabá kslaba@students.zcu.cz Obor: Matematické inženýrství Školní rok:

Více

FIT ČVUT MI-LOM Lineární optimalizace a metody. Dualita. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti

FIT ČVUT MI-LOM Lineární optimalizace a metody. Dualita. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti FIT ČVUT MI-LOM Lineární optimalizace a metody Dualita Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Michal Černý, 2011 FIT ČVUT, MI-LOM, M. Černý, 2011: Dualita 2/5 Dualita Evropský

Více

Binární soubory (datové, typované)

Binární soubory (datové, typované) Binární soubory (datové, typované) - na rozdíl od textových souborů data uložena binárně (ve vnitřním tvaru jako v proměnných programu) není čitelné pro člověka - všechny záznamy téhož typu (může být i

Více

Problémy třídy Pa N P, převody problémů

Problémy třídy Pa N P, převody problémů Problémy třídy Pa N P, převody problémů Cvičení 1. Rozhodněte o příslušnosti následujících problémů do tříd Pa N P(N PCověříme později): a)jedanýgrafsouvislý? danýproblémjeztřídy P,řešíhonapř.algoritmyDFS,BFS.

Více

Definice 7.2. Nejmenší přirozené číslo k, pro které je graf G k-obarvitelný, se nazývá chromatické číslo (barevnost) grafu G a značí se χ(g).

Definice 7.2. Nejmenší přirozené číslo k, pro které je graf G k-obarvitelný, se nazývá chromatické číslo (barevnost) grafu G a značí se χ(g). 7 Barevnost grafu Definice 71 Graf G se nazývá k-obarvitelný, jestliže každému jeho uzlu lze přiřadit jednu z barev 1 k tak, že žádné dva sousední uzly nemají stejnou barvu Definice 72 Nejmenší přirozené

Více

2. úkol MI-PAA. Jan Jůna (junajan) 3.11.2013

2. úkol MI-PAA. Jan Jůna (junajan) 3.11.2013 2. úkol MI-PAA Jan Jůna (junajan) 3.11.2013 Specifikaci úlohy Problém batohu je jedním z nejjednodušších NP-těžkých problémů. V literatuře najdeme množství jeho variant, které mají obecně různé nároky

Více

1. Nejkratší cesta v grafu

1. Nejkratší cesta v grafu 08. Nekratší cesty. Úloha obchodního cestuícího. Heurstky a aproxmační algortmy. Metoda dynamckého programování. Problém batohu. Pseudopolynomální algortmy 1. Nekratší cesta v grafu - sled e lbovolná posloupnost

Více

Optimalizace. Obsah přednášky. DÚ LP - Okružní problém. Lineární optimalizace. DÚ LP - Okružní problém. DÚ LP - Okružní problém

Optimalizace. Obsah přednášky. DÚ LP - Okružní problém. Lineární optimalizace. DÚ LP - Okružní problém. DÚ LP - Okružní problém Obsah přednášky Mgr. Květuše Sýkorová Optimalizace Lineární programování Distribuční úlohy Okružní problém KI Př UJEP Ústí nad Labem Nederivační metody Metody 1D optimalizace Derivační metody Optimalizace

Více

Typy příkladů na písemnou část zkoušky 2NU a vzorová řešení (doc. Martišek 2017)

Typy příkladů na písemnou část zkoušky 2NU a vzorová řešení (doc. Martišek 2017) Typy příkladů na písemnou část zkoušky NU a vzorová řešení (doc. Martišek 07). Vhodnou iterační metodou (tj. metodou se zaručenou konvergencí) řešte soustavu: x +x +4x 3 = 3.5 x 3x +x 3 =.5 x +x +x 3 =.5

Více

Content Aware Image Resizing

Content Aware Image Resizing Content Aware Image Resizing (dle článku Shaie Avidana a Ariela Shamira) Václav Vlček (1. roč. NMgr., Teoretická informatika) 6.12.2007 1 O co jde? Změna rozměrů obrázku se zachováním významu Klasická

Více

Složitost 1.1 Opera ní a pam ová složitost 1.2 Opera ní složitost v pr rném, nejhorším a nejlepším p ípad 1.3 Asymptotická složitost

Složitost 1.1 Opera ní a pam ová složitost 1.2 Opera ní složitost v pr rném, nejhorším a nejlepším p ípad 1.3 Asymptotická složitost 1 Složitost 1.1 Operační a paměťová složitost Nezávislé určení na konkrétní implementaci Několik typů operací = sčítání T+, logické T L, přiřazení T A(assign), porovnání T C(compare), výpočet adresy pole

Více

Testování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času

Testování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času Testování hypotéz 1 Jednovýběrové testy 90/ odhad času V podmínkách naprostého odloučení má voák prokázat schopnost orientace v čase. Úkolem voáka e provést odhad časového intervalu 1 hodiny bez hodinek

Více

Aproximativní algoritmy UIN009 Efektivní algoritmy 1

Aproximativní algoritmy UIN009 Efektivní algoritmy 1 Aproximativní algoritmy. 14.4.2005 UIN009 Efektivní algoritmy 1 Jak nakládat s NP-těžkými úlohami? Speciální případy Aproximativní algoritmy Pravděpodobnostní algoritmy Exponenciální algoritmy pro data

Více

ČVUT FEL X36PAA - Problémy a algoritmy. 5. úloha - Seznámení se se zvolenou pokročilou iterativní metodou na problému batohu

ČVUT FEL X36PAA - Problémy a algoritmy. 5. úloha - Seznámení se se zvolenou pokročilou iterativní metodou na problému batohu ČVUT FEL X36PAA - Problémy a algoritmy 5. úloha - Seznámení se se zvolenou pokročilou iterativní metodou na problému batohu Jméno: Marek Handl Datum: 4. 2. 2009 Cvičení: Pondělí 9:00 Zadání Zvolte si heuristiku,

Více

4EK213 Lineární modely. 12. Dopravní problém výchozí řešení

4EK213 Lineární modely. 12. Dopravní problém výchozí řešení 4EK213 Lineární modely 12. Dopravní problém výchozí řešení 12. Distribuční úlohy LP Úlohy výrobního plánování (alokace zdrojů) Úlohy finančního plánování (optimalizace portfolia) Úlohy reklamního plánování

Více

3. Optimalizace pomocí nástroje Řešitel

3. Optimalizace pomocí nástroje Řešitel 3. Optimalizace pomocí nástroje Řešitel Rovnováha mechanické soustavy Uvažujme dvě různé nehmotné lineární pružiny P 1 a P 2 připevněné na pevné horizontální tyči splývající s osou x podle obrázku: (0,0)

Více

Rozvrhování výroby. František Koblasa Technická univerzita v Liberci. TU v Liberci

Rozvrhování výroby. František Koblasa Technická univerzita v Liberci. TU v Liberci Tento materiál vznikl jako součást projektu EduCom, který je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR. Rozvrhování výroby Technická univerzita v Liberci INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ

Více

Metody lineární optimalizace Simplexová metoda. Distribuční úlohy

Metody lineární optimalizace Simplexová metoda. Distribuční úlohy Metody lineární optimalizace Simplexová metoda Dvoufázová M-úloha Duální úloha jednofázová Post-optimalizační analýza Celočíselné řešení Metoda větví a mezí Distribuční úlohy 1 OÚLP = obecná úloha lineárního

Více