PA163 Programování s omezujícími podmínkami
|
|
- Vilém Jaroš
- před 4 lety
- Počet zobrazení:
Transkript
1 Organizace předmětu PA163 Programování s omezujícími podmínkami
2 Základní informace Web předmětu: Průsvitky: průběžně aktualizovány na webu předmětu Ukončení předmětu: cca 3 řádné termíny v různých týdnech zkouškového období kratší písemná práce pro každý řádný termín společná příprava pro všechny cca 5 otázek: přehledové, algoritmy, pojmy, příklady ústní zkouška ve stejný den jako písemná práce příprava na individuální otázky během zkoušky diskuse nad písemnou prací opravný termín jako ústní zkouška Omezující podmínky v jiných přednáškách: IB013 LP I, IA050 LP II Programování s omezujícími podmínkami I, 25. září Organizace předmětu
3 Předběžný přehled přednášky Úvod. Problém splňování podmínek. Složitost. Binární a nebinární podmínky. Reprezentace podmínek. Algoritmy a konzistence: vrcholová, hranová, po cestě, k-konzistence. Konzistence pro globální podmínky. Stromové prohledávací algoritmy: backtracking, limitovaný počet diskrepancí, neúplné prohledávání, inteligentní backtracking. Prohledávací algoritmy a propagace podmínek. Výběr proměnné a hodnoty. Optimalizační problémy a algoritmy. Algoritmy lokálního prohledávání. Hybridní prohledávací algoritmy. Logické programování s omezujícími podmínkami. Řešení příkladů v SICStus Prologu a ILOG Solver (C++). Příliš podmíněné problémy: přístupy k řešení a algoritmy. Souběžné programování s omezujícími podmínkami. Distribuované splňování podmínek. Agentní technologie. Programování s omezujícími podmínkami I, 25. září Organizace předmětu
4 Literatura: hlavní zdroje Dechter, R. Constraint processing. Morgan Kaufmann Publishers, Přednáška, kapitoly z knihy Constraint Processing, 2001: Barták R. Přednáška na MFF UK, Praha. Programování s omezujícími podmínkami I, 25. září Organizace předmětu
5 Souhrnná literatura Dechter, R. Constraint processing. Morgan Kaufmann Publishers, Apt, K. Principles of Constraint Programming. Cambridge University Press, Marriott, K., Stuckey, P.J. Programming with constraints : an introduction. Cambridge : MIT Press, Van Hentenryck, P. Constraint satisfaction in logic programming. MIT Press, Frühwirth, T. Abdennadher, S. Essentials of constraint programming. Springer, Barták, R. On-line guide to constraint programming. Programování s omezujícími podmínkami I, 25. září Organizace předmětu
6 Literatura ke specifickým oblastem Hooker, J. Logic-based methods for optimization : combining optimization and constraint satisfaction. New York : John Wiley & Sons, Schulte, Chr. Programming constraint services. LNAI 2302, Springer, Rudová, H. Constraint satisfaction with preferences. PhD thesis, FI MU, Yokoo, M. Distributed constraint satisfaction. Springer, Nareyek, A. Constraint-based agents. LNAI 2062, Springer, Programování s omezujícími podmínkami I, 25. září Organizace předmětu
7 Literatura: přednášky, Prolog, sw Přednášky/průsvitky na webu Barták R., MFF UK, Praha. Dechter R., UCI, Kalifornie. Apt K., CWI, Amsterdam. Průsvitky ke knize: Programování v Prologu Bratko, I. Prolog Programming for Artificial Intelligence. Addison-Wesley, Clocksin, W. F. Mellish, Ch. S. Programming in Prolog. Springer, Manuály SICStus Prolog ILOG Solver 5.1 User s Manual. ILOG, květen aisa... file://afs/ics.muni.cz/software/ilog/doc/solver51/index.html Programování s omezujícími podmínkami I, 25. září Organizace předmětu
8 Software SICStus Prolog komerční produkt, zakoupena licence pro instalace na domácí počítače studentů dokumentace: referenční verze: podrobné informace na webu předmětu ILOG Solver komerční produkt, C++ knihovny plán: povýšení na poslední existujicí verzi nyní: 2 plovoucí licence ve verzi 5.1 pro Linux funkční na počítačích Superpočítačového centra dokumentace a příklady dostupné na počítači aisa file://afs/ics.muni.cz/software/ilog/i386_linux2/solver51/ Programování s omezujícími podmínkami I, 25. září Organizace předmětu
9 Programování s omezujícími podmínkami: Úvod
10 Programování s omezujícími podmínkami Constraint programming (CP) Alternativní přístup k programování Kombinace uvažování a počítaní Omezení/omezující podmínka/podmínka na množině proměnných: relace na doménách proměnných Problém splňování podmínek (Constraint satisfaction problem CSP): konečná množina omezení Programování s omezujícími podmínkami I, 25. září Úvod
11 Programování s omezujícími podmínkami Constraint programming (CP) Alternativní přístup k programování Kombinace uvažování a počítaní Omezení/omezující podmínka/podmínka na množině proměnných: relace na doménách proměnných Problém splňování podmínek (Constraint satisfaction problem CSP): konečná množina omezení Řešení CSP nalezení hodnot z domén proměnných tak, aby všechny relace platily určení, zda má řešení (je konzistentní) nalezení jednoho (nebo všech) řešení nalezení jednoho (nebo všech) optimálního řešení Programování s omezujícími podmínkami I, 25. září Úvod
12 Přístup CP k programování Formulace daného problému pomocí omezení: modelování Řešení vybrané reprezentace pomocí doménově specifických metod obecných metod Programování s omezujícími podmínkami I, 25. září Úvod
13 Obecné metody Algoritmy propagace omezení zjednodušují problém udržují ekvivalenci mezi původním a zjednodušeným problémem umožňují odstranit nekonzistentní hodnoty z domén proměnných pro výpočet lokální konzistence aproximují tak globální konzistenci Programování s omezujícími podmínkami I, 25. září Úvod
14 Obecné metody Algoritmy propagace omezení zjednodušují problém udržují ekvivalenci mezi původním a zjednodušeným problémem umožňují odstranit nekonzistentní hodnoty z domén proměnných pro výpočet lokální konzistence aproximují tak globální konzistenci Prohledávací algoritmy prohledávání stavového prostoru řešení příklady: backtracking, metoda větví a mezí Programování s omezujícími podmínkami I, 25. září Úvod
15 Doménově specifické metody Specializované algoritmy Nazývány řešiče omezení (constraint solvers) Příklady: program pro řešení systému lineárních rovnic knihovny pro lineární programování implementace unifikačního algoritmu Programování s omezujícími podmínkami I, 25. září Úvod
16 Doménově specifické metody Specializované algoritmy Nazývány řešiče omezení (constraint solvers) Příklady: program pro řešení systému lineárních rovnic knihovny pro lineární programování implementace unifikačního algoritmu Programování s omezujícími podmínkami široký pojem zahrnující řadu oblastí Lineární Algebra, Globální Optimalizace, Lineární a Celočíselné Programování,... Existence doménově specifických metod = použití místo obecných metod hledání doménově specifických metod tak, aby mohly být použity místo obecných metod Programování s omezujícími podmínkami I, 25. září Úvod
17 Shrnutí: základní charakteristiky CP Dvoufázový programovací proces: generování reprezentace problému jako CSP řešení CSP Flexibilní reprezentace: omezení mohou být přidáná, odebrána, modifikována Podpora ve formě vestavěných nástrojů: řešiče omezení algoritmy propagace omezení prohledávací metody Programování s omezujícími podmínkami I, 25. září Úvod
18 Historie 1963 interaktivní grafika (Sutherland: Sketchpad) 1970 sít omezení (Montanari) 1977 algoritmy pro sítě omezení (Mackworth) Polovina 80. let: logické programování omezujícími podmínkami 1984 ECL i PS e Prolog, ECRC Mnichov, později IC-PARC Londýn 1985 SICStus Prolog, Swedish Institute of Computer Science (SICS) 1987 ILOG, komerční firma, C++ implementace Od 1990: komerční využití Už v roce 1996: výnos řádově stovky milionů dolarů Programování s omezujícími podmínkami I, 25. září Úvod
19 Interaktivní grafické systémy: Příklady použití vyjádření geometrických vztahů v případě analýzy scény Operační výzkum: barvení grafu, rozvrhování s disjunktivními podmínkami, umístění skladů Molekulární biologie: DNA sekvencování, konstrukce 3D modelů proteinů Elektrotechnika: detekce chyb v el.obvodech, výpočet návrhu obvodu, testování a verifikace návrhu Zpracování přirozeného jazyka: konstrukce efektivních parserů Numerické výpočty: řešení polynomiálních omezení s danou přesností Doprava (British Airways, Lufthansa) automobilový průmysl (Renault, Ford), elektronika (IBM, Alcatel), telekomunikace (France Telecom, AT&T), potravinový průmysl (Uncle Ben s), veřejný sektor (NASA) Programování s omezujícími podmínkami I, 25. září Úvod
20 CSP: příklady a modelování Formální definice problému splňování podmínek (CSP) 1. problém řešitelnosti 2. optimalizační problém Modelování: reprezentace problému jako CSP existence různých přirozených reprezentací některé reprezentace jsou přirozené, jiné netriviální některé reprezentace založeny na teoretických základech Obecnost pojmu CSP Další příklady: Programování s omezujícími podmínkami I, 25. září Úvod
21 Dána Problém splňování podmínek (CSP) množina (doménových) proměnných Y = {y 1,..., y k } konečná množina hodnot (doména) D = {D 1,..., D k } Omezení c na Y je podmnožina D 1... D k omezuje hodnoty, kterých mohou proměnné nabývat současně Programování s omezujícími podmínkami I, 25. září Úvod
22 Dána Problém splňování podmínek (CSP) množina (doménových) proměnných Y = {y 1,..., y k } konečná množina hodnot (doména) D = {D 1,..., D k } Omezení c na Y je podmnožina D 1... D k omezuje hodnoty, kterých mohou proměnné nabývat současně Dána konečná množina proměnných X = {x 1,..., x n } konečná množina hodnot (doména) D = {D 1,..., D n } konečná množina omezení C = {c 1,..., c m } omezení je definováno na podmnožině X Problém splňování podmínek je trojice (X, D, C) Programování s omezujícími podmínkami I, 25. září Úvod
23 Dána Problém splňování podmínek (CSP) množina (doménových) proměnných Y = {y 1,..., y k } konečná množina hodnot (doména) D = {D 1,..., D k } Omezení c na Y je podmnožina D 1... D k omezuje hodnoty, kterých mohou proměnné nabývat současně Dána konečná množina proměnných X = {x 1,..., x n } konečná množina hodnot (doména) D = {D 1,..., D n } konečná množina omezení C = {c 1,..., c m } omezení je definováno na podmnožině X Problém splňování podmínek je trojice (X, D, C) (d 1,..., d n ) D 1... D n je řešení (X, D, C) pro každé c i C na x i1,... x ik platí (d i1,... d ik ) c i (říkáme, že omezení je c i splněno) Programování s omezujícími podmínkami I, 25. září Úvod
24 Algebrogram Přiřad te cifry 0,... 9 písmenům S, E, N, D, M, O, R, Y tak, aby platilo: SEND + MORE MONEY různá písmena mají přiřazena různé cifry S a M nejsou 0 Programování s omezujícími podmínkami I, 25. září Úvod
25 Algebrogram Přiřad te cifry 0,... 9 písmenům S, E, N, D, M, O, R, Y tak, aby platilo: SEND + MORE MONEY různá písmena mají přiřazena různé cifry S a M nejsou 0 Jediné řešení: Programování s omezujícími podmínkami I, 25. září Úvod
26 Algebrogram Přiřad te cifry 0,... 9 písmenům S, E, N, D, M, O, R, Y tak, aby platilo: SEND + MORE MONEY různá písmena mají přiřazena různé cifry S a M nejsou 0 Jediné řešení: Proměnné: S,E,N,D,M,O,R,Y Domény: [1..9] pro S,M [0..9] pro E,N,D,O,R,Y Programování s omezujícími podmínkami I, 25. září Úvod
27 Algebrogram: alternativy pro omezení rovnosti 1 omezení rovnosti 1000*S + 100*E + 10*N + D SEND *M + 100*O + 10*R + E + MORE #= 10000*M *O + 100*N + 10*E + Y MONEY Programování s omezujícími podmínkami I, 25. září Úvod
28 Algebrogram: alternativy pro omezení rovnosti 1 omezení rovnosti 1000*S + 100*E + 10*N + D SEND *M + 100*O + 10*R + E + MORE #= 10000*M *O + 100*N + 10*E + Y MONEY 5 omezení rovnosti použití přenosových proměnných P1,P2,P3,P4 s doménami [0..1] D + E #= 10*P1 + Y, P1 + N + R #= 10*P2 + E, P2 + E + O #= 10*P3 + N, P3 + S + M #= 10*P4 + O P4 #= M Programování s omezujícími podmínkami I, 25. září Úvod
29 Algebrogram: alternativy pro omezení nerovnosti 28 omezení nerovnosti: X Y pro X,Y {S,E,N,D,M,O,R,Y}, X Y Programování s omezujícími podmínkami I, 25. září Úvod
30 Algebrogram: alternativy pro omezení nerovnosti 28 omezení nerovnosti: X Y pro X,Y {S,E,N,D,M,O,R,Y}, X Y 1 omezení pro nerovnost pro proměnné x 1,..., x n s doménami D 1,..., D n : all_different (x 1,..., x n ) := {(d 1,..., d n ) d i d j pro i j} použití: all_different(s,e,n,d,m,o,r,y) Programování s omezujícími podmínkami I, 25. září Úvod
31 Algebrogram: alternativy pro omezení nerovnosti 28 omezení nerovnosti: X Y pro X,Y {S,E,N,D,M,O,R,Y}, X Y 1 omezení pro nerovnost pro proměnné x 1,..., x n s doménami D 1,..., D n : all_different (x 1,..., x n ) := {(d 1,..., d n ) d i d j pro i j} použití: all_different(s,e,n,d,m,o,r,y) Modelování jako problém Celočíselného Programování pro X,Y {S,E,N,D,M,O,R,Y} definuj Z X,Y [0..1] a transformuj X Y na omezení X-Y Z X,Y Y-X 11 Z X,Y - 1 Programování s omezujícími podmínkami I, 25. září Úvod
32 Algebrogram: alternativy pro omezení nerovnosti 28 omezení nerovnosti: X Y pro X,Y {S,E,N,D,M,O,R,Y}, X Y 1 omezení pro nerovnost pro proměnné x 1,..., x n s doménami D 1,..., D n : all_different (x 1,..., x n ) := {(d 1,..., d n ) d i d j pro i j} použití: all_different(s,e,n,d,m,o,r,y) Modelování jako problém Celočíselného Programování pro X,Y {S,E,N,D,M,O,R,Y} definuj Z X,Y [0..1] a transformuj X Y na omezení X-Y Z X,Y Y-X 11 Z X,Y - 1 X Y = X<Y Y<X = X-Y -1 Y-X -1 = (X-Y Z X,Y Z X,Y =1) (Y-X 11 Z X,Y -1 Z X,Y =0) Programování s omezujícími podmínkami I, 25. září Úvod
33 Algebrogram: alternativy pro omezení nerovnosti 28 omezení nerovnosti: X Y pro X,Y {S,E,N,D,M,O,R,Y}, X Y 1 omezení pro nerovnost pro proměnné x 1,..., x n s doménami D 1,..., D n : all_different (x 1,..., x n ) := {(d 1,..., d n ) d i d j pro i j} použití: all_different(s,e,n,d,m,o,r,y) Modelování jako problém Celočíselného Programování pro X,Y {S,E,N,D,M,O,R,Y} definuj Z X,Y [0..1] a transformuj X Y na omezení X-Y Z X,Y Y-X 11 Z X,Y - 1 X Y = X<Y Y<X = X-Y -1 Y-X -1 = (X-Y Z X,Y Z X,Y =1) (Y-X 11 Z X,Y -1 Z X,Y =0) nevýhoda: 28 nových proměnných! Programování s omezujícími podmínkami I, 25. září Úvod
34 N královen Umístěte n královen na n n šachovnici, tak aby na sebe navzájem neútočily. Programování s omezujícími podmínkami I, 25. září Úvod
35 N královen Umístěte n královen na n n šachovnici, tak aby na sebe navzájem neútočily. Proměnné: x 1,..., x n (každá proměnná pro jeden sloupec) Domény: [1..n] Programování s omezujícími podmínkami I, 25. září Úvod
36 N královen Umístěte n královen na n n šachovnici, tak aby na sebe navzájem neútočily. Proměnné: x 1,..., x n (každá proměnná pro jeden sloupec) Domény: [1..n] Omezení: pro i [1..(n 1)] a j [(i + 1)..n]: x i x j (řádky) Programování s omezujícími podmínkami I, 25. září Úvod
37 N královen Umístěte n královen na n n šachovnici, tak aby na sebe navzájem neútočily. Proměnné: x 1,..., x n (každá proměnná pro jeden sloupec) Domény: [1..n] Omezení: pro i [1..(n 1)] a j [(i + 1)..n]: x i x j (řádky) x i x j i j (jihozápadní-severovýchodní diagonála) x i x j j i (severozápadní-jihovýchodní diagonála) Programování s omezujícími podmínkami I, 25. září Úvod
38 N královen Umístěte n královen na n n šachovnici, tak aby na sebe navzájem neútočily. Proměnné: x 1,..., x n (každá proměnná pro jeden sloupec) Domény: [1..n] Omezení: pro i [1..(n 1)] a j [(i + 1)..n]: x i x j (řádky), tj. n(n 1) 2 omezení = all_different (x 1,..., x n ) x i x j i j (jihozápadní-severovýchodní diagonála) x i x j j i (severozápadní-jihovýchodní diagonála) Programování s omezujícími podmínkami I, 25. září Úvod
39 Analýza scény Jeden z prvních řešených CSP problémů z počátku 70. let 3-dimenzionální interpretace 2-dimenzionální kresby tvořené rovnými hranami Má daný 2-dimenzionální objekt 3-dimenzionální interpretaci? Programování s omezujícími podmínkami I, 25. září Úvod
40 Analýza scény: značky hrana: průnik dvou rovin, značka určuje relativní pozici rovin + značí konvexní hrany rotace jedné roviny na druhou prostorem pozorovatele značí konkávní hrany 90 0 rotace jedné roviny na druhou prostorem pozorovatele a značí hraniční hrany tvořeny dvěma rovinami, jedna z nich je skrytá Programování s omezujícími podmínkami I, 25. září Úvod
41 Analýza scény: CSP problém Programování s omezujícími podmínkami I, 25. září Úvod
42 Analýza scény: CSP problém Proměnné: hrany, domény: {+,,, } Omezení: legální křižovatky 4 typy omezení: L,vidlicka,T,sipka Příklad: L := {(, ), (, ), (+, ), (, +), (, ), (, )} : hrana vedoucí do vrcholu : hrana vedoucí z vrcholu Programování s omezujícími podmínkami I, 25. září Úvod
43 Analýza scény: CSP problém Proměnné: hrany, domény: {+,,, } Omezení: legální křižovatky 4 typy omezení: L,vidlicka,T,sipka Příklad: L := {(, ), (, ), (+, ), (, +), (, ), (, )} : hrana vedoucí do vrcholu : hrana vedoucí z vrcholu Krychle jako CSP: sipka(ac,ae,ab), vidlicka(ba,bf,bd), L(CA,CD), sipka(dg,dc,db), L(EF,EA), sipka(fe,fg,fb), L(GD,GF) Programování s omezujícími podmínkami I, 25. září Úvod
44 Analýza scény: CSP problém (pokračování) Další nutné omezení hrana := {(+, +), (, ), (, ), (, )} pro každou hranu zachycuje komplementární charakter a Programování s omezujícími podmínkami I, 25. září Úvod
45 Analýza scény: CSP problém (pokračování) Další nutné omezení hrana := {(+, +), (, ), (, ), (, )} pro každou hranu zachycuje komplementární charakter a Krychle jako CSP: přidáme omezení hrana(ab,ba), hrana(ac,ca), hrana(cd,dc), hrana(bd,db), hrana(ae,ea), hrana(ef,fe), hrana(bf,fb), hrana(fg,gf), hrana(dg,gd) Programování s omezujícími podmínkami I, 25. září Úvod
46 Analýza scény: alternativní CSP problém Proměnné jako křižovatky proměnné typu L,vidlicka,T,sipka Doména proměnné odpovídá množině křižovatek dle typu proměnné Programování s omezujícími podmínkami I, 25. září Úvod
47 Analýza scény: alternativní CSP problém Proměnné jako křižovatky proměnné typu L,vidlicka,T,sipka Doména proměnné odpovídá množině křižovatek dle typu proměnné Omezení sousední křižovatky sdílí hrany pro sousední křižovatky lze použít pouze některé kombinace hran Programování s omezujícími podmínkami I, 25. září Úvod
IB013 Logické programování I Hana Rudová. jaro 2011
IB013 Logické programování I Hana Rudová jaro 2011 Hodnocení předmětu Zápočtový projekt: celkem až 40 bodů Průběžná písemná práce: až 30 bodů (základy programování v Prologu) pro každého jediný termín:
Víceu 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
VíceILOG (aisa:/software/ilog/solver51/doc/index.html)
ILOG Solver ILOG (aisa:/software/ilog/solver51/doc/index.html) CSP modelován pomocí C++ tříd, různé sady knihoven napsané v C++ ILOG Solver = základní knihovny pravidelná aktualizace sw na MU definice
VíceCLP(F D) program. Základní struktura CLP programu solve( Variables ) :- 1. definice proměnných a jejich domén declare_variables( Variables),
CLP(F D) program Základní struktura CLP programu solve( Variables ) :- 1. definice proměnných a jejich domén declare_variables( Variables), 2. definice omezení post_constraints( Variables ), 3. hledání
VíceObsah: 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
VíceOptimalizace & 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
VíceAutomatizované řešení úloh s omezeními
Automatizované řešení úloh s omezeními Martin Kot Katedra informatiky, FEI, Vysoká škola báňská Technická universita Ostrava 17. listopadu 15, Ostrava-Poruba 708 33 Česká republika 25. října 2012 M. Kot
VíceHranová 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
VíceUmělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
VíceUmělá inteligence I. Roman Barták, KTIML.
Umělá inteligence I Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Na úvod Zatím pro nás byl model světa černou skříňkou, ke které přistupujeme pouze přes: funkci následníka
VíceDynamické rozvrhování
Dynamické rozvrhování Hana Rudová Fakulta informatiky, Masarykova universita http://www.fi.muni.cz/~hanka Informatické kolokvium, 9.10.2007 Dynamické rozvrhování (Dynamic scheduling) 1 Úvod 2 Popis problému
VíceLogické programování s omezujícími podmínkami. Constraint Logic Programming: CLP
Logické programování s omezujícími podmínkami Constraint Logic Programming: CLP CP a programovací jazyk Dosavadní předpoklady (pro CSP) omezení jsou dostupná na začátku prohledávání omezení jsou reprezentována
VíceMetody návrhu algoritmů, příklady. IB111 Programování a algoritmizace
Metody návrhu algoritmů, příklady IB111 Programování a algoritmizace 2011 Návrhu algoritmů vybrané metody: hladové algoritmy dynamické programování rekurze hrubá síla tato přednáška: především ilustrativní
Vícee-mail: RadkaZahradnikova@seznam.cz 1. července 2010
Optimální výrobní program Radka Zahradníková e-mail: RadkaZahradnikova@seznam.cz 1. července 2010 Obsah 1 Lineární programování 2 Simplexová metoda 3 Grafická metoda 4 Optimální výrobní program Řešení
Více13. 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
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
VíceVáclav Matoušek KIV. Umělá inteligence a rozpoznávání. Václav Matoušek / KIV
Umělá inteligence a rozpoznávání Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 16. 2. (3h) 2. 3. (4h) 17. 3. (5h) 14. 4. (3h) Úvod, historie a vývoj UI, základní
VíceMetody 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
Více1 Úvod do celočíselné lineární optimalizace
Úvod do celočíselné lineární optimalizace Martin Branda, verze 7.. 7. Motivace Reálné (smíšeně-)celočíselné úlohy Optimalizace portfolia celočíselné počty akcií, modelování fixních transakčních nákladů,
VíceUčební texty k státní bakalářské zkoušce Matematika Základy lineárního programování. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Základy lineárního programování študenti MFF 15. augusta 2008 1 15 Základy lineárního programování Požadavky Simplexová metoda Věty o dualitě (bez důkazu)
VíceFRAMEWORK PRO ŘEŠENÍ VÝPOČETNÍCH ÚLOH S OMEZUJÍCÍMI PODMÍNKAMI
FRAMEWORK PRO ŘEŠENÍ VÝPOČETNÍCH ÚLOH S OMEZUJÍCÍMI PODMÍNKAMI Petr Kahánek Logis s.r.o., pkahanek@logis.cz Ostravská Univerzita, Přírodovědecká fakulta, Katedra informatiky, petr.kahanek@osu.cz ABSTRAKT:
VíceSystém pro optimalizaci a řízení lidských zdrojů
ArisoTelos Systém pro optimalizaci a řízení lidských zdrojů Workforce management (WFM) O p t i m a l i z a c e a ř í z e n í l i d s k ý c h z d r o j ů = [řecky] optimální řešení komerční software pro
VíceALGORITMY 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
Více4EK311 Operační výzkum. 1. Úvod do operačního výzkumu
4EK311 Operační výzkum 1. Úvod do operačního výzkumu Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka Garant kurzu:
Více4EK201 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
Více4EK212 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
VíceAlgoritmus. Přesné znění definice algoritmu zní: Algoritmus je procedura proveditelná Turingovým strojem.
Algoritmus Algoritmus je schematický postup pro řešení určitého druhu problémů, který je prováděn pomocí konečného množství přesně definovaných kroků. nebo Algoritmus lze definovat jako jednoznačně určenou
VíceKritéria hodnocení praktické maturitní zkoušky z databázových systémů
Kritéria hodnocení praktické maturitní zkoušky z databázových systémů Otázka č. 1 Datový model 1. Správně navržený ERD model dle zadání max. 40 bodů teoretické znalosti konceptuálního modelování správné
Více4EK213 Lineární modely. 10. Celočíselné programování
4EK213 Lineární modely 10. Celočíselné programování 10.1 Matematický model úlohy ILP Nalézt extrém účelové funkce z = c 1 x 1 + c 2 x 2 + + c n x n na soustavě vlastních omezení a 11 x 1 + a 12 x 2 + a
VíceINFORMATIKA. Jindřich Kaluža. Ludmila Kalužová
INFORMATIKA Jindřich Kaluža Ludmila Kalužová Recenzenti: doc. RNDr. František Koliba, CSc. prof. RNDr. Peter Mikulecký, PhD. Vydání knihy bylo schváleno vědeckou radou nakladatelství. Všechna práva vyhrazena.
Více4EK311 Operační výzkum. 3. Optimalizační software a stabilita řešení úloh LP
4EK311 Operační výzkum 3. Optimalizační software a stabilita řešení úloh LP 3.1 Příklad matematický model Lis: 1 x 1 + 2 x 2 120 [min] Balení: 1 x 1 + 4 x 2 180 [min] Poptávka: 1 x 1 1 x 2 90 [krabiček]
VíceJana Dannhoferová Ústav informatiky, PEF MZLU
Počítačová grafika 1. Definice oblasti souvisí: a) s definováním množiny všech bodů, které náleží do hranice a zároveň do jejího vnitřku b) s popisem její hranice c) s definováním množiny všech bodů, které
VíceMaturitní témata. IKT, školní rok 2017/18. 1 Struktura osobního počítače. 2 Operační systém. 3 Uživatelský software.
Maturitní témata IKT, školní rok 2017/18 1 Struktura osobního počítače Von Neumannova architektura: zakreslete, vysvětlete její smysl a popište, jakým způsobem se od ní běžné počítače odchylují. Osobní
VíceTestování a verifikace softwaru
Testování a verifikace softwaru Radek Mařík ČVUT FEL Katedra telekomunikační techniky, K13132 4. října 2017 Radek Mařík (radek.marik@fel.cvut.cz) Testování a verifikace softwaru 4. října 2017 1 / 6 Vize
VíceÚvod do celočíselné optimalizace
Úvod do celočíselné optimalizace Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Výpočetní aspekty optimalizace Martin Branda (KPMS
VíceGlobální matice konstrukce
Globální matice konstrukce Z matic tuhosti a hmotnosti jednotlivých prvků lze sestavit globální matici tuhosti a globální matici hmotnosti konstrukce, které se využijí v řešení základní rovnice MKP: [m]{
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0259 Garantující institut: Garant předmětu: Exaktní metody rozhodování Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková,
VíceBonn, Rheinischen Friedrich-Wilhelms-Universität
Bonn, Rheinischen Friedrich-Wilhelms-Universität Seznam přednášek Bc s anotacemi http://www.mathematics.uni-bonn.de/files/bachelor/ba_modulhandbuch.pdf Studijní plán-požadavky http://www.mathematics.uni-bonn.de/studium/bachelor/studienprogramm
VíceOPTIMALIZACE. (přehled metod)
OPTIMALIZACE (přehled metod) Typy optimalizačních úloh Optimalizace bez omezení Nederivační metody Derivační metody Optimalizace s omezeními Lineární programování Nelineární programování Globální optimalizace
VíceProgramy pro ˇreˇsen ı ulohy line arn ıho programov an ı 18. dubna 2011
Programy pro řešení úlohy lineárního programování 18. dubna 2011 Přehled Mathematica Sage AMPL GNU Linear Programming Kit (GLPK) Mathematica Mathematika je program pro numerické a symbolické počítání.
VíceDalší povinnosti / odb. praxe. Návrh témat prací. Návaznost na další stud. prog.
Teoretická informatika Složitost I 2p+1c Z, Zk P RNDr. Čepek, PhD není stanoven Složitost II 2p+1c Z, Zk PV RNDr. Čepek, PhD Vyčíslitelnost II 2p Zk PV doc. Kučera, CSc. Datové struktury I 2p Zk P RNDr.
VíceMatematický ústav UK Matematicko-fyzikální fakulta
Geometrické modelování Zbyněk Šír Matematický ústav UK Matematicko-fyzikální fakulta 5. října 2016 Zbyněk Šír (MÚ UK) - Geometrické modelování 5. října 2016 1 / 14 Obsah dnešní přednášky Co je to geometrické
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2017
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 207 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceSEMESTRÁLNÍ ÚLOHY S PROGRAMY V PROLOGU (zadání úloh)
Cvičení 7 SEMESTRÁLNÍ ÚLOHY S PROGRAMY V PROLOGU (zadání úloh) 1. Polynomy Návod: Polynomy lze reprezentovat (nejen v Prologu) několika způsoby, které lze rozdělit do následujících skupin: A) podle množství
VíceOptimizing Limousine Service with AI. David Marek
Optimizing Limousine Service with AI David Marek Airport Limousine Services Ltd. (ALS) Jedna z největších firem zajišťujících dopravu v Hong Kongu Luxusní limuzíny a kyvadlová doprava 24 hodin denně 2
VíceOPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB D24FZS
OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb Anotace: Optimalizace objektů pozemních staveb
VícePlánováníá a rozvrhování
Plánováníá a rozvrhování Roman Barták, KTIML roman.bartak@mff.cuni.cz cz http://ktiml.mff.cuni.cz/~bartak Čas a plánování Konceptuální model plánování pracuje s implicitním časem: akce a události jsou
VíceStatistické metody v ekonomii. Ing. Michael Rost, Ph.D.
Statistické metody v ekonomii Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Cíle kurzu: seznámit posluchače s vybranými statistickými metodami, které jsou aplikovatelné v ekonomických
VíceOtázky ke státní závěrečné zkoušce
Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního
VíceNumerické metody optimalizace - úvod
Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2016
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 206 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceModely datové. Další úrovní je logická úroveň Databázové modely Relační, Síťový, Hierarchický. Na fyzické úrovni se jedná o množinu souborů.
Modely datové Existují různé úrovně pohledu na data. Nejvyšší úroveň je úroveň, která zachycuje pouze vztahy a struktury dat samotných. Konceptuální model - E-R model. Další úrovní je logická úroveň Databázové
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2014
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 204 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceMatematický ústav UK Matematicko-fyzikální fakulta
Geometrické modelování Zbyněk Šír Matematický ústav UK Matematicko-fyzikální fakulta 2. října 2018 Zbyněk Šír (MÚ UK) - Geometrické modelování 2. října 2018 1 / 15 Obsah dnešní přednášky Co je to geometrické
VíceCeločíselné lineární programování(ilp)
Celočíselné lineární programování(ilp) Zdeněk Hanzálek, Přemysl Šůcha {hanzalek}@fel.cvut.cz ČVUT FEL Katedra řídicí techniky 2. března 2010 Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp)
VíceDetekce kolizí v 3D Josef Pelikán KSVI MFF UK Praha
Detekce kolizí v 3D 2001-2003 Josef Pelikán KSVI MFF UK Praha e-mail: Josef.Pelikan@mff.cuni.cz W W W: http://cgg.ms.mff.cuni.cz/~pepca/ Aplikace CD mobilní robotika plánování cesty robota bez kontaktu
VíceParalelní programování
Paralelní programování přednášky Jan Outrata únor duben 2011 Jan Outrata (KI UP) Paralelní programování únor duben 2011 1 / 11 Literatura Ben-Ari M.: Principles of concurrent and distributed programming.
VíceStrojové učení se zaměřením na vliv vstupních dat
Strojové učení se zaměřením na vliv vstupních dat Irina Perfilieva, Petr Hurtík, Marek Vajgl Centre of excellence IT4Innovations Division of the University of Ostrava Institute for Research and Applications
VíceTriangulace. Význam triangulace. trojúhelník je základní grafický element aproximace ploch předzpracování pro jiné algoritmy. příklad triangulace
Význam triangulace trojúhelník je základní grafický element aproximace ploch předzpracování pro jiné algoritmy příklad triangulace Definice Triangulace nad množinou bodů v rovině představuje takové planární
Více4EK212 Kvantitativní management. 1. Úvod do kvantitativního managementu a LP
4EK212 Kvantitativní management 1. Úvod do kvantitativního managementu a LP Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka
Více5 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
VíceBiologicky inspirované výpočty. Schématické rozdělení problematiky a výuky
Biologicky inspirované výpočty Schématické rozdělení problematiky a výuky 1 Biologicky inspirované výpočty - struktura problematiky Evoluční systémy: evoluční algoritmy, evoluční hardware, víceúčelová
VíceGrafy. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 13.
Grafy doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 13. března 2017 Jiří Dvorský (VŠB TUO) Grafy 104 / 309 Osnova přednášky Grafy
VíceMetamorfóza obrázků Josef Pelikán CGG MFF UK Praha
Metamorfóza obrázků 1998-2011 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ Morphing 2011 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca 1 / 21 Metamorfóza obrázků -
Více6 Simplexová metoda: Principy
6 Simplexová metoda: Principy V této přednášce si osvětlíme základy tzv. simplexové metody pro řešení úloh lineární optimalizace. Tyto základy zahrnují přípravu kanonického tvaru úlohy, definici a vysvětlení
VíceLineární programování(optimalizace) a soustavy lineárních nerovností
Lineární programování(optimalizace) a soustavy lineárních nerovností 2017 tuma@karlin.mff.cuni.cz 0-1 Příklad úlohy lineárního programování najdětemaximálníhodnotufunkce x 1 +x 2 přesvšechnyvektoryx =
VíceVraťme se k základům: DFS = Depth First Search
Prohledávání do hloubky Vraťme se k základům: DFS = Depth First Search DFS Programování s omezujícími podmínkami Roman Barták Katedra teoretické informatiky a matematické logiky roman.bartak@mff.cuni.cz
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
VíceStátní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách
Státní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách Ústní zkouška z oboru Náročnost zkoušky je podtržena její ústní formou a komisionálním charakterem. Předmětem bakalářské zkoušky
VíceVyhledávání. 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
VíceNumerické metody a programování. Lekce 8
Numerické metody a programování Lekce 8 Optimalizace hledáme bod x, ve kterém funkce jedné nebo více proměnných f x má minimum (maximum) maximalizace f x je totéž jako minimalizace f x Minimum funkce lokální:
VíceSEMESTRÁLNÍ ÚLOHY S PROGRAMY V PROLOGU (zadání úloh)
Cvičení 7 SEMESTRÁLNÍ ÚLOHY S PROGRAMY V PROLOGU (zadání úloh) 1. Polynomy Návod: Polynomy lze reprezentovat (nejen v Prologu) několika způsoby, které lze rozdělit do následujících skupin: A) podle množství
VíceElektronické obvody analýza a simulace
Elektronické obvody analýza a simulace Jiří Hospodka katedra Teorie obvodů, 804/B3 ČVUT FEL 4. října 2006 Jiří Hospodka (ČVUT FEL) Elektronické obvody analýza a simulace 4. října 2006 1 / 7 Charakteristika
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceObecná úloha lineárního programování. Úloha LP a konvexní množiny Grafická metoda. Jiří Neubauer. Katedra ekonometrie FEM UO Brno
Přednáška č. 3 Katedra ekonometrie FEM UO Brno Optimalizace portfolia Investor se s pomocí makléře rozhoduje mezi následujícími investicemi: akcie A, akcie B, státní pokladniční poukázky, dluhopis A, dluhopis
VíceKritéria hodnocení praktické maturitní zkoušky z databázových systémů
Kritéria hodnocení praktické maturitní zkoušky z databázových systémů Otázka č. 1 Datový model 1. Správně navržený ERD model dle zadání max. 40 bodů teoretické znalosti konceptuálního modelování správné
VíceJasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
VíceProgramování. s omezujícími podmínkami. Roman Barták. rová hranová konzistence
Programování s omezujícími podmínkami Roman Barták Katedra teoretické informatiky a matematické logiky roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Směrov rová hranová konzistence Definice:
VíceÚvod do modelování a simulace. Ing. Michal Dorda, Ph.D.
Úvod do modelování a simulace systémů Ing. Michal Dorda, Ph.D. 1 Základní pojmy Systém systémem rozumíme množinu prvků (příznaků) a vazeb (relací) mezi nimi, která jako celek má určité vlastnosti. Množinu
VícePopis zobrazení pomocí fuzzy logiky
Popis zobrazení pomocí fuzzy logiky diplomová práce Ján Fröhlich KM, FJFI, ČVUT 23. dubna 2009 Ján Fröhlich ( KM, FJFI, ČVUT ) Popis zobrazení pomocí fuzzy logiky 23. dubna 2009 1 / 25 Obsah 1 Úvod Základy
VíceDeskripční logika. Petr Křemen FEL ČVUT. Petr Křemen (FEL ČVUT) Deskripční logika 37 / 157
Deskripční logika Petr Křemen FEL ČVUT Petr Křemen (FEL ČVUT) Deskripční logika 37 / 157 Co nás čeká 1 Základy deskripční logiky 2 Jazyk ALC Syntax a sémantika 3 Cyklické a acyklické TBOXy Petr Křemen
VíceVyučovací hodina. 1vyučovací hodina: 2vyučovací hodiny: Opakování z minulé hodiny. Procvičení nové látky
Vyučovací hodina 1vyučovací hodina: Opakování z minulé hodiny Nová látka Procvičení nové látky Shrnutí 5 min 20 min 15 min 5 min 2vyučovací hodiny: Opakování z minulé hodiny Nová látka Procvičení nové
VícePřijímací zkouška - matematika
Přijímací zkouška - matematika Jméno a příjmení pište do okénka Číslo přihlášky Číslo zadání 1 Grafy 1 Pro který z následujících problémů není znám žádný algoritmus s polynomiální časovou složitostí? Problém,
VícePočítačová grafika 2 (POGR2)
Počítačová grafika 2 (POGR2) Pavel Strachota FJFI ČVUT v Praze 19. února 2015 Kontakt Ing. Pavel Strachota, Ph.D. Katedra matematiky Trojanova 13, místnost 033a E-mail: pavel.strachota@fjfi.cvut.cz WWW:
VíceVýpočet průsečíků paprsku se scénou
Výpočet průsečíků paprsku se scénou 1996-2018 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ Intersection 2018 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca 1 / 26 Průsečík
VíceOptimalizace. 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
VíceINVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.0141 Báze vektorových prostorů, transformace souřadnic Michal Botur Přednáška
VíceOSA. maximalizace minimalizace 1/22
OSA Systémová analýza metodika používaná k navrhování a racionalizaci systémů v podmínkách neurčitosti vyšší stupeň operační analýzy Operační analýza (výzkum) soubor metod umožňující řešit rozhodovací,
VíceBooleova algebra. ZákonyBooleovy algebry Vyjádření logických funkcí
Booleova algebra ZákonyBooleovy algebry Vyjádření logických funkcí pravdivostní tabulka logický výraz seznam indexů vstupních písmen mapa vícerozměrná krychle 30-1-13 O. Novák 1 Booleova algebra Booleova
VíceMATLAB & Simulink. novinky v roce 2008. Jan Houška houska@humusoft.cz. HUMUSOFT s.r.o.
MATLAB & Simulink novinky v roce 2008 Jan Houška houska@humusoft.cz Release 2008a a 2008b nové produkty SimElectronics Econometrics Toolbox významné aktualizace MATLAB Symbolic Math Toolbox Parallel Computing
VíceÚvod do informatiky. Miroslav Kolařík. Zpracováno dle učebního textu R. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008.
Úvod do informatiky přednáška čtvrtá Miroslav Kolařík Zpracováno dle učebního textu R. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008. Obsah 1 Pojem relace 2 Vztahy a operace s (binárními) relacemi
VíceOborové číslo Hodnocení - část A Hodnocení - část B Hodnocení - část A+B. 1. úloha (4 body) Kolik existuje cest délky 4 v grafu K11? 2.
PŘIJÍMACÍ TEST Z INFORMATIKY A MATEMATIKY NAVAZUJÍCÍ MAGISTERSKÉ STUDIUM V OBORU APLIKOVANÁ INFORMATIKA FAKULTA INFORMATIKY A MANAGEMENTU UNIVERZITY HRADEC KRÁLOVÉ ČÁST A Oborové číslo Hodnocení - část
VíceTeorie síťových modelů a síťové plánování
KSI PEF ČZU Teorie síťových modelů a síťové plánování Část přednášky doc. Jaroslava Švasty z předmětu systémové analýzy a modelování. Zápis obsahuje základní vymezení projektu, časového plánování a popis
VíceFunkce v ıce promˇ enn ych Extr emy Pˇredn aˇska p at a 12.bˇrezna 2018
Funkce více proměnných Extrémy Přednáška pátá 12.března 2018 Zdroje informací Diferenciální počet http://homen.vsb.cz/~kre40/esfmat2/fceviceprom.html http://www.studopory.vsb.cz/studijnimaterialy/sbirka_uloh/pdf/7.pdf
VíceGenetické programování 3. část
1 Portál pre odborné publikovanie ISSN 1338-0087 Genetické programování 3. část Macháček Martin Elektrotechnika 08.04.2011 Jako ukázku použití GP uvedu symbolickou regresi. Regrese je statistická metoda
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 Mgr. Sekničková Jana, Ph.D. 2. PŘEDNÁŠKA MATEMATICKÝ MODEL ÚLOHY LP Mgr. Sekničková Jana, Ph.D. 2 OSNOVA PŘEDNÁŠKY Obecná formulace MM Množina
VíceVývoj řízený testy Test Driven Development
Vývoj řízený testy Test Driven Development Richard Salač, Ondřej Lanč Fakulta jaderná a fyzikálně inženýrská České vysoké učení technické v Praze 23. - 30. 10. 2012 Obsah 1 Testování 2 Klasický přístup
Více