Genetické algoritmy. Informační a komunikační technologie ve zdravotnictví
|
|
- Dagmar Kovářová
- před 7 lety
- Počet zobrazení:
Transkript
1 Genetické algoritmy Informační a komunikační technologie ve zdravotnictví
2 Přehled přednášky Úvod Historie Základní pojmy Principy genetických algoritmů Možnosti použití Související metody AI Příklad problém obchodního cestujícího Příklad umělý život Dotazy Zdroje
3 Úvod Aplikace Darwinovy evoluční teorie na informatiku Hlavní myšlenka vyhovující organismus lze získat přirozenou selekcí, křížením a mutacemi
4 Přírodní motivace Metafora Darwinovy evoluční teorie o vývoji druhu Pravděpodobnostní metody přiblížení technického základu k ideálu podle přírodních genetických a vývojových principů Nejčastěji používané ze skupiny evolučních optimalizačních algoritmů jsou Genetické algoritmy
5 Historie I. Rechenberg "Evolution strategies John Holland "Adaption in Natural and Artificial Systems 992 John Koza - Genetic programming"
6 Vlastnosti GA Robustnost Efektivní způsob vyhledávání mnohonásobným opakování jednoduchých operací Paralelní prohledávání celého prostoru ve více směrech současně Schopnost vyváznout z lokálního extrému GA hledá celou skupinu přípustných řešení výběr nejlepšího
7 Základní pojmy Jedinec nositel genetické informace Genom genetický materiál určitého druhu Gen řetězec nukleotidů kódující jednu vlastnost Genotyp x fenotyp genetická informace o řešení vs. Konkrétní hodnoty parametrů řešení Chromozom řetězec genů
8 Reprezentace chromozomu Volba závisí na charakteru problému Binárně Permutace přirozených čísel Sekvence hodnot Stromová struktura
9 Binární reprezetace chromozomu Chromozom je reprezentován řadou a 0 Velké množství možností s malým počtem genů Jednoduchá realizace Příklad použití problém plného batohu
10 Reprezetace permutací čísel Každý gen reprezentuje pořadí v sekvenci Ideální pro úlohy řešící řazení Příklad problém obchodního cestujícího
11 Posloupnost hodnot Gen reprezentuje nějakou složitější hodnotu Přirozená reprezentace mnoha problémů Pro křížení jsou nutné speciální operátory A A B A F E D E A C E B C G G (back) (left) (left) (forward)
12 Stromová struktura Chromozom je stromová struktura obsahující ve svých uzlech a větvích nějaké objekty Příklady použití: list + 0 list 3 a * 2 3 x Genetické programování Regresní analýza
13 Algoritmus - schéma
14 Algoritmus Vytvoř první populaci jedinců Ohodnoť jedince v populaci Vytvoř novou populaci Vyber rodiče některou metodou selekce Vytvoř nové jedince křížením a mutací Ohodnoť nové jedince Přidej potomky do populace Nahraď starou populaci novou Opakuj dokud nejsou splněny podmínky zadání
15 Inicializace počáteční populace Náhodná inicializace Náhodný výběr zvoleného počtu chromozomů (náhodný generátor 0 a s p-stí 0,5) Žádná apriorní znalost o podobě hledaného řešení Spoléhá pouze na šťastné navzorkování celého prohledávaného prostoru omezeným počtem příkladů Informovaná inicializace Využívá apriorní znalost Může vést jednak k nalezení lepších řešení Může zkrátit celkový výpočet Může způsobit nevratné nasměrování GA k suboptimálnímu řešení
16 Inicializace počáteční populace Předzpracování jedinců pro počáteční populaci
17 Algoritmus Vytvoř první populaci jedinců Ohodnoť jedince v populaci Vytvoř novou populaci Vyber rodiče některou metodou selekce Vytvoř nové jedince křížením a mutací Ohodnoť nové jedince Přidej potomky do populace Nahraď starou populaci novou Opakuj dokud nejsou splněny podmínky zadání
18 Fitness funkce Určuje úspěšnost jedince Na výsledku závisí jakou měrou se jedinec projeví v následující generaci Příklad: hledání největší Euklidovské vzdálenosti vzdálenosti a,b rozsah hodnot 0-3, binární kódování 2 2 fitness: f(a,b)=a +b
19 Algoritmus Vytvoř první populaci jedinců Ohodnoť jedince v populaci Vytvoř novou populaci Vyber rodiče některou metodou selekce Vytvoř nové jedince křížením a mutací Ohodnoť nové jedince Přidej potomky do populace Nahraď starou populaci novou Opakuj dokud nejsou splněny podmínky zadání
20 Selekce a metody selekce Uplatnění Darwinovy teorie Nejlepší přežijí a stvoří potomky Ruletové kolo Rank Selection Turnaj
21 Ruletové kolo Pravděpodobnost výběru jedince x 0 x k f( x) - suma fitness funkcí všech - fitness jedinců funkce pro - fitness i-tého funkce jedince pro i-tého jedince p i f x 0 x k i f ( x) f i f i Algoritmus: Spočti celkovou sumu všech v fitness funkcí = S Generuj náhodnn hodné číslo z intervalu < 0, S > = r Procházej populaci a sčítej s fitness fci. Když r < aktuáln lní součet zastav a vrať daný chromozóm
22 Pořadová selekce (rank selection) Obdoba ruletového kola nepracujeme s hodnotami fitness funkcí ale s pořadovým číslem jedince: N je počet jedinců v populaci, funkce rank(i) vrací pořadí i-tého jedince v populaci shift udává hodnotu f' nejhoršího jedince v populaci Nejhoršímu jedinci přiřadíme, dalšímu 2, atd. Pro problémy, kde je velký rozdíl hodnot fitness funkcí Pomalejší konvergence
23 Turnaj Náhodně vybraní jedinci z populace podstupují souboj o přežití Vybrán je jedinec s lepším ohodnocením Výhody - jednoduchá implementace, zajišťuje rozmanitost i selekční tlak
24 Algoritmus Vytvoř první populaci jedinců Ohodnoť jedince v populaci Vytvoř novou populaci Vyber rodiče některou metodou selekce Vytvoř nové jedince křížením a mutací Ohodnoť nové jedince Přidej potomky do populace Nahraď starou populaci novou Opakuj dokud nejsou splněny podmínky zadání
25 Křížení Metoda, jejímž použitím získáme nové jedince, kteří nebyli součástí předchozí populace Dle typu úlohy existuje několik typů operátorů křížení Crossover Edge recombination crossover A mnoho dalších
26 Způsoby křížení Jednobodové maska Dvoubodové maska Rovnoměrné (uniform) maska 00000
27 Mutace Náhodná změna vybraných genů jedince Rozšiřuje prohledávaný prostor o řešení, které nelze dosáhnou křížením Zabraňuje uváznutí v lokální maximu / minimu
28 Nahrazovací strategie Určuje jak velká část populace (a kteří jedinci konkrétně) bude nahrazena v jednom generačním kroku Generační strategie Stará populace je kompletně nahrazena novou populací Steady-state Pouze část populace je nahrazena, ostatní jedinci zůstávání
29 Elitářství Do další generace je zachováno beze změny několik nejlepších jedinců Zajišťuje zachování dosud nejlepších jedinců Může znatelně urychlit řešení
30 Parametry genetických algoritmů Počet jedinců v generaci Pravděpodobnost křížení Pravděpodobnost mutace
31 Pravděpodobnost křížení a mutace: 2 nejzákladnější parametry GA. Pravděpodobnost křížení: Udává četnost křížení 0% nová populace je kopií původní. 00% každý potomek je stvořen pomocí křížení Pravděpodobnost mutace: Udává četnost mutace nových potomků. 00% Každý chromozóm je pozměněn 0 % Ani jeden není pozměněn.
32 Předčasná konvergence
33 Stagnace
34 Škálování Škálování - úprava ohodnocení jedinců, aby bylo dosaženo požadovaného selekčního tlaku: f max σ f Lineární škálování: ' i avg f a f b Parametry a, b jsou spočítány tak, aby platilo: průměrná hodnota fitness se nezmění (takže f'avg = favg) a maximální hodnota f'max bude nejvýše c f'avg. c je parametrem metody (,5 2,0) i
35 Efekt lineárního škálování
36 Teorie schémat Teorie schémat Založena na protěžování dominantních vzorů, zastoupených v aktuální populaci Propagovány s velkou frekvencí do dalších generací. Z těchto vzorů je poskládáno výsledné optimální řešení. Nutný předpoklad: problém musí být dekomponovatelný na menší podproblémy
37 Teorie schémat Schéma Řetězec obsahující 0,, * ( cokoliv ) Schéma zahrnuje právě 2r řetězců, kde r je počet * ve schématu Příklad schématu: 0**0* Jedinci odpovídající výše uvedenému schématu: 00000, 0000, 0000, 000, 0000, 000, 000, 00
38 Teorie schémat Řád schématu O(S) je počet specifikovaných pozic ve schématu S pro S = (0,,*,*,0,,*)» o(s) = 4 schéma řádu o(s) pokrývá 2L-o(S) řetězců Definiční délka schématu (kompaktnost) d(s) je největší vzájemná vzdálenost dvou specifických symbolů Schéma S = (0,,*,*,0,,*) má d(s) = 5 Schémata řádu 0 a mají definiční délku 0 Fitness schématu f(s) je průměrná fitness všech řetězců v populaci, pokrytých daným schématem Četnost výskytu schématu v populaci v čase t: m(s,t)
39 Vlastnosti genetických algoritmů (+) Dají se použít pro řešení problémů jinak těžko řešitelných (například, když interakce mezi jednotlivými částmi jsou těžko popsatelné). (+) Většinou neuváznou v lokálním extrému. (+) Vždy poskytnou nějaké řešení. (+) Jsou snadno implementovatelné a paralerizovatelné. ( ) Nemáme žádnou záruku, že nalezené řešení je optimální. ( ) Někdy mohou být velmi pomalé (obzvlášt pokud nejsou dobře navrženy reprezentace jedinců a operátory křížení a mutace). ( ) Vyžadují vhodné nastavení většího množství parametrů algoritmu (naprˇ. PC, PM, p).
40 Využití Optimalizační úlohy Úlohy, kde neznáme algoritmus řešení, nebo je tento algoritmus výpočetně příliš náročný Rozvrhování Automatické navrhování elmech. systémů Optimalizace rozmístění telekomunikačních zařízení Učení neuronových sítí Učení robotů Zkoumání a vývoj léků
41 Příklady aplikací GA Optimalizace nákládání kontejnerů Učení chování robotů. Optimalizace infrastruktury pro mobilní komunikaci. Optimalizace struktury molekul. Návrh uspořádání výrobních hal. Různé plánovací problémy (např. když jednotlivé úlohy jsou navzájem závislé). Predikce akciových trhů
Genetické algoritmy. Vysoká škola ekonomická Praha. Tato prezentace je k dispozici na: http://www.utia.cas.cz/vomlel/
Genetické algoritmy Jiří Vomlel Laboratoř inteligentních systémů Vysoká škola ekonomická Praha Tato prezentace je k dispozici na: http://www.utia.cas.cz/vomlel/ Motivace z Darwinovy teorie evoluce Přírodní
VíceEvoluční algoritmy. Podmínka zastavení počet iterací kvalita nejlepšího jedince v populaci změna kvality nejlepšího jedince mezi iteracemi
Evoluční algoritmy Použítí evoluční principů, založených na metodách optimalizace funkcí a umělé inteligenci, pro hledání řešení nějaké úlohy. Populace množina jedinců, potenciálních řešení Fitness function
VíceEvoluční výpočetní techniky (EVT)
Evoluční výpočetní techniky (EVT) - Nacházejí svoji inspiraci v přírodních vývojových procesech - Stejně jako přírodní jevy mají silnou náhodnou složku, která nezanedbatelným způsobem ovlivňuje jejich
VíceEmergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
Více5.5 Evoluční algoritmy
5.5 Evoluční algoritmy Jinou skupinou metod strojového učení, které vycházejí z biologických principů, jsou evoluční algoritmy. Zdrojem inspirace se tentokrát stal mechanismus evoluce, chápaný jako Darwinův
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceA0M33EOA: Evoluční optimalizační algoritmy
A0M33EOA: Evoluční optimalizační algoritmy Zkouškový test Pátek 8. února 2011 Vaše jméno: Známka, kterou byste si z předmětu sami dali, a její zdůvodnění: Otázka: 1 2 3 4 5 6 7 8 Celkem Body: 1 3 2 1 4
VíceGenetické algoritmy a jejich praktické využití
Genetické algoritmy a jejich praktické využití Pavel Šturc PB016 Úvod do umělé inteligence 21.12.2012 Osnova Vznik a účel GA Princip fungování GA Praktické využití Budoucnost GA Vznik a účel GA Darwinova
VíceJak se matematika poučila v biologii
Jak se matematika poučila v biologii René Kalus IT4Innovations, VŠB TUO Role matematiky v (nejen) přírodních vědách Matematika inspirující a sloužící jazyk pro komunikaci s přírodou V 4 3 r 3 Matematika
VíceGenetické programování
Genetické programování Vyvinuto v USA v 90. letech J. Kozou Typické problémy: Predikce, klasifikace, aproximace, tvorba programů Vlastnosti Soupeří s neuronovými sítěmi apod. Potřebuje značně velké populace
VíceUniverzita Pardubice Fakulta ekonomicko-správní. Návrh a realizace systému pro genetické programování Bc. Petr Sotona
Univerzita Pardubice Fakulta ekonomicko-správní Návrh a realizace systému pro genetické programování Bc. Petr Sotona Diplomová práce 2009 Prohlašuji: Tuto práci jsem vypracoval samostatně. Veškeré literární
VíceGramatická evoluce a softwarový projekt AGE
Gramatická evoluce a softwarový projekt AGE Adam Nohejl Matematicko-fyzikální fakulta Univerzita Karlova v Praze http://nohejl.name/ 4. 4. 2010 Poznámka: Prezentace založené na variantách těchto slajdů
VíceZáklady umělé inteligence 4. Evoluční výpočetní techniky Jiří Kubaĺık Katedra kybernetiky, ČVUT-FEL http://cw.felk.cvut.cz/doku.php/courses/y33zui/start ppřírodní motivace EVT :: Stochastické optimalizacní
VíceMetaheuristiky s populacemi
Metaheuristiky s populacemi 8. března 2018 1 Společné vlastnosti 2 Evoluční algoritmy 3 Optimalizace mravenčí kolonie Zdroj: El-Ghazali Talbi, Metaheuristics: From Design to Implementation. Wiley, 2009.
VíceGenetické algoritmy. a jejich praktické využití. Pavel Šturc. průmyslu, stejně tak je zde uvedeno i několik případů jejich úspěšné implementace.
Genetické algoritmy a jejich praktické využití Pavel Šturc Úvod Cílem této práce je seznámit čtenáře se základním principem funkce genetických algoritmů a nastínit jejich možné aplikování do různých odvětví
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VíceVyužití metod strojového učení v bioinformatice David Hoksza
Využití metod strojového učení v bioinformatice David Hoksza SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita v Praze Bioinformatika Biologické inspirace
Více1. 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
Více2015 http://excel.fit.vutbr.cz Kartézské genetické programování s LUT Karolína Hajná* Abstract Tato práce se zabývá problematikou návrhu obvodů pomocí kartézského genetického programování na úrovni třívstupových
VíceDatové struktury 2: Rozptylovací tabulky
Datové struktury 2: Rozptylovací tabulky prof. Ing. Pavel Tvrdík CSc. Katedra počítačových systémů Fakulta informačních technologií České vysoké učení technické v Praze c Pavel Tvrdík, 2010 Efektivní algoritmy
VíceMasarykova univerzita. Fakulta informatiky. Evoluce pohybu
Masarykova univerzita Fakulta informatiky Evoluce pohybu IV109 Tomáš Kotula, 265 287 Brno, 2009 Úvod Pohyb je jedním ze základních projevů života. Zdá se tedy logické, že stejně jako ostatní vlastnosti
VíceNavrženy v 60. letech jako experimentální optimalizační metoda. Velice rychlá s dobrou podporou teorie
Evoluční strategie Navrženy v 60. letech jako experimentální optimalizační metoda Založena na reálných číslech Velice rychlá s dobrou podporou teorie Jako první zavedla self-adaptation (úpravu sebe sama)
VíceStromy. Strom: souvislý graf bez kružnic využití: počítačová grafika seznam objektů efektivní vyhledávání výpočetní stromy rozhodovací stromy
Stromy úvod Stromy Strom: souvislý graf bez kružnic využití: počítačová grafika seznam objektů efektivní vyhledávání výpočetní stromy rozhodovací stromy Neorientovaný strom Orientovaný strom Kořenový orientovaný
VíceMETODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1
METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV INTELIGENTNÍCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF INTELLIGENT SYSTEMS ZJIŠŤOVÁNÍ
VícePokročilé operace s obrazem
Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání
VíceInovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/
Inovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/07.0354 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky Populační genetika (KBB/PG)
VícePŘEDNÁŠKA 03 OPTIMALIZAČNÍ METODY Optimization methods
CW057 Logistika (R) PŘEDNÁŠKA 03 Optimization methods Ing. Václav Venkrbec skupina obecných modelů slouží k nalezení nejlepšího řešení problémů a modelovaných reálií přináší řešení: prvky konečné / nekonečné
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF AUTOMATION AND COMPUTER SCIENCE
VíceInovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/
Inovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/07.0354 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky Populační genetika (KBB/PG)
VíceSeminář z umělé inteligence. Otakar Trunda
Seminář z umělé inteligence Otakar Trunda Plánování Vstup: Satisficing task: počáteční stav, cílové stavy, přípustné akce Optimization task: počáteční stav, cílové stavy, přípustné akce, ceny akcí Výstup:
VíceZáklady 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
Více11. Tabu prohledávání
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
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:
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
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.
VícePropojení výuky oborů Molekulární a buněčné biologie a Ochrany a tvorby životního prostředí. Reg. č.: CZ.1.07/2.2.00/
Propojení výuky oborů Molekulární a buněčné biologie a Ochrany a tvorby životního prostředí Reg. č.: CZ.1.07/2.2.00/28.0032 Genetika populací Studium dědičnosti a proměnlivosti skupin jedinců (populací)
VíceZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA STROJNÍ BAKALÁŘSKÁ PRÁCE Jan Šulc
ZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA STROJNÍ BAKALÁŘSKÁ PRÁCE 2016 ZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA STROJNÍ Studijní program: Studijní zaměření: B2301 Strojní inženýrství 2301R016 Průmyslové inženýrství
VíceZáklady genetiky populací
Základy genetiky populací Jedním z významných odvětví genetiky je genetika populací, která se zabývá studiem dědičnosti a proměnlivosti u velkých skupin jedinců v celých populacích. Populace je v genetickém
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
VíceAproximativní 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
Vícejednoduchá heuristika asymetrické okolí stavový prostor, kde nelze zabloudit připustit zhoršují cí tahy Pokročilé heuristiky
Pokročilé heuristiky jednoduchá heuristika asymetrické stavový prostor, kde nelze zabloudit připustit zhoršují cí tahy pokročilá heuristika symetrické stavový prostor, který vyžaduje řízení 1 2 Paměť pouze
VícePrincip optimalizačních metod inspirovaných přírodou
Princip optimalizačních metod inspirovaných přírodou Tomáš Kroupa 20. května 2014 Tento studijní materiál je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Obsah Úkol a
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV INFORMAČNÍCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF INFORMATION SYSTEMS EVOLUČNÍ ŘEŠENÍ
VíceTVORBA ROZVRHŮ POMOCÍ GENETICKÝCH ALGO-
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS TVORBA ROZVRHŮ POMOCÍ
VíceObsah. Obsah. Předmluva Úvod Část I: Genetické algoritmy Genetický algoritmus krok za krokem...19
GENETICKÉ ALGORITMY A GENETICKÉ PROGRAMOV N 5 Obsah Předmluva...9 1. Úvod...13 Část I: Genetické algoritmy...17 2. Genetický algoritmus krok za krokem...19 3. Proč genetické algoritmy fungují?...27 4.
Víceití empirických modelů při i optimalizaci procesu mokré granulace léčivl ková SVK ÚOT
Využit ití empirických modelů při i optimalizaci procesu mokré granulace léčivl Jana Kalčíkov ková 5. ročník Školitel: Doc. Ing. Zdeněk k Bělohlav, B CSc. Granulace Prášek Granule Vlhčivo Promíchávání
VíceFAKULTA INFORMAČNÍCH TECHNOLOGIÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS GENEROVÁNÍ MATEMATICKÝCH
VíceDůsledky selekce v populaci - cvičení
Genetika a šlechtění lesních dřevin Důsledky selekce v populaci - cvičení Doc. Ing. RNDr. Eva Palátová, PhD. Ing. R. Longauer, CSc. Ústav zakládání a pěstění lesů LDF MENDELU Brno Tento projekt je spolufinancován
VíceSelekce v populaci a její důsledky
Genetika a šlechtění lesních dřevin Selekce v populaci a její důsledky Doc. Ing. RNDr. Eva Palátová, PhD. Ústav zakládání a pěstění lesů LDF MENDELU Brno Tento projekt je spolufinancován Evropským sociálním
VíceCvičení č. 8. KBI/GENE Mgr. Zbyněk Houdek
Cvičení č. 8 KBI/GENE Mgr. Zbyněk Houdek Genové interakce Vzájemný vztah mezi geny nebo formami existence genů alelami. Jeden znak je ovládán alelami působícími na více lokusech. Nebo je to uplatnění 2
VícePARALELNÍ GENETICKÉ ALGORITMY
PARALELNÍ GENETICKÉ ALGORITMY PETR POŠÍK DIPLOMOVÁ PRÁCE České vysoké učení technické Praha, 2001 Abstrakt Genetické algoritmy (GA) se osvědčily při řešení různých optimalizačních problémů v mnoha oblastech
VíceUNIVERZITA PARDUBICE FAKULTA ELEKROTECHNIKY A INFORMATIKY
UNIVERZITA PARDUBICE FAKULTA ELEKROTECHNIKY A INFORMATIKY Genetické algoritmy (vliv parametrů na jejich chování) Pavel Rypien Bakalářská práce 2009 Prohlašuji: Tuto práci jsem vypracoval samostatně.
VíceAlgoritmizace 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
VíceCvičeníč. 9: Dědičnost kvantitativních znaků; Genetika populací. KBI/GENE: Mgr. Zbyněk Houdek
Cvičeníč. 9: Dědičnost kvantitativních znaků; Genetika populací KBI/GENE: Mgr. Zbyněk Houdek Kvantitativní znak Tyto znaky vykazují plynulou proměnlivost (variabilitu) svého fenotypového projevu. Jsou
VíceChromosomy a karyotyp člověka
Chromosomy a karyotyp člověka Chromosom - 1 a více - u eukaryotických buněk uložen v jádře karyotyp - soubor všech chromosomů v jádře jedné buňky - tvořen z vláknem chromatinem = DNA + histony - malé bazické
VíceGeneticky vyvíjené strategie Egyptská hra SENET
Geneticky vyvíjené strategie Egyptská hra SENET Lukáš Rypáček, lukor@atrey.karlin.mff.cuni.cz Abstrakt V tomto dokumentu popíši jeden příklad použití genetických algoritmů pro počítačové hraní her. V tomto
VíceInovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/
Inovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/07.0354 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky Populační genetika (KBB/PG)
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceObsah. Obsah. Předmluva...9. 1. Úvod...13. Část I: Genetické algoritmy...17. 2. Genetický algoritmus krok za krokem...19
GENETICKÉ ALGORITMY A GENETICKÉ PROGRAMOV N 5 Obsah Předmluva...9 1. Úvod...13 Část I: Genetické algoritmy...17 2. Genetický algoritmus krok za krokem...19 3. Proč genetické algoritmy fungují?...27 4.
VíceEvolučníalgoritmy. Dále rozšiřována, zde uvedeme notaci a algoritmy vznikléna katedře mechaniky, Fakulty stavební ČVUT. Moderní metody optimalizace 1
Evolučníalgoritmy Kategorie vytvořená v 90. letech, aby se sjednotily jednotlivémetody, kterévyužívaly evoluční principy, tzn. Genetickéalgoritmy, Evolučnístrategie a Evoluční programování (v těchto přednáškách
VíceSPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR
EVOLUČNÍ NÁVRH A OPTIMALIZACE APLIKAČNĚ SPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR Miloš Minařík DVI4, 2. ročník, prezenční studium Školitel: Lukáš Sekanina Fakulta informačních technologií, Vysoké učení
VíceStátnice odborné č. 20
Státnice odborné č. 20 Shlukování dat Shlukování dat. Metoda k-středů, hierarchické (aglomerativní) shlukování, Kohonenova mapa SOM Shlukování dat Shluková analýza je snaha o seskupení objektů do skupin
VíceGenetika vzácných druhů zuzmun
Genetika vzácných druhů Publikace Frankham et al. (2003) Introduction to conservation genetics Časopis Conservation genetics, založeno 2000 (máme online) Objekt studia Genetická diversita Rozložení genetické
Více1. Téma : Genetika shrnutí Název DUMu : VY_32_INOVACE_29_SPSOA_BIO_1_CHAM 2. Vypracovala : Hana Chamulová 3. Vytvořeno v projektu EU peníze středním
1. Téma : Genetika shrnutí Název DUMu : VY_32_INOVACE_29_SPSOA_BIO_1_CHAM 2. Vypracovala : Hana Chamulová 3. Vytvořeno v projektu EU peníze středním školám Genetika - shrnutí TL2 1. Doplň: heterozygot,
VíceNEURONOVÉ SÍTĚ A EVOLUČNÍ ALGORITMY NEURAL NETWORKS AND EVOLUTIONARY ALGORITHMS
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceFakulta elektrotechnická
České vysoké učení technické v Praze Fakulta elektrotechnická Diplomová práce Veronika Crkvová Evoluční metaheuristiky pro zobecněný problém obchodního cestujícího Katedra počítačů Vedoucí práce: Ing.
VíceGenetické programování v prostředí Mathematica
Genetické programování v prostředí Mathematica Genetic programming in Mathematica Bc.Martin Macháček Diplomová práce 2010 UTB ve Zlíně, Fakulta aplikované informatiky, 2010 2 UTB ve Zlíně, Fakulta aplikované
VíceStromy, haldy, prioritní fronty
Stromy, haldy, prioritní fronty prof. Ing. Pavel Tvrdík CSc. Katedra počítačů FEL České vysoké učení technické DSA, ZS 2008/9, Přednáška 6 http://service.felk.cvut.cz/courses/x36dsa/ prof. Pavel Tvrdík
VíceFAKULTA INFORMAČNÍCH TECHNOLOGIÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS KOEVOLUCE V EVOLUČNÍM
VíceGenetika kvantitativních znaků
Genetika kvantitativních znaků Kvantitavní znaky Plynulá variabilita Metrické znaky Hmotnost, výška Dojivost Srstnatost Počet vajíček Velikost vrhu Biochemické parametry (aktivita enzymů) Imunologie Prahové
VíceZajímavé aplikace teorie grafů
Modulární systém dalšího vzdělávání pedagogických pracovníků JmK v přírodních vědách a informatice CZ.1.07/1.3.10/02.0024 Zajímavé aplikace teorie grafů Nejkratší cesta Problém: Jak nalézt nejkratší cestu
VíceMonte Carlo, genetické algoritmy, neuronové sítě
Monte Carlo, genetické algoritmy, neuronové sítě Monte Carlo a karty Historie Hra solitaire: jaká je pravděpodobnost výhry s dobře promíchanými kartami? Analytické počítání je složité, protože vítězství
VíceGENETICKÝ NÁVRH KLASIFIKÁTORU S VYUŽITÍM NEURONOVÝCH SÍTÍ NEURAL NETWORKS CLASSIFIER DESIGN USING GENETIC ALGORITHM
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS GENETICKÝ NÁVRH
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
Metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceZáklady algoritmizace. Pattern matching
Základy algoritmizace Pattern matching 1 Pattern matching Úloha nalézt v nějakém textu výskyty zadaných textových vzorků patří v počítačové praxi k nejfrekventovanějším. Algoritmy, které ji řeší se používají
VíceAlgoritmizace Dynamické programování. Jiří Vyskočil, Marko Genyg-Berezovskyj 2010
Dynamické programování Jiří Vyskočil, Marko Genyg-Berezovskyj 2010 Rozděl a panuj (divide-and-conquer) Rozděl (Divide): Rozděl problém na několik podproblémů tak, aby tyto podproblémy odpovídaly původnímu
VíceA0M33EOA - Evoluční optimalizační algoritmy. Organizace a nabídka témat pro semestrální práce
A0M33EOA - Evoluční optimalizační algoritmy Organizace a nabídka témat pro semestrální práce Organizace Základní informace Stránka předmětu https://cw.fel.cvut.cz/wiki/courses/a0m33eoa/start Nahrávání
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS EVOLUČNÍ OPTIMALIZACE
VíceSOUBĚŽNÉ UČENÍ V KARTÉZSKÉM GENETICKÉM PROGRAMOVÁNÍ CO-LEARNING IN CARTESIAN GENETIC PROGRAMMING
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS SOUBĚŽNÉ UČENÍ V
VíceUkázka knihy z internetového knihkupectví www.kosmas.cz
Ukázka knihy z internetového knihkupectví www.kosmas.cz U k á z k a k n i h y z i n t e r n e t o v é h o k n i h k u p e c t v í w w w. k o s m a s. c z, U I D : K O S 1 8 0 7 8 4 U k á z k a k n i h
VíceZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA STROJNÍ BAKALÁŘSKÁ PRÁCE. 2016/2017 Monika Knolová
ZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA STROJNÍ BAKALÁŘSKÁ PRÁCE 2016/2017 ZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA STROJNÍ Studijní program: B 2301 Strojní inženýrství Studijní zaměření: Průmyslové inženýrství
VíceFakulta dopravní OPTIMALIZACE
České vysoké učení technické v Praze Fakulta dopravní DIPLOMOVÁ PRÁCE VYUŽITÍ GENETICKÝCH ALGORITMŮ V ÚLOHÁCH DISKRÉTNÍ OPTIMALIZACE Alena Rybičková 2012 Prohlášení Nemám závažný důvod proti užívání tohoto
VíceOptimalizace obecný úvod. [proč optimalizovat?] Formalizace problému. [existují podobné problémy?]
Optimalizace obecný úvod 1 Optimalizace obecný úvod Motivace optimalizačních úloh [proč optimalizovat?] Formalizace problému [jak obecně popsat optimalizační úlohu?] Klasifikace optimalizačních problémů
VíceUniverzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE. Antonín Wimberský. Katedra softwarového inženýrství
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Antonín Wimberský Využití umělých neuronových sítí k urychlení evolučních algoritmů Katedra softwarového inženýrství Vedoucí diplomové
VícePOMOCÍ GENETICKÝCH ALGORITMŮ THESIS TITLE FAKULTA INFORMAČNÍCH TECHNOLOGIÍ LEONA NEZVALOVÁ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS ŘEŠENÍ HRY SOKOBAN
VíceGenetika populací. KBI / GENE Mgr. Zbyněk Houdek
Genetika populací KBI / GENE Mgr. Zbyněk Houdek Genetika populací Populace je soubor genotypově různých, ale geneticky vzájemně příbuzných jedinců téhož druhu. Genový fond je společný fond gamet a zygot
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta elektrotechniky a komunikačních technologií DIPLOMOVÁ PRÁCE
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií DIPLOMOVÁ PRÁCE Brno, 2016 Bc. Jan Němec VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY
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,
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ v Praze. Fakulta elektrotechnická Katedra měření
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ v Praze Fakulta elektrotechnická Katedra měření Separace signálů vibrací točivých strojů s využitím genetických algoritmů Diplomová práce 2010 Pavel KRPATA ČVUT Praha Abstrakt
VíceFAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF AUTOMATION AND COMPUTER SCIENCE
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceNávrh 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
VíceVyužití strojového učení k identifikaci protein-ligand aktivních míst
Využití strojového učení k identifikaci protein-ligand aktivních míst David Hoksza, Radoslav Krivák SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita
VíceUžití systému Matlab při optimalizaci intenzity tepelného záření na povrchu formy
Užití systému Matlab při optimalizaci intenzity tepelného záření na povrchu formy Radek Srb 1) Jaroslav Mlýnek 2) 1) Fakulta mechatroniky, informatiky a mezioborových studií 2) Fakulta přírodovědně-humanitní
Více10. 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
VíceÚvod do informatiky. Miroslav Kolařík
Úvod do informatiky přednáška devátá Miroslav Kolařík Zpracováno dle učebního textu prof. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008 Obsah 1 Kombinatorika: princip inkluze a exkluze 2 Počítání
Více12. 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
VíceČeské vysoké učení technické v Praze Fakulta elektrotechnická. Diplomová práce Přepínání metaheuristik. Aleš Kučík
České vysoké učení technické v Praze Fakulta elektrotechnická Diplomová práce Přepínání metaheuristik Aleš Kučík Vedoucí práce: Ing. Jan Koutník, Ph.D. Studijní program: Elektrotechnika a informatika,
Více