VUT Brno Fakulta informačních technologií Simulační nástroje a techniky (SNT) 2014/2015 Vehicle routing problem Ant colony
|
|
- Nikola Veselá
- před 5 lety
- Počet zobrazení:
Transkript
1 VUT Brno Fakulta informačních technologií Simulační nástroje a techniky (SNT) 2014/2015 Vehicle routing problem Ant colony František Němec (xnemec61) xnemec61@stud.fit.vutbr.cz 19. července Úvod Práce řeší Capacited Vehicle Routing Problem (CVRP) a je založena na článku s řešením pomocí Ant Colony System techniky [1]. Článek je z velké části zaměřen na detailní popis základu algoritmu a poté základní model rozšiřuje o řešení multi-compartment problému a využití k-means algoritmu pro tzv. clustering. Experimenty v článku jsou provedeny na několika často v literatuře používaných problémech [2]. V následujících kapitolách je popsán hlavní koncept Ant Colony techniky s její implementací, která je ověřena experimenty, jenž jsou následně vyhodnoceny a porovnány s výsledky uvedené v článku. 2 Vehicle Routing Problem Vehicle Routing Problem je optimalizační problém, který lze definovat jako hledání nejkratší cesty v grafu. V základním formátu se jedná o hledání nejkratší cesty, ale existuje několik rozšíření, která kladou další omezení. Mezi některá patří: Capacitated Vehicle Routing Problem (CVRP), kde jsou vozidla limitována svojí kapacitou nebo Vehicle Routing Problem with Time Windows (VRPTW), kde každý zákazník obsahuje časový interval kdy může být obsloužen. Vehicle Routing Problem má praktické využití např. v logistice pro minimalizaci nákladů na provoz vozidel nebo šetření životního prostředí snížením objemu výfukových plynů. Existuje mnoho metod pro jejich řešení, mezi která např. patří Particle Swarm Optimization [4], genetické algoritmy, simulované žíhání, Tabu Search [3] nebo Ant Colony [1]. 3 Koncept Ant Colony Existují mnohé varianty a rozšíření Ant Colony metody, ale tato práce (a článek) je založen na základní metodě Ant Colony Optimization (ACO), kterou dále rozšiřuje a která se nazývá Ant Colony System (ACS). 3.1 Ant Colony Optimization ACO algoritmus má dvě hlavní fáze: konstrukce trasy a obnova feromonových stop. Při konstrukci trasy mravenci souběžně budují cesty, přičemž začínají z náhodně zvolených uzlu (zákazníku). V každém kroku mravenec k aktuálně na uzlu i provede rozhodnutí k jakému dalšímu uzlu jít. Rozhodnutí je ovlivněno dvěma základními hodnotami: Heuristická funkce η ij, která vyjadřuje atraktivnost přechodu z uzlu i do uzlu j. Obvykle je tato funkce definována jako inverze ceny/vzdálenosti hrany mezi danými uzly. Úroveň feromonu na hraně (i, j) označena τ ij, která určuje jak moc byla v minulosti hrana používána. 1
2 Pravděpodobnost výběru uzlu n pro následující přechod mravence je následující: N k i p k in = (τ in ) α (η in ) β l N k i (τ il ) α (η il ) β (1) je množina přípustných uzlů (uzly do kterých lze přistoupit z uzlu i a zároveň ještě nebyly navštíveny) a α, β jsou heuristické parametry. Pokud však n / Ni k, pak je pravděpodobnost pk in = 0, neboli do nepřístupných uzlu je pravděpodobnost přechodu nulová. Jakmile všichni mravenci dokončí tvorbu tras je provedena aktualizace feromonových stop. To je provedeno snížením úrovně stopy na všech hranách (to reprezentuje vypaření a má za následek zapomenutí některých přechodů a podnícení prohledávání nových cest) a zvýšení úrovně feromonu na hranách, které byly překročeny. 3.2 Ant Colony System Ant Colony System (ACS) vylepšuje ACO v následujících aspektech: Konstrukce trasy: Při konstrukci trasy mravenec k na uzlu i přechází do uzlu n podle následujícího pravidla. Je vygenerováno náhodné číslo q rovnoměrného rozložení v intervalu [0,1] a když q > q 0, pak je uzel n zvolen podle standardního ACO pravidla (1) (s α = 1) v opačném případě je uzel zvolen následovně: n = arg max j N k i {(τ ij )(η ij ) β } (2) Tedy s pravděpodobností q 0 mravenec provede přechod s nejsilnější úrovní feromonové stopy, kdežto s pravděpodobností (1 q 0 ) provede náhodný přechod na základě feromonových stop. Aktualizace feromonů: ACS metoda používá dva typy aktualizace feromonů: lokální a globální. Lokální aktualizace je provedena vždy, když mravenec přejde hranu (i, j) (zvolí nový uzel) a feromon je upraven následovně: τ ij (1 ξ)τ ij + ξτ 0 (3) kde 0 < ξ < 1 a τ 0 je počáteční úroveň feromonu definována jako τ 0 = (NL nn ) 1, kde L nn je délka trasy při výběru nejbližšího souseda (trasa, kde každý přechod je proveden k nejbližšímu ještě nenavštívenému uzlu) a N je počet uzlů/zákazníků. Globální aktualizace je na druhou stranu provedena jen na hranách doposud nejlepší nalezené trasy a je implementována následující rovnicí: τ ij (1 ρ)τ ij + ρ τ bs ij, (i, j) T bs (4) kde τ bs ij = (Lbs ) 1, ρ je parametr řídící slábnutí feromonů a T bs je aktuálně nejlepší nalezená trasa s délkou L bs. To umožňuje algoritmu rychleji konvergovat koncentrací prohledávání okolo nejlepší trasy. Dalším rozšířením ACS algoritmu (nutné pro řešení CVRP) je zakomponování požadavků každého uzlu, kapacit mravenců a nutnost vracení do depa kvůli vyložení nákladu, aby nebyla překročena kapacita mravenců (v reálném světě kapacita vozidla). 4 Implementace Velice detailní popis ACS algoritmu se nachází přímo v článku, avšak vyskytuje se v něm chyba. V článku počítají přesný počet kroků potřebných na dokončení celé trasy. Výpočet je proveden na základě počtu nutných cest do depa podle depott rip = ceiling( v i /V ), kde v i je velikost požadavku zákazníka i a V je kapacita vozidla. Celkový počet kroků odpovídá steps = depott rip + N, kde N je počet uzlů/zákazníků. To však nemusí být pravda. Uved me příklad: 3 zákazníci každý s požadavkem 2 a vozidlo s kapacitou 3. Podle výše uvedeného vzorce je počet kroků roven steps = (3 2)/3 + 3 = 5. Požadavky ale nelze dělit a po obsloužení každého zákazníka vozidlo se musí navrátit do depa, protože by jinak překročilo svoji kapacitu a opravdový počet kroků se rovná steps = 6. 2
3 Výsledný algoritmu kombinuje několik technik. Pro nastavení τ 0 je použito Greedy prohledávání (prohledávání nejbližšího souseda). Po sestavení tras je aplikováno 2-opt vylepšení, což výrazně zlepšuje celkové výsledky. Vliv 2-opt je podroben testům v kapitole 5.1. Je vhodné zmínit, že v konečném algoritmu byl opomenut parametr α, protože v experimentech vždy nabývá hodnoty 1 a případně ho lze nahradit vhodnou volbou parametru β. Další důležitou informací je, že hrany mezi uzly se považují za neorientované. V článku nikde není tato informace explicitně uvedena a z teoretické popisu spíše vyplývá, že hrany jsou orientované. Nicméně vliv orientace hran byl testován a výsledky jsou, stejně jako 2-opt, popsány v kapitole 5.1. Algoritmus 1 obsahuje zjednodušený popis implementace ACS algoritmu. Algoritmus 1 Pseudokód vlastní implementace ACS algoritmu 1: for počet iterací do 2: Inicializace nenavštívených uzlů každého mravence 3: Rozmístění mravenců na náhodné počáteční uzly 4: while existují mravenci, kteří nedokončili konstrukci trasy do 5: Sestavení přípustných uzlů (nenavštívené uzly + uzly s dostatečně malým požadavkem) 6: if Seznam přípustných uzlů je prázdný (mravenec je příliš naložen) then 7: Cesta do depa 8: Vyložení nákladů 9: else 10: if mravenec se nachází depu then 11: Následující uzel je vybrán náhodně 12: else 13: Generace náhodné proměnné q v rozsahu [0,1) 14: if q > q 0 then 15: Výpočet pravděpodobností přechodů podle vzorce (1) 16: Výběr konkrétního uzlu ruletovým výběrem 17: else 18: Výběr uzlu na základě největší pravděpodobnosti (vzorec (2)) 19: end if 20: end if 21: Zvýšení nákladu mravence podle požadavku nového uzlu 22: end if 23: Lokální aktualizace feromonu na hraně posledního a nového uzlu 24: end while 25: Aplikace 2-opt vylepšení na trasy všech mravenců 26: Kontrola zda některý z mravenců našel novou nejlepší/nejkratší trasu 27: Globální aktualizace feromonových stop podle doposud nejlepší nalezené trase 28: end for Hlavní třídy simulátoru: Ant základní blok algoritmu. Field třída obsahující informace o feromonových stopách a vzdálenostech mezi uzly. Parameters singleton třída s parametry algoritmu jako β, q 0, ξ, ρ, počet běhů, počet iterací, počet mravenců. TwoOpt implementace 2-opt. VRP Vehicle Routing Problem, seznam uzlů s jejich požadavky a další omezení jako kapacita vozidla. VRPSolver jádro simulátoru. Třída s hlavními metodami Ant Colony System algoritmu. 5 Experimenty Cílem experimentů je ověřit správnost implementace algoritmu z článku [1] (dosáhnout stejných výsledků). Experimenty jsou provedeny (stejně jako v článku) na často používané sadě CVRP problémů shromážděné 3
4 panem Christofides [2]. Konkrétní vybrané problémy: C1, C2, C3, C11 a C12. Každý problém je definován následovně: souřadnice depa (x 0, y 0 ) souřadnice uzlů/zákazníků {(x i, y i ) i = 1,.., N} spolu s jejich požadavky {v i i = 1,.., N} kapacita vozidla V Parametry jsou taktéž stejné α = 1, β = 2, q 0 = 0, 9, ξ = ρ = 0.1. Počet mravenců je stejný jako počet uzlů konkrétního problému a počet iterací je zvolen na hodnotu Jelikož je Ant Colony stochastická metoda jeden běh nemá žádnou vypovídací hodnotu. V článku pro každý problém zvolili 10 běhů. V tabulce 1 jsou uvedeny výsledky experimentů (nejlepší, průměrná a nejhorší délka trasy) z článku a z vlastní implementace. Na grafu 1 je grafické porovnání průměrných délek tras z článku a vlastní implementace (u nejlepších a nejhorších délek je situace velice podobná). Článek Vlastní implementace Nejlepší Průměr Nejhorší Nejlepší Průměr Nejhorší C1 524,61 536,24 546,36 524,93 535,57 543,11 C2 877,75 907,46 933,15 875,56 890,72 902,85 C3 919,67 946,29 970,45 909,86 935,21 951,76 C , , , , , ,43 C , , ,59 846,98 848,52 851,79 Tabulka 1: Porovnání výsledků (délek tras) experimentů z článku a výsledků vlastní implementace Obrázek 1: Graf porovnání průměrných hodnot experimentů z článku a vlastní implementace Výsledky vlastní implementace jsou dokonce lepší než výsledky uvedené v článku. Nejsem si vědom žádného většího odklonění od konkrétního algoritmu z článku. Hlavním rozdílem je již zmíněný problém počítání přesného počtu kroků, ale to má za následek vytváření nevalidních tras a jejich zkrácení. Druhým rozdílem by mohla být orientace hran o které se v článku nepíše, ale z experimentů v následující kapitole vychází, že tak velký vliv orientace hran nemá. Pro vylepšení situace problémů C11 a C12 v článku implementovali k-means pro clustering. Nicméně i po jejich vylepšení vlastní implementace stále dosahuje lepších výsledků. Průměrné délky tras s clustering vylepšením z článku jsou pro C ,07 a pro C ,10, což je stále horší než výsledky vlastní implementace bez clustering vylepšení (C ,91 a C12 848,52) 4
5 5.1 2-opt a orientace hran Vliv 2-opt byl testován na problémech C1 a C2, ale lze s jistotou předpokládat podobné výsledky i u ostatních problémů. Parametry testů jsou stejné jako v hlavních experimentech: α = 1, β = 2, q 0 = 0, 9, ξ = ρ = 0.1, 25 běhů, 2000 iterací, 50 mravenců pro C1, 75 mravenců pro C2. Z výsledků (tabulka 2) je zřejmé, že 2-opt výrazně zlepšuje výsledky celého algoritmu a to až o několik procent. Průměr Směrodatná odchylka Bez 2-opt S 2-opt Zlepšení Bez 2-opt S 2-opt Zlepšení C1 582,72 533,46 8,5% 10,62 6,36 40,0% C2 975,53 897,99 7,9% 12,01 10,40 13,5% Tabulka 2: Vliv 2-opt na výsledné délky tras Stejně jako vliv 2-opt testování proběhlo na problémech C1 a C2 (tabulka 3) při stejných parametrech. Z experimentů porovnávající orientované oproti neorientované hrany byly zjištěny lepší výsledky při neorientovaných hranách. Zlepšení o skoro 1% sice není tak markantní jako u 2-opt, ale zase není úplně zanedbatelné. Průměr Směrodatná odchylka Orientované Neorientované Zlepšení Orientované Neorientované Zlepšení C1 537,36 533,46 0,7% 5,27 6,36-20,6% C2 905,13 897,99 0,8% 12,17 10,40 16,5% Tabulka 3: Vliv orientace hran na výsledné délky tras 6 Závěr Cílem práce bylo replikovat model Ant Colony System z článku [1] pro řešení Vehicle Routing Problem a ověřit správnou implementaci. Model byl implementován v jazyce C++, jak v konzolové verzi tak s uživatelským rozhraním, které je v Qt frameworku. Z experimentů vyplývá, že vlastní implementace poskytuje lepší výsledky než původní algoritmus z článku i když neimplementuje clustering vylepšení. Důvod zlepšení výsledků není zcela znám. V článku se také zabývají multi-compartment problémem a jeho aplikaci na sběr papíru a skla, které v této práci není implementováno a bylo by vhodné jako rozšíření modelu. Stejně tak nebylo implementováno k-means pro clustering, protože i bez něj základní implementace dosáhla dobrých výsledků. Nicméně by mohlo být zajímavé clustering implementovat a sledovat zda se výsledky ještě nezlepší. Další rozšíření by se mohla týkat paralelizace, protože v aktuální stavu implementace využívá jen jedno jádro. U experimentů však byl tento nedostatek nahrazen několikanásobným spuštěním programu, které už běžely paralelně. Další experimenty by mohly být založeny na nalezení vhodných hodnot parametrů, které poskytují nejlepší výsledky nebo provést jejich metaoptimalizaci. Reference [1] M. Reed, A. Yiannakou, R. Evering An ant colony algorithm for the multi-compartment vehicle routing problem. Applied soft computing. (15): ISSN Dostupné také z: http: // [2] N. Christofides, A. Mingozzi, P. Toth. The vehicle routing problem, in: N.Christofides, A. Mingozzi, P. Toth, C. Sandi (Eds.). Combinatorial Optimization. Wiley, Chichester. 1979, [3] S.R. Thangiah. A hybrid genetic algorithms, simulated annealing and tabusearch heuristic for vehicle routing problems with time windows. in: L.Chambers (Ed.), Practical Handbook of Genetic Algorithms, vol. III: ComplexStructures, CRC Press, Boca Raton. 1999, [4] M.R. Khouadjia, B. Sarasola, E. Alba, L. Jourdan, E.-G. Talbi. A comparative studybetween dynamic adapted PSO and VNS for the vehicle routing problem withdynamic requests. Applied Soft Computing 12 (2012)
Ant Colony Optimization 1 / 26
GoBack Ant Colony Optimization 1 / 26 Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika 2 / 26 Vznik Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika
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.
VíceOptimalizační algoritmy inspirované chováním mravenců
Optimalizační algoritmy inspirované chováním mravenců Biologická analogie ACO metaheuristic Ant system a jeho modifikace Specifikace problémů Aplikace Motivace NP-hard problémy časová náročnost nalezení
VíceAnt Colony Optimization
Ant Colony Optimization I am lost! Where is the line?! A Bug s Life, Walt Disney, 1998 ACO je metaheuristika, shrnující poznatky ze studia společenstev různých druhů mravenců. Heuristické algoritmy postavené
VíceSwarm Intelligence. Moderní metody optimalizace 1
Swarm Intelligence http://pixdaus.com/single.php?id=168307 Moderní metody optimalizace 1 Swarm Intelligence Inteligence hejna algoritmy inspirované chováním skupin ptáků, hmyzu, ryb apod. Particle Swarm
VíceÚvod do úloh plánování rozvozu (Vehicle Routing Problems)
Úvod do úloh plánování rozvozu (Vehicle Routing Problems) RNDr. Martin Branda, Ph.D. Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Výpočetní
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
VíceUse of ant colony optimization for vehicle routing problem. Použití metody mravenčích kolonií pro úlohy okružních jízd
Use of ant colony optimization for vehicle routing problem Použití metody mravenčích kolonií pro úlohy okružních jízd Adéla Burketová i Abstract: Ant colony optimization is a metaheuristic method used
VíceCLARKEOVA-WRIGHTOVA METODA ŘEŠENÍ ÚLOHY VRP
CLARKEOVA-WRIGHTOVA METODA ŘEŠENÍ ÚLOHY VRP 1. Definice úlohy Úloha VRP (Vehicle Routing Problem problém okružních jízd) je definována na obecné dopravní síti S = (V,H), kde V je množina uzlů sítě a H
VíceOptimalizační algoritmy inspirované chováním mravenců
Optimalizační algoritmy inspirované chováním mravenců Motivace a biologická analogie ACO metaheuristic Ant system a jeho modifikace Specifikace problémů vhodných pro ACO Aplikace Motivace NP-hard problémy
VíceOPTIMALIZAČNÍ ALGORITMY V LOGISTICKÝCH
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV INTELIGENTNÍCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF INTELLIGENT SYSTEMS OPTIMALIZAČNÍ
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:
VíceDijkstrův algoritmus
Dijkstrův algoritmus Hledání nejkratší cesty v nezáporně hranově ohodnoceném grafu Necht je dán orientovaný graf G = (V, H) a funkce, která každé hraně h = (u, v) H přiřadí nezáporné reálné číslo označované
VíceGrafové 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
VíceGrafové 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
VíceState Space Search Step Run Editace úloh Task1 Task2 Init Clear Node Goal Add Shift Remove Add Node Goal Node Shift Remove, Add Node
State Space Search Po spuštění appletu se na pracovní ploše zobrazí stavový prostor první předpřipravené úlohy: - Zeleným kroužkem je označen počáteční stav úlohy, který nemůže být změněn. - Červeným kroužkem
VíceVzdálenost 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
Více4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k?
A 1. Stanovte pravděpodobnost, že náhodná veličina X nabyde hodnoty menší než 6: P( X 6). Veličina X má rozdělení se střední hodnotou 6 a směrodatnou odchylkou 5: N(6,5). a) 0 b) 1/3 c) ½ 2. Je možné,
VícePLÁNOVÁNÍ CESTY MOBILNÍHO ROBOTU POMOCÍ MRAVENČÍCH ALGORITMŮ MOBILE ROBOT PATH PLANNING BY MEANS OF ANT ALGORITHMS
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
VíceÚvod do mobilní robotiky AIL028
SLAM - souběžná lokalizace a mapování {md zw} at robotika.cz http://robotika.cz/guide/umor07/cs 10. ledna 2008 1 2 3 SLAM intro Obsah SLAM = Simultaneous Localization And Mapping problém typu slepice-vejce
VíceČíselné charakteristiky
. Číselné charakteristiky statistických dat Průměrný statistik se během svého života ožení s 1,75 ženami, které se ho snaží vytáhnout večer do společnosti,5 x týdně, ale pouze s 50% úspěchem. W. F. Miksch
VíceAlgoritmy pro spojitou optimalizaci
Algoritmy pro spojitou optimalizaci Vladimír Bičík Katedra počítačů Fakulta elektrotechnická České vysoké učení technické v Praze 10.6.2010 Vladimír Bičík (ČVUT Praha) Algoritmy pro spojitou optimalizaci
VíceMarkov Chain Monte Carlo. Jan Kracík.
Markov Chain Monte Carlo Jan Kracík jan.kracik@vsb.cz Princip Monte Carlo integrace Cílem je (přibližný) výpočet integrálu I(g) = E f [g(x)] = g(x)f (x)dx. (1) Umíme-li generovat nezávislé vzorky x (1),
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
VíceÚvod do stochastických optimalizačních metod (metaheuristik) Moderní metody optimalizace 1
Úvod do stochastických optimalizačních metod (metaheuristik) Moderní metody optimalizace 1 Efektivita optimalizačních metod Robustní metoda Efektivita Specializovaná metoda Enumerace nebo MC kombinatorický
VíceFAKULTA INFORMAČNÍCH TECHNOLOGIÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV INTELIGENTNÍCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF INTELLIGENT SYSTEMS ŘEŠENÍ OPTIMALIZAČNÍCH
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
1 / 40 regula Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague regula 1 2 3 4 5 regula 6 7 8 2 / 40 2 / 40 regula Iterační pro nelineární e Bud f reálná funkce
Více3. 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
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
VíceObsah prezentace. Základní pojmy v teorii o grafech Úlohy a prohledávání grafů Hledání nejkratších cest
Obsah prezentace Základní pojmy v teorii o grafech Úlohy a prohledávání grafů Hledání nejkratších cest 1 Základní pojmy Vrchol grafu: {množina V} Je to styčná vazba v grafu, nazývá se též uzlem, prvkem
Více8. Simulované ochlazování Simulated Annealing, SA
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
VíceIng. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D.
OPTIMALIZACE BRAMOVÉHO PLYNULÉHO ODLÉVÁNÍ OCELI ZA POMOCI NUMERICKÉHO MODELU TEPLOTNÍHO POLE Ing. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D. Fakulta strojního inženýrství
VíceMetody 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
VíceOperační 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
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
VíceFACULTY OF MECHANICAL ENGINEERING INSTITUTE OF AUTOMATION AND COMPUTER SCIENCE
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
VíceSIMULAČNÍ MODEL ČINNOSTÍ VEŘEJNÉHO LOGISTICKÉHO CENTRA
SIMULAČNÍ MODEL ČINNOSTÍ VEŘEJNÉHO LOGISTICKÉHO CENTRA Ing. Jaromír Široký, Ph.D. Ing. Michal Dorda VŠB - TU Ostrava Fakulta strojní Institut dopravy Obsah: 1. Definice cílů a účelu simulace VLC. 2. Struktura
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
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
VíceŘADY KOMPLEXNÍCH FUNKCÍ
ŘADY KOMPLEXNÍCH FUNKCÍ OBECNÉ VLASTNOSTI Řady komplexních čísel z n byly částečně probírány v kapitole o číselných řadách. Definice říká, že n=0 z n = z, jestliže z je limita částečných součtů řady z
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
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ MRAVENČÍ KOLONIE DIPLOMOVÁ PRÁCE
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV AUTOMATIZACE A MĚŘICÍ TECHNIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION
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)
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
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
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
VíceHledání optimální cesty v dopravní síti
Hledání optimální cesty v dopravní síti prezentace k diplomové práci autor DP: Bc. Rudolf Koraba vedoucí DP: doc. Ing. Rudolf Kampf, Ph.D. oponent DP: Ing. Juraj Čamaj, Ph.D. Vysoká škola technická a ekonomická
VíceČVUT 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,
VíceBinární vyhledávací stromy pokročilé partie
Binární vyhledávací stromy pokročilé partie KMI/ALS lekce Jan Konečný 30.9.204 Literatura Cormen Thomas H., Introduction to Algorithms, 2nd edition MIT Press, 200. ISBN 0-262-5396-8 6, 3, A Knuth Donald
VíceŘízení projektů. Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT
Řízení projektů Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT 1 Úvod základní pojmy Projekt souhrn činností, které musí být všechny realizovány, aby byl projekt dokončen Činnost
VíceAlgoritmizace diskrétních. Ing. Michal Dorda, Ph.D.
Algoritmizace diskrétních simulačních modelů Ing. Michal Dorda, Ph.D. 1 Úvodní poznámky Při programování simulačních modelů lze hlavní dílčí problémy shrnout do následujících bodů: 1) Zachycení statických
VíceVISUAL BASIC. Přehled témat
VISUAL BASIC Přehled témat 1 ÚVOD DO PROGRAMOVÁNÍ Co je to program? Kuchařský předpis, scénář k filmu,... Program posloupnost instrukcí Běh programu: postupné plnění instrukcí zpracovávání vstupních dat
VíceMatice 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
VíceParalelní 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
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,
VíceÚvod 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
VíceZpracování neurčitosti
Zpracování neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 7-1 Usuzování za neurčitosti Neurčitost: Při vytváření ZS obvykle nejsou všechny informace naprosto korektní mohou být víceznačné, vágní,
VíceSimulace pohybu chodců pomocí celulárních modelů
Simulace pohybu chodců pomocí celulárních modelů Marek Bukáček výzkumná skupina GAMS při KM KIPL FJFI ČVUT v Praze 8. červen 2011 Obsah Úvod Celulární modely úprava Floor field modelu Proč modelovat Akademický
VíceAnalytické metody v motorsportu
Analytické metody v motorsportu Bronislav Růžička školitel : Doc. Ing. Ivan Mazůrek, CSc. Ústav konstruování Odbor konstruování strojů Fakulta strojního inženýrství Vysoké učení technické v Brně 12.listopadu
VíceStatic 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
VíceCluster Analysis based on Bio-Inspired Algorithms
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra informatiky Bio-inspirované výpočty a shluková analýza Cluster Analysis based on Bio-Inspired Algorithms 2013 Bc. Michal Rečka
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
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
VíceTeorie náhodných matic aneb tak trochu jiná statistika
Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava
VíceZobrazte si svazy a uspořádané množiny! Jan Outrata
LatVis Zobrazte si svazy a uspořádané množiny! Jan Outrata Motivace potřeba visualizovat matematické (algebraické) struktury rychle, přehledně a automaticky počítačovými prostředky ruční kreslení je zdlouhavé
VíceNávrh a vyhodnocení experimentu
Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentů v procesech vývoje a řízení kvality vozidel Ing. Bohumil Kovář, Ph.D. FD ČVUT Ústav aplikované matematiky kovar@utia.cas.cz Mladá Boleslav
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:
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 ŘEŠENÍ OPTIMALIZAČNÍCH
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
Vícebfs, dfs, fronta, zásobník, prioritní fronta, halda
bfs, dfs, fronta, zásobník, prioritní fronta, halda Petr Ryšavý 19. září 2017 Katedra počítačů, FEL, ČVUT prohledávání grafů Proč prohledávání grafů Zkontrolovat, zda je sít spojitá. Hledání nejkratší
VíceMOŽNOSTI OPTIMALIZACE VE STAVEBNICTVÍ
ESKÉ VYSOKÉ U ENÍ TECHNICKÉ V PRAZE Fakulta stavební MOŽNOSTI OPTIMALIZACE VE STAVEBNICTVÍ Studijní program: Stavební inženýrství Studijní obor: Fyzikální a materiálové inženýrství Vypracovala: Ing. Markéta
VíceAlgoritmus 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
VíceDélka (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
VíceŘízení projektů Simulační projekt
Tento materiál vznikl jako součást projektu, který je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR. Řízení projektů Simulační projekt Technická univerzita v Liberci Simulace výrobních
VíceSTANOVENÍ PROPUSTNOSTI OBALOVÝCH MATERIÁLŮ PRO VODNÍ PÁRU
STANOVENÍ PROPUSTNOSTI OBALOVÝCH MATERIÁLŮ PRO VODNÍ PÁRU Úvod Obecná teorie propustnosti polymerních obalových materiálů je zmíněna v návodu pro stanovení propustnosti pro kyslík. Na tomto místě je třeba
VíceProblém obchodního cestujícího pomocí metody Mravenčí kolonie
Univerzita Pardubice Fakulta ekonomicko-správní Problém obchodního cestujícího pomocí metody Mravenčí kolonie Petra Pokorná Bakalářská práce 2008 SOUHRN Bakalářská práce je věnována především problému
VíceHledání správné cesty
Semestrální práce z předmětu A6M33AST Závěrečná zpráva Hledání správné cesty Nela Grimová, Lenka Houdková 2015/2016 1. Zadání Naším úkolem bylo vytvoření úlohy Hledání cesty, kterou by bylo možné použít
VíceÚloha 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
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 Minule jsme si řekli, jak využívat heuristiky v prohledávání a jak konstruovat heuristiky BFS,
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
VíceJaroslav Tuma. 8. února 2010
Semestrální práce z předmětu KMA/MM Odstraňování šumu z obrazu Jaroslav Tuma 8. února 2010 1 1 Zpracování obrazu Zpracování obrazu je disciplína zabývající se zpracováním obrazových dat různého původu.
VíceKNIHOVNA MODELŮ TECHNOLOGICKÝCH PROCESŮ
KNIHOVNA MODELŮ TECHNOLOGICKÝCH PROCESŮ Radim Pišan, František Gazdoš Fakulta aplikované informatiky, Univerzita Tomáše Bati ve Zlíně Nad stráněmi 45, 760 05 Zlín Abstrakt V článku je představena knihovna
VíceTestování prvočíselnosti
Dokumentace zápočtového programu z Programování II (NPRG031) Testování prvočíselnosti David Pěgřímek http://davpe.net Úvodem V různých oborech (například v kryptografii) je potřeba zjistit, zda je číslo
VíceAnalýza spolehlivosti tlakové nádoby metodou Monte Carlo
Analýza spolehlivosti tlakové nádoby metodou Monte Carlo Jakub Nedbálek Abstrakt: Cílem práce je ukázat možnost využití Monte Carlo simulace pro studium úloh z oblasti spolehlivosti. V našem případě máme
Vícexrays optimalizační nástroj
xrays optimalizační nástroj Optimalizační nástroj xoptimizer je součástí webového spedičního systému a využívá mnoho z jeho stavebních bloků. xoptimizer lze nicméně provozovat i samostatně. Cílem tohoto
VíceAlgoritmy na ohodnoceném grafu
Algoritmy na ohodnoceném grafu Dvě základní optimalizační úlohy: Jak najít nejkratší cestu mezi dvěma vrcholy? Dijkstrův algoritmus s t Jak najít minimální kostru grafu? Jarníkův a Kruskalův algoritmus
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ OBOR GEODÉZIE A KARTOGRAFIE KATEDRA VYŠŠÍ GEODÉZIE název předmětu úloha/zadání název úlohy Základy fyzikální geodézie 3/19 Legendreovy přidružené funkce
VíceZáklady informatiky. Teorie grafů. Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová
Základy informatiky Teorie grafů Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová Obsah přednášky Barvení mapy Teorie grafů Definice Uzly a hrany Typy grafů Cesty, cykly, souvislost grafů Barvení mapy
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
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 Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
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
Víceodlehlých hodnot pomocí algoritmu k-means
Chybějící a odlehlé hodnoty; odstranění odlehlých hodnot pomocí algoritmu k-means Návod ke druhému cvičení Matěj Holec, holecmat@fel.cvut.cz ZS 2011/2012 Úvod Cílem cvičení je připomenout důležitost předzpracování
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
1 / 23 Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 2 / 23 biologové často potřebují najít často se opakující sekvence DNA tyto sekvence bývají relativně krátké,
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
Vícebfs, dfs, fronta, zásobník
bfs, dfs, fronta, zásobník Petr Ryšavý 25. září 2018 Katedra počítačů, FEL, ČVUT prohledávání grafů Proč prohledávání grafů Zkontrolovat, zda je sít spojitá. Hledání nejkratší cesty, plánování cest. Prohledávání
VíceNávrh a vyhodnocení experimentu
Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentů v procesech vývoje a řízení kvality vozidel Ing. Bohumil Kovář, Ph.D. FD ČVUT Ústav aplikované matematiky kovar@utia.cas.cz Mladá Boleslav
VíceKapitola 11. Vzdálenost v grafech. 11.1 Matice sousednosti a počty sledů
Kapitola 11 Vzdálenost v grafech V každém grafu lze přirozeným způsobem definovat vzdálenost libovolné dvojice vrcholů. Hlavním výsledkem této kapitoly je překvapivé tvrzení, podle kterého lze vzdálenosti
Více= je prostý orientovaný graf., formálně c ( u, v) 0. dva speciální uzly: zdrojový uzel s a cílový uzel t. Dále budeme bez
Síť Síť je čtveřice N = ( G, s, t, c) kde G ( V, A) = je prostý orientovaný graf a každé orientované hraně ( u, v) je přiřazeno nezáporné číslo, které se nazývá kapacita hrany ( u, v), formálně c ( u,
Více