Problematika plánování úloh v prostředí Gridu
|
|
- Veronika Dvořáková
- před 6 lety
- Počet zobrazení:
Transkript
1 Problematika plánování úloh v prostředí Gridu Dalibor Klusáček, Luděk Matyska, Hana Rudová Fakulta informatiky, Masarykova univerzita {xklusac, ludek, hanka}@fi.muni.cz Abstrakt: Efektivní plánování v prostředí Gridu představuje komplexní problém, který není v současné době uspokojivě vyřešen. Nalezení optimálního rozvrhu, tj. přiřazení úloh v čase na dostupné zdroje představuje NP úplný problém, který je pro větší množství úloh v rozumném čase neřešitelný. Vhodným postupem je proto hledání suboptimálních řešení, kde existují rychlejší algoritmy. Produkční plánovací systémy pak představují opačný extrém, neboť zpravidla používají pouze jednoduché algoritmy založené na plánování pomocí (prioritních) front. Nasazením pokročilých plánovacích technik, jako jsou např. heuristiky pro optimalizaci globálního rozvrhu, je možné tento rozvrh významně zkvalitnit, zkrátit čas dokončení úloh a optimalizovat využití Gridu. V tomto příspěvku se věnujeme aplikací známých plánovacích heuristik založených na lokálním prohledávání a řídících pravidlech v dynamickém prostředí Gridu. Tyto heuristiky byly původně navržené pro statické prostředí, prezentujeme proto jejich modifikace, které je možné efektivně nasadit i pro tvorbu rozvrhů při dynamicky se měnícím počtu úloh, typickým pro Gridové prostředí. Pro testování vlastností těchto plánovacích algoritmů jsme adaptovali a dále rozšiřujeme flexibilní simulační prostředí GridSim. To umožňuje modelovat typické vlastnosti úloh i gridového prostředí a studovat scénáře nasazení gridových plánovačů. V příspěvku prezentujeme simulaci plánování dynamicky přibývajících paralelních úloh na heterogenních výpočetních zdrojích, globální rozvrh je vytvářen řídícími pravidly a optimalizován pomocí Tabu prohledávání. Tímto způsobem jsme dosáhli výrazného zlepšení celkového rozvrhu a zmenšení celkového zpoždění úloh. 1. Úvod Grid [FK04] bývá chápán jako distribuovaný a heterogenní počítačový systém poskytující uživatelům různorodé služby výpočetní a úložné kapacity, specifické zpracování dat, distribuovaný sběr a zpracování informací atd. prostřednictvím různých zdrojů. Cílem je maximalizovat využití zdrojů a zároveň poskytovat netriviální kvalitu služby pro koncové uživatele Gridu. Plánovací systémy se snaží tyto požadavky uspokojit vhodným rozvržením úloh na jednotlivé zdroje. Problém plánování je však velice složitý, neboť prostředí Gridu je heterogenní a především dynamické. Hledat v takovémto případě optimální řešení je nemožné, neboť se jedná o NP úplný problém, který není v rozumném čase řešitelný. Současně používané dávkové systémy jako Condor, LSF nebo PBS 1 proto tuto problematiku často řeší značně triviálními postupy, které jsou založeny zejména na principu (prioritních) front úloh. I pokročilejší experimentální nástroje jako Grid Service Broker, GridWay nebo GRMS 2 používají podobné postupy. Ty však často negenerují dobré výsledky. V této práci navrhujeme nový přístup, vycházející z principu rozvrhu. Pro jeho tvorbu a optimalizaci použijeme pokročilé plánovací techniky [GK03]. Námi navržené algoritmy jsou založeny na řídících pravidlech [Pin02] a lokálním prohledávání [Pin02, Klu06]. Tyto heuristiky byly původně určeny pro statické problémy, kdy je celý systém neměnný a počet plánovaných úloh je dopředu znám. Pro nasazení v prostředí Gridu jsme tyto heuristiky upravili tak, aby fungovaly i v dynamicky se měnícím prostředí. Současně s novými algoritmy byl vyvinut simulátor Gridu [Klu06], který byl využit na 1 Condor viz LSF viz PBS viz 2 Grid Service Broker viz GridWay viz GRMS viz
2 modelování a ověření funkčnosti těchto plánovacích algoritmů. Simulátor umožňuje testovat navržené algoritmy při různých parametrech úloh, různém počtu dostupných zdrojů a různých optimalizačních kritériích, v situaci, kdy úlohy v systému dynamicky přibývají a zároveň již dokončené úlohy v systému dále nefigurují. Funkčnost simulátoru i navržených algoritmů byla experimentálně ověřena a vybrané výsledky jsou zde prezentovány. Následující kapitola obsahuje popis problému, poté následuje popis simulátoru. V další kapitole jsou popsány navržené algoritmy a dále jsou prezentovány vybrané experimentální výsledky. V závěru je shrnuta dosavadní práce a navrženy budoucí cíle výzkumu. 2. Popis problému Problém plánování úloh na Gridu [FMR05] lze charakterizovat množinou zdrojů, množinou úloh, parametry prostředí a optimalizačním kritériem. Množinou zdrojů zde budeme rozumět množinu dostupných strojů. Tyto stroje mohou být charakterizovány mnoha parametry, například počtem a rychlostí procesorů, velikostí operační paměti, dostupným softwarem atd. Úloha je obvykle primárně charakterizována počtem procesorů, které vyžaduje pro svůj běh. Pokud je tento počet větší než jedna, mluvíme zde o paralelních úlohách. Důležitým parametrem je znalost případně neznalost očekávané doby trvání úlohy pro konkrétní stroj. Častým parametrem úlohy bývá termín dostupnosti nebo termín dokončení, tedy čas, kdy nejdříve může být úloha zpracována a čas kdy má být dokončena. Kromě toho může úloha požadovat konkrétní software, minimální volnou kapacitu disku nebo operační paměti, případně dostupnost vstupních dat, minimální kapacitu síťového propojení atd. Stroj bývá charakterizován počtem a typem procesorů, jejich rychlostí, velikostí operační paměti nebo diskovou kapacitou, dostupným programovým vybavením případně operačním systémem, instrukční sadou atd. Existuje mnoho způsobů, jak jednotlivým úlohám přidělit vhodné zdroje. Pro jejich porovnání potřebujeme metriku, kterou zpravidla vyjádříme pomocí tzv. objektivní funkce. Hodnota této objektivní funkce pak představuje optimalizační kritérium řešeného problému. Mezi nejčastěji používaná kritéria patří minimalizace času dokončení poslední úlohy, minimalizace celkového nebo maximálního zpoždění úloh nebo maximalizace využití strojů. Tato kritéria lze navzájem kombinovat, např. prostřednictvím přiřazením váhy jednotlivým kritériím. Parametry prostředí určuje množství faktorů jakými mohou být parametry počítačové sítě, spolehlivost atd. Velký význam hraje to, zda se jedná o prostředí statické či dynamické. Statickým prostředím rozumíme takovou situaci, kdy jsou všechny úlohy, stroje a ostatní činitele známy před začátkem plánovacího procesu a v jeho průběhu se nemění. Oproti tomu dynamické prostředí je charakterizováno přibýváním úloh a změnami v počtu a dostupnosti strojů v průběhu času, s čímž se musí plánovací proces vyrovnat. Je zřejmé, že Grid je typickým dynamickým prostředím. Další rozšíření představuje zavedení přerušitelnosti úlohy nebo migrace běžících úloh mezi stroji. 3. Plánování úloh v prostředí Gridu Plánováním úloh [Pin02] v prostředí Gridu obecně rozumíme alokaci úloh na dostupné zdroje (zde stroje) v čase tak, aby se splnila zadaná kritéria, například minimalizovala doba dokončení poslední úlohy nebo maximalizovalo využití zdrojů. Důraz je kladen na uspořádání úloh v čase.
3 Výstupem plánovacího procesu je v jednodušším případě fronta úloh jedna nebo více, případně pro každý zdroj samostatná nebo rozvrh. Rozvrh je oproti frontě komplexnější datová struktura obsahující nejen informace o umístění úloh na zdroje, ale i o času jejich zpracování. Nalezení optimálního rozvrhu vzhledem k nějakému kritériu je NP úplný problém [BK06], což v praxi znamená, že již pro velice malý počet úloh a zdrojů je nalezení takovéhoto rozvrhu nerealizovatelné v rozumném čase [BK05]. Z tohoto důvodu se v praxi nehledá optimální řešení, nýbrž řešení suboptimální, které však jsme schopni naleznout v akceptovatelném čase. K tomu se používá řada heuristik, mezi které patří řídící pravidla (dispatching rules) i lokální prohledávání (local search). V drtivé většině současných operačních i experimentálních plánovacích systémů se využívá plánování pomocí front do nichž jsou umisťovány úlohy před zpracováním na stroji. Těchto front může být více například každá s jinou prioritou pak hovoříme o prioritních frontách. Díky tomu, že rozvrh poskytuje informace o času zpracování každé úlohy, mohou plánovací algoritmy tuto informaci využít pro změny a optimalizaci stávajícího rozvrhu, rezervaci zdrojů (advanced reservation), práci s interaktivními úlohami, atd. Podmínkou je, aby byly k dispozici relativně přesné informace o předpokládané době běhu úlohy na daném stroji. 4. Simulátor Pro návrh a implementaci plánovacích algoritmů bylo zvoleno simulační prostředí GridSim [BM02], které je napsáno v jazyce Java. Existuje celá řada obdobných nástrojů jako Bricks, SimGrid, Simbatch nebo Microgrid, ale GridSim se vyznačuje dobrou dokumentací a snadnou rozšiřitelností. GridSim umožňuje simulovat prostředí Gridu s jeho zdroji, úlohami a dalšími entitami. Tyto entity spolu navzájem komunikují prostřednictvím zasílání správ, což do značné míry odpovídá realitě. V tomto simulačním prostředí pak byl vyvinut simulátor, který podstatně rozšířil standardní funkcionalitu GridSimu o nové vlastnosti a nové entity. Z důležitých vlastností jmenujme dynamické přibývání úloh v čase nebo podporu zpracování paralelních úloh. Nové entity pak představují například centralizovaný plánovač nebo systém přijímání úloh (job submission system) zodpovědný za správu úloh a komunikaci s plánovačem. Simulátor byl navržen jako modulární, aby umožňoval snadnou rozšiřitelnost pro další výzkum. Všechny důležité entity jako úloha, zdroj, plánovací algoritmus jsou modelovány samostatnou třídou. Entity jež spolu navzájem komunikují, jako například plánovač a systém přijímání úloh, pak v sobě oddělují komunikační funkcionalitu od vnitřních metod. To vše dohromady umožňuje případné změny, jako například změnu plánovacího algoritmu nebo typu úloh, realizovat lokálně s minimálním zásahem do celého simulátoru. 5. Algoritmy V našem výzkumu jsme se zaměřili na vývoj plánovacích algoritmů založených na lokálním prohledávání a řídících pravidlech. Algoritmy založené na myšlence řídících pravidel představují jednoduché heuristiky, které plánují úlohy v tom pořadí v jakém úlohy přicházejí do systému. V závislosti na použitém řídícím pravidle je pro tuto novou úlohu vybrán stroj a úloha je zařazena mezi ostatní úlohy čekající na zpracování na tomto stroji. Způsob výběru stroje a pořadí úlohy mezi ostatními úlohami je dáno typem řídícího pravidla, které odpovídá sledovanému optimalizačnímu kritériu. Optimalizační kritérium v tomto případě ukládalo
4 minimalizovat celkové nezáporné zpoždění všech úloh. Pro toto kritérium jsme navrhli dvě řídící pravidla Minimum Tardiness Earliest Due Date (MTEDD) a Minimum Tardiness Earliest Release Date (MTERD). MTEDD pro novou úlohu vybírá stroj s aktuálně nejmenší hodnotou předpokládaného celkového zpoždění úloh. Úloha je zařazena mezi čekající úlohy v závislosti na svém termínu dokončení (due date), a to tak, že úloha s dřívějším termínem dokončení bude zpracována dříve. MTERD pro novou úlohu vybírá stroj s aktuálně nejmenší hodnotou předpokládaného celkového zpoždění úloh. Úloha je zařazena mezi čekající úlohy v závislosti na svém termínu dostupnosti (release date), a to tak, že úloha s dřívějším termínem dostupnosti bude zpracována dříve. Lokální prohledávání na rozdíl od řídících pravidel pracuje s existujícím rozvrhem. Nad tímto rozvrhem jsou pak prováděny lokální změny (např. výměna pořadí dvou úloh naplánovaných na stejném stroji) a je zkoumán jejich vliv na kvalitu řešení. V případě, že lokální změna rozvrhu vede k lepšímu řešení, je tato změna přijata, v opačném případě je většinou zamítnuta. Dočasný přechod k horšímu řešení umožní prozkoumat větší prostor řešení a nalézt tak finálně řešení mnohem lepší. Z existujících variant lokálního prohledávání byl implementován Horolezecký algoritmus [Pin02, Klu06], Simulované žíhání [HJJ03, Klu06] a Tabu prohledávání [Gen03, GP05, Klu06]. Nejlepší experimentální výsledky byly dosaženy v případě použití Tabu prohledávání (Tabu Search TS). Tabu prohledávání zavádí tzv. Tabu seznam, což je seznam několika posledních změn v rozvrhu, které nesmí být v následujících krocích algoritmu opakovány. Takto je možné zbránit zacyklení plánovacího algoritmu. Pro tvorbu iniciálního rozvrhu byla použita výše zmíněná řídící pravidla MTEDD a MTERD. Lokální změnu v existujícím rozvrhu představoval výběr zpožděné úlohy ze stroje s předpokládaným největším celkovým zpožděním úloh a její přesun na stroj s menším očekávaným zpožděním. 6. Experimentální výsledky Experimentální ověření algoritmů jsme provedli pro gridový systém s následujícími vlastnostmi. Systém průběžně přijímá úlohy a ty jsou s využitím řídících pravidel umisťovány do rozvrhu. Ve vhodný okamžik je spuštěno Tabu prohledávání (TS), které optimalizuje aktuální rozvrh. Plánované úlohy jsou jedno i víceprocesorové (paralelní), počítače mohou v jediném okamžiku zpracovávat více úloh, a to až do své kapacity (zpravidla počet procesorů či jader). Celkově bylo naplánováno 1000 úloh. Počet dostupných strojů se pro jednotlivé experimenty lišil. Výsledky jednoho experimentu byly získány jako průměrná hodnota z výsledků dvaceti různých datových sad. Tyto datové sady byly generovány synteticky s parametry uvedenými v Tabulce 1. Každý stroj má 4 CPU, různé stroje se liší rychlostí CPU, která ovlivňuje dobu zpracování úloh. Pokud po dokončení nějaké úlohy hrozí snížení vytížení daného stroje, je podle připraveného rozvrhu vybrána úloha a je odeslána na tento stroj, kde poté bude zpracována. Úlohy již odeslané na stroj se nepřesunují na jiný stroj (není podporována migrace). Cílem plánovače je snížit celkové nezáporné zpoždění všech úloh. Optimalizace pomocí TS je prováděna postupně po každé úloze, dvou, pěti nebo deseti nových úlohách v systému. Experimenty byly prováděny na počítači s procesorem Intel Pentium GHz s 512 MB RAM.
5 parametry úlohy min max průměr směrodatná odchylka čas příchodu do systému termín dostupnosti termín dokončení počet požadovaných CPU 1 4 2,19 1,16 výpočetní délka Tabulka 1. parametry použité datové sady Diskuze Z Obrázku 1 vyplývá, že se vzrůstajícím počtem dostupných strojů přirozeně klesá celkové zpoždění. TS také ve všech případech dokázalo optimalizovat rozvrh tak, aby celkové nezáporné zpoždění úloh bylo menší, než v případě použití pouze MTERD či MTEDD. Obrázek 2 oproti tomu ukazuje, že obě řídící pravidla jsou oproti TS výrazně rychlejší. Je to dáno nutností opakovaně porovnávat hodnoty celkového nezáporného zpoždění dvou rozdílných rozvrhů při použití TS. Tato porovnání jsou prováděna mnohokrát, proto je doba tvorby rozvrhu větší oproti MTERD a MTEDD. Obrázek 1. Celkové nezáporné zpoždění pro 1000 úloh při různém počtu strojů. Frekvence vyvolání optimalizační procedury TS ovlivňuje celkovou dobu nutnou pro vypočtení rozvrhu. Je zřejmé, že optimalizace po každé nové úloze je časově náročnější, než při optimalizaci po každé desáté úloze.
6 Obrázek 2. Doba tvorby rozvrhu pro 1000 úloh při různém počtu strojů. Kromě zlepšení objektivní funkce došlo při použití TS optimalizace ke zvýšení vytížení zdrojů, jak ukazuje Obrázek 3. Pro výraznější zvýšení vytížení by pak bylo potřeba modifikovat navrženou proceduru TS tak, aby kupříkladu umožnila spouštět nenáročné úlohy (počet potřebných CPU a výpočetní délka) na volných procesorech v době, kdy jiná náročná úloha čeká na uvolnění potřebného počtu procesorů. V takovéto situaci totiž nyní volné procesory využity nejsou. 7. Závěr Obrázek 3. Vytížení strojů Cílem naší práce bylo vyvinout pokročilé plánovací algoritmy schopné řešit dynamické problémy plánování úloh na Gridu. Navrhli jsme jednoduchá ale dostatečně účinná řídící pravidla a optimalizační algoritmus Tabu prohledávání, který byl schopen zlepšovat kvalitu dosaženého řešení. Vedle vlastního návrhu algoritmu budujeme i komplexní simulační prostředí, které umožňuje snadno modelovat nejrůznější problémy a situace při plánování úloh na Gridech. V tomto simulátoru byly námi navržené algoritmy experimentálně vyzkoušeny. V současné době pracujeme na implementaci algoritmů založených na principech
7 metody Backfilling [FRS05], která je typickým představitelem pokročilejších technik pro plánování pomocí front. To nám umožní srovnat kvalitu dosažených výsledků při použití algoritmu backfilling a při použití rozvrhu a jeho optimalizace pomocí lokálního prohledávání. V budoucnu plánujeme rozšířit simulátor o simulaci sítě a simulaci různých výpadků. Zatímco současné plánovací algoritmy počítají se znalostí doby trvání úloh, našim plánem je porovnat chování jednotlivých algoritmů v situaci, kdy neznáme dobu trvání úloh, resp. kdy se výrazně liší plánovaná a skutečná doba výpočtu (např. dojde k selhání výpočtu, odhad je nepřesný atd.). Pracujeme také na rozšíření modelu Gridu ze současného malého počtu strojů na stovky strojů. První testy ukazují, že simulátor bez problémů zvládá simulaci systému se 150 stroji a další rozšíření by mělo být poměrně jednoduché. Do budoucna chceme využit existující záznamy z běhu reálných úloh (workloads) vzhledem k tomu, že současné testy pracují pouze s uměle generovanými problémy. Poděkování Tato práce je podporována výzkumným záměrem MSMT Ministerstva školství, mládeže a tělovýchovy ČR a projektem 201/07/0205 Grantové agentury ČR. Literatura [BK05] [BK06] [BM02] [FK04] [FMR05] Edmund K. Burke, Graham Kendall. Search Methodologies: Introductory Tutorials in Optimization and Decision Support Techniques. Springer Peter Brucker, Sigrid Knust. Complexity results for scheduling problems. Universitaet Osnabrueck, URL Rajkumar Buyya and Manzur Murshed. GridSim: A Toolkit for the Modeling and Simulation of Distributed Resource Management and Scheduling for Grid Computing. The Journal of Concurrency and Computation: Practice and Experience (CCPE), Volume 14, Issue 13-15, Wiley Press, I. Foster, C. Kesselman. The Grid: Blueprint for a New Computing Infrastructure. Second edition, Morgan-Kaufman, Pavel Fibich, Luděk Matyska, Hana Rudová. Model of Grid Scheduling Problem. Exploring Planning and Scheduling for Web Services, Grid and Autonomic Computing. Papers from the AAAI-05 workshop. Technical report WS-05-03, AAAI Press, [FRS05] D. Feitelson, L. Rudolph, and U. Schwiegelshohn. Parallel job scheduling a status report. Job Scheduling Strategies for Parallel Processing 2004, LNCS 3277, pages 1-16, [Gen03] Michel Gendrau. An introduction to tabu search. V [GK03] pages 37-54, chapter 2. [GK03] Fred Glover, Gary A. Kochenberger. Handbook Of Metatheuristics. Kluwer Academic Publishers, [GP05] Michael Gendreau Jean-Yves Potvin. Tabu search. V [BK05] pages , chapter 6.
8 [HJJ03] [Klu06] [Koc02] [Pin02] [Pin05] Darrall Henderson, Sheldon H. Jacobson, Alan W. Johnson. The theory and practise of simulated annealing. V [GK03] pages , chapter 10. Dalibor Klusáček. Plánování úloh v paralelním a distribuovaném prostředí, diplomová práce, Fakulta informatiky, Masarykova univerzita, Waldemar Kocjan. Dynamic scheduling state of the art report. SICS Technical Report T2002:28, Michael Pinedo. Scheduling: Theory, Algorithms, and Systems. Prentice Hall, second edition, Michael Pinedo. Planning and Scheduling in Manufacturing and Services. Springer, 2005.
Dynamické 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
Infor APS (Scheduling) Tomáš Hanáček
Infor APS (Scheduling) Tomáš Hanáček Klasické plánovací metody a jejich omezení MRP, MRPII, CRP Rychlost Delší plánovací cyklus Omezená reakce na změny Omezené možnosti simulace Funkčnost Nedokonalé zohlednění
Informační systémy plánování výroby - pokročilé rozvrhování
Tento materiál vznikl jako součást projektu EduCom, který je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR. Informační systémy plánování výroby - pokročilé rozvrhování Technická univerzita
OPTIMALIZAČNÍ ÚLOHY. Modelový příklad problém obchodního cestujícího:
OPTIMALIZAČNÍ ÚLOHY Problém optimalizace v různých oblastech: - minimalizace času, materiálu, - maximalizace výkonu, zisku, - optimalizace umístění komponent, propojení,... Modelový příklad problém obchodního
Přehled paralelních architektur. Dělení paralelních architektur Flynnova taxonomie Komunikační modely paralelních architektur
Přehled paralelních architektur Přehled paralelních architektur Dělení paralelních architektur Flynnova taxonomie Komunikační modely paralelních architektur Přehled I. paralelní počítače se konstruují
Aktuální stav MetaCentra, novinky
Aktuální stav MetaCentra, novinky Jan Kmuníček CESNET 1 Obsah Začlenění do evropského kontextu Aktuální projekty MetaCentra Užší spolupráce s uživateli 2 Evropský kontext Superpočítačová centra simulace
Paralelní výpočty ve finančnictví
Paralelní výpočty ve finančnictví Jan Houška HUMUSOFT s.r.o. houska@humusoft.cz Výpočetně náročné úlohy distribuované úlohy mnoho relativně nezávislých úloh snížení zatížení klientské pracovní stanice
OSA. 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,
Exponenciální modely hromadné obsluhy
Exponenciální modely hromadné obsluhy Systém s čekáním a neohraničeným zdrojem požadavků Na základě předchozích informací je potřeba probrat, jaké informace jsou dostupné v počtu pravděpodobnosti řešícím
Informační systémy a plánování výroby 1.čast
Tento materiál vznikl jako součást projektu, který je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR. Informační systémy a plánování výroby 1.čast Technická univerzita v Liberci INVESTICE
Optimalizaci aplikací. Ing. Martin Pavlica
Optimalizaci aplikací Ing. Martin Pavlica Vize: Aplikace v dnešním světě IT Ze všech částí IT jsou aplikace nejblíže businessu V elektronizovaném světě významným způsobem podporují business, ten se na
Struktury a vazebné energie iontových klastrů helia
Společný seminář 11. června 2012 Struktury a vazebné energie iontových klastrů helia Autor: Lukáš Červenka Vedoucí práce: Doc. RNDr. René Kalus, Ph.D. Technický úvod Existují ověřené optimalizační algoritmy
jednoduchá 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
ČVUT FEL X36PAA - Problémy a algoritmy. 5. úloha - Seznámení se se zvolenou pokročilou iterativní metodou na problému batohu
ČVUT FEL X36PAA - Problémy a algoritmy 5. úloha - Seznámení se se zvolenou pokročilou iterativní metodou na problému batohu Jméno: Marek Handl Datum: 4. 2. 2009 Cvičení: Pondělí 9:00 Zadání Zvolte si heuristiku,
Procesy a vlákna (Processes and Threads)
ÚVOD DO OPERAČNÍCH SYSTÉMŮ Ver.1.00 Procesy a vlákna (Processes and Threads) Správa procesů a vláken České vysoké učení technické Fakulta elektrotechnická 2012 Použitá literatura [1] Stallings, W.: Operating
Architektury Informačních systémů. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
Cloudy a gridy v národní einfrastruktuře
Cloudy a gridy v národní einfrastruktuře Tomáš Rebok MetaCentrum, CESNET z.s.p.o. CERIT-SC, Masarykova Univerzita (rebok@ics.muni.cz) Ostrava, 5. 4. 2012 PRACE a IT4Innovations Workshop Cestovní mapa národních
Dagmar Adamová, Jiří Chudoba 7.1.2007. Jednalo se o Monte Carlo simulace případů srážek p+p a Pb+Pb. Fungování
Produkční úlohy ALICE na farmě Goliáš Dagmar Adamová, Jiří Chudoba 7.1.2007 1 Produkce ALICE V rámci Physics Data Challenge 2006 (PDC 06), masívního testu výpočetního modelu projektu ALICE v distribuovaném
11. 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
INFORMAČNÍ A KOMUNIKAČNÍ TECHNOLOGIE
Název školy: Střední odborná škola stavební Karlovy Vary Sabinovo náměstí 16, 360 09 Karlovy Vary Autor: Ing. Hana Šmídová Název materiálu: VY_32_INOVACE_13_HARDWARE_S1 Číslo projektu: CZ 1.07/1.5.00/34.1077
Rozvrhování výroby. František Koblasa Technická univerzita v Liberci. TU v Liberci
Tento materiál vznikl jako součást projektu EduCom, který je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR. Rozvrhování výroby Technická univerzita v Liberci INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Numerické 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:
Management procesu I Mgr. Josef Horálek
Management procesu I Mgr. Josef Horálek Procesy = Starší počítače umožňovaly spouštět pouze jeden program. Tento program plně využíval OS i všechny systémové zdroje. Současné počítače umožňují běh více
Přidělování CPU Mgr. Josef Horálek
Přidělování CPU Mgr. Josef Horálek Přidělování CPU = Přidělování CPU je základ multiprogramového OS = pomocí přidělování CPU různým procesům OS zvyšuje výkon výpočetního systému; = Základní myšlenka multiprogramování
Model pro simulaci staví na výpočtu hrubého domácího produktu výdajovou metodou:
Model vývoje HDP ČR Definice problému Očekávaný vývoj hrubého domácího produktu jakožto základní makroekonomické veličiny ovlivňuje chování tržních subjektů, které v důsledku očekávání modulují své chování
Přidělování paměti II Mgr. Josef Horálek
Přidělování paměti II Mgr. Josef Horálek Techniky přidělování paměti = Přidělování jediné souvislé oblasti paměti = Přidělování paměti po sekcích = Dynamické přemisťování sekcí = Stránkování = Stránkování
IMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně
IMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně Simulátor označujeme jako kredibilní v případě, že: byla úspěšně završena fáze verifikace simulátoru se podařilo přesvědčit zadavatele simulačního
INFORMAČNÍ SYSTÉM VIDIUM A VYUŽITÍ MODERNÍCH TECHNOLOGIÍ
INFORMAČNÍ SYSTÉM VIDIUM A VYUŽITÍ MODERNÍCH TECHNOLOGIÍ Michal Brožek, Dominik Svěch, Jaroslav Štefaník MEDIUM SOFT a.s., Cihelní 14, 702 00 Ostrava, ČR Abstrakt Neustále rostoucí význam sběru dat, možnost
Diplomová práce. On-line databáze provozních dat pro laboratorní odparku. Jan Polnický VŠCHT FCHI, ASŘ 2001/2002
Diplomová práce On-line databáze provozních dat pro laboratorní odparku Jan Polnický VŠCHT FCHI, ASŘ 00/00 Náplň práce v Seznámení s problematikou daného tématu seznámení s produkty Oracle a TomPack odlišnosti
ČVUT FEL X36PAA - Problémy a algoritmy. 4. úloha - Experimentální hodnocení algoritmů pro řešení problému batohu
ČVUT FEL X36PAA - Problémy a algoritmy 4. úloha - Experimentální hodnocení algoritmů pro řešení problému batohu Jméno: Marek Handl Datum: 3. 2. 29 Cvičení: Pondělí 9: Zadání Prozkoumejte citlivost metod
ZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ /14
ZÁKLADY PROGRAMOVÁNÍ Mgr. Vladislav BEDNÁŘ 2014 6 11/14 Co je vhodné vědět, než si vybereme programovací jazyk a začneme programovat roboty. 1 / 12 0:40 Simulace Při simulacích nahrazujeme skutečný dynamický
Moderní 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:
Architektury Informačních systémů. Jaroslav Žáček
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
Úvod do rozvrhování. 20. února Příklady a reálné problémy. 2 Terminologie. 3 Klasifikace rozvrhovacích problémů.
Úvod do rozvrhování 20. února 2018 1 Příklady a reálné problémy 2 Terminologie 3 Klasifikace rozvrhovacích problémů 4 Složitost Hana Rudová, FI MU: Úvod do rozvrhování 2 20. února 2018 Definice pojmu rozvrhování
Optimalizace & soft omezení: algoritmy
Optimalizace & soft omezení: algoritmy Soft propagace Klasická propagace: eliminace nekonzistentních hodnot z domén proměnných Soft propagace: propagace preferencí (cen) nad k-ticemi hodnot proměnných
Projekt edukační platforma I-COP EDU
Projekt edukační platforma I-COP V rámci realizace projektu Edukační a informační platforma onkologických center CZ.1.07/2.4.00/31.0020 Blaha M., Lysý M., Pukyová J., Šulc D., Dušek L. Motivace projektu
Všechno, co jste chtěli vědět o Gridech, ale báli jste se zeptat
Seminář LOM, 8. června 2005 Všechno, co jste chtěli vědět o Gridech, ale báli jste se zeptat Jan Kmuníček Ústav výpočetní techniky MU & CESNET Obsah Charakteristika gridovéhoprostředí Typy Gridů Vize výpočetního
7. Pracovní postupy. Fakulta informačních technologií MI-NFA, zimní semestr 2011/2012 Jan Schmidt
Fakulta informačních technologií MI-NFA, zimní semestr 2011/2012 Jan Schmidt EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI 7. Pracovní postupy Posloupnosti analytických a syntetických
Úvod do rozvrhování. 21. února Příklady. 2 Terminologie. 3 Klasifikace rozvrhovacích problémů. 4 Složitost.
Úvod do rozvrhování 21. února 2019 1 Příklady 2 Terminologie 3 Klasifikace rozvrhovacích problémů 4 Složitost 5 Reálné problémy Hana Rudová, FI MU: Úvod do rozvrhování 2 21. února 2019 Definice pojmu rozvrhování
Obsah. 16. dubna Přehled metodik. Terminologie. Vlastnosti stroje Omezení Optimalizace CVUT FEL, K Klasifikace rozvrhovacích problému
Rozvrhování Radek Mařík CVUT FEL, K13132 16. dubna 2014 Radek Mařík (marikr@fel.cvut.cz) Rozvrhování 16. dubna 2014 1 / 44 Obsah 1 Úvod do rozvrhování Přehled metodik Příklady reálných problémů Terminologie
Mib:S4Road přechod k SAP S/4HANA. Jiří Palát
Mib:S4Road přechod k SAP S/4HANA Jiří Palát Každý se logicky ptá Co nám to přinese? Jak složité to bude? Jak dlouho to bude trvat? Kolik to bude stát? Kdy začít a čím? Jaké informace a kde získat? 2 SAP
SPECIFICKÝCH 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
CERIT SCIENTIFIC CLOUD. Centrum CERIT-SC. Luděk Matyska. Praha, Seminář MetaCentra, 15. 10. 2010
Centrum CERIT-SC Luděk Matyska Praha, Seminář MetaCentra, 15. 10. 2010 Poslání Centrum CERIT-SC (CERIT Scientific Cloud 1 je národním centrem poskytujícím flexibilní úložné a výpočetní kapacity a související
Zefektivnění procesu RCM
Zefektivnění procesu RCM Jaroslav Zajíček Abstrakt: Čas jsou peníze. To je hlavní myšlenka této práce. Principy metody RCM jsou všeobecně známé, jedná se o nalezení takové údržby, která je z dlouhodobého
EU EGEE Presentace projektu
EU EGEE Presentace projektu Ludek Matyska Masarykova univerzita CESNET, z.s.p.o. www.eu-egee.org Všeobecné informace Enabling Grids for E-sciencE EGEE Enabling Grids for E-sciencE (in Europe) Dvouletý
VÝVOJ ŘÍDICÍCH ALGORITMŮ HYDRAULICKÝCH POHONŮ S VYUŽITÍM SIGNÁLOVÉHO PROCESORU DSPACE
VÝVOJ ŘÍDICÍCH ALGORITMŮ HYDRAULICKÝCH POHONŮ S VYUŽITÍM SIGNÁLOVÉHO PROCESORU DSPACE Přednáška na semináři CAHP v Praze 4.9.2013 Prof. Ing. Petr Noskievič, CSc. Ing. Miroslav Mahdal, Ph.D. Katedra automatizační
SMART GRID SYSTEM TECHNOLOGIE PRO ANALYTIKU A SPRÁVU ENERGETICKÝCH SÍTÍ. Představení společnosti Analyzátor sítě
ENERTIG SMART GRID SYSTEM TECHNOLOGIE PRO ANALYTIKU A SPRÁVU ENERGETICKÝCH SÍTÍ Představení společnosti Analyzátor sítě www.enertig.cz Kdo jsme Jsme česká společnost dodávající na trhy v České, Polské
Umělá 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
Počítačová chemie. výpočetně náročné simulace chemických a biomolekulárních systémů. Zora Střelcová
Počítačová chemie výpočetně náročné simulace chemických a biomolekulárních systémů Zora Střelcová Národní centrum pro výzkum biomolekul, Masarykova univerzita, Kotlářská 2, 611 37 Brno, Česká Republika
ANALÝZA A OPTIMALIZACE VÝROBNÍCH PROCESŮ MALOSÉRIOVÉ SLOŽITÉ VÝROBY V NOVÝCH VÝROBNÍCH PROSTORECH NA ZÁKLADĚ DISKRÉTNÍ SIMULACE
ANALÝZA A OPTIMALIZACE VÝROBNÍCH PROCESŮ MALOSÉRIOVÉ SLOŽITÉ VÝROBY V NOVÝCH VÝROBNÍCH PROSTORECH NA ZÁKLADĚ DISKRÉTNÍ SIMULACE Doc. Václav Votava, CSc. (a), Ing. Zdeněk Ulrych, Ph.D. (b), Ing. Milan Edl,
MATLABLINK - VZDÁLENÉ OVLÁDÁNÍ A MONITOROVÁNÍ TECHNOLOGICKÝCH PROCESŮ
MATLABLINK - VZDÁLENÉ OVLÁDÁNÍ A MONITOROVÁNÍ TECHNOLOGICKÝCH PROCESŮ M. Sysel, I. Pomykacz Univerzita Tomáše Bati ve Zlíně, Fakulta aplikované informatiky Nad Stráněmi 4511, 760 05 Zlín, Česká republika
3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem
ČVUT FEL X36PAA - Problémy a algoritmy 3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem Jméno: Marek Handl Datum: 1. 1. 2009 Cvičení: Pondělí 9:00 Zadání Naprogramujte
Cloud. Nebo zatím jen mlha? Workshop Day 2011 WG06 Jaromír Šlesinger, CA Technologies Bratislava, 13. október 2011
Cloud. Nebo zatím jen mlha? Workshop Day 2011 WG06 Jaromír Šlesinger, CA Technologies Bratislava, 13. október 2011 Představení CA Technologies #1 na trhu IT Management Software 4.5 miliard USD ročního
Plánování se zabývá především kauzálními vztahy mezi akcemi a otázkou. Rozvrhování se soustředí na alokaci naplánovaných akcí v čase a prostoru.
Plánováníá a rozvrhování Roman Barták, KTIML roman.bartak@mff.cuni.cz cz http://ktiml.mff.cuni.cz/~bartak Od plánů k rozvrhům Plánování se zabývá především kauzálními vztahy mezi akcemi a otázkou výběru
Aplikace. vliv na to, jakou mají strukturu i na to, jak pracné je je vyvinout. Bylo vypozorováno, že aplikace je možné rozdělit do skupin
Aplikace Aplikace se liší tím, k jakému účelu jsou tvořeny. To má vliv na to, jakou mají strukturu i na to, jak pracné je je vyvinout. Bylo vypozorováno, že aplikace je možné rozdělit do skupin s podobnou
ZAVÁDĚNÍ ERGONOMICKÉHO SOFTWARU TECHNOMATIX JACK NA PRACOVIŠTĚ OPD
STUDIJNÍ OBOR PRŮMYSLOVÝ DESIGN ZAVÁDĚNÍ ERGONOMICKÉHO SOFTWARU TECHNOMATIX JACK NA PRACOVIŠTĚ OPD Ukázky diplomových prací Dopravní technika Dana Rubínová Odbor průmyslového designu B2/ 214 tel.: +420
Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti MI-SOC: 6 PROGRAMOVÁNÍ PRO REÁLNÝ ČAS doc. Ing. Hana Kubátová, CSc. Katedra číslicového návrhu Fakulta informačních technologii ČVUT v
3. Očekávání a efektivnost aplikací
VYUŽÍVANÍ INFORMAČNÍCH SYSTÉMŮ V ŘÍZENÍ FIREM Ota Formánek 1 1. Úvod Informační systémy (IS) jsou v současnosti naprosto nezbytné pro úspěšné řízení firem. Informačním ním systémem rozumíme ucelené softwarové
Ondřej Bothe, Richard Dobiš
Portfolio PM - "What-if" analýza v plánovací aplikaci Ondřej Bothe, Richard Dobiš 2.2.2011 PM systém : Je to systém, zajišťující komplexní proces práce s daty pro koncového uživatele 1. Plánuj Plán nákladů
ČSOB: Upgrade systému Microsoft Dynamics CRM
Případová studie ČSOB: Upgrade systému Microsoft Dynamics CRM Jak jsme společnosti ČSOB zefektivnili práci s firemními klienty ČSOB: Upgrade systému Microsoft Dynamics CRM Celý projekt začal v srpnu, přičemž
Blue Gene 24. 11. 2009. Vysoká škola báňská-technická univerzita Ostrava. Blue Gene. Karel Chrastina. Úvod. Blue Gene L. Blue Gene P.
Blue Gene Vysoká škola báňská-technická univerzita Ostrava 24. 11. 2009 Obsah prezentace 1 2 3 4 5 Trocha pojmů a historie FLOPS FLoating point Operations Per Second. Někdy se zapisuje jako flop, flop/s.
Virtualizace MetaCentra
Virtualizace MetaCentra David Antoš antos@ics.muni.cz SCB ÚVT MU a CESNET, z. s. p. o. Přehled současný stav virtualizace výpočty na cizím clusteru virtualizace počítačů připravujeme virtuální clustery
Architektura počítačů
Architektura počítačů Studijní materiál pro předmět Architektury počítačů Ing. Petr Olivka katedra informatiky FEI VŠB-TU Ostrava email: petr.olivka@vsb.cz Ostrava, 2010 1 1 Architektura počítačů Pojem
MetaCentrum. Martin Kuba CESNET
MetaCentrum Martin Kuba CESNET Vývoj MetaCentra MetaCentrum bylo založeno v roce 1996 jako superpočítačové meta-centrum spojením tří superpočítačových center Superpočítačové Centrum Brno, Masarykova univerzita
Řešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou
Řešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou 1 SPECIFIKACE ÚLOHY Cílem této úlohy bylo použít vybranou pokročilou iterativní metodou pro řešení problému vážené
Algoritmizace 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
ÚVOD DO OPERAČNÍCH SYSTÉMŮ
ÚVOD DO OPERAČNÍCH SYSTÉMŮ Ver.1.00 Procesy a vlákna Plánování procesů (Process Scheduling) České vysoké učení technické Fakulta elektrotechnická 2010 Studijní materiály a informace o předmětu http://measure.feld.cvut.cz/vyuka/predmety/bakalarske/navody
CENTRUM VZDĚLÁVÁNÍ PEDAGOGŮ ODBORNÝCH ŠKOL
Projekt: CENTRUM VZDĚLÁVÁNÍ PEDAGOGŮ ODBORNÝCH ŠKOL Kurz: Stavba a provoz strojů v praxi 1 OBSAH 1. Úvod Co je CNC obráběcí stroj. 3 2. Vlivy na vývoj CNC obráběcích strojů. 3 3. Směry vývoje CNC obráběcích
Systém rizikové analýzy při sta4ckém návrhu podzemního díla. Jan Pruška
Systém rizikové analýzy při sta4ckém návrhu podzemního díla Jan Pruška Definice spolehlivos. Spolehlivost = schopnost systému (konstrukce) zachovávat požadované vlastnos4 po celou dobu životnos4 = pravděpodobnost,
Složitost Filip Hlásek
Složitost Filip Hlásek Abstrakt. Příspěvek popisuje dva základní koncepty teoretické informatiky, Turingovy stroje a složitost. Kromě definic důležitých pojmů uvádí také několik souvisejících tvrzení,
Úvod 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
SUPERPOČÍTAČOVÉ CENTRUM. Luděk Matyska
SUPERPOČÍTAČOVÉ CENTRUM Luděk Matyska Personální obsazení vedoucí zaměstnanci studenti Luděk Matyska ÚVT MU FI MU Laboratoř pokročilých síťových technologií Miroslav Ruda Aleš Křenek Zdeněk Salvet Ladislav
2.8 Procesory. Střední průmyslová škola strojnická Vsetín. Ing. Martin Baričák. Název šablony Název DUMu. Předmět Druh učebního materiálu
Název školy Číslo projektu Autor Název šablony Název DUMu Tematická oblast Předmět Druh učebního materiálu Anotace Vybavení, pomůcky Ověřeno ve výuce dne, třída Střední průmyslová škola strojnická Vsetín
P.E. ZPRÁVA O VÝSLEDKU TESTU
Analýza omezení výdajůna záruční opravy provedená u alternátoru u řady Heavy ON Road Mitsubishi 504349338 (který nahrazuje P/N 504028095) Tato analýza a ověření u zmíněného dílu má za cíl snížit náklady
ROZVRHOVÁNÍ DÍLENSKÝCH ZAKÁZEK S PODPOROU
Technická univerzita v Liberci Fakulta strojní Radek Plechač ROZVRHOVÁNÍ DÍLENSKÝCH ZAKÁZEK S PODPOROU POČÍTAČOVÉ SIMULACE Diplomová práce 2009 Technická univerzita v Liberci Fakulta strojní Katedra výrobních
Otázky 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
Martin Lísal. Úvod do MPI
Martin Lísal září 2003 PARALELNÍ POČÍTÁNÍ Úvod do MPI 1 1 Co je to paralelní počítání? Paralelní počítání je počítání na paralelních počítačích či jinak řečeno využití více než jednoho procesoru při výpočtu
Zápočtová úloha z předmětu KIV/ZSWI DOKUMENT SPECIFIKACE POŽADAVKŮ
Zápočtová úloha z předmětu KIV/ZSWI DOKUMENT SPECIFIKACE POŽADAVKŮ 10. 5. 2011 Tým: Simplesoft Členové: Zdeněk Malík Jan Rada Ladislav Račák Václav Král Marta Pechová malikz@students.zcu.cz jrada1@students.zcu.cz
MATURITNÍ OTÁZKY ELEKTROTECHNIKA - POČÍTAČOVÉ SYSTÉMY 2003/2004 PROGRAMOVÉ VYBAVENÍ POČÍTAČŮ
MATURITNÍ OTÁZKY ELEKTROTECHNIKA - POČÍTAČOVÉ SYSTÉMY 2003/2004 PROGRAMOVÉ VYBAVENÍ POČÍTAČŮ 1) PROGRAM, ZDROJOVÝ KÓD, PŘEKLAD PROGRAMU 3 2) HISTORIE TVORBY PROGRAMŮ 3 3) SYNTAXE A SÉMANTIKA 3 4) SPECIFIKACE
CEITEC a jeho IT požadavky. RNDr. Radka Svobodová Vařeková, Ph.D.
CEITEC a jeho IT požadavky RNDr. Radka Svobodová Vařeková, Ph.D. Co je CEITEC? CEITEC je projekt výstavby středoevropského vědecko-výzkumného centra excelence v Brně Zaměření projektu: základní i aplikovaný
Canon Business Services
Canon Business Services Přeměna vašeho podniku Canon Business Services Chování zákazníků se mění rychleji než kdykoliv předtím a vaše organizace musí být připravena na změnu ve způsobu, jakým vytváříte
PROCE55 Scheduling. (Přehled)
(Přehled) Obsah Představení PROCE55 Scheduling... 3 Přínosy řešení... 3 Integrace POCE55... 4 PROCE55 Manufacturing... 4 PROCE55 Warehouse... 4 PROCE55 Maintenance... 4 Vlastnosti řešení PROCE55 Scheduling...
Datové 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
Dlouhodobé uchování a zpřístupnění digitálních dokumentů v Evropě: výsledky dotazníkového průzkumu
Dlouhodobé uchování a zpřístupnění digitálních dokumentů v Evropě: výsledky dotazníkového průzkumu zpracovali Anna Nerglová a Jan Hutař Národní knihovna ČR anna.nerglova@nkp.cz jan.hutar@nkp.cz V rámci
Virtualizace. Lukáš Krahulec, KRA556
Virtualizace Lukáš Krahulec, KRA556 Co je vitualizace Způsob jak přistupovat ke zdrojům systému jako k univerzálnímu výkonu a nezajímat se o železo Způsob jak využít silný HW a rozložit ho mezi uživatele,
Navrženy 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)
Paralelní 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.
VLIV PARAMETRU Λ NA CHOD ALGORITMU PENALIZAČNÍHO LOKÁLNÍHO PROHLEDÁVÁNÍ
VLIV PARAMETRU Λ NA CHOD ALGORITMU PENALIZAČNÍHO LOKÁLNÍHO PROHLEDÁVÁNÍ Jan Panuš Univerzita Pardubice, Fakulta ekonomicko-správní, Ústav systémového inženýrství a informatiky Abstract: The combinatorial
4EK311 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:
1 Úvod 1.1 Vlastnosti programového vybavení (SW)
1 Úvod 1.1 Vlastnosti programového vybavení (SW) - dávkové zpracování - omezená distribuce - zakázkový SW - distribuované systémy - vestavěná inteligence - laciný HW - vliv zákazníka 1950 1960 1970 1980
Mycroft Mind. Sdružení průmyslových partnerů FI MU
Mycroft Mind Sdružení průmyslových partnerů FI MU 10. 5. 2017 Co to je smart grid? Jundrovská 618/31, 624 00 Brno, Česká republika +420 511 112 170, Info@mycroftmind.com, www.mycroftmind.com Rozšíření
Architektura Intel Atom
Architektura Intel Atom Štěpán Sojka 5. prosince 2008 1 Úvod Hlavní rysem Atomu je podpora platformy x86, která umožňuje spouštět a běžně používat řadu let vyvíjené aplikace, na které jsou uživatelé zvyklí
Výpočetní zdroje v MetaCentru a jejich využití
Výpočetní zdroje v MetaCentru a jejich využití Miroslav Ruda Cesnet a Masarykova Univerzita Praha, 2008 Miroslav Ruda (MetaCentrum) Výpočetní zdroje v MetaCentru Praha, 2008 1 / 9 Hardware I. jádro tvoří
Virtualizace jako nástroj snížení nákladů. Periodické opakování nákladů nové verze Licence na pevný počet klientů
Model Mainframe Centralizované řešení Cena za strojový čas Klientská zařízení nedisponují výkonem Vysoké pořizovací náklady na hardware Bez softwarových licencí software na míru Model Klient Server Přetrvává
Vytvoření portálu odboru strukturálních fondů Ministerstva vnitra a zajištění jeho hostingu na serveru dodavatele
MINISTERSTVO VNITRA odbor strukturálních fondů č.j. MV- 82945-5 /OSF Praha dne 24. listopadu 2009 Počet listů: 5 Odpověď zadavatele na otázky ze dne 20. listopadu 2009 k Zadávací dokumentaci na veřejnou
Téma dizertační práce - Strategie ŠKODA AUTO pro čínský trh
Téma dizertační práce - Strategie ŠKODA AUTO pro čínský trh - Spolupráce při stanovování dlouhodobé strategie ŠKODA AUTO pro čínský trh se zaměřením na produktový management - Analýza současné pozice ŠKODA
Alternativy k SAP HANA appliance? Představení možnosti TDI a cloudové infrastruktury
Alternativy k SAP HANA appliance? Představení možnosti TDI a cloudové infrastruktury Jiří Vrbický Senior Architekt 10. září 2015 Infrastruktura pro SAP HANA Možnosti zajištění infrastruktury pro SAP HANA:
EGI a česká NGI aktuální informace o stavu a plánech. Luděk Matyska CESNET, z.s.p.o. Masarykova universita
EGI a česká NGI aktuální informace o stavu a plánech Luděk Matyska CESNET, z.s.p.o. Masarykova universita European Grid Infrastructure Propojení národních infrastruktur do jednoho společně použitelného
ČMSS: CRM systém pro efektivní práci s klienty
Případová studie ČMSS: CRM systém pro efektivní práci s klienty Jak jsme společnosti ČMSS dodali moderní řešení pro řízení vztahů s klienty ČMSS: CRM systém pro efektivní práci s klienty Kvalitní poskytování