Ant Colony Optimization 1 / 26
|
|
- Lukáš Müller
- před 5 lety
- Počet zobrazení:
Transkript
1 GoBack
2 Ant Colony Optimization 1 / 26
3 Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika 2 / 26
4 Vznik Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika I am lost! Where is the line?! A Bug s Life, Walt Disney, 1998 ACO je metaheuristika Shrnuje poznatky ze studia společenstev různých druhů mravenců 3 / 26
5 Vznik Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika I am lost! Where is the line?! A Bug s Life, Walt Disney, 1998 ACO je metaheuristika Shrnuje poznatky ze studia společenstev různých druhů mravenců Mnoho N P-těžkých problémů, hlédání optimálního řešení příliš náročné 3 / 26
6 Vznik Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika I am lost! Where is the line?! A Bug s Life, Walt Disney, 1998 ACO je metaheuristika Shrnuje poznatky ze studia společenstev různých druhů mravenců Mnoho N P-těžkých problémů, hlédání optimálního řešení příliš náročné Aproximační metody dávájí řešení blízké optimálnímu 3 / 26
7 Vznik Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika I am lost! Where is the line?! A Bug s Life, Walt Disney, 1998 ACO je metaheuristika Shrnuje poznatky ze studia společenstev různých druhů mravenců Mnoho N P-těžkých problémů, hlédání optimálního řešení příliš náročné Aproximační metody dávájí řešení blízké optimálnímu ACO algoritmy simulují chování mravenců v přírodě Používá množství malých výpočetních agentů, spolupracujících při hledání co nejlepšího řešení 3 / 26
8 Chování mraveců Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika Hledání potravy mnoha druhů mravenců je založeno na nepřímé komunikaci zprostředkované prostředím Feromony - mravenci mají tendenci sledovat stopu Zpětná vazba nebo vyprchávání 4 / 26
9 Double Bridge Experiment Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika Obrázek 1: a) - stejné délky, b) - různé délky Mravenci se po čase pohybují pouze jednou cestou Konečná cesta příliš závislá na počátečních rozhodnutích Zůstanou u delší cesty, pokud jim kratší cestu nabídneme až později 5 / 26
10 Řešení via ACO Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika Problémy hledání hodnot diskrétních proměnných, objektivní funkce Nutné přeformulovat je na problém prohledávání grafu 6 / 26
11 Řešení via ACO Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika Problémy hledání hodnot diskrétních proměnných, objektivní funkce Nutné přeformulovat je na problém prohledávání grafu Kolonie umělých mravenců pak problém řeší jeho náhodnými procházením Každá procházka - kandidátní řešení, s omezeními přípustné řešení 6 / 26
12 Řešení via ACO Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika Problémy hledání hodnot diskrétních proměnných, objektivní funkce Nutné přeformulovat je na problém prohledávání grafu Kolonie umělých mravenců pak problém řeší jeho náhodnými procházením Každá procházka - kandidátní řešení, s omezeními přípustné řešení Kolonie umělých mravenců stálým opakováním hledání, vyhodnocování a aktualizace postupně vylepšuje svou představu globálně optimálního řešení 6 / 26
13 Řešení via ACO Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika Problémy hledání hodnot diskrétních proměnných, objektivní funkce Nutné přeformulovat je na problém prohledávání grafu Kolonie umělých mravenců pak problém řeší jeho náhodnými procházením Každá procházka - kandidátní řešení, s omezeními přípustné řešení Kolonie umělých mravenců stálým opakováním hledání, vyhodnocování a aktualizace postupně vylepšuje svou představu globálně optimálního řešení Vždy konverguje 6 / 26
14 Metaheuristika Vznik Chování mraveců Double Bridge Experiment Řešení via ACO Metaheuristika procedure ACO_MetaHeuristic while( not_termination) generatesolutions() pheromoneupdate() daemonactions() end while end prodcedure Všichni současně a asynchronně projdou graf problému Část feromonů vyprchá a na prošlé cesty jsou přidány nové Centrálně řízené akce, které nemohou být vykonané jedním mravencem 7 / 26
15 Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search 8 / 26
16 Traveling Salesman Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search Problém obchodního cestujícího - Nalezení nejkratší cesty z domovského města přes množinu stanovených měst a zpět 9 / 26
17 Traveling Salesman Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search Problém obchodního cestujícího - Nalezení nejkratší cesty z domovského města přes množinu stanovených měst a zpět Graf - úplný, města = uzly, každá cesta a ij má přiřazenu váhu Omezení - všechna města musí být navštívena právě jednou Feromony - množství vypovídá o vhodnosti navštívení města i po j Heuristická informace - µ ij = 1/d ij 9 / 26
18 Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search Inicializace, hodnoty mírně vyšší než očekávané položené v prvních bězích Mravenci náhodně rozmístěni po uzlech grafu 10 / 26
19 Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search Inicializace, hodnoty mírně vyšší než očekávané položené v prvních bězích Mravenci náhodně rozmístěni po uzlech grafu p k i,j = [τ i,j ] α [µ i,j ] β l N ki [τ i,l] α [µ i,l ] β (1) 10 / 26
20 Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search Inicializace, hodnoty mírně vyšší než očekávané položené v prvních bězích Mravenci náhodně rozmístěni po uzlech grafu p k i,j = [τ i,j ] α [µ i,j ] β l N ki [τ i,l] α [µ i,l ] β (1) τ i,j (1 ρ)τ i,j (2) 10 / 26
21 Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search Inicializace, hodnoty mírně vyšší než očekávané položené v prvních bězích Mravenci náhodně rozmístěni po uzlech grafu p k i,j = [τ i,j ] α [µ i,j ] β l N ki [τ i,l] α [µ i,l ] β (1) τ i,j (1 ρ)τ i,j (2) τ i,j τ i,j + m k=1 k i,j (3) k i,j = { 1/C k, pokud hrana(i, j) T k 0, jinak (4) 10 / 26
22 Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search Inicializace, hodnoty mírně vyšší než očekávané položené v prvních bězích Mravenci náhodně rozmístěni po uzlech grafu p k i,j = [τ i,j ] α [µ i,j ] β l N ki [τ i,l] α [µ i,l ] β (1) τ i,j (1 ρ)τ i,j (2) τ i,j τ i,j + m k=1 k i,j (3) k i,j = { 1/C k, pokud hrana(i, j) T k 0, jinak (4) parametry α, β, ρ mají velký význam 10 / 26
23 Ellitist Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search Dodatečné položení feromonů na hrany, jež jsou součástí nejlepší do té doby znamé procházky Vysledky experimentů ukazují, že tato změna vede k nalezení lepších řešení v kratším čase 11 / 26
24 MAX MIN Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search MMAS mění AS ve 4 hlavních bodech Klade velký důraz na nejlepší nalezenou cestu. Pouze v iteraci nejlepší nebo absolutně nejlepší mravenec položí feromony 12 / 26
25 MAX MIN Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search MMAS mění AS ve 4 hlavních bodech Klade velký důraz na nejlepší nalezenou cestu. Pouze v iteraci nejlepší nebo absolutně nejlepší mravenec položí feromony Horní a dolní limit na množství feromonů na jedné hraně grafu 12 / 26
26 MAX MIN Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search MMAS mění AS ve 4 hlavních bodech Klade velký důraz na nejlepší nalezenou cestu. Pouze v iteraci nejlepší nebo absolutně nejlepší mravenec položí feromony Horní a dolní limit na množství feromonů na jedné hraně grafu inicializace feromonových stop na horní limit, pomalejší vyprchávání 12 / 26
27 MAX MIN Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search MMAS mění AS ve 4 hlavních bodech Klade velký důraz na nejlepší nalezenou cestu. Pouze v iteraci nejlepší nebo absolutně nejlepší mravenec položí feromony Horní a dolní limit na množství feromonů na jedné hraně grafu inicializace feromonových stop na horní limit, pomalejší vyprchávání Reinicializace projeví-li systém stagnaci nebo pokud nebylo nalezeno lepší řešení během daného počtu iterací 12 / 26
28 Ant Colony System Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search ACS rozšiřuje AS ve 3 hlavních bodech Agresivnější rozhodovací pravidlo pro výběr příštího uzlu 13 / 26
29 Ant Colony System Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search ACS rozšiřuje AS ve 3 hlavních bodech Agresivnější rozhodovací pravidlo pro výběr příštího uzlu Pouze nejlepší mravenec pokládá svou feromonovou stopu a pouze jeho stopa vyprchává 13 / 26
30 Ant Colony System Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search ACS rozšiřuje AS ve 3 hlavních bodech Agresivnější rozhodovací pravidlo pro výběr příštího uzlu Pouze nejlepší mravenec pokládá svou feromonovou stopu a pouze jeho stopa vyprchává Snižení množství foromonů na hraně po každém kroku 13 / 26
31 Ant Colony System Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search ACS rozšiřuje AS ve 3 hlavních bodech Agresivnější rozhodovací pravidlo pro výběr příštího uzlu Pouze nejlepší mravenec pokládá svou feromonovou stopu a pouze jeho stopa vyprchává Snižení množství foromonů na hraně po každém kroku Záporem strategie je, že vylučuje paralelní implementaci. 13 / 26
32 Local Search Traveling Salesman Ellitist MAX MIN Ant Colony System Local Search Máme-li kandidátní řešení s, local search vytvoří všechna řešení s taková, že s vznikne z s změnou libovolných k hran libovolným možným způsobem. Obrázek 2: 2-opt Mravenec použije nejlepší ze všech řešení s. 14 / 26
33 Sequential Ordering Quadratic Assignment 15 / 26
34 Sequential Ordering Sequential Ordering Quadratic Assignment Hledání uspořádání prvků dané množiny. Stejný jako, některé uzly musí navíc předcházet jiným. 16 / 26
35 Sequential Ordering Sequential Ordering Quadratic Assignment Hledání uspořádání prvků dané množiny. Stejný jako, některé uzly musí navíc předcházet jiným. Řešení: Pokud má uzel j předcházet uzlu i, hraně (i, j) je přiřazena váha 1, ve volbě dalšího pokračování své cesty mraveci neuvažují uzly, jejichž přidáním by porušili omezení. 16 / 26
36 Sequential Ordering Sequential Ordering Quadratic Assignment Hledání uspořádání prvků dané množiny. Stejný jako, některé uzly musí navíc předcházet jiným. Řešení: Pokud má uzel j předcházet uzlu i, hraně (i, j) je přiřazena váha 1, ve volbě dalšího pokračování své cesty mraveci neuvažují uzly, jejichž přidáním by porušili omezení. Celá kolonie je umístěna do počátečního uzlu. 16 / 26
37 Sequential Ordering Sequential Ordering Quadratic Assignment Hledání uspořádání prvků dané množiny. Stejný jako, některé uzly musí navíc předcházet jiným. Řešení: Pokud má uzel j předcházet uzlu i, hraně (i, j) je přiřazena váha 1, ve volbě dalšího pokračování své cesty mraveci neuvažují uzly, jejichž přidáním by porušili omezení. Celá kolonie je umístěna do počátečního uzlu. Nejlepší algoritmus pro SOP (2004). 16 / 26
38 Quadratic Assignment Sequential Ordering Quadratic Assignment Problém přiřazení prvků z množiny locations prvkům z množiny facilities. 17 / 26
39 Quadratic Assignment Sequential Ordering Quadratic Assignment Problém přiřazení prvků z množiny locations prvkům z množiny facilities. Graf, Omezení, Feromonová stopa. 17 / 26
40 Quadratic Assignment Sequential Ordering Quadratic Assignment Problém přiřazení prvků z množiny locations prvkům z množiny facilities. Graf, Omezení, Feromonová stopa. Heuristická informace µ i = 1/d i, d i je součet vzdáleností z místa i do ostatních míst. 17 / 26
41 Quadratic Assignment Sequential Ordering Quadratic Assignment Problém přiřazení prvků z množiny locations prvkům z množiny facilities. Graf, Omezení, Feromonová stopa. Heuristická informace µ i = 1/d i, d i je součet vzdáleností z místa i do ostatních míst. Konstrukce řešení Seřazení facilit, v každém kroku mravenci vybranou hranou umístí jedno zařízení 17 / 26
42 Quadratic Assignment Sequential Ordering Quadratic Assignment Problém přiřazení prvků z množiny locations prvkům z množiny facilities. Graf, Omezení, Feromonová stopa. Heuristická informace µ i = 1/d i, d i je součet vzdáleností z místa i do ostatních míst. Konstrukce řešení Seřazení facilit, v každém kroku mravenci vybranou hranou umístí jedno zařízení Aktualizace feromonvých stop Kvalita podle f = n i nj a ij b πi π j 17 / 26
43 Quadratic Assignment Sequential Ordering Quadratic Assignment Problém přiřazení prvků z množiny locations prvkům z množiny facilities. Graf, Omezení, Feromonová stopa. Heuristická informace µ i = 1/d i, d i je součet vzdáleností z místa i do ostatních míst. Konstrukce řešení Seřazení facilit, v každém kroku mravenci vybranou hranou umístí jedno zařízení Aktualizace feromonvých stop Kvalita podle f = n i nj a ij b πi π j Jeden z nejlepších algoritmů. 17 / 26
44 Sequential Ordering Quadratic Assignment Úloha vyvozování pravidel z množiny faktů. IF<term1,term2,...>THEN<b> 18 / 26
45 Sequential Ordering Quadratic Assignment Úloha vyvozování pravidel z množiny faktů. IF<term1,term2,...>THEN<b> Příklad : (Brno, 30.11, 2003, rainy) (Brno, 30.11, 2004, rainy) (Brno, 30.11, 2005, sunny) (Brno, 30.11, 2006, rainy) 18 / 26
46 Sequential Ordering Quadratic Assignment Úloha vyvozování pravidel z množiny faktů. IF<term1,term2,...>THEN<b> Příklad : (Brno, 30.11, 2003, rainy) (Brno, 30.11, 2004, rainy) (Brno, 30.11, 2005, sunny) (Brno, 30.11, 2006, rainy) IF<Brno,30.11>THEN<rainy> 18 / 26
47 Podobný AS, ale používá pouze jednoho mravence. Sequential Ordering Quadratic Assignment 19 / 26
48 Sequential Ordering Quadratic Assignment Podobný AS, ale používá pouze jednoho mravence. Graf Uzel pro každý možný term a jeden startovní. 19 / 26
49 Sequential Ordering Quadratic Assignment Podobný AS, ale používá pouze jednoho mravence. Graf Uzel pro každý možný term a jeden startovní. Omezení Pravidle obsahuje atribut nejvýše jednou a každé pravidlo obsahuje minimální počet atributů. 19 / 26
50 Sequential Ordering Quadratic Assignment Podobný AS, ale používá pouze jednoho mravence. Graf Uzel pro každý možný term a jeden startovní. Omezení Pravidle obsahuje atribut nejvýše jednou a každé pravidlo obsahuje minimální počet atributů. Feromonová stopa,heuristická informace µ ij podle rovnic 5, 6 19 / 26
51 Sequential Ordering Quadratic Assignment Podobný AS, ale používá pouze jednoho mravence. Graf Uzel pro každý možný term a jeden startovní. Omezení Pravidle obsahuje atribut nejvýše jednou a každé pravidlo obsahuje minimální počet atributů. Feromonová stopa,heuristická informace µ ij podle rovnic 5, 6 h(b a i = v ij ) = µ ij = l P(b a i = v ij ) log 2 P(B a i = v ij ) (5) b=1 log 2 l h(b a i = v ij ) fi j=1 log 2 l h(b a i = v ij ) (6) 19 / 26
52 Sequential Ordering Quadratic Assignment Konstrukce řešení Mravenec začíná s prázdným pravidlem a postupně přidává termy podle rozhodovacího pravidla stejného jako v AS s pravděpodobností popsanou rovnicí / 26
53 Sequential Ordering Quadratic Assignment Konstrukce řešení Mravenec začíná s prázdným pravidlem a postupně přidává termy podle rozhodovacího pravidla stejného jako v AS s pravděpodobností popsanou rovnicí 7. p ij = τ ij µ ij ni=1 (x i fi j=1 (τ ijµ ij )) (7) 20 / 26
54 Sequential Ordering Quadratic Assignment Konstrukce řešení Mravenec začíná s prázdným pravidlem a postupně přidává termy podle rozhodovacího pravidla stejného jako v AS s pravděpodobností popsanou rovnicí 7. p ij = τ ij µ ij ni=1 (x i fi j=1 (τ ijµ ij )) Čištění pravidla Spekulativní odstraňování termů a vyhodnocování kvality pravidla bez nich, podle funkce 8, hledání termu jehož odstraněním se kvalita zvýší nejvíce, proces se opakuje (7) 20 / 26
55 Sequential Ordering Quadratic Assignment Konstrukce řešení Mravenec začíná s prázdným pravidlem a postupně přidává termy podle rozhodovacího pravidla stejného jako v AS s pravděpodobností popsanou rovnicí 7. p ij = τ ij µ ij ni=1 (x i fi j=1 (τ ijµ ij )) Čištění pravidla Spekulativní odstraňování termů a vyhodnocování kvality pravidla bez nich, podle funkce 8, hledání termu jehož odstraněním se kvalita zvýší nejvíce, proces se opakuje f(rule) = TP TP + FN TN FP + TN (7) (8) 20 / 26
56 Sequential Ordering Quadratic Assignment Konstrukce řešení Mravenec začíná s prázdným pravidlem a postupně přidává termy podle rozhodovacího pravidla stejného jako v AS s pravděpodobností popsanou rovnicí 7. p ij = τ ij µ ij ni=1 (x i fi j=1 (τ ijµ ij )) Čištění pravidla Spekulativní odstraňování termů a vyhodnocování kvality pravidla bez nich, podle funkce 8, hledání termu jehož odstraněním se kvalita zvýší nejvíce, proces se opakuje f(rule) = TP TP + FN TN FP + TN Aktualizace feromonvých stop Množství podle f (8) (7) (8) 20 / 26
57 Sequential Ordering Quadratic Assignment Srovnatelný s OSPF, SPF, BF, Daemon, dopřední mravenci s náhodně zvoleným cílem, podle současného datového provozu, nechá mravence najít si cestu. 21 / 26
58 Sequential Ordering Quadratic Assignment Srovnatelný s OSPF, SPF, BF, Daemon, dopřední mravenci s náhodně zvoleným cílem, podle současného datového provozu, nechá mravence najít si cestu. p sd = f sd ni=1 f si, f sd je datový tok v bitech z s do d (9) 21 / 26
59 Sequential Ordering Quadratic Assignment Srovnatelný s OSPF, SPF, BF, Daemon, dopřední mravenci s náhodně zvoleným cílem, podle současného datového provozu, nechá mravence najít si cestu. p sd = f sd ni=1 f si, f sd je datový tok v bitech z s do d (9) Každý uzel linkám vlastní feromony π ijd, rozlišuje nejen mezi tím, které lince k sousednímu uzlu feromony patří, ale i jaké cesty, určené cílovým uzlem, je linka součástí, udržuje lokální model sítě(ν id, σ id, W id ). 21 / 26
60 Sequential Ordering Quadratic Assignment ν id průměr délek trvání několika posledních cest, σ id kolísání, W id nejlepší cesta, k dispozici pouze délka trvání cesty 22 / 26
61 Sequential Ordering Quadratic Assignment ν id průměr délek trvání několika posledních cest, σ id kolísání, W id nejlepší cesta, k dispozici pouze délka trvání cesty ν id ν id + ς(o i d ν id ), (10) váha k-té doby po j aktualizacích je potom ς(1 ς) j k, σ 2 id σ 2 id + ς((o i d ν id ) 2 σ 2 id) (11) 22 / 26
62 Sequential Ordering Quadratic Assignment 2 prioritní skupiny paketů: a) datové pakety a dopřední mravenci, b) zpětní mravenci 23 / 26
63 Sequential Ordering Quadratic Assignment 2 prioritní skupiny paketů: a) datové pakety a dopřední mravenci, b) zpětní mravenci Co nejkratší cestu z vytvářejícího uzlu do cílového. Stejně jako data. Užívají feromonovou stopu, heuristickou informaci a svojí paměť. Heuristická informace počítána rovnicí 12 µ ij = q ij Ni l=1 q, q ij (12) il 23 / 26
64 Sequential Ordering Quadratic Assignment 2 prioritní skupiny paketů: a) datové pakety a dopřední mravenci, b) zpětní mravenci Co nejkratší cestu z vytvářejícího uzlu do cílového. Stejně jako data. Užívají feromonovou stopu, heuristickou informaci a svojí paměť. Heuristická informace počítána rovnicí 12 µ ij = q ij Ni l=1 q, q ij (12) il Informace o hustotě provozu, ukládá identifikátory uzlů a pamatuje si, jak dlouho je na cestě. 23 / 26
65 Sequential Ordering Quadratic Assignment 2 prioritní skupiny paketů: a) datové pakety a dopřední mravenci, b) zpětní mravenci Co nejkratší cestu z vytvářejícího uzlu do cílového. Stejně jako data. Užívají feromonovou stopu, heuristickou informaci a svojí paměť. Heuristická informace počítána rovnicí 12 µ ij = q ij Ni l=1 q, q ij (12) il Informace o hustotě provozu, ukládá identifikátory uzlů a pamatuje si, jak dlouho je na cestě. Zpáteční režim, vyšší priorita, aktualizace feromonů, lokálních modelů a oznámí identifikátorů uzlů. Zničen 23 / 26
66 Sequential Ordering Quadratic Assignment Model páteřní sítě japonské společnosti NTT. NTTnet: experimentální srovnání přenosové rychlosti a zpoždění u s ostatními směrovacími algoritmy. 24 / 26
67 Budoucnost 25 / 26
68 Budoucnost Budoucnost ACO algoritmy při řešení akademických problémů stejně dobré jako ty nejlepší v současnosti dostupné. Komerční aplikace Dyvoil, AntRoute, jiné Budoucí výzkum by se měl zaměřit na : paralelizaci, multiobjektivní, stochastické objektivní fce 26 / 26
Ant 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
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
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.
VíceVUT Brno Fakulta informačních technologií Simulační nástroje a techniky (SNT) 2014/2015 Vehicle routing problem Ant colony
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 2015 1 Úvod
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
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
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
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:
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
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
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
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
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
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
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
VíceModely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT
PEF ČZU Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT Okruhy SZB č. 5 Zdroje: Demel, J., Operační výzkum Jablonský J., Operační výzkum Šubrt, T., Langrová, P., Projektové řízení I. a různá internetová
VícePokročilé neparametrické metody. Klára Kubošová
Klára Kubošová Další typy stromů CHAID, PRIM, MARS CHAID - Chi-squared Automatic Interaction Detector G.V.Kass (1980) nebinární strom pro kategoriální proměnné. Jako kriteriální statistika pro větvení
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
VíceAnt Colony Optimization v prostředí Mathematica
Ant Colony Optimization v prostředí Mathematica Ant Colony Optimization in Mathematica Environment Bc. Martina Vaculíková Diplomová práce 28 UTB ve Zlíně, Fakulta aplikované informatiky, 28 4 ABSTRAKT
VíceTeorie rozhodování (decision theory)
Umělá inteligence II Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Teorie pravděpodobnosti (probability theory) popisuje v co má agent věřit na základě pozorování. Teorie
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
VíceDetekce interakčních sil v proudu vozidel
Detekce interakčních sil v proudu vozidel (ANEB OBECNĚJŠÍ POHLED NA POJEM VZDÁLENOSTI V MATEMATICE) Doc. Mgr. Milan Krbálek, Ph.D. Katedra matematiky Fakulta jaderná a fyzikálně inženýrská České vysoké
VíceTGH08 - Optimální kostry
TGH08 - Optimální kostry Jan Březina Technical University of Liberec 14. dubna 2015 Problém profesora Borůvky řešil elektrifikaci Moravy Jak propojit N obcí vedením s minimální celkovou délkou. Vedení
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
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
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
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
Vícea4b33zui Základy umělé inteligence
LS 2011 Jméno: a4b33zui Základy umělé inteligence 10.6.2011 O1 O2 O3 O4 O5 Total (50) Instrukce: Na vypracování máte 90 min, můžete použít vlastní materiály nebo poznámky. Použití počítače nebo mobilního
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:
Více4. Úvod do paralelismu, metody paralelizace
4. Úvod do paralelismu, metody paralelizace algoritmů Ing. Michal Bližňák, Ph.D. Ústav informatiky a umělé inteligence Fakulta aplikované informatiky UTB Zĺın Paralelní procesy a programování, Zĺın, 26.
VíceČVUT 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
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
VíceTGH05 - aplikace DFS, průchod do šířky
TGH05 - aplikace DFS, průchod do šířky Jan Březina Technical University of Liberec 31. března 2015 Grafová formulace CPM (critical path method) Orientovaný acyklický graf (DAG) je orientovaný graf neobsahující
VíceOtázky ke státní závěrečné zkoušce
Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního
VíceNP-ÚPLNÉ PROBLÉMY. Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze
NP-ÚPLNÉ PROBLÉMY Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze BI-GRA, LS 2010/2011, Lekce 13 Evropský sociální fond Praha & EU: Investujeme do
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,
VíceAutomatizované řešení úloh s omezeními
Automatizované řešení úloh s omezeními Martin Kot Katedra informatiky, FEI, Vysoká škola báňská Technická universita Ostrava 17. listopadu 15, Ostrava-Poruba 708 33 Česká republika 25. října 2012 M. Kot
VíceTGH05 - aplikace DFS, průchod do šířky
TGH05 - aplikace DFS, průchod do šířky Jan Březina Technical University of Liberec 28. března 2017 Grafová formulace CPM (critical path method) Orientovaný acyklický graf (DAG) je orientovaný graf neobsahující
Více3. Třídy P a NP. Model výpočtu: Turingův stroj Rozhodovací problémy: třídy P a NP Optimalizační problémy: třídy PO a NPO 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
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
VíceA6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti
A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Vojta Vonásek vonasek@labe.felk.cvut.cz České vysoké učení technické v Praze Fakulta elektrotechnická Katedra kybernetiky Markovovy
Vícebfs, dfs, fronta, zásobník, prioritní fronta, halda
bfs, dfs, fronta, zásobník, prioritní fronta, halda Petr Ryšavý 20. září 2016 Katedra počítačů, FEL, ČVUT prohledávání grafů Proč prohledávání grafů Zkontrolovat, zda je sít spojitá. Hledání nejkratší
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
VíceŘešení: PŘENESVĚŽ (N, A, B, C) = přenes N disků z A na B pomocí C
Hanojské věže - 3 kolíky A, B, C - na A je N disků různé velikosti, seřazené od největšího (dole) k nejmenšímu (nahoře) - kolíky B a C jsou prázdné - úkol: přenést všechny disky z A na B, mohou se odkládat
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.
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
VíceČasové rezervy. Celková rezerva činnosti
Časové rezervy Celková rezerva činnosti CR Volná rezerva činnosti VR Nezávislá rezerva činnosti - NR Celková rezerva činnosti Maximální počet časových jednotek, které jsou k dispozici pro provedení činnosti,
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
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
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
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
VíceDynamické rozvrhování
Dynamické rozvrhování Hana Rudová Fakulta informatiky, Masarykova universita http://www.fi.muni.cz/~hanka Informatické kolokvium, 9.10.2007 Dynamické rozvrhování (Dynamic scheduling) 1 Úvod 2 Popis problému
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
Více7. 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
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:
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
VíceUČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
VíceSÍŤOVÁ ANALÝZA. Kristýna Slabá, kslaba@students.zcu.cz. 1. července 2010
SÍŤOVÁ ANALÝZA Kristýna Slabá, kslaba@students.zcu.cz 1. července 2010 Obsah 1 Úvod do síťové analýzy Hlavní metody síťové analýzy a jejich charakteristika Metoda CPM Metoda PERT Nákladová analýza Metoda
Více4EK311 Operační výzkum. 6. Řízení projektů
4EK311 Operační výzkum 6. Řízení projektů 6. Řízení projektů Typická aplikace teorie grafů Projekt = soubor činností Příklady: Vývoj a uvedení nového výrobku Výstavba či rekonstrukce objektu Plán výrobního
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
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
VíceV kompletním grafu nenastává problém. Každý uzel je soused se zbytkem vrcholů a může s nimi kdykoliv komunikovat.
1 SMĚROVÁNÍ (ROUTING) V kompletním grafu nenastává problém. Každý uzel je soused se zbytkem vrcholů a může s nimi kdykoliv komunikovat. Problém nastává u ostatních grafů: Kritéria dobrého směrování: a)
VíceAgent pracující v částečně pozorovatelném prostředí udržuje na základě senzorického modelu odhaduje, jak se svět může vyvíjet.
Umělá inteligence II Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Dnešní program Agent pracující v částečně pozorovatelném prostředí udržuje na základě senzorického modelu
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
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceProhledávání do šířky = algoritmus vlny
Prohledávání do šířky = algoritmus vlny - souběžně zkoušet všechny možné varianty pokračování výpočtu, dokud nenajdeme řešení úlohy průchod stromem všech možných cest výpočtu do šířky, po vrstvách (v každé
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
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
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
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
Více"Agent Hledač" (3. přednáška)
"Agent Hledač" (3. přednáška) Přehled 3. přednášky v této přednášce se budeme zabývat "goal-based" agenty Přehled 3. přednášky v této přednášce se budeme zabývat "goal-based" agenty připomeňme, že "goal-based"
Více4EK212 Kvantitativní management. 7.Řízení projektů
4EK212 Kvantitativní management 7.Řízení projektů 6.5 Řízení projektů Typická aplikace teorie grafů Projekt = soubor činností Příklady: Vývoj a uvedení nového výrobku Výstavba či rekonstrukce objektu Plán
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
VíceFP - SEMINÁŘ Z NUMERICKÉ MATEMATIKY. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
FP - SEMINÁŘ Z NUMERICKÉ MATEMATIKY Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci OBSAH A CÍLE SEMINÁŘE: Opakování a procvičení vybraných
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
VíceŘešení optimální cesty svozu odpadů pomocí rojové inteligence
Jihočeská univerzita v Českých Budějovicích Přírodovědecká fakulta Řešení optimální cesty svozu odpadů pomocí rojové inteligence Bakalářská práce Ladislav Vácha Školitel: doc. Ing. Ladislav Beránek, CSc.
VíceIMOSI - 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
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
VíceALG 14. Vícedimenzionální data. Řazení vícedimenzionálních dat. Experimentální porovnání řadících algoritmů na vícedimenzionálních datech
ABALG 5/ ALG Vícedimenzionální data Řazení vícedimenzionálních dat Experimentální porovnání řadících algoritmů na vícedimenzionálních datech ABALG 5/ Vícedimenzionální data..7.. -.. d = 6 5 6.....7.. -.....9
VíceExponenciální 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
VíceTGH06 - Hledání nejkratší cesty
TGH06 - Hledání nejkratší cesty Jan Březina Technical University of Liberec 31. března 2015 Motivační problémy Silniční sít reprezentovaná grafem. Ohodnocené hrany - délky silnic. Najdi nejkratší/nejrychlejší
VíceAnalýza toku dat. Petr Krajča. Katedra informatiky Univerzita Palackého v Olomouci. 15. listopad, 2012
Překladače 2 Analýza toku dat Petr Krajča Katedra informatiky Univerzita Palackého v Olomouci 15. listopad, 2012 Petr Krajča (UP) KMI/PRKL2: Přednáška I. 15. listopad, 2012 1 / 33 Lokální analýza: živost
VíceKendallova klasifikace
Kendallova klasifikace Délka obsluhy, frontový režim, Littleovy vzorce Parametry obsluhy Trvání obsluhy - většinou předpokládáme, že trvání obsluhy jsou nezávisl vislé náhodné proměnné, se stejným rozdělením
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
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2015
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 05 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceOptimalizace. Obsah přednášky. DÚ LP - Okružní problém. Lineární optimalizace. DÚ LP - Okružní problém. DÚ LP - Okružní problém
Obsah přednášky Mgr. Květuše Sýkorová Optimalizace Lineární programování Distribuční úlohy Okružní problém KI Př UJEP Ústí nad Labem Nederivační metody Metody 1D optimalizace Derivační metody Optimalizace
VíceGlobální matice konstrukce
Globální matice konstrukce Z matic tuhosti a hmotnosti jednotlivých prvků lze sestavit globální matici tuhosti a globální matici hmotnosti konstrukce, které se využijí v řešení základní rovnice MKP: [m]{
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
VíceNáplň. v.0.03 16.02.2014. - Jednoduché příklady na práci s poli v C - Vlastnosti třídění - Způsoby (algoritmy) třídění
Náplň v.0.03 16.02.2014 - Jednoduché příklady na práci s poli v C - Vlastnosti třídění - Způsoby (algoritmy) třídění Spojení dvou samostatně setříděných polí void Spoj(double apole1[], int adelka1, double
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceMultirobotická kooperativní inspekce
Multirobotická kooperativní inspekce prostředí Diplomová práce Multirobotická kooperativní inspekce prostředí Diplomová práce Intelligent and Mobile Robotics Group Laboratory for Intelligent Decision Making
VíceRozvrhování 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
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
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
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
Více1 Úvod do celočíselné lineární optimalizace
Úvod do celočíselné lineární optimalizace Martin Branda, verze 7.. 7. Motivace Reálné (smíšeně-)celočíselné úlohy Optimalizace portfolia celočíselné počty akcií, modelování fixních transakčních nákladů,
VíceČasová a prostorová složitost algoritmů
.. Časová a prostorová složitost algoritmů Programovací techniky doc. Ing. Jiří Rybička, Dr. ústav informatiky PEF MENDELU v Brně rybicka@mendelu.cz Hodnocení algoritmů Programovací techniky Časová a prostorová
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
VíceAlgoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
Více