Ant Colony Optimization 1 / 26

Rozměr: px
Začít zobrazení ze stránky:

Download "Ant Colony Optimization 1 / 26"

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 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

Více

Optimalizační algoritmy inspirované chováním mravenců

Optimalizační 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

Více

Metaheuristiky s populacemi

Metaheuristiky 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.

Více

VUT 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 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

Více

Use 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 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

Více

Optimalizační algoritmy inspirované chováním mravenců

Optimalizační 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

Více

Swarm Intelligence. Moderní metody optimalizace 1

Swarm 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

Více

Seminář z umělé inteligence. Otakar Trunda

Seminář 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:

Více

Optimalizace & soft omezení: algoritmy

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

Více

Algoritmizace prostorových úloh

Algoritmizace 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

Více

Grafové algoritmy. Programovací techniky

Grafové 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

Více

Grafové algoritmy. Programovací techniky

Grafové 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

Více

11. Tabu prohledávání

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

Více

FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF AUTOMATION AND COMPUTER SCIENCE

FACULTY 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

Více

jednoduchá heuristika asymetrické okolí stavový prostor, kde nelze zabloudit připustit zhoršují cí tahy Pokročilé heuristiky

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

Více

PLÁNOVÁNÍ CESTY MOBILNÍHO ROBOTU POMOCÍ MRAVENČÍCH ALGORITMŮ MOBILE ROBOT PATH PLANNING BY MEANS OF ANT ALGORITHMS

PLÁNOVÁNÍ 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

Více

Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT

Modely 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

Více

Pokročilé neparametrické metody. Klára Kubošová

Pokročilé 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

Více

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY

VYSOKÉ 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

Více

Ant Colony Optimization v prostředí Mathematica

Ant 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

Více

Teorie rozhodování (decision theory)

Teorie 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

Více

Základy umělé inteligence

Základy 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

Více

Detekce interakčních sil v proudu vozidel

Detekce 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

Více

TGH08 - Optimální kostry

TGH08 - 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

Více

Paralelní grafové algoritmy

Paralelní 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

Více

Simulace pohybu chodců pomocí celulárních modelů

Simulace 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

Více

Úvod do úloh plánování rozvozu (Vehicle Routing Problems)

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

Více

Dijkstrův algoritmus

Dijkstrův 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

Více

a4b33zui Základy umělé inteligence

a4b33zui 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

Více

Numerické metody a programování. Lekce 8

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:

Více

4. Úvod do paralelismu, metody paralelizace

4. 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.

Více

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 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

Více

Úloha ve stavovém prostoru SP je <s 0, C>, kde s 0 je počáteční stav C je množina požadovaných cílových stavů

Úloha 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

Více

TGH05 - aplikace DFS, průchod do šířky

TGH05 - 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

Více

Otázky ke státní závěrečné zkoušce

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

Více

NP-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 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

Více

Dobývání 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 Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,

Více

Automatizované řešení úloh s omezeními

Automatizované 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

Více

TGH05 - aplikace DFS, průchod do šířky

TGH05 - 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

Více

3. Třídy P a NP. Model výpočtu: Turingův stroj Rozhodovací problémy: třídy P a NP Optimalizační problémy: třídy PO a NPO MI-PAA

3. 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

Více

Binární vyhledávací stromy pokročilé partie

Binární 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

Více

A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti

A6M33SSL: 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

Více

bfs, dfs, fronta, zásobník, prioritní fronta, halda

bfs, 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

Více

FAKULTA INFORMAČNÍCH TECHNOLOGIÍ

FAKULTA 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

Více

Řešení: PŘENESVĚŽ (N, A, B, C) = přenes N disků z A na B pomocí C

Řešení: 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

Více

Dobývání 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 Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.

Více

Obsah 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 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

Více

Časové rezervy. Celková rezerva činnosti

Časové 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,

Více

Úvod do teorie grafů

Úvod 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

Více

Matice sousednosti NG

Matice 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

Více

bfs, dfs, fronta, zásobník, prioritní fronta, halda

bfs, 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

Více

Algoritmy na ohodnoceném grafu

Algoritmy 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

Více

Dynamické rozvrhování

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

Více

Projekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma

Projekční 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

Více

7. Pracovní postupy. Fakulta informačních technologií MI-NFA, zimní semestr 2011/2012 Jan Schmidt

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

Více

Moderní systémy pro získávání znalostí z informací a dat

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:

Více

Problém obchodního cestujícího pomocí metody Mravenčí kolonie

Problém 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

Více

UČENÍ BEZ UČITELE. Václav Hlaváč

UČENÍ 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

Více

SÍŤOVÁ ANALÝZA. Kristýna Slabá, kslaba@students.zcu.cz. 1. července 2010

SÍŤOVÁ 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

Více

4EK311 Operační výzkum. 6. Řízení projektů

4EK311 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

Více

Metody síťové analýzy

Metody 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

Více

Static Load Balancing Applied to Time Dependent Mechanical Problems

Static 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

Více

V kompletním grafu nenastává problém. Každý uzel je soused se zbytkem vrcholů a může s nimi kdykoliv komunikovat.

V 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)

Více

Agent pracující v částečně pozorovatelném prostředí udržuje na základě senzorického modelu odhaduje, jak se svět může vyvíjet.

Agent 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

Více

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ MRAVENČÍ KOLONIE DIPLOMOVÁ PRÁCE

VYSOKÉ 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

Více

Úvod do optimalizace, metody hladké optimalizace

Úvod 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

Více

Prohledávání do šířky = algoritmus vlny

Prohledávání 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

Více

Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague

Faculty 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

Více

Aproximativní algoritmy UIN009 Efektivní algoritmy 1

Aproximativní 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

Více

Evoluční výpočetní techniky (EVT)

Evoluční 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

Více

State 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 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) "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"

Více

4EK212 Kvantitativní management. 7.Řízení projektů

4EK212 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

Více

3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem

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

Více

FP - SEMINÁŘ Z NUMERICKÉ MATEMATIKY. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

FP - 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

Více

Emergence chování robotických agentů: neuroevoluce

Emergence 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

Více

Řešení optimální cesty svozu odpadů pomocí rojové inteligence

Řešení 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.

Více

IMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně

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

Více

Základy informatiky. Teorie grafů. Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová

Základy 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

Více

ALG 14. Vícedimenzionální data. Řazení vícedimenzionálních dat. Experimentální porovnání řadících algoritmů na vícedimenzionálních datech

ALG 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

Více

Exponenciální modely hromadné obsluhy

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

Více

TGH06 - Hledání nejkratší cesty

TGH06 - 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

Více

Analýza toku dat. Petr Krajča. Katedra informatiky Univerzita Palackého v Olomouci. 15. listopad, 2012

Analýza 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

Více

Kendallova klasifikace

Kendallova 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

Více

5 Orientované grafy, Toky v sítích

5 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

Více

Zadání 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 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

Více

Optimalizace. Obsah přednášky. DÚ LP - Okružní problém. Lineární optimalizace. DÚ LP - Okružní problém. DÚ LP - Okružní problém

Optimalizace. 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

Více

Globální matice konstrukce

Globální 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]{

Více

Operační výzkum. Síťová analýza. Metoda CPM.

Operační 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

Více

Náplň. 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 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

Více

Zadání 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 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

Více

Multirobotická kooperativní inspekce

Multirobotická kooperativní inspekce Multirobotická kooperativní inspekce prostředí Diplomová práce Multirobotická kooperativní inspekce prostředí Diplomová práce Intelligent and Mobile Robotics Group Laboratory for Intelligent Decision Making

Více

Rozvrhování výroby. František Koblasa Technická univerzita v Liberci. TU v Liberci

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

Více

oddělení Inteligentní Datové Analýzy (IDA)

oddělení 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 = {

Více

Datové struktury 2: Rozptylovací tabulky

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

Více

Vzdálenost uzlů v neorientovaném grafu

Vzdálenost 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

Více

1 Úvod do celočíselné lineární optimalizace

1 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,

Více

Časová a prostorová složitost algoritmů

Časová 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

Více

Řízení projektů. Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT

Řízení 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

Více

Algoritmy a struktury neuropočítačů ASN - P11

Algoritmy 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