|
|
- Květa Vávrová
- před 8 lety
- Počet zobrazení:
Transkript
1 OBSAH 1 Pøedmluva 19 2 Evoluèní algoritmy: nástin Centrální dogma evoluèních výpoèetních technik Chcete vìdìt víc? Historická fakta trochu jinak Pár zajímavých faktù Chcete vìdìt víc? Úvod do problematiky optimalizaèních algoritmù Optimalizaèní a heuristické algoritmy Souèasný stav Nástin principù èinnosti vybraných algoritmù No Free Lunch Teorém Perspektivy a alternativy Chcete vìdìt víc? Vše nelze spoèítat Prohledávaný prostor a jeho složitost Fyzikální limity výpoèetních technologií Chcete vìdìt víc? Optimalizace a úèelová funkce Vybrané pojmy z optimalizace A Obsah, pøedmluva a seznam symbolù 3
2 6.2 Úèelová funkce Geometrie úèelové funkce Tvorba úèelové funkce Chcete vìdìt víc? Víceúèelová optimalizace a Paretova množina Paretova množina Ukázkové pøíklady Nastavitelné víceúèelové optimalizaèní problémy Chcete vìdìt víc? Vybrané základní pojmy z evoluèních algoritmù Oblasti použitelnosti evoluèních algoritmù Spoleèné rysy Populace Jedinci, jejich struktura a reprezentace Grayùv kód Chcete vìdìt víc? Omezení a ošetøení krizových stavù Formulace problému Omezení kladená na argumenty úèelové funkce Penalizace funkcí Práce s celoèíselnými a diskrétními hodnotami Chcete vìdìt víc? Evoluce a složitost Èasová složitost algoritmù Aritmetika èasových složitostí Zelinka, Oplatková, Šeda, Ošmera, Vèelaø: Evoluèní výpoèetní techniky A
3 10.2 Datové struktury a složitost algoritmù Prüferovo èíslo Binární halda Voroného diagram a Delaunayho triangulace Exaktní metody Dynamické programování Metoda vìtví a mezí Backtracking (prohledávání s návratem) P a NP tøídy problémù Pøíklady NP-úplných problémù Aproximativní a heuristické metody Pøíklady aproximativních algoritmù Chcete vìdìt víc? Vybrané optimalizaèní a evoluèní techniky Prohledávání do šíøky (breadth first search) Prohledávání do hloubky (depth-first search) Best-first search Greedy algoritmus Metoda lokálního hledání Slepý algoritmus Horolezecký algoritmus Simulované žíhání Verze simulovaného žíhání Tabu Search Genetické algoritmy Terminologie GA Vhodnost Výbìr rodièù Poøadová selekce (Rank selection) Elitismus Reprodukce Køížení Mutace Parametry køížení a mutace Kódování Schémata A Obsah, pøedmluva a seznam symbolù 5
4 Verze genetických algoritmù Hybridní genetický algoritmus Messy genetický algoritmus Paralelní genetické algoritmy Farmáøský model Migraèní model Difusní model Pøíklady použití PGA Vliv poètu migrantù v každé epoše Vliv rùzného poètu generací mezi jednotlivými migracemi Vliv strategie výbìru migrantù Vliv poètu podpopulací Souhrnné shrnutí vlastností PGA Adaptace složitých systémù Biologické koøeny evoluèních algoritmù Samoorganizace a adaptace složitých systémù Varianty genetických algoritmù Paralelní evoluce s hierarchickým uspoøádáním Nárùst uspoøádanosti systémù Evoluèní strategie Dvouèlenné ES: (1 + 1) ES Víceèlenné ES: (µ + l) ES a (µ, l) ES Rekombinaèní ES: (µ/r + l) ES Adaptivní ES Rojení èástic (Particle swarm) Princip Algoritmus Nastavitelné parametry PSO Další verze PSO algoritmu Rozptýlené hledání (Scatter Search) Optimalizace mravenèí kolonií (Ant Colony Optimization) Umìlý imunitní systém (Artificial Imunne System) Rozpoznávání vzorcù Hypermutace Negativní výbìr SOMA: SamoOrganizující se Migraèní Algoritmus Parametry a terminologie Populace Mutace Køížení Princip algoritmu SOMA Strategie SOMA algoritmu Zelinka, Oplatková, Šeda, Ošmera, Vèelaø: Evoluèní výpoèetní techniky A
5 Závislost SOMA na øídicích a ukonèovacích parametrech Zaøazení algoritmu SOMA SOMA a jiné optimalizaèní algoritmy Diferenciální evoluce Historie Parametry a terminologie Populace Mutace Køížení Princip èinnosti diferenciální evoluce Varianty diferenciální evoluce Závislost diferenciální evoluce na øídicích parametrech Stagnace Chcete vìdìt víc? EVT a evoluce symbolických struktur Základní pojmy Evoluèní hardware Thompsonùv experiment Evoluce v extrémním prostøedí Adaptivní hardware Akcelerátory evoluèního návrhu v FPGA Evoluce kvantových chování Evoluce antény v rámci Space Technology 5 Project (ST5), NASA Genetické programování Gramatická evoluce Paralelní gramatická evoluce Použitá gramatika Implementace funkce s aritou n Generování závorek ve funkcích Paralelní gramatická evoluce Gramatická evoluce Zpracování gramatiky Pøekládání genotypu na fenotyp Køížení Mutace Populaèní model Samièí populace Samèí populace A Obsah, pøedmluva a seznam symbolù 7
6 Master populace Úèelová funkce (fitness) Analytické programování Analytické programování princip Data a zobrazení Køížení, mutace a další evoluèní operace Posílené hledání Bezpeènostní procedury Podobnosti a rozdíly s existujícími metodami Vybrané øešené problémy Chcete vìdìt víc? Testovací funkce Galerie testovacích funkcí První de Jongova funkce (1st De Jong) Druhá de Jongova funkce Rosenbrockovo sedlo (Rosenbrock s saddle) Tøetí de Jongova funkce (3rd De Jong) Ètvrtá de Jongova funkce (4th De Jong) Rastriginova funkce (Rastrigin s function) Schwefelova funkce (Schwefel s function) Griewangkova funkce (Griewangk s function) Sinová obálková sinusoidální funkce (sine envelope sine wave function) Roztažená sinusoidální V funkce (stretched V sine wave function) Ackleyho funkce I (Ackley s function I) Ackleyho funkce II (Ackley s function II) Plato vajec (egg holder) Ranova funkce (Rana s function) Patologická funkce (pathological function) Michalewiczova funkce (Michalewicz s function) Mastersova funkce (Masters s cosine wave function) Problém dìlení èaje Shekelova funkce (Shekel s foxhole) Pseudo-Dirakova funkce Fraktální funkce Permutaèní testovací problémy Chcete vìdìt víc? Zelinka, Oplatková, Šeda, Ošmera, Vèelaø: Evoluèní výpoèetní techniky A
7 14 Ukázkové studie Testování evoluèních algoritmù Problémy rozvrhování výroby Problém rozvrhování proudové výroby Problém rozvrhování zakázkové výroby Reprezentace založená na úlohách Reprezentace založená na operacích Reprezentace disjunktivním grafem Metoda CPM Problém pokrytí Problém batohu Steinerovy problémy Plánování trasy robotu Silnièní mapy Evoluce a rozvrhování proudové výroby Proudová výroba a definice úèelové funkce Použité algoritmy a testovací problémy Test FSS I Test FSS II Závìr Øízení deterministického chaosu Popis problému Úèelová funkce Optimalizaèní algoritmus Experimentální výsledky logistická rovnice Øízení chaosu logistická rovnice, stabilizace p 1 UPO Øízení chaosu logistická rovnice, stabilizace p 2 UPO Øízení chaosu logistická rovnice, stabilizace p 4 UPO Srovnání s klasickou øídicí technikou OGY Experimentální výsledky Henonova mapa Øízení chaosu Henonova mapa, stabilizace p 1 UPO Øízení chaosu Henonova mapa, stabilizace p 2 UPO Øízení chaosu Henonova mapa, stabilizace p 4 UPO Srovnání s klasickou øídicí technikou OGY Závìr Øízení plazmového reaktoru Plazma øízená radiovou frekvencí Langmuirova sonda Aktivní kompenzace v RF plazmatu Hardwarové vybavení a zapojení A Obsah, pøedmluva a seznam symbolù 9
8 Nastavení experimentu Návrh experimentu a øídicích parametrù Závìr Aerodynamická optimalizace geometrie køídla Optimalizovaný model køídla Výsledky optimalizace SportStar VUT-100 Cobra Závìr Optimalizace umístìní smìrovacích stanic v bezdrátových sítích Optimalizovaný model Vliv pøenosových uzlù Umístìní routovacích uzlù pøírùstkovou metodou Umístìní smìrovacích uzlù za použití algoritmu SOMA Závìr Aproximace funkcí Sextic a Quintic problém Problém 3Sine a 4Sine Závìr Syntéza øídicích pøíkazù robotu Definice problému Øešení Použité evoluèní algoritmy Závìr Evoluèní syntéza deterministického chaosu Souèasný stav a motivace Nejjednodušší model deterministického chaosu logistická rovnice Výbìr základního chaotického systému Úèelová funkce Experimentální výsledky Závìr Syntéza logických funkcí a elektronických obvodù Syntéza boolovské paritní funkce Úèelová funkce Použité algoritmy Výsledky Návrh elektronických obvodù Použité algoritmy a úèelová funkce Svìtelná signalizace Tepelná regulace Øízení vlakových výhybek Zelinka, Oplatková, Šeda, Ošmera, Vèelaø: Evoluèní výpoèetní techniky A
9 Závìr Syntéza neuronových sítí Vybraný algoritmus, jeho nastavení a úèelová funkce Øešení lineálnì separabilního problému Syntetizované sítì pro lineárnì separabilní problém Øešení problému XOR Syntetizované sítì pro nelineárnì separabilní problém Stromová struktura Závìr Syntéza evoluèních algoritmù metaevoluce První pokusy Množina obecných funkcí Úèelová funkce Výsledky prvních pokusù Vícedimenzionální problémy s více operátory Úèelová funkce Závìr Vybrané pøíklady P a NP problémù Chcete vìdìt víc? Závìr 511 Použitá literatura Rejstøík Kontakty na prodejny technické literatury Pár slov o nakladatelství A Obsah, pøedmluva a seznam symbolù 11
Obsah. Zelinka: UI v problémech globální optimalizace BEN technická literatura 3
UMÌLÁ INTELIGENCE V PROBLÉMECH GLOBÁLNÍ OPTIMALIZACE Ivan Zelinka Praha 2002 Tato publikace vznikla za podpory grantù MŠM 26500014, GAÈR 102/00/0526 a GAÈR 102/02/0204 Kniha seznamuje ètenáøe se dvìma
VíceBiologicky inspirované výpočty: evoluční algoritmy
Biologicky inspirované výpočty: evoluční algoritmy Testovací funkce Po této prezentaci by jste měli znát vybrané testovací funkce, které jsou používány pro otestování robustnosti evolučních algoritmů.
VíceBiologicky inspirované výpočty. Schématické rozdělení problematiky a výuky
Biologicky inspirované výpočty Schématické rozdělení problematiky a výuky 1 Biologicky inspirované výpočty - struktura problematiky Evoluční systémy: evoluční algoritmy, evoluční hardware, víceúčelová
VíceHeuristiky UNIVERZITA PALACKÉHO V OLOMOUCI KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY. Vypracovala:
UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Heuristiky Vedoucí bakalářské práce: Mgr. Jaroslav Marek, Ph.D. Rok odevzdání:
VíceGenetické algoritmy. Vysoká škola ekonomická Praha. Tato prezentace je k dispozici na: http://www.utia.cas.cz/vomlel/
Genetické algoritmy Jiří Vomlel Laboratoř inteligentních systémů Vysoká škola ekonomická Praha Tato prezentace je k dispozici na: http://www.utia.cas.cz/vomlel/ Motivace z Darwinovy teorie evoluce Přírodní
VíceGramatická evoluce a softwarový projekt AGE
Gramatická evoluce a softwarový projekt AGE Adam Nohejl Matematicko-fyzikální fakulta Univerzita Karlova v Praze http://nohejl.name/ 4. 4. 2010 Poznámka: Prezentace založené na variantách těchto slajdů
VíceUMÌLÁ INTELIGENCE V MODELOVÁNÍ A ØÍZENÍ Miroslav POKORNÝ Praha 1996, BEN Miroslav Pokorný UMÌLÁ INTELIGENCE V MODELOVÁNÍ A ØÍZENÍ Bez pøedchozího písemného svolení nakladatelství nesmí být kterákoli èást
Více1. Úvod do genetických algoritmů (GA)
Obsah 1. Úvod do genetických algoritmů (GA)... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Základní pomy genetických algoritmů... 2 1.3.1 Úvod... 2 1.3.2 Základní pomy... 2 1.3.3 Operátor
VíceGenetické algoritmy a jejich praktické využití
Genetické algoritmy a jejich praktické využití Pavel Šturc PB016 Úvod do umělé inteligence 21.12.2012 Osnova Vznik a účel GA Princip fungování GA Praktické využití Budoucnost GA Vznik a účel GA Darwinova
VícePřírodou inspirované metody umělé inteligence
Přírodou inspirované metody umělé inteligence Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Nové Hrady, červenec 2012 Od Darwina a Mendela... ... k inteligentním agentům. Umělá inteligence 2 přístupy
VíceRojová optimalizace v Matlabu
Rektorysova soutěž, 2009 1 Rojová optimalizace v Matlabu Miloslav ČAPEK 1 1 Katedra elektromagnetického pole, České vysoké učení technické v Praze, Fakulta elektrotechniky, Technická 2, 166 27 Praha, Česká
VíceObsah. KAPITOLA 1 Dříve než začneme 19 Kdysi dávno aneb střípky z historie algoritmických strojů 20 1801 21 1833 21 1890 22 třicátá léta 22
Předmluva 11 Čím se tato kniha liší od jiných příruček? 11 Proč C++? 12 Jak číst tuto knihu? 12 Čím se budeme zabývat? 13 Kapitola 1: Dříve než začneme 13 Kapitola 2: Rekurze 13 Kapitola 3: Analýza složitosti
VícePŘEDNÁŠKA 03 OPTIMALIZAČNÍ METODY Optimization methods
CW057 Logistika (R) PŘEDNÁŠKA 03 Optimization methods Ing. Václav Venkrbec skupina obecných modelů slouží k nalezení nejlepšího řešení problémů a modelovaných reálií přináší řešení: prvky konečné / nekonečné
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.
VíceÚvod do mobilní robotiky AIL028
zbynek.winkler at mff.cuni.cz, md at robotika.cz http://robotika.cz/guide/umor05/cs 5. prosince 2005 1 Mapa světa Exaktní plánování 2 3 Plánování s otáčením (náznak řešení) Mapa světa - příklad Obsah Mapa
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ VUT V BRNĚ ÚSTAV AUTOMATIZACE A MĚŘICÍ TECHNIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION
VíceParalelní gramatická evoluce pro optimalizaci elektronických obvodů
Paralelní gramatická evoluce pro optimalizaci elektronických obvodů Pavel Ošmera Ústav automatizace a informatiky, fakulta strojního inženýrství Technická 2, 616 69 Brno E-mail: osmera@fme.vutbr.cz Abstrakt
VíceGenetické programování
Genetické programování Vyvinuto v USA v 90. letech J. Kozou Typické problémy: Predikce, klasifikace, aproximace, tvorba programů Vlastnosti Soupeří s neuronovými sítěmi apod. Potřebuje značně velké populace
VíceSPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR
EVOLUČNÍ NÁVRH A OPTIMALIZACE APLIKAČNĚ SPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR Miloš Minařík DVI4, 2. ročník, prezenční studium Školitel: Lukáš Sekanina Fakulta informačních technologií, Vysoké učení
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
VíceNPRG030 Programování I 3/2 Z --- NPRG031 Programování II --- 2/2 Z, Zk
NPRG030 Programování I 3/2 Z --- NPRG031 Programování II --- 2/2 Z, Zk Pavel Töpfer Katedra softwaru a výuky informatiky MFF UK MFF Malostranské nám., 4. patro, pracovna 404 pavel.topfer@mff.cuni.cz http://ksvi.mff.cuni.cz/~topfer
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS SOUBĚŽNÉ UČENÍ V
VíceA0M33EOA: Evoluční optimalizační algoritmy
A0M33EOA: Evoluční optimalizační algoritmy Zkouškový test Pátek 8. února 2011 Vaše jméno: Známka, kterou byste si z předmětu sami dali, a její zdůvodnění: Otázka: 1 2 3 4 5 6 7 8 Celkem Body: 1 3 2 1 4
VíceEvoluční algoritmy. Podmínka zastavení počet iterací kvalita nejlepšího jedince v populaci změna kvality nejlepšího jedince mezi iteracemi
Evoluční algoritmy Použítí evoluční principů, založených na metodách optimalizace funkcí a umělé inteligenci, pro hledání řešení nějaké úlohy. Populace množina jedinců, potenciálních řešení Fitness function
VíceNavrženy v 60. letech jako experimentální optimalizační metoda. Velice rychlá s dobrou podporou teorie
Evoluční strategie Navrženy v 60. letech jako experimentální optimalizační metoda Založena na reálných číslech Velice rychlá s dobrou podporou teorie Jako první zavedla self-adaptation (úpravu sebe sama)
VíceANALYTICKÉ PROGRAMOVÁNÍ
ZVYŠOVÁNÍODBORNÝCH KOMPETENCÍAKADEMICKÝCH PRACOVNÍKŮ OSTRAVSKÉUNIVERZITY V OSTRAVĚ A SLEZSKÉ UNIVERZITY V OPAVĚ ANALYTICKÉ PROGRAMOVÁNÍ Eva Volná Zuzana Komínková Oplatková Roman Šenkeřík OBSAH PRESENTACE
VíceFakulta informačních technologií. Zbyšek Gajda
Vysoké učení technické v Brně Fakulta informačních technologií ROČNÍKOVÝ PROJEKT Zbyšek Gajda květen 2004 Abstrakt Předkládaná práce se zabývá evolučním uměním. K tomu jsou využity techniky genetického
VíceGenetické algoritmy. Informační a komunikační technologie ve zdravotnictví
Genetické algoritmy Informační a komunikační technologie ve zdravotnictví Přehled přednášky Úvod Historie Základní pojmy Principy genetických algoritmů Možnosti použití Související metody AI Příklad problém
VíceEvoluční algoritmy I - poznámky
Evoluční algoritmy I - poznámky Martin Všetička Knihy Goldberg: Generic algorithms, 89 John Holland - Adaptation in natural and artifical algorithms, 75 a 91. Holland položil základy genetickým algoritmům,
VíceCluster Analysis based on Bio-Inspired Algorithms
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra informatiky Bio-inspirované výpočty a shluková analýza Cluster Analysis based on Bio-Inspired Algorithms 2013 Bc. Michal Rečka
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
VíceUmělá inteligence aneb co už není sci -fi
Umělá inteligence aneb co už není sci -fi doc. Ing. Zuzana Komínková Oplatková, Ph.D. oplatkova@fai.utb.cz Umělá inteligence člověk se snažil vždy vyrobit nějaký stroj nebo systém, který by mu usnadnil
VícePODŘÍZNUTÍ PŘI BROUŠENÍ TVAROVÝCH DRÁŽEK
Transfer inovácií 5/009 009 PODŘÍZNUTÍ PŘI BROUŠENÍ TVAROVÝCH DRÁŽEK Prof. Ing. Karel Jandečka, CSc. Katedra technologie obrábění, FST, ZČU v Plzni, Univerzitní 8, 306 4, Plzeň, ČR e-mail: jandecka@kto.zcu.cz
VíceZáklady umělé inteligence 4. Evoluční výpočetní techniky Jiří Kubaĺık Katedra kybernetiky, ČVUT-FEL http://cw.felk.cvut.cz/doku.php/courses/y33zui/start ppřírodní motivace EVT :: Stochastické optimalizacní
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
VíceAnalytické programování v C#
Analytické programování v C# Analytic programming in C# Bc Eva Kaspříková Diplomová práce 2008 UTB ve Zlíně, Fakulta aplikované informatiky, 2008 4 ABSTRAKT Analytické programování je metoda, která generuje
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
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
VíceAnt Colony Optimization
Ant Colony Optimization I am lost! Where is the line?! A Bug s Life, Walt Disney, 1998 ACO je metaheuristika, shrnující poznatky ze studia společenstev různých druhů mravenců. Heuristické algoritmy postavené
VíceZákladní škola Moravský Beroun, okres Olomouc
Charakteristika vyučovacího předmětu matematika Vyučovací předmět má časovou dotaci čtyři hodiny týdně v prvním ročníku, pět hodin týdně ve druhém až pátém ročníku, pět hodin týdně v šestém ročníku a čtyři
VíceUmělá inteligence I. Roman Barták, KTIML. roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak
Umělá inteligence I Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Na úvod Agent s reflexy pouze převádí současný vjem na jednu akci. Agent s cílem umí plánovat několik akcí
VíceVYHLEDÁNÍ NEJDELŠÍHO SHODNÉHO PREFIXU V FPGA
VYHLEDÁNÍ NEJDELŠÍHO SHODNÉHO PREFIXU V FPGA Jiří Tobola Výpočetní technika a informatika, 2. ročník, prezenční studium Školitel: Vladimír Drábek Fakulta informačních technologií, Vysoké učení technické
VíceUniverzita Karlova v Praze. Matematicko-fyzikální fakulta. Katedra softwarového inženýrství (Matematicko-fyzikální fakulta UK)
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Martin Dörfler Využití umělých neuronových sítí k řízení genetických algoritmů Katedra softwarového inženýrství (Matematicko-fyzikální
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
VíceRozhodování. s více účastníky. Miroslav. school@utia
Rozhodování s více účastníky Miroslav Kárný school@utia utia.cas.cz, http://www.utia utia.cas.cz/as Rozhodování Účastník znalosti neúpln plné cíle násobné omezení rozsahů složitostn itostní strategie akce
VíceAKCELERACE EVOLUCE PRAVIDEL CELULÁRNÍCH AUTOMATŮ NA GPU
AKCELERACE EVOLUCE PRAVIDEL CELULÁRNÍCH AUTOMATŮ NA GPU Luděk Žaloudek Výpočetní technika a informatika, 2. ročník, prezenční studium Školitel: Lukáš Sekanina Fakulta informačních technologií, Vysoké učení
VíceŘešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou
Řešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou 1 SPECIFIKACE ÚLOHY Cílem této úlohy bylo použít vybranou pokročilou iterativní metodou pro řešení problému vážené
VíceEVOLUČNÍ ALGORITMY A NEURONOVÉ SÍTĚ
EVOLUČNÍ ALGORITMY A NEURONOVÉ SÍTĚ URČENO PRO VZDĚLÁVÁNÍ V AKREDITOVANÝCH STUDIJNÍCH PROGRAMECH EVA VOLNÁ ČÍSLO OPERAČNÍHO PROGRAMU: CZ.1.7 NÁZEV OPERAČNÍHO PROGRAMU: VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST
VíceDalibor Biolek Øešíme elektronické obvody pøíruèka pro naprosté zaèáteèníky aneb kniha o jejich analýze Praha 2004 Dalibor Biolek ØEŠÍME ELEKTRONICKÉ OBVODY aneb kniha o jejich analýze Bez pøedchozího
Více5.5 Evoluční algoritmy
5.5 Evoluční algoritmy Jinou skupinou metod strojového učení, které vycházejí z biologických principů, jsou evoluční algoritmy. Zdrojem inspirace se tentokrát stal mechanismus evoluce, chápaný jako Darwinův
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
Více(n, m) (n, p) (p, m) (n, m)
48 Vícerozměrná kalibrace Podobně jako jednorozměrná kalibrace i vícerozměrná kalibrace se používá především v analytické chemii Bude vysvětlena na příkladu spektroskopie: cílem je popis závislosti mezi
VíceÚPRAVA METODY FLEXIBILNÍHO SIMPLEXU PRO ŘEŠENÍ PROBLÉMŮ GLOBÁLNÍ OPTIMALIZACE Miroslav Provazník
UNIVERZITA PARDUBICE Fakulta elektrotechniky a informatiky ÚPRAVA METODY FLEXIBILNÍHO SIMPLEXU PRO ŘEŠENÍ PROBLÉMŮ GLOBÁLNÍ OPTIMALIZACE Miroslav Provazník Bakalářská práce 2016 Prohlášení Prohlašuji:
VíceALGORITMY A DATOVÉ STRUKTURY
Název tématického celku: Cíl: ALGORITMY A DATOVÉ STRUKTURY Metodický list č. 1 Časová složitost algoritmů Základním cílem tohoto tematického celku je vysvětlení potřebných pojmů a definic nutných k popisu
VíceVysoká škola technická a ekonomická v Českých Budějovicích. Institute of Technology And Business In České Budějovice
FORMULACE, VÝBĚR A IMPLEMENTACE STRATEGIE Vysoká škola technická a ekonomická v Českých Budějovicích Institute of Technology And Business In České Budějovice Tento učební materiál vznikl v rámci projektu
VíceVLIV PARAMETRU Λ NA CHOD ALGORITMU PENALIZAČNÍHO LOKÁLNÍHO PROHLEDÁVÁNÍ
VLIV PARAMETRU Λ NA CHOD ALGORITMU PENALIZAČNÍHO LOKÁLNÍHO PROHLEDÁVÁNÍ Jan Panuš Univerzita Pardubice, Fakulta ekonomicko-správní, Ústav systémového inženýrství a informatiky Abstract: The combinatorial
VíceAlgoritmus. Cílem kapitoly je seznámit žáky se základy algoritmu, s jeho tvorbou a způsoby zápisu.
Algoritmus Cílem kapitoly je seznámit žáky se základy algoritmu, s jeho tvorbou a způsoby zápisu. Klíčové pojmy: Algoritmus, vlastnosti algoritmu, vývojový diagram Algoritmus Algoritmus je postup, pomocí
VíceSemestrální práce z předmětu KMA/MM. Voroneho diagramy
Semestrální práce z předmětu KMA/MM Voroneho diagramy Jméno a příjmení: Lenka Skalová Osobní číslo: A08N0185P Studijní obor: Finanční informatika a statistika Datum: 22. 1. 2010 Obsah Obsah... 2 1 Historie...
VíceMasarykova univerzita. Fakulta informatiky. Evoluce pohybu
Masarykova univerzita Fakulta informatiky Evoluce pohybu IV109 Tomáš Kotula, 265 287 Brno, 2009 Úvod Pohyb je jedním ze základních projevů života. Zdá se tedy logické, že stejně jako ostatní vlastnosti
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
VíceZadání. Oscannované zadání práce je v souboru./pdf/zadani.pdf
Zadání Oscannované zadání práce je v souboru./pdf/zadani.pdf i ii ƒeské vysoké u ení technické v Praze Fakulta elektrotechnická Katedra po íta Bakalá ská práce Optimaliza ní algoritmus CMA-ES Antonín ulc
Víceaneb jiný úhel pohledu na prvák
Účelná matematika aneb jiný úhel pohledu na prvák Jan Hejtmánek FEL, ČVUT v Praze 24. června 2015 Jan Hejtmánek (FEL, ČVUT v Praze) Technokrati 2015 24. června 2015 1 / 18 Outline 1 Motivace 2 Proč tolik
VíceSeminář z matematiky. jednoletý volitelný předmět
Název předmětu: Zařazení v učebním plánu: Seminář z matematiky O8A, C4A, jednoletý volitelný předmět Cíle předmětu Obsah předmětu je koncipován pro přípravu studentů k úspěšnému zvládnutí profilové (školní)
Více2. RBF neuronové sítě
2. RBF neuronové sítě Kapitola pojednává o neuronových sítích typu RBF. V kapitole je popsána základní struktura tohoto typu neuronové sítě. Poté následuje definice a charakteristika jednotlivých radiálně
VíceStochastické algoritmy pro globální optimalizaci
Stochastické algoritmy pro globální optimalizaci Josef Tvrdík ČÍSLO OPERAČNÍHO PROGRAMU: CZ.1.07 NÁZEV OPERAČNÍHO PROGRAMU: OP VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST PRIORITNÍ OSA: 2 ČÍSLO OBLASTI PODPORY:
VíceCONTROLLING. Metodický list č. 1. Název tematického celku: FUNKCE CONTROLLINGU A ZÁKLADNÍ VZTAHY VE FINANČNÍM PLÁNU
Metodický list č. 1 FUNKCE U A ZÁKLADNÍ VZTAHY VE FINANČNÍM PLÁNU Funkce a koncepce controllingu Controlling jako podsystém řízení cíle a funkce controllingu Aktuální koncepce managementu v období změn
VíceÚvod do mobilní robotiky AIL028
md at robotika.cz, zbynek.winkler at mff.cuni.cz http://robotika.cz/guide/umor07/cs 27. listopadu 2007 1 Mapa světa Exaktní plánování 2 3 Plánování s otáčením Mapa světa - příklad Obsah Mapa světa Exaktní
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:
VíceAlgoritmy pro spojitou optimalizaci
Algoritmy pro spojitou optimalizaci Vladimír Bičík Katedra počítačů Fakulta elektrotechnická České vysoké učení technické v Praze 10.6.2010 Vladimír Bičík (ČVUT Praha) Algoritmy pro spojitou optimalizaci
VíceZákladní škola Fr. Kupky, ul. Fr. Kupky 350, 518 01 Dobruška 5.2 MATEMATIKA A JEJÍ APLIKACE - 5.2.1 MATEMATIKA A JEJÍ APLIKACE Matematika 9.
5.2 MATEMATIKA A JEJÍ APLIKACE 5.2.1 MATEMATIKA A JEJÍ APLIKACE Matematika 9. ročník RVP ZV Obsah RVP ZV Kód RVP ZV Očekávané výstupy ŠVP Školní očekávané výstupy ŠVP Učivo M9101 provádí početní operace
VíceAlgoritmy pro optimalizaci sítí GAME. Miroslav Janošík
České vysoké učení technické v Praze Fakulta elektrotechnická ČVUT FEL katedra počítačů Bakalářská práce Algoritmy pro optimalizaci sítí GAME Miroslav Janošík Vedoucí práce: Ing. Pavel Kordík Studijní
VíceKEA 2008/2009-9. TŘÍDY
Škola: Název: Obec: ACOT ZŠ a MŠ, č.112 Přerov nad Labem ACOT ZŠ a MŠ, č.112 Přerov nad Labem KEA 28/29-9. TŘÍDY ČESKÝ JAZYK Výsledky Vaší školy v českém jazyce jsou velmi podprůměrné. Vaše škola patří
VíceNAVIGACE MOBILNÍHO ROBOTU POMOCÍ FUZZY LOGIKY MOBILE ROBOT NAVIGATION BY MEANS OF FUZZY LOGIC
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
VíceImplementace algoritmu matching pursuit pomocí genetických algoritmů
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra informatiky a výpočetní techniky Bakalářská práce Implementace algoritmu matching pursuit pomocí genetických algoritmů Plzeň, 2012 Vít Bábel
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
VíceEvolučníalgoritmy. Dále rozšiřována, zde uvedeme notaci a algoritmy vznikléna katedře mechaniky, Fakulty stavební ČVUT. Moderní metody optimalizace 1
Evolučníalgoritmy Kategorie vytvořená v 90. letech, aby se sjednotily jednotlivémetody, kterévyužívaly evoluční principy, tzn. Genetickéalgoritmy, Evolučnístrategie a Evoluční programování (v těchto přednáškách
VíceProvozní bezpečnost - Problematika vzniku, monitoringu a eliminace prašné frakce, stanovení prostředí a zón s nebezpečím výbuchu
Provozní bezpečnost - Problematika vzniku, monitoringu a eliminace prašné frakce, stanovení prostředí a zón s nebezpečím výbuchu Ing. Martin Kulich, Ph.D., VVUÚ, a.s., Ostrava Radvanice Jaromír Matějů,
VíceÚVOD DO BSC - základy metody vyvážených ukazatelů. Ing. Petra Plevová
ÚVOD DO BSC - základy metody vyvážených ukazatelů Ing. Petra Plevová Kvalita Norma ČSN EN ISO 9000:2001 Jakost (resp. synonymum kvalita) je stupeň splnění požadavků souborem typických znaků. Požadavkem
VíceIng. Martin Šindelář. Téma disertační práce: SLEDOVÁNÍ TECHNICKÉHO STAVU ZÁVĚSU KOLA VOZIDLA. Školitel: Doc. Ing. Ivan Mazůrek CSc.
Ing. Martin Šindelář Téma disertační práce: SLEDOVÁNÍ TECHNICKÉHO STAVU ZÁVĚSU KOLA VOZIDLA Školitel: Doc. Ing. Ivan Mazůrek CSc. Téma disertační práce SLEDOVÁNÍ TECHNICKÉHO STAVU ZÁVĚSU KOLA VOZIDLA Funkce
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
VíceEvoluční algoritmy a umělý život
Evoluční algoritmy a umělý život Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Olomouc, červen 2012 Od Darwina a Mendela... ... k inteligentním agentům. Umělý život Odkazy: Steven Levy: Artificial
VíceVzdělávací oblast Matematika a její aplikace. Charakteristika vyučovacího předmětu 2. stupeň. Obsahové, časové a organizační vymezení
Vzdělávací oblast Matematika a její aplikace Charakteristika vyučovacího předmětu 2. stupeň Obsahové, časové a organizační vymezení Matematika a její aplikace se vyučuje v předmětu matematika v 6. až 9.
VíceDistribuovaný algoritmus diferenciální evoluce v platformě. A Platform Independent Distributed DE Algorithm
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra informatiky Distribuovaný algoritmus diferenciální evoluce v platformě nezávislém jazyce A Platform Independent Distributed
VíceLaserový skenovací systém LORS vývoj a testování přesnosti
Laserový skenovací systém LORS vývoj a testování přesnosti Ing. Bronislav Koska Ing. Martin Štroner, Ph.D. Doc. Ing. Jiří Pospíšil, CSc. ČVUT Fakulta stavební Praha Článek popisuje laserový skenovací systém
VíceAproximace objemových změn těles z lehkých betonů v raném stádiu tuhnutí a tvrdnutí
Structural and Physical Aspects of Civil Engineering, 2010 Aproximace objemových změn těles z lehkých betonů v raném stádiu tuhnutí a tvrdnutí Petr Frantík 1, Barbara Kucharczyková 2, Zbyněk Keršner 1
VíceNeinformované metody prohledávání stavového prostoru. Gerstner Laboratory Agent Technology Group, Czech Technical University in Prague
Neinformované metody prohledávání stavového prostoru Michal Pěchouček Gerstner Laboratory Agent Technology Group, Czech Technical University in Prague http://labe.felk.cvut.cz/~ tkrajnik/kui2/data/k333/1.pdf
VíceDodatek č. 3 ke školnímu vzdělávacímu programu. Strojírenství. (platné znění k 1. 9. 2009)
Střední průmyslová škola Jihlava tř. Legionářů 1572/3, Jihlava Dodatek č. 3 ke školnímu vzdělávacímu programu Strojírenství (platné znění k 1. 9. 09) Tento dodatek nabývá platnosti dne 1. 9. 13 (počínaje
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
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
VíceJak se matematika poučila v biologii
Jak se matematika poučila v biologii René Kalus IT4Innovations, VŠB TUO Role matematiky v (nejen) přírodních vědách Matematika inspirující a sloužící jazyk pro komunikaci s přírodou V 4 3 r 3 Matematika
VíceSTAVEBNÍ POVOLENÍ. - místo ve stavebním řádu - náležitosti žádosti o SP - přílohy - o dokumentaci staveb
STAVEBNÍ POVOLENÍ STAVEBNÍ POVOLENÍ - místo ve stavebním řádu - náležitosti žádosti o SP - přílohy - o dokumentaci staveb STAVEBNÍ POVOLENÍ - V gesci ministerstva pro místní rozvoj - Adresováno místně
VíceNová koncepční a konstrukční řešení pro zobrazení s PMS
Nová koncepční a konstrukční řešení pro zobrazení s PMS P. Bouchal (FSI VUT Brno) a Z. Bouchal (KO PřF UP Olomouc) PB 4 Zobrazování s podporou technologie PMS Garant: R. Chmelík Program PB4: Metody a systémy
VíceFAKULTA INFORMAČNÍCH TECHNOLOGIÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS GENEROVÁNÍ MATEMATICKÝCH
VíceGENETICKÉ UČENÍ NEURONOVÝCH SÍTÍ GENETIC LEARNING OF NEURAL NETWORKS. Roman Biskup, Anna Čermáková
GENETICKÉ UČENÍ NEURONOVÝCH SÍTÍ GENETIC LEARNING OF NEURAL NETWORKS Roman Bisup, Anna Čermáová Anotace: Příspěve se zabývá prezentací principů učení jednoho onrétního typu neuronových sítí. Cílem práce
Více5.3. Matematika a její aplikace
5.3. Matematika a její aplikace Vzdělávací oblast je realizována v předmětu Matematika. 5.3.1. Charakteristika vzdělávací oblasti Vzdělávací oblast Matematika a její aplikace je v základním vzdělávání
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
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
VíceMichal Wiglasz* 1. Úvod
http:excel.fit.vutbr.cz Souběžné učení v koevolučních algoritmech Michal Wiglasz* Abstrakt Kartézské genetické programování (CGP) se využívá zejména pro automatizovaný návrh číslicových obvodů, ale ukázalo
VíceGenetické mapování. v přírodních populacích i v laboratoři
Genetické mapování v přírodních populacích i v laboratoři Funkční genetika Cílem je propojit konkrétní mutace/geny s fenotypem Vzniklý v laboratoři pomocí mutageneze či vyskytující se v přírodě. Forward
VíceOPTIMALIZACE. (přehled metod)
OPTIMALIZACE (přehled metod) Typy optimalizačních úloh Optimalizace bez omezení Nederivační metody Derivační metody Optimalizace s omezeními Lineární programování Nelineární programování Globální optimalizace
VíceSyntéza neuronových sítí
Syntéza neuronových sítí Neural network synthesis Bc. Marek Malinka Diplomová práce 011 UTB ve Zlíně, Fakulta aplikované informatiky, 011 4 ABSTRAKT Cílem diplomové práce je vypracování literární rešerše
Více