Podobné dokumenty
Obsah. Zelinka: UI v problémech globální optimalizace BEN technická literatura 3

Biologicky inspirované výpočty: evoluční algoritmy

Biologicky inspirované výpočty. Schématické rozdělení problematiky a výuky

Heuristiky UNIVERZITA PALACKÉHO V OLOMOUCI KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY. Vypracovala:

Genetické algoritmy. Vysoká škola ekonomická Praha. Tato prezentace je k dispozici na:

Gramatická evoluce a softwarový projekt AGE


1. Úvod do genetických algoritmů (GA)

Genetické algoritmy a jejich praktické využití

Přírodou inspirované metody umělé inteligence

Rojová optimalizace v Matlabu

Obsah. KAPITOLA 1 Dříve než začneme 19 Kdysi dávno aneb střípky z historie algoritmických strojů třicátá léta 22

PŘEDNÁŠKA 03 OPTIMALIZAČNÍ METODY Optimization methods

Metaheuristiky s populacemi

Úvod do mobilní robotiky AIL028

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ

Paralelní gramatická evoluce pro optimalizaci elektronických obvodů

Genetické programování

SPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR

Optimalizační algoritmy inspirované chováním mravenců

NPRG030 Programování I 3/2 Z --- NPRG031 Programování II --- 2/2 Z, Zk

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ

A0M33EOA: Evoluční optimalizační algoritmy

Evoluční algoritmy. Podmínka zastavení počet iterací kvalita nejlepšího jedince v populaci změna kvality nejlepšího jedince mezi iteracemi

Navrženy v 60. letech jako experimentální optimalizační metoda. Velice rychlá s dobrou podporou teorie

ANALYTICKÉ PROGRAMOVÁNÍ

Fakulta informačních technologií. Zbyšek Gajda

Genetické algoritmy. Informační a komunikační technologie ve zdravotnictví

Evoluční algoritmy I - poznámky

Cluster Analysis based on Bio-Inspired Algorithms

Emergence chování robotických agentů: neuroevoluce

Umělá inteligence aneb co už není sci -fi

PODŘÍZNUTÍ PŘI BROUŠENÍ TVAROVÝCH DRÁŽEK


Evoluční výpočetní techniky (EVT)

Analytické programování v C#

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY

Ant Colony Optimization

Základní škola Moravský Beroun, okres Olomouc

Umělá inteligence I. Roman Barták, KTIML.

VYHLEDÁNÍ NEJDELŠÍHO SHODNÉHO PREFIXU V FPGA

Univerzita Karlova v Praze. Matematicko-fyzikální fakulta. Katedra softwarového inženýrství (Matematicko-fyzikální fakulta UK)

Ant Colony Optimization v prostředí Mathematica

Rozhodování. s více účastníky. Miroslav. school@utia

AKCELERACE EVOLUCE PRAVIDEL CELULÁRNÍCH AUTOMATŮ NA GPU

Řešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou

EVOLUČNÍ ALGORITMY A NEURONOVÉ SÍTĚ


5.5 Evoluční algoritmy

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

(n, m) (n, p) (p, m) (n, m)

ÚPRAVA METODY FLEXIBILNÍHO SIMPLEXU PRO ŘEŠENÍ PROBLÉMŮ GLOBÁLNÍ OPTIMALIZACE Miroslav Provazník

ALGORITMY A DATOVÉ STRUKTURY

Vysoká škola technická a ekonomická v Českých Budějovicích. Institute of Technology And Business In České Budějovice

VLIV PARAMETRU Λ NA CHOD ALGORITMU PENALIZAČNÍHO LOKÁLNÍHO PROHLEDÁVÁNÍ

Algoritmus. Cílem kapitoly je seznámit žáky se základy algoritmu, s jeho tvorbou a způsoby zápisu.

Semestrální práce z předmětu KMA/MM. Voroneho diagramy

Masarykova univerzita. Fakulta informatiky. Evoluce pohybu

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

Zadání. Oscannované zadání práce je v souboru./pdf/zadani.pdf

aneb jiný úhel pohledu na prvák

Seminář z matematiky. jednoletý volitelný předmět

2. RBF neuronové sítě

Stochastické algoritmy pro globální optimalizaci

CONTROLLING. Metodický list č. 1. Název tematického celku: FUNKCE CONTROLLINGU A ZÁKLADNÍ VZTAHY VE FINANČNÍM PLÁNU

Úvod do mobilní robotiky AIL028

Seminář z umělé inteligence. Otakar Trunda

Algoritmy pro spojitou optimalizaci

Základní škola Fr. Kupky, ul. Fr. Kupky 350, Dobruška 5.2 MATEMATIKA A JEJÍ APLIKACE MATEMATIKA A JEJÍ APLIKACE Matematika 9.

Algoritmy pro optimalizaci sítí GAME. Miroslav Janošík

KEA 2008/ TŘÍDY

NAVIGACE MOBILNÍHO ROBOTU POMOCÍ FUZZY LOGIKY MOBILE ROBOT NAVIGATION BY MEANS OF FUZZY LOGIC

Implementace algoritmu matching pursuit pomocí genetických algoritmů

Swarm Intelligence. Moderní metody optimalizace 1

Evolučníalgoritmy. Dále rozšiřována, zde uvedeme notaci a algoritmy vznikléna katedře mechaniky, Fakulty stavební ČVUT. Moderní metody optimalizace 1

Provozní bezpečnost - Problematika vzniku, monitoringu a eliminace prašné frakce, stanovení prostředí a zón s nebezpečím výbuchu

ÚVOD DO BSC - základy metody vyvážených ukazatelů. Ing. Petra Plevová

Ing. Martin Šindelář. Téma disertační práce: SLEDOVÁNÍ TECHNICKÉHO STAVU ZÁVĚSU KOLA VOZIDLA. Školitel: Doc. Ing. Ivan Mazůrek CSc.

VUT Brno Fakulta informačních technologií Simulační nástroje a techniky (SNT) 2014/2015 Vehicle routing problem Ant colony

Evoluční algoritmy a umělý život

Vzdělávací oblast Matematika a její aplikace. Charakteristika vyučovacího předmětu 2. stupeň. Obsahové, časové a organizační vymezení

Distribuovaný algoritmus diferenciální evoluce v platformě. A Platform Independent Distributed DE Algorithm

Laserový skenovací systém LORS vývoj a testování přesnosti

Aproximace objemových změn těles z lehkých betonů v raném stádiu tuhnutí a tvrdnutí

Neinformované metody prohledávání stavového prostoru. Gerstner Laboratory Agent Technology Group, Czech Technical University in Prague

Dodatek č. 3 ke školnímu vzdělávacímu programu. Strojírenství. (platné znění k )

FAKULTA INFORMAČNÍCH TECHNOLOGIÍ

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

Jak se matematika poučila v biologii

STAVEBNÍ POVOLENÍ. - místo ve stavebním řádu - náležitosti žádosti o SP - přílohy - o dokumentaci staveb

Nová koncepční a konstrukční řešení pro zobrazení s PMS

FAKULTA INFORMAČNÍCH TECHNOLOGIÍ

GENETICKÉ UČENÍ NEURONOVÝCH SÍTÍ GENETIC LEARNING OF NEURAL NETWORKS. Roman Biskup, Anna Čermáková

5.3. Matematika a její aplikace

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

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

Michal Wiglasz* 1. Úvod

Genetické mapování. v přírodních populacích i v laboratoři

OPTIMALIZACE. (přehled metod)

Syntéza neuronových sítí

Transkript:

OBSAH 1 Pøedmluva 19 2 Evoluèní algoritmy: nástin 25 2.1 Centrální dogma evoluèních výpoèetních technik... 26 2.2 Chcete vìdìt víc?... 29 3 Historická fakta trochu jinak 31 3.1 Pár zajímavých faktù... 32 3.2 Chcete vìdìt víc?... 34 4 Úvod do problematiky optimalizaèních algoritmù 35 4.1 Optimalizaèní a heuristické algoritmy... 36 4.2 Souèasný stav... 37 4.2.1 Nástin principù èinnosti vybraných algoritmù... 41 4.3 No Free Lunch Teorém... 44 4.4 Perspektivy a alternativy... 45 4.5 Chcete vìdìt víc?... 46 5 Vše nelze spoèítat 47 5.1 Prohledávaný prostor a jeho složitost... 48 5.2 Fyzikální limity výpoèetních technologií... 54 5.3 Chcete vìdìt víc?... 58 6 Optimalizace a úèelová funkce 59 6.1 Vybrané pojmy z optimalizace... 60 A Obsah, pøedmluva a seznam symbolù 3

6.2 Úèelová funkce... 63 6.3 Geometrie úèelové funkce... 63 6.4 Tvorba úèelové funkce... 66 6.5 Chcete vìdìt víc?... 68 7 Víceúèelová optimalizace a Paretova množina 69 7.1 Paretova množina... 70 7.2 Ukázkové pøíklady... 76 7.3 Nastavitelné víceúèelové optimalizaèní problémy... 84 7.4 Chcete vìdìt víc?... 88 8 Vybrané základní pojmy z evoluèních algoritmù 89 8.1 Oblasti použitelnosti evoluèních algoritmù... 90 8.2 Spoleèné rysy... 92 8.3 Populace... 92 8.4 Jedinci, jejich struktura a reprezentace... 96 8.5 Grayùv kód... 96 8.6 Chcete vìdìt víc?... 99 9 Omezení a ošetøení krizových stavù 101 9.1 Formulace problému... 102 9.2 Omezení kladená na argumenty úèelové funkce... 103 9.3 Penalizace funkcí... 104 9.4 Práce s celoèíselnými a diskrétními hodnotami... 105 9.5 Chcete vìdìt víc?... 108 10 Evoluce a složitost 109 10.1 Èasová složitost algoritmù... 110 10.1.1 Aritmetika èasových složitostí... 112 4 Zelinka, Oplatková, Šeda, Ošmera, Vèelaø: Evoluèní výpoèetní techniky A

10.2 Datové struktury a složitost algoritmù... 115 10.2.1 Prüferovo èíslo... 115 10.2.2 Binární halda... 117 10.2.3 Voroného diagram a Delaunayho triangulace... 126 10.3 Exaktní metody... 130 10.3.1 Dynamické programování... 131 10.3.2 Metoda vìtví a mezí... 137 10.3.3 Backtracking (prohledávání s návratem)... 140 10.4 P a NP tøídy problémù... 142 10.4.1 Pøíklady NP-úplných problémù... 145 10.5 Aproximativní a heuristické metody... 149 10.6 Pøíklady aproximativních algoritmù... 150 10.7 Chcete vìdìt víc?... 156 11 Vybrané optimalizaèní a evoluèní techniky 157 11.1 Prohledávání do šíøky (breadth first search)... 158 11.2 Prohledávání do hloubky (depth-first search)... 159 11.3 Best-first search... 159 11.4 Greedy algoritmus... 159 11.5 Metoda lokálního hledání... 160 11.6 Slepý algoritmus... 162 11.7 Horolezecký algoritmus... 163 11.8 Simulované žíhání... 166 11.8.1 Verze simulovaného žíhání... 170 11.9 Tabu Search... 171 11.10 Genetické algoritmy... 173 11.10.1 Terminologie GA... 173 11.10.2 Vhodnost... 174 11.10.3 Výbìr rodièù... 175 11.10.4 Poøadová selekce (Rank selection)... 175 11.10.5 Elitismus... 176 11.10.6 Reprodukce... 176 11.10.7 Køížení... 176 11.10.8 Mutace... 177 11.10.9 Parametry køížení a mutace... 178 11.10.10 Kódování... 178 11.10.11 Schémata... 179 A Obsah, pøedmluva a seznam symbolù 5

11.10.12 Verze genetických algoritmù... 180 11.10.12.1 Hybridní genetický algoritmus... 180 11.10.12.2 Messy genetický algoritmus... 181 11.11 Paralelní genetické algoritmy... 182 11.11.1 Farmáøský model... 183 11.11.2 Migraèní model... 183 11.11.3 Difusní model... 185 11.11.4 Pøíklady použití PGA... 186 11.11.4.1 Vliv poètu migrantù v každé epoše... 186 11.11.4.2 Vliv rùzného poètu generací mezi jednotlivými migracemi... 187 11.11.4.3 Vliv strategie výbìru migrantù... 187 11.11.4.4 Vliv poètu podpopulací... 187 11.11.5 Souhrnné shrnutí vlastností PGA... 187 11.11.5.1 Adaptace složitých systémù... 188 11.11.5.2 Biologické koøeny evoluèních algoritmù.... 189 11.11.5.3 Samoorganizace a adaptace složitých systémù... 195 11.11.5.4 Varianty genetických algoritmù... 198 11.11.5.5 Paralelní evoluce s hierarchickým uspoøádáním... 199 11.11.5.6 Nárùst uspoøádanosti systémù... 201 11.12 Evoluèní strategie... 203 11.12.1 Dvouèlenné ES: (1 + 1) ES... 203 11.12.2 Víceèlenné ES: (µ + l) ES a (µ, l) ES... 204 11.12.3 Rekombinaèní ES: (µ/r + l) ES... 205 11.12.4 Adaptivní ES... 206 11.13 Rojení èástic (Particle swarm)... 208 11.13.1 Princip... 208 11.13.2 Algoritmus... 210 11.13.3 Nastavitelné parametry PSO... 211 11.13.4 Další verze PSO algoritmu... 212 11.14 Rozptýlené hledání (Scatter Search)... 214 11.15 Optimalizace mravenèí kolonií (Ant Colony Optimization) 215 11.16 Umìlý imunitní systém (Artificial Imunne System)... 218 11.16.1 Rozpoznávání vzorcù... 218 11.16.2 Hypermutace... 218 11.16.3 Negativní výbìr... 219 11.17 SOMA: SamoOrganizující se Migraèní Algoritmus... 220 11.17.1 Parametry a terminologie... 221 11.17.2 Populace... 223 11.17.3 Mutace... 223 11.17.4 Køížení... 224 11.17.5 Princip algoritmu SOMA... 225 11.17.6 Strategie SOMA algoritmu... 230 6 Zelinka, Oplatková, Šeda, Ošmera, Vèelaø: Evoluèní výpoèetní techniky A

11.17.7 Závislost SOMA na øídicích a ukonèovacích parametrech... 232 11.17.8 Zaøazení algoritmu SOMA... 233 11.17.9 SOMA a jiné optimalizaèní algoritmy... 233 11.18 Diferenciální evoluce... 235 11.18.1 Historie... 235 11.18.2 Parametry a terminologie... 236 11.18.3 Populace... 237 11.18.4 Mutace... 237 11.18.5 Køížení... 238 11.18.6 Princip èinnosti diferenciální evoluce... 238 11.18.7 Varianty diferenciální evoluce... 242 11.18.8 Závislost diferenciální evoluce na øídicích parametrech... 243 11.18.9 Stagnace... 244 11.19 Chcete vìdìt víc?... 245 12 EVT a evoluce symbolických struktur 247 12.1 Základní pojmy... 248 12.2 Evoluèní hardware... 250 12.2.1 Thompsonùv experiment... 250 12.2.2 Evoluce v extrémním prostøedí... 251 12.2.3 Adaptivní hardware... 252 12.2.4 Akcelerátory evoluèního návrhu v FPGA... 252 12.2.5 Evoluce kvantových chování... 252 12.2.6 Evoluce antény v rámci Space Technology 5 Project (ST5), NASA... 253 12.3 Genetické programování... 254 12.4 Gramatická evoluce... 257 12.5 Paralelní gramatická evoluce... 261 12.5.1 Použitá gramatika... 261 12.5.2 Implementace funkce s aritou n... 263 12.5.3 Generování závorek ve funkcích... 263 12.5.4 Paralelní gramatická evoluce... 263 12.5.5 Gramatická evoluce... 263 12.5.6 Zpracování gramatiky... 264 12.5.7 Pøekládání genotypu na fenotyp... 266 12.5.8 Køížení... 266 12.5.9 Mutace... 267 12.5.10 Populaèní model... 267 12.5.11 Samièí populace... 267 12.5.12 Samèí populace... 267 A Obsah, pøedmluva a seznam symbolù 7

12.5.13 Master populace... 268 12.5.14 Úèelová funkce (fitness)... 268 12.6 Analytické programování... 271 12.6.1 Analytické programování princip... 271 12.6.2 Data a zobrazení... 275 12.6.3 Køížení, mutace a další evoluèní operace... 277 12.6.4 Posílené hledání... 277 12.6.5 Bezpeènostní procedury... 278 12.6.6 Podobnosti a rozdíly s existujícími metodami... 278 12.6.7 Vybrané øešené problémy... 279 12.7 Chcete vìdìt víc?... 280 13 Testovací funkce 281 13.1 Galerie testovacích funkcí... 282 13.1.1 První de Jongova funkce (1st De Jong)... 285 13.1.2 Druhá de Jongova funkce Rosenbrockovo sedlo (Rosenbrock s saddle)... 286 13.1.3 Tøetí de Jongova funkce (3rd De Jong)... 287 13.1.4 Ètvrtá de Jongova funkce (4th De Jong)... 288 13.1.5 Rastriginova funkce (Rastrigin s function)... 289 13.1.6 Schwefelova funkce (Schwefel s function)... 290 13.1.7 Griewangkova funkce (Griewangk s function)... 291 13.1.8 Sinová obálková sinusoidální funkce (sine envelope sine wave function)... 292 13.1.9 Roztažená sinusoidální V funkce (stretched V sine wave function)... 293 13.1.10 Ackleyho funkce I (Ackley s function I)... 294 13.1.11 Ackleyho funkce II (Ackley s function II)... 295 13.1.12 Plato vajec (egg holder)... 296 13.1.13 Ranova funkce (Rana s function)... 297 13.1.14 Patologická funkce (pathological function)... 298 13.1.15 Michalewiczova funkce (Michalewicz s function)... 299 13.1.16 Mastersova funkce (Masters s cosine wave function)... 300 13.1.17 Problém dìlení èaje... 301 13.1.18 Shekelova funkce (Shekel s foxhole)... 303 13.1.19 Pseudo-Dirakova funkce... 305 13.1.20 Fraktální funkce... 306 13.2 Permutaèní testovací problémy... 309 13.3 Chcete vìdìt víc?... 310 8 Zelinka, Oplatková, Šeda, Ošmera, Vèelaø: Evoluèní výpoèetní techniky A

14 Ukázkové studie 311 14.1 Testování evoluèních algoritmù... 313 14.2 Problémy rozvrhování výroby... 316 14.2.1 Problém rozvrhování proudové výroby... 317 14.3 Problém rozvrhování zakázkové výroby... 325 14.3.1 Reprezentace založená na úlohách... 327 14.3.2 Reprezentace založená na operacích... 328 14.3.3 Reprezentace disjunktivním grafem... 329 14.3.4 Metoda CPM... 330 14.4 Problém pokrytí... 333 14.5 Problém batohu... 336 14.6 Steinerovy problémy... 337 14.7 Plánování trasy robotu... 345 14.7.1 Silnièní mapy... 350 14.8 Evoluce a rozvrhování proudové výroby... 355 14.8.1 Proudová výroba a definice úèelové funkce... 356 14.8.2 Použité algoritmy a testovací problémy... 356 14.8.3 Test FSS I... 357 14.8.4 Test FSS II... 358 14.8.5 Závìr... 358 14.9 Øízení deterministického chaosu... 359 14.9.1 Popis problému... 359 14.9.2 Úèelová funkce... 360 14.9.3 Optimalizaèní algoritmus... 361 14.9.4 Experimentální výsledky logistická rovnice... 362 14.9.4.1 Øízení chaosu logistická rovnice, stabilizace p 1 UPO... 363 14.9.4.2 Øízení chaosu logistická rovnice, stabilizace p 2 UPO... 365 14.9.4.3 Øízení chaosu logistická rovnice, stabilizace p 4 UPO... 367 14.9.4.4 Srovnání s klasickou øídicí technikou OGY... 369 14.9.5 Experimentální výsledky Henonova mapa... 370 14.9.5.1 Øízení chaosu Henonova mapa, stabilizace p 1 UPO... 370 14.9.5.2 Øízení chaosu Henonova mapa, stabilizace p 2 UPO... 372 14.9.5.3 Øízení chaosu Henonova mapa, stabilizace p 4 UPO... 374 14.9.5.4 Srovnání s klasickou øídicí technikou OGY... 376 14.9.6 Závìr... 377 14.10 Øízení plazmového reaktoru... 378 14.10.1 Plazma øízená radiovou frekvencí... 378 14.10.2 Langmuirova sonda... 379 14.10.3 Aktivní kompenzace v RF plazmatu... 379 14.10.4 Hardwarové vybavení a zapojení... 380 A Obsah, pøedmluva a seznam symbolù 9

14.10.5 Nastavení experimentu... 381 14.10.6 Návrh experimentu a øídicích parametrù... 382 14.10.7 Závìr... 382 14.11 Aerodynamická optimalizace geometrie køídla... 387 14.11.1 Optimalizovaný model køídla... 387 14.11.2 Výsledky optimalizace... 389 14.11.3 SportStar... 390 14.11.4 VUT-100 Cobra... 391 14.11.5 Závìr... 395 14.12 Optimalizace umístìní smìrovacích stanic v bezdrátových sítích... 395 14.12.1 Optimalizovaný model... 396 14.12.2 Vliv pøenosových uzlù... 398 14.12.3 Umístìní routovacích uzlù pøírùstkovou metodou... 398 14.12.4 Umístìní smìrovacích uzlù za použití algoritmu SOMA... 398 14.12.5 Závìr... 405 14.13 Aproximace funkcí... 405 14.13.1 Sextic a Quintic problém... 406 14.13.2 Problém 3Sine a 4Sine... 409 14.13.3 Závìr... 412 14.14 Syntéza øídicích pøíkazù robotu... 414 14.14.1 Definice problému... 415 14.14.2 Øešení... 417 14.14.3 Použité evoluèní algoritmy... 422 14.14.4 Závìr... 425 14.15 Evoluèní syntéza deterministického chaosu... 428 14.15.1 Souèasný stav a motivace... 428 14.15.2 Nejjednodušší model deterministického chaosu logistická rovnice... 429 14.15.3 Výbìr základního chaotického systému... 430 14.15.4 Úèelová funkce... 432 14.15.5 Experimentální výsledky... 432 14.15.6 Závìr... 437 14.16 Syntéza logických funkcí a elektronických obvodù... 444 14.16.1 Syntéza boolovské paritní funkce... 444 14.16.1.1 Úèelová funkce... 445 14.16.1.2 Použité algoritmy... 445 14.16.1.3 Výsledky... 445 14.16.2 Návrh elektronických obvodù... 453 14.16.2.1 Použité algoritmy a úèelová funkce... 453 14.16.2.2 Svìtelná signalizace... 453 14.16.2.3 Tepelná regulace... 455 14.16.2.4 Øízení vlakových výhybek... 456 10 Zelinka, Oplatková, Šeda, Ošmera, Vèelaø: Evoluèní výpoèetní techniky A

14.16.3 Závìr... 458 14.17 Syntéza neuronových sítí... 458 14.17.1 Vybraný algoritmus, jeho nastavení a úèelová funkce... 459 14.17.2 Øešení lineálnì separabilního problému... 460 14.17.2.1 Syntetizované sítì pro lineárnì separabilní problém... 460 14.17.3 Øešení problému XOR... 464 14.17.3.1 Syntetizované sítì pro nelineárnì separabilní problém... 464 14.17.4 Stromová struktura... 468 14.17.5 Závìr... 470 14.18 Syntéza evoluèních algoritmù metaevoluce... 471 14.18.1 První pokusy... 471 14.18.1.1 Množina obecných funkcí... 472 14.18.1.2 Úèelová funkce... 472 14.18.1.3 Výsledky prvních pokusù... 473 14.18.2 Vícedimenzionální problémy s více operátory... 475 14.18.3 Úèelová funkce... 477 14.18.4 Závìr... 504 14.19 Vybrané pøíklady P a NP problémù... 504 14.20 Chcete vìdìt víc?... 509 Závìr 511 Použitá literatura... 514 Rejstøík... 531 Kontakty na prodejny technické literatury... 535 Pár slov o nakladatelství... 536 A Obsah, pøedmluva a seznam symbolù 11