Μάθημα 2: Μαρκοβιανές Διαδικασίες Απόφασης και Δυναμικός Προγραμματισμός. Ν. Καλουπτσίδης
|
|
- Μελαινη Βλαστός
- 4 χρόνια πριν
- Προβολές:
Transcript
1 Μάθημα 2: Μαρκοβιανές Διαδικασίες Απόφασης και Δυναμικός Προγραμματισμός Ν. Καλουπτσίδης
2 Μαρκοβιανές διαδικασίες απόφασης: Μία μονάδα Yπολογιστική μονάδα παρατηρεί πλήρως το περιβάλλον. t: χρονική στιγμή, t=1,2, T T: χρονικός ορίζοντας (επεισόδιο) x t κατάσταση τη στιγμή t; ανήκει στο X (καταστατικός χώρος) a t ενέργεια, ανήκει στο A το οποίο μπορεί να εξαρτάται απο τη κατάσταση, A(x), δηλώνει πιθανούς περιορισμούς στις ενέργειες ανάλογα με την κατάσταση. Καταστατική εξέλιξη: x t+1 = f t+1 (x t, a t, w t ), w t i.i.d θόρυβος, ή P(x x,a):=p[x t+1 = x x t =x, a t =a]
3 Δενδρική δομή του καταστατικού μοντέλου x a1 a2 a3 a4 x1 x2 x3 x1 x2 x3
4 MDPs: πεπερασμενος ορίζοντας Ντιτερμινιστικοί Μαρκοβιανοί κανόνες απόφασης: a t =µ t (x t ), µ t : X A, t = 0,1,, T 1 Επαρκούν για τη περίπτωση μιας υπολογιστικής μονάδας, αντίθετα οι στοχαστικοί κανόνες απόφασης ειναι αναγκαίοι στις πολλαπλές μονάδες Πολιτική π = (µ 0, µ 1,..., µ Τ 1 ) Αξία της πολιτικής π, δηλώνει τη συνολική ανταμειβή που προκύπτει για κάθε κατάσταση οταν ακολουθείται η π. V π x = E[β T r T x T + T 1 t=0 β T r t x t, µ t (x t ),w t ] r t στιγμιαία ανταμειβή, τελική υπολείπουσα αξία β T r T x T Συνάρτηση αξίας (value function) V x = max V π(x) π Βέλτιστη πολιτική π arg max π V π(x)
5 Αρχή της αριστότητας Αν π = (µ 0, µ 1,..., µ Τ 1 ) βέλτιστη πολιτική τότε για κάθε t, η πολιτική (µ t, µ t+1,..., µ Τ 1 ) είναι επίσης βέλτιστη για το υποπρόβλημα που ξεκινά την t. Αν η ταχύτερη διαδρομή απο την Αθήνα στη Θεσσαλονίκη περνά απο τη Λαμία, τοτε το τμήμα απο τη Λαμία στη Θεσσαλονίκη είναι επίσης το ταχύτερο.
6 Δυναμικός προγραμματισμός Αντίστροφη στο χρόνο (backward) αναδρομική σχέση: Αρχική συνθήκη V T x = β T r T x V t x = max a A E[βt r t (x, a, w) + V t+1 f t x, a, w ], t=t-1, T-2,, 0 (*) ή με τον πινακα μετάβασης V t x = max P x x, a [β t (x, a, x ) + V a A x t+1 (x rt )] Οδηγεί στη συνάρτηση αξίας υστερα απο Τ βήματα V 0 x = V(x) Επιπλέον, η πολιτική που μεγιστοποιεί το δεξιό μέλος της (*) καθορίζει τη βέλτιστη πολιτική
7 Εφαρμογή 1: Διαχείριση εμπορευμάτων αποθήκης (inventory management) Σημαντικό πρόβλημα στην εφοδιαστική αλυσίδα Ενα εμπόρευμα, μια αποθήκη Κατάσταση x t : εμπορεύματα στην αποθήκη Ενέργειες a t : Παραγγελίες Τυχαιότητα w t : στοχαστική ζήτηση για εμπορεύματα Ανταμειβή=κόστος=κόστος αποθήκης r(x t )+κόστος αγοράς ca t εμπορεύματος Υπερβάλλουσα ζήτηση είτε (1) εξυπηρετείται όταν υπάρξει διαθεσιμότητα με νέες παραλαβές, είτε (2) χάνεται
8 Διαχείριση εμπορευμάτων αποθήκης περίπτωση (1) x t+1 = x t + a t w t περίπτωση (2) x t+1 = max(0, x t + a t w t ) Γενικεύσεις: παραδόσεις με υστέρηση, συνεκτίμηση εσόδων και συνεπώς κερδών, ζήτηση με χρονική συσχέτιση, πολλά προιόντα Χωρητικότητα αποθήκης 2 (πχ τόννοι, αυτοκίνητα) x t + a t 2.Μικρός ακέραιος για την διευκόλυνση των υπολογισμών με το χέρι. Μοναδιαίο κόστος εμπορευματος c=1. Τετραγωνικό κόστος αποθήκης (x t +a t w t ) 2, συνολικό κόστος a + (x t + a t w t ) 2
9 Διαχείριση εμπορευμάτων αποθήκης Αναλυτικοί υπολογισμοί D. Bertsekas vol I pages Συμπέρασμα. Η βέλτιστη πολιτική είναι ή ιδια σε κάθε χρονική στιγμή. Είναι φθίνουσα συνάρτηση της κατάστασης Ασκηση. Επαλήθευσε τους υπολογισμούς στο python. Εξέτασε μεγαλύτερες χωρητικότητες. QuantEcon.py/quantecon/markov/ddp.py
10 Επαλήθευση στο python Λίστα αποδεκτων ζευγαριών κατάστασης και ενέργειας (x,a) (σε αυτο το παράδειγμα x s (για τη καλλίτερη μελέτη του κώδικα DiscreteDP): SA=[[0,0], [1,0],[2,0],[0,1],[1,1],[0,2]] Εστω L= SA =6. Πράγματι προκύπτει απο το σχήμα (Bertsekas vol. 1, pp 24, επόμενη διαφάνεια) Λίστα ανταμειβής στα αποδεκτά ζευγάρια def f(s,a): return a+(.1)*(s+a)**2+(.7)*(s+a-1)**2+(.2)*(s+a-2)**2
11
12 Επαλήθευση στο python Αρα R=[-1.5, -0.3, -1.1, -1.3, -2.1, -3.1] Πίνακας μετάβασης εκφράζεται ως L X array Q=[[1,0,0],[.9,.1,0],[.2,.7,.1],[.9,.1,0],[.2,.7,.1],[.2,.7,.1]] Καταστατικοί δείκτες και δείκτες ενεργειών (απαιτούνται απο τη βασική εντολή s_indices=[0,1,2,0,1,0] a_indices=[0,0,0,1,1,2] beta=.95
13 Επαλήθευση στο python import numpy as np import matplotlib.pyplot as plt %matplotlib inline import quantecon as qe import scipy.sparse as sparse from quantecon import compute_fixed_point from quantecon.markov import DiscreteDP ddp = DiscreteDP(R, Q, beta, s_indices, a_indices) # ορίζει τη βασική κλάση με χαρακτηριστικά τα πρωταρχικά στοιχεία του προβλήματος
14 Επαλήθευση στο python Για να εφαρμόσουμε το δυναμικό προγραμματισμό σε πεπερασμένο χρονικό ορίζοντα χρησιμοποιούμε την συνάρτηση (μέθοδο) def backward_induction(ddp, T, v_term=none): μέσα στο DiscreteDP για τη κλάση ddp που ορίσαμε, Τ=3 (χρονικός ορίζοντας) και τερματική ανταμειβή 0 και θέτοντας res=backward_induction(ddp, T=3) προκύπτει Res (array([[-3.523, , ], [-2.44, -1.44, ], [-1.3, -0.3, -1.1 ], [ 0., 0., 0. ]]), array([[1, 0, 0], [1, 0, 0], [1, 0, 0]])) Το πρώτο array δίνει τις αξίες για κάθε κατάσταση (η τελευταία σειρά είναι η αρχική μηδενική συνθήκη) και το δεύτερο array τη στασιμη πολιτική (συμφωνεί με το παράδειγμα του βιβλίου!) Επαναλάβετε για μεγαλυτερα Τ.
15 Εφαρμογή 2:Υποδείγματα του ληστή (multiarmed bandit problems) Κ διακριτές Μαρκοβιανές διαδικασίες απόφασης. Η μονάδα παρατηρεί τις καταστάσεις x t k των Κ MDPs Επιλέγει μια απο αυτές, εστω a=k, και λαμβάνει ανταμειβή r k (x t k ) Η επιλεγείσα διαδικασία αλλάζει κατάσταση ενώ οι άλλες MDPs παραμένουν στις ίδιες καταστάσεις. Εφαρμογές: Επιλογή project, στοιχήματα (gambling), τυχαία αναζήτηση, χορηγηση δοκιμαστικής θεραπείας σε ακολουθιακές κλινικές δοκιμές, δρομολόγηση εργασιών.
16 Επιλογή project Επιλογή ενός απο Κ projects (μελέτη ενός απο διάφορα μαθήματα, απάντηση σε s, γυμναστήριο/ασκηση, διασκέδαση). Κάθε φορά επιλέγεται και εκτελείται ένα μόνο project. Η κατάσταση ενός project αναπαριστά το βαθμο ολοκλήρωσης ή το στάδιο στο οποίο βρίσκεται. Η επόμενη κατάσταση ειναι εν γένει τυχαία. Τερματική κατάσταση S; Ανταμειβή μόνο με την ολοκλήρωση, οπότε r k (x t k )=R k P k (S x t k )
17 Ακολουθιακές κλινικές δοκιμές Ελεγχόμενες κλινικές δοκιμές νέας θεραπείας Σύγκριση νέας θεραπείας με άγνωστες ιδιότητες με υπαρχουσα θεραπεια με γνωστές ιδίότητες ή ανενεργή θεραπεία (placebo) Διαδοχικά υποκείμενα υπόκεινται σε μια απο τις δύο θεραπείες Τα αποτελέσματα μπορούν άμεσα να αξιολογηθούν πριν απο την επόμενη δοκιμή. MDP1 Νεα θεραπεία, πιθανότητα επιτυχίας q 1 ; Άγνωστη MDP 2 Υπαρχουσα θεραπεία πιθανότητα επιτυχίας q 2 ; Άγνωστη με γνωστή prior κατανομή Ανταμειβή για επιτυχή θεραπεία (ΘΑ ΣΥΝΕΧΙΣΤΕΙ)
18 Εφαρμογή 3:Ελεγχος συστημάτων ουρών αναμονής Admission control Service rate control (ΘΑ ΣΥΝΕΧΙΣΤΕΙ)
19 Εφαρμογή 4:Προγραμματισμός εργασιών/λειτουργιών Για τη παραγωγή προιόντος πρέπει να εκτελεστούν σταδιακά 4 λειτουργίες A,B,C,D. H B προυποθέτει την ολοκλήρωση της Α H D προυποθέτει την ολοκλήρωση της C Ετσι, ABCD αποδεκτή, BADC μη αποδεκτή Υποχρεωτικά αρχικές επιλογές A, C. Κόστος εγκατάστασης (setup cost) της n μετά την m: C mn Κόστος έναρξης λειτουργίας (startup cost) S A, S C Κόστος (ABCD)=S A +C AB +C BC +C CD Ενέργεια σε κάθε στάδιο: Επιλογή εργασίας Κατάσταση στο στάδιο t: η ακολουθία εργασιών που έχουν τελειώσει. Τεχνητή αρχική κατάσταση δηλώνει την ένάρξη των αποφάσεων.
20 Προγραμματισμός εργασιών/λειτουργιών
21 Εφαρμογη 6: Κρυφές αλυσίδες Markov, αλγόριθμος Viterbi Μαρκοβιανή αλυσίδα: Διαδικασία Markov με πεπερασμένο αριθμό καταστάσεων Πιθανότητες μετάβασης: p ij (γνωστές στο πρόβλημα εκτίμησης/αποκωδικοποίησης) Η κατάσταση σε κάθε χρονική στιγμή, x t, άγνωστη (κρυφή) Κάθε καταστατική μετάβαση προκαλεί τη παρατήρηση y t+1 με πιθανότητες q ij x = P(y t+1 = y x t = i, x t+1 = j] x 1:T = [x 0, x 1,, x T ] καταστατική τροχιά y 1:T = [y 1, y 2,, y T ] διάνυσμα παρατήρησης
22 Κρυφές αλυσίδες Markov, αλγόριθμος Viterbi Εκτίμηση καταστατικής τροχιάς: Υπολόγισε x 1:T με βάση το y 1:T Η εκτίμηση συγκεκριμένης κατάστασης, x t για t<t, t=t, t=t+1, ονομάζεται εξομάλυνση, φιλτράρισμα και πρόβλεψη αντίστοιχα) Εκτίμηση μέγιστης πιθανόφανειας: max P x 1:T y 1:T, οπου P x 1:T y 1:T = P(x 1:T,y 1:T ) x 1:T P(y 1:T ) P(x 1:T, y 1:T ) = P(x T, x 1:T 1, y T, y 1:T 1 ) = P(y T y 1:T 1, x T, x 1:T 1 )P(y 1:T 1, x T, x 1:T 1 ) = P(y T x T, x T 1 )P(x T y 1:T 1, x 1:T 1 )P(x 1:T 1, y 1:T 1 ) = Py T x T, x T 1 ) P(x T x T 1 )P(x 1:T 1, y 1:T 1 )
23 Κρυφές αλυσίδες Markov, αλγόριθμος Viterbi Διαδοχικές αντικαταστάσεις και εφαρμογή του λογαρίθμου οδηγούν στη μεγιστοποίηση της λογαριθμικής συνάρτησης πιθανοφάνειας T ln(p(x 0 ))+ t=1 ln(p( y t x t, x t 1 p(x t x t 1 ) Μονοπάτι μικρότερου μήκους στο διάγραμμα trellis Ο αλγόριθμος δυναμικού προγραμματισμού οδηγεί στον αλγόριθμο Viterbi
24 Εφαρμογή 7:Συγκεραστικοί κώδικες Κωδικοποιητής FIR ρυθμού 1/2 και μνήμης 3 Μια είσοδος, δύο έξοδοι Καταχωρητής μήκους 3 (3 μονάδες καθυστέρησης) 2 αθροιστές mod2 (4 XOR) συνιστούν γραμμικές πράξεις 10/5/2016 Kalouptsidis 24
25 Διάγραμμα trellis/καταστατική αναπαράσταση Κάθε συγκεραστικός κωδικοποιητής μπορεί να περιγραφεί ισοδύναμα με τη καταστατική περιγραφή και το διάγραμμα trellis: σ l+1 = f(σ l, u l ) v l = g(σ l, u l ) Για κώδικες ρυθμού 1/n κατάσταση είναι Για ρυθμό k/n, η κατάσταση αποτελείται από το περιεχόμενο των k καταχωρητών Παράδειγμα:FIR συγκεραστικός κωδικοποιητής: 10/5/2016 Kalouptsidis 25
26 Διάγραμμα trellis Μήκος πληροφοριακής aκολουθίας h μνήμη m=2 χρονικές στιγμές: 0:7 h+m+1=8 10/5/2016 Kalouptsidis 26
27 Διάγραμμα trellis Οι κόμβοι (καταστάσεις) διατάσσονται σε επίπεδα. Ακμές μόνο μεταξύ κόμβων γειτονικών επιπέδων. Εναρξη και τερματισμός στο 0=S_0. Εκτός απο τα πρώτα και τελευταία m επίπεδα, κάθε επίπεδο περιέχει όλες τις δυνατές καταστάσεις 10/5/2016 Kalouptsidis 27
28 Αλγόριθμος Viterbi Μπλοκ αποκωδικοποίηση μέγιστης πιθανοφάνειας DMC κανάλι v=argmax v C logp(r v) Μετρική μονοπατιού M(r v)=logp(r v) Μετρική κλαδιού = Μετρική bit 10/5/2016 Kalouptsidis 28
29 Αλγόριθμος Viterbi Βήμα 1. Αρχισε τη στιγμή t=m. Γιά κάθε κατάσταση (κόμβο) x υπολόγισε τη μετρική του μοναδικού μονοπατιού απο το 0 στο x, M(x). Αποθήκευσε το μονοπάτι και τη μετρική Βήμα 2. t t + 1. Γιά κάθε κατάσταση x τη στιγμή t+1 και για κάθε κατάσταση x τη στιγμή t που συνδέεται με την x (υπάρχουν 2^k) πρόσθεσε τις αντίστοιχες μετρικές κλαδιών στην μετρική του x, M(x) και θέσε M x = max{m x + m x, x : x γονεας του x } Αποθήκευσε το μονοπάτι που επιβιώνει, τη μετρική του και διέγραψε όλα τα υπόλοιπα. Σταμάτησε όταν t=h+m, οπότε εμφανίζεται μόνο το 0 ως τελική κατάσταση και το μοναδικό μονοπάτι που επιβιώνει 10/5/2016 Kalouptsidis 29
30 Απειρος χρονικός ορίζοντας Ο νόμος της κίνησης και η συνάρτηση ανταμειβής δεν αλλάζουν στο χρόνο. Θα αγνοήσουμε λεπτά τεχνικά σημεία οπως η εναλλαγή μέσης τιμής και ορίου. Εξετάζουμε τι συμβαίνει στην αναδρομή του δυναμικού προγραμματισμού όταν ο ορίζοντας μεγαλώνει Τ Αρχική συνθήκη V T x = β T V 0 x, V 0 x οποιαδήποτε (φραγμένη) συνάρτηση. V Τ t x = max a A E[βT t r (x, a, w) + V Τ t+1 f x, a, w ], t=1,2,...,τ-1 H εξαγωγή του β T t έξω απο το max και η V Τ t x /β T t V t (x) Οδηγεί στην αναδρομή V t+1 x = max a A E[r (x, a, w) + βv t f x, a, w ] (**)
31 Επισκόπηση βασικών αποτελεσμάτων 1. Εστω μηδενική υπολείπουσα αξία: V 0 x = 0. Λογικό να εικάσουμε οτι όταν Τ το όριο στη σχέση (**) αν υπάρχει ικανοποιεί την εξίσωση Bellman V x = max a A η Type equation here. E[r ( x, a, w) + βv f x, a, w ] (BE) V x = max a A x P x x, a [r (x, a, x ) + V(x )] Εμμεση (implicit) μη γραμμική αλγεβρική εξίσωση.
32 Επισκόπηση βασικών αποτελεσμάτων Για πεπερασμένες καταστάσεις, η (ΒΕ) αποτελεί ένα σύστημα μη γραμμικών εξισώσεων. 2. Τα παραπάνω ισχύουν για κάθε φραγμένη αρχική συνάρτηση γιατί β T V 0 x 0 3. Αν ο κανόνας απόφασης μ(x) επιτυγχάνει το μέγιστο στο δεξιό μέλος της (ΒΕ) μ(x)=argmax P x x, a [r (x, a, x ) + V(x )] greedy(v)(x) a A x τότε προκυπτει βέλτιστη στατική πολιτική π = (μ, μ, )
33 Σταθερό σημείο Δυο διαδεδομένοι τρόποι επίλυσης είναι 1. προσδιορισμός σταθερού σημείου T(V)=V Με τον αλγόριθμο V t+1 =T(V t ) Οπου T(V)(x)=max a A x P x x, a [r (x, a, x ) + V(x )]
34 Σταθερό σημείο Αποδεικνύεται οτι η Τ είναι απεικόνιση συστολής (contraction map) T V T V < L V V, 0<L<1 με L=β. Οπότε απο το θεώρημα Banach έχει μοναδικό σταθερό σημείο (βέλτιστη αξία) V και ο αλγόριθμος σταθερού σημείου συγκλίνει σε αυτό με ταχύτητα που καθορίζεται απο το β. Ο αλγόριθμoς σταθερού σημείου V t+1 x = max a x P x x, a [r (x, a, x ) + V t (x )] (VI) ή V t+1 (x) = max E[r ( x, a, w) + βv t f x, a, w ] a A
35 Αλγόριθμος επανάληψης αξίας Ονομάζεται επανάληψη αξίας (value iteration). Η επανάληψη αξίας δίνει στο όριο την (βέλτιστη) αξία V και η βέλτιστη πολιτική υπολογίζεται απο την μ x =argmax a A x P x x, a [r (x, a, x ) + V(x )] greedy(v)(x) 2. Ενας δεύτερος τρόπος υπολογισμού του σταθερού σημείου είναι με τη μέθοδο Gauss και τη μετατροπή σε πρόβλημα ελαχιστοποίησης. Εστω G(V)=T(V)-V Τότε η V είναι σταθερό σημείο της Τ αν είναι ρίζα (σημείο μηδενισμού) της G. Το τελευταίο μπορεί να βρεθεί με λύση του min V G(V) 2 Μη περιορισμένο (unconstrained) πρόβλημα μαθηματικού (ή μη γραμμικού) προγραμματισμού
36 Λύση με γραμμικό προγραμματισμό Απο την εξίσωση Bellman προκύπτει οτι η (βέλτιστη) συνάρτηση αξίας ικανοποιεί A X γραμμικές ανισότητες V x r x, a + β x p x x, a V(x ) x in X, a in A (LI) Αντίστροφα, κάθε διάνυσμα v(x) που ικανοποιεί την (LI), είναι άνω φράγμα της αξίας: v(x) V(x) Πράγματι έστω μ(x) η βέλτιστη πολιτική. Τότε v x r x, μ x + β x p x x, μ x v x = V(x)
37 Λύση με γραμμικό προγραμματισμό Αρα είναι φυσικό να αναζητήσουμε το μικρότερο v που ικανοποιεί την (LI). Καταλήγουμε σε πρόβλημα γραμμικού προγραμματισμού (LP): min x q x v(x) v subject to v(x) r x, a + β x p x x, a v(x ), x in X, a in A Τα βάρη q(x) είναι αυθαίρετα, αρκεί να είναι θετικά και να αθροίζουν στη μονάδα, π.χ q(x)=1/ X (μπορούν να ερμηνευθούν ως πιθανότητες εμφάνισης των καταστάσεων).
38 Γραμμικός προγραμματισμός Ελαχιστοποίηση/Μεγιστοποιηση γραμμικής συναρτησης με γραμμικούς ανισοτικούς και ισοτικούς περιορισμούς min c x x subject to a i x b i a i x b i a i x = b i x i 0 x i 0
39 Γραμμικός προγραμματισμός Πιο οικονομική αλλά ισοδύναμη περιγραφή min c x x subject to a i x b i και σε μορφή πινάκων min c x x subject to Αx b
40 Δυικότητα: Συνέπεια της μεθόδου των πολλαπλασιαστών Lagrange Πρωτεύον πρόβλημα min c x x subject to Αx b Πρωτεύον για τη συνάρτηση αξίας min x q x v(x) v subject to v(x) r x, a + β x p x x, a v(x ), x X, a A Δυικό πρόβλημα max z b z subject to z Α = b, z 0 Δυικό για τη συναρτηση αξίας max x,a r x, a z(x, a) : z x,a[δ x, x
41 Αξία και βέλτιστη πολιτική ως λύσεις του LP Ισχύουν τα εξής 1. Το πρωτεύον και το δυικό πρόβλημα έχουν βέλτιστες λύσεις. 2. Η βέλτιστη λύση του πρωτεύοντος δίνει τη βέλτιστη συνάρτηση αξίας (μοναδική) 3. Εστω z(x,a) βέλτιστη λύση του δυικού προβλήματος. Τότε μετά την κανονικοποίηση, η στοχαστική πολιτική z(x,a) μ x, a = a z(x,a) συνιστά βέλτιστη πολιτική.
42 Υπολογισμός αξίας πολιτικής Διανυσματική περιγραφή Εστω π=(μ,μ,..., ) δοθείσα στάσιμη πολιτική. Η στιγμιαία ανταμειβή r x, μ x r π x η a r(x, a)μ(x a) P π (x x) P(x x, μ x ) r π διάνυσμα με συνιστώσες r π x : διάνυσμα ανταμειβής P π πίνακας με στοιχεία P π (x x): πίνακας μετάβασης της αλυσίδας Με επαγωγή προκύπτει οτι σε t βήματα P π x t+1 = x x 0 = x = P t π, (t δύναμη) Υπολογισμός μέσης τιμής μιάς συνάρτησης v(x t ), οταν x 0 = x E v x t x 0 = x = x P π x t = x x 0 = x v x = P t 1 π,x v Οπου P t 1 t π,x είναι η x- γραμμή του P π
43 Υπoλογισμός αξίας μιας πολιτικής V π = t=0 β t P t π r π = ( t=0 η ισοδύναμα V π = r π + βp π r π + βp π 2 r π + β t P π t )r π = (I βp π ) 1 r π V π = r π + βp π V π Ο πίνακας I βp π ειναι αντιστρεψιμος, γιατί ιδιοτιμές 1-βλ, λ <=1. Αρα ο υπολογισμός της V π μπορει να γίνει με την επίλυση συστήματος γραμμικών εξισώσεων I βp π V = r π. Εναλλακτικά με επαναληπτικη μέθοδο παρατηρώντας οτι η V π είναι σταθερό σημείο για την απεικόνιση V r π + βp π V η οποία είναι συστολή
44 Επανάληψη πολιτικής Δίνεται πολιτική μ t Βήμα 1. Αποτίμηση πολιτικής (policy evaluation). Υπολόγισε την αξία της πολιτικής μ t, V μt απο τη λύση του γραμμικού συστήματος I βp π V = r π. Βήμα 2. Βελτίωση πολιτικής (policy improvement). Υπολόγισε νέα πολιτική απο την σχέση (άπληστη πολιτική για την αξία,v μt ) μ t+1 (x) arg max a r x, a + β x P(x x, a)v μt (x ) Επανέλαβε μέχρι, V μt+1 = V μt
45 Επανάληψη πολιτικής Ισχύει V μt+1 V μt Πράγματι r μt+1 + βp μt+1 V μt r μt + βp μt V μt = V μt Άρα r μt+1 Ι βp μt+1 V μt η Ι βp μt+1 1 rμt+1 = V μt+1 V μt Για πεπερασμένα σύνολα καταστάσεων και ενεργειών ο αλγόριθμος τερματίζει εγγυημένα.
46 Τροποποιημένες και ασύγχρονες εκδοχές Πεπερασμένο πληθος καταστασεων 1,2,...,n Επανάληψη αξίας με τη μέθοδο Gauss Seidel: Η αξία στη κατάσταση i στο βήμα t+1 χρησιμοποιεί τις αξίες του βήματος t+1 για τις καταστάσεις 1,2,..., i-1 (αντί αυτών του βήματος t) Ασύγχρονη επανάληψη αξίας Σε κάθε βήμα t+1 επιλέγεται μία κατάσταση, έστω i, ενημερώνεται η αξία της κατάσταση i ενώ οι αξίες των άλλων καταστάσεων παραμένουν οι ίδιες. Τροποποιημένη επανάληψη πολιτικής (modified policy iteration) Το βήμα της αποτιμήσης πολιτικής εκτελείται με τον αλγόριθμό σταθερού σημείου και μάλιστα με τη χρήση πεπερασμένου αριθμού επαναλήψεων Ασύγχρονη επανάληψη πολιτικής: παρόμοια προσαρμογή των παραπάνω
47 Διαχείριση εμπορευμάτων αποθήκης # Επανάληψη πολιτικής resinfty = ddp.solve(method='policy_iteration', v_init=[0, 0,0]) resinfty.sigma Out[112]: array([1, 0, 0]) # βέλτιστη πολιτική (οπως και στον πεπερασμένο ορίζοντα) resinfty.v # Συνάρτηση αξίας Out[115]: array([-24.1, -23.1, ]) resinfty.num_iter # αριθμός επανήψεων Out[119]: 1
48 Διαχείριση εμπορευμάτων αποθήκης Επανάληψη αξίας resinf = ddp.solve(method='value_iteration', v_init=[0, 0,0],epsilon=.01) resinf.sigma Out[126]: array([1, 0, 0]) # βέλτιστη πολιτική resinf.v # συνάρτηση αξίας Out[127]: array([ , , ]) resinf.num_iter # αριθμός επαναλήψεων Out[129]: 166
καθ. Βασίλης Μάγκλαρης
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα 005 - Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Ενισχυτική Μάθηση - Δυναμικός Προγραμματισμός: 1. Markov Decision Processes 2. Bellman s Optimality Criterion 3. Αλγόριθμος
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π.
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα 005 - Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Δυναμικός Προγραμματισμός με Μεθόδους Monte Carlo: 1. Μάθηση Χρονικών Διαφορών (Temporal-Difference Learning) 2. Στοχαστικός
Τμήμα Μηχανικών Πληροφορικής ΤΕ Δυϊκότητα. Γκόγκος Χρήστος ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα. τελευταία ενημέρωση: 1/12/2016
Τμήμα Μηχανικών Πληροφορικής ΤΕ 2016-2017 Δυϊκότητα Γκόγκος Χρήστος ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα τελευταία ενημέρωση: 1/12/2016 1 Το δυϊκό πρόβλημα Για κάθε πρόβλημα Γραμμικού Προγραμματισμού υπάρχει
Μέθοδοι πολυδιάστατης ελαχιστοποίησης
Μέθοδοι πολυδιάστατης ελαχιστοποίησης με παραγώγους Μέθοδοι πολυδιάστατης ελαχιστοποίησης Δ. Γ. Παπαγεωργίου Τμήμα Μηχανικών Επιστήμης Υλικών Πανεπιστήμιο Ιωαννίνων dpapageo@cc.uoi.gr http://pc64.materials.uoi.gr/dpapageo
ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ ΤΗΣ ΜΕΘΟΔΟΥ SIMPLEX
ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ ΤΗΣ ΜΕΘΟΔΟΥ SIMPLEX Θεμελιώδης αλγόριθμος επίλυσης προβλημάτων Γραμμικού Προγραμματισμού που κάνει χρήση της θεωρίας της Γραμμικής Άλγεβρας Προτάθηκε από το Dantzig (1947) και πλέον
ΕΝΑΣ ΔΙΚΡΙΤΗΡΙΟΣ ΑΛΓΟΡΙΘΜΟΣ SIMPLEX
ΚΕΦΑΛΑΙΟ 3 ΕΝΑΣ ΔΙΚΡΙΤΗΡΙΟΣ ΑΛΓΟΡΙΘΜΟΣ SIMPLEX 3.1 Εισαγωγή Ο αλγόριθμος Simplex θεωρείται πλέον ως ένας κλασικός αλγόριθμος για την επίλυση γραμμικών προβλημάτων. Η πρακτική αποτελεσματικότητά του έχει
Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος
Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Χιωτίδης Γεώργιος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
1 + ρ ρ ρ3. iπ i = Q = λ λ i=0. n=0 tn. n! Qn, t 0
Στοχαστικές Διαδικασίες ΙΙ Ιανουάριος 07 Διαδικασίες Markov σε Συνεχή Χρόνο - Παραδείγματα Μ. Ζαζάνης Πρόβλημα. Εστω ένα σύστημα M/M//3 στο οποίο οι αφίξεις είναι Poisson με ρυθμό λ και οι δύο υπηρέτες
Ασκήσεις3 Διαγωνισιμότητα Βασικά σημεία Διαγωνίσιμοι πίνακες: o Ορισμός και παραδείγματα.
Ασκήσεις 0 Ασκήσεις Διαγωνισιμότητα Βασικά σημεία Διαγωνίσιμοι πίνακες: o Ορισμός και παραδείγματα o H -στήλη του P P είναι E αν και μόνο αν η -στήλη του P είναι ιδιοδιάνυσμα του που αντιστοιχεί στην ιδιοτιμή
ΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ. Κεφάλαιο 3 : Πηγές Πληροφορίας Χρήστος Ξενάκης. Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων
ΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ Κεφάλαιο 3 : Πηγές Πληροφορίας Χρήστος Ξενάκης Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων Περιεχόμενα Διακριτές Πηγές Πληροφορίας χωρίς μνήμη Ποσότητα πληροφορίας της πηγής Κωδικοποίηση
3.7 Παραδείγματα Μεθόδου Simplex
3.7 Παραδείγματα Μεθόδου Simplex Παράδειγμα 1ο (Παράδειγμα 1ο - Κεφάλαιο 2ο - σελ. 10): Το πρόβλημα εκφράζεται από το μαθηματικό μοντέλο: max z = 600x T + 250x K + 750x Γ + 450x B 5x T + x K + 9x Γ + 12x
Γραφική Λύση & Πρότυπη Μορφή Μαθηματικού Μοντέλου
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Επιχειρησιακή Έρευνα Γραφική Λύση & Πρότυπη Μορφή Μαθηματικού Μοντέλου Η παρουσίαση προετοιμάστηκε από τον Ν.Α. Παναγιώτου Περιεχόμενα Παρουσίασης 1. Προϋποθέσεις Εφαρμογής
A Τελική Εξέταση του μαθήματος «Αριθμητική Ανάλυση» Σχολή Θετικών Επιστημών, Τμήμα Μαθηματικών, Πανεπιστήμιο Αιγαίου
A Τελική Εξέταση του μαθήματος «Αριθμητική Ανάλυση» Εξεταστική περίοδος Ιουνίου 6, Διδάσκων: Κώστας Χουσιάδας Διάρκεια εξέτασης: ώρες (Σε παρένθεση δίνεται η βαθμολογική αξία κάθε υπο-ερωτήματος. Σύνολο
Υπολογιστικό Πρόβληµα
Υπολογιστικό Πρόβληµα Μετασχηµατισµός δεδοµένων εισόδου σε δεδοµένα εξόδου. Δοµή δεδοµένων εισόδου (έγκυρο στιγµιότυπο). Δοµή και ιδιότητες δεδοµένων εξόδου (απάντηση ή λύση). Τυπικά: διµελής σχέση στις
Γραμμικός Προγραμματισμός Μέθοδος Simplex
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Επιχειρησιακή Έρευνα Γραμμικός Προγραμματισμός Μέθοδος Simplex Η παρουσίαση προετοιμάστηκε από τον Ν.Α. Παναγιώτου Περιεχόμενα Παρουσίασης 1. Πρότυπη Μορφή ΓΠ 2. Πινακοποίηση
Υπολογιστικά & Διακριτά Μαθηματικά
Υπολογιστικά & Διακριτά Μαθηματικά Ενότητα 1: Εισαγωγή- Χαρακτηριστικά Παραδείγματα Αλγορίθμων Στεφανίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Δομές Δεδομένων & Αλγόριθμοι
Θέματα Απόδοσης Αλγορίθμων 1 Η Ανάγκη για Δομές Δεδομένων Οι δομές δεδομένων οργανώνουν τα δεδομένα πιο αποδοτικά προγράμματα Πιο ισχυροί υπολογιστές πιο σύνθετες εφαρμογές Οι πιο σύνθετες εφαρμογές απαιτούν
Επιχειρησιακή Έρευνα I
Επιχειρησιακή Έρευνα I Κωστής Μαμάσης Παρασκευή 09:00 12:00 Σημειώσεις των Α. Platis, K. Mamasis Περιεχόμενα 1. Εισαγωγή 2. Γραμμικός Προγραμματισμός 1. Μοντελοποίηση 2. Μέθοδος Simplex 1. Αλγόριθμός Simplex
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΑΣ ΔΙΟΙΚΗΣΗΣ & ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑΤΙΚΑ Ι 11 ΟΚΤΩΒΡΙΟΥ 2016 ΜΗ ΓΡΑΜΜΙΚΕΣ ΣΥΝΑΡΤΗΣΕΙΣ ΕΙΣΑΓΩΓΗ Οικονομικές Συναρτήσεις με μεταβλητούς ρυθμούς
Ασκήσεις3 Διαγωνίσιμες Γραμμικές Απεικονίσεις
Ασκήσεις 5 Βασικά σημεία Ιδιότητες ιδιόχωρων: Έστω,, Ισχύουν τα εξής Ασκήσεις Διαγωνίσιμες Γραμμικές Απεικονίσεις κάποιες διακεκριμένες ιδιοτιμές της γραμμικής απεικόνισης : V V, όπου o Αν v v 0, όπου
Ειδικά θέματα Αλγορίθμων και Δομών Δεδομένων (ΠΛΕ073) Απαντήσεις 1 ου Σετ Ασκήσεων
Ειδικά θέματα Αλγορίθμων και Δομών Δεδομένων (ΠΛΕ073) Απαντήσεις 1 ου Σετ Ασκήσεων Άσκηση 1 α) Η δομή σταθμισμένης ένωσης με συμπίεση διαδρομής μπορεί να τροποποιηθεί πολύ εύκολα ώστε να υποστηρίζει τις
Θεωρία Δυαδικότητας ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ. Η παρουσίαση προετοιμάστηκε από τον Ν.Α. Παναγιώτου. Επιχειρησιακή Έρευνα
Θεωρία Δυαδικότητας Η παρουσίαση προετοιμάστηκε από τον Ν.Α. Παναγιώτου ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Επιχειρησιακή Έρευνα Περιεχόμενα Παρουσίασης 1. Βασικά Θεωρήματα 2. Παραδείγματα 3. Οικονομική Ερμηνεία
Χρήστος Ι. Σχοινάς Αν. Καθηγητής ΔΠΘ. Συμπληρωματικές σημειώσεις για το μάθημα: «Επιχειρησιακή Έρευνα ΙΙ»
Χρήστος Ι. Σχοινάς Αν. Καθηγητής ΔΠΘ Συμπληρωματικές σημειώσεις για το μάθημα: «Επιχειρησιακή Έρευνα ΙΙ» 2 ΔΥΝΑΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Προβλήματα ελάχιστης συνεκτικότητας δικτύου Το πρόβλημα της ελάχιστης
Νικος Χαλιδιας Μαθηματικό Τμήμα κατεύθυνση Στατιστικής και Αναλογιστικών-Χρηματοοικονομικών Μαθηματικών Πανεπιστημιο Αιγαιου
Νικος Χαλιδιας Μαθηματικό Τμήμα κατεύθυνση Στατιστικής και Αναλογιστικών-Χρηματοοικονομικών Μαθηματικών Πανεπιστημιο Αιγαιου Θεωρημα 1 Εστω s S μια οποιαδήποτε κατάσταση μιας αδιαχώριστης Μαρκοβιανής αλυσίδας.
Τηλεπικοινωνιακά Συστήματα ΙΙ
Τηλεπικοινωνιακά Συστήματα ΙΙ Διάλεξη 11: Κωδικοποίηση Πηγής Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Ατζέντα 1. Αλγόριθμοι κωδικοποίησης πηγής Αλγόριθμος Fano Αλγόριθμος Shannon Αλγόριθμος Huffman
Κεφάλαιο 4ο: Δικτυωτή Ανάλυση
Κεφάλαιο ο: Δικτυωτή Ανάλυση. Εισαγωγή Η δικτυωτή ανάλυση έχει παίξει σημαντικό ρόλο στην Ηλεκτρολογία. Όμως, ορισμένες έννοιες και τεχνικές της δικτυωτής ανάλυσης είναι πολύ χρήσιμες και σε άλλες επιστήμες.
Βασική Εφικτή Λύση. Βασική Εφικτή Λύση
Αλγεβρική Μορφή Γενική Μορφή Γραµµικού Προγραµµατισµού n µεταβλητών και m περιορισµών Εστω πραγµατικοί αριθµοί a ij, b j, c i R µε 1 i m, 1 j n Αλγεβρική Μορφή Γενική Μορφή Γραµµικού Προγραµµατισµού n
Νικος Χαλιδιας Μαθηματικό Τμήμα κατεύθυνση Στατιστικής και Αναλογιστικών-Χρηματοοικονομικών Μαθηματικών Πανεπιστημιο Αιγαιου
Νικος Χαλιδιας Μαθηματικό Τμήμα κατεύθυνση Στατιστικής και Αναλογιστικών-Χρηματοοικονομικών Μαθηματικών Πανεπιστημιο Αιγαιου Λημμα Εστω A ένα σύνολο άπειρου πλήθους θετικών ακέραιων αριθμών των οποίων
Αριθμητικές Μέθοδοι σε Προγραμματιστικό Περιβάλλον
Τμήμα Μηχανικών Πληροφορικής Αριθμητικές Μέθοδοι σε Προγραμματιστικό Περιβάλλον Δρ. Δημήτρης Βαρσάμης Επίκουρος Καθηγητής Οκτώβριος 2014 Δρ. Δημήτρης Βαρσάμης Οκτώβριος 2014 1 / 42 Αριθμητικές Μέθοδοι
Διαχείριση Εφοδιαστικής Αλυσίδας ΙΙ
Διαχείριση Εφοδιαστικής Αλυσίδας ΙΙ 1 η Διάλεξη: Αναδρομή στον Μαθηματικό Προγραμματισμό 2019, Πολυτεχνική Σχολή Εργαστήριο Συστημάτων Σχεδιασμού, Παραγωγής και Λειτουργιών Περιεχόμενα 1. Γραμμικός Προγραμματισμός
min f(x) x R n b j - g j (x) = s j - b j = 0 g j (x) + s j = 0 - b j ) min L(x, s, λ) x R n λ, s R m L x i = 1, 2,, n (1) m L(x, s, λ) = f(x) +
KΕΦΑΛΑΙΟ 4 Κλασσικές Μέθοδοι Βελτιστοποίησης Με Περιορισµούς Ανισότητες 4. ΠΡΟΒΛΗΜΑΤΑ ΜΕ ΠΕΡΙΟΡΙΣΜΟΥΣ ΑΝΙΣΟΤΗΤΕΣ Ζητούνται οι τιµές των µεταβλητών απόφασης που ελαχιστοποιούν την αντικειµενική συνάρτηση
Στοχαστικές Στρατηγικές
Στοχαστικές Στρατηγικές 1 η ενότητα: Εισαγωγή στον Δυναμικό Προγραμματισμό Τμήμα Μαθηματικών, ΑΠΘ Ακαδημαϊκό έτος 2018-2019 Χειμερινό Εξάμηνο Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & Πανεπιστήμιο
Εφαρμοσμένα Μαθηματικά ΙΙ
Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας Εφαρμοσμένα Μαθηματικά ΙΙ Γραμμικά Συστήματα Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Γραμμικό Σύστημα a11x1 + a12x2 + + a1 nxn = b1 a x + a x + +
Εισαγωγικές Έννοιες. ημήτρης Φωτάκης. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Εθνικό Μετσόβιο Πολυτεχνείο
Εισαγωγικές Έννοιες ημήτρης Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Άδεια Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
ΜΕΜ251 Αριθμητική Ανάλυση
ΜΕΜ251 Αριθμητική Ανάλυση Διάλεξη 03, 12 Φεβρουαρίου 2018 Μιχάλης Πλεξουσάκης Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Περιεχόμενα 1. Επαναληπτικές μέθοδοι - Γενική θεωρία 2. Η μέθοδος του Newton
Αναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 3: Στοχαστικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
3. Γραμμικά Συστήματα
3. Γραμμικά Συστήματα Ασκήσεις 3. Αποδείξτε ότι το γινόμενο δύο άνω τριγωνικών πινάκων είναι άνω τριγωνικός πίνακας. Επίσης, στην περίπτωση που ένας άνω τριγωνικός πίνακας U 2 R n;n είναι αντιστρέψιμος,
ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Συσχετιστικές Μνήμες Δίκτυο Hopfield. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Συσχετιστικές Μνήμες Δίκτυο Hopfield Συσχετιστική Μνήμη Η ανάκληση ενός γεγονότος σε μία χρονική στιγμή προκαλείται από τη συσχέτιση αυτού του γεγονότος με κάποιο ερέθισμα. Πολλές φορές επίσης καλούμαστε
Αριθμοθεωρητικοί Αλγόριθμοι
Αλγόριθμοι που επεξεργάζονται μεγάλους ακέραιους αριθμούς Μέγεθος εισόδου: Αριθμός bits που απαιτούνται για την αναπαράσταση των ακεραίων. Έστω ότι ένας αλγόριθμος λαμβάνει ως είσοδο έναν ακέραιο Ο αλγόριθμος
Αλγόριθμοι και Πολυπλοκότητα
Αλγόριθμοι και Πολυπλοκότητα Ροή Δικτύου Δημήτρης Μιχαήλ Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Μοντελοποίηση Δικτύων Μεταφοράς Τα γραφήματα χρησιμοποιούνται συχνά για την μοντελοποίηση
Θεώρημα κωδικοποίησης πηγής
Κωδικοποίηση Kωδικοποίηση πηγής Θεώρημα κωδικοποίησης πηγής Καθορίζει ένα θεμελιώδες όριο στον ρυθμό με τον οποίο η έξοδος μιας πηγής πληροφορίας μπορεί να συμπιεσθεί χωρίς να προκληθεί μεγάλη πιθανότητα
ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΑΚ. ΕΤΟΣ Μαθηματικά για Οικονομολόγους ΙI-Μάθημα 4 Γραμμικά Συστήματα
ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΑΚ. ΕΤΟΣ 2009-2010 Μαθηματικά για Οικονομολόγους ΙI-Μάθημα 4 Γραμμικά Συστήματα ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ Ι Ένα σύνολο m εξισώσεων n αγνώστων που έχει την ακόλουθη
Στοχαστικές Στρατηγικές. διαδρομής (1)
Στοχαστικές Στρατηγικές η ενότητα: Το γενικό πρόβλημα ελάχιστης διαδρομής () Τμήμα Μαθηματικών, ΑΠΘ Ακαδημαϊκό έτος 08-09 Χειμερινό Εξάμηνο Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & Πανεπιστήμιο
Προβλήματα Ελάχιστου Κόστους Ροής σε Δίκτυο. Δίκτυα Ροής Ελάχιστου Κόστους (Minimum Cost Flow Networks)
Προβλήματα Ελάχιστου Κόστους Ροής σε Δίκτυο Ορισμοί Παραδείγματα Δικτυακή Simplex (προβλήματα με και χωρίς φραγμούς). Δίκτυα Ροής Ελάχιστου Κόστους (Minimum ost Flow Networks) Ένα δίκτυο μεταφόρτωσης αποτελείται
Συντομότερες Διαδρομές
Συντομότερες Διαδρομές Επιμέλεια διαφανειών: Δ. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Συντομότερη Διαδρομή Κατευθυνόμενο G(V, E, w) με μήκη Μήκος διαδρομής
Εφαρμοσμένα Μαθηματικά ΙΙ 9ο Σετ Ασκήσεων (Λύσεις) Διανυσματικοί Χώροι
Εφαρμοσμένα Μαθηματικά ΙΙ 9ο Σετ Ασκήσεων (Λύσεις) Διανυσματικοί Χώροι Επιμέλεια: Ι. Λυχναρόπουλος. Δείξτε ότι ο V R εφοδιασμένος με τις ακόλουθες πράξεις (, a b) + (, d) ( a+, b+ d) και k ( ab, ) ( kakb,
2. ΜΑΘΗΜΑΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
. ΜΑΘΗΜΑΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ. Εισαγωγή Οι κλασσικές μέθοδοι αριστοποίησης βασίζονται κατά κύριο λόγο στο διαφορικό λογισμό. Ο Μαθηματικός Προγραμματισμός ο οποίος περιλαμβάνει τον Γραμμικό Προγραμματισμό
Τμήμα Μηχανικών Πληροφορικής ΤΕ Πρόβλημα Μεταφοράς. Γεωργία Φουτσιτζή ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα
Τμήμα Μηχανικών Πληροφορικής ΤΕ 2016-2017 Πρόβλημα Μεταφοράς Γεωργία Φουτσιτζή ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα To Πρόβλημα Μεταφοράς Μαθηματική Διατύπωση Εύρεση Αρχικής Λύσης Προσδιορισμός Βέλτιστης Λύσης
Μία μέθοδος προσομοίωσης ψηφιακών κυκλωμάτων Εξελικτικής Υπολογιστικής
Μία μέθοδος προσομοίωσης ψηφιακών κυκλωμάτων Εξελικτικής Υπολογιστικής Βασισμένο σε μια εργασία των Καζαρλή, Καλόμοιρου, Μαστοροκώστα, Μπαλουκτσή, Καλαϊτζή, Βαλαή, Πετρίδη Εισαγωγή Η Εξελικτική Υπολογιστική
Υπολογιστικά & Διακριτά Μαθηματικά
Υπολογιστικά & Διακριτά Μαθηματικά Ενότητα 5: Αναδρομικές σχέσεις - Υπολογισμός Αθροισμάτων Στεφανίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ
1 ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΚΕΦΑΛΑΙΟ 3ο: ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΑΛΓΟΡΙΘΜΟΙ ΜΕΡΟΣ 2 ο : ΣΤΟΙΒΑ & ΟΥΡΑ ΙΣΤΟΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ: http://eclass.sch.gr/courses/el594100/ ΣΤΟΙΒΑ 2 Μια στοίβα
είναι πρόβλημα μεγιστοποίησης όλοι οι περιορισμοί είναι εξισώσεις με μη αρνητικούς του σταθερούς όρους όλες οι μεταβλητές είναι μη αρνητικές
Ένα τυχαίο π.γ.π. maximize/minimize z=c x Αx = b x 0 Τυπική μορφή του π.γ.π. maximize z=c x Αx = b x 0 b 0 είναι πρόβλημα μεγιστοποίησης όλοι οι περιορισμοί είναι εξισώσεις με μη αρνητικούς του σταθερούς
Τμήμα Μηχανικών Η/Υ και Πληροφορικής
Τμήμα Μηχανικών Η/Υ και Πληροφορικής Εργαστήριο Επεξεργασίας Σημάτων και Τηλεπικοινωνιών Ασύρματες και Κινητές Επικοινωνίες Κωδικοποίηση καναλιού Τι θα δούμε στο μάθημα Σύντομη εισαγωγή Γραμμικοί κώδικες
1. ΣΤΑΤΙΚΗ ΑΡΙΣΤΟΠΟΙΗΣΗ
. ΣΤΑΤΙΚΗ ΑΡΙΣΤΟΠΟΙΗΣΗ. Μέγιστα και Ελάχιστα Συναρτήσεων Χωρίς Περιορισμούς Συναρτήσεις μιας Μεταβλητής Εστω f ( x) είναι συνάρτηση μιας μόνο μεταβλητής. Εστω επίσης ότι x είναι ένα σημείο στο πεδίο ορισμού
Τεχνικές Εκτίμησης Υπολογιστικών Συστημάτων 1ο Σετ Ασκήσεων - Λύσεις
Τεχνικές Εκτίμησης Υπολογιστικών Συστημάτων ο Σετ Ασκήσεων - Λύσεις Νοέμβριος - Δεκέμβριος 205 Ερώτημα (α). Η νοσοκόμα ακολουθεί μια Ομογενή Μαρκοβιανή Αλυσίδα Διακριτού Χρόνου με χώρο καταστάσεων το σύνολο
Συμπίεση Δεδομένων
Συμπίεση Δεδομένων 014-015 Μοναδικά Αποκωδικοποιήσιμοι Κώδικες Δρ. Ν. Π. Σγούρος Έλεγος μοναδικής Αποκωδικοποίησης Γενικοί ορισμοί Έστω δύο κωδικές λέξεις α,β με μήκη,m και
ΚΑΤΑΣΤΡΩΣΗ ΔΙΑΦΟΡΙΚΩΝ ΕΞΙΣΩΣΕΩΝ ΠΟΛΥΒΑΘΜΙΩΝ ΣΥΣΤΗΜΑΤΩΝ 55
ΚΑΤΑΣΤΡΩΣΗ ΔΙΑΦΟΡΙΚΩΝ ΕΞΙΣΩΣΕΩΝ ΠΟΛΥΒΑΘΜΙΩΝ ΣΥΣΤΗΜΑΤΩΝ 55 ΚΕΦΑΛΑΙΟ 3 ΚΑΤΑΣΤΡΩΣΗ ΔΙΑΦΟΡΙΚΩΝ ΕΞΙΣΩΣΕΩΝ ΠΟΛΥΒΑΘΜΙΩΝ ΣΥΣΤΗΜΑΤΩΝ 3.. Εισαγωγή Αναφέρθηκε ήδη στο ο κεφάλαιο ότι η αναπαράσταση της ταλαντωτικής
Το µαθηµατικό µοντέλο του Υδρονοµέα
Ερευνητικό έργο: Εκσυγχρονισµός της εποπτείας και διαχείρισης του συστήµατος των υδατικών πόρων ύδρευσης της Αθήνας Το µαθηµατικό µοντέλο του Υδρονοµέα Ανδρέας Ευστρατιάδης και Γιώργος Καραβοκυρός Τοµέας
ΠΡΟΒΛΗΜΑΤΑ ΜΕΤΑΦΟΡΑΣ
(Transportation Problems) Βασίλης Κώστογλου E-mail: vkostogl@it.teithe.gr URL: www.it.teithe.gr/~vkostogl Περιγραφή Ένα πρόβλημα μεταφοράς ασχολείται με το πρόβλημα του προσδιορισμού του καλύτερου δυνατού
FORTRAN και Αντικειμενοστραφής Προγραμματισμός
FORTRAN και Αντικειμενοστραφής Προγραμματισμός Παραδόσεις Μαθήματος 2016 Δρ Γ Παπαλάμπρου Επίκουρος Καθηγητής ΕΜΠ georgepapalambrou@lmentuagr Εργαστήριο Ναυτικής Μηχανολογίας (Κτίριο Λ) Σχολή Ναυπηγών
Λυμένες ασκήσεις στα πλαίσια του μαθήματος «Διοίκηση Εφοδιαστικής Αλυσίδας»
Λυμένες ασκήσεις στα πλαίσια του μαθήματος «Διοίκηση Εφοδιαστικής Αλυσίδας» Άσκηση 1. Έστω ότι μια επιχείρηση αντιμετωπίζει ετήσια ζήτηση = 00 μονάδων για ένα συγκεκριμένο προϊόν, σταθερό κόστος παραγγελίας
Ψηφιακές Τηλεπικοινωνίες. Βέλτιστος Δέκτης
Ψηφιακές Τηλεπικοινωνίες Βέλτιστος Δέκτης Σύνδεση με τα Προηγούμενα Επειδή το πραγματικό κανάλι είναι αναλογικό, κατά τη διαβίβαση ψηφιακής πληροφορίας, αντιστοιχίζουμε τα σύμβολα σε αναλογικές κυματομορφές
ΑΠΑΝΤΗΣΕΙΣ , Β= 1 y, όπου y 0. , όπου y 0.
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Ι (ΘΕ ΠΛΗ ) ΕΠΑΝΑΛΗΠΤΙΚΗ ΕΞΕΤΑΣΗ 9 Ιουνίου 8:-: ΑΠΑΝΤΗΣΕΙΣ Θέμα (Α) ( 5 μονάδες) Δίδονται οι πίνακες Α=,
Εισαγωγή στην επιστήμη των υπολογιστών. Λογισμικό Υπολογιστών Κεφάλαιο 8ο Αλγόριθμοι
Εισαγωγή στην επιστήμη των υπολογιστών Λογισμικό Υπολογιστών Κεφάλαιο 8ο Αλγόριθμοι 1 Έννοια Ανεπίσημα, ένας αλγόριθμος είναι μια βήμα προς βήμα μέθοδος για την επίλυση ενός προβλήματος ή την διεκπεραίωση
Τμήμα Μηχανικών Πληροφορικής ΤΕ Η μέθοδος Simplex. Γκόγκος Χρήστος ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα. τελευταία ενημέρωση: 19/01/2017
Τμήμα Μηχανικών Πληροφορικής ΤΕ 2016-2017 Η μέθοδος Simplex Γκόγκος Χρήστος ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα τελευταία ενημέρωση: 19/01/2017 1 Πλεονεκτήματα Η μέθοδος Simplex Η μέθοδος Simplex είναι μια
ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΚΑΙ ΜΑΘΗΜΑΤΙΚΗ ΔΙΑΤΥΠΩΣΗ, Διαλ. 2. Ανωτάτη Σχολή Παιδαγωγικής και Τεχνολογικής Εκπαίδευσης 8/4/2017
ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΚΑΙ ΜΑΘΗΜΑΤΙΚΗ ΔΙΑΤΥΠΩΣΗ, Διαλ. 2 Ανωτάτη Σχολή Παιδαγωγικής και Τεχνολογικής Εκπαίδευσης 8/4/2017 Αντικειμενικοί στόχοι Η μελέτη των βασικών στοιχείων που συνθέτουν ένα πρόβλημα βελτιστοποίησης
Στοχαστικές Ανελίξεις- Φεβρουάριος 2015
Στοχαστικές Ανελίξεις- Φεβρουάριος 2015 ΟΔΗΓΙΕΣ (1) Απαντήστε σε όλα τα θέματα. Τα θέματα είναι ισοδύναμα. (2) Οι απαντήσεις να είναι αιτιολογημένες. Απαντήσεις χωρίς να φαίνεται η απαιτούμενη εργασία
Θεωρία Πληροφορίας. Διάλεξη 10: Κωδικοποίηση καναλιού με συνελικτικούς κώδικες. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής
Θεωρία Πληροφορίας Διάλεξη 10: Κωδικοποίηση καναλιού με συνελικτικούς κώδικες Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Ατζέντα Κωδικοποίηση καναλιού: Σύντομη επανάληψη Συνελικτικοί κώδικες Ιστορική
Θεωρία Πληροφορίας. Διάλεξη 4: Διακριτή πηγή πληροφορίας χωρίς μνήμη. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής
Θεωρία Πληροφορίας Διάλεξη 4: Διακριτή πηγή πληροφορίας χωρίς μνήμη Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Ατζέντα Διακριτή πηγή πληροφορίας χωρίς μνήμη Ποσότητα πληροφορίας της πηγής Κωδικοποίηση
ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Ι
ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Ι κ. ΠΕΤΑΛΙΔΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ 1 Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται
ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH
ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Η/Υ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Περιεχόμενα
Τηλεπικοινωνιακά Συστήματα ΙΙ
Τηλεπικοινωνιακά Συστήματα ΙΙ Διάλεξη 13: Συνελικτικοί Κώδικες Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Κώδικες: Εισαγωγή Συνελικτικοί κώδικες Ατζέντα Ιστορική αναδρομή Μαθηματικό υπόβαθρο Αναπαράσταση
z = c 1 x 1 + c 2 x c n x n
Τεχνολογικό Εκπαιδευτικό Ιδρυμα Κεντρικής Μακεδονίας - Σέρρες Τμήμα Μηχανικών Πληροφορικής Γραμμικός Προγραμματισμός & Βελτιστοποίηση Δρ. Δημήτρης Βαρσάμης Καθηγητής Εφαρμογών Δρ. Δημήτρης Βαρσάμης Μάρτιος
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΕΡΓΑΛΕΙΑ ΙΟΙΚΗΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΜΑΘΗΜΑ: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΙΟΙΚΗΣΗ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΑΘΗΜΑ: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΡΓΑΛΕΙΑ ΙΟΙΚΗΣΗΣ ιδάσκων:
Fermat, 1638, Newton Euler, Lagrange, 1807
Εισαγωγή Μαθ Προγρ Κλασικά Προβλ Επεκτάσεις Υπολογιστικές Μέθοδοι στη Θεωρία Αποφάσεων Ενότητα 1 Εισαγωγή Αντώνης Οικονόμου Τμήμα Μαθηματικών Πανεπιστήμιο Αθηνών Προπτυχιακό πρόγραμμα σπουδών 3 Μαρτίου
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές Εαρινό εξάμηνο 2018-2019 μήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό μήμα, Πανεπιστήμιο
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ. Διάλεξη 3: Περιγραφή αριθμητικών μεθόδων (συνέχεια)
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ Διάλεξη 3: Περιγραφή αριθμητικών μεθόδων (συνέχεια) Χειμερινό εξάμηνο 2008 Προηγούμενη παρουσίαση... Εξετάσαμε
ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΑΚ. ΕΤΟΣ ΔΙΑΛΕΞΗ 6 η -Η ΔΥΙΚΗ ΜΕΘΟΔΟΣ SIMPLEX
ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΑΚ. ΕΤΟΣ 2013-2014 ΔΙΑΛΕΞΗ 6 η -Η ΔΥΙΚΗ ΜΕΘΟΔΟΣ SIMPLEX ΔΥΙΚΟΤΗΤΑ Κάθε πρόβλημα γραμμικού προγραμματισμού συνδέεται με εάν άλλο πρόβλημα γραμμικού προγραμματισμού
ΔΥΝΑΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
ΔΥΝΑΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Εισαγωγή Ο Δυναμικός Προγραμματισμός (ΔΠ) είναι μία υπολογιστική μέθοδος η οποία εφαρμόζεται όταν πρόκειται να ληφθεί μία σύνθετη απόφαση η οποία προκύπτει από τη σύνθεση επιμέρους
Εκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν.
Εκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης Ελαχιστοποίηση συνάρτησης σφάλματος Εκπαίδευση ΤΝΔ: μπορεί να διατυπωθεί ως πρόβλημα ελαχιστοποίησης μιας συνάρτησης σφάλματος E(w)
Γραμμικός Προγραμματισμός
Γραμμικός Προγραμματισμός Δημήτρης Φωτάκης Προσθήκες (λίγες): Άρης Παγουρτζής Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Γραμμικός Προγραμματισμός Ελαχιστοποίηση
ΔΕΟ13 - Επαναληπτικές Εξετάσεις 2010 Λύσεις
ΔΕΟ - Επαναληπτικές Εξετάσεις Λύσεις ΘΕΜΑ () Το Διάγραμμα Διασποράς εμφανίζεται στο επόμενο σχήμα. Από αυτό προκύπτει καταρχήν μία θετική σχέση μεταξύ των δύο μεταβλητών. Επίσης, από το διάγραμμα φαίνεται
ΑΕΠΠ Ερωτήσεις θεωρίας
ΑΕΠΠ Ερωτήσεις θεωρίας Κεφάλαιο 1 1. Τα δεδομένα μπορούν να παρέχουν πληροφορίες όταν υποβάλλονται σε 2. Το πρόβλημα μεγιστοποίησης των κερδών μιας επιχείρησης είναι πρόβλημα 3. Για την επίλυση ενός προβλήματος
Εφαρμοσμένα Μαθηματικά ΙΙ 10ο Σετ Ασκήσεων (Λύσεις) Γραμμικοί Μετασχηματισμοί
Εφαρμοσμένα Μαθηματικά ΙΙ ο Σετ Ασκήσεων (Λύσεις) Γραμμικοί Μετασχηματισμοί Επιμέλεια: Ι. Λυχναρόπουλος. Να εξετασθεί αν είναι γραμμικές οι ακόλουθες συναρτήσεις: a) f : R R με f b) f : R R f y, ( +, y
Συντομότερες Διαδρομές
Συντομότερη Διαδρομή Συντομότερες Διαδρομές Διδάσκοντες: Σ Ζάχος, Δ Φωτάκης Επιμέλεια διαφανειών: Δ Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Κατευθυνόμενο G(V, E, w) με μήκη Μήκος
ΘΕΩΡΙΑ ΣΗΜΑΤΩΝ & ΣΥΣΤΗΜΑΤΩΝ. Χώρος Κατάστασης Μοντέλα Πεπερασµένων Διαφορών & Παραγώγων
ΘΕΩΡΙΑ ΣΗΜΑΤΩΝ & ΣΥΣΤΗΜΑΤΩΝ Χώρος Κατάστασης Μοντέλα Πεπερασµένων Διαφορών & Παραγώγων Εµµανουήλ Ζ. Ψαράκης Πολυτεχνική Σχολή Τµήµα Μηχανικών Η/Υ & Πληροφορικής Χώρος Κατάστασης Παραστάσεις στο Πεδίο του
(Γραμμικές) Αναδρομικές Σχέσεις
(Γραμμικές) Αναδρομικές Σχέσεις Διδάσκοντες: Φ. Αφράτη, Δ. Φωτάκης Επιμέλεια διαφανειών: Δ. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Αναδρομικές Σχέσεις
ΜΑΣ 371: Αριθμητική Ανάλυση ΙI ΑΣΚΗΣΕΙΣ. 1. Να βρεθεί το πολυώνυμο Lagrange για τα σημεία (0, 1), (1, 2) και (4, 2).
ΜΑΣ 37: Αριθμητική Ανάλυση ΙI ΑΣΚΗΣΕΙΣ Να βρεθεί το πολυώνυμο Lagrage για τα σημεία (, ), (, ) και (4, ) Να βρεθεί το πολυώνυμο παρεμβολής Lagrage που προσεγγίζει τη συνάρτηση 3 f ( x) si x στους κόμβους
ΕΠΙΛΥΣΗ ΕΚΦΥΛΙΣΜΕΝΩΝ ΚΑΙ ΓΕΝΙΚΩΝ ΓΡΑΜΜΙΚΩΝ ΠΡΟΒΛΗΜΑΤΩΝ. 4.1 Επίλυση Εκφυλισμένων Γραμμικών Προβλημάτων
ΚΕΦΑΛΑΙΟ 4 ΕΠΙΛΥΣΗ ΕΚΦΥΛΙΣΜΕΝΩΝ ΚΑΙ ΓΕΝΙΚΩΝ ΓΡΑΜΜΙΚΩΝ ΠΡΟΒΛΗΜΑΤΩΝ 4. Επίλυση Εκφυλισμένων Γραμμικών Προβλημάτων Η περιγραφή του ΔΑΣΕΣ στο προηγούμενο κεφάλαιο έγινε με σκοπό να διευκολυνθούν οι αποδείξεις
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ -ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ. Λύσεις των Θεμάτων της Εξέτασης Ιανουαρίου 2010 στο μάθημα: «Γραμμική Άλγεβρα» (ΗΥ119)
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ -ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ Λύσεις των Θεμάτων της Εξέτασης Ιανουαρίου 00 στο μάθημα: «Γραμμική Άλγεβρα» (ΗΥ9) Ηράκλειο, 7 Ιανουαρίου 00 Θέμα. (μονάδες.5) α) [μονάδες:.0]. Υπολογίστε
2. Η πιθανότητα της αριθμήσιμης ένωσης ξένων μεταξύ τους ενδεχομένων είναι το άθροισμα των πιθανοτήτων των ενδεχομένων.
Ένα μέτρο πιθανότητας πάνω στο δειγματικός χώρο Ω, είναι μία συνάρτηση P ( ) που αντιστοιχεί σε υποσύνολα του Ω, έναν αριθμό στο [ 0, ], με τις εξής ιδιότητες: P ( Ω ) 2 Η πιθανότητα της αριθμήσιμης ένωσης
Στοχαστικές Ανελίξεις (3) Αγγελική Αλεξίου
Στοχαστικές Ανελίξεις (3) Αγγελική Αλεξίου alexiou@unipi.gr 1 Αλυσίδες Markov 2 Παράδειγμα 1: παιχνίδι τύχης Στοχαστικές Ανελίξεις Α. Αλεξίου 3 Παράδειγμα 2: μηχανή Έστω μηχανή που παράγει ένα προϊόν με
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ Ενότητα 13: Αλγόριθμοι-Μεγάλων ακεραίων- Εκθετοποίηση- Πολλαπλασιασμός πινάκων -Strassen Μαρία Σατρατζέμη Τμήμα Εφαρμοσμένης Πληροφορικής Άδειες Χρήσης Το παρόν εκπαιδευτικό
ΔΙΑΓΩΝΙΣΜΑ 14. Μέρος Α
Μέρος Α ΔΙΑΓΩΝΙΣΜΑ 14 1. (4 μονάδες) (α). Να δοθεί το γράφημα μιας συνάρτησης f() της οποίας η παράγωγος έχει το γράφημα του παραπλεύρως σχήματος, και αρχική τιμή f() =. (β). Να βρεθεί συνάρτηση f() σταθερής
Markov. Γ. Κορίλη, Αλυσίδες. Αλυσίδες Markov
Γ. Κορίλη, Αλυσίδες Markov 3- http://www.seas.upe.edu/~tcom5/lectures/lecture3.pdf Αλυσίδες Markov Αλυσίδες Markov ιακριτού Χρόνου Υπολογισµός Στάσιµης Κατανοµής Εξισώσεις Ολικού Ισοζυγίου Εξισώσεις Λεπτοµερούς
Συνδυαστική Βελτιστοποίηση Εισαγωγή στον γραμμικό προγραμματισμό (ΓΠ)
Δυϊκότητα Θα δείξουμε πώς μπορούμε να αντιστοιχίσουμε ένα πρόβλημα ελαχιστοποίησης με ένα πρόβλημα ΓΠ στην συνήθη του μορφή. Ένα πρόβλημα στην συνήθη του μορφή μπορεί να είναι ένα κατασκευαστικό πρόβλημα,
Περιεχόμενα. Εισαγωγή του επιμελητή, Γιάννης Σταματίου 15 Πρόλογος 17 Εισαγωγή 23. Μέρος I. ΕΠΑΝΑΛΗΠΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΚΑΙ ΑΝΑΛΛΟΙΩΤΕΣ ΣΥΝΘΗΚΕΣ
Περιεχόμενα Εισαγωγή του επιμελητή, Γιάννης Σταματίου 15 Πρόλογος 17 Εισαγωγή 23 Μέρος I. ΕΠΑΝΑΛΗΠΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΚΑΙ ΑΝΑΛΛΟΙΩΤΕΣ ΣΥΝΘΗΚΕΣ 1. Επαναληπτικοί αλγόριθμοι: Μέτρα προόδου και αναλλοίωτες συνθήκες.....................................................29
για NP-Δύσκολα Προβλήματα
Προσεγγιστικοί Αλγόριθμοι για NP-Δύσκολα Προβλήματα Διδάσκοντες: Σ. Ζάχος, Δ. Φωτάκης Επιμέλεια διαφανειών: Δ. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο
HY213. ΑΡΙΘΜΗΤΙΚΗ ΑΝΑΛΥΣΗ
HY3. ΑΡΙΘΜΗΤΙΚΗ ΑΝΑΛΥΣΗ ΕΠΙΛΥΣΗ ΜΗ ΓΡΑΜΜΙΚΩΝ ΕΞΙΣΩΣΕΩΝ Π. ΤΣΟΜΠΑΝΟΠΟΥΛΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧ. & ΜΗΧ. ΥΠΟΛΟΓΙΣΤΩΝ Βασικά σημεία Μη γραμμικές εξισώσεις με πραγματικές ρίζες. Μέθοδος