ΕΡΩΤΗΜΑΤΑ σε ΓΕΝΕΤΙΚΟΥΣ

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ΕΡΩΤΗΜΑΤΑ σε ΓΕΝΕΤΙΚΟΥΣ"

Transcript

1 ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 1 ΕΡΩΤΗΜΑΤΑ σε ΓΕΝΕΤΙΚΟΥΣ ΚΩ ΙΚΟΠΟΙΗΣΗ ΕΡΩΤΗΜΑ 1.1 Ο φαινότυπος ενός ατόµου α.αναπαριστά ένα άτοµο στο χώρο λύσεων του προβλήµατος β.κωδικοποιεί µια λύση c.αναπαριστά µια λύση σε ένα πρόβληµα Σωστό είναι το (a) Αναπαριστά ένα άτοµο στο χώρο λύσεων του προβλήµατος ΤΕΣΤ 21 / ΑΣΚΗΣΗ 1.1 ΕΡΩΤΗΜΑ 1.2 Θέλουµε να χρησιµοποιήσουµε γενετικούς αλγόριθµους για να υπολογίσουµε τους ακέραιους a, b, c, d που παίρνουν τιµές στο και ικανοποιούν την εξίσωση ax 6 +bx 4 +cx 2 +d=0, για x=1 και για x=2. Πόσα bits χρειάζονται για την αναπαράσταση ενός ατόµου; α. 8 β. 32 γ. 4 δ. 800 ε. 1 Σωστό είναι το (b) 32 ΤΕΣΤ 21 / ΑΣΚΗΣΗ 1.2 ΕΡΩΤΗΜΑ 1.3 Για το πρόβληµα του πλανόδιου πωλητή µε 8 πόλεις αποφασίζουµε να αναπαραστήσουµε τις µεταβάσεις στις υποψήφιες λύσεις. Έτσι, για παράδειγµα, το άτοµο [[13][32][24][45][57][78][86][61]] συµβολίζει πως ξεκινάµε από την πόλη 1, µετά πάµε στην πόλη, 3, µετά στην πόλη 2, κ.ο.κ. καταλήγοντας στην πόλη 6 και µετά στην 1 (χωρίς να εννοούµε ότι είναι καλή αναπαράσταση). Θεωρούµε πως, για τα γονίδια, ο συµβολισµός [XY] είναι ισοδύναµος µε τον συµβολισµός [YX]. Πόσα γονίδια χρειαζόµαστε συνολικά; α. 64. β. 28. γ. 32. δ. 56. Σωστό είναι το (b) 28 ΤΕΣΤ 28 / ΑΣΚΗΣΗ 1.1 ΕΡΩΤΗΜΑ 1.4 Όταν χρησιµοποιούµε γενετικό προγραµµατισµό για να λύσουµε ένα πρόβληµα, το µέγεθος των λύσεων µπορεί να ποικίλει. Αυτό... α.... είναι κακό γιατί κάνει την αναζήτηση πιο αργή. β.... είναι καλό γιατί κάνει την αναζήτηση ταχύτερη. γ.... είναι κακό γιατί οι πιθανές λύσεις µικρού µεγέθους συνεχώς επαναλαµβάνονται. δ.... είναι καλό γιατί κάνει την αναζήτηση πληρέστερη. Σωστό είναι το ( ) είναι καλό γιατί κάνει την αναζήτηση πληρέστερη ΤΕΣΤ 28 / ΑΣΚΗΣΗ 1.2 ΑΞΙΟΛΟΓΗΣΗ ΕΡΩΤΗΜΑ 2.1 Θεωρήστε την αντικειµενική συνάρτηση «f(x)= αριθµός των 1 στην x όταν τα δύο γειτονικά του bits είναι 0», όπου το x είναι µια δυαδική συµβολοσειρά µήκους 4. Έστω ότι ο Γενετικός Αλγόριθµος τρέχει για τρεις γενιές µε τους παρακάτω πληθυσµούς:

2 ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 2 Γενιά 1: 1001, 1100, 0110, Γενιά 2: 1010, 1101, 0111, Γενιά 3: 1001, 1101, 0101, Η απόδοση του πληθυσµού ανά γενεά είναι: Επέλεξε µια απάντηση: a. Γενιά 1: 0, Γενιά 2: 1, Γενιά 3: 2 b. Γενιά 1: 8, Γενιά 2: 9, Γενιά 3: 9 c. Γενιά 1: 8, Γενιά 2: 8, Γενιά 3: 13 d. Γενιά 1: 2, Γενιά 2: 4, Γενιά 3: 7 Σωστό είναι το (α) Γενιά 1: 0, Γενιά 2: 1, Γενιά 3: 2 ΤΕΣΤ 20 / ΑΣΚΗΣΗ 1.1 ΕΡΩΤΗΜΑ 2.2 Θεωρήστε την αντικειµενική συνάρτηση «f(x)= αριθµός των 1 στην x», όπου το x είναι µια δυαδική συµβολοσειρά µήκους 4. Έστω ότι ο Γ.Α. τρέχει για τρεις γενιές µε τους παρακάτω πληθυσµούς: Γενιά 0: 1001, 1100, 0110, Γενιά 1: 1000, 1101, 0111, Γενιά 2: 1001, 1101, 1111, Η απόδοση του πληθυσµού ανά γενεά είναι: a. Γενιά 1: 8, Γενιά 2: 13, Γενιά 3: 13 b. Γενιά 1: 8, Γενιά 2: 8, Γενιά 3: 13 c. Γενιά 1: 8, Γενιά 2: 13, Γενιά 3: 8 d. Γενιά 1: 8, Γενιά 2: 8, Γενιά 3: 8 Σωστό είναι το (b) Γενιά 1: 8, Γενιά 2: 8, Γενιά 3: 13 ΤΕΣΤ 20 / ΑΣΚΗΣΗ 1.2 ΕΡΩΤΗΜΑ 2.3 Όταν χρησιµοποιούµε συναρτήσεις ποινής σε προβλήµατα βελτιστοποίησης υπό περιορισµούς, ποιό/α από τα παρακάτω θα µπορούσε/αν να ισχύει/ουν σχετικά µε το βάρος της συνάρτησης ποινής; α. Αυξάνεται µε το χρόνο. β. Μειώνεται µε το χρόνο. γ. Μένει σταθερό στο χρόνο. δ. Αυξοµειώνεται µε περιοδικό τρόπο. Σωστά είναι τα (Α) και (Γ) ΤΕΣΤ 22 / ΑΣΚΗΣΗ 1.3 ΙΑΣΤΑΥΡΩΣΗ ΕΡΩΤΗΜΑ 3.1 Με ποιό τελεστή διασταύρωσης έχουν προκύψει τα παιδιά και από τους γονείς και ; α. ιασταύρωση διπλού σηµείου στις θέσεις 4 και 5. β. ιασταύρωση µονού σηµείου στη θέση 3. γ. ιασταύρωση µονού σηµείου στη θέση 5. δ. ιασταύρωση µε χρήση του τελεστή ΟΧ. Σωστό είναι το (b) ιασταύρωση µονού σηµείου στη θέση 3 ΤΕΣΤ 20 / ΑΣΚΗΣΗ 1.3 ΕΡΩΤΗΜΑ 3.2

3 ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 3 Ο σκοπός της διασταύρωσης στους γενετικούς αλγορίθµους είναι να (a) Μειώσει τον αριθµό των γονοτύπων (b) Αυξήσει την ποικιλία ατόµων του πληθυσµού (c) Να µοντελοποιήσει τη φυσική µετάλλαξη Σωστό είναι το (b) Αυξήσει την ποικιλία ατόµων του πληθυσµού ΤΕΣΤ 20 / ΑΣΚΗΣΗ 1.4 ΕΡΩΤΗΜΑ 3.3 Ο σκοπός της διασταύρωσης στους γενετικούς αλγορίθµους είναι να α.... αυξήσει τον αριθµό ατόµων του πληθυσµού. β.... αυξήσει την ποικιλία ατόµων του πληθυσµού. γ.... µην αυξήσει τον αριθµό ατόµων του πληθυσµού. δ.... αυξήσει την οµοιότητα των καλών ατόµων του πληθυσµού. Σωστό είναι το (b) Αυξήσει την ποικιλία ατόµων του πληθυσµού Η διασταύρωση δεν τροποποιεί τον αριθµό ατόµων του πληθυσµού και συνδυάζει την γενετική πληροφορία των ατόµων που έχουν επιλεχθεί. Άρα σωστό είναι το (β) ΕΡΩΤΗΜΑ 3.4 Αν η διασταύρωση, µεταξύ χρωµοσωµάτων σε ένα χώρο αναζήτησης δεν παράγει σηµαντικά διαφορετικούς απογόνους και οι απόγονοι αποτελούνται από το µισό κάθε γονέα, τι πιθανότατα- συµβαίνει; α. Ο τελεστής διασταύρωσης δεν είναι επιτυχηµένος. β. Ο αλγόριθµος συγκλίνει στη λύση. γ. Η ποικιλοµορφία είναι τόσο φτωχή, ώστε οι γονείς που συµµετέχουν στη διασταύρωση είναι παρόµοιοι. δ. Ο χώρος αναζήτησης του προβλήµατος δεν είναι ιδανικός για να λειτουργήσει ο Γενετικός Αλγόριθµος. Σωστά είναι τα (Β) και (Γ) ΤΕΣΤ 28 / ΑΣΚΗΣΗ 1.3 ΕΡΩΤΗΜΑ 3.5 Ποια/ες από τις παρακάτω προτάσεις είναι σωστές; Επιλέξτε µία ή περισσότερες απαντήσεις: a. Η αύξηση της πιθανότητας διασταύρωσης αυξάνει την ταχύτητα εξερεύνησης του χώρου αναζήτησης. b. Η αύξηση της πιθανότητας µετάλλαξης αυξάνει την ταχύτητα εξερεύνησης του χώρου αναζήτησης. c. Η αύξηση της πιθανότητας διασταύρωσης ελαττώνει την ταχύτητα σύγκλισης των Γενετικών Αλγορίθµων. d. Η αύξηση της πιθανότητας µετάλλαξης ελαττώνει την ταχύτητα σύγκλισης των Γενετικών Αλγορίθµων. Σωστό είναι ΜΟΝΟ το ( ) κατά ΕΑΠ. [Κατά την κρίση µου, σωστό είναι και το (C)] Η µετάλλαξη τροποποιεί τα άτοµα, οπότε αν αυξήσουµε την πιθανότητα µετάλλαξης, τόσο µεγαλύτερη είναι η µεταβολή των ατόµων, άρα και πιο δύσκολο για τον αλγόριθµο να συγκλίνει. ΕΡΩΤΗΜΑ 3.6 Στον Γενετικό Προγραµµατισµό, ο τελεστής διασταύρωσης µπορεί να δηµιουργήσεις απογόνους για τους οποίους µπορεί να ισχύει: Επιλέξτε µία ή περισσότερες απαντήσεις: a. Να είναι και οι δύο µεγαλύτεροι από τους γονείς. b. Ο ένας απόγονος να είναι µικρότερος από το µικρότερο γονέα. c. Ο ένας απόγονος να είναι µεγαλύτερος από το µεγαλύτερο γονέα d. Να είναι και οι δύο µεγαλύτεροι από το µεγαλύτερο γονέα e. Να είναι και οι δύο µικρότεροι από τους γονείς Σωστά είναι τα (Β,C) Τα άτοµα στον γενετικό προγραµµατισµό κωδικοποιούνται στην µορφή ενός δένδρου. Έπειτα στην πράξη της διασταύρωσης γίνεται τυχαία ανταλλαγή δύο υποδένδρων, συνεπώς υπάρχει η δυνατότητα να προκύψουν απόγονοι που να είναι µεγαλύτεροι ή µικρότεροι από τους γονείς. ΕΡΩΤΗΜΑ 3.7 Ποιες είναι οι κυριότερες διαφορές µεταξύ οµοιόµορφης διασταύρωσης και διασταύρωσης µονού σηµείου;

4 ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 4 Επιλέξτε µία ή περισσότερες απαντήσεις: a. Η οµοιόµορφη διασταύρωση υλοποιείται πιο εύκολα. b. Η οµοιόµορφη διασταύρωση δεν παρουσιάζει µεροληψία θέσης όπως η διασταύρωση µονού σηµείου. c. Στη διασταύρωση µονού σηµείου οι απόγονοι διαφέρουν περισσότερο µεταξύ τους. d. Η οµοιόµορφη διασταύρωση παίρνει γονίδια από τον ένα ή τον άλλο γονέα, ενώ η διασταύρωση µονού σηµείου παίρνει ένα τµήµα από τον ένα γονέα και το υπόλοιπο από τον άλλο. Σωστό είναι το (D) Η οµοίοµορφη διασταύρωση παράγει τους απογόνους µε βάση ένα καλούπι (π.χ. Α=0000 και Β=1111 και καλουπι=1100 επιλέγει bit από τον γονέα 1 αν bit καλουπιου=1, αλλιώς από τον γονέα 2, έτσι C=0011 και D=1100). Συνεπώς η σωστή διατύπωση είναι η (D) ΜΕΤΑΛΛΑΞΗ ΕΡΩΤΗΜΑ 4.1 Η µετάλλαξη έχει τη δυνατότητα να τροποποιεί ενός ατόµου a. Τα γονίδια b. Το γονότυπο c. Το φαινότυπο Σωστά είναι τα (α,b,c) Τα επιλέγουµε όλα! ΤΕΣΤ 21 / ΑΣΚΗΣΗ 1.4 ΕΡΩΤΗΜΑ 4.2 Ποια από τις παρακάτω προτάσεις είναι η καλύτερη περιγραφή της έννοιας «µετάλλαξη»; a. Τυχαία τοπική και µικρή αλλαγή κάποιων συµβολοσειρών b. Τυχαία αλλαγή των συµβολοσειρών µε χρήση κάποιας σειράς διάταξης c. Τυχαίος συνδυασµός της γενετικής πληροφορίας που περιέχεται σε δύο συµβολοσειρές d. Τυχαία αρχικοποίηση των τιµών των συµβολοσειρών. e. Τυχαία επιλογή συµβολοσειρών για να φτιαχτεί η επόµενη γενιά Σωστό είναι τα (α) ΤΤυχαία τοπική και µικρή αλλαγή κάποιων συµβολοσειρών Το (Β) δεν είναι σωστό, αφού δεν υπάρχει σειρά διάταξης. Το (c) είναι λάθος αφού η µετάλλαξη επενεργεί σε ένα άτοµο και όχι σε 2. το (d) δεν έχει σχέση. Το (e) επίσης δεν έχει σχέση. ΚΡΙΤΗΡΙΟ ΤΕΡΜΑΤΙΣΜΟΥ (ΣΥΓΚΛΙΣΗ) ΕΡΩΤΗΜΑ 5.1 Για να ελαττώσει κανείς την πιθανότητα πρόωρης σύγκλισης ενός ΓΑ µπορεί να Select one: a. Ελαττώσει το µέγεθος του πληθυσµού b. Αυξήσει την πίεση επιλογής c. Ελαττώσει την πιθανότητα διασταύρωσης d. Αυξήσει την πιθανότητα µετάλλαξης Σωστό είναι το (d) Αυξήσει την πιθανότητα µετάλλαξης ΤΕΣΤ 22 / ΑΣΚΗΣΗ 1.1 ΕΡΩΤΗΜΑ 5.2 Όταν έχουµε µικρό µέγεθος πληθυσµού, είµαστε βέβαιοι ότι ένα µεγάλο µέρος του χώρου αναζήτησης καλύπτεται a. Αν αυξήσουµε την πιθανότητα µετάλλαξης. b. Αν αυξήσουµε τον αριθµό των γενιών.

5 ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 5 c. Αν αυξήσουµε την πιθανότητα διασταύρωσης. Σωστά είναι και τα τρια ΤΕΣΤ 21 / ΑΣΚΗΣΗ 1.3 ΕΡΩΤΗΜΑ 5.3 Σε ένα γενετικό αλγόριθµο που χρησιµοποιεί επιλογή, διασταύρωση και µετάλλαξη, παρατηρείται πρόωρη σύγκλιση (απώλεια της γενετικής ποικιλοµορφίας τα άτοµα του πληθυσµού µοιάζουν µεταξύ τους). Ποια από τα παρακάτω µέτρα θα πάρετε για να εξαλείψετε αυτό το πρόβληµα; a. Ελάττωση της πιθανότητας µετάλλαξης b. Αύξηση του µεγέθους του πληθυσµού c. Αύξηση της πιθανότητας διασταύρωσης d. Εφαρµογή οµοιόµορφης διασταύρωσης e. Αντικατάσταση της συνάρτησης καταλληλότητας f(x) µε την g(x)=(f(x) 0.1 ) Σωστό είναι το (Β) Αύξηση του µεγέθους του πληθυσµού Η ελάττωση της πιθανότητας µετάλλαξης οδηγεί στο να µην τροποποιούνται τα άτοµα, άρα είναι λάθος. Η άυξηση της διασταύρωσης δεν θα βοηθήσει (αφού ήδη τα άτοµα µοιάζουν µεταξύ τους). Το (d) θα φέρει άτοµα που οµοιάζουν µε τους γονείς, άρα δεν θα βοηθήσει (αφού τα άτοµα µοιάζουν µεταξύ τους). Το (ε) απλά µικραίνει την καταλληλότητα όλων των ατόµων. Συνεπώς σωστό είναι το (β). ΣΧΗΜΑΤΑ ΕΡΩΤΗΜΑ 6.1 Πόσα άτοµα ταιριάζουν σε ένα σχήµα µε ορίζον µήκος 5, τάξη 6 και µήκος συµβολοσειράς 6; Επέλεξε µια απάντηση: a. 4 b. 3 c. 1 d. 2 Σωστό είναι το (c) 1 ΤΕΣΤ 23 / ΑΣΚΗΣΗ 1.1 ΕΡΩΤΗΜΑ 6.2 Πόσα άτοµα ταιριάζουν σε ένα σχήµα µε µήκος 3, τάξη 4 και µήκος συµβολοσειράς m=6; Select one: a. 6 b. 4 c. 2 d. 3 e. 5 Σωστό είναι το (b) 4 ΤΕΣΤ 23 / ΑΣΚΗΣΗ 1.2 ΕΡΩΤΗΜΑ 6.3 Για το σχήµα S 1 =*1**1**, ποια είναι η πιθανότητα να καταστραφεί αν εφαρµοστεί µετάλλαξη µε πιθανότητα P m =0.05; Select one: a b. 0 c d. 0.2 e. 0.1 Σωστό είναι το (e) 0.1 ΤΕΣΤ 28 / ΑΣΚΗΣΗ 1.4

6 ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 6 ΕΡΩΤΗΜΑ 6.4 Για το σχήµα S 1 =*1**1**, ποια είναι η πιθανότητα να καταστραφεί το παραπάνω σχήµα αν εφαρµοστεί διασταύρωση µονού σηµείου µε πιθανότητα P c =0.8; Select one: a. 0.8 b. 0 c. 0.2 d. 0.1 e. 0.4 ΣΩΣΤO το (e) 0.4 ΤΕΣΤ 28 / ΑΣΚΗΣΗ 1.5 ΕΡΩΤΗΜΑ 6.5 Πόσα σχήµατα µπορούν να σχηµατιστούν από µια δυαδική συµβολοσειρά µήκους m=5; Select one: a. 243 b. 1 c. 81 d. 32 e. 16 ΣΩΣΤO το (a) 243 ΤΕΣΤ 23 / ΑΣΚΗΣΗ 1.3 ΕΡΩΤΗΜΑ 6.6 Έστω πληθυσµός σε Γενετικό Αλγόριθµο µε τα ακόλουθα άτοµα: 11011, 01010, 11001, Ως συνάρτηση καταλληλότητας είναι ο αριθµός, στο δεκαδικό σύστηµα αρίθµησης, που αντιστοιχεί στη δυαδική αναπαράσταση κάθε χρωµοσώµατος. Ποια είναι η µέση απόδοση των σχηµάτων 0###0 και ##01#; Επέλεξε µια απάντηση: a. 10 και 27 b. Κανένα από τα εναλλακτικά που δίνονται. c. 10 και 18.5 d. 0 και 18.5 Σωστό είναι το (c. 10 και 18.5 Στο 0###0 ταιριάζει το (δεκαδικος: 10). Άρα η µέση απόδοση είναι 10. Στο ##01# ταιριάζουν τα (δεκαδικός: 27) και (δεκαδικός: 10), άρα η µέση απόδοση είναι (27+10)/2=18.5 ΕΡΩΤΗΜΑ 6.7 Η απόδοση ενός σχήµατος εξαρτάται a. Από την πιθανότητα επιβίωσης. b. Από την οριστική του τάξη. c. Από το οριστικό του µήκος. d. Από την πιθανότητα καταστροφής. e. Από την καταλληλότητα των ατόµων τα οποία του ταιριάζουν. Σωστό είναι το (e) Από την καταλληλότητα των ατόµων τα οποία του ταιριάζουν Ισχύει eval(s,t) είναι η µέση απόδοση των συµβολοσειρών που ταιριάζουν στο σχήµα, άρα εξαρτάται από την καταλληλότητα των ατόµων στα οποία ταιριάζουν. ΕΡΩΤΗΜΑ 6.8 Ένας πληθυσµός αποτελείται από τις συµβολοσειρές που φαίνονται στον πίνακα. Εάν Pc= 0.75 και Pm=0.1, πόσες συµβολοσειρές αναµένεται να ταιριάζουν στο σχήµα *0***0, στην επόµενη γενιά;

7 ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 7 Επιλέξτε µια απάντηση: a. 2 ή 3 b. 0 c. 1 ή 2 ή 3 d. Λιγότερα από 3 e. Περισσότερα από 3 ΑΠΑΝΤΗΣΗ ΕΑΠ: Σωστό το (Ε) 2 ή 3 ΛΑΘΟΣ ΕΚΦΩΝΗΣΗ. ΟΙ ΑΠΑΝΤΗΣΕΙΣ ΕΙΝΑΙ ΟΛΕΣ ΛΑΘΟΣ. Κάνοντας τις πράξεις µε τον τύπο των σχηµάτων προκύπτει ξ(s,t+1)>=0,5. Συνεπώς σωστή απάντηση θα ήταν π.χ. τουλάχιστον 1, ή από 1 εώς 5. εν δίνεται τέτοια επιλογή από την εκφώνηση. ξs,t1 ξs,t evals,t δs 1p F t m1 οs p που είναι ίσο (Αφου στο σχήµα ταιριάζουν η 1η, η 2η και η 5η συµβολοσειρά): 50 ξs,t , # ξs,t1 2.5 $ % ξs,t1 0.5 ΣΥΝ ΥΑΣΤΙΚΕΣ ΕΡΩΤΗΣΕΙΣ ΕΡΩΤΗΜΑ 7.1 Ποιες προτάσεις είναι ορθές σε σχέση µε τους Γενετικούς Αλγορίθµους (ΓΑ); a. Η πιθανότητα µετάλλαξης δεν µπορεί να είναι πάνω από 30%. b. Υπάρχει συσχέτιση µεταξύ µεγέθους του πληθυσµού και της χρησιµότητας της διασταύρωσης. c. Η διασταύρωση δίνει πάντα νέα άτοµα στην επόµενη γενιά. d. Η µετάλλαξη δίνει πάντα νέα άτοµα στην επόµενη γενιά. e. Η πιθανότητα διασταύρωσης µπορεί να είναι κάτω από 60%. Σωστά είναι τα (b,e). Υπάρχει συσχέτιση µεταξύ του µεγέθους του πληθυσµού και της χρησιµότητας της διασταύρωσης, ΚΑΙ η πιθανότητα διασταύρωσηε µπορεί να είναι κάτω από 60%. ΤΕΣΤ 22 / ΑΣΚΗΣΗ 1.4 ΕΡΩΤΗΜΑ 7.2 Οι Γενετικοί Αλγόριθµοι µπορούν να εφαρµοστούν σε προβλήµατα τα οποία ικανοποιούν κάποιες προϋποθέσεις. Ποιά ή ποιές από τις παρακάτω προϋποθέσεις πρέπει να ικανοποιούνται; α. Η συνάρτηση καταλληλότητας να είναι καλά ορισµένη. β. Οι λύσεις µπορούν να αποσυντεθούν σε τµήµατα (δοµικά στοιχεία) τα οποία θα µπορούσαν να κωδικοποιηθούν σαν χρωµοσώµατα. γ. Οι τελεστές µετάλλαξης και διασταύρωσης πρέπει να εφαρµόζονται µε την ίδια πιθανότητα. Σωστό είναι το (a,b) Η συνάρτηση καταλληλότητας να είναι καλά ορισµένη ΚΑΙ Οι λύσεις µπορούν να αποσυντεθούν σε τµήµατα (δοµικά στοιχεία) τα οποία θα µπορούσαν να κωδικοποιηθούν σαν χρωµοσώµατα.

8 ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 8 Το (α) είναι προφανές. Το (β) σηµαίνει ότι η λύση πρέπει να είναι σε µία δοµή σύνθεσης γονιδίων που είναι πάλι προφανές. Το (γ) είναι λάθος αφού οι τελεστές διασταύρωση και µετάλλαξης έχουν διαφορετική πιθανότητα. ΕΡΩΤΗΜΑ 7.3 Ποιες προτάσεις είναι ορθές σε σχέση µε τους Γενετικούς Αλγορίθµους; a. Το µικρό µέγεθος πληθυσµού οδηγεί πάντα σε γρήγορη σύγκλιση του ΓΑ. b. Υπάρχει συσχέτιση µεταξύ µεγέθους του πληθυσµού και της χρησιµότητας της διασταύρωσης. c. Η συνάρτηση καταλληλότητας δεν δίνει πληροφορίες για το χώρο του προβλήµατος. d. Σε ένα ΓΑ είναι δυνατό να χρησιµοποιηθεί µόνο διασταύρωση. e. Η αύξηση της P m έχει πάντα σαν αποτέλεσµα την αύξηση του χρόνου σύγκλισης του ΓΑ. ΣΩΣΤΑ τα (b), (d), (e): (b) Υπάρχει συσχέτιση µεταξύ µεγέθους του πληθυσµού και της χρησιµότητας της διασταύρωσης,(d) Σε ένα ΓΑ είναι δυνατό να χρησιµοποιηθεί µόνο διασταύρωση, (e) Η αύξηση της P m έχει πάντα σαν αποτέλεσµα την αύξηση του χρόνου σύγκλισης του ΓΑ Το (α) δεν είναι σωστό αφού αν ο χώρος των λύσεων είναι µεγάλος, µικρό µέγεθος πληθυσµού οδηγεί σε αύξηση του χρόνου σύγκλισης. Το (c) είναι λάθος αφού η συνάρτηση καταλληλότητας ορίζει τον χώρο αναζήτησης του προβλήµατος. ΕΡΩΤΗΜΑ 7.4 Πολλά συστήµατα Γενετικού Προγραµµατισµού χρησιµοποιούν µόνο επιλογή και διασταύρωση, αλλά όχι µετάλλαξη. Αυτό γίνεται επειδή: Επιλέξτε µια απάντηση a. Συνήθως χρησιµοποιούν µεγάλους πληθυσµούς. b. Η διασταύρωση µπορεί να θεωρηθεί και σα µετάλλαξη. c. Η µετάλλαξη µπορεί να οδηγήσει σε µη νόµιµα άτοµα. d. Η µετάλλαξη καθυστερεί τη σύγκλιση. e. Η µετάλλαξη δε χρειάζεται. ΣΩΣΤO τo (b) Επειδή η διασταύρωση παράγει δύο νέα άτοµα δένδρα και η µετάλλαξη τροποποιεί ένα άτοµο αλλάζοντας ένα υποδένδρο του, η µετάλλαξη οµοιάζει αρκετά µε τη διασταύρωση (µε τη διαφορά ότι επενεργεί σε ένα άτοµο). Έτσι µπορεί να µην εφαρµοστεί σε ένα σύστηµα γενετικού προγραµµατισµού. ΕΡΩΤΗΜΑ 7.5 Ποιο/α από τα παρακάτω είναι προϋπόθεση/εις όταν οι Γενετικοί Αλγόριθµοι εφαρµόζονται στην επιλυση προβληµάτων; Επιλέξτε µία ή περισσότερες απαντήσεις: a. να υπάρχει µία µόνο λύση. b. η κωδικοποίηση των λύσεων, c. µια µέθοδος αξιολόγησης της καταλληλότητας των λύσεων d. η καλή κατανόηση του χώρου αναζήτησης, ΣΩΣΤA τa (b) και (c) Το (α) δεν είναι υποχρεωτικό, αφού οι γενετικοί αλγόριθµοι εφαρµόζονται κυρίως σε προβλήµατα βελτιστοποίησης στα οποία αναζητούµε µία λύση (από τις πολλές υποψήφιες που υπάρχουν ενδέχεται και µε το ίδιο βέλτιστο κόστος). Το (d) αποτελεί και πλεονέκτηµα των γενετικών αλγορίθµων αφού µπορούν να λειτουργήσουν αποδοτικά, ακόµη και αν δεν έχουµε αρκετή γνώση για τον χώρο των λύσεων. ΕΡΩΤΗΜΑ 7.6 Αν η διασταύρωση, µεταξύ χρωµοσωµάτων σε ένα χώρο αναζήτησης δεν παράγει σηµαντικά διαφορετικούς απογόνους και οι απόγονοι αποτελούνται από το µισό κάθε γονέα, τι πιθανότατα- συµβαίνει; Επιλέξτε µία ή περισσότερες απαντήσεις: a. Ο χώρος αναζήτησης του προβλήµατος δεν είναι ιδανικός για να λειτουργήσει ο Γενετικός Αλγόριθµος. b. Ο τελεστής διασταύρωσης δεν είναι επιτυχηµένος. c. Ο αλγόριθµος συγκλίνει στη λύση. d. Η ποικιλοµορφία είναι τόσο φτωχή, ώστε οι γονείς που συµµετέχουν στη διασταύρωση είναι παρόµοιοι. ΣΩΣΤA ΕΙΝΑΙ ΟΛΑ [Με επιφυλάξεις] ΕΡΩΤΗΜΑ 7.7

9 ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 9 Τι ισχύει στους γενετικούς αλγόριθµους για τη µετάλλαξη και τη διασταύρωση; Επιλέξτε µια απάντηση: a. Σε όλα τα προβλήµατα υπάρχουν και φαινότυποι και γονότυποι. b. Οι τελεστές εφαρµόζονται στους γονότυπους και στους φαινότυπους σε όλα τα προβλήµατα. c. Οι τελεστές εφαρµόζονται στους φαινότυπους σε όλα τα προβλήµατα και στους γονότυπους σε µερικά. d. Οι τελεστές εφαρµόζονται στους γονότυπους σε όλα τα προβλήµατα και στους φαινότυπους σε µερικά. ΑΠΑΝΤΗΣΗ ΠΟΥ ΙΝΕΙ ΤΟ ΕΑΠ: (D) [Ισχυρές Επιφυλάξεις. Π.χ. σε ακέραια κωδικοποίηση γίνεται µόνο σε φαινότυπο, ενώ σε δυαδική κωδικοποίηση σε γονότυπο (που επηρεάζει το φαινότυπο. Σε προβλήµατα (π.χ. ακεραιας κωδικοποιήσης δεν υπάρχει φαινότυπος. Κατά την άποψη µου, όλα είναι ΛΑΘΟΣ.] (ανεξήγητο). Με βάση το παραπάνω σκεπτικό θα έπρεπε να είναι όλα λάθος. ΕΡΩΤΗΜΑ 7.8 Ποιά/ες από τις παρακάτω προτάσεις είναι ορθή/ες; Επιλέξτε µια απάντηση: a. Κάτω από οποιεσδήποτε περιστάσεις οι Γενετικοί Αλγόριθµοι πάντοτε υπερτερούν των άλλων αλγορίθµων. b. Οι ποιότητα των λύσεων που προσφέρουν οι Γενετικοί Αλγόριθµοι για οποιοδήποτε πρόβληµα είναι πάντα καλύτερη από εκείνη που παρέχεται από άλλους αλγορίθµους αναζήτησης. c. Στην περίπτωση περιορισµένης πρόσβασης σε πληροφορία, οι Γενετικοί Αλγόριθµοι υπερτερούν στο ότι για να λειτουργήσουν απαιτούν λιγότερη πληροφορία από οποιαδήποτε άλλη µέθοδο αναζήτησης. d. Οι Γενετικοί Αλγόριθµοι θα µπορούσαν να εφαρµοστούν σε οποιοδήποτε πρόβληµα, ενώ οι κλασσικοί αλγόριθµοι είναι εφαρµόσιµοι σε περιορισµένα πεδία. ΣΩΣΤΟ ΕΙΝΑΙ το (c)[ Στην περίπτωση περιορισµένης πρόσβασης σε πληροφορία, οι Γενετικοί Αλγόριθµοι υπερτερούν στο ότι για να λειτουργήσουν απαιτούν λιγότερη πληροφορία από οποιαδήποτε άλλη µέθοδο αναζήτησης.] Ο γενετικός αλγόριθµος απαιτεί µόνο την κωδικοποίηση των υποψηφίων λύσεων, οπότε αν δεν έχουµε περαιτέρω πληροφορία για το χώρο αναζήτησης, µπορούµε να αφήσουµε τον γενετικό αλγόριθµο να εξερευνήσει το χώρο αναζήτησης. ΕΡΩΤΗΜΑ 7.9 Για το υποσύστηµα επιλογής µονοπατιού σε ένα ροµπότ ποιά/ες από τις παρακάτω τεχνολογίες θα χρησιµοποιούσατε; Επιλέξτε µια απάντηση: a. Ένα γενετικό αλγόριθµο. b. Ένα γραµµικό δίκτυο εµπρόσθιας τροφοδότησης. c. Ένα δίκτυο Kohonen. d. Ένα δίκτυο Hopfield. e. Ένα πολυεπίπεδο δίκτυο εµπρόσθιας τροφοδότησης. ΣΩΣΤΟ ΕΙΝΑΙ το (α)[ Έναν γενετικό αλγόριθµο.] Αυτό θα µπορούσε να γίνει µε την κωδικοποίηση των περιπάτων του ροµπότ (π.χ. µε µια συµβολοσειρά που περιέχει την ακολουθία των κινήσεων που κάνει το ροµπότ) και αξιολογώντας τον περίπατο αυτό (πχ. µε βάση το µήκος της) ΕΡΩΤΗΜΑ 7.10 Πολλές υλοποιήσεις Εξελικτικών Αλγορίθµων χρησιµοποιούν µεγάλο ρυθµό (πιθανότητα) µετάλλαξης στην αρχή της αναζήτησης και µικρό προς το τέλος της αναζήτησης. Αυτό γίνεται γιατί: Α. Έτσι αποφεύγουν την πρόωρη σύγκλιση Β. Πρώτα κάνουν αναζήτηση και µετά εκµετάλλευση της πληροφορίας από το χώρο αναζήτησης. Γ. Πρώτα κάνουν εκµετάλλευση της πληροφορίας από το χώρο αναζήτησης και µετά αναζήτηση.. Έτσι συγκλίνουν πιο γρήγορα. Σωστό είναι το (Α) Ετσι αποφεύγουν την πρόωρη σύγκλιση και το (Β) Πρώτα κάνουν αναζήτηση και µετά εκµετάλλευση της πληροφορίας από το χώρο αναζήτησης Αυτό γίνεται έτσι ώστε αρχικά στο χώρο αναζήτησης να γίνουν απότοµες µεταβάσεις και να εξερευνηθεί ένα µεγάλο µέρος του χώρου αναζήτησης και έπειτα να µικραίνει η πιθανότητα µετάλλαξης, έτσι ώστε να πραγµατοποιείται η σύγκλιση σε ένα τοπικό βέλτιστο.

10 ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 10 ΕΡΩΤΗΜΑ 7.11 Σε κάποιο σύστηµα γενετικού προγραµµατισµού αποφασίζουµε να εργαστούµε αφαιρώντας ένα από τα συστατικά του «στοιχεία». Ποιό πιστεύετε πως µπορεί να αφαιρεθεί; Επιλέξτε µια απάντηση: a. Η επιλογή. b. Η µετάλλαξη. c. Η διασταύρωση. d. Η αξιολόγηση. Σωστό είναι το (B) H µετάλλαξη Επειδή η διασταύρωση παράγει δύο νέα άτοµα δένδρα και η µετάλλαξη τροποποιεί ένα άτοµο αλλάζοντας ένα υποδένδρο του, η µετάλλαξη οµοιάζει αρκετά µε τη διασταύρωση (µε τη διαφορά ότι επενεργεί σε ένα άτοµο). Έτσι µπορεί να µην εφαρµοστεί σε ένα σύστηµα γενετικού προγραµµατισµού.

Θεµελίωση Γενετικών Αλγορίθµων

Θεµελίωση Γενετικών Αλγορίθµων Θεµελίωση Γενετικών Αλγορίθµων Σηµερινό Μάθηµα Προβληµατισµοί Σχήµατα Τάξη Οριστικό Μήκος ΘεώρηµατωνΣχηµάτων Υπόθεση δοµικών Στοιχείων Πλάνη 1 Προβληµατισµοί Τι προβλέψεις µπορούν να γίνουν για τη χρονική

Διαβάστε περισσότερα

Τυπικά θέματα εξετάσεων. ΠΡΟΣΟΧΗ: Οι ερωτήσεις που παρατίθενται ΔΕΝ καλύπτουν την πλήρη ύλη του μαθήματος και παρέχονται απλά ενδεικτικά

Τυπικά θέματα εξετάσεων. ΠΡΟΣΟΧΗ: Οι ερωτήσεις που παρατίθενται ΔΕΝ καλύπτουν την πλήρη ύλη του μαθήματος και παρέχονται απλά ενδεικτικά ΤΕΙ Κεντρικής Μακεδονίας Τμήμα Μηχανικών Πληροφορικής ΤΕ Μεταπτυχιακό Πρόγραμμα Τηλεπικοινωνιών & Πληροφορικής Μάθημα : 204a Υπολογιστική Ευφυία Μηχανική Μάθηση Καθηγητής : Σπύρος Καζαρλής Ενότηα : Εξελικτική

Διαβάστε περισσότερα

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΜΕΡΟΣ ΤΡΙΤΟ Πολίτη Όλγα Α.Μ. 4528 Εξάµηνο 8ο Υπεύθυνος Καθηγητής Λυκοθανάσης

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 25 Αυγούστου 26 :-4: Κατασκευάστε έναν αισθητήρα (perceptron)

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Παρασκευή 9 Ιανουαρίου 2007 5:00-8:00 εδοµένου ότι η

Διαβάστε περισσότερα

ΕΡΩΤΗΜΑΤΑ σε ΑΝΑΖΗΤΗΣΗ

ΕΡΩΤΗΜΑΤΑ σε ΑΝΑΖΗΤΗΣΗ ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Ερωτήσεων Quiz - ΑΝΑΖΗΤΗΣΗ 1 ΕΡΩΤΗΜΑΤΑ σε ΑΝΑΖΗΤΗΣΗ ΕΡΩΤΗΜΑ 1 Έστω h µία παραδεκτή ευρετική συνάρτηση. Είναι η συνάρτηση h ½ παραδεκτή; a. Ναι, πάντα. b. Όχι, ποτέ. c.

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 21 Σεπτεµβρίου 2004 ιάρκεια: 3 ώρες Το παρακάτω σύνολο

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ

ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΘΕΜΑ ο (.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Πέµπτη 7 Ιανουαρίου 8 5:-8: Σχεδιάστε έναν αισθητήρα (perceptron)

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο (.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Τετάρτη Ιουνίου 7 :-4: Κατασκευάστε έναν αισθητήρα (perceptron)

Διαβάστε περισσότερα

Οι Εξελικτικοί Αλγόριθμοι (ΕΑ) είναι καθολικοί στοχαστικοί αλγόριθμοι βελτιστοποίησης, εμπνευσμένοι από τις βασικές αρχές της φυσικής εξέλιξης.

Οι Εξελικτικοί Αλγόριθμοι (ΕΑ) είναι καθολικοί στοχαστικοί αλγόριθμοι βελτιστοποίησης, εμπνευσμένοι από τις βασικές αρχές της φυσικής εξέλιξης. Οι Εξελικτικοί Αλγόριθμοι (ΕΑ) είναι καθολικοί στοχαστικοί αλγόριθμοι βελτιστοποίησης, εμπνευσμένοι από τις βασικές αρχές της φυσικής εξέλιξης. Ένα από τα γνωστότερα παραδείγματα των ΕΑ είναι ο Γενετικός

Διαβάστε περισσότερα

Κεφάλαιο 7. Γενετικοί Αλγόριθµοι. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Κεφάλαιο 7. Γενετικοί Αλγόριθµοι. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Κεφάλαιο 7 Γενετικοί Αλγόριθµοι Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Εισαγωγή Σε αρκετές περιπτώσεις το µέγεθος ενός προβλήµατος καθιστά απαγορευτική

Διαβάστε περισσότερα

ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ: θεωρητικό Πλαίσιο

ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ: θεωρητικό Πλαίσιο ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ: θεωρητικό Πλαίσιο EVOLOTIONARY ALGORITHMS 1 ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ Η Λογική (1/2) Ο Εξελικτικός Υπολογισµός (evolutionary computation) χρησιµοποιεί τα υπολογιστικά µοντέλα εξελικτικών

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 5η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 5η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 5η διάλεξη (2017-18) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται στα βιβλία Τεχνητή Νοημοσύνη των Βλαχάβα κ.ά., 3η έκδοση, Β. Γκιούρδας

Διαβάστε περισσότερα

Υπολογιστική Νοηµοσύνη

Υπολογιστική Νοηµοσύνη Υπολογιστική Νοηµοσύνη Σηµερινό Μάθηµα Η θεωρία της Εξέλιξης των Ειδών οµή Γενετικού Αλγόριθµου Κύρια χαρακτηριστικά ενός Γενετικού Αλγορίθµου (ΓΑ) Γενετική ιαδικασία 1 Η θεωρία της Εξέλιξης των Ειδών

Διαβάστε περισσότερα

οµή δικτύου ΣΧΗΜΑ 8.1

οµή δικτύου ΣΧΗΜΑ 8.1 8. ίκτυα Kohonen Το µοντέλο αυτό των δικτύων προτάθηκε το 1984 από τον Kοhonen, και αφορά διαδικασία εκµάθησης χωρίς επίβλεψη, δηλαδή δεν δίδεται καµία εξωτερική επέµβαση σχετικά µε τους στόχους που πρέπει

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Προβλήματα Βελτιστοποίησης Περιγραφή προβλήματος με αρχική κατάσταση, τελική

Διαβάστε περισσότερα

Νευρωνικά ίκτυα και Εξελικτικός. Σηµερινό Μάθηµα. επανάληψη Γενετικών Αλγορίθµων 1 η εργασία Επανάληψη νευρωνικών δικτύων Ασκήσεις εφαρµογές

Νευρωνικά ίκτυα και Εξελικτικός. Σηµερινό Μάθηµα. επανάληψη Γενετικών Αλγορίθµων 1 η εργασία Επανάληψη νευρωνικών δικτύων Ασκήσεις εφαρµογές Νευρωνικά ίκτυα και Εξελικτικός Προγραµµατισµός Σηµερινό Μάθηµα επανάληψη Γενετικών Αλγορίθµων η εργασία Επανάληψη νευρωνικών δικτύων Ασκήσεις εφαρµογές Κωδικοποίηση Αντικειµενική Συνάρτ Αρχικοποίηση Αξιολόγηση

Διαβάστε περισσότερα

5.1 Θεωρητική εισαγωγή

5.1 Θεωρητική εισαγωγή ΨΗΦΙΑΚΑ ΚΥΚΛΩΜΑΤΑ - ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ 5 ΚΩ ΙΚΟΠΟΙΗΣΗ BCD Σκοπός: Η κατανόηση της µετατροπής ενός τύπου δυαδικής πληροφορίας σε άλλον (κωδικοποίηση/αποκωδικοποίηση) µε τη µελέτη της κωδικοποίησης BCD

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ 1 ο (2,5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Πέµπτη 19 Ιουνίου 2008 11:00-14:00 Έστω το παρακάτω

Διαβάστε περισσότερα

Ανάλυση των Γενετικών Αλγορίθµων

Ανάλυση των Γενετικών Αλγορίθµων Ανάλυση των Γενετικών Αλγορίθµων Σηµερινό Μάθηµα ΠρόβληµαΒελτιστοποίησης Βελτιστοποίηση συνάρτησης µιας µεταβλητής Βελτιστοποίηση συνάρτησης k µεταβλητών Περιορισµοίτουπεδίουορισµού Περιορισµοί πλεοναζουσών

Διαβάστε περισσότερα

Γενετικοί Αλγόριθμοι. Εισαγωγή

Γενετικοί Αλγόριθμοι. Εισαγωγή Τεχνητή Νοημοσύνη 08 Γενετικοί Αλγόριθμοι (Genetic Algorithms) Εισαγωγή Σε αρκετές περιπτώσεις το μέγεθος ενός προβλήματος καθιστά απαγορευτική τη χρήση κλασικών μεθόδων αναζήτησης για την επίλυσή του.

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο 2.5 µονάδες ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 2 Σεπτεµβρίου 2005 5:00-8:00 Σχεδιάστε έναν αισθητήρα ercetro

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΟΜΑ Α ΑΣΚΗΣΕΩΝ ΑΣΚΗΣΗ Στην εικόνα παρακάτω φαίνεται ένα νευρωνικό

Διαβάστε περισσότερα

ΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ

ΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ Μάθηµα 3. ΕΡΩΤΗΜΑ Ένας αισθητήρας µπορεί να µάθει: a. εδοµένα που ανήκουν σε 5 διαφορετικές κλάσεις. b. εδοµένα που ανήκουν

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ ΕΠΛ 035 - ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΑΛΓΟΡΙΘΜΟΙ ΓΙΑ ΗΛΕΚΤΡΟΛΟΓΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΚΑΙ ΜΗΧΑΝΙΚΟΥΣ ΥΠΟΛΟΓΙΣΤΩΝ Ακαδηµαϊκό έτος 2017-2018 Υπεύθυνος εργαστηρίου: Γεώργιος

Διαβάστε περισσότερα

Συστήματα Επιχειρηματικής Ευφυίας

Συστήματα Επιχειρηματικής Ευφυίας Συστήματα Επιχειρηματικής Ευφυίας Γενετικοί αλγόριθμοι (GA) : Από τον Δαρβίνο (1859) στον J. Holland (1975). (Ένα ταξίδι στον υπέροχο κόσμο της επιλογής, της διασταύρωσης και της μετάλλαξης). Charles Darwin

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 26 Ιανουαρίου 2004 ιάρκεια: 2 ώρες (9:00-:00) Στην παρακάτω

Διαβάστε περισσότερα

Αριθµητική Ανάλυση 1 εκεµβρίου / 43

Αριθµητική Ανάλυση 1 εκεµβρίου / 43 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 1 / 43 Κεφ.5. Αριθµητικός Υπολογισµός Ιδιοτιµών και Ιδιοδιανυσµάτων ίνεται ένας πίνακας A C n n και Ϲητούνται να προσδιορισθούν οι

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ & ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ 2006-2007 2η Σειρά Ασκήσεων ΑΠΑΝΤΗΣΕΙΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ & ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ 2006-2007 2η Σειρά Ασκήσεων ΑΠΑΝΤΗΣΕΙΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ & ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ 2006-2007 2η Σειρά Ασκήσεων ΑΠΑΝΤΗΣΕΙΣ 1. ίνεται το γνωστό πρόβληµα των δύο δοχείων: «Υπάρχουν δύο δοχεία

Διαβάστε περισσότερα

Τεχνολογία Συστημάτων Υδατικών Πόρων

Τεχνολογία Συστημάτων Υδατικών Πόρων Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Υδατικών Πόρων και Περιβάλλοντος Τεχνολογία Συστημάτων Υδατικών Πόρων Βελτιστοποίηση:Προχωρημένες Μέθοδοι Χρήστος Μακρόπουλος, Επίκουρος Καθηγητής ΕΜΠ Σχολή Πολιτικών

Διαβάστε περισσότερα

Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Υδατικών Πόρων και Περιβάλλοντος. Διαχείριση Υδατικών Πόρων

Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Υδατικών Πόρων και Περιβάλλοντος. Διαχείριση Υδατικών Πόρων Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Υδατικών Πόρων και Περιβάλλοντος Διαχείριση Υδατικών Πόρων Βελτιστοποίηση Προχωρημένες Μέθοδοι Προβλήματα με την «κλασική» βελτιστοποίηση Η αντικειμενική συνάρτηση σπανίως

Διαβάστε περισσότερα

Εισαγωγή στους Γενετικούς Αλγορίθμους

Εισαγωγή στους Γενετικούς Αλγορίθμους ΕΡΓΑΣΤΗΡΙΟ ΑΝΑΓΝΩΡΙΣΗΣ ΠΡΟΤΥΠΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών & Πληροφορικής Τομέας Εφαρμογών και Θεμελιώσεων της Επιστήμης των Υπολογιστών. Διευθυντής

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΤΕΙ ΙΟΝΙΩΝ ΝΗΣΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗ ΔΙΟΙΚΗΣΗ ΚΑΙ ΣΤΗΝ ΟΙΚΟΝΟΜΙΑ 7 Ο ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΑΠΟΣΤΟΛΙΑ ΠΑΓΓΕ Περιεχόμενα 2 Δυαδικό Σύστημα Προσημασμένοι δυαδικοί αριθμοί Αφαίρεση

Διαβάστε περισσότερα

ΣΧΕΔΙΑΣΜΟΣ ΚΙΝΗΣΗΣ ΚΑΙ ΧΡΟΝΟΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΡΓΑΣΙΩΝ ΣΕ ΒΙΟΜΗΧΑΝΙΚΑ ΠΕΡΙΒΑΛΛΟΝΤΑ

ΣΧΕΔΙΑΣΜΟΣ ΚΙΝΗΣΗΣ ΚΑΙ ΧΡΟΝΟΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΡΓΑΣΙΩΝ ΣΕ ΒΙΟΜΗΧΑΝΙΚΑ ΠΕΡΙΒΑΛΛΟΝΤΑ ΣΧΕΔΙΑΣΜΟΣ ΚΙΝΗΣΗΣ ΚΑΙ ΧΡΟΝΟΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΡΓΑΣΙΩΝ ΣΕ ΒΙΟΜΗΧΑΝΙΚΑ ΠΕΡΙΒΑΛΛΟΝΤΑ Ηλίας Κ. Ξυδιάς 1, Ανδρέας Χ. Νεάρχου 2 1 Τμήμα Μηχανικών Σχεδίασης Προϊόντων & Συστημάτων, Πανεπιστήμιο Αιγαίου, Σύρος

Διαβάστε περισσότερα

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» 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

Διαβάστε περισσότερα

Επιµέλεια Θοδωρής Πιερράτος

Επιµέλεια Θοδωρής Πιερράτος Η έννοια πρόβληµα Ανάλυση προβλήµατος Με τον όρο πρόβληµα εννοούµε µια κατάσταση η οποία χρήζει αντιµετώπισης, απαιτεί λύση, η δε λύση της δεν είναι γνωστή ούτε προφανής. Μερικά προβλήµατα είναι τα εξής:

Διαβάστε περισσότερα

Υπολογιστική Νοημοσύνη

Υπολογιστική Νοημοσύνη Υπολογιστική Νοημοσύνη Εξελικτική Βελτιστοποίηση Γενετικοί Αλγόριθμοι Αναστάσιος Ντούνης, Καθηγητής Εργαστήριο Υπολογιστικής Νοημοσύνης Ευφυούς Ελέγχου Τμήμα Μηχανικών Αυτοματισμού Σχολή Τεχνολογικών Εφαρμογών

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο 2.5 µονάδες ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 7 Ιανουαρίου 2005 ιάρκεια εξέτασης: 5:00-8:00 Έστω ότι

Διαβάστε περισσότερα

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΜΕΡΟΣ ΠΡΩΤΟ Πολίτη Όλγα Α.Μ. 4528 Εξάµηνο 8ο Υπεύθυνος Καθηγητής Λυκοθανάσης

Διαβάστε περισσότερα

Επίλυση προβληµάτων. Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης

Επίλυση προβληµάτων. Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης Επίλυση προβληµάτων Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης! Παιχνίδια δύο αντιπάλων Προβλήµατα ικανοποίησης περιορισµών Γενικά " Ντετερµινιστικά

Διαβάστε περισσότερα

4 η ΕΝΟΤΗΤΑ ΜΕΤΑΕΥΡΕΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΕΠΙΛΥΣΗΣ ΠΡΟΒΛΗΜΑΤΩΝ ΕΝΟΣ ΚΡΙΤΗΡΙΟΥ

4 η ΕΝΟΤΗΤΑ ΜΕΤΑΕΥΡΕΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΕΠΙΛΥΣΗΣ ΠΡΟΒΛΗΜΑΤΩΝ ΕΝΟΣ ΚΡΙΤΗΡΙΟΥ ΣΧΟΛΗ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΕΜΠ ΕΙΣΑΓΩΓΗ ΣΤΗN ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ 4 η ΕΝΟΤΗΤΑ ΜΕΤΑΕΥΡΕΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΕΠΙΛΥΣΗΣ ΠΡΟΒΛΗΜΑΤΩΝ ΕΝΟΣ ΚΡΙΤΗΡΙΟΥ Μ. Καρλαύτης Ν. Λαγαρός Άδεια Χρήσης Το παρόν εκπαιδευτικό

Διαβάστε περισσότερα

ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ΑΠΟΙΚΙΑΣ ΜΥΡΜΗΓΚΙΩΝ ANT COLONY OPTIMIZATION METHODS

ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ΑΠΟΙΚΙΑΣ ΜΥΡΜΗΓΚΙΩΝ ANT COLONY OPTIMIZATION METHODS ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ΑΠΟΙΚΙΑΣ ΜΥΡΜΗΓΚΙΩΝ ANT COLONY OPTIMIZATION METHODS Χρήστος Δ. Ταραντίλης Αν. Καθηγητής ΟΠΑ ACO ΑΛΓΟΡΙΘΜΟΙ Η ΛΟΓΙΚΗ ΑΝΑΖΗΤΗΣΗΣ ΛΥΣΕΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΙΑΤΑΞΗΣ (1/3) Ε..Ε. ΙΙ Oι ACO

Διαβάστε περισσότερα

1 ο Φροντιστήριο Υπολογιστική Νοημοσύνη 2

1 ο Φροντιστήριο Υπολογιστική Νοημοσύνη 2 1 ο Φροντιστήριο Υπολογιστική Νοημοσύνη 2 Άσκηση Δίνεται ο αρχικός πληθυσμός, στην 1 η στήλη στον παρακάτω πίνακα και οι αντίστοιχες καταλληλότητες (στήλη 2). Υποθέστε ότι, το ζητούμενο είναι η μεγιστοποίηση

Διαβάστε περισσότερα

ΒΙΟΛΟΓΙΑ ΘΕΤΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ 2015 ΗΜΕΡΗΣΙΑ ΓΕΝΙΚΑ ΛΥΚΕΙΑ ΚΑΙ ΕΠΑΛ (ΟΜΑ Α Β )

ΒΙΟΛΟΓΙΑ ΘΕΤΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ 2015 ΗΜΕΡΗΣΙΑ ΓΕΝΙΚΑ ΛΥΚΕΙΑ ΚΑΙ ΕΠΑΛ (ΟΜΑ Α Β ) ΒΙΟΛΟΓΙΑ ΘΕΤΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ 2015 ΗΜΕΡΗΣΙΑ ΓΕΝΙΚΑ ΛΥΚΕΙΑ ΚΑΙ ΕΠΑΛ (ΟΜΑ Α Β ) ΠΡΟΤΕΙΝΟΜΕΝΕΣ ΑΠΑΝΤΗΣΕΙΣ ΘΕΜΑ Α Α1 β Α2 γ Α3 α Α4 δ Α5 γ ΘΕΜΑ Β Β1: 1 Α 2 Β 3 Β 4 Α 5 Α 6 Α 7 Β 8 Β Β2:

Διαβάστε περισσότερα

Λύσεις Παλιών Θεµάτων. Συστήµατα Παράλληλης Επεξεργασίας, 9ο εξάµηνο Υπεύθ. Καθ. Νεκτάριος Κοζύρης

Λύσεις Παλιών Θεµάτων. Συστήµατα Παράλληλης Επεξεργασίας, 9ο εξάµηνο Υπεύθ. Καθ. Νεκτάριος Κοζύρης Λύσεις Παλιών Θεµάτων Συστήµατα Παράλληλης Επεξεργασίας, 9ο εξάµηνο Υπεύθ. Καθ. Νεκτάριος Κοζύρης Θέµα Φεβρουάριος 2003 1) Έστω ένας υπερκύβος n-διαστάσεων. i. Να βρεθεί ο αριθµός των διαφορετικών τρόπων

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΘΕΜΑ 1 ο (2,5 μονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Τελικές εξετάσεις Πέμπτη 21 Ιουνίου 2012 16:30-19:30 Υποθέστε ότι θέλουμε

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΣΧΕΔΙΑΣΗΣ ΠΡΟΪΟΝΤΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΛΕΞΑΝΔΡΕΙΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΑΥΤΟΜΑΤΙΣΜΟΥ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΣΧΕΔΙΑΣΗΣ ΠΡΟΪΟΝΤΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΛΕΞΑΝΔΡΕΙΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΑΥΤΟΜΑΤΙΣΜΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΣΧΕΔΙΑΣΗΣ ΠΡΟΪΟΝΤΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ & ΑΛΕΞΑΝΔΡΕΙΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΑΥΤΟΜΑΤΙΣΜΟΥ Πρόγραμμα μεταπτυχιακών σπουδών: «Σχεδίαση διαδραστικών

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μέρος Β (Οργάνωση Υπολογιστών)

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μέρος Β (Οργάνωση Υπολογιστών) ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ και ΥΠΟΛΟΓΙΣΤΩΝ ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μέρος Β (Οργάνωση Υπολογιστών)

Διαβάστε περισσότερα

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο Πρόβλημα ο Ασκήσεις Φροντιστηρίου 5 o Φροντιστήριο Δίνεται το παρακάτω σύνολο εκπαίδευσης: # Είσοδος Κατηγορία 0 0 0 Α 2 0 0 Α 0 Β 4 0 0 Α 5 0 Β 6 0 0 Α 7 0 Β 8 Β α) Στον παρακάτω κύβο τοποθετείστε τα

Διαβάστε περισσότερα

Αριθµητική Γραµµική ΑλγεβραΚεφάλαιο 4. Αριθµητικός Υπολογισµός Ιδιοτιµών 2 Απριλίου και2015 Ιδιοδιανυσµάτων 1 / 50

Αριθµητική Γραµµική ΑλγεβραΚεφάλαιο 4. Αριθµητικός Υπολογισµός Ιδιοτιµών 2 Απριλίου και2015 Ιδιοδιανυσµάτων 1 / 50 Αριθµητική Γραµµική Αλγεβρα Κεφάλαιο 4. Αριθµητικός Υπολογισµός Ιδιοτιµών και Ιδιοδιανυσµάτων ΕΚΠΑ 2 Απριλίου 205 Αριθµητική Γραµµική ΑλγεβραΚεφάλαιο 4. Αριθµητικός Υπολογισµός Ιδιοτιµών 2 Απριλίου και205

Διαβάστε περισσότερα

Μη Συµβολικές Μέθοδοι

Μη Συµβολικές Μέθοδοι Μη Συµβολικές Μέθοδοι! Η Συµβολική (symbolic AI): # Προσοµοιώνει τον τρόπο σκέψης του ανθρώπου, χρησιµοποιώντας ως δοµικές µονάδες τα σύµβολα. # Ένα σύµβολο µπορεί να αναπαριστά µία έννοια ή µία σχέση

Διαβάστε περισσότερα

ΠΛΗ21 Κεφάλαιο 2. ΠΛΗ21 Ψηφιακά Συστήματα: Τόμος Α Κεφάλαιο: 2 Δυαδική Κωδικοποίηση

ΠΛΗ21 Κεφάλαιο 2. ΠΛΗ21 Ψηφιακά Συστήματα: Τόμος Α Κεφάλαιο: 2 Δυαδική Κωδικοποίηση Ψηφιακά Συστήματα: Τόμος Α Κεφάλαιο: 2 Δυαδική Κωδικοποίηση Στόχοι του κεφαλαίου είναι να γνωρίσουμε: Τι είναι Κώδικας Τι είναι αλφάβητο & λέξεις ενός κώδικα Τι είναι οι δυαδικές λέξεις Το πλήθος των λέξεων

Διαβάστε περισσότερα

Γενετικός Προγραμματισμός

Γενετικός Προγραμματισμός Γενετικός Προγραμματισμός Εισαγωγή Κεντρικός στόχος της Τεχνητής Νοημοσύνης αποτελεί η ανάπτυξη μεθόδων και τεχνικών που θα καταστήσουν τους Ηλεκτρονικούς Υπολογιστές ικανούς να επιλύουν προβλήματα με

Διαβάστε περισσότερα

ΒΙΟΛΟΓΙΑ Γ ΛΥΚΕΙΟΥ ΚΑΤΕΥΘΥΝΣΗΣ 2007 ΕΚΦΩΝΗΣΕΙΣ

ΒΙΟΛΟΓΙΑ Γ ΛΥΚΕΙΟΥ ΚΑΤΕΥΘΥΝΣΗΣ 2007 ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ 1ο ΒΙΟΛΟΓΙΑ Γ ΛΥΚΕΙΟΥ ΚΑΤΕΥΘΥΝΣΗΣ 2007 ΕΚΦΩΝΗΣΕΙΣ Να γράψετε στο τετράδιό σας τον αριθµό καθεµιάς από τις παρακάτω ηµιτελείς προτάσεις 1 έως 5 και δίπλα το γράµµα που αντιστοιχεί στη λέξη ή τη φράση,

Διαβάστε περισσότερα

ΕΡΩΤΗΜΑΤΑ σε ΓΝΩΣΗ ΚΑΤΗΓΟΡΗΜΑΤΙΚΗ ΛΟΓΙΚΗ. ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Ερωτήσεων Quiz - ΓΝΩΣΗ 1. ΣΩΣΤO τo (b): NAI ΕΞΗΓΗΣΗ: ΤΕΣΤ 7 / ΑΣΚΗΣΗ 1.

ΕΡΩΤΗΜΑΤΑ σε ΓΝΩΣΗ ΚΑΤΗΓΟΡΗΜΑΤΙΚΗ ΛΟΓΙΚΗ. ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Ερωτήσεων Quiz - ΓΝΩΣΗ 1. ΣΩΣΤO τo (b): NAI ΕΞΗΓΗΣΗ: ΤΕΣΤ 7 / ΑΣΚΗΣΗ 1. ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Ερωτήσεων Quiz - ΓΝΩΣΗ 1 ΕΡΩΤΗΜΑΤΑ σε ΓΝΩΣΗ ΚΑΤΗΓΟΡΗΜΑΤΙΚΗ ΛΟΓΙΚΗ ΚΑΤΗΓΟΡΗΜΑΤΙΚΗ ΛΟΓΙΚΗ 1 Η πρόταση «εν είναι όλα τα άλογα τετράποδα» είναι ισοδύναµη µε την πρόταση. a.

Διαβάστε περισσότερα

Γενετικοί Αλγόριθμοι (ΓΑ) Genetic Algorithms (GAs) Είναι το πιο αντιπροσωπευτικό και δημοφιλές είδος Εξελικτικού Αλγόριθμου Χρησιμοποιούνται κυρίως

Γενετικοί Αλγόριθμοι (ΓΑ) Genetic Algorithms (GAs) Είναι το πιο αντιπροσωπευτικό και δημοφιλές είδος Εξελικτικού Αλγόριθμου Χρησιμοποιούνται κυρίως Σπύρος Καζαρλής Γενετικοί Αλγόριθμοι (ΓΑ) Genetic Algorithms (GAs) Είναι το πιο αντιπροσωπευτικό και δημοφιλές είδος Εξελικτικού Αλγόριθμου Χρησιμοποιούνται κυρίως ως αλγόριθμοι γενικής βελτιστοποίησης

Διαβάστε περισσότερα

Πρόβληµα 2 (15 µονάδες)

Πρόβληµα 2 (15 µονάδες) ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΑΘΗΜΑ: ΚΡΥΠΤΟΓΡΑΦΙΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ, 2013-2014 ΔΙΔΑΣΚΩΝ: Ε. Μαρκάκης Πρόβληµα 1 (5 µονάδες) 2 η Σειρά Ασκήσεων Προθεσµία Παράδοσης: 19/1/2014 Υπολογίστε

Διαβάστε περισσότερα

Εισαγωγή στην Πληροφορική. Α σ κ ή σ ε ι ς σ τ η ν ι α χ ε ί ρ ι σ η Μ ν ή µ η ς. Αντώνης Σταµατάκης

Εισαγωγή στην Πληροφορική. Α σ κ ή σ ε ι ς σ τ η ν ι α χ ε ί ρ ι σ η Μ ν ή µ η ς. Αντώνης Σταµατάκης Εισαγωγή στην Πληροφορική Α σ κ ή σ ε ι ς σ τ η ν ι α χ ε ί ρ ι σ η Μ ν ή µ η ς Αντώνης Σταµατάκης Μονάδες µέτρησης µνήµης Η βασική µονάδα µέτρησης της µνήµης στα υπολογιστικά συστήµατα είναι το µπάιτ

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΠΑΤΡΩΝ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΕΚΠΑΙ ΕΥΣΗΣ ΑΠΟ ΑΠΟΣΤΑΣΗ ΕΚΠΑΙ ΕΥΤΙΚΟ ΥΛΙΚΟ ΚΕΦΑΛΑΙΟ 5

ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΠΑΤΡΩΝ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΕΚΠΑΙ ΕΥΣΗΣ ΑΠΟ ΑΠΟΣΤΑΣΗ ΕΚΠΑΙ ΕΥΤΙΚΟ ΥΛΙΚΟ ΚΕΦΑΛΑΙΟ 5 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΕΚΠΑΙ ΕΥΣΗΣ ΑΠΟ ΑΠΟΣΤΑΣΗ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ P-INF-003 ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΓΕΝΕΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΕΚΠΑΙ ΕΥΤΙΚΟ ΥΛΙΚΟ ΚΕΦΑΛΑΙΟ 5 ΕΞΕΛΙΞΗ ΓΕΝΕΤΙΚΩΝ

Διαβάστε περισσότερα

ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ

ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ ΜΕΡΟΣ ΙΙ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ 36 ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΑΚΡΙΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΣΧΕΔΙΑΣΜΟΥ ΚΑΙ ΣΥΝΘΕΣΗΣ ΔΙΕΡΓΑΣΙΩΝ Πολλές από τις αποφάσεις

Διαβάστε περισσότερα

Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά

Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά και Πληροφορικής Μαθηματικά Πανεπιστήμιο ΙΙ Ιωαννίνων

Διαβάστε περισσότερα

Σηµειώσεις στις σειρές

Σηµειώσεις στις σειρές . ΟΡΙΣΜΟΙ - ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ Σηµειώσεις στις σειρές Στην Ενότητα αυτή παρουσιάζουµε τις βασικές-απαραίτητες έννοιες για την µελέτη των σειρών πραγµατικών αριθµών και των εφαρµογών τους. Έτσι, δίνονται συστηµατικά

Διαβάστε περισσότερα

Εισαγωγή στον Προγραµµατισµό. Ανάλυση (ή Επιστηµονικοί8 Υπολογισµοί)

Εισαγωγή στον Προγραµµατισµό. Ανάλυση (ή Επιστηµονικοί8 Υπολογισµοί) Εισαγωγή στον Προγραµµατισµό Αριθµητική Ανάλυση (ή Επιστηµονικοί Υπολογισµοί) ιδάσκοντες: Καθηγητής Ν. Μισυρλής, Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ 8 εκεµβρίου 2014 Ανάλυση (ή Επιστηµονικοί8 Υπολογισµοί)

Διαβάστε περισσότερα

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΜΕΡΟΣ ΕΥΤΕΡΟ Πολίτη Όλγα Α.Μ. 4528 Εξάµηνο 8ο Υπεύθυνος Καθηγητής Λυκοθανάσης

Διαβάστε περισσότερα

οµηµένος Εξελικτικός Αλγόριθµος

οµηµένος Εξελικτικός Αλγόριθµος ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΜΗΧΑΝΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΕΡΓΑΣΤΗΡΙΟ ΘΕΡΜΙΚΩΝ ΣΤΡΟΒΙΛΟΜΗΧΑΝΩΝ ιπλωµατική Εργασία: οµηµένος Εξελικτικός Αλγόριθµος του Ιωάννη Μ. Κλωνάρη Επιβλέπων: Κυριάκος Χ. Γιαννάκογλου

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 5η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 5η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 5η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται στα βιβλία Τεχνητή Νοημοσύνη των Βλαχάβα κ.ά., 3η έκδοση, Β. Γκιούρδας

Διαβάστε περισσότερα

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 15/1/2008

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 15/1/2008 Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 5//008 Πρόβληµα ο Στα παρακάτω ερωτήµατα επισηµαίνουµε ότι perceptron είναι ένας νευρώνας και υποθέτουµε, όπου χρειάζεται, τη χρήση δικτύων

Διαβάστε περισσότερα

Q 12. c 3 Q 23. h 12 + h 23 + h 31 = 0 (6)

Q 12. c 3 Q 23. h 12 + h 23 + h 31 = 0 (6) Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Πολιτικών Μηχανικών Τοµέας Υδατικών Πόρων Μάθηµα: Τυπικά Υδραυλικά Έργα Μέρος 2: ίκτυα διανοµής Άσκηση E0: Μαθηµατική διατύπωση µοντέλου επίλυσης απλού δικτύου διανοµής

Διαβάστε περισσότερα

ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ. 6η ΙΑΛΕΞΗ ΒΑΣΙΚΑ ΣΤΑ ΙΑ ΕΝΟΣ ΠΡΟΓΡΑΜΜΑΤΟΣ ΒΕΛΤΙΩΣΗΣ

ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ. 6η ΙΑΛΕΞΗ ΒΑΣΙΚΑ ΣΤΑ ΙΑ ΕΝΟΣ ΠΡΟΓΡΑΜΜΑΤΟΣ ΒΕΛΤΙΩΣΗΣ ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ ΦΥΤΩΝ 6η ΙΑΛΕΞΗ ΒΑΣΙΚΑ ΣΤΑ ΙΑ ΕΝΟΣ ΠΡΟΓΡΑΜΜΑΤΟΣ ΒΕΛΤΙΩΣΗΣ Απαραίτητες Προϋποθέσεις ενός Βελτιωτικού Προγράµµατος 1. Ύπαρξη γενετικής παραλλακτικότητας 2. Εφαρµογήεπιλογήςσεκάποιοστάδιοτου

Διαβάστε περισσότερα

ΒΙΟΛΟΓΙΑ ΘΕΤΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ Γ ΛΥΚΕΙΟΥ 22 ΜΑΪΟΥ 2015 ΑΠΑΝΤΗΣΕΙΣ

ΒΙΟΛΟΓΙΑ ΘΕΤΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ Γ ΛΥΚΕΙΟΥ 22 ΜΑΪΟΥ 2015 ΑΠΑΝΤΗΣΕΙΣ ΘΕΜΑ Α Α1. Β Α2. Γ Α3. Α Α4. Α5. Γ ΘΕΜΑ Β ΒΙΟΛΟΓΙΑ ΘΕΤΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ Γ ΛΥΚΕΙΟΥ 22 ΜΑΪΟΥ 2015 ΑΠΑΝΤΗΣΕΙΣ B1. Α (Σωµατικά κύτταρα στην αρχή της µεσόφασης): 1, 4, 5, 6 Β (Γαµέτες): 2, 3, 7, 8 Β2. (Κάθε

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ

ΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ ΥΠΕΥΘΥΝΟΣ ΚΑΘΗΓΗΤΗΣ Α. Ντούνης ΔΙΔΑΣΚΩΝ ΑΚΑΔ. ΥΠΟΤΡΟΦΟΣ Χ. Τσιρώνης ΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ - Επίλυση ασκήσεων - Αλγόριθμοι αναζήτησης - Επαναληπτική κάθοδος ΕΠΙΛΥΣΗ ΑΣΚΗΣΕΩΝ ΠΡΑΞΗΣ Θα επιλυθούν

Διαβάστε περισσότερα

Βασική Εφικτή Λύση. Βασική Εφικτή Λύση

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

Διαβάστε περισσότερα

Simplex µε πίνακες Simplex µε πίνακες

Simplex µε πίνακες Simplex µε πίνακες Μορφή Πινάκων max z =cx s.t. Ax = b x 0 Μορφή Πινάκων max z =cx s.t. Ax = b x 0 [ A c x = b ] Μορφή Πινάκων max z =cx s.t. Ax = b x 0 A x = b [ ] c Επιλογή αντιστρέψιµου υποπίνακα m m (Βάση) Συµβολισµοί

Διαβάστε περισσότερα

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 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

Διαβάστε περισσότερα

ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ. 7η ΙΑΛΕΞΗ ΜΕΘΟ ΟΙ ΕΠΙΛΟΓΗΣ ΣΤΑΥΡΟΓΟΝΙΜΟΠΟΙΟΥΜΕΝΩΝ

ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ. 7η ΙΑΛΕΞΗ ΜΕΘΟ ΟΙ ΕΠΙΛΟΓΗΣ ΣΤΑΥΡΟΓΟΝΙΜΟΠΟΙΟΥΜΕΝΩΝ ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ ΦΥΤΩΝ 7η ΙΑΛΕΞΗ ΜΕΘΟ ΟΙ ΕΠΙΛΟΓΗΣ ΣΤΑΥΡΟΓΟΝΙΜΟΠΟΙΟΥΜΕΝΩΝ ΦΥΤΩΝ Μαζική Επιλογή Η παλαιότερη µέθοδος Γενετικής Βελτίωσης Κυρίως χρησιµοποιείται για την βελτίωση πληθυσµών σταυρογονιµοποιούµενων

Διαβάστε περισσότερα

ΈΡΕΥΝΑ ΜΕΤΑΒΛΗΤΗΣ ΓΕΙΤΟΝΙΑΣ (Variable Neighborhood Search - VNS) VNS) (Variable Neighborhood Search -

ΈΡΕΥΝΑ ΜΕΤΑΒΛΗΤΗΣ ΓΕΙΤΟΝΙΑΣ (Variable Neighborhood Search - VNS) VNS) (Variable Neighborhood Search - ΈΡΕΥΝΑ ΜΕΤΑΒΛΗΤΗΣ ΓΕΙΤΟΝΙΑΣ (Variable Neighborhood Search - VNS) ΈΡΕΥΝΑ ΜΕΤΑΒΛΗΤΗΣ ΓΕΙΤΟΝΙΑΣ (Variable Neighborhood Search - VNS) Department of & Technology, 1 ΈΡΕΥΝΑ ΜΕΤΑΒΛΗΤΗΣ ΓΕΙΤΟΝΙΑΣ (Variable Neighborhood

Διαβάστε περισσότερα

ιοίκηση Παραγωγής και Υπηρεσιών

ιοίκηση Παραγωγής και Υπηρεσιών ιοίκηση Παραγωγής και Υπηρεσιών Προγραµµατισµός Παραγωγής Προβλήµατα µε πολλές µηχανές Γιώργος Ιωάννου, Ph.D. Αναπληρωτής Καθηγητής Σύνοψη διάλεξης Προβλήµατα Παράλληλων Μηχανών Ελαχιστοποίηση χρόνου ροής

Διαβάστε περισσότερα

Θεωρία Λήψης Αποφάσεων

Θεωρία Λήψης Αποφάσεων Θεωρία Λήψης Αποφάσεων Ενότητα 6: Αλγόριθμοι Τοπικής Αναζήτησης Μπεληγιάννης Γρηγόριος Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης Επιχειρήσεων Αγροτικών Προϊόντων & Τροφίμων (Δ.Ε.Α.Π.Τ.)

Διαβάστε περισσότερα

Γενετικοί αλγόριθµοι - ΓΑ Genetic algorithms - GA

Γενετικοί αλγόριθµοι - ΓΑ Genetic algorithms - GA Γενετικοί αλγόριθµοι - ΓΑ Genetic algorithms - GA ΕΦΑΡΜΟΓΗ στην ΕΠΕΞΕΡΓΑΣIΑ ΣΗΜΑΤΟΣ και στην ΑΣΑΦΗ ΛΟΓIΚΗ Σ. Φωτόπουλος ΠΑΝΕΠ. ΠΑΤΡΩΝ Τµ. ΦΥΣΙΚΗΣ ΠΜΣ ΗΕΠ ΓΑ - Εισαγωγικά Γενετικοί αλγόριθµοι (Genetic algorithms)

Διαβάστε περισσότερα

Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Υδατικών Πόρων και Περιβάλλοντος. Τεχνολογία Συστημάτων Υδατικών Πόρων

Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Υδατικών Πόρων και Περιβάλλοντος. Τεχνολογία Συστημάτων Υδατικών Πόρων Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Υδατικών Πόρων και Περιβάλλοντος Τεχνολογία Συστημάτων Υδατικών Πόρων Βελτιστοποίηση Προχωρημένες Μέθοδοι Προβλήματα με την «κλασική» βελτιστοποίηση Η αντικειμενική συνάρτηση

Διαβάστε περισσότερα

3 η ΕΝΟΤΗΤΑ ΜΗ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΕΝΟΣ ΚΡΙΤΗΡΙΟΥ

3 η ΕΝΟΤΗΤΑ ΜΗ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΕΝΟΣ ΚΡΙΤΗΡΙΟΥ ΣΧΟΛΗ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΕΜΠ ΕΙΣΑΓΩΓΗ ΣΤΗN ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ 3 η ΕΝΟΤΗΤΑ ΜΗ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΕΝΟΣ ΚΡΙΤΗΡΙΟΥ Μ. Καρλαύτης Ν. Λαγαρός Άδεια Χρήσης Το παρόν εκπαιδευτικό υλικό

Διαβάστε περισσότερα

Βασίλειος Μαχαιράς Πολιτικός Μηχανικός Ph.D.

Βασίλειος Μαχαιράς Πολιτικός Μηχανικός Ph.D. Βασίλειος Μαχαιράς Πολιτικός Μηχανικός Ph.D. Μη γραμμικός προγραμματισμός: μέθοδοι μονοδιάστατης ελαχιστοποίησης Πανεπιστήμιο Θεσσαλίας Σχολή Θετικών Επιστημών ΤμήμαΠληροφορικής Διάλεξη 6 η /2017 Τι παρουσιάστηκε

Διαβάστε περισσότερα

ΠΡΟΒΛΗΜΑΤΑ ΕΛΑΧΙΣΤΟΠΟΙΗΣΗΣ

ΠΡΟΒΛΗΜΑΤΑ ΕΛΑΧΙΣΤΟΠΟΙΗΣΗΣ ΠΡΟΒΛΗΜΑΤΑ ΕΛΑΧΙΣΤΟΠΟΙΗΣΗΣ Ελαχιστοποίηση κόστους διατροφής Ηεπιχείρηση ζωοτροφών ΒΙΟΤΡΟΦΕΣ εξασφάλισε µια ειδική παραγγελίααπό έναν πελάτη της για την παρασκευή 1.000 κιλών ζωοτροφής, η οποία θα πρέπει

Διαβάστε περισσότερα

Επιµέλεια Θοδωρής Πιερράτος

Επιµέλεια Θοδωρής Πιερράτος Ερωτήσεις Σωστό - Λάθος 1. Ο αλγόριθµος πρέπει να τερµατίζεται µετά από εκτέλεση πεπερασµένου αριθµού εντολών. 2. Η είσοδος σε έναν αλγόριθµο µπορεί να είναι έξοδος σε έναν άλλο αλγόριθµο. 3. Ένας αλγόριθµος

Διαβάστε περισσότερα

Μεθοδολογία επίλυσης ασκήσεων Γενετικής

Μεθοδολογία επίλυσης ασκήσεων Γενετικής Μεθοδολογία επίλυσης ασκήσεων Γενετικής Νόμοι του Mendel 1. Σε όλες τις ασκήσεις διασταυρώσεων αναφέρουμε τον 1 ο νόμο του Mendel (νόμο διαχωρισμού των αλληλόμορφων γονιδίων). 2. Σε ασκήσεις διυβριδισμού

Διαβάστε περισσότερα

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ. Ενότητα 5: Παραδείγματα. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ. Ενότητα 5: Παραδείγματα. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής Ενότητα 5: Παραδείγματα Ρεφανίδης Ιωάννης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύπου άδειας

Διαβάστε περισσότερα

Πανεπιστήμιο Πειραιώς Τμήμα Πληροφορικής

Πανεπιστήμιο Πειραιώς Τμήμα Πληροφορικής Νικόλαος - Σπυρίδων Αναστασίου Πανεπιστήμιο Πειραιώς Τμήμα Πληροφορικής Πρόγραμμα Μεταπτυχιακών Σπουδών «Πληροφορική» Μεταπτυχιακή Διατριβή Τίτλος Διατριβής Χρήση Εξελικτικών Αλγορίθμων για την εκπαίδευση

Διαβάστε περισσότερα

ΘΕΩΡΗΤΙΚΟ ΦΡΟΝΤΙΣΤΗΡΙΟ

ΘΕΩΡΗΤΙΚΟ ΦΡΟΝΤΙΣΤΗΡΙΟ ΘΕΜΑ Α Α1. β Α2. γ Α3. α Α4. δ Α5. γ ΘΕΜΑ Β Β1. ΠΑΝΕΛΛΑΔΙΚΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑΛ (ΟΜΑΔΑ Β ) ΠΑΡΑΣΚΕΥΗ 22 ΜΑΪΟΥ 2015 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΒΙΟΛΟΓΙΑ ΘΕΤΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ 1.

Διαβάστε περισσότερα

Περίληψη. ΗΜΥ 210: Λογικός Σχεδιασµός, Εαρινό Εξάµηνο 2005. υαδική Αφαίρεση. υαδική Αφαίρεση (συν.) Ακόµη ένα παράδειγµα Αφαίρεσης.

Περίληψη. ΗΜΥ 210: Λογικός Σχεδιασµός, Εαρινό Εξάµηνο 2005. υαδική Αφαίρεση. υαδική Αφαίρεση (συν.) Ακόµη ένα παράδειγµα Αφαίρεσης. ΗΜΥ-210: Λογικός Σχεδιασµός Εαρινό Εξάµηνο 2005 Κεφάλαιο 5 -ii: Αριθµητικές Συναρτήσεις και Κυκλώµατα Πανεπιστήµιο Κύπρου Τµήµα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Αφαίρεση δυαδικών Περίληψη

Διαβάστε περισσότερα

ΧΡΗΣΤΟΣ ΚΑΚΑΒΑΣ 1 ΒΙΟΛΟΓΟΣ

ΧΡΗΣΤΟΣ ΚΑΚΑΒΑΣ 1 ΒΙΟΛΟΓΟΣ ΚΕΦΑΛΑΙΟ 5ον ΜΕΝΔΕΛΙΚΗ ΚΛΗΡΟΝΟΜΙΚΟΤΗΤΑ ΤΙ ΠΡΕΠΕΙ ΝΑ ΞΕΡΩ 1. Τι είναι κυτταρικός κύκλος, και τα δυο είδη κυτταρικής διαίρεσης. 2. Από τα γεγονότα της μεσόφασης να μην μου διαφεύγει η αντιγραφή του γενετικού

Διαβάστε περισσότερα

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) +

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

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο 2.5 µονάδες ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 2 Οκτωβρίου 23 ιάρκεια: 2 ώρες Έστω το παρακάτω γραµµικώς

Διαβάστε περισσότερα

ΜΕΝΔΕΛΙΚΗ ΚΛΗΡΟΝΟΜΙΚΟΤΗΤΑ. Ο Mendel καλλιέργησε φυτά σε διάστημα 8 ετών για να φτάσει στη διατύπωση των νόμων της κληρονομικότητας

ΜΕΝΔΕΛΙΚΗ ΚΛΗΡΟΝΟΜΙΚΟΤΗΤΑ. Ο Mendel καλλιέργησε φυτά σε διάστημα 8 ετών για να φτάσει στη διατύπωση των νόμων της κληρονομικότητας ΜΕΝΔΕΛΙΚΗ ΚΛΗΡΟΝΟΜΙΚΟΤΗΤΑ Ο Mendel καλλιέργησε 28.000 φυτά σε διάστημα 8 ετών για να φτάσει στη διατύπωση των νόμων της κληρονομικότητας Λόγοι επιτυχίας των πειραμάτων του Mendel 1. Μελέτησε μία ή δύο

Διαβάστε περισσότερα

ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΓΕΝΕΤΙΚΟΥ ΑΛΓΟΡΙΘΜΟΥ

ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΓΕΝΕΤΙΚΟΥ ΑΛΓΟΡΙΘΜΟΥ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΓΕΝΕΤΙΚΟΥ ΑΛΓΟΡΙΘΜΟΥ ΓΙΑ ΡΥΘΜΙΣΗ ΜΕΘΟ ΟΥ ΕΚΤΙΜΗΣΗΣ ΚΟΣΤΟΥΣ ΜΕ ΑΝΑΛΟΓΙΕΣ Πτυχιακή Εργασία του ηµητρίου Μήλιου

Διαβάστε περισσότερα

Σας αποστέλλουµε τις προτεινόµενες απαντήσεις που αφορούν τα θέµατα της Βιολογίας Θετικής Κατεύθυνσης των Ηµερησίων Γενικών Λυκείων.

Σας αποστέλλουµε τις προτεινόµενες απαντήσεις που αφορούν τα θέµατα της Βιολογίας Θετικής Κατεύθυνσης των Ηµερησίων Γενικών Λυκείων. Αθήνα, 30/5/2012 ΠΑΝΕΛΛΗΝΙΑ ΕΝΩΣΗ ΒΙΟΕΠΙΣΤΗΜΟΝΩΝ Σας αποστέλλουµε τις προτεινόµενες απαντήσεις που αφορούν τα θέµατα της Βιολογίας Θετικής Κατεύθυνσης των Ηµερησίων Γενικών Λυκείων. Η Επιτροπή Παιδείας

Διαβάστε περισσότερα

1 η Θεµατική Ενότητα : Δυαδικά Συστήµατα

1 η Θεµατική Ενότητα : Δυαδικά Συστήµατα 1 η Θεµατική Ενότητα : Δυαδικά Συστήµατα Δεκαδικοί Αριθµοί Βάση : 10 Ψηφία : 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 Αριθµοί: Συντελεστές Χ δυνάµεις του 10 7392.25 = 7x10 3 + 3x10 2 + 9x10 1 + 2x10 0 + 2x10-1 + 5x10-2

Διαβάστε περισσότερα

Γενετικές Μέθοδοι Βελτιστοποίησης Ερωτηµάτων σε Βάσεις εδοµένων

Γενετικές Μέθοδοι Βελτιστοποίησης Ερωτηµάτων σε Βάσεις εδοµένων ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Γενετικές Μέθοδοι Βελτιστοποίησης Ερωτηµάτων σε Βάσεις εδοµένων Κ. Πατρούµπας 27 Ιανουαρίου 2005 27/01/2005 Τεχνητά Νευρωνικά

Διαβάστε περισσότερα

Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Υδατικών Πόρων και Περιβάλλοντος. Διαχείριση Υδατικών Πόρων

Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Υδατικών Πόρων και Περιβάλλοντος. Διαχείριση Υδατικών Πόρων Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Υδατικών Πόρων και Περιβάλλοντος Διαχείριση Υδατικών Πόρων Βελτιστοποίηση Προχωρημένες Μέθοδοι Προβλήματα με την «κλασική» βελτιστοποίηση Η στοχική συνάρτηση σπανίως

Διαβάστε περισσότερα

Οργάνωση αρχείων: πως είναι τοποθετηµένες οι εγγραφές ενός αρχείου όταν αποθηκεύονται στο δίσκο

Οργάνωση αρχείων: πως είναι τοποθετηµένες οι εγγραφές ενός αρχείου όταν αποθηκεύονται στο δίσκο Κατακερµατισµός 1 Οργάνωση Αρχείων (σύνοψη) Οργάνωση αρχείων: πως είναι τοποθετηµένες οι εγγραφές ενός αρχείου όταν αποθηκεύονται στο δίσκο 1. Αρχεία Σωρού 2. Ταξινοµηµένα Αρχεία Φυσική διάταξη των εγγραφών

Διαβάστε περισσότερα

Ε ανάληψη. Α ληροφόρητη αναζήτηση

Ε ανάληψη. Α ληροφόρητη αναζήτηση ΠΛΗ 405 Τεχνητή Νοηµοσύνη Το ική Αναζήτηση Local Search Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Α ληροφόρητη αναζήτηση σε πλάτος, οµοιόµορφου κόστους, σε βάθος,

Διαβάστε περισσότερα