Ανάλυση των Γενετικών Αλγορίθµων
|
|
- Εύφημη Φιλομήλ Διδασκάλου
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Ανάλυση των Γενετικών Αλγορίθµων Σηµερινό Μάθηµα ΠρόβληµαΒελτιστοποίησης Βελτιστοποίηση συνάρτησης µιας µεταβλητής Βελτιστοποίηση συνάρτησης k µεταβλητών Περιορισµοίτουπεδίουορισµού Περιορισµοί πλεοναζουσών τιµών 1
2 Πρόβληµα Βελτιστοποίησης Είναι ένα πρόβληµα µεγιστοποίησης της τιµής µιας συνάρτησης f(x) Ένα πρόβληµα ελαχιστοποίησης µιας συνάρτησης f, ισοδυναµεί µετηµεγιστοποίηση της συνάρτησης g, όπου g = f. Σεαυτέςτιςπεριπτώσειςωςαντικειµενική συνάρτηση χρησιµοποιείται η ίδια συνάρτηση. θα υποθέσουµεότιηαντικειµενική συνάρτηση παίρνει µόνο θετικές τιµές, διαφορετικά µπορεί να αντικατασταθεί από τη g(x)=f(x)+c Παράδειγµα Παρουσίαση Προβλήµατος Βελτιστοποίηση συνάρτησης µιας µεταβλητής: f ( x ) = x sin ( 10 πx ) Ζητείται να βρεθεί η τιµήτουx, µε ακρίβεια 6 δεκαδικών ψηφίων, στο διάστηµα [ 1, 2] που µεγιστοποιεί την τιµή της συνάρτησης f ΗχρήσηΓA δεν απαιτεί τη λύση της εξίσωσης. 2
3 Παράδειγµα Κωδικοποίηση Προβλήµατος Θα χρησιµοποιήσουµε ένα δυαδικό διάνυσµαωςτο χρωµόσωµα που θα αναπαραστήσει τις πραγµατικές τιµές της µεταβλητής x Το µήκος του διανύσµατος εξαρτάται από την επιθυµητή ακρίβεια (έξι δεκαδικά ψηφία) Το πεδίο ορισµού της µεταβλητής x έχει µήκος 3 Τα δεδοµένα αυτά υπαγορεύουν το χωρισµότου διαστήµατος [ 1, 2] σε τουλάχιστον ισοµεγέθη υποδιαστήµατα Άρα απαιτούνται 22 δυαδικά ψηφία για το δυαδικό διάνυσµα της αναπαράστασης, αφού = 2 21 < = Παράδειγµα Κωδικοποίηση Προβλήµατος Ηαντιστοίχησηµιας δυαδικής συµβολοσειράς <b 21 b 20 b 0 > στον αντίστοιχο πραγµατικό αριθµό x µέσα από το διάστηµα [ 1, 2] πραγµατοποιείται σε δύο βήµατα: 1. Μετατροπή της δυαδικής συµβολοσειράς από δυαδικό σε δεκαδικό αριθµό: 21 i ( < b21 b20... b0 > ) 2 = ( = b i 2 ) = x' Εύρεση ενός αντίστοιχου πραγµατικού αριθµού x τέτοιου ώστε 3 x = x' i 3
4 Παράδειγµα Κωδικοποίηση Προβλήµατος Έτσι, τα χρωµοσώµατα: & αντιπροσωπεύουν τα όρια του πεδίου ορισµού, 1 και 2 Για να βρούµε που αντιστοιχεί το χρωµόσωµα το µετατρέπουµε στο αντίστοιχο δεκαδικό: x = βρίσκουµετοναντίστοιχοx στο διάστηµα [-1 2] 3 x = = Παράδειγµα Συνάρτηση Αξιολόγησης Όπως αναφέρθηκε, ηαντικειµενική συνάρτηση αξιολογεί την καταλληλότητά των πιθανών λύσεων Η συνάρτηση αξιολόγησης eval γιαταδυαδικά διανύσµατα v ισούται µετησυνάρτησηf: eval(v)=f(x) 4
5 Παράδειγµα Αρχικοποίηση ΓΑ ηµιουργείται ένας πληθυσµός από χρωµοσώµατα, όπου κάθε χρωµόσωµα είναι ένα δυαδικό διάνυσµα 22 δυαδικών ψηφίων Και τα 22 δυαδικά ψηφία κάθε χρωµοσώµατος αρχικοποιούνται οµοιόµορφα Παράδειγµα Αξιολόγηση Γιαταχρωµοσώµατα v 1 =( ) 2 =x 1 = v 2 =( ) 2 =x 2 = v 3 =( ) 3 =x 3 = Έχουµε eval(v 1 )=f(x 1 )= eval(v 2 )=f(x 2 )= eval(v 3 )=f(x 3 )= το χρωµόσωµα v 3 είναι το καλύτερο 5
6 Παράδειγµα Αναπαραγωγή - ιασταύρωση Έστω ότι είχε επιλεχθεί, το πέµπτο γονίδιο ως το γονίδιο της διασταύρωσης. Τότε από τα: v 2 =( ) v 3 =( ) Προκύπτουν τα v 2 =( ) v 3 =( ) Με απόδοση f(v 2 )=f( )= f(v 3 )=f( )= Παράδειγµα Αναπαραγωγή - Μετάλαξη Η µετάλλαξη έχει ως αποτέλεσµατηνµετατροπή ενός ή περισσοτέρων γονιδίων µεπιθανότηταίσηµετορυθµό µετάλλαξης Έστωότιέχειεπιλεγείγιαµετάλλαξη το πέµπτο γονίδιο από το χρωµόσωµα v3: v 3 =( ) v 3 =( ) µε eval(v 3 )= < eval(v 3 )= Εάν επιλεγεί το δέκατο γονίδιο του v 3 για µετάλλαξη, τότε v 3 =( ) v 3 =( ) µε eval(v 3 )= > eval(v 3 )=
7 Παράδειγµα Παράµετροι Για το συγκεκριµένο παράδειγµα χρησιµοποιήθηκαν οι παρακάτω τιµές για τις βασικότερες παραµέτρους του ΓA: Μέγεθος πληθυσµού pop_size=50 Πιθανότητα διασταύρωσης p c =0.25 Πιθανότητα µετάλλαξης p m =0.01 Παράδειγµα Αποτελέσµατα 7
8 Παράδειγµα Αποτελέσµατα Το καλύτερο χρωµόσωµα µετά από 150 γενεές ήταν το: v max = ( ) που αντιστοιχεί στην πραγµατική τιµή x max = Συµπεράσµατα Παρουσιάστηκαν οι τέσσερις διαφορές που διαχωρίζουν τους Γενετικούς Αλγορίθµους από τις περισσότερο συµβατικές τεχνικές βελτιστοποίησης: 1. Απευθείας χειρισµός µιας κωδικοποίησης 2. Αναζήτηση από έναν πληθυσµόκαιόχιένα απλό σηµείο 3. Αναζήτηση µέσω δειγµατοληψίας, όχι µια τυφλή αναζήτηση 4. Αναζήτηση χρησιµοποιώντας στοχαστικούς τελεστές, όχι ντετερµινιστικούς κανόνες 8
9 Ορισµός Προβλήµατος Θέλουµεναµεγιστοποιήσουµε µια συνάρτηση k µεταβλητών: f(x 1,,x k ): R k R Κάθε µεταβλητή x i παίρνει τιµές από το διάστηµα D i =[a i b i ] R και f(x 1,,x k )>0, x i D i, i=1,,k µε ακρίβεια q δεκαδικών ψηφίων ιαδικασία επίλυσης προβλήµατος 1. Καθορισµός κωδικοποίησης µεταβλητών 2. Καθορισµός δοµών δεδοµένων που θα χρησιµοποιηθούν 3. Επιλογή αντικειµενικής συνάρτησης 4. Αρχικοποίηση 5. Υλοποίηση αξιολόγησης και επιλογής 6. Υλοποίηση τελεστών διασταύρωσης και µετάλλαξης 7. Κριτήριο τερµατισµού 9
10 Κωδικοποίηση µεταβλητών Για ακρίβεια q δεκαδικών ψηφίων για κάθε µεταβλητή, θα πρέπει κάθε διάστηµατιµών D i =[α i b i ] να διαχωριστεί σε ίσα υποδιαστήµατα: (b i -α i ) 10 q Έστω m ο µικρότερος ακέραιος για τον οποίο ισχύει ότι (b i -α i ) 10 q 2 m Κωδικοποίηση µεταβλητών Κάθε συµβολοσειρά µετατρέπεται στον αντίστοιχο πραγµατικό αριθµό µετησχέση: x i = a i bi + decimal ( bin _ str ) 2 ai 1 m i 10
11 Κωδικοποίηση µεταβλητών Για µια συνάρτηση k µεταβλητών, κάθε χρωµόσωµα αναπαρίσταται από µια δυαδική συµβολοσειρά µήκους m = k i = 1 m i Υλοποίηση αλγορίθµου µε προγραµµατισµό 1. ηλώνουµετοµέγιστο µέγεθος του πληθυσµού pop_size και το µέγιστο µήκος της συµβολοσειράς m. 2. ηλώνουµετοντύπο(type) του πληθυσµού 3. Για την αρχικοποίηση του πληθυσµού, αρκεί η τυχαία επιλογή pop_size m δυαδικών ψηφίων. 4. Σε κάθε γενιά, αξιολογούµεκάθεχρωµόσωµα. 5. Στη συνέχεια, επιλέγουµε ένα νέο πληθυσµό µε χρήση της εξαναγκασµένης ρουλέτας. 6. Οι τελεστές της διασταύρωσης και µετάλλαξης δηµιουργούν τον πληθυσµότηςεπόµενης γενιάς. 7. Μετά από κάποιον αριθµόγενιών, ηδιαδικασία τερµατίζεται. 11
12 ιαδοχή Γενιών Εξαναγκασµένη ρουλέτα µεσχισµές (slotted roulette wheel) 1. Υπολογίζουµε την απόδοση eval(v i ) για κάθε χρωµόσωµα 2. Υπολογίζουµε τη συνολική απόδοση του πληθυσµού: F = pop _ size i= 1 eval( 3. Υπολογίζουµετηνπιθανότηταεπιλογήςp i για κάθε χρωµόσωµα: 4. Τέλος, υπολογίζουµετησυσωρευµένη πιθανότητα q i για κάθε χρωµόσωµα: v i pi = eval( vi ) / F q i = p j i j= 1 ) 12
13 Eπιλογή Xρωµοσωµάτων Για την επιλογή των χρωµοσωµάτων που θα αποτελέσουν το νέο πληθυσµόεκτελούµε pop_size περιστροφές της ρουλέτας: 1. Επιλέγουµετυχαίαέναναριθµό r µεταξύ 0 και Αν r < q 1, τότε επιλέγουµετοπρώτοχρωµόσωµα v 1, διαφορετικά επιλέγουµετοv i, έτσι ώστε q i-1 <r q i. ιασταύρωση Xρωµοσωµάτων Στη συνέχεια ορίζεται η πιθανότητα διασταύρωσης p c και εφαρµόζεται ο τελεστής διασταύρωσης στο νέο πληθυσµό: 1. Επιλέγουµετυχαίαέναναριθµό r µεταξύ 0 και Αν r < p c, επιλέγουµετοχρωµόσωµαγια διασταύρωση. 3. Σχηµατίζουµεζεύγηαπόχρωµοσώµατα 4. Για κάθε ζεύγος επιλέγεται τυχαία ένας ακέραιος pos που το σηµείο διασταύρωσης: (b 1 b 2 b pos b pos+1 b m ) (b 1 b 2 b pos c pos+1 c m ) (c 1 c 2 c pos c pos+1 c m ) (c 1 c 2 c pos b pos+1 b m ) 13
14 Μετάλλαξη Xρωµοσωµάτων Στη συνέχεια ορίζεται η πιθανότητα µετάλλαξης p m και εφαρµόζεται ο τελεστής µετάλλαξης στο νέο πληθυσµό: 1. Για κάθε χρωµόσωµα και κάθε δυαδικό ψηφίο επιλέγουµε τυχαία έναν αριθµό r µεταξύ 0 και Αν r < p m, τότε αντιστρέφουµετοδυαδικόψηφίο. Οαναµενόµενος αριθµός των αντιστραµµένων ψηφίων µετάτηδιαδικασίατηςµετάλλαξης είναι p m m pop_size Ολοκλήρωση εξελικτικής διαδικασίας Αφού ολοκληρωθούν τα προηγούµενα βήµατα, ακολουθεί µια νέα αξιολόγηση του πληθυσµού. Η υπόλοιπη εξελικτική διαδικασία αποτελεί απλή κυκλική επανάληψη των παραπάνω βηµάτων. 14
15 Παράδειγµα ορισµός προβλήµατος Θέλουµεναµεγιστοποιήσουµετη συνάρτηση δύο µεταβλητών: f(x 1,x 2 )=21.5+x 1 sin(4πx 1 )+x 2 sin(20πx 2 ) µε ακρίβεια 4 δεκαδικών ψηφίων για κάθε µεταβλητή και -3.0 x & 4.1 x Παράδειγµα ορισµός παραµέτρων θα χρησιµοποιηθούν οι παράµετροι: pop_size=20 p c =0.25 p m =
16 Παράδειγµα Κωδικοποίηση Μεταβλητών Σύµφωνα µετησχέση(b i -α i ) 10 q 2 m Το x 1 απαιτεί για την αναπαράσταση του 18 δυαδικά ψηφία: 2 17 < Το x 2 απαιτεί για την αναπαράσταση του 15 δυαδικά ψηφία: 2 14 < Συνολικά απαιτούνται 18+15=33 ψηφία. Σε ποιο σηµείο αντιστοιχεί και τι απόδοση έχει το άτοµο ; Αρχικοποίηση Πληθυσµού v 1 = ( ) v 2 = ( ) v 3 = ( ) v 4 = ( ) v 5 = ( ) v 6 = ( ) v 7 = ( ) v 8 = ( ) v 9 = ( ) v 10 = ( ) v 11 = ( ) v 12 = ( ) v 13 = ( ) v 14 = ( ) v 15 = ( ) v 16 = ( ) v 17 = ( ) v 18 = ( ) v 19 = ( ) v 20 = ( ) 16
17 Αποκωδικοποίηση και αξιολόγηση eval(v 1 ) = f( , ) = eval(v 2 ) = f( , ) = eval(v 3 ) = f( , ) = eval(v 4 ) = f( , ) = eval(v 5 ) = f( , ) = eval(v 6 ) = f( , ) = eval(v 7 ) = f( , ) = eval(v 8 ) = f( , ) = eval(v 9 ) = f( , ) = eval(v 10 ) = f( , ) = eval(v 11 ) = f( , ) = eval(v 12 ) = f( , ) = eval(v 13 ) = f( , ) = eval(v 14 ) = f( , ) = eval(v 15 ) = f( , ) = eval(v 16 ) = f( , ) = eval(v 17 ) = f( , ) = eval(v 18 ) = f( , ) = eval(v 19 ) = f( , ) = eval(v 20 ) = f( , ) = Κατασκευή Ρουλέτας Η συνολική απόδοση (fitness) του πληθυσµού είναι: 20 F = eval( ) = i= 1 v i Η πιθανότητα επιλογής κάθε µέλους του πληθυσµού είναι: p 1 = eval(v 1 )/F = p 11 = eval(v 11 )/F = p 2 = eval(v 2 )/F = p 12 = eval(v 12 )/F = p 3 = eval(v 3 )/F = p 13 = eval(v 13 )/F = p 4 = eval(v 4 )/F = p 14 = eval(v 14 )/F = p 5 = eval(v 5 )/F = p 15 = eval(v 15 )/F = p 6 = eval(v 6 )/F = p 16 = eval(v 16 )/F = p 7 = eval(v 7 )/F = p 17 = eval(v 17 )/F = p 8 = eval(v 8 )/F = p 18 = eval(v 18 )/F = p 9 = eval(v 9 )/F = p 19 = eval(v 19 )/F = p 10 = eval(v 10 )/F = p 20 = eval(v 20 )/F =
18 Κατασκευή Ρουλέτας Οι συσωρευµένες πιθανότητες (cumulative probabilities) για κάθε άτοµοείναι: q1 = q6 = q11 = q16 = q2 = q7 = q12 = q17 = q3 = q8 = q13 = q18 = q4 = q9 = q14 = q19 = q5 = q10 = q15 = q20 = Έστω ότι η ρουλέτα παράγει την εξής ακολουθία 20 τυχαίων αριθµών στο διάστηµα [0, 1]: Νέος πληθυσµός µετά από επιλογή v1* = ( ) (v11) v2* = ( ) (v4) v3* = ( ) (v7) v4* = ( ) (v11) v5* = ( ) (v19) v6* = ( ) (v4) v7* = ( ) (v15) v8* = ( ) (v5) v9* = ( ) (v11) v10* = ( ) (v3) v11* = ( ) (v15) v12* = ( ) (v9) v13* = ( ) (v6) v14* = ( ) (v8) v15* = ( ) (v20) v16* = ( ) (v1) v17* = ( ) (v10) v18* = ( ) (v13) v19* = ( ) (v15) v20* = ( ) (v16) 18
19 Τελεστής ιασταύρωσης Για κάθε άτοµο επιλέγουµεέναντυχαίοαριθµό r (p c = 0.25): Αυτό σηµαίνει ότι επιλέγονται τα άτοµα v 2, v 11, v 13, v 18. Τελεστής ιασταύρωσης Έστω ότι ζευγαρώνουν τα πρώτα δύο (v 2 και v 11 ) και επιλέχθηκε, ως σηµείο διασταύρωσης, pos = 11: v 2 = ( ) v 11 =( ) δίνει v 2 = ( ) v 11 =( ) 19
20 Τελεστής ιασταύρωσης Έστω ότι ζευγαρώνουν τα επόµενα δύο (v 13 και v 18 ) και επιλέχθηκε, ως σηµείο διασταύρωσης, pos = 20: v 13 =( ) v 18 =( ) δίνει v 13 =( ) v 18 =( ) Πληθυσµός µετά από διασταύρωση v1 = ( ) v2 = ( ) v3 = ( ) v4 = ( ) v5 = ( ) v6 = ( ) v7 = ( ) v8 = ( ) v9 = ( ) v10 = ( ) v11 = ( ) v12 = ( ) v13 = ( ) v14 = ( ) v15 = ( ) v16 = ( ) v17 = ( ) v18 = ( ) v19 = ( ) v20 = ( ) 20
21 Τελεστής Μετάλαξης Οπληθυσµός µας αποτελείται από πλήθος δυαδικών ψηφίων: m*pop_size=33*20=660 Για κάθε δυαδικό ψηφίο επιλέγουµεέναν τυχαίο αριθµό r από 0 ως 1 (p m = 0.01): δυαδικό ψηφίο άτοµο θέση Πληθυσµός µετά από µετάλαξη v1 = ( ) v2 = ( ) v3 = ( ) v4 = ( ) v5 = ( ) v6 = ( ) v7 = ( ) v8 = ( ) v9 = ( ) v10 = ( ) v11 = ( ) v12 = ( ) v13 = ( ) v14 = ( ) v15 = ( ) v16 = ( ) v17 = ( ) v18 = ( ) v19 = ( ) v20 = ( ) 21
22 Aξιολόγηση νέου πληθυσµού eval(v 1 ) = f( ) = eval(v 2 ) = f( ) = eval(v 3 ) = f( ) = eval(v 4 ) = f( ) = eval(v 5 ) = f( ) = eval(v 6 ) = f( ) = eval(v 7 ) = f( ) = eval(v 8 ) = f( ) = eval(v 9 ) = f( ) = eval(v 10 ) = f( ) = eval(v 11 ) = f( ) = eval(v 12 ) = f( ) = eval(v 13 ) = f( ) = eval(v 14 ) = f( ) = eval(v 15 ) = f( ) = eval(v 16 ) = f( ) = eval(v 17 ) = f( ) = eval(v 18 ) = f( ) = eval(v 19 ) = f( ) = eval(v 20 ) = f( ) = Παράδειγµα - Συµπεράσµατα η συνολική απόδοση του νέου πληθυσµού είναι έναντι το χρωµόσωµα µε την καλύτερη απόδοση στον νέο πληθυσµόέχειµεγαλύτερη απόδοση έναντι
23 Τερµατισµός Αλγορίθµου Τα βήµατα του αλγορίθµου επαναλαµβάνονται, µέχρι να ικανοποιηθεί το κριτήριο τερµατισµού Το κριτήριο τερµατισµού ενός ΓA είναι είτε ένας συγκεκριµένος αριθµός γενιών, είτε ένα συγκεκριµένο ποσοστό βελτίωσης του καλύτερου ατόµου ή του συνολικού πληθυσµού Χρειάζεται ιδιαίτερη προσοχή στην επιλογή του κριτηρίου τερµατισµούκαθώςηκαλύτερη γενιά δεν είναι πάντα η τελευταία Είναι σύνηθες να αποθηκεύουµετο«µέχρι τώρα καλύτερο» άτοµο Περιορισµοί Συχνά στα προβλήµατα βελτιστοποίησης οι αντικειµενικές συναρτήσεις έχουν κάποιους περιορισµούς, όσον αφορά το πεδίο ορισµού τους Επίσης, το πρόβληµατωνπεριορισµών εµφανίζεται σε προβλήµατα διακριτών µεταβλητών δυαδικής κωδικοποίησης µε τη µορφή των πλεοναζουσών τιµών Οι περιορισµοί τίθενται µε ανισότητες αφού κάθε ισότητα µπορεί να µετατραπεί σε δύο ανισότητες 23
24 Περιορισµοίτουπεδίουορισµού Τα µη «νόµιµα» σηµεία αντιµετωπίζονται ως σηµεία χαµηλής απόδοσης Αυτό υλοποιείται µε την εκχώρηση σε αυτά χαµηλής απόδοσης που είναι ανάλογη του βαθµού παραβίασης των περιορισµών. Η µέθοδος αυτή ενσωµάτωσης των περιορισµών ονοµάζεται µέθοδος της ποινής (penalty method). Περιορισµοίτουπεδίουορισµού Πρόβληµα: Eλαχιστοποίησε το g(x) µετον περιορισµό h i (x) 0, i = 1, 2,, n, όπου x διάνυσµαδιάστασηςm. Ενσωµάτωση Περιορισµών: Eλαχιστοποίησε το ( x) + r Φ[ h i ( x) ] i= 1 Φ: συνάρτηση ποινής r: ο συντελεστής ποινής g n 24
25 Περιορισµοί πλεοναζουσών τιµών Όταν εµφανίζεται µια συµβολοσειρά µε µία ή περισσότερες πλεονάζουσες τιµές, υπάρχουν οι εξής επιλογές: 1. Απορρίπτεται η συµβολοσειρά ως µη νόµιµηκαιστηθέσητηςπαράγεταιµε επιλογή µια άλλη. 2. Καταχωρείται στη συµβολοσειρά τιµή ικανότητας πολύ µικρή, ώστε να έχει πολύ µικρές πιθανότητες στην επιλογή. 3. Αντιστοιχείται η µηνόµιµησυµβολοσειρά σε µία νόµιµη. Περιορισµοί πλεοναζουσών τιµών Κατά την αντιστοιχία της µηνόµιµης συµβολοσειράς σε νόµιµη, υπάρχουν οι δυνατότητες: Με σταθερή αντιστοίχηση (fixed remapping) Με τυχαία αντιστοίχηση (random remapping) 25
26 Άσκηση 1 Αναφέρεται ένα πρόβληµα βελτιστοποίησης του οποίου η λύση µπορεί να κωδικοποιηθεί µεένα χρωµόσωµα και ένα του οποίου η κωδικοποίηση της λύσης απαιτεί ένα γονότυπο. Άσκηση 2 α) Αν κατά το τρέξιµοενόςγ.α. σε κάποια γενιάτακαλύτεραάτοµαπουθα προκύψουν δίνουν χειρότερες τιµές για την αντικειµενική συνάρτηση, σε σχέση µετους προγόνους τους, πρέπει να διακοπεί η εκτέλεση του αλγορίθµου; β) Όταν τελειώσει η εκτέλεση του αλγορίθµου, αφού πρώτα ικανοποιηθεί η συνθήκη τερµατισµού, πως µπορούµεναείµαστε σίγουροιότιτοκαλύτεροχρωµόσωµατης τελευταίας γενιάς είναι το καλύτερο που έχει εµφανιστεί σε όλες τις γενιές; 26
27 Άσκηση 3 Θέλετε να ελαχιστοποιήσετε τη συνάρτηση τριών µεταβλητών f(x,y,z). η µεταβλητή x παίρνει τιµές στο διάστηµα [-20.0, 125.0] η µεταβλητή y στο διάστηµα [0, 1.2 x 10 6 ] η µεταβλητή z στο διάστηµα [-1.0, 1.0]. Ηεπιθυµητή ακρίβεια (δηλαδή το βήµα µεταβολής της µεταβλητής) είναι 0.5, 104 και αντίστοιχα. 1. Ποιος είναι ο ελάχιστος αριθµός δυαδικών ψηφίων που απαιτούνται για να επιτευχθεί η επιθυµητή ακρίβεια; 2. Με την κωδικοποίηση που πραγµατοποιήσατε, να καθορίσετε τις συµβολοσειρές, οι οποίες αναπαριστούν κάθε ένα από τα ακόλουθα σηµεία: (-20, 0, -1), (125, 1.2 x 10 6, 1) και (50, , 0.597). Προκύπτει πρόβληµαπεριορισµών στην παραπάνω κωδικοποίηση; 27
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 περισσότεραΘεµελίωση 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 περισσότεραΥπολογιστική 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 περισσότεραΕΡΩΤΗΜΑΤΑ σε ΓΕΝΕΤΙΚΟΥΣ
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
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟΥ 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 περισσότεραPROJECT 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 περισσότεραΚεφάλαιο 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 περισσότεραΝευρωνικά 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 περισσότερα4 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 περισσότερα1 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 περισσότεραΟι 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 περισσότεραΤεχνητή 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 περισσότεραΒασική 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 περισσότεραΤυπικά 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 περισσότεραΤεχνητή 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΓενετικοί 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 περισσότεραΟΙΚΟΝΟΜΙΚΩΝ 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 περισσότεραΕθνικό 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΓραµµικός Προγραµµατισµός - Μέθοδος Simplex
Γραµµικός Προγραµµατισµός - Μέθοδος Simplex Η πλέον γνωστή και περισσότερο χρησιµοποιηµένη µέθοδος για την επίλυση ενός γενικού προβλήµατος γραµµικού προγραµµατισµού, είναι η µέθοδος Simplex η οποία αναπτύχθηκε
Διαβάστε περισσότεραΕΞΕΛΙΚΤΙΚΟΙ 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 περισσότεραΕισαγωγή στην επιστήµη των υπολογιστών ΑΡΙΘΜΗΤΙΚΑ ΣΥΣΤΗΜΑΤΑ
Εισαγωγή στην επιστήµη των υπολογιστών ΑΡΙΘΜΗΤΙΚΑ ΣΥΣΤΗΜΑΤΑ 1 Αριθµητικό Σύστηµα! Ορίζει τον τρόπο αναπαράστασης ενός αριθµού µε διακεκριµένα σύµβολα! Ένας αριθµός αναπαρίσταται διαφορετικά σε κάθε σύστηµα,
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΤεχνολογία 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΜέθοδοι μονοδιάστατης ελαχιστοποίησης
Βασικές αρχές μεθόδων ελαχιστοποίησης Μέθοδοι μονοδιάστατης ελαχιστοποίησης Οι μέθοδοι ελαχιστοποίησης είναι επαναληπτικές. Ξεκινώντας από μια αρχική προσέγγιση του ελαχίστου (την συμβολίζουμε ) παράγουν
Διαβάστε περισσότεραΠοσοτικές 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
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραz = 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
Διαβάστε περισσότεραΜέθοδοι μονοδιάστατης ελαχιστοποίησης
Βασικές αρχές μεθόδων ελαχιστοποίησης Μέθοδοι μονοδιάστατης ελαχιστοποίησης Οι μέθοδοι ελαχιστοποίησης είναι επαναληπτικές. Ξεκινώντας από μια αρχική προσέγγιση του ελαχίστου (την συμβολίζουμε ) παράγουν
Διαβάστε περισσότεραΒασίλειος 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 περισσότεραΕ 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΓενετικοί 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 περισσότεραΣυστήματα 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΔύο είναι οι κύριες αιτίες που μπορούμε να πάρουμε από τον υπολογιστή λανθασμένα αποτελέσματα εξαιτίας των σφαλμάτων στρογγυλοποίησης:
Ορολογία bit (binary digit): δυαδικό ψηφίο. Τα δυαδικά ψηφία είναι το 0 και το 1 1 byte = 8 bits word: η θεμελιώδης μονάδα σύμφωνα με την οποία εκπροσωπούνται οι πληροφορίες στον υπολογιστή. Αποτελείται
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΕθνικό 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 περισσότερα5 η ΕΝΟΤΗΤΑ ΠΟΛΥΚΡΙΤΗΡΙΑΚΟΣ ΜΗ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
ΣΧΟΛΗ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΕΜΠ ΕΙΣΑΓΩΓΗ ΣΤΗN ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ 5 η ΕΝΟΤΗΤΑ ΠΟΛΥΚΡΙΤΗΡΙΑΚΟΣ ΜΗ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Μ. Καρλαύτης Ν. Λαγαρός Άδεια Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΚεφάλαιο 5ο: Ακέραιος προγραμματισμός
Κεφάλαιο 5ο: Ακέραιος προγραμματισμός 5.1 Εισαγωγή Ο ακέραιος προγραμματισμός ασχολείται με προβλήματα γραμμικού προγραμματισμού στα οποία μερικές ή όλες οι μεταβλητές είναι ακέραιες. Ένα γενικό πρόβλημα
Διαβάστε περισσότεραd k 10 k + d k 1 10 k d d = k i=0 d i 10 i.
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 περισσότεραΕΙΣΑΓΩΓΗ 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 περισσότεραΤεχνητή 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 περισσότεραΠροβλήµατα Μεταφορών (Transportation)
Προβλήµατα Μεταφορών (Transportation) Προβλήµατα Μεταφορών (Transportation) Μέθοδος Simplex για Προβλήµατα Μεταφοράς Προβλήµατα Εκχώρησης (assignment) Παράδειγµα: Κατανοµή Νερού Η υδατοπροµήθεια µιας περιφέρεια
Διαβάστε περισσότεραΥπολογιστική Νοημοσύνη
Υπολογιστική Νοημοσύνη Εξελικτική Βελτιστοποίηση Γενετικοί Αλγόριθμοι Αναστάσιος Ντούνης, Καθηγητής Εργαστήριο Υπολογιστικής Νοημοσύνης Ευφυούς Ελέγχου Τμήμα Μηχανικών Αυτοματισμού Σχολή Τεχνολογικών Εφαρμογών
Διαβάστε περισσότεραΘεωρία 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΜη 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 περισσότεραΕΙΣΑΓΩΓΗ 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 περισσότεραΑνάπτυξη εξελικτικού αλγορίθμου για πολυκριτηριακή βελτιστοποίηση
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΘΕΩΡΗΤΙΚΗ ΠΛΗΡΟΦΟΡΙΚΗ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΕΛΕΓΧΟΥ Ανάπτυξη εξελικτικού αλγορίθμου για πολυκριτηριακή βελτιστοποίηση ΜΕΤΑΠΤΥΧΙΑΚΗ
Διαβάστε περισσότεραΕισαγωγή στην επιστήµη των υπολογιστών. Υπολογιστές και Δεδοµένα Κεφάλαιο 3ο Αναπαράσταση Αριθµών
Εισαγωγή στην επιστήµη των υπολογιστών Υπολογιστές και Δεδοµένα Κεφάλαιο 3ο Αναπαράσταση Αριθµών 1 Δεκαδικό και Δυαδικό Σύστηµα Δύο κυρίαρχα συστήµατα στο χώρο των υπολογιστών Δεκαδικό: Η βάση του συστήµατος
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
ΜΑΘΗΜΑΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΟΜαθηµατικός Προγραµµατισµός είναι κλάδος των εφαρµοσµένων µαθηµατικών που ασχολείται µε την εύρεση άριστης λύσης. ιαφέρει από την κλασική αριστοποίηση στο ότι προσπαθεί να
Διαβάστε περισσότεραΒΑΣΙΚΑ 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
Διαβάστε περισσότεραΠΛΗ21 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 περισσότεραΕισαγωγή στην επιστήµη των υπολογιστών. Αναπαράσταση Αριθµών
Εισαγωγή στην επιστήµη των υπολογιστών Αναπαράσταση Αριθµών 1 Δεκαδικό και Δυαδικό Σύστηµα Δύο κυρίαρχα συστήµατα στο χώρο των υπολογιστών Δεκαδικό: Η βάση του συστήµατος είναι το 10 αναπτύχθηκε τον 8
Διαβάστε περισσότεραΜία 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
Διαβάστε περισσότεραΤμήμα Διοίκησης Επιχειρήσεων
Τμήμα Διοίκησης Επιχειρήσεων ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ Ενότητα 2: Γραφική επίλυση προβληµάτων γραµµικού προγραµµατισµού(γ.π.) ιδάσκων: Βασίλειος Ισµυρλής Τηλ:6979948174, e-mail: vasismir@gmail.com
Διαβάστε περισσότεραΕθνικό 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 περισσότεραΤμήμα 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
Διαβάστε περισσότεραΕπιχειρησιακή 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
Διαβάστε περισσότεραΕΝΟΤΗΤΑ III ΒΑΣΙΚΕΣ ΜΕΘΟ ΟΙ ΑΝΑΛΥΣΗΣ
ΕΝΟΤΗΤΑ III ΒΑΣΙΚΕΣ ΜΕΘΟ ΟΙ ΑΝΑΛΥΣΗΣ Βασικός τελικός στόχος κάθε επιστηµονικής τεχνολογικής εφαρµογής είναι: H γενική βελτίωση της ποιότητας του περιβάλλοντος Η βελτίωση της ποιότητας ζωής Τα µέσα µε τα
Διαβάστε περισσότεραmin 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 περισσότεραΆδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύ
Θεωρία Υπολογισμού Ενότητα 26: Καθολική Μηχανή Turing Τμήμα Πληροφορικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που
Διαβάστε περισσότερα3 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 περισσότεραΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. nn n n
ΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ 3 Ο αλγόριθµος Gauss Eστω =,3,, µε τον όρο γραµµικά συστήµατα, εννοούµε συστήµατα εξισώσεων µε αγνώστους της µορφής: a x + + a x = b a x + + a x = b a
Διαβάστε περισσότεραΕισαγωγή στην επιστήμη των υπολογιστών. ΑΡΙΘΜΗΤΙΚΑ ΣΥΣΤΗΜΑΤΑ και Μετατροπές Αριθμών
Εισαγωγή στην επιστήμη των υπολογιστών ΑΡΙΘΜΗΤΙΚΑ ΣΥΣΤΗΜΑΤΑ και Μετατροπές Αριθμών 1 Αριθμητικό Σύστημα Ορίζει τον τρόπο αναπαράστασης ενός αριθμού με διακεκριμένα σύμβολα Ένας αριθμός αναπαρίσταται διαφορετικά
Διαβάστε περισσότεραΒελτιστοποίηση κατανομής πόρων συντήρησης οδοστρωμάτων Πανεπιστήμιο Πατρών - Πολυτεχνική Σχολή Τμήμα Πολιτικών Μηχανικών
Βελτιστοποίηση κατανομής πόρων συντήρησης οδοστρωμάτων Πανεπιστήμιο Πατρών - Πολυτεχνική Σχολή Τμήμα Πολιτικών Μηχανικών Πάτρα 17 - Μαΐου - 2017 Παναγιώτης Τσίκας Σκοπός του προβλήματος Σκοπός του προβλήματος,
Διαβάστε περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 1: Μέθοδοι Αναγνώρισης Προτύπων Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΚεφάλαιο 2 ο Βασικές Έννοιες Αλγορίθμων (σελ )
Κεφάλαιο 2 ο Βασικές Έννοιες Αλγορίθμων (σελ. 25 48) Τι είναι αλγόριθμος; Γ ΛΥΚΕΙΟΥ Αλγόριθμος είναι μία πεπερασμένη σειρά ενεργειών, αυστηρά καθορισμένων και εκτελέσιμων σε πεπερασμένο χρονικό διάστημα,
Διαβάστε περισσότεραιδάσκοντες :Τµήµα Α ( Αρτιοι) : Καθηγητής Ν. Μισυρλής,Τµήµα Β (Περιττοί) : Αριθµητική Επίκ. Καθηγητής νάλυση Φ.Τζαφέρης (ΕΚΠΑ) 27 Μαΐου / 20
Αριθµητική Ανάλυση ιδάσκοντες: Τµήµα Α ( Αρτιοι) : Καθηγητής Ν. Μισυρλής, Τµήµα Β (Περιττοί) : Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ 27 Μαΐου 2010 ιδάσκοντες:τµήµα Α ( Αρτιοι) : Καθηγητής Ν. Μισυρλής,Τµήµα Β
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΘεωρία Παιγνίων και Αποφάσεων. Ενότητα 5: Εύρεση σημείων ισορροπίας σε παίγνια μηδενικού αθροίσματος. Ε. Μαρκάκης. Επικ. Καθηγητής
Θεωρία Παιγνίων και Αποφάσεων Ενότητα 5: Εύρεση σημείων ισορροπίας σε παίγνια μηδενικού αθροίσματος Ε. Μαρκάκης Επικ. Καθηγητής Περίληψη Παίγνια μηδενικού αθροίσματος PessimisIc play Αμιγείς max-min και
Διαβάστε περισσότεραΜέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων
Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση
Διαβάστε περισσότεραΔύο είναι οι κύριες αιτίες που μπορούμε να πάρουμε από τον υπολογιστή λανθασμένα αποτελέσματα εξαιτίας των σφαλμάτων στρογγυλοποίησης:
Ορολογία bit (binary digit): δυαδικό ψηφίο. Τα δυαδικά ψηφία είναι το 0 και το 1 1 byte = 8 bits word: η θεμελιώδης μονάδα σύμφωνα με την οποία εκπροσωπούνται οι πληροφορίες στον υπολογιστή. Αποτελείται
Διαβάστε περισσότεραΠανεπιστήμιο 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 περισσότεραΕισαγωγή Αλγόριθµοι Αποτελέσµατα Επίλογος Ορισµός του Προβλήµατος Ευθυγράµµιση : Εύρεση ενός γεωµετρικού µετασχηµατισµού που ϕέρνει κοντά δύο τρισδιάσ
Εισαγωγή Αλγόριθµοι Αποτελέσµατα Επίλογος Αλγόριθµοι Ευθυγράµµισης Τρισδιάστατων Αντικειµένων Τµήµα Πληροφορικής και Τηλεπικοινωνιών Εθνικό & Καποδιστριακό Πανεπιστήµιο Αθηνών 20 Οκτωβρίου 2005 Εισαγωγή
Διαβάστε περισσότεραΣυνδυαστική Βελτιστοποίηση Εισαγωγή στον γραμμικό προγραμματισμό (ΓΠ)
Ανάλυση Ευαισθησίας. Έχοντας λύσει ένας πρόβλημα ΓΠ θα πρέπει να αναρωτηθούμε αν η λύση έχει φυσική σημασία. Είναι επίσης πολύ πιθανό να έχουμε χρησιμοποιήσει δεδομένα για τα οποία δεν είμαστε σίγουροι
Διαβάστε περισσότεραΜάθημα Επιλογής 8 ου εξαμήνου
EΘNIKO ΜEΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΧΗΜΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΙΙ: Ανάλυσης, Σχεδιασμού & Ανάπτυξης Διεργασιών & Συστημάτων Υπολογιστικές Μέθοδοι Ανάλυσης και Σχεδιασμού Μάθημα Επιλογής 8 ου εξαμήνου Διδάσκων:
Διαβάστε περισσότερα4.4 Μετατροπή από μία μορφή δομής επανάληψης σε μία άλλη.
4.4 Μετατροπή από μία μορφή δομής επανάληψης σε μία άλλη. Η μετατροπή μιας εντολής επανάληψης σε μία άλλη ή στις άλλες δύο εντολές επανάληψης, αποτελεί ένα θέμα που αρκετές φορές έχει εξεταστεί σε πανελλαδικό
Διαβάστε περισσότεραΟ Αλγόριθµος της Simplex
Βήµατα Αλγορίθµου Τα ϐήµατα του αλγορίθµου συνοψίζονται σε ϐήµατα. Βήµατα Αλγορίθµου Τα ϐήµατα του αλγορίθµου συνοψίζονται σε ϐήµατα. Αρχικοποίηση : Επέλεξε έναν αντιστρέψιµο πίνακα B (m m) έτσι ώστε x
Διαβάστε περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ Επιστήμη των Αποφάσεων, Διοικητική Επιστήμη
ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ Επιστήμη των Αποφάσεων, Διοικητική Επιστήμη 5 ο Εξάμηνο 4 ο ΜΑΘΗΜΑ Δημήτρης Λέκκας Επίκουρος Καθηγητής dlekkas@env.aegean.gr Τμήμα Στατιστικής & Αναλογιστικών-Χρηματοοικονομικών Μαθηματικών
Διαβάστε περισσότεραΑριθµητική Ανάλυση. ιδάσκοντες: Καθηγητής Ν. Μισυρλής, Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ. 16 Ιανουαρίου 2015
Αριθµητική Ανάλυση ιδάσκοντες: Καθηγητής Ν. Μισυρλής, Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ 16 Ιανουαρίου 2015 ιδάσκοντες:καθηγητής Ν. Μισυρλής,Επίκ. Καθηγητής Φ.Τζαφέρης Αριθµητική (ΕΚΠΑ) Ανάλυση 16 Ιανουαρίου
Διαβάστε περισσότεραΗ μέθοδος Simplex. Γεωργία Φουτσιτζή-Γκόγκος Χρήστος ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα. Τμήμα Μηχανικών Πληροφορικής ΤΕ
Τμήμα Μηχανικών Πληροφορικής ΤΕ 2017-2018 Η μέθοδος Simplex Γεωργία Φουτσιτζή-Γκόγκος Χρήστος ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα τελευταία ενημέρωση: 19/01/2017 1 Πλεονεκτήματα Η μέθοδος Simplex Η μέθοδος
Διαβάστε περισσότεραΠΡΟΒΛΗΜΑΤΑ 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 περισσότεραx k+1 = x k + α k (x k ) ώστε f(x k+1 ) < f(x k ),
KΕΦΑΛΑΙΟ 5 Υπολογιστικές Μέθοδοι Βελτιστοποίησης Χωρίς Περιορισµούς 5.1 ΕΙΣΑΓΩΓΗ Ζητούνται οι τιµές των µεταβλητών απόφασης που ελαχιστοποιούν την αντικειµενική συνάρτηση min f(x) x R n x Στα περισσότερα
Διαβάστε περισσότεραΧρήστος 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 περισσότεραΔιαχείριση 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
Διαβάστε περισσότεραΕπίλυση Προβληµάτων µε Greedy Αλγόριθµους
Επίλυση Προβληµάτων µε Greedy Αλγόριθµους Περίληψη Επίλυση προβληµάτων χρησιµοποιώντας Greedy Αλγόριθµους Ελάχιστα Δέντρα Επικάλυψης Αλγόριθµος του Prim Αλγόριθµος του Kruskal Πρόβληµα Ελάχιστης Απόστασης
Διαβάστε περισσότεραΠρογραμματισμός και Χρήση Ηλεκτρονικών Υπολογιστών - Βασικά Εργαλεία Λογισμικού
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΧΗΜΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΙΚΟ ΚΕΝΤΡΟ Προγραμματισμός και Χρήση Ηλεκτρονικών Υπολογιστών - Βασικά Εργαλεία Λογισμικού Μάθημα 9ο Aντώνης Σπυρόπουλος Σφάλματα στρογγυλοποίησης
Διαβάστε περισσότερα3.7 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
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΑΝΑΠΤΥΞΗ ΚΑΙ ΣΧΕΔΙΑΣΗ ΛΟΓΙΣΜΙΚΟΥ Η γλώσσα προγραμματισμού C ΕΡΓΑΣΤΗΡΙΟ 3: Πίνακες, βρόχοι, συναρτήσεις 1 Ιουνίου 2017 Το σημερινό εργαστήριο
Διαβάστε περισσότεραΜια TM µπορεί ένα από τα δύο: να αποφασίζει µια γλώσσα L. να αναγνωρίζει (ηµιαποφασίζει) µια γλώσσα L. 1. Η TM «εκτελεί» τον απαριθµητή, E.
Οι γλώσσες των Μηχανών Turing Αποφασισιµότητα / Αναγνωρισιµότητα Μια TM µπορεί ένα από τα δύο: να αποφασίζει µια γλώσσα L Αποδέχεται όταν (η είσοδος στην TM) w L. Ορέστης Τελέλης telelis@unipi.gr Τµήµα
Διαβάστε περισσότεραΤηλεπικοινωνιακά 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
Διαβάστε περισσότερα4.3. Γραµµικοί ταξινοµητές
Γραµµικοί ταξινοµητές Γραµµικός ταξινοµητής είναι ένα σύστηµα ταξινόµησης που χρησιµοποιεί γραµµικές διακριτικές συναρτήσεις Οι ταξινοµητές αυτοί αναπαρίστανται συχνά µε οµάδες κόµβων εντός των οποίων
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΕΣ ΙΑ ΙΚΑΣΙΕΣ
ΣΤΟΧΑΣΤΙΚΕΣ ΙΑ ΙΚΑΣΙΕΣ Θεωρία Πιθανοτήτων και Στοχαστικές ιαδικασίες, Κ. Πετρόπουλος Τµ. Επιστήµης των Υλικών Στοχαστικές ιαδικασίες Ορισµός Μία στοχαστική διαδικασία είναι µία οικογένεια τυχαίων µεταβλητών
Διαβάστε περισσότεραΣυστήματα Αρίθμησης. Συστήματα Αρίθμησης 1. PDF created with FinePrint pdffactory Pro trial version
Συστήματα Αρίθμησης Στην καθημερινή μας ζωή χρησιμοποιούμε το δεκαδικό σύστημα αρίθμησης. Στο σύστημα αυτό χρησιμοποιούμε δέκα διαφορετικά σύμβολα τα :,, 2, 3, 4, 5, 6,7 8, 9. Για τον αριθμό 32 θα χρειαστούμε
Διαβάστε περισσότεραΑκέραιος Γραμμικός Προγραμματισμός
Τμήμα Μηχανικών Πληροφορικής ΤΕ 2016-2017 Ακέραιος Γραμμικός Προγραμματισμός Γκόγκος Χρήστος ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα τελευταία ενημέρωση: 12/01/2017 1 Ακέραιος Γραμμικός Προγραμματισμός Όταν για
Διαβάστε περισσότερα