Γενετικοί Αλγόριθμοι
|
|
- ebrew Κουντουριώτης
- 8 χρόνια πριν
- Προβολές:
Transcript
1 Βελτιστοποίηση Συστημάτων & Υδροπληροφορική Γενετικοί Αλγόριθμοι Χρήστος Μακρόπουλος & Ανδρέας Ευστρατιάδης Τομέας Υδατικών Πόρων και Περιβάλλοντος Εθνικό Μετσόβιο Πολυτεχνείο, Μάρτιος
2 The Gene is by far the most sophisticated program around. - Bill Gates, Business Week, June 27, 1994
3 Γενετικοί αλγόριθμοι: Τι είναι; Αλγόριθμοι επίλυσης προβλημάτων που βασίζονται (είναι εμπνευσμένοι) από τις αρχές της Βιολογικής Εξέλιξης (Δαρβίνος).
4 Γενετικοί Αλγόριθμοι Θεωρία της εξέλιξης (C. Darwin, 1858) Εξέλιξη = Διαδικασία που οδηγεί στην αύξηση της ικανότητας ενός πληθυσμού να επιβιώνει σε ένα δεδομένο περιβάλλον (Εξελικτική προσαρμογή) Με την αναπαραγωγή, η ικανότητα αυτή περνά στις επόμενες γενιές (από τα άτομα που την είχαν και άρα επέζησαν για να αναπαραχθούν): Φυσική επιλογή Εμείς αντί για άτομα έχουμε λύσεις
5 Η αρχή.. Holland, John H (1975), Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor (η βασική ιδέα) Michalewicz, Zbigniew (1999), Genetic Algorithms + Data Structures = Evolution Programs, Springer Verlag (το καλύτερο textbook μέχρι σήμερα)
6 Ο βασικός εξελικτικός κύκλος Πληθυσμιακή βελτιστοποίηση
7 Γενετικοί αλγόριθμοι: Βασικά Χαρακτηριστικά Κάνουν αναζήτηση σε πολλά σημεία ταυτόχρονα και όχι μόνο σε ένα Χρησιμοποιούν μόνο * την αντικειμενική συνάρτηση και καμία επιπρόσθετη πληροφορία Χρησιμοποιούν πιθανοτικούς κανόνες αναζήτησης νέων λύσεων και όχι ντετερμινιστικούς
8 Πλεονεκτήματα Απλή βασική ιδέα Γενικής φύσης μπορεί να εφαρμοστεί σε οποιοδήποτε πρόβλημα Υποστηρίζει πολύ κριτηριακή βελτιστοποίηση Αντέχει θόρυβο/αβεβαιότητα Βγάζει πάντα μια απάντηση, η οποία και βελτιώνεται με το χρόνο Μπορούν να επιλύουν δύσκολα προβλήματα γρήγορα και αξιόπιστα. Μπορούν εύκολα να συνδεθούν με υπάρχοντα μοντέλα και συστήματα Είναι εύκολα επεκτάσιμοι και εξελίξιμοι. Μπορούν να συνδυαστούν (σε υβριδικές μορφές) με άλλες μεθόδους. Εφαρμόζονται σε πολύ περισσότερα πεδία από κάθε άλλη μέθοδο. Έχουν από τη φύση τους το στοιχείο του παραλληλισμού και άρα προσφέρεται για παράλληλη υλοποίηση.
9 Γενετικοί Αλγόριθμοι: Ορολογία Δανεισμένη από το χώρο της Γενετικής. Αναφέρονται σε άτομα μέσα σε ένα πληθυσμό. Πολύ συχνά αυτά τα άτομα καλούνται επίσης χρωμοσώματα. Τα χρωμοσώματα αποτελούνται από διάφορα στοιχεία που ονομάζονται γονίδια. Κάθε γονίδιο επηρεάζει την κληρονομικότητα ενός ή περισσότερων χαρακτηριστικών (είναι δηλαδή συνδεδεμένη με μια παράμετρο της λύσης)
10 Γενετικοί αλγόριθμοι: Πώς λειτουργούν; Διατηρούν έναν πληθυσμό κωδικοποιημένων πιθανών λύσεων Υπολογίζουν την αντικειμενική συνάρτηση για κάθε άτομο (λύση) του δημιουργούμενου πληθυσμού (fitness evaluation επίδοση) Εξελίσσουν τον πληθυσμό εφαρμόζοντας γενετικές διαδικασίες που επηρεάζονται από την επίδοση: Διαδικασίες επιλογής, Διαδικασίες αναπαραγωγής, Διαδικασίες μετάλλαξης. Δημιουργούν νέο πληθυσμό που αντικαθιστά τον προηγούμενο με βάση την επίδοση. Επαναλαμβάνουν τη διαδικασία μέχρι να «βρουν λύση».
11 Γενετικοί αλγόριθμοι: Πώς λειτουργούν; Ένας Γ.Α. αποτελείται από: Γενετική αναπαράσταση Τρόπο δημιουργίας ενός αρχικού πληθυσμού Αντικειμενική συνάρτηση αξιολόγησης Γενετικούς τελεστές Τιμές για τις διάφορες παραμέτρους (του).
12 Γενετικοί αλγόριθμοι: Πώς λειτουργούν; Γενετικοί Τελεστές Επιλογή: επιλέγει με κάποιο τρόπο τα «καταλληλότερα» μέλη του πληθυσμού και τα χρησιμοποιεί για: Διασταύρωση: συνδυάζει τα στοιχεία δύο χρωμοσωμάτων γονέων για να δημιουργήσει δύο νέους απογόνους ανταλλάσσοντας αντίστοιχα κομμάτια από τους γονείς. Μετάλλαξη: αλλάζει αυθαίρετα ένα ή περισσότερα γονίδια ενός συγκεκριμένου χρωμοσώματος.
13 Γενετική Αναπαράσταση: (δυαδική) κωδικοποίηση (11, 6, 9) Στο δυαδικό κάθε αριθμός είναι μια αύξουσα δύναμη του 2 ξεκινώντας από το 2 0 π.χ = [(1) 2 5 ] + [(0) 2 4 ] + [(0) 2 3 ] + [(1) 2 2 ] + [(0) 2 1 ] + [(1) 2 0 ] = =?
14 Επιλογή: Μηχανισμός ρουλέτας Pr( x i ) Όπου f(x): η τιμή της αντικειμενικής στο x f j ( xi ) f ( x j ) Επίσης: Επιλογή Τουρνουά (Tournament Selection) μετά..
15 Γενετικοί Τελεστές Διασταύρωση Σημείο διασταύρωσης Μετάλλαξη Ψηφίο μετάλλαξης
16 Διάγραμμα ροής
17 Γενετικός Κύκλος: η κάθε γενιά είναι κατά μέσο όρο καλύτερη από τη προηγούμενη (και τουλάχιστον το ίδιο καλή)
18 Το θεώρημα των σχημάτων (Holland, 1975) Σχήμα (Schema) = Ακολουθία που περιλαμβάνει 0, 1 και * ( οτιδήποτε ) Π.χ. το σχήμα 1 * * 0 παριστάνει το σύνολο των δυαδικών ακολουθιών (χρωμοσωμάτων) Μια δυαδική ακολουθία μήκους L είναι εκπρόσωπος καθενός από τα 2 L διαφορετικά σχήματα με τα οποία ταιριάζει. Το θεώρημα αποδεικνύει ότι σχήματα μικρού μήκους με απόδοση άνω του μέσου όρου αυξάνουν εκθετικά μετά την εφαρμογή γενετικών τελεστών, σε επόμενες γενιές.
19 Εξίσωση ανάπτυξης σχημάτων Κάτω φράγμα της αναμενόμενης συχνότητας του σχήματος s (λαμβάνοντας υπόψη μόνο την αρνητική επίδραση των τελεστών διασταύρωσης και μετάλλαξης): E[ ( s, t 1)] f ( s, t) ( s, t) 1 F( t) p l( s) (1 L 1 c p m Προσοχή: Το θεώρημα αναφέρεται ουσιαστικά σε πληθυσμό με άπειρα μέλη στην πράξη η αναμενόμενη συχνότητα μπορεί να διαφοροποιείται. Η ακριβής μορφή της διατύπωσης εξαρτάται από τους συγκεκριμένους τελεστές. Μιλάει για «συχνότητα εμφάνισης» και δε μας λέει τίποτα για το ποια σχήματα (δηλ. πόσο καλά σχήματα) περνάνε στην επόμενη γενιά. Δείτε επίσης: ) ( s)
20 Παράδειγμα: Εύρεση μεγίστου της F(x)=x 2 όπου x είναι ακέραιος στο διάστημα [1, 31].
21 Παράδειγμα: Η κωδικοποίηση Θέλουμε να αναπαραστήσουμε αριθμούς μέχρι το 31, οπότε θα χρησιμοποιήσουμε χρωμοσώματα των 5 γονιδίων στο δυαδικό: 2 5 =32>31.
22 Παράδειγμα: Η αρχικοποίηση Δημιουργία αρχικού πληθυσμού (έστω μεγέθους 4) με τυχαίο τρόπο: Α 1 = = Α 2 = = Α 3 = = 8 10 Α 4 = = 19 10
23 Παράδειγμα: Η αξιολόγηση F(Α 1 )= 13 2 = 169 F(Α 2 )= 24 2 = 576 F(Α 3 ) = 8 2 = 64 F(Α 4 )= 19 2 =361 Συνολική Απόδοση: 1170 Μέση απόδοση: 293
24 Παράδειγμα: Η επιλογή Ρουλέτα με βάρη: κάθε μέλος του πληθυσμού έχει πιθανότητα επιλογής ίση με τη σχετική του απόδοση στον τρέχοντα πληθυσμό. P(A 1 ) = 0.14 P(A 2 ) = 0.49 A2 A3 P(A 3 ) = 0.06 P(A 4 ) = 0.31 A1 A4
25 Παράδειγμα: Η αναπαραγωγή Ο προσωρινός πληθυσμός μετά την εφαρμογή της ρουλέτας: Α 1 = Α 2 = Α 3 = Α 4 = Με αρχικό: Α1 = Α2 = Α3 = Α4 =
26 Παράδειγμα: Η διασταύρωση Επιλογή με τυχαίο τρόπο των ατόμων που θα διασταυρώσουν το γενετικό υλικό τους: Έστω ότι διασταυρώνονται το Α 1 με το Α 2 με σημείο διασταύρωσης το 4 και το Α 3 με το Α 4 με σημείο διασταύρωσης το 2: Α 1 = Α 2 = Α 3 = Α 4 = Α 1 = Α 2 = Α 3 = Α 4 =
27 Παράδειγμα: Η μετάλλαξη Με τυχαίο τρόπο επιλέγονται γονίδια των οποίων η τιμή αντιστρέφεται: Α 1 = Α 2 = Α 3 = Α 4 = Α 1 = Α 2 = Α 3 = Α 4 =
28 Παράδειγμα: Ο νέος πληθυσμός Α 1 = = =>F(12)=144 Α 2 = = =>F(25)=625 Α 3 = = =>F(27)=729 Α 4 = = =>F(18)=324 Συνολική Απόδοση: 1822 (από 1170) Μέση απόδοση:455.5 (από 293) Προσέξτε ότι ο αλγόριθμος δεν γνωρίζει τη μορφή του χώρου των λύσεων
29 Παράδειγμα: μέγιστο της συνάρτησης peak z = f(x, y) = 3*(1 x)^2*exp( (x^2) (y+1)^2) 10*(x/5 x^3 y^5)*exp( x^2 y^2) 1/3*exp( (x+1)^2 y^2).
30 Παράδειγμα επίλυσης Αρχικός πληθυσμός 5η γενιά 10η γενιά
31 Παράδειγμα εξέλιξης λύσεων ΓΑ για πρόβλημα διαχείρισης μη σημειακής ρύπανσης πληθ γενιές πληθ γενιές
32
33 Εγκλωβισμός σε τοπικά ακρότατα; Διασταύρωση: χρήση της υπάρχουσας πληροφορίας Μετάλλαξη: αναζήτηση νέας πληροφορίας P(mutation) 0 όσο εξελίσσεται η βελτιστοποίηση Επίδοση
34 Επαναλήψεις Η διαδικασία αυτή μεταφέρει στην επόμενη γενιά τις καλύτερες από την προηγούμενη γενιά: Όσο πιο υψηλό fitness (ουσιαστικά μεγαλύτερη τιμή στην αντικειμενική συνάρτηση) τόσο μεγαλύτερη η πιθανότητα να συμπεριληφθεί στον πληθυσμό της επόμενης γενιάς. Οι γενετικοί αλγόριθμοι περιλαμβάνουν πολλές επαναλήψεις των διαδικασιών που αναφέρθηκαν. Κάθε επανάληψη (ή γενιά) είναι καλύτερη από την προηγούμενη (σαν μέσος όρος). Η απόλυτα καλύτερη λύση κάθε γενιάς συνήθως μεταφέρεται αυτούσια στην επόμενη γενιά (ελιτισμός). Ο ΓΑ τελειώνει όταν οι επαναλήψεις δεν επιτυγχάνουν βελτίωση των λύσεων. Προσοχή: δεν υπάρχει καμία σιγουριά ότι η τελική λύση που βρήκε ο ΓΑ είναι η βέλτιστη.
35 Παράδειγμα: Υδατικοί Πόροι Κατανομή νερού σε 3 χρήστες Μέγιστη ποσότητα νερού σε κάθε χρήστη να μην υπερβαίνει το 5 Το άθροισμα όλων των χρηστών να μην υπερβαίνει το 6
36 Διαδικασία επίλυσης Δημιουργούμε (τυχαία) ένα πληθυσμό εφικτών λύσεων Βασικοί παράμετροι ενός ΓΑ είναι ο αριθμός των λύσεων που εξετάζουμε και παράμετροι που καθορίζουν την επιλογή, διασταύρωση και μετάλλαξη Οι παράμετροι αυτοί καθορίζονται με δοκιμή και πλάνη (trial and error). Μια πιθανή λύση μπορεί να είναι η [3,1,2] που καθορίζει κατανομή x1=3, x2=1, and x3=2. Μια άλλη λύση μπορεί να είναι η [1,0,1] Οι δύο αυτές λύσεις μπορούν να συνδυαστούν και να δώσουν 2 «απογόνους».
37 Διαδικασία επίλυσης Τα γονίδια των απογόνων καθορίζονται από την διασταύρωση και τη μετάλλαξη Ας υποθέσουμε ότι το σημείο διασταύρωσης καθορίζεται τυχαία και είναι μετά το πρώτο στοιχείο?
38 Διαδικασία επίλυσης: διασταύρωση Ένας άλλος τρόπος (ομοιόμορφης) διασταύρωσης είναι να προσδιορίσουμε για κάθε ζεύγος γονιδίων αν θα διασταυρωθούν ή όχι. Μπορούμε για παράδειγμα να θέσουμε τη πιθανότητα διασταύρωσης σε Άρα κάθε ζεύγος γονιδίων έχει 30% πιθανότητα να διασταυρωθεί. Για παράδειγμα θα μπορούσε να καταλήξει μόνο το μεσαίο από τα ζεύγη των λύσεων 312 και 101 να διασταυρωθεί: 302 and 111.
39 Διαδικασία επίλυσης: μετάλλαξη Η μετάλλαξη καθορίζεται σε κάθε γονίδιο και συνεπάγεται την αλλαγή της τιμής του γονιδίου (με κάποιο προκαθορισμένο τρόπο εκτός αν είναι δυαδικό οπότε απλά το 0 γίνεται 1 και αντίστροφα). Πχ, ας αποφασίσουμε ότι μετάλλαξη σημαίνει 1 (εκτός αν είναι μη εφικτό οπότε το γονίδιο γίνεται το μέγιστο) πχ το 0 γίνεται 5, ενώ το 2 γίνεται 1). Ας υποθέσουμε ότι μεταλλάσουμε το μεσαίο ψηφίο του 112 και άρα έχουμε 102. Η διαδικασία μας έδωσε από τα 312 και και 102. Πρέπει να υπολογίσουμε το όφελος για τις νέες λύσεις ( & )
40 Διαδικασία επίλυσης: επιλογή νέου πληθυσμού Το άθροισμα των δύο οφελών είναι Ορίζουμε ως πιθανότητα επιλογής της λύσης 301 το 16.5/35.5= 0.47 και της λύσης 102 το 19/35.5=0.53 Πρακτικά επιλέγοντας ένα τυχαίο αριθμό από μια κανονική κατανομή [0 to 1], αν ο αριθμός αυτός είναι μεταξύ 0 to 0.47 τότε επιλέγουμε το 301. Αν είναι μεγαλύτερος επιλέγουμε το 102. Και η διαδικασία συνεχίζεται για μια ακόμα γενιά.
41 Εξέλιξη λύσεων αναζήτηση Λύσεις στη γενιά 0 Λύσεις στη γενιά Ν
42 Ανοιχτά θέματα Επιλογή βασικών παραμέτρων: Μορφή του ατόμου/χρωμοσώματος/λύσης Μέγεθος πληθυσμού, πιθανότητα μετάλλαξης Πολιτική επιλογής Επιλογή τελεστών μετάλλαξης και διασταύρωσης.. Κριτήρια Τερματισμού Επίδοση, σύγκλιση, ταχύτητα Προφανώς ή αξιοπιστία της «βέλτιστης» λύσης εξαρτάται (όπως πάντα) από την αντικειμενική συνάρτηση
43 Μέγεθος ενός πληθυσμού.. Το μέγεθος του πληθυσμού εκφράζει πόσα χρωμοσώματα αποτελούν τον πληθυσμό (σε κάθε γενιά). Tο μέγεθος του πληθυσμού είναι κρίσιμο για την απόδοση του Γενετικού Αλγορίθμου. Αν είναι μόνο μερικά χρωμοσώματα, ο ΓΑ έχει μόνο μερικές πιθανότητες να εκτελέσει διασταύρωση και ένα μικρό μέρος του χώρου καταστάσεων θα εξεταστεί. Οι μικροί πληθυσμοί βρίσκουν γενικά, τις καλές λύσεις γρήγορα, αλλά είναι συχνά κολλημένοι στα τοπικά βέλτιστα. Από την άλλη πλευρά, αν υπάρχουν πάρα πολλά χρωμοσώματα, ο ΓΑ θα μειώσει την ταχύτητά του. Οι μεγαλύτεροι πληθυσμοί είναι λιγότερο πιθανό να πιαστούν από τα τοπικά βέλτιστα, αλλά γενικά παίρνουν περισσότερο χρόνο για να βρουν τις καλές λύσεις. Ίσως να προκαλεί έκπληξη το ότι μεγάλο μέγεθος πληθυσμού συνήθως δεν βελτιώνει την απόδοση του ΓΑ (με την έννοια της ταχύτητας εύρεσης της λύσης). Ένας καλός αριθμός χρωμοσωμάτων σε κάθε πληθυσμό είναι περίπου 20 30, όμως, κάποιες φορές μεγέθη θεωρούνται καλύτερα. Κάποιες μελέτες επίσης, δείχνουν ότι το μέγεθος του πληθυσμού εξαρτάται από την αναπαράσταση και κυρίως στο μέγεθος του string.
44 Πολυκριτηριακοί ΓΑ Ή καλύτερα πολύ στοχικοί Βελτιστοποίηση κατά Pareto
45 Πολύ (!) πολυκριτηριακοί Γενετικοί Αλγόριθμοι VEGA (Vector Evaluated Genetic Algorithms) David Schaffer (1984) VOES(Vector Optimized Evolution Strategy) Frank Kursawe (1990). MOGA (Multi objective GA) Fonseca and Fleming (1993). NSGA (Non dominated Sorting GA) Srinivas and Deb (1994) NPGA (Niched Pareto Genetic Algorithm) Horn et al. (1994) PPES (Predator Prey Evolution Strategy) Laumanns et al. (1998) DSGA (Distributed Sharing GA) Hiroyasgu et al. (1999) DRLA (Distributed Reinforcement Learning Approach) Mariano and Morales (2000). Nash GA, (Game Theoretic) Sefrioui and Periaux (2000) REMOEA (Rudolph s Elitist MOEA) Rudolph (2001) NSGA II (Non dominated Sorting GA) Deb et a. (2000).
46 Ορισμός Pareto Μια λύση είναι βέλτιστη κατά Pareto αν και μόνο αν: Είναι τουλάχιστον τόσο καλή όσο οι άλλες λύσεις για όλους τους στόχους/κριτήρια και Είναι καλύτερη από όλες τις άλλες λύσεις σε τουλάχιστον ένα στόχο/κριτήριο.
47 Κυριαρχία (dominance) )) (, ), ( ( ) ( 1 x f x f x f k 1 x 2 x 2 x 1 x ) ( ) ( }:, {1, }, {1, ) ( ) ( x f x f k i k i x f x f i i i i Για πρόβλημα ελαχιστοποίησης..
48 Μη κυριαρχούμενες λύσεις (nondominated) Μπορούμε να έχουμε μόνο μία κυρίαρχη λύση Αλλά μπορούμε να έχουμε αρκετές μηκυριαρχούμενες λύσεις (pareto set) P: x F x F f x f x ( ) ( )
49 Παράδειγμα Κυριαρχούμενες λύσεις pareto fronts Μη κυριαρχούμενες λύσεις Μια και οι ΓΑ από τη φύση τους δημιουργούν πολλαπλές λύσεις (πληθυσμούς) είναι εύκολο να δημιουργήσεις pareto: είναι πολυκριτηριακοί από φυσικού τους! (Fonseca and Fleming 1993)
50 Παράδειγμα (ελαχιστοποίησης) Candidate f 1 f 2 f 3 f 4 1 (dominated by: 2,4,5) (dominated by: 5) (non-dominated) (non-dominated) (non-dominated)
51 Διαχωρίζοντας τις επιφάνειες Pareto (pareto fronts) (1) (3) (6) 5 (1) 4 (1) 3 (2) 2 (1) (Fonseca and Fleming 1993)
52 Pareto Front (Tamaki et al. 1996)
53 Γενετικοί τελεστές με πληθυσμούς Pareto: Επιλογή Pareto Ranking (Pareto Sorting) Tournament Selection with Dominance pair wise comparison against a comparison set based on dominance Pareto Reservation (Elitism) carry non dominated candidates forward from previous generation use additional selection method to regulate population size
54 Το πρόβλημα της διασποράς (genetic diversity) Οι λύσεις εκτός από μη κυριαρχούμενες πρέπει να μπορούν να απεικονίζουν ικανοποιητικά το Pareto front Άρα δεν έχουν νόημα 100 λύσεις στο ίδιο σημείο του χώρου (clustered) είναι καλύτερα διασπαρμένες σε όλο το χώρο..
55 NSGAII
56 Διαφορετικός τρόπος να πετύχεις διασπορά λύσεων. Μόνο μια λύση (τυχαία ή την καλύτερη) σε κάθε κελί Προφανώς χάνονται κάποιες καλές λύσεις Έχεις όμως καλύτερη διασπορά Epsilon = μικρό Epsilon Domination (Laumanns, Deb et al., 2002)
57 Κατανομή της ευρωστίας: Fitness Sharing Περιορίζει τον αριθμό ατόμων εντος της ίδιας περιοχής (niche), κατανέμοντας την ευρωστία τους Κατανομή ατόμων σε περιοχές ανάλογα με την ευρωστία της περιοχής. Πρέπει να θέσουμε υποκειμενικά το μέγεθος της περιοχής share είτε στον χώρο του γενότυπου είτε στου φαινότυπου Μετά τρέχουμε κανονικά τον ΓΑ f '( i) j 1 f ( i) sh( d( i, j)) sh( d) 1 d 0 / d otherwise 57
58 Ελιτισμός και Archiving Τα καλύτερα άτομα τα κρατάμε σε χωριστό αρχείο (ελιτισμός) Δεν χρειάζεται να ξανατρέξουμε την αντικειμενική (archiving) Ελέγχουμε τη διασπορά μόνο στις καλύτερες (και τελικές) τιμές 58
59 Matlab Τoolbox 59
60 [x fval] = ga(fitnessfun, nvars, options) where fitnessfun is the fitness function. nvars is the number of independent variables for the fitness function. options is a structure containing options for the genetic algorithm. If you do not pass in this argument, ga uses its default options. Αποτελέσματα: x Point at which the final value is attained. fval Final value of the fitness function. 60
61 Ή μέσω toolbox: optimtool (σε παλιότερες version: gatool) Fitness function The objective function you want to minimize. Enter the fitness function as fitnessfun.m ie. an M file that computes the fitness function. Number of Variables The number of variables in the given fitness function should be given. April
62 POPULATION In this case population type, population size and creation function may be selected. The initial population and initial score may be specified, if not, the Ga tool creates them. The initial range should be given. FITNESS SCALING The fitness scaling should be any of the following a. Rank b. Proportional c. Top d. Shift Linear e. Custom 62
63 SELECTION April
64 REPRODUCTION April
65 MUTATION April
66 CROSSOVER April
67 MIGRATION April
68 HYBRID FUNCTION April
69 STOPPING CONDITION April
70 RUNNING AND SIMULATION April
71 Παράδειγμα f(x) = x 2 +3x+2 ως function σε m file April
72 72
73 April
74 April
75 Παράδειγμα f(x1,x2)=4x 1 +5x 2 σε m file σαν function April
76 April
77 77
78 78
79 Παράδειγμα f (x1, x2, x3) = -5sin(x1)sin(x2)sin(x3)+-sin(5x1)sin(5x2)sin(x3) με 0 <= xi <= pi, for 1<= i <= 3. April
80 April
81 81
82 82
83 Matlab (Πολυκριτηριακή Βελτιστοποίηση) min F(x) = [objective1(x); objective2(x)] where objective1(x) = (x+2)^2 10 objective2(x) = (x 2)^ And 8<x<8
84 Δημιουργούμε την αντικειμενική function y = simple_multiobjective(x) y(1) = (x+2)^2 10; y(2) = (x 2)^2 + 20; Command Line: FitnessFunction numberofvariables = 1; [x,fval] = gamultiobj(fitnessfunction,numberofvariables);
85 Παράδειγμα function y=test(x) y1=x^2+3*x+2; y2=x^3 5; y=[y1,y2];
86 Βιβλιογραφία Wendy Williams: Genetic Algorithms: A Tutorial Λυκοθανάσης, Σ. Τμήμα Μηχανικών Η/Υ και Πληροφορικής, Παν/μιο Πάτρας ( Z. Michalewitz. Genetic Algorithms + Data Structures = Evolution Programs, Springer, Berlin, Germany (1992) Coello Coello, C.A Introduction to Evolutionary Multiobjective Optimization. emooeng.pdf Fonseca, C.M. and P.J. Fleming Genetic Algorithms for Multiobjective Optimization: Formulation, Discussion and Generalization. Genetic Algorithms: Proceedings of the Fifth International Conference. S. Forrest, ed. San Mateo, CA, July 1993.
Γενετικοί Αλγόριθμοι
Βελτιστοποίηση Συστημάτων & Υδροπληροφορική Γενετικοί Αλγόριθμοι Χρήστος Μακρόπουλος & Ανδρέας Ευστρατιάδης Τομέας Υδατικών Πόρων και Περιβάλλοντος Εθνικό Μετσόβιο Πολυτεχνείο 1 Γενετικοί αλγόριθμοι: Τι
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 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 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 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 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 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 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 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 περισσότεραΔρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης
Μάθημα 3ο Δρ. Ανέστης Γ. Χατζημιχαηλίδης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. ΤΕΙ Ανατολικής Μακεδονίας και Θράκης 2016-2017 Εξελικτικός Υπολογισμός Ορισμός Βασικές Αρχές Βελτιστοποίησης Κλασικοί Αλγόριθμοι
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 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 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 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 περισσότεραΥπολογιστική Νοημοσύνη
Υπολογιστική Νοημοσύνη Εξελικτική Βελτιστοποίηση Γενετικοί Αλγόριθμοι Αναστάσιος Ντούνης, Καθηγητής Εργαστήριο Υπολογιστικής Νοημοσύνης Ευφυούς Ελέγχου Τμήμα Μηχανικών Αυτοματισμού Σχολή Τεχνολογικών Εφαρμογών
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 περισσότεραΓενετικοί 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 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 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 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 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 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 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 περισσότεραΣΧΕΔΙΑΣΜΟΣ 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 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 περισσότεραΠολυκριτηριακή βελτιστοποίηση
Πολυκριτηριακή βελτιστοποίηση Σηµειώσεις στα πλαίσια του µαθήµατος: Βελτιστοποίηση συστηµάτων υδατικών πόρων Ανδρέας Ευστρατιάδης και ηµήτρης Κουτσογιάννης Τοµέας Υδατικών Πόρων Εθνικό Μετσόβιο Πολυτεχνείο
Διαβάστε περισσότεραΠολυκριτηριακή βελτιστοποίηση
Πολυκριτηριακή βελτιστοποίηση Σηµειώσεις στα πλαίσια του µαθήµατος: Βελτιστοποίηση συστηµάτων υδατικών πόρων Ανδρέας Ευστρατιάδης και ηµήτρης Κουτσογιάννης Τοµέας Υδατικών Πόρων Εθνικό Μετσόβιο Πολυτεχνείο
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 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 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 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 περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Θεωρία Παιγνίων και Αποφάσεων Διδάσκων: Ε. Μαρκάκης, Εαρινό εξάμηνο 2015
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Θεωρία Παιγνίων και Αποφάσεων Διδάσκων: Ε. Μαρκάκης, Εαρινό εξάμηνο 2015 Λύσεις 2η σειράς ασκήσεων Προθεσμία παράδοσης: 18 Μαίου 2015 Πρόβλημα 1. (14
Διαβάστε περισσότεραΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ ΓΙΑ ΤΗ ΔΙΑΧΕΙΡΙΣΗ ΒΙΟΜΗΧΑΝΙΚΩΝ ΑΤΥΧΗΜΑΤΩΝ ΜΕΓΑΛΗΣ ΕΚΤΑΣΗΣ
ΣΥΣΤΗΜΑΤΑ ΥΠΟΣΤΗΡΙΞΗΣ ΑΠΟΦΑΣΕΩΝ ΓΙΑ ΤΗ ΔΙΑΧΕΙΡΙΣΗ ΒΙΟΜΗΧΑΝΙΚΩΝ ΑΤΥΧΗΜΑΤΩΝ ΜΕΓΑΛΗΣ ΕΚΤΑΣΗΣ ΓΕΩΡΓΙΑΔΟΥ ΠΑΡΑΣΚΕΥΗ Υποψ.Δρ., Σχολή Χημικών Μηχ/κών ΕΜΠ Επιβλέπων IΠΤΑ: Ι.Α.Παπάζογλου Εργαστήριο Αξιοπιστίας
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 περισσότεραΠρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής
Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής Να γραφεί πρόγραμμα το οποίο δέχεται ως είσοδο μια ακολουθία S από n (n 40) ακέραιους αριθμούς και επιστρέφει ως έξοδο δύο ακολουθίες από θετικούς ακέραιους
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 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 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 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 περισσότεραΔιαχείριση Υδατικών Πόρων Πολυκριτηριακή ανάλυση
Εθνικό Μετσόβιο Πολυτεχνείο Τομέας Υδατικών Πόρων και Περιβάλλοντος Διαχείριση Υδατικών Πόρων Πολυκριτηριακή ανάλυση Ανδρέας Ευστρατιάδης & Δημήτρης Κουτσογιάννης Σχολή Πολιτικών Μηχανικών, Αθήνα Άδεια
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Το Πιθανοκρατικό Μοντέλο Κλασικά Μοντέλα Ανάκτησης Τρία είναι τα, λεγόμενα, κλασικά μοντέλα ανάκτησης: Λογικό (Boolean) που βασίζεται στη Θεωρία Συνόλων Διανυσματικό (Vector) που βασίζεται στη Γραμμική
Διαβάστε περισσότεραΕΠΙΛΥΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΧΩΡΟΘΕΤΗΣΗΣ ΕΓΚΑΤΑΣΤΑΣΕΩΝ ΚΑΙ ΔΡΟΜΟΛΟΓΗΣΗΣ ΟΧΗΜΑΤΩΝ ΜΕ ΤΗ ΧΡΗΣΗ ΜΙΜΗΤΙΚΩΝ ΑΛΓΟΡΙΘΜΩΝ
ΕΠΙΛΥΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΧΩΡΟΘΕΤΗΣΗΣ ΕΓΚΑΤΑΣΤΑΣΕΩΝ ΚΑΙ ΔΡΟΜΟΛΟΓΗΣΗΣ ΟΧΗΜΑΤΩΝ ΜΕ ΤΗ ΧΡΗΣΗ ΜΙΜΗΤΙΚΩΝ ΑΛΓΟΡΙΘΜΩΝ Μανινάκης Ανδρέας 1 Πολυτεχνείο Κρήτης Τμήμα Μηχανικών Παραγωγής και Διοίκησης Επιβλέπων καθηγητής:
Διαβάστε περισσότεραi=1 f i = F i SF [0, f 1 ), [f 1, f 1 + f 2 ), [f 1 + f 2, f 1 + f 2 + f 3 ),..., [f 1 + f f P 1, 1) i 1
ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ (216-17) Εργασία 4 Πολύ συχνά, ένα υπολογιστικό πρόβλημα έχει περισσότερες από μία λύση. Για παράδειγμα, αν θέλουμε να βρούμε ένα υποσύνολο ενός συνόλου ακεραίων, που το άθροισμα
Διαβάστε περισσότεραΓενετικές 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 περισσότεραΓενετικός 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 περισσότεραΣτην αυτοσωμική υπολειπόμενη κληρονομικότητα: κυστική ίνωση Στη φυλοσύνδετη υπολειπόμενη κληρονομικότητα: αιμορροφιλία
ΑΠΑΝΤΗΣΕΙΣ ΒΙΟΛΟΓΙΑΣ ΚΑΤΕΥΘΥΝΣΗΣ 1-2-2015 ΘΕΜΑ Α Α1. γ Α2. γ Α3. β Α4. γ Α5. δ ΘΕΜΑ B B1. Στήλη Ι Στήλη ΙΙ 1. στ 2. ζ 3. ε 4. α 5. δ 6. β 7. γ Β2. Τα άτομα μπορεί να χαρακτηρίζονται ως φορείς στην αυτοσωμική
Διαβάστε περισσότεραΚρυπτογραφία. Έλεγχος πρώτων αριθών-παραγοντοποίηση. Διαφάνειες: Άρης Παγουρτζής Πέτρος Ποτίκας
Κρυπτογραφία Έλεγχος πρώτων αριθών-παραγοντοποίηση Διαφάνειες: Άρης Παγουρτζής Πέτρος Ποτίκας Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Σχολή ΗΜΜΥ ΕΜΠ Κρυπτογραφία
Διαβάστε περισσότεραΑνάλυση των Γενετικών Αλγορίθµων
Ανάλυση των Γενετικών Αλγορίθµων Σηµερινό Μάθηµα ΠρόβληµαΒελτιστοποίησης Βελτιστοποίηση συνάρτησης µιας µεταβλητής Βελτιστοποίηση συνάρτησης k µεταβλητών Περιορισµοίτουπεδίουορισµού Περιορισµοί πλεοναζουσών
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 8. Συνεχείς Κατανομές Πιθανοτήτων
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΣΧΕΔΙΑΣΗΣ ΠΡΟΪΟΝΤΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΚΑΡΑΓΙΑΝΝΙΔΗ ΧΡΙΣΤΙΝΑ ΑΜ: /017
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΣΧΕΔΙΑΣΗΣ ΠΡΟΪΟΝΤΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΚΑΡΑΓΙΑΝΝΙΔΗ ΧΡΙΣΤΙΝΑ ΑΜ: 5112001/017 ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ: ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΒΙΟΜΗΧΑΝΙΚΗΣ ΓΡΑΜΜΗΣ ΠΑΡΑΓΩΓΗΣ ΜΕ ΧΡΗΣΗ ΓΕΝΕΤΙΚΩΝ ΑΛΓΟΡΙΘΜΩΝ
Διαβάστε περισσότεραΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ ΑΝΑΠΤΥΞΗ ΣΥΣΤΗΜΑΤΟΣ ΓΙΑ ΤΟ ΠΡΟΒΛΗΜΑ ΤΟΥ ΒΕΛΤΙΣΤΟΥ ΣΧΕΔΙΑΣΜΟΥ ΓΡΑΜΜΗΣ ΠΡΟΪΟΝΤΩΝ Επιβλέπων καθηγητής: Τσαφαράκης Στέλιος Εκπόνηση:
Διαβάστε περισσότερακαθ. Βασίλης Μάγκλαρης
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα 005 - Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Ενισχυτική Μάθηση - Δυναμικός Προγραμματισμός: 1. Markov Decision Processes 2. Bellman s Optimality Criterion 3. Αλγόριθμος
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 περισσότεραΠανεπιστήμιο Πειραιώς Τμήμα Πληροφορικής
Πανεπιστήμιο Πειραιώς Τμήμα Πληροφορικής Πρόγραμμα Μεταπτυχιακών Σπουδών «Προηγμένα Συστήματα Πληροφορικής» Μεταπτυχιακή Διατριβή Τίτλος Διατριβής Εφαρμογές του αλγορίθμου της νυχτερίδας σε πολυκριτηριακά
Διαβάστε περισσότεραHY380 Αλγόριθμοι και πολυπλοκότητα Hard Problems
HY380 Αλγόριθμοι και πολυπλοκότητα Hard Problems Ημερομηνία Παράδοσης: 0/1/017 την ώρα του μαθήματος ή με email: mkarabin@csd.uoc.gr Γενικές Οδηγίες α) Επιτρέπεται η αναζήτηση στο Internet και στην βιβλιοθήκη
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΜΗΧΑΝΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΡΕΥΣΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΘΕΡΜΙΚΩΝ ΣΤΡΟΒΙΛΟΜΗΧΑΝΩΝ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΜΗΧΑΝΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΡΕΥΣΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΘΕΡΜΙΚΩΝ ΣΤΡΟΒΙΛΟΜΗΧΑΝΩΝ Η Μέθοδος της Διαφορικής Εξέλιξης στη Μονοκριτηριακή και Πολυκριτηριακή Αεροδυναμική Βελτιστοποίηση,
Διαβάστε περισσότεραΓραµµικός Προγραµµατισµός (ΓΠ)
Γραµµικός Προγραµµατισµός (ΓΠ) Περίληψη Επίλυση δυσδιάστατων προβληµάτων Η µέθοδος simplex Τυπική µορφή Ακέραιος Προγραµµατισµός Προγραµµατισµός Παραγωγής Προϊόν Προϊόν 2 Παραγωγική Δυνατότητα Μηχ. 4 Μηχ.
Διαβάστε περισσότεραΠολυκριτηριακός Γραμμικός Προγραμματισμός. Συστήματα Αποφάσεων Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης
Πολυκριτηριακός Γραμμικός Προγραμματισμός Πολλαπλά κριτήρια στη λήψη απόφασης Λήψη Αποφάσεων με Πολλαπλά Κριτήρια Διακριτό σύνολο επιλογών Συνεχές σύνολο επιλογών Πολυκριτηριακή Ανάλυση (ELECTRE, Promethee,
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ
ΥΠΕΥΘΥΝΟΣ ΚΑΘΗΓΗΤΗΣ Α. Ντούνης ΔΙΔΑΣΚΩΝ Χ. Τσιρώνης ΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ - Τεχνικές αναζήτησης - Search tools in MATLAB - Διερεύνηση λύσης NCM ΤΕΧΝΙΚΕΣ ΑΝΑΖΗΤΗΣΗΣ Στόχος: Ο σταδιακός
Διαβάστε περισσότεραΛελούδας Παναγιώτης. Επιβλέπων Καθηγητής: Σπυρίδων Λυκοθανάσης. Τμήμα Μηχανικών Η/Υ και Πληροφορικής. Πανεπιστήμιο Πατρών
Σχεδιασμός, Ανάλυση και Υλοποίηση Ευφυών Αλγορίθμων Υπολογιστικής Νοημοσύνης για την Εύρεση Βέλτιστου Ωρολογίου Προγράμματος Εργασίας Οδηγών και Χρονοδρομολόγησης Λεωφορείων σε Υπεραστικά και Αστικά ΚΤΕΛ
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος
Διαβάστε περισσότεραOptimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P)
( ) 1 ( ) : : (Differential Evolution, DE) (Particle Swarm Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] 2 2.1 (P) (P ) minimize f(x) subject to g j (x) 0, j = 1,..., q h j (x) = 0, j
Διαβάστε περισσότεραΤυχαία μεταβλητή (τ.μ.)
Τυχαία μεταβλητή (τ.μ.) Τυχαία μεταβλητή (τ.μ.) είναι μια συνάρτηση X ( ) με πεδίο ορισμού το δειγματικό χώρο Ω του πειράματος και πεδίο τιμών ένα υποσύνολο πραγματικών αριθμών που συμβολίζουμε συνήθως
Διαβάστε περισσότεραFORTRAN & Αντικειμενοστραφής Προγραμματισμός ΣΝΜΜ 2016
FORTRAN & Αντικειμενοστραφής Προγραμματισμός ΣΝΜΜ 2016 M7 Δομές δεδομένων: Πίνακες Δρ. Γεώργιος Παπαλάμπρου Επικ. Καθηγητής ΕΜΠ Εργαστήριο Ναυτικής Μηχανολογίας george.papalambrou@lme.ntua.gr ΕΜΠ/ΣΝΜΜ
Διαβάστε περισσότεραΣχεδίαση και Ανάλυση Αλγορίθμων
Σχεδίαση και Ανάλυση Αλγορίθμων Ενότητα 4.0 Επιλογή Αλγόριθμοι Επιλογής Select και Quick-Select Σταύρος Δ. Νικολόπουλος 2016-17 Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Ιωαννίνων Webpage: www.cs.uoi.gr/~stavros
Διαβάστε περισσότεραΒιολογία Κατεύθυνσης Γ Λυκείου
Βιολογία Κατεύθυνσης Γ Λυκείου Επιμέλεια: Δημήτρης Κοτρόπουλος ΘΕΜΑ A Να γράψετε τον αριθμό καθεμιάς από τις παρακάτω ημιτελείς προτάσεις A1 έως A5 και δίπλα το γράμμα που αντιστοιχεί στη φράση, η οποία
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Κατανομή Δειγματοληψίας του Δειγματικού Μέσου Ο Δειγματικός Μέσος X είναι μια Τυχαία Μεταβλητή. Καθώς η επιλογή και χρήση διαφορετικών δειγμάτων από έναν
Διαβάστε περισσότεραPROJECT ΣΤΟ ΜΑΘΗΜΑ "ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ"
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ "ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ" ΜΕΡΟΣ ΤΡΙΤΟ Υπεύθυνος Καθηγητής Λυκοθανάσης Σπυρίδων Ακαδημαικό Έτος: 2011-2012
Διαβάστε περισσότεραΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΚΕΡΑΙΩΝ ΜΙΚΡΟΤΑΙΝΙΑΣ ΜΕ ΓΕΝΕΤΙΚΟΥΣ ΑΛΓΟΡΙΘΜΟΥΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΚΕΡΑΙΩΝ ΜΙΚΡΟΤΑΙΝΙΑΣ ΜΕ ΓΕΝΕΤΙΚΟΥΣ ΑΛΓΟΡΙΘΜΟΥΣ ιπλωµατική
Διαβάστε περισσότεραΣΧΕΔΙΑΣΗ ΕΠΙΠΕΔΩΝ ΣΤΟΙΧΕΙΟΚΕΡΑΙΩΝ ΜΕ ΧΡΗΣΗ ΕΞΕΛΙΚΤΙΚΩΝ ΑΛΓΟΡΙΘΜΩΝ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΦΥΣΙΚΗΣ ΤΟΜΕΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΗΛΕΚΤΡΟΝΙΚΗΣ ΦΥΣΙΚΗΣ (ΡΑΔΙΟΗΛΕΚΤΡΟΛΟΓΙΑΣ) ΣΧΕΔΙΑΣΗ ΕΠΙΠΕΔΩΝ ΣΤΟΙΧΕΙΟΚΕΡΑΙΩΝ ΜΕ ΧΡΗΣΗ ΕΞΕΛΙΚΤΙΚΩΝ
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 περισσότεραΚεφάλαιο 5: ΜΕΝΔΕΛΙΚΗ ΚΛΗΡΟΝΟΜΙΚΟΤΗΤΑ
Κεφάλαιο 5: ΜΕΝΔΕΛΙΚΗ ΚΛΗΡΟΝΟΜΙΚΟΤΗΤΑ -ΘΕΩΡΙΑ- Κληρονομικότητα: Η ιδιότητα των ατόμων να μοιάζουν με τους προγόνους τους. Κληρονομικοί χαρακτήρες: Οι ιδιότητες που κληρονομούνται στους απογόνους. Γενετική:
Διαβάστε περισσότεραΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΠΑΡΑΛΛΗΛΟΠΟΙΗΣΗ ΓΕΝΕΤΙΚΩΝ ΑΛΓΟΡΙΘΜΩΝ ΠΟΛΛΑΠΛΩΝ ΣΤΟΧΩΝ
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium iv Στατιστική Συμπερασματολογία Ι Σημειακές Εκτιμήσεις Διαστήματα Εμπιστοσύνης Στατιστική Συμπερασματολογία (Statistical Inference) Το πεδίο της Στατιστικής Συμπερασματολογία,
Διαβάστε περισσότεραΑριθμητικές Μέθοδοι σε Προγραμματιστικό Περιβάλλον
Τεχνολογικό Εκπαιδευτικό Ίδρυμα Κεντρικής Μακεδονίας - Σέρρες Τμήμα Μηχανικών Πληροφορικής Αριθμητικές Μέθοδοι σε Προγραμματιστικό Περιβάλλον Δρ. Δημήτρης Βαρσάμης Επίκουρος Καθηγητής Δρ. Δημήτρης Βαρσάμης
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 περισσότεραΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 6/5/2006
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Ολοι οι αριθμοί που αναφέρονται σε όλα τα ερωτήματα είναι μικρότεροι το 1000 εκτός αν ορίζεται διαφορετικά στη διατύπωση του προβλήματος. Διάρκεια: 3,5 ώρες Καλή
Διαβάστε περισσότεραEvolutionary Equilibrium
Evolutionary Equilibrium Παύλος Στ. Εφραιµίδης Τοµέας Λογισµικού Τµήµα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών v. 22.05.2012 Algorithmic Game Theory Evolutionary Equilibium 1 τι θα πούμε εξελικτικά
Διαβάστε περισσότεραDifferential Evolution (Storn & Price 1995) Μπορεί να θεωρηθεί ως παραλλαγή των ΓΑ. Εφαρμόζεται μόνο σε προβλήματα συνεχών παραμέτρων και όχι
Σπύρος Καζαρλής Differential Evolution (Storn & Price 1995) Μπορεί να θεωρηθεί ως παραλλαγή των ΓΑ. Εφαρμόζεται μόνο σε προβλήματα συνεχών παραμέτρων και όχι συνδυαστικά. Χρησιμοποιεί πληθυσμό λύσεων που
Διαβάστε περισσότεραΒασίλειος Μαχαιράς Πολιτικός Μηχανικός Ph.D.
Βασίλειος Μαχαιράς Πολιτικός Μηχανικός Ph.D. Μη γραμμικός προγραμματισμός: βελτιστοποίηση με περιορισμούς Πανεπιστήμιο Θεσσαλίας Σχολή Θετικών Επιστημών Τμήμα Πληροφορικής Διάλεξη 9-10 η /2017 Τι παρουσιάστηκε
Διαβάστε περισσότερα4.γ. μερική επανάληψη, εισαγωγή στη βελτιστοποίηση υδατικών συστημάτων. Δρ Μ.Σπηλιώτης
4.γ. μερική επανάληψη, εισαγωγή στη βελτιστοποίηση υδατικών συστημάτων Δρ Μ.Σπηλιώτης Ολοκληρωμένη διαχείριση υδατικών πόρων (integrated water resources management), έμφαση στην εξέταση όλων των πτυχών
Διαβάστε περισσότεραΔασική Γενετική Τα πειράματα του Mendel
Δασική Γενετική Τα πειράματα του Mendel Χειμερινό εξάμηνο 2014-2015 Παράδοξο... Οι απόγονοι μοιάζουν στους γονείς τους Δεν είναι όμως ακριβώς ίδιοι, ούτε με τους γονείς τους, ούτε μεταξύ τους Κληρονομικότητα
Διαβάστε περισσότεραApproximation Algorithms for the k-median problem
Approximation Algorithms for the k-median problem Ζακυνθινού Λυδία Παυλάκος Γεώργιος Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Θεωρία Υπολογισμού 2011-2012 Το πρόβλημα
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 περισσότεραΣχεδιασμός επέκτασης του συστήματος ηλεκτροπαραγωγής με τη χρήση Πολυκριτηριακού Γραμμικού Προγραμματισμού
3ο Πανελλήνιο Επιστημονικό Συνέδριο Χημικής Μηχανικής Αθήνα,, IούνιοςI 200 Σχεδιασμός επέκτασης του συστήματος ηλεκτροπαραγωγής με τη χρήση Πολυκριτηριακού Γραμμικού Προγραμματισμού Γιώργος Μαυρωτάς Δανάη
Διαβάστε περισσότεραΘέματα Μεταγλωττιστών
Γιώργος Δημητρίου Ενότητα 7 η : Περιοχές: Εναλλακτική Μέθοδος Ανάλυσης Ροής Δεδομένων Περιοχές (Regions) Σε κάποιες περιπτώσεις βρόχων η ανάλυση ροής δεδομένων με τον επαναληπτικό αλγόριθμο συγκλίνει αργά
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 περισσότεραΠαράδειγμα #5 EΠΙΛΥΣΗ ΜΗ ΓΡΑΜΜΙΚΩΝ ΑΛΓΕΒΡΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΕ ΜΕΘΟΔΟ NEWTON ΕΠΙΜΕΛΕΙΑ: Ν. Βασιλειάδης. ( k ) ( k)
Παράδειγμα # EΠΙΛΥΣΗ ΜΗ ΓΡΑΜΜΙΚΩΝ ΑΛΓΕΒΡΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΕ ΜΕΘΟΔΟ NEWTON ΕΠΙΜΕΛΕΙΑ: Ν. Βασιλειάδης Άσκηση Να επιλυθεί το παρακάτω μη γραμμικό σύστημα με την μέθοδο Newton: ( ) ( ) f, = + = 0 f, = + 8=
Διαβάστε περισσότεραΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 24/3/2007
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Όλοι οι αριθμοί που αναφέρονται σε όλα τα ερωτήματα μικρότεροι του 10000 εκτός αν ορίζεται διαφορετικά στη διατύπωση του προβλήματος. Αν κάπου κάνετε κάποιες υποθέσεις
Διαβάστε περισσότεραΥΠΟΛΟΓΙΣΜΟΣ ΠΑΡΑΣΙΤΩΝ ΧΩΡΗΤΙΚΟΤΗΤΩΝ ΑΛΥΣΟΕΙΔΩΝ ΜΟΝΩΤΗΡΩΝ ΜΕΣΩ ΓΕΝΕΤΙΚΟΥ ΑΛΓΟΡΙΘΜΟΥ
ΝΟΕΜΒΡΙΟΣ-ΔΕΚΕΜΒΡΙΟΣ 2007 ΤΕΧΝΙΚΑ ΧΡΟΝΙΚΑ 1 ΥΠΟΛΟΓΙΣΜΟΣ ΠΑΡΑΣΙΤΩΝ ΧΩΡΗΤΙΚΟΤΗΤΩΝ ΑΛΥΣΟΕΙΔΩΝ ΜΟΝΩΤΗΡΩΝ ΜΕΣΩ ΓΕΝΕΤΙΚΟΥ ΑΛΓΟΡΙΘΜΟΥ ΑΘΑΝΑΣΙΟΣ Γ. ΔΡΑΚΩΤΟΣ Επιβλέποντες: ΙΩΑΝΝΗΣ ΑΘ. ΣΤΑΘΟΠΟΥΛΟΣ, Καθηγητής Ε.Μ.Π.
Διαβάστε περισσότεραΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ ΙΙ
http://prlab.ceid.upatras.gr/courses/simeiwseis/yp2/chap1.htm Page 1 of 1 1. ΕΙΣΑΓΩΓΗ ΣΤΟΥΣ ΓΕΝΕΤΙΚΟΥΣ ΑΛΓΟΡΙΘΜΟΥΣ Οι Γενετικοί Αλγόριθμοι (Genetic Algorithms) είναι ένα μοντέλο μηχανισμού μάθησης του
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 περισσότεραΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Αν κάπου κάνετε κάποιες υποθέσεις να αναφερθούν στη σχετική ερώτηση. Όλα τα αρχεία που αναφέρονται στα προβλήματα βρίσκονται στον ίδιο φάκελο με το εκτελέσιμο
Διαβάστε περισσότεραThe Simply Typed Lambda Calculus
Type Inference Instead of writing type annotations, can we use an algorithm to infer what the type annotations should be? That depends on the type system. For simple type systems the answer is yes, and
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 8. Συνεχείς Κατανομές Πιθανοτήτων Η Κανονική Κατανομή
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ
Διαβάστε περισσότεραΜέθοδοι πολυδιάστατης ελαχιστοποίησης
Μέθοδοι πολυδιάστατης ελαχιστοποίησης με παραγώγους Μέθοδοι πολυδιάστατης ελαχιστοποίησης Δ. Γ. Παπαγεωργίου Τμήμα Μηχανικών Επιστήμης Υλικών Πανεπιστήμιο Ιωαννίνων dpapageo@cc.uoi.gr http://pc64.materials.uoi.gr/dpapageo
Διαβάστε περισσότεραΠαράλληλος προγραμματισμός περιστροφικών αλγορίθμων εξωτερικών σημείων τύπου simplex ΠΛΟΣΚΑΣ ΝΙΚΟΛΑΟΣ
Παράλληλος προγραμματισμός περιστροφικών αλγορίθμων εξωτερικών σημείων τύπου simplex ΠΛΟΣΚΑΣ ΝΙΚΟΛΑΟΣ Διπλωματική Εργασία Μεταπτυχιακού Προγράμματος στην Εφαρμοσμένη Πληροφορική Κατεύθυνση: Συστήματα Υπολογιστών
Διαβάστε περισσότερα1. Ηλεκτρικό μαύρο κουτί: Αισθητήρας μετατόπισης με βάση τη χωρητικότητα
IPHO_42_2011_EXP1.DO Experimental ompetition: 14 July 2011 Problem 1 Page 1 of 5 1. Ηλεκτρικό μαύρο κουτί: Αισθητήρας μετατόπισης με βάση τη χωρητικότητα Για ένα πυκνωτή χωρητικότητας ο οποίος είναι μέρος
Διαβάστε περισσότεραΒασίλειος Μαχαιράς Πολιτικός Μηχανικός Ph.D.
Βασίλειος Μαχαιράς Πολιτικός Μηχανικός Ph.D. Ακέραιος προγραμματισμός πολύ-κριτηριακές αντικειμενικές συναρτήσεις Πανεπιστήμιο Θεσσαλίας Σχολή Θετικών Επιστημών Τμήμα Πληροφορικής Διάλεξη 12-13 η /2017
Διαβάστε περισσότερα