Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου (Web Crawler) με βάση το προβαλλόμενο περιεχόμενο στους χρήστες

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου (Web Crawler) με βάση το προβαλλόμενο περιεχόμενο στους χρήστες"

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου (Web Crawler) με βάση το προβαλλόμενο περιεχόμενο στους χρήστες Διπλωματική εργασία Του Σταύρου Χαμπηλομάτη υπό την επίβλεψη Ανδρέα Λ. Συμεωνίδη Λέκτορα Θεσσαλονίκη 2012

2 - 2 - Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου

3 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Ευχαριστίες Αρχικά θα ήθελα να ευχαριστήσω όλους όσους συνετέλεσαν στην εκπόνηση της διπλωματικής μου εργασίας: - Τους γονείς μου, Παναγιώτη και Μαριεύα, και τον αδερφό μου, Βασίλη, γιατί είναι πάντα δίπλα μου και μου δίνουν δύναμη να επιτύχω τους στόχους μου. - Τον καθηγητή μου, κύριο Ανδρέα Συμεωνίδη, για την εμπιστοσύνη που μου έδειξε αναθέτοντάς μου τη διπλωματική αυτή εργασία και για την καθοδήγηση και την υποστήριξή του με γνώσεις, συμβουλές και καλή διάθεση σε όλη τη διάρκεια της εργασίας μου. - Τους φίλους μου, που με βοήθησαν να πραγματοποιήσω την εργασία μου και με υπέμειναν καθ όλη τη διάρκειά της.

4 - 4 - Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου Περίληψη Το διαδίκτυο αποτελεί πλέον την πιο σημαντική πηγή αναζήτησης πληροφοριών. Η ευρεία διάδοσή του έχει ως αποτέλεσμα τον μεγάλο όγκο διαθέσιμης πληροφορίας, με αποτέλεσμα να γίνεται δυσκολότερη η εύρεση της επιθυμητής (πραγματικά χρήσιμης πληροφορίας). Η ανάγκη για διαρκή χαρτογράφηση και αξιολόγηση των ιστότοπων έχει οδηγήσει στην δημιουργία ειδικών αυτοματοποιημένων προγραμμάτων χαρτογράφησης διαδικτύου, τους crawlers. Για την αποδοτικότερη λειτουργία τους έχουν αναπτυχθεί crawlers με επιλεκτική διάσχιση, δίνοντας προτεραιότητα σε έγγραφα με μεγαλύτερη αξία. Από την άλλη, οι βιολογικά εμπνευσμένοι αλγόριθμοι είναι ένας τομέας μελέτης με αντικείμενο την σύνδεση και την επικοινωνία απλών μονάδων με στόχο την εμφάνιση αναδυόμενης ευφυΐας, ικανής να δώσει λύσεις σε προβλήματα μη πολυωνυμικού χρόνου. Ένας τέτοιος μηχανισμός είναι και η βελτιστοποίηση κοινωνίας μυρμηγκιών (ACO: Ant Colony Optimization),ο οποίος είναι εμπνευσμένος από τον τρόπο που εντοπίζουν τροφή τα μυρμήγκια. Το ACO μπορεί να χρησιμοποιηθεί σε προβλήματα με δομή γράφου, βρίσκοντας το καλύτερο μονοπάτι μέσα σ αυτόν. Δεδομένου ότι το διαδίκτυο έχει και αυτό δομή γράφου, η εφαρμογή της ACO για την δημιουργία ενός crawler που θα αναζητεί έγγραφα με αξία μπορεί να αποτελέσει μια ενδιαφέρουσα λύση. Στην περίπτωση αυτή, για την εφαρμογή της ACO εννοείται ότι έχει αναπτυχθεί μια συνάρτηση αξιολόγησης εγγράφων. Στην παρούσα διπλωματική εργασία γίνεται μελέτη της ACO και των διαφορετικών της παραλλαγών και στη συνέχεια αναλύονται τα βασικά χαρακτηριστικά του crawling και των τεχνικών που έχουν αναπτυχθεί ώστε να αυξηθεί η απόδοση των crawlers (focused crawling). Στη συνέχεια αναπτύσσεται ένας μηχανισμός ο οποίος υιοθετεί τις αρχές της ACO σε έναν crawler που αναζητά έγγραφα πλούσια σε πολυμεσικό (multimedia) περιεχόμενο. Στα πειράματα που γίνονται εξακριβώνεται το μέγεθος της βελτίωσης που προσφέρει ο αλγόριθμος σε σχέση με έναν απλό crawler.

5 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Abstract Improving the performance of Web Crawling mechanism based on user projected content. Internet has become the most important source for information retrieval. Finding the desired information is becoming more and more complex given the rapidly increasing size of the amount of information available. The need for constant indexing and evaluation of websites has led to the creation of crawlers, i.e. automated web indexers. New generation crawlers employ selective (focused) crawling giving higher priority to documents with greater value. On the other hand, biologically inspired algorithms are a field of study related to the connection and communication of simple units in order to achieve emergent intelligence, capable of providing solution to hard NP problems. Ant Colony Optimization (ACO) is a technique focused on solving such problems, inspired from the way ants locate their food sources. ACO can be used in problems with a graph-like structure, assisting in finding the best traversal path. Given that the Internet structure can be represented as a graph, ACO can be employed by a crawler mechanism to search for valuable documents, providing that there is a function of document evaluation. Within the context of the current diploma thesis, various ACO schemes are studied and focused crawling techniques are analyzed. A mechanism has been designed and implemented, employing ACO principles on a crawler that searches for documents with rich multimedia content. A number of experiments have been performed and a preliminary comparative analysis against a simple crawler is conducted. Stavros Champilomatis November, 2012.

6 - 6 - Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου Περιεχόμενα Περιεχόμενα Ευχαριστίες... 3 Περίληψη... 4 Abstract... 5 Περιεχόμενα... 6 Λίστα Σχημάτων... 9 Λίστα Πινάκων Πίνακας Συντομογραφιών Εισαγωγή Αντικείμενο της Διπλωματικής Σκοπός της Διπλωματικής Δομή της Διπλωματικής Γνωστικό Υπόβαθρο του ACO και Σχετικές Έρευνες Εισαγωγή στους βιολογικά εμπνευσμένους αλγόριθμους Εισαγωγή στο ACO Έμπνευση του αλγορίθμου Βασική μορφή αλγορίθμου Παραλλαγές του αλγόριθμου Ο αλγόριθμος Ant System (AS) Ο αλγόριθμος Ant Colony System (ACS) Ο αλγόριθμος MAX-MIN ANT SYSTEM (MMAS) Αποτελέσματα - Συμπεράσματα Σύγκριση των αλγορίθμων ACO Σύγκριση με άλλους γενετικούς αλγορίθμους Συμπεράσματα Παραδείγματα εφαρμογής του αλγόριθμου Το πρόβλημα του προγραμματισμού της συνολικής επιβράδυνσης σε μία μηχανή ( Single machine total weighted tardiness scheduling problem SMTWTP) Το πρόβλημα γενικευμένης ανάθεσης (Generalized assignment problem GAP)... 33

7 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Δρομολόγηση πακέτων σε δίκτυο Εργαλεία προσομοίωσης κοινωνιών μυρμηγκιών Web Crawlers και Headless browsing Web Crawlers Φόρτωση και parsing σελίδων Frontier list Polite crawling Focused Crawling Headless Browsing Βασικά Χαρακτηριστικά Το Document Object Model (DOM) Ο JxBrowser Η προτεινόμενη μεθοδολογία Γενική περιγραφή Η Φόρμα διεπαφής (GUI) O Χειριστής Crawler Ο Crawler Ο Χειριστής Βάσης Η Βάση Δεδομένων Περιγραφή του αλγόριθμου Αρχικοποίηση του πίνακα Αρχικοποίηση του κύριου μέρους Crawling Χειρισμός Φερομόνης Σχηματική αναπαράσταση του αλγορίθμου Πειράματα και Αποτελέσματα Εισαγωγή Αποτελέσματα Τρόπος εκτίμησης Η εφαρμογή ExperimentResults Πειράματα Πείραμα εξάντλησης του auth.gr Πειράματα τυχαίας αναζήτησης του auth.gr Πρώτο Πείραμα της εφαρμογής στο auth.gr... 73

8 - 8 - Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου ο Πείραμα της εφαρμογής στο auth.gr ο Πείραμα της εφαρμογής στο auth.gr Ανάλυση πειραμάτων Γενικές πληροφορίες πειραμάτων Σύγκριση πειραμάτων Έγγραφα με μεγάλη συγκέντρωση φερομόνης Πειράματα σε άλλα sites : Μελλοντική εργασία Βιβλιογραφία... 86

9 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Λίστα Σχημάτων Εικόνα 1:a) Πρώτο πείραμα b)δεύτερο πείραμα Εικόνα 2:Παράδειγμα λύσεως ενός TSP Εικόνα 3:Μοντέλο κοινωνίας μυρμηγκιών στο NetLogo Εικόνα 4: Το μοντέλο κοινωνίας του Sugarscape Εικόνα 5: Το εργαλείο MASON Εικόνα 6: Το εργαλείο GAMA Σφάλμα! Δεν έχει οριστεί σελιδοδείκτης. Εικόνα 7: Σχηματική αναπαράσταση της λειτουργίας ενός crawler Εικόνα 8: Απλό Web Crawling Εικόνα 9: Focused Crawling Εικόνα 10: παράδειγμα DOM αναπαράστασης Εικόνα 11: Σχηματική περιγραφή του συστήματος Εικόνα 12: Οι κλάσεις Εικόνα 13: η Φόρμα Διεπαφής Εικόνα 14: Διάγραμμα Crawling Εικόνα 15: Παράδειγμα Εφαρμογής Εικόνα 16: Παράδειγμα Εφαρμογής Εικόνα 17: Παράδειγμα Εφαρμογής Εικόνα 18: Παράδειγμα Εφαρμογής Εικόνα 19: Παράδειγμα Εφαρμογής Εικόνα 20: Παράδειγμα Εφαρμογής Εικόνα 21: Η κατανομή των multimedia εγγράφων στο auth.gr Εικόνα 22: Κατανομή multimedia αρχείων του τυχαίου πειράματος Εικόνα 23: Κατανομή multimedia αρχείων του 1ου πειράματος Εικόνα 24: Κατανομή multimedia αρχείων του 2ου πειράματος Εικόνα 25: Κατανομή multimedia αρχείων του 3ου πειράματος Εικόνα 26: Κατανομή στο nba.com τυχαίου πειράματος Εικόνα 27: Κατανομή αποτελεμάτων στο 84

10 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου Λίστα Πινάκων Πίνακας 1: Ψευδοκώδικας Πίνακας 2: Σύγκριση της απόδοσης των διαφόρων εκδόσεων του ACO σε χαρακτηριστικά TSP 30 Πίνακας 3: Σύγκριση της απόδοσης του ACS με άλλους αλγορίθμους σε τυχαία προβλήματα... Σφάλμα! Δεν έχει οριστεί σελιδοδείκτης. Πίνακας 4:Focused Crawling τεχνικές Πίνακας 5: Παράμετροι εφαρμογής Πίνακας 6: Πεδία Βάσης Δεδομένων Πίνακας 7: Links του πειράματος εξάντλησης Πίνακας 8: Τα πλούσια έγγραφα του auth.gr για διαφορετικές τιμές του min Πίνακας 9: Στοιχεία πρώτου τυχαίου πειράματος Πίνακας 10: Στοιχεία δεύτερου τυχαίου πειράματος Πίνακας 11: Στοιχεία τρίτου τυχαίου πειράματος Πίνακας 12: Στοιχεία μέσου όρου τυχαίου πειράματος Πίνακας 13:Παράμετροι 1ου πειράματος Πίνακας 14:1ο Πειραμα-1η Εκτέλεση Πίνακας 15:1ο Πειραμα-2η Εκτέλεση Πίνακας 16:1ο Πειραμα-3η Εκτέλεση Πίνακας 17:Μέσος όρος 1ου Πειράματος Πίνακας 18:Παράμετροι 2ου πειράματος Πίνακας 19:2ο Πειραμα-1η Εκτέλεση Πίνακας 20:2ο Πειραμα-2η Εκτέλεση Πίνακας 21:2ο Πειραμα-3η Εκτέλεση Πίνακας 22:Μέσος όρος 2ου Πειράματος Πίνακας 23 Παράμετροι 3ου πειράματος Πίνακας 24:3ο Πειραμα-1η Εκτέλεση Πίνακας 25:3ο Πειραμα-2η Εκτέλεση Πίνακας 26:3ο Πειραμα-3η Εκτέλεση Πίνακας 27:Precision-Recall πειραμάτων Πίνακας 28:F 0,5 -score πειραμάτων Πίνακας 29:Βελτίωση Πειραμάτων Πίνακας 30: Έγγραφα με μεγάλη συγκέντρωση φερομόνης... 82

11 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Πίνακας 31: Βελτίωση του recall Πίνακας Συντομογραφιών NP ACO AS ACS MMAS TSP ATSP URL HITS DOM HTTP HTTPS API HTML CSS GUI DB Nondeterministic polynomial Ant Colony Optimization Ant System Ant Colony System Max Min Ant System Travelling Salesman Problem Asymmetric Traveling Salesman Problem Uniform Resource Locator Hyperlink-Induced Topic Search Document Object Model Hypertext Transfer Protocol HTTP Secure Application programming interface HyperText Markup Language Cascading Style Sheets Graphical User Interface DataBase

12 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου

13 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Εισαγωγή 1.1 Αντικείμενο της Διπλωματικής Το διαδίκτυο, λόγω του τεράστιου μεγέθους του και της καθημερινής αλλαγής της δομής του, πρέπει να χαρτογραφείται συνεχώς με αποδοτικό τρόπο. Η χρήση των web crawlers, αυτοματοποιημένων προγραμμάτων διάσχισης του διαδικτύου, καθώς και η εύρεση ενός τρόπου αποδοτικής διάσχισής του, είναι διαδικασίες που είναι απαραίτητες. Ο Ant Colony Optimization είναι ένας αλγόριθμος βελτιστοποίησης της οικογένειας των βιολογικά εμπνευσμένων αλγόριθμων. Είναι εμπνευσμένος από τον τρόπο συγκομιδής τροφής των μυρμηγκιών και βασίζεται στις αρχές της θετικής ανάδρασης και της αναδυόμενης ευφυΐας. Παρουσιάζει έφεση στα προβλήματα με δομή γράφων και χαρακτηρίζεται από απλότητα και ελάχιστη επικοινωνία ανάμεσα στα στοιχεία απ τα οποία αποτελείται Σκοπός της Διπλωματικής Αρχικά σκοπός της διπλωματικής είναι η μελέτη του εστιασμένου (focused) crawling και του Ant Colony Optimization (ACO) ώστε να βρεθεί ένας τρόπος να συνδυαστούν οι δύο μέθοδοι. Στη συνέχεια, χρησιμοποιώντας τις αρχές του Ant Colony Optimization, γίνεται μια προσπάθεια να αναπτυχθεί ένας crawler ώστε να μπορεί να εντοπίζει έγγραφα με πλούσιο multimedia περιεχόμενο. Ο crawler δίνοντας βαρύτητα σε έγγραφα με πολλά multimedia στοιχεία και πολλούς συνδέσμους, προσπαθεί να αυξήσει την πιθανότητα εύρεσης νέων «πλούσιων» εγγράφων. Τέλος, κάνοντας χρήση της εφαρμογής που αναπτύχθηκε για την εκτέλεση των κατάλληλων πειραμάτων, γίνεται μια προσπάθεια εύρεσης των σωστών παραμέτρων, οι οποίες θα οδηγήσουν στην επίτευξη καλύτερης ισορροπίας μεταξύ εξερεύνησης και σύγκλισης του αλγορίθμου.

14 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου 1.3 Δομή της Διπλωματικής Κεφάλαιο 1: Αναφορά του αντικειμένου και των στόχων της διπλωματικής. Κεφάλαιο 2: Ανάλυση του Ant Colony Optimization. Παρουσιάζεται η πορεία του αλγορίθμου ξεκινώντας από μια παρατήρηση της λειτουργίας των μυρμηγκιών και φτάνοντας σε ένα ισχυρό εργαλείο για την εύρεση βέλτιστης λύσης σε προβλήματα. Αναλύονται διαφορετικές παραλλαγές του και μηχανισμοί που έχουν προστεθεί από διάφορους μελετητές. Παρουσιάζονται αποτελέσματα από την χρήση του αλγορίθμου σε χαρακτηριστικά προβλήματα και τέλος δίνονται κάποιες εφαρμογές του αλγόριθμου και μελλοντικές του βελτιώσεις. Κεφάλαιο 3: Ανάλυση του crawling και του focused crawling. Αναλύονται οι αρχές λειτουργίας του crawler και παρουσιάζονται οι αρχές του polite crawling. Στη συνέχεια αναφέρονται υπάρχουσες τεχνικές focused crawling. Τέλος αναλύονται οι αρχές του browsing χωρίς γραφική απεικόνιση (headless browsing) και ιδιαίτερα ο JxBrowser, ένας headless browser που χρησιμοποιήθηκε στην εφαρμογή. Κεφάλαιο 4:Ανάλυση της εφαρμογής που αναπτύχθηκε. Αναλύεται η δομή και η λειτουργία της εφαρμογής και παρουσιάζεται ο τρόπος που εισήχθησαν οι αρχές του ACO στον crawler που σχεδιάστηκε. Κεφάλαιο 5: Πειράματα και ανάλυση αποτελεσμάτων. Κεφάλαιο 6: Μελλοντικές επεκτάσεις/βελτιώσεις.

15 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Γνωστικό Υπόβαθρο του ACO και Σχετικές Έρευνες 2.1 Εισαγωγή στους βιολογικά εμπνευσμένους αλγόριθμους Οι βιολογικά εμπνευσμένοι αλγόριθμοι είναι ένα πεδίο μελέτης συνδεδεμένο με τα θέματα διασύνδεσης, κοινωνικής συμπεριφοράς και ανάδειξης κοινωνικής ευφυΐας. Είναι σχετικοί με την τεχνητή νοημοσύνη, αφού έχουν στόχο την εκμάθηση του συστήματος από το αποτέλεσμα των ενεργειών του. Βασίζονται στην βιολογία, στην πληροφορική επιστήμη και στα μαθηματικά. Χρησιμοποιούνται για την προσομοίωση κοινωνικών φαινομένων και την βελτίωση της απόδοσης των υπολογιστών μέσα από την μελέτη του τρόπου δράσης της φύσης. Οι ενδεικτικότεροι τομείς μελέτης είναι : Γενετικοί αλγόριθμοι, εμπνευσμένοι από την αναπαραγωγή Εξελικτικοί αλγόριθμοι, εμπνευσμένοι από την εξελικτική διαδικασία Simulated annealing, εμπνευσμένοι από την επεξεργασία μετάλλων Swarm Algorithms, εμπνευσμένοι από την κοινωνική συμπεριφορά εντόμων κυρίως Νευρωνικά δίκτυα, εμπνευσμένοι από την λειτουργία του εγκεφάλου Artificial immune systems, εμπνευσμένα από το ανοσοποιητικό σύστημα 2.2 Εισαγωγή στο ACO Το swarm intelligence είναι μια προσέγγιση λύσεων είναι γενικότερα εμπνευσμένη από φυσικές διεργασίες και κυρίως από την κοινωνική συμπεριφορά εντόμων. Τα μυρμήγκια ιδιαίτερα έχουν τραβήξει μεγάλο ενδιαφέρον και έχουν δημιουργηθεί διάφορες μέθοδοι με βάση την συμπεριφορά τους με πιο γνωστό την τεχνική Ant colony optimization (ACO). Το ACO μπορεί να δώσει προσεγγιστικές λύσεις σε δύσκολα προβλήματα εκθετικής πολυπλοκότητας σε πολυωνυμικό χρόνο (NP hard problems) και παρουσιάζει τα εξής επιθυμητά χαρακτηριστικά : Μπορεί να εφαρμοστεί σε διαφορετικές μορφές του ίδιου προβλήματος (versatile). Με μικρές αλλαγές μπορεί να εφαρμοστεί και σε άλλα συνδυαστικά προβλήματα βελτιστοποίησης πέρα από αυτό για το οποίο σχεδιάστηκε (robust).

16 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου Είναι μια προσέγγιση με βάση ένα πληθυσμό, κάτι που επιτρέπει την παράλληλη υλοποίηση του αλγορίθμου. 2.3 Έμπνευση του αλγορίθμου Στις δεκαετίες του 40 και 50 ο Γάλλος εντομολόγος Pierre Paul Grasse παρατηρώντας ένα είδος τερμιτών αντιλήφθηκε ότι αντιδρούν σε «σημαντικά» ερεθίσματα και ότι το αποτέλεσμα αυτών των αντιδράσεων μπορεί να δράσει ως νέο ερέθισμα. Έτσι, χρησιμοποίησε τον όρο στιγμεργία (stigmergy) για να περιγράψει αυτόν τον ιδιαίτερο τρόπο επικοινωνίας στον οποίο οι εργάτες διεγείρονται από την απόδοση που έχουν ήδη επιτύχει. Τα χαρακτηριστικά που κάνουν την στιγμεργία ιδιαίτερο τρόπο επικοινωνίας είναι: Η στιγμεργία είναι ένας έμμεσος, μη συμβολικός τρόπος επικοινωνίας μέσω του περιβάλλοντος Η πληροφορία της στιγμεργίας είναι τοπική, δηλαδή αφορά μόνο τα έντομα που επισκέπτονται την περιοχή στην οποία απελευθερώθηκε Στα μυρμήγκια το ρόλο της στιγμεργίας παίζει μια ουσία που λέγεται φερομόνη την οποία απελευθερώνουν στο έδαφος κατά την κίνησή τους από και προς μια πηγή τροφής. Τα άλλα μυρμήγκια νιώθουν την παρουσία φερομόνης και τείνουν να ακολουθήσουν διαδρομές με την μεγαλύτερη συγκέντρωση. Η λειτουργία της φερομόνης και η συμπεριφορά των μηρμυγκιών διαπιστώθηκαν πιο ξεκάθαρα σε ένα πείραμα γνωστό ως το πείραμα διπλής γέφυρας (double bridge experiment) από τον Deneubourg. Στο πείραμα αυτό η φωλιά και η τροφή συνδέονται με 2 γέφυρες αρχικά ίδιου μήκους και στη συνέχεια διαφορετικού. Στην πρώτη περίπτωση τα μυρμήγκια αφού ανιχνεύσουν τον χώρο εντοπίζουν την τροφή και το καθένα τους επιλέγει τυχαία μια από τις δύο γέφυρες (αφού αρχικά δεν έχουμε φερομόνη στο έδαφος) και αφήνει στο έδαφος φερομόνη. Λόγω τυχαίων διακυμάνσεων κάποια γέφυρα θα επικρατήσει της άλλης συγκεντρώνοντας μεγαλύτερη ποσότητα φερομόνης και τελικά μετά από κάποιο χρόνο το σύνολο των μυρμηγκιών θα επιλέγει την συγκεκριμένη γέφυρα. Στην δεύτερη περίπτωση η μία γέφυρα έχει σημαντικά μεγαλύτερο μήκος από την άλλη κι έτσι οι στοχαστικές διακυμάνσεις της αρχικής επιλογής έχουν μικρότερη σημασία. Αυτό που παίζει τον κύριο ρόλο είναι ότι τα μυρμήγκια που επέλεξαν την μικρότερη γέφυρα φτάνουν πιο γρήγορα στην τροφή επομένως, η γέφυρα αυτή συγκεντρώνει γρηγορότερα φερομόνη με

17 Διπλωματική εργασία Σταύρος Χαμπηλομάτης αποτέλεσμα να αυξάνεται η πιθανότητα τα μελλοντικά μυρμήγκια να επιλέξουν αυτή την διαδρομή. Εικόνα 1:a) Πρώτο πείραμα b)δεύτερο πείραμα Ο Goss ανέπτυξε ένα μοντέλο της παρατηρούμενης συμπεριφοράς. Αν σε κάποια χρονική στιγμή m1 είναι ο αριθμός των μυρμηγκιών που έχουν χρησιμοποιήσει την πρώτη γέφυρα και m2 αυτά που έχουν χρησιμοποιήσει την δεύτερη τότε η πιθανότητα p1 ενός νέου μυρμηγκιού να χρησιμοποιήσει την πρώτη γέφυρα είναι: 2 ( m1 k) p1 (1) 2 2 ( m k) ( m k) 1 2 όπου k και h επιλέγονται ώστε να ταιριάξει ο τύπος στα αποτελέσματα των πειραμάτων, με ενδεικτικές τιμές k = 20 και h = 2 και προφανώς p2 = 1 - p1. Αυτή η εξίσωση αποτέλεσε την βασική έμπνευση για την εξίσωση του ant system, του πρώτου αλγορίθμου ACO. Παρόλα αυτά υπάρχουν σημαντικές διαφορές ανάμεσα στα πραγματικά και στα τεχνητά μυρμήγκια όπως: Τα τεχνητά μυρμήγκια ζουν σε έναν διακριτό κόσμο και προχωρούν διαδοχικά από μια διακριτή λύση στην επόμενη. Η ανανέωση της φερομόνης δε γίνεται με τον ίδιο τρόπο στα τεχνητά μυρμήγκια. Κάποιες φορές μόνο ένα μέρος του πληθυσμού εναποθέτει φερομόνη στο περιβάλλον ενώ πολύ συχνά η ανανέωση της φερομόνης γίνεται μόνο αφού έχει κατασκευαστεί μια λύση κι όχι κατά την διάρκεια της κατασκευής της. Στα τεχνητά μυρμήγκια χρησιμοποιούνται και επιπλέον μηχανισμοί οι οποίοι ανεβάζουν την απόδοση του αλγορίθμου αλλά δεν έχουν σχέση με την λειτουργία των

18 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου πραγματικών μυρμηγκιών. Τέτοια παραδείγματα είναι η αναζήτηση μιας τοπικά κοντινής καλύτερης λύσης (local search), η χρήση μερικών λύσεων υπολογισμένων νωρίτερα (backtracking), η πρόβλεψη στην επιλογή του επόμενου κόμβου (look-ahead) και άλλα. 2.4 Βασική μορφή αλγορίθμου H ACO είναι μια στοχαστική αναζήτηση λύσης σε ένα συνδυαστικό πρόβλημα με πυρήνα το μοντέλο απόδοσης φερομόνης. Το πρώτο βήμα όμως της εφαρμογής του αλγορίθμου είναι η μοντελοποίηση του προβλήματος. Το μοντέλο ενός συνδυαστικού προβλήματος ορίζεται ως εξής: Ένα μοντέλο P(S, Ω, f) αποτελείται από : Ένα χώρο αναζήτησης S ορισμένο από ένα πεπερασμένο αριθμό διακριτών μεταβλητών απόφασης Ένα σύνολο περιορισμών Ω Μία συνάρτηση f : S R 0 της οποίας στόχος είναι να βρεθεί το ελάχιστο. Ο χώρος αναζήτησης ορίζεται ως εξής: Με δεδομένο ένα σύνολο διακριτών μεταβλητών Χ i, i = 1,..., n με τιμές v j i που ανήκουν σε ένα πίνακα τιμών της μορφής D i ={v j i,..., v Di i }, η απόδοση των τιμών v j i στο Χ i συμβολίζεται με Χ i v j i. Μια λύση s είναι εφικτή όταν όλες οι αποδόσεις τιμών στις μεταβλητές ικανοποιούν τους περιορισμούς Ω. Μια λύση s* λέγεται ολικό ελάχιστο όταν για κάθε s που ανήκει στο S ισχύει f(s*) f(s). Το σύνολο των ολικών ελάχιστων συμβολίζεται με S*. Στόχος του ACO είναι η εύρεση ενός από τα ολικά ελάχιστα. Η απόδοση τιμής σε μια μεταβλητή συμβολίζεται με το c ij το οποίο ονομάζεται τμήμα λύσης. Στη συνέχεια στο κάθε τμήμα λύσης (c ij ) αποδίδεται μια τιμή επιπέδου φερομόνης (συμβολιζόμενη με τ ij ). Η τιμή αυτή ανανεώνεται από τον ACO και καθορίζει την πιθανότητα επιλογής ενός τμήματος λύσης. Στον ACO τα τεχνητά μυρμήγκια κατασκευάζουν μια λύση διασχίζοντας τον γράφο του συνδυαστικού προβλήματος, G c (V,E), ο οποίος αποτελείται από μια συλλογή κορυφών V και μια συλλογή ακμών E. Τα τμήματα λύσης C αντιστοιχίζονται είτε στις κορυφές είτε στις ακμές του γράφου. Τα τεχνητά μυρμήγκια διασχίζουν τον γράφο από κορυφή σε κορυφή μέσω των ακμών δημιουργώντας σταδιακά μια λύση επιλέγοντας τα τμήματα λύσης c που αντιστοιχούν στις ακμές και κορυφές που διέσχισαν. Επιπλέον, εναποθέτουν σε κάθε c μια ποσότητα

19 Διπλωματική εργασία Σταύρος Χαμπηλομάτης φερομόνης η οποία μπορεί να εξαρτάται από διάφορους παράγοντες ανάλογα με την εκάστοτε υλοποίηση του αλγορίθμου. Επόμενα μυρμήγκια χρησιμοποιώντας τα επίπεδα φερομόνης οδηγούνται στον γράφο προς πιο ελπιδοφόρες περιοχές λύσης. Μια βασική μορφή του αλγόριθμου σε ψευδογλώσσα είναι η εξής : 1. input : ένα μοντέλο P(S,Ω,f) ενός συνδυαστικού προβλήματος 2. InitializePheromoneValues(T) 3. while δεν έχουν ικανοποιηθεί οι συνθήκες τερματισμού 4. ConstructAntSolutions 5. ApplyLocalSearch {προαιρετικό} 6. UpdatePheromones 7. endwhile InitializePheromoneValues(T) σταθερά c>0. Η συνάρτηση που αρχικοποιεί τα επίπεδα φερομόνης σε όλο το γράφο με μια αρχική ConstructAntSolutions Ένα σύνολο από m τεχνητά μυρμήγκια κατασκευάζει μια λύση επιλέγοντας στοιχεία από το C (το πεπερασμένο σύνολο των τμημάτων λύσης). Μια κατασκευή λύσης ξεκινάει από μια κενή λύση s p =0 και προσθέτει σε κάθε βήμα ένα τμήμα λύσεων cij. Αυτό το τμήμα που επεκτείνει τη λύση πρέπει να είναι εφικτό, δηλαδή ανήκει στο σύνολο των τμημάτων λύσης που δεν παραβιάζει κανέναν κανόνα του Ω. Η επιλογή της επόμενης λύσης έχει ένα στοχαστικό παράγοντα, δηλαδή εξαρτάται πιθανοτικά από το επίπεδο φερομόνης τ ij που αντιστοιχεί σ αυτό. Ο ακριβής κανόνας είναι χαρακτηριστικό της κάθε διαφοροποίησης του ACO αλλά αντλεί έμπνευση από τον κανόνα των πραγματικών μυρμηγκιών που εξηγήθηκε παραπάνω. ApplyLocalSearch Αποτελεί ένα προαιρετικό βήμα για την εκτέλεση του αλγορίθμου, αλλά συναντάται σχεδόν σε κάθε πραγματική υλοποίησή του καθώς ανεβάζει την απόδοσή του. Συχνά ονομάζονται daemon actions, αλλάζουν ανάλογα με τις ιδιαιτερότητες του προβλήματος και

20 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου κάνουν συγκεντρωτικές ενέργειες. Η πιο συχνή χρήση των daemon actions είναι η τοπική αναζήτηση, η οποία αναζητά τον χώρο των λύσεων στη γειτονιά της κατασκευασμένης λύσης βελτιώνοντάς την και χρησιμοποιώντας αυτήν την βελτιωμένη έκδοση για την ανανέωση των επιπέδων φερομόνης. UpdatePheromones Ο ρόλος αυτής της συνάρτησης είναι να αυξήσει τα επίπεδα φερομόνης των υποσχόμενων λύσεων, δηλαδή αυτών με καλή απόδοση, ώστε να ελκύσει μελλοντικά μυρμήγκια προς την περιοχή τους, αλλά και να μειώσει τα επίπεδα φερομόνης στις λύσεις με μικρότερη απόδοση. Αυτό το καταφέρνει με δύο μηχανισμούς : Εξάτμιση φερομόνης: Μείωση όλων των τιμών της φερομόνης σε κάθε επανάληψη. Αύξηση των τιμών φερομόνης στο επιλεγμένο σύνολο καλών λύσεων S upd. Έτσι σχηματίζεται η εξής εξίσωση: ( 1 ) F ( s) (2) ij Στην εξίσωση αυτή : - S upd το σύνολο λύσεων που επιλέγεται για την ανανέωση της φερομόνης τους. - ρ (0,1] παράμετρος που λέγεται συντελεστής εξάτμισης. - F : S R μια συνάρτηση για την οποία ισχύει f(s) < f(s ) F(s) F(s ) για κάθε ss. Η συνάρτηση αυτή αποκαλείται fitness function. ij s S upd Η εξάτμιση της φερομόνης είναι απαραίτητη για να αποφεύγεται η γρήγορη σύγκλιση του αλγορίθμου και η ενίσχυση των αρχικών τυχαίων διακυμάνσεων. Ο ακριβής τρόπος ανανέωσης της φερομόνης, δηλαδή η επιλογή του S upd και της F είναι χαρακτηριστικό της κάθε υλοποίησης του αλγορίθμου. 2.5 Παραλλαγές του αλγόριθμου Ο αλγόριθμος Ant System (AS) Ο πρώτος αλγόριθμος που αναπτύχθηκε µε βάση το παραπάνω μοντέλο είναι ο Ant System (AS) του Dorigo. Ο αλγόριθμος αυτός χρησιμοποιήθηκε για πρώτη φορά για την επίλυση του προβλήματος του περιπλανώμενου πωλητή (Traveling Salesman Problem - TSP) καθώς το πρόβλημα αυτό είναι συναφές µε τη πραγματική συµπεριφορά των µυρμηγκιών κατά την ανίχνευση και συγκομιδή τροφής, δηλαδή της εύρεσης της γρηγορότερης διαδρομής.

21 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Για το λόγο αυτό ο αλγόριθμος AS θα παρουσιασθεί στη μορφή για την επίλυση του TSP. Πιο συγκεκριμένα, στο TSP το ζητούμενο είναι η εύρεση της συντομότερης διαδρομής που συνδέει n πόλεις. Οι περιορισμοί που τίθενται είναι: κάθε πόλη πρέπει να περιλαμβάνεται μια φορά στη διαδρομή η διαδρομή πρέπει να είναι κλειστή, δηλαδή ο «πωλητής» πρέπει να επιστρέψει στην πόλη από όπου ξεκίνησε. Οι αποστάσεις μεταξύ των πόλεων δεν είναι απαραίτητο να είναι συμμετρικές καθώς η απόσταση από την πόλη i στη j μπορεί να είναι διαφορετική από την απόσταση από την j πόλη στην i (τότε ορίζεται το ATSP: Asymmetric Traveling Salesman Problem). Εικόνα 2:Παράδειγμα λύσεως ενός TSP Η κάθε λύση για το TSP σχηματίζεται µε τη διαδοχική μετάβαση των «ψηφιακών» μυρμηγκιών από τη μια πόλη στην άλλη µε κάποια πιθανότητα. Το «ταξίδι» ολοκληρώνεται όταν το «ψηφιακό» μυρμήγκι επιστέψει στην αρχική πόλη. Τότε βαθμολογείται η λύση που έχει επιτύχει µε κριτήριο το συνολικό μήκος της διαδρομής και προστίθεται η ανάλογη φερομόνη στο μονοπάτι που ακολούθησε. Η παραπάνω διαδικασία επαναλαμβάνεται για κάθε άτομο της αποικίας μέχρι να συμπληρωθεί ο ζητούμενος αριθμός επαναλήψεων. Αναλυτικότερα, ο αλγόριθμος σχηματίζεται µε την παρακάτω διαδικασία. Έστω m ο αρχικός πληθυσμός των «ψηφιακών» μυρμηγκιών. Μετά από πειράματα, ο Dorigo διαπίστωσε ότι m=n, δηλαδή ο αρχικός πληθυσμός πρέπει να είναι ίσος µε τον αριθμό των πόλεων του προβλήματος. Αν είναι πολύ μεγάλος ο πληθυσμός της αποικίας τότε πραγματοποιείται σύγκλιση σε τοπικά βέλτιστα, ενώ αν είναι πολύ μικρός δεν λειτουργεί η στιγμεργετική επικοινωνία μεταξύ των μυρμηγκιών. Τα μυρμήγκια τοποθετούνται είτε τυχαία στις πόλεις είτε το καθένα σε μια διαφορετική πόλη ως αφετηρία της διαδρομής τους. Η πόλη αυτή καταγράφεται ως νούμερο

22 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου «ένα» στη λίστα της μνήμης (tabu list) κάθε μυρμηγκιού. Η tabu list είναι μια λίστα που περιέχει τις πόλεις που έχει ήδη επισκεφθεί το μυρμήγκι έτσι ώστε αυτές να αποκλειστούν από τις επόμενες δυνατές επιλογές του. Κάθε μυρμήγκι k κατά την επανάληψη t που βρίσκεται στην πόλη i επιλέγει την επόμενη πόλη j που θα επισκεφθεί µε βάση τον τυχαίο - αναλογικό κανόνα μετάβασης (randomproportional transition rule): k ij ( t) nij ( t) pij ( t) αν ( t) n ( t) k lj i il il k j J i k p 0 αν j (3) k ij J i Στην παραπάνω εξίσωση : J k i είναι οι πόλεις που έχει ήδη επισκεφθεί το μυρμήγκι k όταν βρίσκεται στην πόλη i (Tabu list). n ij (t)είναι η ορατότητα (visibility) και ορίζεται ως το αντίστροφο της απόστασης μεταξύ των πόλεων i και j, δηλαδή n ij =1/d ij. Η ορατότητα εκφράζει την ευριστική προτίμηση (heuristic desirability) ως επόμενου σταθμού της πόλης j όταν το μυρμήγκι βρίσκεται στην πόλη i και βασίζεται καθαρά σε τοπικές πληροφορίες. Προφανώς, η πληροφορία αυτή είναι αναλλοίωτη στο TSP καθώς δεν μεταβάλλεται κατά την επίλυση του προβλήματος, δηλαδή n ij (t)=n ij τ ij (t) έχει οριστεί στο προηγούμενο κεφάλαιο (ενότητα 2.4). α, β είναι παράμετροι που καθορίζονται από τον χρήστη και εξαρτώνται από το πρόβλημα προς επίλυση. Καθορίζουν το βαθμό που θα συνεισφέρει η τοπική γνώση (στο TSP η απόσταση μεταξύ των πόλεων) και η θετική ανάδραση της φερομόνης. Αφού όλα τα μυρμήγκια ολοκληρώσουν τα «ταξίδια» τους κατά την επανάληψη t, τότε προστίθεται φερομόνη σε κάθε μονοπάτι ανάλογα µε την επίδοση του κάθε μυρμηγκιού. Το ρόλο της F (fitness function) παίζει το αντίστροφο της συνολικής απόστασης του μονοπατιού πολλαπλασιασμένο με μια σταθερά Q η οποία επιλέγεται απ το χρήστη. Άρα οι νέες τιμές φερομόνης είναι οι εξής : ( 1 ) ( t) ( t) ij ij ij m k ( t) ( t) ij k1 ij

23 Διπλωματική εργασία Σταύρος Χαμπηλομάτης k Q/ L k ( t) αν (i,j) k (t) ij k ij 0 αν (i,j) k (t) (4) στις παραπάνω εξισώσεις: T k (t) : το ταξίδι του μυρμηγκιού k, δηλαδή η σειρά των πόλεων που επισκέφθηκε κατά την επανάληψη t. L k (t) : το μήκος του ταξιδιού T k (t). Ο Dorigo αναπαράγοντας και προσαρμόζοντας την έννοια του ελιτισμού όπως αυτή χρησιμοποιείται στους εξελικτικούς αλγορίθμους εισήγαγε την ιδέα των «εκλεκτών» μυρμηγκιών (elitist ants) στον αλγόριθμο AS δημιουργώντας τον αλγόριθμο AS e. Σε αυτή την περίπτωση ένας επιπλέον αριθμός μυρμηγκιών, έστω e, ενισχύει την βέλτιστη διαδρομή Τ best που έχει βρεθεί έως και την τρέχουσα επανάληψη t µε επιπλέον φερομόνη ίση µε eq / L best. Συνεπώς, στην παραπάνω εξίσωση ανανέωσης φερομόνης προστίθεται ο παράγοντας e (t) όπου e Q/ L ( t) αν (i,j) T best (t) ij best ij e ij 0 αν (i,j) T best (t) (5) όπου: L best (t) το μήκος της βέλτιστης διαδρομής στην επανάληψη t T best (t) η σειρά των πόλεων της βέλτιστης διαδρομής στην επανάληψη t

24 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου Πίνακας 1: Ψευδοκώδικας Start: // Initialize For i, j: 1 to n Set τij(0) = τ0 End for For i, j: 1 to n Set ηij = 1/dij End for For k: 1 to m Set (randomly) 1st town in each ant s Tabu list: Tk(0) End for Initialize minimum tour length: Lbest // Main Loop For t: 1 to maximum iterations For k: 1 to m For i: 1 to n-1 Select next town by applying random proportional transition rule Place next town in Tabu list: Tk(t) End for Compute tour length: Lk(t) If L<Lbest set Lbest=L and keep edges of best tour: Tbest=Tk(t) End for For i, j: 1 to n Update pheromone trails by applying (elitist) pheromone update rule End for End for Print Lbest and Tbest Stop

25 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Ο αλγόριθμος Ant Colony System (ACS) O αλγόριθμος αυτός εισήχθη από τον Dorigo και αποτελεί βελτίωση του AS. Μάλιστα, τα αποτελέσματα του ACS είναι σαφώς ανώτερα του AS για το TSP. Οι βασικές διαφορές των δύο αλγορίθμων μπορούν να συνοψιστούν στα εξής: i. Κανόνας μετάβασης (transition rule): Τώρα πλέον, ένα μυρμήγκι k που βρίσκεται στην πόλη i επιλέγει την επόμενη πόλη j που θα επισκεφθεί µε τον εξής κανόνα: j max k { ( t)[ n ( t)] } αν q q 0 uj i iu iu j J αν q>q 0 (6) Στις παραπάνω εξισώσεις : q : είναι μια τυχαία μεταβλητή ομοιόμορφα κατανεμημένη στο διάστημα [0,1]. q0: είναι μια καθοριζόμενη παράμετρος µε τιµή στο διάστημα [0,1]. J : είναι µια πόλη που επιλέγεται τυχαία σύµφωνα µε την παρακάτω εξίσωση: k ij ( t) nij ( t) pij ( t) αν ( t) n ( t) k lj i il il k j J i (7) Όταν q<q o τότε τα μυρμήγκια εκμεταλλεύονται (exploit) τον ήδη εξερευνημένο χώρο, δηλαδή επιλέγουν τις τοπικά βέλτιστες λύσεις χρησιμοποιώντας τη συσσωρευμένη εμπειρία (επίπεδα φεροµόνης και ορατότητας). Προφανώς, η επιλογή των τοπικά βέλτιστων λύσεων δεν είναι σίγουρο πως οδηγεί και σε ολικό βέλτιστο. Αντίθετα, για q>q o πραγματοποιείται επιπλέον εξερεύνηση του χώρου των λύσεων. Όπως στον AS, έτσι και εδώ, τα μυρμήγκια επιλέγουν την

26 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου καλύτερη έως τώρα λύση µε κάποια πιθανότητα, ενώ δεν αποκλείεται να «χαθούν» µε ενδεχόμενο, αργότερα, να ανακαλύψουν ένα νέο ολικό βέλτιστο ii. Ανανέωση της φερομόνης (pheromone update): Η εναπόθεση φερομόνης γίνεται µόνο από το μυρμήγκι που μέχρι αυτήν τη χρονική στιγμή έχει κάνει την καλύτερη διαδρομή (αντί από όλα τα μυρμήγκια όπως στον AS) σε μια προσπάθεια να κατευθυνθεί η εξερεύνηση του χώρου προς την περιοχή του ολικού βέλτιστου. Συνεπώς, η σχέση που διέπει την εναπόθεση της φερομόνης μετασχηματίζεται στην εξής (κανόνας εναπόθεσης φερομόνης στη βέλτιστη διαδρομή): ( t 1) (1 ) ( t) ( t) ij ij ij ij Q/ L best ( t) αν (i,j) (t) best ij 0 αν (i,j) (t) (8) best όπου L best (t), T best (t) το μήκος της μέγιστης διαδρομής και η σειρά των πόλεων αντίστοιχα. iii. Τοπική ανανέωση της φερομόνης (local pheromone update): Για να αποφευχθεί ο εγκλωβισµός των μυρμηγκιών σε μια και µόνο διαδρομή, κάτι που θα έκανε τη χρήση των m μυρμηγκιών ατελέσφορη, πρέπει κάθε μυρμήγκι k που επισκέπτεται την πόλη j από την πόλη i, να αφαιρεί ένα ποσό φερομόνης από το μονοπάτι που συνδέει αυτές τις δύο πόλεις. Με αυτόν τον τρόπο, η εξερεύνηση για νέες λύσεις κατευθύνεται μακριά από την καλύτερη που έχει υπολογισθεί έως αυτή τη στιγμή. Η σχέση που ισχύει σε αυτή την περίπτωση είναι: τ ij (t+1) = (1-ρ) τ ij (t) +ρ τ 0 (9) όπου τ 0 η ποσότητα της φερομόνης µε την οποία γίνεται η αρχικοποίηση. Έχει βρεθεί πειραματικά ότι: τ 0 =(n L nn ) -1 µε n τον αριθµό των πόλεων και L nn το μήκος μιας διαδρομής που δημιουργείται µε τον αλγόριθμο Nearest Neighbor (άπληστος αλγόριθμος λύσης του TSP ο οποίος επιλέγει ως επόμενο σταθμό την πιο κοντινή πόλη).

27 Διπλωματική εργασία Σταύρος Χαμπηλομάτης iv. Χρήση λίστας υποψήφιων πόλεων (candidate list): Στα προβλήματα µε μεγάλο αριθμό πόλεων και ειδικά σε προβλήματα ATSP είναι χρονοβόρο να εξετάζονται όλες οι πόλεις. Για το λόγο αυτό η λίστα αυτή περιέχει ένα αριθμό από τις πιο «επιθυμητές», δηλαδή κοντινές, πόλεις ταξινομημένες από την κοντινότερη προς την πιο µακρινή. Μόνο όταν οι πόλεις που βρίσκονται στη λίστα των υποψηφίων πόλεων ανήκουν και στην Tabu list είναι δυνατόν τα μυρμήγκια να κατευθυνθούν σε άλλες πόλεις v. Άλλες διαφοροποιήσεις: o o o ανανέωση της φερομόνης από τα δύο μυρμήγκια µε τις καλύτερες διαδρομές αφαίρεση φερομόνης από τις κακές διαδρομές χρήση αλγορίθμων για τοπική αναζήτηση λύσεων, πχ. 2-opt, 3-opt, Lin-Kernighan Ο αλγόριθμος MAX-MIN ANT SYSTEM (MMAS) Ο πιο πρόσφατος αλγόριθμος που έχει βελτιώσει σημαντικά τον AS και μάλιστα δίνει και καλύτερα αποτελέσματα από τον ACS στο TSP είναι ο MMAS του Stützle. Επιγραμματικά οι διαφοροποιήσεις από τον AS είναι οι εξής: Σε κάθε επανάληψη εναποτίθεται φερομόνη μόνο από ένα μυρμήγκι Το μυρμήγκι που εναποθέτει τη φερομόνη είναι αυτό που έχει βρει την ολική βέλτιστη λύση (global best ant) ή αυτό που βρίσκει την καλύτερη λύση σε κάθε επανάληψη (iteration best ant). Προφανώς είναι δυνατή η χρήση διαφόρων συνδυασμών µεταξύ αυτών των δύο. Για παράδειγμα, στην αρχή μπορεί να χρησιμοποιείται η καλύτερη λύση κάθε επανάληψης για να εξερευνηθεί (exploration) όσο το δυνατόν καλύτερα όλος ο χώρος των λύσεων και καθώς αυξάνεται ο αριθμός των επαναλήψεων χρησιμοποιείται όλο και περισσότερο η ολική βέλτιστη λύση έτσι ώστε να γίνει εκμετάλλευση (exploitation) της περιοχής της λύσης αυτής.

28 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου Χρήση ορίων στα επίπεδα της φερομόνης: Στον MMAS χρησιμοποιείται τόσο άνω όριο τ max όσο και κάτω τ min για τον περιορισμό της φεροµόνης. Ο σκοπός του άνω ορίου είναι να μην επιτρέψει να εμφανιστεί στασιμότητα (stagnation) κατά την επίλυση του προβλήματος καθώς κανένα μονοπάτι δεν θα μπορεί να συγκεντρώσει τόση φερομόνη και κατά συνέπεια να παρουσιάσει μεγάλη πιθανότητα επιλογής ώστε να έλκει πάντοτε όλα τα μυρμήγκια. Επιπλέον, το κάτω όριο της φερομόνης διασφαλίζει το ότι καμιά διαδρομή δεν θα έχει μηδενική ή περίπου μηδενική πιθανότητα εκλογής. Τα άνω και κάτω όρια της φερομόνης ορίζονται µε τις παρακάτω σχέσεις: 1 max (10) L opt (1 n max best min (11) ( n / 2 1) n pbest p ) όπου: L opt :το μήκος της πραγματικής ολικής βέλτιστης λύσης. Επειδή το μήκος αυτό δεν είναι γνωστό εκ των προτέρων χρησιμοποιούμε στη θέση του το L best (t). Συνεπώς, το τ max είναι δυναμικά μεταβαλλόμενο. p best : η πιθανότητα δημιουργίας της ολικά βέλτιστης λύσης. Η παράμετρος αυτή καθορίζεται από το χρήστη. Σημειώνεται ότι όταν p best =1 τότε τ min =0. Επίσης, αν η τιμή του p best είναι πολύ μικρή τότε υπάρχει πιθανότητα να ισχύει τ min >τ max. Στην περίπτωση αυτή, θέτουµε τ min =τ max οπότε και ο αλγόριθμος χρησιμοποιεί µόνο την ευριστική πληροφορία (ορατότητα) για τη λύση του προβλήματος. n : ο αριθμός των πόλεων.

29 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Αρχικοποίηση της φεροµόνης στην τιµή τ max, δηλαδή τ ο =τ max : Η διαφοροποίηση αυτή βοηθάει στην καλύτερη εξερεύνηση (exploration) του χώρου των λύσεων στις πρώτες επαναλήψεις του αλγορίθμου, καθώς η σχετική διαφορά μεταξύ των επιπέδων της φερομόνης των καλών και των κακών λύσεων είναι μικρή. Στο γεγονός αυτό συνεισφέρουν και τα όρια τ max και τ min. Αντιθέτως, όταν προστίθεται φερομόνη σε ένα αρχικά ομοιόμορφο χώρο µε πολύ χαμηλά επίπεδα φερομόνης, η σχετική διαφορά των επιπέδων της φερομόνης των καλών και των κακών λύσεων είναι πολύ μεγάλη. Με αυτό τον τρόπο, ο αλγόριθμος οδηγείται στην εκμετάλλευση (exploitation) του χώρου των καλών λύσεων αγνοώντας, κατά κάποιον τρόπο, την εξερεύνηση (exploration) όλου του χώρου των λύσεων. Ομαλοποίηση της φερομόνης (smoothing of the pheromone trail): Όταν ο αλγόριθμος έχει συγκλίνει ή έχει φτάσει κοντά στη σύγκλιση τότε επιχειρείται ομαλοποίηση των επιπέδων της φερομόνης. Ο μηχανισμός αυτός πραγματοποιεί αύξηση των επιπέδων της φερομόνης ανάλογα µε τη διαφορά τους από το τ max έτσι ώστε να αυξηθεί η πιθανότητα επιλογής των μονοπατιών µε χαμηλά επίπεδα φερομόνης. Η σύγκλιση (convergence) στον MMAS ορίζεται ως η κατάσταση στην οποία σε κάθε πόλη ένα από τα μονοπάτια που την συνδέουν µε τις άλλες πόλεις έχει τιµή φερομόνης ίση µε τ max, ενώ όλα τα υπόλοιπα έχουν τιµή ίση µε τ min. Η σχέση που υλοποιεί την παραπάνω διαδικασία έχει ως εξής: ij ) (12) ij ( max ij όπου το δ είναι μια παράμετρος καθοριζόμενη από το χρήστη µε 0 δ 1. Για δ=1 έχουμε επαναρχικοποίηση των επιπέδων της φερομόνης, ενώ για δ=0 απενεργοποιείται ο μηχανισμός αυτός. Η διαδικασία αυτή χρησιμοποιείται κυρίως σε εκτελέσεις του αλγορίθμου µε πολύ μεγάλο αριθµό επαναλήψεων έτσι ώστε να εξερευνείται καλύτερα ο χώρος των λύσεων. Επίσης, ο μηχανισμός αυτός κάνει πιο «στιβαρό» τον αλγόριθμο στις διάφορες τιμές του τ min.

30 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου 2.6 Αποτελέσματα - Συμπεράσματα Σύγκριση των αλγορίθμων ACO Ο Stützle έκανε μια σειρά πειραμάτων με διάφορες εκδόσεις του ACO πάνω σε μια σειρά χαρακτηριστικών TSP προβλημάτων. Τα αποτελέσματα είναι τα εξής: Πίνακας 2: Σύγκριση της απόδοσης των διαφόρων εκδόσεων του ACO σε χαρακτηριστικά TSP Προβλημα Opt MMAS MMAS ACS ACS ACS ACSe ACS AS +pts rank rank +ppts +pts Eil ,1 427,6 428,1 434,5 428,8 428,3 427,4 437,3 kroa D Ry48p Ft Ftv Kro124p Στον παραπάνω πίνακα: 1. Η πρώτη στήλη είναι τα προβλήματα, τα οποία χρησιμοποιούνται για να ελέγξουν την αποδοτικότητα αλγορίθμων. 2. Η δεύτερη στήλη είναι το μήκος της βέλτιστης διαδρομής 3. +pts : ο αλγόριθμος με την λειτουργία ομαλοποίησης φερομόνης (δ = 0.5) 4. AS rank ένας παρόμοιος αλγόριθμος με αυτούς που περιγράφηκαν όπου ένας σταθερός αριθμός απ τα καλύτερα μυρμήγκια εναποθέτει φερομόνη 5. AS e είναι ο αλγόριθμος AS με ελιτισμό, όπως περιγράφηκε παραπάνω 6. Τα αποτελέσματα αποτελούν μέσω όρο της βέλτιστης λύσης των αλγορίθμων. 7. Τα προβλήματα είναι TSP και ATSP.

31 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Από τα αποτελέσματα είναι εμφανής η υπεροχή του MMAS έναντι των άλλων αλγορίθμων και η αδυναμία του απλού AS να προσεγγίσει την βέλτιστη λύση σε μερικά προβλήματα Σύγκριση με άλλους γενετικούς αλγορίθμους είναι τα εξής: Σε μια σύγκριση του ACS με άλλους αλγόριθμους σε συμμετρικό TSP τα αποτελέσματα Πίνακας 3: Σύγκριση της απόδοσης του ACS με άλλους αλγορίθμους σε τυχαία προβλήματα Όνομα ACS SA EN SOM Προβλήματος City set 1 5,88 5,88 5,98 6,06 City set 2 6,05 6,01 6,03 6,25 City set 3 5,58 5,65 5,70 5,83 City set 4 5,74 5,81 5,86 5,87 City set 5 6,18 6,33 6,49 6,70 Τα αποτελέσματα είναι από δοκιμή από Dorigo και Gambardella (1997) σε πρώιμη ακόμα μορφή του αλγόριθμου χωρίς να χρησιμοποιείται ο ανώτερος αλγόριθμος MMAS. Δε χρησιμοποιείται επίσης, κανένα local search στη λύση για βελτίωση απόδοσης. Τα προβλήματα είναι τυχαία συμμετρικά TSP 50 πόλεων και τα αποτελέσματα είναι ο μέσος όρος της βέλτιστης λύσης από 25 επαναλήψεις. Η απόδοση του αλγορίθμου είναι εντυπωσιακή καθώς σχεδόν σε κάθε πρόβλημα καταφέρνει να ξεπεράσει τους άλλους αλγορίθμους και δείχνει την έφεσή του σε τέτοιου είδους συνδυαστικά προβλήματα.

32 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου Συμπεράσματα Από τα πρώτα χρόνια της δημιουργίας του οι Ant Colony Optimization αλγόριθμοι έδειξαν την δύναμή τους και ανταγωνίστηκαν τους υπάρχοντες αλγόριθμους. Επίσης, είναι εμφανές ότι υπάρχει χώρος για βελτίωση του αλγορίθμου και πολλές προοπτικές να εξελιχθεί. Βασικές διευθύνσεις στις οποίες κινούνται οι μελετητές είναι : Δυναμικά συνδυαστικά προβλήματα, στα οποία ο χώρος αναζήτησης αλλάζει με τον χρόνο και η ποιότητα των λύσεων που βρέθηκε μπορεί να μεταβληθεί, με βασικό παράδειγμα το routing χώρο των τηλεπικοινωνιών. Στοχαστικά συνδυαστικά προβλήματα, στα οποία κάποιες μεταβλητές έχουν στοχαστική φύση. Βελτιστοποίηση προβλημάτων πολλαπλών στόχων. Παράλληλη υλοποίηση. Ο αλγόριθμος λόγω της φύσης του ευνοεί την παράλληλη υλοποίηση μοιράζοντας τα μυρμήγκια σε έναν αριθμό επεξεργαστών. Ο στόχος των μελετητών είναι να βρεθεί ο βέλτιστος αριθμός επεξεργαστών, μυρμηγκιών ανά επεξεργαστή αλλά και ο βαθμός και ο τρόπος επικοινωνίας ανάμεσα στους πληθυσμούς τους. Συνεχή ή μεικτά προβλήματα. Ο αλγόριθμος είναι σχεδιασμένος για διακριτές μεταβλητές, οπότε μια απλή λύση θα ήταν να διακριτοποιηθεί η συνεχής μεταβλητή κάτι που σε μεγάλα προβλήματα δεν είναι εφικτή λύση. Άρα απαιτείται ειδική μελέτη αυτών των προβλημάτων.

33 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Παραδείγματα εφαρμογής του αλγόριθμου Το πρόβλημα του προγραμματισμού της συνολικής επιβράδυνσης σε μία μηχανή ( Single machine total weighted tardiness scheduling problem SMTWTP) Στο SMTWTP μία μηχανή πρέπει να επεξεργασθεί ακολουθιακά και χωρίς διακοπή, n εργασίες. Η κάθε εργασία έχει ένα χρόνο επεξεργασίας, ένα βάρος και ένα προβλεπόμενο χρόνο υλοποίησης. Η καθυστέρηση μιας εργασίας ορίζεται ως η διαφορά μεταξύ του προβλεπόμενου χρόνου και του πραγματικού χρόνο υ υλοποίησης εάν καθυστερήσει αλλιώς θεωρείται ίση με 0. Ο στόχος του αλγόριθμου είναι να βρεθεί η ακολουθία εργασιών κατά την οποία το άθροισμα των επιβραδύνσεων, πολλαπλασιασμένων με το αντίστοιχο βάρος, ελαχιστοποιείται. Για το συγκεκριμένο πρόβλημα χρησιμοποιήθηκε με επιτυχία ο αλγόριθμος ACS σε συνδυασμό με μία ισχυρή τοπική αναζήτηση Το πρόβλημα γενικευμένης ανάθεσης (Generalized assignment problem GAP) Στο GAP ένα σύνολο εργασιών πρέπει να ανατεθεί σε ένα σύνολο πρακτόρων (agents). Κάθε πράκτορας έχει μια περιορισμένη χωρητικότητα και η κάθε εργασία αντλεί από τον κάθε πράκτορα ένα μέρος της χωρητικότητάς του αν ανατεθεί σε αυτόν. Επίσης η ανάθεση της εργασίας στον κάθε πράκτορα έχει ξεχωριστό κόστος. Στόχος του αλγορίθμου είναι να βρεθεί μια εφικτή ανάθεση με το ελάχιστο κόστος. Για το GAP χρησιμοποιήθηκε με επιτυχία ο MAX-MIN Ant System (MMAS) με κάποιες μετατροπές ώστε να μπορέσει να απορρίπτει μέσα από την απόθεση φερομόνης τις ανέφικτες λύσεις.

34 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου Δρομολόγηση πακέτων σε δίκτυο Για να λυθεί το πρόβλημα από το ACO πρέπει το δίκτυο να αναπαρασταθεί με ένα γράφο και να δοθούν τα κόστη μεταφοράς πακέτου ανάμεσα σε 2 οποιουσδήποτε κόμβους του γράφου. Ο ρόλος του ACO είναι να βρει την διαδρομή με το ελάχιστο κόστος ανάμεσα σε 2 οποιουσδήποτε κόμβους. Αυτό το πρόβλημα δεν είναι δύσκολο και υπάρχουν αλγόριθμοι που το λύνουν σε πολυωνυμικό χρόνο. Παρ όλα αυτά, στην περίπτωση δικτύων τα κόστη γίνονται χρονικά στοχαστικές μεταβλητές δυσκολεύοντας πάρα πολύ το πρόβλημα. 2.8 Εργαλεία προσομοίωσης κοινωνιών μυρμηγκιών Έχουν αναπτυχθεί πολλά εργαλεία βασισμένα στην τεχνολογία των Agents τα οποία μπορούν να προσομοιώσουν εκτός από άλλα φαινόμενα και μια κοινωνία μυρμηγκιών. Μέσω του γραφικού περιβάλλοντος που προσφέρουν μπορεί να παρατηρηθεί η συμπεριφορά των agents αλλά και να γίνει πειραματισμός αλλάζοντας διάφορες μεταβλητές όπως τον ρυθμό απόθεσης και εξάτμισης φερομόνης, τον βαθμό επιρροής της φερομόνης στην επιλογή της διαδρομής, τον αριθμό των μυρμηγκιών και άλλα. Κάποια απ αυτά είναι :

35 Διπλωματική εργασία Σταύρος Χαμπηλομάτης NETLOGO Το Netlogo είναι ένα συχνά χρησιμοποιούμενο εργαλείο προσομοίωσης καθώς προσφέρει πληθώρα ανοιχτών παραδειγμάτων και μια απλή γλώσσα προγραμματισμού της συμπεριφοράς των Agents. Στην εικόνα φαίνεται ένα έτοιμο μοντέλο στο οποίο υπάρχει μια φωλιά (μωβ χρώμα) και 3 πηγές τροφής (μπλε χρώμα). Με πράσινο χρώμα συμβολίζεται το επίπεδο φερομόνης στο περιβάλλον. Υπάρχει δυνατότητα παρουσίασης των αποτελεσμάτων και της χρονικής τους διακύμανσης με γραφήματα καθώς και αλλαγή των σταθερών της φερομόνης και του αρχικού πληθυσμού. Επίσης, εύκολα μπορεί να γίνει αλλαγή του μοντέλου μεταβάλλοντας τον κώδικά του στην καρτέλα Code. Εικόνα 3:Μοντέλο κοινωνίας μυρμηγκιών στο NetLogo

36 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου SUGARSCAPE Το Sugarscape αποτελεί ένα εργαλείο μοντελοποίησης ανθρώπινης κοινωνίας βασισμένο σε Agents. Προσφέρει τη δυνατότητα αλλαγής πολλών μεταβλητών ώστε προσεγγιστεί καλύτερα η δομή μιας κοινωνίας. Δεν προσφέρει δυνατότητα δημιουργίας νέου μοντέλου αλλά μόνο τον πειραματισμό με το ήδη υπάρχον. Εικόνα 4: Το μοντέλο κοινωνίας του Sugarscape

37 Διπλωματική εργασία Σταύρος Χαμπηλομάτης MASON To MASON είναι ένα εργαλείο δημιουργίας και απεικόνισης μοντέλων, εξ ολοκλήρου γραμμένο σε JAVA. Προσφέρει δυνατότητα απεικόνισης τριών διαστάσεων και παρέχει πολλά έτοιμα μοντέλα για πειραματισμό. Στο μοντέλο της κοινωνίας μυρμηγκιών που προσφέρει έχουν τοποθετηθεί εμπόδια ανάμεσα στην φωλιά και την τροφή και γίνεται εμφανής η λειτουργία της φερομόνης όταν τυχαία κάποιο μυρμήγκι φτάσει στην τροφή. Εικόνα 5: Το εργαλείο MASON

38 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου GAMA Παρόμοια με το NETLOGO, το GAMA προσφέρει, εκτός από πολλά έτοιμα μοντέλα, μια δική του γλώσσα δημιουργίας νέων μοντέλων. Εικόνα 6:Το εργαλείο GAMA

39 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Web Crawlers και Headless browsing 3.1 Web Crawlers Ένας web crawler είναι ένα πρόγραμμα που περιηγείται στο διαδίκτυο με έναν μεθοδικό και αυτόματο τρόπο. Όταν πρωτοεμφανίστηκαν αυτού του είδους τα προγράμματα ονομάζονταν επίσης wanderers, robots, spiders, fishes και worms. Αρχικά, βασικό κίνητρο στη σχεδίαση των web crawlers ήταν η ανάκτηση ιστοσελίδων και η προσθήκη αυτών ή των απεικονίσεών τους σε ένα τοπικό repository. Ένα τέτοιο repository μπορεί στη συνέχεια να εξυπηρετήσει συγκεκριμένες ανάγκες εφαρμογών όπως αυτών των διαδικτυακών μηχανών αναζήτησης. Αν το διαδίκτυο ήταν μια στατική συλλογή σελίδων, θα είχε μικρή μακροχρόνια χρήση του crawling. Από τη στιγμή που όλες οι σελίδες θα είχαν «φορτωθεί» σε ένα repository (όπως η βάση δεδομένων μιας μηχανής αναζήτησης), δε θα υπήρχε πλέον ανάγκη για crawling. Ωστόσο, το διαδίκτυο είναι μια δυναμική οντότητα με υποχώρους που εξελίσσονται σε διαφορετικούς και συχνά ραγδαίους ρυθμούς. Επομένως, υπάρχει μια συνεχής ανάγκη για crawlers προκειμένου να βοηθούν τις εφαρμογές να παραμένουν ενημερωμένες όσο νέες σελίδες προστίθενται και παλιές διαγράφονται, μετακινούνται ή τροποποιούνται. O crawler είναι ένα είδος πράκτορα λογισμικού, η λειτουργία του οποίου μπορεί να περιγραφεί περιληπτικά ως εξής: Ο crawler έχει αρχικά μια λίστα URLs τα οποία επισκέπτεται. Από τα αρχικά URLs αποθηκεύει την πληροφορία που χρειάζεται. Εντοπίζει στα URLs τους εξωτερικούς συνδέσμους και τους αποθηκεύει σε μια λίστα που ονομάζεται frontier list. Επιλέγει από την frontier list τα URLs τα οποία θα επισκεφτεί στην συνέχεια. Συνεχίζει την ίδια λειτουργία μέχρι κάποιος τερματικός στόχος να επιτευχθεί.

40 Βελτιστοποίηση απόδοσης μηχανισμού διάσχισης του διαδικτύου Εικόνα 7: Σχηματική αναπαράσταση της λειτουργίας ενός crawler Από την παραπάνω περιγραφή τίθενται κάποια σημαντικά θέματα που σχετίζονται με συνδέσεις δικτύου, σελίδες που έχουν ως στόχο την παγίδευση των crawlers (spider traps), κανονικοποίηση URLs, parsing σελίδων HTML, με τον τρόπο επιλογής των URLs από την frontier list και η ηθική της ενασχόλησης με απομακρυσμένους web servers (polite crawling) Φόρτωση και parsing σελίδων Για να φορτώσει μια σελίδα ο crawler πρέπει να στείλει ένα αίτημα στον web server και να διαβάσει την απόκριση που λαμβάνεται από αυτόν. Ο crawler απαιτείται να έχει κατάλληλους μηχανισμούς ώστε να αντιμετωπίσει τα προβλήματα που θα παρουσιαστούν, όπως αργή απόκριση του server, υπερφόρτωση του δικτύου λόγω υπερβολικών αιτημάτων, κενές σελίδες ή άλλα σφάλματα του server και υπερβολικά μεγάλες σελίδες που καθυστερούν την λειτουργία του crawler. Οι λύσεις σ αυτά τα προβλήματα είναι οι εξής:

41 Διπλωματική εργασία Σταύρος Χαμπηλομάτης Διαλλείματα ανάμεσα στα αιτήματα ώστε να δίνεται ο απαραίτητος χρόνος στον server για να αποκριθεί. Αλλαγή domain μετά από έναν αριθμό αιτημάτων ή εναλλαγή ανάμεσα σε διάφορα domains. Χρήση μηχανισμού ελέγχου λαθών και αντιμετώπισης εξαιρέσεων ή και καταγραφή των λαθών και στατιστική ανάλυση των καθυστερήσεων. Περιορισμός του client ώστε να δέχεται περιορισμένο όγκο δεδομένων (τα πρώτα 10 έως20 Kbyte) από τη σελίδα τα οποία περιέχουν τις επικεφαλίδες (headers). Η ανάλυση μόνο των επικεφαλίδων σε πολλές περιπτώσεις είναι επαρκής. Παραλληλισμός του crawler (πολυνηματική αρχιτεκτονική) Μόλις φορτωθεί η σελίδα, ακολουθεί το parsing, δηλαδή η επεξεργασία του html κώδικα ώστε να εξαχθεί η χρήσιμη πληροφορία από αυτόν. Το parsing στην απλή του περίπτωση μπορεί να περιοριστεί μόνο στην εξαγωγή υπερσυνδέσμων (hyperlinks), οι οποίοι θα τροφοδοτήσουν τον crawler. Σ πιο σύνθετες περιπτώσεις μπορεί να αποτελέσει μια πολύπλοκη διαδικασία κατά την οποία το περιεχόμενο της σελίδας αναλύεται σε μια δενδρική δομή ετικετών(tag tree) Frontier list Η frontier list περιλαμβάνει τα URLs που δεν έχει επισκεφθεί ακόμα ο crawler ή σε λογική γράφων μια λίστα με τους κόμβους που δεν έχουν επεκταθεί. Η frontier list μπορεί να υλοποιηθεί ως μια απλή FIFO(first in first out) λίστα, δηλαδή το επόμενο URL που θα τροφοδοτήσει τον crawler είναι το παλαιότερο που έχει προστεθεί στη λίστα. O crawler πρέπει να ελέγχει για διπλές εγγραφές στη λίστα κάτι που είναι ιδιαίτερα συχνό φαινόμενο καθώς τα site είναι αλληλοσυνδεόμενα. Μία γραμμική αναζήτηση για να διαπιστώσουμε αν ένα νέο URL που έχει εξαχθεί υπάρχει ήδη στη λίστα κοστίζει υπολογιστικά. Μία λύση είναι η δέσμευση μερικής διαθέσιμης μνήμης για τη διατήρηση ενός ξεχωριστού πίνακα κατακερματισμού (με το URL σαν κλειδί) για να αποθηκεύουμε κάθε URL της λίστας για γρήγορη αναζήτηση. Ο πίνακας κατακερματισμού πρέπει να διατηρείται συγχρονισμένος με την πραγματική λίστα. Μία πιο χρονοβόρα εναλλακτική είναι η διατήρηση της ίδιας της λίστας ως πίνακα κατακερματισμού (πάλι με το URL σαν κλειδί). Ο κατακερματισμός μπορεί να γίνει χρησιμοποιώντας μια μονόδρομη συνάρτηση κωδικοποίησης που έχει ως είσοδο ένα οποιοδήποτε αλφαριθμητικό και δίνει ως έξοδο ένα αλφαριθμητικό σταθερού μεγέθους.

Αλγόριθμοι Τυφλής Αναζήτησης

Αλγόριθμοι Τυφλής Αναζήτησης Τεχνητή Νοημοσύνη 04 Αλγόριθμοι Τυφλής Αναζήτησης Αλγόριθμοι Τυφλής Αναζήτησης (Blind Search Algorithms) Εφαρμόζονται σε προβλήματα στα οποία δεν υπάρχει πληροφορία που να επιτρέπει αξιολόγηση των καταστάσεων.

Διαβάστε περισσότερα

ΠΡΟΒΛΗΜΑΤΑ ΜΕΤΑΦΟΡΑΣ

ΠΡΟΒΛΗΜΑΤΑ ΜΕΤΑΦΟΡΑΣ (Transportation Problems) Βασίλης Κώστογλου E-mail: vkostogl@it.teithe.gr URL: www.it.teithe.gr/~vkostogl Περιγραφή Ένα πρόβλημα μεταφοράς ασχολείται με το πρόβλημα του προσδιορισμού του καλύτερου δυνατού

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση ΚΕΦΑΛΑΙΟ 18 18 Μηχανική Μάθηση Ένα φυσικό ή τεχνητό σύστηµα επεξεργασίας πληροφορίας συµπεριλαµβανοµένων εκείνων µε δυνατότητες αντίληψης, µάθησης, συλλογισµού, λήψης απόφασης, επικοινωνίας και δράσης

Διαβάστε περισσότερα

Υπολογιστικές Μέθοδοι στις Κατασκευές

Υπολογιστικές Μέθοδοι στις Κατασκευές Γενικά Για Τη Βελτιστοποίηση Η βελτιστοποίηση µπορεί να χωριστεί σε δύο µεγάλες κατηγορίες: α) την Βελτιστοποίηση Τοπολογίας (Topological Optimization) και β) την Βελτιστοποίηση Σχεδίασης (Design Optimization).

Διαβάστε περισσότερα

Τι είναι ένα δίκτυο υπολογιστών; Αρχιτεκτονική επιπέδων πρωτοκόλλων. Δικτυακά πρωτόκολλα

Τι είναι ένα δίκτυο υπολογιστών; Αρχιτεκτονική επιπέδων πρωτοκόλλων. Δικτυακά πρωτόκολλα Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών 2014-15 Δίκτυα υπολογιστών (και το Διαδίκτυο) http://di.ionio.gr/~mistral/tp/csintro/ Μ.Στεφανιδάκης Τι είναι ένα δίκτυο υπολογιστών;

Διαβάστε περισσότερα

Το Πρόβλημα Μεταφοράς

Το Πρόβλημα Μεταφοράς Το Πρόβλημα Μεταφοράς Αφορά τη μεταφορά ενός προϊόντος από διάφορους σταθμούς παραγωγής σε διάφορες θέσεις κατανάλωσης με το ελάχιστο δυνατό κόστος. Πρόκειται για το πιο σπουδαίο πρότυπο προβλήματος γραμμικού

Διαβάστε περισσότερα

ΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting

ΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting ΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting Διαδικτυακό OLAP Σύστημα Λήψης Αποφάσεων και δημιουργίας έξυπνων προσαρμοστικών γραφημάτων

Διαβάστε περισσότερα

Εργαλεία ανάπτυξης εφαρμογών internet Ι

Εργαλεία ανάπτυξης εφαρμογών internet Ι IEK ΟΑΕΔ ΚΑΛΑΜΑΤΑΣ ΤΕΧΝΙΚΟΣ ΕΦΑΡΜΟΓΩΝ ΠΛΗΟΦΟΡΙΚΗΣ Εργαλεία ανάπτυξης εφαρμογών internet Ι Διδάσκουσα: Κανελλοπούλου Χριστίνα ΠΕ19 Πληροφορικής 4 φάσεις διαδικτυακών εφαρμογών 1.Εφαρμογές στατικής πληροφόρησης

Διαβάστε περισσότερα

ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «ΣΧΕΔΙΑΣΜΟΣ ΚΑΙ ΑΝΑΠΤΥΞΗ ΔΙΑΔΡΑΣΤΙΚΗΣ ΔΙΑΔΙΚΤΥΑΚΗΣ ΕΦΑΡΜΟΓΗΣ ΓΙΑ ΤΗΝ ΕΞΥΠΗΡΕΤΗΣΗ ΑΣΘΕΝΩΝ ΣΥΜΒΕΒΛΗΜΕΝΟΥΣ ΜΕ ΤΟΝ Ε.Ο.Π.Υ.

ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «ΣΧΕΔΙΑΣΜΟΣ ΚΑΙ ΑΝΑΠΤΥΞΗ ΔΙΑΔΡΑΣΤΙΚΗΣ ΔΙΑΔΙΚΤΥΑΚΗΣ ΕΦΑΡΜΟΓΗΣ ΓΙΑ ΤΗΝ ΕΞΥΠΗΡΕΤΗΣΗ ΑΣΘΕΝΩΝ ΣΥΜΒΕΒΛΗΜΕΝΟΥΣ ΜΕ ΤΟΝ Ε.Ο.Π.Υ. Τ.Ε.Ι ΚΑΒΑΛΑΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «ΣΧΕΔΙΑΣΜΟΣ ΚΑΙ ΑΝΑΠΤΥΞΗ ΔΙΑΔΡΑΣΤΙΚΗΣ ΔΙΑΔΙΚΤΥΑΚΗΣ ΕΦΑΡΜΟΓΗΣ ΓΙΑ ΤΗΝ ΕΞΥΠΗΡΕΤΗΣΗ ΑΣΘΕΝΩΝ» ΟΝΟΜΑΤΕΠΩΝΥΜΑ ΣΠΟΥΔΑΣΤΩΝ : ~ΔΕΛΗΓΙΑΝΝΗ ΚΥΡΙΑΚΗ, 1925~

Διαβάστε περισσότερα

Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών 2014-15. Δίκτυα υπολογιστών. (και το Διαδίκτυο)

Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών 2014-15. Δίκτυα υπολογιστών. (και το Διαδίκτυο) Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών 2014-15 Δίκτυα υπολογιστών (και το Διαδίκτυο) http://di.ionio.gr/~mistral/tp/csintro/ Μ.Στεφανιδάκης Τι είναι ένα δίκτυο υπολογιστών;

Διαβάστε περισσότερα

Δομές Δεδομένων και Αλγόριθμοι

Δομές Δεδομένων και Αλγόριθμοι Δομές Δεδομένων και Αλγόριθμοι Χρήστος Γκόγκος ΤΕΙ Ηπείρου Χειμερινό Εξάμηνο 2014-2015 Παρουσίαση 18 Dijkstra s Shortest Path Algorithm 1 / 12 Ο αλγόριθμος εύρεσης της συντομότερης διαδρομής του Dijkstra

Διαβάστε περισσότερα

Κεφάλαιο 5: Στρατηγική χωροταξικής διάταξης

Κεφάλαιο 5: Στρατηγική χωροταξικής διάταξης K.5.1 Γραμμή Παραγωγής Μια γραμμή παραγωγής θεωρείται μια διάταξη με επίκεντρο το προϊόν, όπου μια σειρά από σταθμούς εργασίας μπαίνουν σε σειρά με στόχο ο κάθε ένας από αυτούς να κάνει μια ή περισσότερες

Διαβάστε περισσότερα

«Μηχανή Αναζήτησης Αρχείων» Ημερομηνία Παράδοσης: 30/04/2015, 09:00 π.μ.

«Μηχανή Αναζήτησης Αρχείων» Ημερομηνία Παράδοσης: 30/04/2015, 09:00 π.μ. ΕΡΓΑΣΙΑ 4 «Μηχανή Αναζήτησης Αρχείων» Ημερομηνία Παράδοσης: 30/04/2015, 09:00 π.μ. Στόχος Στόχος της Εργασίας 4 είναι να η εξοικείωση με την αντικειμενοστρέφεια (object oriented programming). Πιο συγκεκριμένα,

Διαβάστε περισσότερα

ιδάσκων: ηµήτρης Ζεϊναλιπούρ

ιδάσκων: ηµήτρης Ζεϊναλιπούρ Κεφάλαιο 1.3-1.4: Εισαγωγή Στον Προγραµµατισµό ( ιάλεξη 2) ιδάσκων: ηµήτρης Ζεϊναλιπούρ Περιεχόµενα Εισαγωγικές Έννοιες - Ορισµοί Ο κύκλος ανάπτυξης προγράµµατος Παραδείγµατα Πότε χρησιµοποιούµε υπολογιστή?

Διαβάστε περισσότερα

ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ

ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ Μ. Γρηγοριάδου Ρ. Γόγουλου Ενότητα: Η Διδασκαλία του Προγραμματισμού Περιεχόμενα Παρουσίασης

Διαβάστε περισσότερα

Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων ΟΔΗΓΟΣ ΧΡΗΣΗΣ System Συμβουλευτική Α.Ε

Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων ΟΔΗΓΟΣ ΧΡΗΣΗΣ System Συμβουλευτική Α.Ε σχετικά με τον έλεγχο της καπνιστικής συνήθειας 1 22 Λογισμικές εφαρμογές καταγραφής και αξιοποίησης πληροφοριών σχετικά με τον έλεγχο της καπνιστικής συνήθειας Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων

Διαβάστε περισσότερα

Δρομολόγηση Και Πολύχρωματισμός. Γραφημάτων ΚΑΡΑΓΕΩΡΓΟΣ ΤΙΜΟΘΕΟΣ Α.Μ 1026

Δρομολόγηση Και Πολύχρωματισμός. Γραφημάτων ΚΑΡΑΓΕΩΡΓΟΣ ΤΙΜΟΘΕΟΣ Α.Μ 1026 Δρομολόγηση Και Πολύχρωματισμός Μονοπατιών Γραφημάτων ΚΑΡΑΓΕΩΡΓΟΣ ΤΙΜΟΘΕΟΣ Α.Μ 1026 Εισαγωγή. Το πρόβλημα με το οποίο θα ασχοληθούμε εδώ είναι γνωστό σαν: Δρομολόγηση και Πολύ-χρωματισμός Διαδρομών (Routing

Διαβάστε περισσότερα

Δομές Δεδομένων (Data Structures)

Δομές Δεδομένων (Data Structures) Δομές Δεδομένων (Data Structures) Ανάλυση - Απόδοση Αλγορίθμων Έλεγχος Αλγορίθμων. Απόδοση Προγραμμάτων. Χωρική/Χρονική Πολυπλοκότητα. Ασυμπτωτικός Συμβολισμός. Παραδείγματα. Αλγόριθμοι: Βασικές Έννοιες

Διαβάστε περισσότερα

Θέματα Ατομικής Διπλωματικής Εργασίας - DRAFT Ακαδημαϊκό Έτος 2015/2016. Γεωργία Καπιτσάκη (Λέκτορας)

Θέματα Ατομικής Διπλωματικής Εργασίας - DRAFT Ακαδημαϊκό Έτος 2015/2016. Γεωργία Καπιτσάκη (Λέκτορας) Θέματα Ατομικής Διπλωματικής Εργασίας - DRAFT Ακαδημαϊκό Έτος 2015/2016 Γεωργία Καπιτσάκη (Λέκτορας) ΠΕΡΙΟΧΗ Α: ΕΦΑΡΜΟΓΕΣ ΜΕ ΑΙΣΘΗΤΗΡΕΣ ΓΙΑ ΕΠΙΓΝΩΣΗ ΣΥΓΚΕΙΜΕΝΟΥ Οι αισθητήρες μας δίνουν τη δυνατότητα συλλογής

Διαβάστε περισσότερα

Εισαγωγή στην επιστήμη των υπολογιστών. Υλικό Υπολογιστών Κεφάλαιο 6ο ίκτυα υπολογιστών

Εισαγωγή στην επιστήμη των υπολογιστών. Υλικό Υπολογιστών Κεφάλαιο 6ο ίκτυα υπολογιστών Εισαγωγή στην επιστήμη των υπολογιστών Υλικό Υπολογιστών Κεφάλαιο 6ο ίκτυα υπολογιστών 1 ίκτυα μικρά και μεγάλα Ένα δίκτυο υπολογιστών (computer network) είναι ένας συνδυασμός συστημάτων (δηλαδή, υπολογιστών),

Διαβάστε περισσότερα

Εργαστήριο #10 (Ε10) 1

Εργαστήριο #10 (Ε10) 1 Εργαστήριο #10 Από τα προηγούμενα εργαστήρια......θα χρειαστείτε ορισμένες από τις οδηγίες μορφοποίησης CSS (ανατρέξτε στις εκφωνήσεις του 8 ου και 9 ου εργαστηρίου).! Οδηγίες Στη δυναμική δημιουργία ιστοσελίδων

Διαβάστε περισσότερα

Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων

Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων Περίληψη ιδακτορικής ιατριβής Τριχακης Ιωάννης Εργαστήριο

Διαβάστε περισσότερα

Εισαγωγή στον Παγκόσμιο ιστό και στη γλώσσα Html. Χρ. Ηλιούδης

Εισαγωγή στον Παγκόσμιο ιστό και στη γλώσσα Html. Χρ. Ηλιούδης Εισαγωγή στον Παγκόσμιο ιστό και στη γλώσσα Html Χρ. Ηλιούδης Παγκόσμιος Ιστός (WWW) Ο Παγκόσμιος Ιστός (World Wide Web WWW), ή απλώς Ιστός, βασίζεται στην ιδέα των κατανεμημένων πληροφοριών. Αντί όλες

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ Ενότητα 10β: Αλγόριθμοι Γραφημάτων-Γραφήματα- Αναπαράσταση Γραφημάτων- Διερεύνηση Πρώτα σε Πλάτος (BFS) Μαρία Σατρατζέμη Τμήμα Εφαρμοσμένης Πληροφορικής Άδειες Χρήσης Το

Διαβάστε περισσότερα

ΠΛΗΡΟΦΟΡΙΚΗ Ι JAVA Τμήμα θεωρίας με Α.Μ. σε 3, 7, 8 & 9 22/11/07

ΠΛΗΡΟΦΟΡΙΚΗ Ι JAVA Τμήμα θεωρίας με Α.Μ. σε 3, 7, 8 & 9 22/11/07 Ακαδ έτος 2007-2008 ΠΛΗΡΟΦΟΡΙΚΗ Ι Φερεντίνος 22/11/07 ΠΛΗΡΟΦΟΡΙΚΗ Ι JAVA Τμήμα θεωρίας με ΑΜ σε 3, 7, 8 & 9 22/11/07 Παράδειγμα με if/else if και user input: import javautil*; public class Grades public

Διαβάστε περισσότερα

Αλγόριθμοι και Πολυπλοκότητα

Αλγόριθμοι και Πολυπλοκότητα Αλγόριθμοι και Πολυπλοκότητα Ροή Δικτύου Δημήτρης Μιχαήλ Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Μοντελοποίηση Δικτύων Μεταφοράς Τα γραφήματα χρησιμοποιούνται συχνά για την μοντελοποίηση

Διαβάστε περισσότερα

Λυσεις προβλημάτων τελικής φάσης Παγκύπριου Μαθητικού Διαγωνισμού Πληροφορικής 2007

Λυσεις προβλημάτων τελικής φάσης Παγκύπριου Μαθητικού Διαγωνισμού Πληροφορικής 2007 Λυσεις προβλημάτων τελικής φάσης Παγκύπριου Μαθητικού Διαγωνισμού Πληροφορικής 2007 Πρόβλημα 1 Το πρώτο πρόβλημα λύνεται με τη μέθοδο του Δυναμικού Προγραμματισμού. Για να το λύσουμε με Δυναμικό Προγραμματισμό

Διαβάστε περισσότερα

Δυναμικές Ιστοσελίδες Εισαγωγή στην Javascript για προγραμματισμό στην πλευρά του client

Δυναμικές Ιστοσελίδες Εισαγωγή στην Javascript για προγραμματισμό στην πλευρά του client ΕΣΔ 516 Τεχνολογίες Διαδικτύου Δυναμικές Ιστοσελίδες Εισαγωγή στην Javascript για προγραμματισμό στην πλευρά του client Περιεχόμενα Περιεχόμενα Javascript και HTML Βασική σύνταξη Μεταβλητές Τελεστές Συναρτήσεις

Διαβάστε περισσότερα

Εργασία για το μάθημα «Γραμμικός και μη προγραμματισμός Βελτιστοποίηση»

Εργασία για το μάθημα «Γραμμικός και μη προγραμματισμός Βελτιστοποίηση» Εργασία για το μάθημα «Γραμμικός και μη προγραμματισμός Βελτιστοποίηση» Διδάσκων: Ε. Χαρμανδάρης Θέμα: «Το πρόβλημα του περιπλανώμενου πωλητή, ακριβείς, ευριστικές και ενδιαφέρουσες λύσεις» Φώτογλου Ιωακείμ,

Διαβάστε περισσότερα

Υπερπροσαρμογή (Overfitting) (1)

Υπερπροσαρμογή (Overfitting) (1) Αλγόριθμος C4.5 Αποφυγή υπερπροσαρμογής (overfitting) Reduced error pruning Rule post-pruning Χειρισμός χαρακτηριστικών συνεχών τιμών Επιλογή κατάλληλης μετρικής για την επιλογή των χαρακτηριστικών διάσπασης

Διαβάστε περισσότερα

ΑΛΓΟΡΙΘΜΟΙ. Τι είναι αλγόριθμος

ΑΛΓΟΡΙΘΜΟΙ. Τι είναι αλγόριθμος ΑΛΓΟΡΙΘΜΟΙ Στο σηµείωµα αυτό αρχικά εξηγείται η έννοια αλγόριθµος και παραθέτονται τα σπουδαιότερα κριτήρια που πρέπει να πληρεί κάθε αλγόριθµος. Στη συνέχεια, η σπουδαιότητα των αλγορίθµων συνδυάζεται

Διαβάστε περισσότερα

To SIMULINK του Matlab

To SIMULINK του Matlab ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΧΗΜΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΕΡΓΑΣΤΗΡΙΟ Β ΧΗΜΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΚΑΘ. Κ. ΚΥΠΑΡΙΣΣΙΔΗΣ, ΛΕΚΤΟΡΑΣ Χ. ΧΑΤΖΗΔΟΥΚΑΣ Τ.Θ. 472 54 124 ΘΕΣΣΑΛΟΝΙΚΗ Μάθημα: ΡΥΘΜΙΣΗ ΣΥΣΤΗΜΑΤΩΝ Ακαδ.

Διαβάστε περισσότερα

Πρωτόκολλα Επικοινωνίας και Τείχος Προστασίας

Πρωτόκολλα Επικοινωνίας και Τείχος Προστασίας Β5.1.2 Πρωτόκολλα Επικοινωνίας και Τείχος Προστασίας Τι θα μάθουμε σήμερα: Να ορίζουμε τι είναι πρωτόκολλο επικοινωνίας Να εξηγούμε τη χρησιμότητα των πρωτοκόλλων επικοινωνίας Να ονομάζουμε τα σημαντικότερα

Διαβάστε περισσότερα

ΔΙΟΙΚΗΣΗΣ MANAGEMENT INFORMATION SYSTEMS (M.I.S.)

ΔΙΟΙΚΗΣΗΣ MANAGEMENT INFORMATION SYSTEMS (M.I.S.) ΔΙΟΙΚΗΣΗΣ MANAGEMENT INFORMATION SYSTEMS (M.I.S.) 2.1 Κωνσταντίνος Ταραμπάνης Καθηγητής Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων Πανεπιστήμιο Μακεδονίας Γρ. 307 2310-891-578 kat@uom.gr ΤΑΞΙΝΟΜΗΣΗ ΤΩΝ

Διαβάστε περισσότερα

ίκτυα υπολογιστών Στόχοι κεφαλαίου ίκτυα

ίκτυα υπολογιστών Στόχοι κεφαλαίου ίκτυα Στόχοι κεφαλαίου ίκτυα υπολογιστών (Κεφαλαιο 15 στο βιβλιο) Περιγραφή των κύριων θεµάτων σχετικά µε τα δίκτυα υπολογιστών Αναφορά στα διάφορα είδη δικτύων Περιγραφή των διαφόρων τοπολογιών των τοπικών

Διαβάστε περισσότερα

hel-col@otenet.gr Κωνσταντίνος Παρασκευόπουλος Καθηγητής Πληροφορικής (ΠΕ19 MSc) Ελληνικό Κολλέγιο Θεσσαλονίκης kparask@hellenic-college.

hel-col@otenet.gr Κωνσταντίνος Παρασκευόπουλος Καθηγητής Πληροφορικής (ΠΕ19 MSc) Ελληνικό Κολλέγιο Θεσσαλονίκης kparask@hellenic-college. Χρήση της Διεπαφής Προγραμματισμού Εφαρμογής Google Maps για τη δημιουργία διαδραστικού χάρτη με τα Μνημεία Παγκόσμιας Πολιτιστικής Κληρονομιάς της ΟΥΝΕΣΚΟ στη Θεσσαλονίκη Εμμανουήλ Τσάμης 1, Κωνσταντίνος

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ Α : ΘΕΜΑΤΑ ΒΑΣΗΣ 1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ...11 2. ΑΡΙΘΜΗΤΙΚΑ ΣΥΣΤΗΜΑΤΑ...30

ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ Α : ΘΕΜΑΤΑ ΒΑΣΗΣ 1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ...11 2. ΑΡΙΘΜΗΤΙΚΑ ΣΥΣΤΗΜΑΤΑ...30 ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ Α : ΘΕΜΑΤΑ ΒΑΣΗΣ 1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ...11 1.1 Τι είναι Πληροφορική;...11 1.1.1 Τι είναι η Πληροφορική;...12 1.1.2 Τι είναι ο Υπολογιστής;...14 1.1.3 Τι είναι το Υλικό και το

Διαβάστε περισσότερα

Αναδρομή. Τι γνωρίζετε για τη δυνατότητα «κλήσης» αλγορίθμων; Τι νόημα έχει;

Αναδρομή. Τι γνωρίζετε για τη δυνατότητα «κλήσης» αλγορίθμων; Τι νόημα έχει; ΜΑΘΗΜΑ 7 Κλήση αλγορίθμου από αλγόριθμο Αναδρομή Σ χ ο λ ι κ ο Β ι β λ ι ο ΥΠΟΚΕΦΑΛΑΙΟ 2.2.7: ΕΝΤΟΛΕΣ ΚΑΙ ΔΟΜΕΣ ΑΛΓΟΡΙΘΜΟΥ ΠΑΡΑΓΡΑΦΟI 2.2.7.5: Κλήση αλγορίθμου από αλγόριθμο 2.2.7.6: Αναδρομή εισαγωγη

Διαβάστε περισσότερα

Η ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΦΥΣΙΚΗΣ ΜΕ ΤΗ ΒΟΗΘΕΙΑ ΤΟΥ ΗΛΕΚΤΡΟΝΙΚΟΥ ΥΠΟΛΟΓΙΣΤΗ. Καραβελάκη Μαρία, Παπαναγιώτου Γιώργος, Γρηγοριάδης Στάθης

Η ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΦΥΣΙΚΗΣ ΜΕ ΤΗ ΒΟΗΘΕΙΑ ΤΟΥ ΗΛΕΚΤΡΟΝΙΚΟΥ ΥΠΟΛΟΓΙΣΤΗ. Καραβελάκη Μαρία, Παπαναγιώτου Γιώργος, Γρηγοριάδης Στάθης Η ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΦΥΣΙΚΗΣ ΜΕ ΤΗ ΒΟΗΘΕΙΑ ΤΟΥ ΗΛΕΚΤΡΟΝΙΚΟΥ ΥΠΟΛΟΓΙΣΤΗ Καραβελάκη Μαρία, Παπαναγιώτου Γιώργος, Γρηγοριάδης Στάθης ΕΙΣΑΓΩΓΗ Η ραγδαία και συνεχής εξέλιξη των υπολογιστών και της πληροφορικής

Διαβάστε περισσότερα

Σύστημα υποβολής αιτήσεων υποψήφιων συνεργατών ΕΚΤ

Σύστημα υποβολής αιτήσεων υποψήφιων συνεργατών ΕΚΤ Σύστημα υποβολής αιτήσεων υποψήφιων συνεργατών ΕΚΤ 1 Λειτουργικές απαιτήσεις Το σύστημα υποβολής αιτήσεων υποψήφιων συνεργατών στοχεύει στο να επιτρέπει την πλήρως ηλεκτρονική υποβολή αιτήσεων από υποψήφιους

Διαβάστε περισσότερα

Αλγόριθμοι Αναζήτησης σε Παίγνια Δύο Αντιπάλων

Αλγόριθμοι Αναζήτησης σε Παίγνια Δύο Αντιπάλων Τεχνητή Νοημοσύνη 06 Αλγόριθμοι Αναζήτησης σε Παίγνια Δύο Αντιπάλων Εισαγωγικά (1/3) Τα προβλήματα όπου η εξέλιξη των καταστάσεων εξαρτάται από δύο διαφορετικά σύνολα τελεστών μετάβασης που εφαρμόζονται

Διαβάστε περισσότερα

Συνοπτικός Οδηγός Χρήσης του Moodle για τον Καθηγητή

Συνοπτικός Οδηγός Χρήσης του Moodle για τον Καθηγητή Συνοπτικός Οδηγός Χρήσης του Moodle για τον Καθηγητή 1 Πίνακας Περιεχομένων 1. Εισαγωγή... 4 1.1 Περιβάλλον Moodle...4 1.2 Χρήση ονόματος χρήστη και κωδικού...4 1.3 Δημιουργία νέου μαθήματος...4 1.3.1

Διαβάστε περισσότερα

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΣΕΠΤΕΜΒΡΙΟΣ 2008 ΤΟΜΕΑΣ ΣΤΑΤΙΣΤΙΚΗΣ, ΠΙΘΑΝΟΤΗΤΩΝ & ΕΠΙΧΕΙΡΗΣΙΑΚΗΣ ΕΡΕΥΝΑΣ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΘΕΜΑ 1 ο Σε μία γειτονιά, η ζήτηση ψωμιού η οποία ανέρχεται σε 1400 φραντζόλες ημερησίως,

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΣΧΟΛΗ ΟΙΚΟΝΟΜΙΑΣ ΔΙΟΙΚΗΣΗΣ και ΠΛΗΡΟΦΟΡΙΚΗΣ. ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ και ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΟΔΗΓΟΣ ΜΕΤΑΒΑΤΙΚΩΝ ΔΙΑΤΑΞΕΩΝ 2014 2015

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΣΧΟΛΗ ΟΙΚΟΝΟΜΙΑΣ ΔΙΟΙΚΗΣΗΣ και ΠΛΗΡΟΦΟΡΙΚΗΣ. ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ και ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΟΔΗΓΟΣ ΜΕΤΑΒΑΤΙΚΩΝ ΔΙΑΤΑΞΕΩΝ 2014 2015 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ ΣΧΟΛΗ ΟΙΚΟΝΟΜΙΑΣ ΔΙΟΙΚΗΣΗΣ και ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ και ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΟΔΗΓΟΣ ΜΕΤΑΒΑΤΙΚΩΝ ΔΙΑΤΑΞΕΩΝ 2014 2015 Επιτροπή προπτυχιακών σπουδών: Κ. Βασιλάκης Κ. Γιαννόπουλος

Διαβάστε περισσότερα

GoDigital.CMS Content Management System. Πλήρης διαχείριση περιεχομένου ιστοσελίδας

GoDigital.CMS Content Management System. Πλήρης διαχείριση περιεχομένου ιστοσελίδας GoDigital.CMS Content Management System Πλήρης διαχείριση περιεχομένου ιστοσελίδας Γενική περιγραφή Πλήρης λύση ηλεκτρονικής παρουσίας Το GoDigital.CMS είναι μία πλήρη εφαρμογή διαχείρισης ηλεκτρονικής

Διαβάστε περισσότερα

329 Στατιστικής Οικονομικού Παν. Αθήνας

329 Στατιστικής Οικονομικού Παν. Αθήνας 329 Στατιστικής Οικονομικού Παν. Αθήνας Σκοπός Το Τμήμα σκοπό έχει να αναδείξει επιστήμονες ικανούς να σχεδιάζουν, να αναλύουν και να επεξεργάζονται στατιστικές καθώς επίσης και να δημιουργούν προγράμματα

Διαβάστε περισσότερα

ΜΑΘΗΜΑ: Εργαλεία Ανάπτυξης εφαρμογών internet.

ΜΑΘΗΜΑ: Εργαλεία Ανάπτυξης εφαρμογών internet. ΜΑΘΗΜΑ: Εργαλεία Ανάπτυξης εφαρμογών internet. ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ: ΕΙΔΟΣ ΜΑΘΗΜΑΤΟΣ: Μικτό Γενικός σκοπός είναι να αποκτήσει ο καταρτιζόμενος τις αναγκαίες γνώσεις σχετικά με εργαλεία και τις τεχνικές για

Διαβάστε περισσότερα

ΟΤΑ Επιχειρησιακή Νοηµοσύνη. Ενότητα: Bc1.1.6 Παρακολούθηση (monitoring) εκτέλεσης Επιχειρησιακών Διαδικασιών και εξαγωγή «µετρήσιµων» (metrics)

ΟΤΑ Επιχειρησιακή Νοηµοσύνη. Ενότητα: Bc1.1.6 Παρακολούθηση (monitoring) εκτέλεσης Επιχειρησιακών Διαδικασιών και εξαγωγή «µετρήσιµων» (metrics) ΟΤΑ Επιχειρησιακή Νοηµοσύνη Ενότητα: Bc1.1.6 Παρακολούθηση (monitoring) εκτέλεσης Επιχειρησιακών Διαδικασιών και εξαγωγή «µετρήσιµων» (metrics) Πρακτική Άσκηση (επίπεδο 2): Η άσκηση ζητά να εκτελεσθεί

Διαβάστε περισσότερα

Μελέτη και Ανάπτυξη ενός Εργαλείου Υποβοήθησης στη Σχεδίαση µίας Βάσης εδοµένων Τύπου Graph από Τελικούς Χρήστες

Μελέτη και Ανάπτυξη ενός Εργαλείου Υποβοήθησης στη Σχεδίαση µίας Βάσης εδοµένων Τύπου Graph από Τελικούς Χρήστες Μελέτη και Ανάπτυξη ενός Εργαλείου Υποβοήθησης στη Σχεδίαση µίας Βάσης εδοµένων Τύπου Graph από Τελικούς Χρήστες ηµήτρης Λαµπούδης Επιβλέπων: Νικόλαος Πρωτόγερος ιατµηµατικό Πρόγραµµα Μεταπτυχιακών Σπουδών

Διαβάστε περισσότερα

υναμικός Προγραμματισμός

υναμικός Προγραμματισμός υναμικός Προγραμματισμός ιδάσκοντες: Σ. Ζάχος,. Φωτάκης Επιμέλεια διαφανειών:. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο ιωνυμικοί Συντελεστές ιωνυμικοί

Διαβάστε περισσότερα

Κεφάλαιο 7. Τρισδιάστατα Μοντέλα

Κεφάλαιο 7. Τρισδιάστατα Μοντέλα Κεφάλαιο 7. 7.1 ομές εδομένων για Γραφικά Υπολογιστών. Οι δομές δεδομένων αποτελούν αντικείμενο της επιστήμης υπολογιστών. Κατά συνέπεια πρέπει να γνωρίζουμε πώς οργανώνονται τα γεωμετρικά δεδομένα, προκειμένου

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ 3.1 Τυχαίοι αριθμοί Στην προσομοίωση διακριτών γεγονότων γίνεται χρήση ακολουθίας τυχαίων αριθμών στις περιπτώσεις που απαιτείται η δημιουργία στοχαστικών

Διαβάστε περισσότερα

Σενάριο 16: Ο κόσμος του Robby

Σενάριο 16: Ο κόσμος του Robby Σενάριο 16: Ο κόσμος του Robby Φύλλο Εργασίας Τίτλος: Ο κόσμος του Robby Γνωστικό Αντικείμενο: Εφαρμογές Πληροφορικής-Υπολογιστών Διδακτική Ενότητα: Διερευνώ - Δημιουργώ Ανακαλύπτω, Συνθετικές εργασίες.

Διαβάστε περισσότερα

Ιστορία της NetLogo. Logo

Ιστορία της NetLogo. Logo Ιστορία της NetLogo Εικόνα 1 Η ιστορική εξέλιξη από τη Logo, στη StarLogo και τέλος στη NetLogo. Logo Εικόνα 2 Από το ίδρυμα για τη Logo του MΙΤ στο διαδύκτιο. Στα μέσα της δεκαετίας του 1960, o Seymourt

Διαβάστε περισσότερα

ίκτυα - Internet Υπηρεσίες Internet O Παγκόσµιος Ιστός (World Wide Web) Ηλεκτρονική Αλληλογραφία (E-mail) Υπηρεσία FTP (File Transfer Protocol)

ίκτυα - Internet Υπηρεσίες Internet O Παγκόσµιος Ιστός (World Wide Web) Ηλεκτρονική Αλληλογραφία (E-mail) Υπηρεσία FTP (File Transfer Protocol) Ιόνιο Πανεπιστήµιο Τµήµα Αρχειονοµίας-Βιβλιοθηκονοµίας Κέρκυρα ίκτυα - Internet 2 Υπηρεσίες Internet O Παγκόσµιος Ιστός (World Wide Web) ΜηχανέςΑναζήτησηςστοWeb Ηλεκτρονική Αλληλογραφία (E-mail) Υπηρεσία

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ. Διάλεξη 15: O αλγόριθμος SIMPLE

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ. Διάλεξη 15: O αλγόριθμος SIMPLE ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ Διάλεξη 15: O αλγόριθμος SIMPLE Χειμερινό εξάμηνο 2008 Προηγούμενη παρουσίαση... Εξετάσαμε τις θέσεις που

Διαβάστε περισσότερα

Σενάριο 13. Προγραμματίζοντας ένα Ρομπότ

Σενάριο 13. Προγραμματίζοντας ένα Ρομπότ Σενάριο 13. Προγραμματίζοντας ένα Ρομπότ Ταυτότητα Σεναρίου Τίτλος: Προγραμματίζοντας ένα Ρομπότ Γνωστικό Αντικείμενο: Πληροφορική Διδακτική Ενότητα: Ελέγχω-Προγραμματίζω τον Υπολογιστή Τάξη: Γ Γυμνασίου

Διαβάστε περισσότερα

Κεφάλαιο 3. Αλγόριθµοι Τυφλής Αναζήτησης. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Κεφάλαιο 3. Αλγόριθµοι Τυφλής Αναζήτησης. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Κεφάλαιο 3 Αλγόριθµοι Τυφλής Αναζήτησης Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Αλγόριθµοι Τυφλής Αναζήτησης Οι αλγόριθµοι τυφλής αναζήτησης (blind

Διαβάστε περισσότερα

ΜΕΡΟΣ ΠΡΩΤΟ: Θεωρητική Προσέγγιση...15

ΜΕΡΟΣ ΠΡΩΤΟ: Θεωρητική Προσέγγιση...15 ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος του συγγραφέα...11 Πρόλογος του καθηγητή Γεωργίου Δουκίδη...13 ΜΕΡΟΣ ΠΡΩΤΟ: Θεωρητική Προσέγγιση...15 ΚΕΦΑΛΑΙΟ 1. Η ΕΠΙΧΕΙΡΗΣΗ...17 Ορισμός της έννοιας της επιχείρησης και οι μορφές

Διαβάστε περισσότερα

ΕΦΑΡΜΟΓΕΣ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ

ΕΦΑΡΜΟΓΕΣ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΕΦΑΡΜΟΓΕΣ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Dr. Christos D. Tarantilis Associate Professor in Operations Research & Management Science http://tarantilis.dmst.aueb.gr/ ΕΦΑΡΜΟΓΕΣ ΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Ι - 1- ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ

Διαβάστε περισσότερα

P. Chretienne, E. Coffman, J. Lenstra, Z. Liu Scheduling Theory and its Applications John Wiley & Sons, New York, (1995)

P. Chretienne, E. Coffman, J. Lenstra, Z. Liu Scheduling Theory and its Applications John Wiley & Sons, New York, (1995) ΘΕΩΡΙΑ ΥΠΟΛΟΓΙΣΜΟΥ 8ο Εξάμηνο ΕΡΓΑΣΙΑ P. Chretienne, E. Coffman, J. Lenstra, Z. Liu Scheduling Theory and its Applications John Wiley & Sons, New York, (995) CHAPTER (μέχρι και..) Scheduling with Communication

Διαβάστε περισσότερα

Κεφάλαιο 1ο. 1.1.5 Πολυπρογραμματισμός 1.1.6 Πολυδιεργασία 1.2.2. Κατηγορίες Λειτουργικών Συστημάτων

Κεφάλαιο 1ο. 1.1.5 Πολυπρογραμματισμός 1.1.6 Πολυδιεργασία 1.2.2. Κατηγορίες Λειτουργικών Συστημάτων Κεφάλαιο 1ο 1.1.5 Πολυπρογραμματισμός 1.1.6 Πολυδιεργασία 1.2.2. Κατηγορίες Λειτουργικών Συστημάτων http://leitourgika-systhmata-epal-b.ggia.info Creative Commons License 3.0 Share-Alike Πολυπρογραμματισμός

Διαβάστε περισσότερα

Μαθησιακές δυσκολίες ΙΙ. Παλαιγεωργίου Γιώργος Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών Τηλεπικοινωνιών και Δικτύων, Πανεπιστήμιο Θεσσαλίας

Μαθησιακές δυσκολίες ΙΙ. Παλαιγεωργίου Γιώργος Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών Τηλεπικοινωνιών και Δικτύων, Πανεπιστήμιο Θεσσαλίας Μαθησιακές δυσκολίες ΙΙ Παλαιγεωργίου Γιώργος Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών Τηλεπικοινωνιών και Δικτύων, Πανεπιστήμιο Θεσσαλίας Μάρτιος 2010 Προηγούμενη διάλεξη Μαθησιακές δυσκολίες Σε όλες

Διαβάστε περισσότερα

Απόστολος Μιχαλούδης

Απόστολος Μιχαλούδης ΔΙΔΑΣΚΑΛΙΑ ΦΥΣΙΚΗΣ ΜΕ ΤΗ ΧΡΗΣΗ ΠΡΟΣΟΜΟΙΩΣΕΩΝ Ανάπτυξη και εφαρμογή διδακτικών προσομοιώσεων Φυσικής σε θέματα ταλαντώσεων και κυμάτων Απόστολος Μιχαλούδης υπό την επίβλεψη του αν. καθηγητή Ευριπίδη Χατζηκρανιώτη

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΡΟΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑ: ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ ΔΙΑΔΙΚΑΣΙΕΣ ΠΑΡΑΓΩΓΗΣ ΛΟΓΙΣΜΙΚΟΥ Διδάσκων: Γ. Χαραλαμπίδης,

Διαβάστε περισσότερα

Αλγόριθµοι Brute-Force και Διεξοδική Αναζήτηση

Αλγόριθµοι Brute-Force και Διεξοδική Αναζήτηση Αλγόριθµοι Brute-Force και Διεξοδική Αναζήτηση Περίληψη Αλγόριθµοι τύπου Brute-Force Παραδείγµατα Αναζήτησης Ταξινόµησης Πλησιέστερα σηµεία Convex hull Βελτιστοποίηση Knapsack problem Προβλήµατα Ανάθεσης

Διαβάστε περισσότερα

ο ρόλος των αλγορίθμων στις υπολογιστικές διαδικασίες Παύλος Εφραιμίδης Δομές Δεδομένων και Αλγόριθμοι

ο ρόλος των αλγορίθμων στις υπολογιστικές διαδικασίες Παύλος Εφραιμίδης Δομές Δεδομένων και Αλγόριθμοι Παύλος Εφραιμίδης 1 περιεχόμενα αλγόριθμοι τεχνολογία αλγορίθμων 2 αλγόριθμοι αλγόριθμος: οποιαδήποτε καλά ορισμένη υπολογιστική διαδικασία που δέχεται κάποια τιμή ή κάποιο σύνολο τιμών, και δίνεικάποιατιμήήκάποιοσύνολοτιμώνως

Διαβάστε περισσότερα

Διαχείριση Εφοδιαστικής Αλυσίδας

Διαχείριση Εφοδιαστικής Αλυσίδας Διαχείριση Εφοδιαστικής Αλυσίδας 7 η Διάλεξη: Δρομολόγηση & Προγραμματισμός (Routing & Scheduling) 015 Εργαστήριο Συστημάτων Σχεδιασμού, Παραγωγής και Λειτουργιών Ατζέντα Εισαγωγή στις έννοιες Βασικές

Διαβάστε περισσότερα

Φροντιστήρια Επίγνωση Προτεινόμενα Θέματα Πανελλαδικών ΑΕΠΠ 2015

Φροντιστήρια Επίγνωση Προτεινόμενα Θέματα Πανελλαδικών ΑΕΠΠ 2015 Φροντιστήρια Επίγνωση Προτεινόμενα Θέματα Πανελλαδικών ΑΕΠΠ 2015 Βάλβης Δημήτριος Μηχανικός Πληροφορικής ΘΕΜΑ Α Α1. Να γράψετε στο τετράδιό σας τον αριθμό καθεμιάς από τις παρακάτω προτάσεις 1-5 και δίπλα

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ. ΤΕΛΙΚΕΣ ΕΞΕΤΑΣΕΙΣ (Ημερομηνία, ώρα)

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ. ΤΕΛΙΚΕΣ ΕΞΕΤΑΣΕΙΣ (Ημερομηνία, ώρα) ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών Θεματική Ενότητα Διοίκηση Επιχειρήσεων & Οργανισμών ΔΕΟ 13 Ποσοτικές Μέθοδοι Ακαδημαϊκό Έτος 008-009 ΤΕΛΙΚΕΣ ΕΞΕΤΑΣΕΙΣ (Ημερομηνία, ώρα) Να απαντηθούν 5

Διαβάστε περισσότερα

Κεφάλαιο 3. Γραφήµατα v1.1 (2012-01-12) Χρησιµοποιήθηκε υλικό από τις αγγλικές διαφάνειες του Kevin Wayne.

Κεφάλαιο 3. Γραφήµατα v1.1 (2012-01-12) Χρησιµοποιήθηκε υλικό από τις αγγλικές διαφάνειες του Kevin Wayne. Κεφάλαιο 3 Γραφήµατα v1.1 (2012-01-12) Χρησιµοποιήθηκε υλικό από τις αγγλικές διαφάνειες του Kevin Wayne. 1 3.1 Βασικοί Ορισµοί και Εφαρµογές γραφήµατα γράφηµα G: ένας τρόπος κωδικοποίησης των σχέσεων

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ Φροντιστήριο #: Εύρεση Ελαχίστων Μονοπατιών σε Γραφήματα που Περιλαμβάνουν και Αρνητικά Βάρη: Αλγόριθμος

Διαβάστε περισσότερα

219 Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Θεσσαλονίκης

219 Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Θεσσαλονίκης 219 Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Θεσσαλονίκης Το Τμήμα Ηλεκτρολόγων Μηχανικών ιδρύθηκε με το ΒΔ.400/72 και άρχισε να λειτουργεί το 1972-73. Το ΑΠΘ είχε τότε ήδη 28.000 φοιτητές. Η ακριβής

Διαβάστε περισσότερα

Συστήματα Αυτομάτου Ελέγχου

Συστήματα Αυτομάτου Ελέγχου ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΠΕΙΡΑΙΑ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΑΥΤΟΜΑΤΙΣΜΟΥ Καθ. Εφαρμογών: Σ. Βασιλειάδου Εργαστήριο Συστήματα Αυτομάτου Ελέγχου για Ηλεκτρολόγους Μηχανικούς Εργαστηριακές Ασκήσεις Χειμερινό

Διαβάστε περισσότερα

Σενάριο 17: Παιχνίδι μνήμης με εικόνες

Σενάριο 17: Παιχνίδι μνήμης με εικόνες Σενάριο 17: Παιχνίδι μνήμης με εικόνες Φύλλο Εργασίας Τίτλος: Παιχνίδι μνήμης με εικόνες Γνωστικό Αντικείμενο: Εφαρμογές Πληροφορικής-Υπολογιστών Διδακτική Ενότητα: Διερευνώ - Δημιουργώ Ανακαλύπτω, Συνθετικές

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση

Διαβάστε περισσότερα

1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες εντολές (μορφές) της;

1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες εντολές (μορφές) της; 1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες (μορφές) της; Η δομή επανάληψης χρησιμοποιείται όταν μια σειρά εντολών πρέπει να εκτελεστεί σε ένα σύνολο περιπτώσεων, που έχουν κάτι

Διαβάστε περισσότερα

Γραμμικός Προγραμματισμός

Γραμμικός Προγραμματισμός Γραμμικός Προγραμματισμός Εισαγωγή Το πρόβλημα του Σχεδιασμού στη Χημική Τεχνολογία και Βιομηχανία. Το συνολικό πρόβλημα του Σχεδιασμού, από μαθηματική άποψη ανάγεται σε ένα πρόβλημα επίλυσης συστήματος

Διαβάστε περισσότερα

Οι διαδικασίες ενος CMS είναι σχεδιασμένες για να:

Οι διαδικασίες ενος CMS είναι σχεδιασμένες για να: CMS Content Management System Σύστημα Διαχείρισης Περιεχομένου Ένα σύστημα διαχείρισης περιεχομένου (CMS) είναι μια συλλογή απο διαδικασίες που χρησιμοποιούνται για τη διαχείριση της ροής εργασίας σε ένα

Διαβάστε περισσότερα

Επερωτήσεις σύζευξης με κατάταξη

Επερωτήσεις σύζευξης με κατάταξη Επερωτήσεις σύζευξης με κατάταξη Επερωτήσεις κατάταξης Top-K queries Οι επερωτήσεις κατάταξης επιστρέφουν τις k απαντήσεις που ταιριάζουν καλύτερα με τις προτιμήσεις του χρήστη. Επερωτήσεις κατάταξης Top-K

Διαβάστε περισσότερα

Επίλυση προβληµάτων. Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης

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

Διαβάστε περισσότερα

ΠΡΟΓΡΑΜΜΑ ΕΞΕΤΑΣΕΩΝ. Διατάξεις Ημιαγωγών. Ηλ. Αιθ. 013. Αριθμητικές Μέθοδοι Διαφορικών Εξισώσεων Ηλ. Αιθ. 013

ΠΡΟΓΡΑΜΜΑ ΕΞΕΤΑΣΕΩΝ. Διατάξεις Ημιαγωγών. Ηλ. Αιθ. 013. Αριθμητικές Μέθοδοι Διαφορικών Εξισώσεων Ηλ. Αιθ. 013 ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Ακαδημαϊκό Έτος 2014-2015 Περίοδος Φεβρουαρίου 2015 ΠΡΟΓΡΑΜΜΑ ΕΞΕΤΑΣΕΩΝ ΗΜΕΡΟΜΗΝΙΑ ΩΡΑ 1ο-2ο ΕΞΑΜΗΝΟ 3ο-4ο ΕΞΑΜΗΝΟ 5ο-6ο

Διαβάστε περισσότερα

PROXY SERVER. Άριστη πύλη διαχωρισμού μεταξύ του εσωτερικού δικτύου και του Internet.

PROXY SERVER. Άριστη πύλη διαχωρισμού μεταξύ του εσωτερικού δικτύου και του Internet. PROXY SERVER Άριστη πύλη διαχωρισμού μεταξύ του εσωτερικού δικτύου και του Internet. Αποτελεσματικό εργαλείο για την απόκρυψη των εσωτερικών λεπτομερειών και διευθύνσεων IP του δικτύου. Αυξάνει τη συνολική

Διαβάστε περισσότερα

Προσφερόμενα Διπλώματα (Προσφερόμενοι Τίτλοι)

Προσφερόμενα Διπλώματα (Προσφερόμενοι Τίτλοι) Εισαγωγή Το Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών του Πανεπιστημίου Κύπρου προσφέρει ολοκληρωμένα προπτυχιακά και μεταπτυχιακά προγράμματα σπουδών στους κλάδους του Ηλεκτρολόγου Μηχανικού

Διαβάστε περισσότερα

Παραθέτουμε τις παρακάτω διευκρινήσεις βάση των ερωτημάτων που υποβλήθηκαν από τους υποψηφίους αναδόχους μετά την δημοσίευση του διαγωνισμού.

Παραθέτουμε τις παρακάτω διευκρινήσεις βάση των ερωτημάτων που υποβλήθηκαν από τους υποψηφίους αναδόχους μετά την δημοσίευση του διαγωνισμού. Παραθέτουμε τις παρακάτω διευκρινήσεις βάση των ερωτημάτων που υποβλήθηκαν από τους υποψηφίους αναδόχους μετά την δημοσίευση του διαγωνισμού. 1. Στην ενότητα Α1.2.4 (σελ. 20 της διακήρυξης) αναφέρεται

Διαβάστε περισσότερα

221 Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Πάτρας

221 Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Πάτρας 221 Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Πάτρας Το Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών ιδρύθηκε το 1967 ως το πρώτο Τμήμα της Πολυτεχνικής Σχολής. Ο αρχικός τίτλος του

Διαβάστε περισσότερα

Ενότητα 10 Γράφοι (ή Γραφήµατα)

Ενότητα 10 Γράφοι (ή Γραφήµατα) Ενότητα 10 Γράφοι (ή γραφήµατα) ΗΥ240 - Παναγιώτα Φατούρου 1 Γράφοι (ή Γραφήµατα) Ένας γράφος αποτελείται από ένα σύνολο από σηµεία (που λέγονται κόµβοι) και ένα σύνολο από γραµµές (που λέγονται ακµές)

Διαβάστε περισσότερα

Περιεχόμενο του μαθήματος

Περιεχόμενο του μαθήματος ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Απαιτήσεις Λογισμικού Περιπτώσεις χρήσης Δρ Βαγγελιώ Καβακλή Τμήμα Πολιτισμικής Τεχνολογίας και Επικοινωνίας Πανεπιστήμιο Αιγαίου Εαρινό Εξάμηνο 2012-2013 1 Περιεχόμενο του μαθήματος

Διαβάστε περισσότερα

Στρατηγική Επιλογή. Η Λογιστική Σουίτα ΙΙ αποτελείται από:

Στρατηγική Επιλογή. Η Λογιστική Σουίτα ΙΙ αποτελείται από: Στρατηγική Επιλογή Οι απαιτήσεις του συνεχώς μεταβαλλόμενου οικονομικού - φοροτεχνικού περιβάλλοντος σε συνδυασμό με τις αυξανόμενες ανάγκες πληροφόρησης των επιχειρήσεων, έχουν αυξήσει ραγδαία τον όγκο

Διαβάστε περισσότερα

Λειτουργικά Συστήματα Ι. Καθηγήτρια Παπαδάκη Αναστασία

Λειτουργικά Συστήματα Ι. Καθηγήτρια Παπαδάκη Αναστασία Λειτουργικά Συστήματα Ι Καθηγήτρια Παπαδάκη Αναστασία 2013 1 Ηλεκτρονικός Υπολογιστής αποτελείται: 1. Από Υλικό Hardware (CPUs, RAM, Δίσκοι), & 2. Λογισμικό - Software Και μπορεί να εκτελέσει διάφορες

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΕΣ ΣΧΕΔΙΑΣΗΣ ΔΙΑΔΙΚΤΥΑΚΟΥ ΤΟΠΟΥ (Web Site Design Technologies)

ΤΕΧΝΟΛΟΓΙΕΣ ΣΧΕΔΙΑΣΗΣ ΔΙΑΔΙΚΤΥΑΚΟΥ ΤΟΠΟΥ (Web Site Design Technologies) ΕΠΛ 012 ΤΕΧΝΟΛΟΓΙΕΣ ΣΧΕΔΙΑΣΗΣ ΔΙΑΔΙΚΤΥΑΚΟΥ ΤΟΠΟΥ (Web Site Design Technologies) Διδάσκων Καθηγητής: Δημήτριος Τσουμάκος Εαρινό Εξάμηνο 2010 Βασικές Πληροφορίες Πότε: Δευτέρα & Πέμπτη 10:30-12μμ Πού: ΧΩΔ01

Διαβάστε περισσότερα

1. ΓΕΝΙΚΟΙ ΚΑΝΟΝΕΣ ΚΑΙ ΠΡΟΥΠΟΘΕΣΕΙΣ ΛΗΨΗΣ ΠΤΥΧΙΟΥ

1. ΓΕΝΙΚΟΙ ΚΑΝΟΝΕΣ ΚΑΙ ΠΡΟΥΠΟΘΕΣΕΙΣ ΛΗΨΗΣ ΠΤΥΧΙΟΥ 1. ΓΕΝΙΚΟΙ ΚΑΝΟΝΕΣ ΚΑΙ ΠΡΟΥΠΟΘΕΣΕΙΣ ΛΗΨΗΣ ΠΤΥΧΙΟΥ Ισχύει ένα πρόγραμμα σπουδών από τον Οκτώβριο του 2013. Για να πάρει κάποιος πτυχίο από το 2014 κι έπειτα απαιτείται να πληροί όλους τους παρακάτω όρους:

Διαβάστε περισσότερα

Ανάκτηση Δεδομένων (Information Retrieval)

Ανάκτηση Δεδομένων (Information Retrieval) Ανάκτηση Δεδομένων (Information Retrieval) Παύλος Εφραιμίδης Βάσεις Δεδομένων Ανάκτηση Δεδομένων 1 Information Retrieval (1) Βάσεις Δεδομένων: Περιέχουν δομημένη πληροφορία: Πίνακες Ανάκτηση Πληροφορίας

Διαβάστε περισσότερα

ΤΕΙ ΗΠΕΙΡΟΥ Τμήμα Τηλεπληροφορικής & Διοίκησης

ΤΕΙ ΗΠΕΙΡΟΥ Τμήμα Τηλεπληροφορικής & Διοίκησης ΤΕΙ ΗΠΕΙΡΟΥ Τμήμα Τηλεπληροφορικής & Διοίκησης ΕΓΚΑΤΑΣΤΑΣΗ & ΠΑΡΑΜΕΤΡΟΠΟΙΗΣΗ INTERNET INFORMATION SERVER (IIS) ΓΙΑ ΥΛΟΠΟΙΗΣΗ ΥΠΗΡΕΣΙΩΝ ΔΙΑΔΙΚΤΥΟΥ (WEB SERVICES) ΣΠΟΥΔΑΣΤΡΙΑ:Μπάρδα Μαρία ΕΙΣΗΓΗΤΗΣ: Τσιαντής

Διαβάστε περισσότερα

Internet Τοπικό δίκτυο LAN Δίκτυο Ευρείας Περιοχής WAN Διαδίκτυο Πρόγραμμα Πλοήγησης φυλλομετρητής Πάροχοι Υπηρεσιών Internet URL HTML links

Internet Τοπικό δίκτυο LAN Δίκτυο Ευρείας Περιοχής WAN Διαδίκτυο Πρόγραμμα Πλοήγησης φυλλομετρητής Πάροχοι Υπηρεσιών Internet URL HTML links Internet Τοπικό δίκτυο (LAN Local Area Network): Δίκτυο όπου οι υπολογιστές βρίσκονται κοντά μεταξύ τους (μία εταιρία ή στην ίδια αίθουσα). Δίκτυο Ευρείας Περιοχής (WAN Wide Area Network) Δίκτυο όπου οι

Διαβάστε περισσότερα

Τι είναι ένα σύστημα διαχείρισης περιεχομένου; δυναμικό περιεχόμενο

Τι είναι ένα σύστημα διαχείρισης περιεχομένου; δυναμικό περιεχόμενο Τι είναι ένα σύστημα διαχείρισης περιεχομένου; Παρά την μεγάλη εξάπλωση του διαδικτύου και τον ολοένα αυξανόμενο αριθμό ιστοσελίδων, πολλές εταιρείες ή χρήστες δεν είναι εξοικειωμένοι με την τεχνολογία

Διαβάστε περισσότερα

1. ΑΡΧΕΣ ΛΕΙΤΟΥΡΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ

1. ΑΡΧΕΣ ΛΕΙΤΟΥΡΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ 12 Σχεδιασμός Ανάπτυξη Λειτουργία Π.Σ. 1. ΑΡΧΕΣ ΛΕΙΤΟΥΡΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ 1.1 Δυνατότητες Λειτουργικών Συστημάτων 1.1.1 Εισαγωγή Ο όρος Λειτουργικό Σύστημα (Operating System), εκφράζει το σύνολο των προγραμμάτων

Διαβάστε περισσότερα

To λεξικό του Internet

To λεξικό του Internet To λεξικό του Internet A Address: Ο τόπος που βρίσκεται μια πηγή του Internet. Μια e-mail address μπορεί να έχει την εξής μορφή : georgepapado@hotmail.com. Μια web address είναι κάπως έτσι: http://www.in.gr.

Διαβάστε περισσότερα

Η νέα Πύλη etwinning. Εργαλεία για την κοινωνική δικτύωση και την επικοινωνία των εκπαιδευτικών. Εργαλεία διαχείρισης ενός έργου etwinning

Η νέα Πύλη etwinning. Εργαλεία για την κοινωνική δικτύωση και την επικοινωνία των εκπαιδευτικών. Εργαλεία διαχείρισης ενός έργου etwinning Η νέα Πύλη etwinning Εργαλεία για την κοινωνική δικτύωση και την επικοινωνία των εκπαιδευτικών Εργαλεία διαχείρισης ενός έργου etwinning ΝΕΑ ΠΥΛΗ ETWINNING...3 ΒΗΜΑΤΑ ΓΙΑ ΤΗ ΣΥΜΜΕΤΟΧΗ ΣΤΗ ΔΡΑΣΗ...4 ΕΓΓΡΑΦΗ

Διαβάστε περισσότερα

Ελαχιστοποίηση της Καταναλισκόμενης Ενέργειας σε Φορητές Συσκευές

Ελαχιστοποίηση της Καταναλισκόμενης Ενέργειας σε Φορητές Συσκευές Ελαχιστοποίηση της Καταναλισκόμενης Ενέργειας σε Φορητές Συσκευές Βασίλης Βλάχος vbill@aueb.gr Υποψήφιος Διδάκτορας Τμήματος Διοικητικής Επιστήμης και Τεχνολογίας 1 Σχεδιασμός ενσωματωμένων συστημάτων

Διαβάστε περισσότερα