Репродукција комплексних трајекторија мобилног робота на бази биолошки инспирисаних алгоритама
|
|
- Σταματία Δοξαράς
- 6 χρόνια πριν
- Προβολές:
Transcript
1
2 ТЕХНИЧКО РЕШЕЊЕ: Нова метода (М 85) Репродукција комплексних трајекторија мобилног робота на бази биолошки инспирисаних алгоритама Марко Митић 1, Најдан Вуковић 2, Милица Петровић 3, Јелена Петронијевић 4, Зоран Миљковић 5, Иван Б. Лазаревић 6 1. ОБЛАСТ НА КОЈУ СЕ ТЕХНИЧКО РЕШЕЊЕ ОДНОСИ Техничко решење припада области машинства и директно се односи на решавање проблема управљања интелигентног мобилног робота применом емпиријске управљачке теорије на бази биолошки инспирисаних алгоритама оптимизације и машинског учења демонстрацијом, и може се уврстити у напредне производне технологије. Нова метода представља решење проблема машинског учења и репродукције комплексних трајекторија нехолономног мобилног робота. Имплементирана су три независна метахеуристичка алгоритма теорије ројева: () алгоритам оптимизације колонијом свитаца (енгл. Frefly Algorthm-FA), () алгоритам оптимизације ројем честица (енгл. Partcle Swarm Optmzaton-PSO), и () алгоритам оптимизације колонијом слепих мишева (енгл. Bat Algorthm-BA). Управљачке команде мобилног робота за репродукцију више трајекторија жељеног облика меморисане су у модулу демонстрација, док модул машинског учења подразумева имплементацију поменутих метода оптимизације у циљу одређивања оптималне трајекторија робота. Експериментални резултати су показали да алгоритам оптимизације колонијом свитаца представља најбоље решење поменутог проблема, као и да се сви наведени биолошки инспирисани алгоритми могу успешно користити за учење и репродукцију различитих комплексних трајекторија. 2. ТЕХНИЧКИ ПРОБЛЕМ Репродукција трајекторије жељеног облика је од посебне важности посматрано са аспекта успешне реализације унутрашњег транспорта материјала у технолошком окружењу 21. века [1]. Популарно решење је примена концепта учења демонстрацијом у коме учитељ (човек или други робот) указује на модел успешног понашања робота. Другим речима, жељене трајекторије робота се најпре демонстрирају од стране оператора (човека-демонстратора), а затим се испитује валидност забележених управљачких команди. С обзиром на различите нелинеарности које постоје приликом управљања роботских система (од несавршености израде појединих компонената до неодређености услед поремећаја и грешака у подсистемима робота), неопходно је извршити оптимизацију ових управљачких величина. У циљу одређивања оптималне трајекторије робота у окружењу, развијен је биолошки инспирисан алгоритам оптимизације који припада научној области теорије ројева (енгл. Swarm ntellgence) [2]. Нови интелигентни систем управљања на бази метахеуристичког алгоритма тестиран је за више различитих трајекторија, а резултати указују да се наведени биолошки инспирисани алгоритми могу успешно користити у домену машинског учења и репродукције сложеног понашања мобилног робота. На самом почетку извештаја представљене су теоријске основе проблема. У трећем поглављу, описан је развијени емпиријски управљачки систем на бази метахеуристичких алгоритама за решавање проблема репродукције комплексних трајекторија мобилног робота. Суштина техничког решења представљена је у четвртом делу извештаја. На крају извештаја дата је експериментална верификација предложеног управљачког система, као и правци даљих истраживања која ће се спроводити у оквиру актуелног пројекта технолошког развоја под називом Иновативни приступ у примени интелигентних технолошких система за производњу делова од лима заснован на еколошким принципима (евиденциони број ТР-35004). 1 Истраживач сарадник, Универзитет у Београду-Машински факултет, mmtc@mas.bg.ac.rs 2 Научни сарадник, Иновациони центар Машинског факултета у Београду, nvukovc@mas.bg.ac.rs 3 Асистент, Универзитет у Београду-Машински факултет, mmpetrovc@mas.bg.ac.rs 4 Асистент, Универзитет у Београду-Машински факултет, jpetronjevc@mas.bg.ac.rs 5 Редовни професор, Универзитет у Београду-Машински факултет, zmljkovc@mas.bg.ac.rs 6 Истраживач сарадник, ECOLAB Hygene, д.о.о., Београд, atlant@ptt.rs 1
3 Теоријске поставке биолошки инспирисаних алгоритама оптимизације и парадигме машинског учења демонстрацијом У општем случају, теорија ројева представља скупа математичко-алгоритамских процедура које се базирају на колективној интелигенцији скупа појединачних јединки [3,4]. Циљ различитих техника ове теорије је проналажење оптималног решења изабраног проблема. Алгоритми на бази ројева су најчешће инспирисани социјалним понашањем јединки јата риба, птица, мрава и др. У већини приступа колективно деловање роја зависи од свих чланова, с тим да се фаворизује понашање које је глобално најповољније. Другим речима, свака јединка добија информације од својих суседа о ваљаности својих акција, док је истовремено будуће напредовање засновано на претходним сазнањима целокупног роја. Овакав приступ у оптимизацији омогућава еволутивно (итеративно) напредовање свих чланова скупа, с тим да су перформансе алгоритма оцењене према науспешнијим јединкама. Метахеуристички алгоритам имплементиран у оквиру хибридног система управљања базира се на понашању свитаца у колонији. Алгоритам оптимизације колонијом свитаца развио је професор Јанг (Yang) са Униврзитета Кембриџ у Великој Британији године [5,6]. Инспирисан комуникацијом између јединки у роју током процеса груписања ради проналажења хране и парања. Светлост коју емитију свици уједно представља и упозорење у случају настанка опасности односно присуства предатора. Познато је да је јачина светлости два извора обрнуто пропорционална 2 квадрату растојању између њих ( I 1 r ), што представља погодну чињеницу при разматрању математичког описа ове појаве. Истовремено, апсорбција светлости у ваздуху се не може занемарити при одређивању јачине сигнала успостављене између два емитера светлости, односно два члана исте колоније. На основу овога може се извести израз за јачину светлости у зависности од растојања између два извора светлости: 0 2 γr I r I e (1) где је: r поменуто растојање, I 0 почетна јачина светлости коју емитију два извора светлости, γ коефицијент апсорбције ваздуха. Како би се ова релација повезала са понашањем колоније свитаца, неопходно је увести следеће претпоставке: Сви елементи колоније се понашају исто, без обзира на пол и године старости. Привлачност (енгл. Attractvеness) између две јединке је директно пропорционална јачини светлости коју оне емитују, а обрнуто пропорционална растојању између њих. Члан колоније који емитује мању количину светлости се креће ка јединки која је већи емитер, а у случају непостојања јаче светлости свитац се креће у произвољном правцу (енгл. Random). Јачина светлости појединачне јединке колоније зависи од проблема оптимизације; нпр. у случају оптимизације нелинеарне функције, величина I је пропорционална тродимензионалном облику те нелинеарности. На основу ових претпоставки сада је могуће усвојити израз за параметар привлачности појединачних елемената колоније. Аналогно са једначином (1), привлачности свитаца је одређена релацијом: 2 γr e ββ 0, (2) која се за одређену класу проблема може апроксимирати помоћу [6]: β. (3) 0 β 1 γr 2 Растојање између две јединке одређено је помоћу Еуклидске норме преко: 2
4 2,, j j k j k k1 d r x x x x, (4) x и x jk, представљају k-ту просторну координату -тог и j-тог члана колоније, респективно. У где k, случају дводимензионалног простора. растојање r j се израчунава као: 2 2 r x x y y. (5) j j j Коначно, може се формирати израз за промену положаја -тог свица у правцу пораста јачине светлости (у правцу јединке j): 2 γr x x β e αε, (6) o где α представља фактор случајности (усваја се из интервала 0 1 и може се експоненцијално смањивати у току процеса оптимизације), ε случајни број (енгл. Random) одабран према Гаусовој или униформној расподели. У најједноставнијем случају, параметар ε се може заменити једначином: ε random 0,1 0, 5. (7) Псеудокод алгоритма оптимизације колонијом свитаца дат је у табели 1. Табела 1. Псеудокод алгоритма оптимизације колонијом свитаца 1. Иницијализација броја чланова колоније свитаца, почетне јачине светлости сваког члана ( I ), и коефицијента апсорбције γ 2. Почетак итеративног поступка (whle max_num_teraton): 3. За сваку јединку у колонији - спољашња петља (for each frefly_): 4. За сваку јединку у колонији - унутрашња петља (for each frefly_j): 5. Израчунати растојање између свих јединки r j 6. Ако је I Ij, израчунати привлачност β према изразу (7.8) и променити положај свица у правцу свица ј 7. Одредити нову вредности параметара α 8. Затварање унутрашње петље (end_for_) 9. Затварање спољашње петље (end_for_ј) 10. Одређивање најбољег резултата целокупне колоније (end_whle) 11. Меморисање оптималног резултата (највеће вредности јачине светлости) и оцена перформанси алгоритма Оптимизација ројем честица припада тзв. популизационим техникама (енгл. Populaton algorthms) вештачке интелигенције код којих се јединке крећу кроз простор могућих решења у потрази за глобалним оптимумом [3,7]. Сваком члану роја неопходно је придружити информацију о n његовој брзини и положају у хиперпростору. Истовремено, јединке памте и два параметра који описују деловање групе: () своје најбоље решење, и () најбоље решење свих честица (глобално најбоље решење). Како би се убрзала конвергенција ка оптималном решењу, у неким случајевима се информација о глобално најповољнијем понашању замењује најбољим деловањем n честица у околини разматране јединке. Другим речима, најпре је неопходно одредити суседне чланове посматране честице, а затим израчунати најбоље решење те групе. Предност оваквог модификованог 3
5 приступа оптимизацији је смањење вероватноће уласка у локални оптимум, док недостатак представља значајно повећање времена конвергенције. Као што је наговештено, јединка одређује свој наредни положај у простору решења на основу свог тренутног положаја и тренутне брзине. Вредност брзине зависи од тренутног положаја јединке, најбољег положаја јединке до тог тренутка, као и (глобално) најбољег положаја свих чланова роја. Јасно је да будуће понашање посматраног члана зависи од његових когнитивних способности, као и од деловања целог роја. Битан елемент овог алгоритма је и фактор интуиције јединки, који је математички моделиран увођењем случајних бројева из интервала 0 1. Овај параметар омогућава прескакање локалих оптимума и бржу претрагу простора положај и брзина појединачног члана дефинисани су следећим релацијама: где је: x () n ( ) () ( ) n1 n n1 n R. Наредни x x v (8) best ( ) ( ) ( ) ( ) ( ) n 1 n n 1 1 n 2 2 best n v w v c r p x c r g x (9) тренутни положај -те јединке, () n 1 x наредни положај -те јединке, g глобално најбољи положај (свих) јединки, v () best p најбољи положај -те јединке, best t тренутна брзина -те јединке, n 1 наредна брзина -те јединке, w n параметар инерције (усваја се из интеравала 0,9 1,2 ), r 1 и r 2 случајно изабрани бројеви из интервала 0 1, c 1 и c 2 коефицијенти самоспознаје честице и глобалне важности, следствено (усвајају се из интервала 1,8 2,2 ). Псеудокод овог оптимизационог алгоритма дат је у табели 2 [7]. () v Табела 2. Псеудокод алгоритма оптимизације ројем честица 1. Иницијализација параметара c 1, c 2, r 1, r 2, 2. Одабир положаја () n x и брзине v () n w n за n јединки 3. Одређивање глобално најбољег решења g best 4. Почетак итеративног поступка (whle max_num_teraton): 5. За сваку појединачну јединку у роју (for each partcle): 6. Израчунавање брзине честице према изразу (9) 7. Израчунавање положаја честице према изразу (8) 8. Одређивање најбољег положаја за сваку од честица (end_for) 9. Одређивање глобално најбољег положаја (end_whle) 10. Меморисање најбољег резултата и оцена перформанси алгоритма Алгоритам оптимизације колонијом слепих мишева развијен је година [8]. Основна идеја се базира на подешавању фреквенције ехолокације сваке појединачне јединке у роју. Као и у случају алгоритма оптимизације ројем честица, најпре је неопходно одредити тренутну позицију и брзину индивидуе: f f ( f f ) mn max mn v v ( x x ) f (10) t t 1 t 1 x x v t t1 t 4
6 где је: f фреквенција, случајна променљива по Гаусу, претходни положај -те јединке, t t x v тренутна брзина -те јединке, тренутни положај -те јединке, јединке, x глобално најбоље решење. На крају, нова позиција јединке рачуна се преко: x x A new v t1 t1 x претходна брзина -те t old (11) где је: случајна променљива из опсега 1 1, а A параметар звучности. Псеудокод овог алгоритма дат је у табели 3 [8]. Табела 3. Псеудокод алгоритма оптимизације колонијом слепих мишева 1. Иницијализација параметара f, А, r 2. Одабир положаја x и брзине v за n јединки 3. Почетак итеративног поступка (whle max_num_teraton): 4. Одреди нова решења према једначини (10) 5. Ако важи услов rand > 0.5 (f rand > r ) 6. Одреди најбоље решење према (11) 7. Крај услова (end_f) 8. Ако важе услови rand < A и f (x) < f (x*) (f услов) 9. Усвоји нова решења, повећај r и смањи A 10. Крај услова (end_f) 11. Рангирај решења и нажи тренутно глобално најбоље x* 12. Завршетак свих итерација (end_whle) 13. Меморисање најбољег резултата и оцена перформанси алгоритма У општем случају разликујемо три модула машинског учења демонстрацијом: модул демонстрација (енгл. Demonstraton Module), модул машинског учења (енгл. Learnng Module), и модул научених (оптималних) акција (енгл. Drve Modul) интелигентног агента. Модул демонстрација подразумева запис сензорских вредности неопходних за успешно извршавање постављеног задатка. Роботски систем у овом модулу меморише сензорске информације и извршава њима одговарајуће унапред дефинисане акције. Модул машинског учења подразумева процес нелинераног пресликавања скупа улазних података (очитавања са спољашњих и/или унутрашњих сензора) у скуп излазних података (скуп акција робота). Овај модел у описаном техничком решењу представља метахеуристички алгоритам оптимизације колонијом свитаца. Модул научених акција обухвата извршавање сваке од акција и израчунавање грешке са аспекта успешности нелинеарног пресликавања скупова дефинисаних у претходном модулу. Скуп акција са најмањом израчунатом грешком представљаће скуп оптималних акција при извршавању разматраног задатка. Детаљније о машинском учењу демонстрацијом могуће је видети у [9]. 3. ПОСТОЈЕЋЕ СТАЊЕ У СВЕТУ Теорија ројева (енгл. Swarm ntellgence) у домену мобилне роботике се најчешће примењује за решавање проблема навигације. Један од првих алгоритама у овој области користи технику оптимизације колонијом мрава (енгл. Ant colony оptmzaton) у циљу планирања оптималне путање у окружењу [10]. Иста метода имплементирана је у хибридни управљачки алгоритам како би се одредило глобално и локално решење поменутог проблема [11]. Истраживање представљено у [12] показало је да је ову технику оптимизације могуће користити и за генерисање оптималних фази управљачких система. Комбиновањем система вештачких неуронских мрежа и методе оптимизације роја честица (енгл. Partcle swarm optmzaton) развијен је алгоритам навигације нехолономног мобилног робота у статичком окружењу [13]. Новoм хибрдинoм еволуционом техником на бази роја 5
7 честица извршена је оптимизација фази система ради управљањa мобилног робота у реалном времену [14]. Генетички алгоритми (енгл. Genetc algorthms) су такође заступљени у области когнитивне роботике, и најчешће су коришћени за планирање путање [15], навигацију [16], и/или локализацију мобилног робота [17]. Међутим, у стручној и научној литератури из ове области постоји несигнификантан број приказа нових биолошки инспирисаних алгоритма при управљању роботских система [18]. У оквиру овог техничког решења представљен је развијени хибридни управљачки систем мобилног робота који се заснива на искуству и новим методама оптимизације [18]. 4. СУШТИНА ТЕХНИЧКОГ РЕШЕЊА Репродукција жељене трајекторије мобилног робота решена је применом машинског учења демонстрацијом и биолошки инспирисаних алгоритама оптимизације. Три независна модула учења демонстрацијом имплементирана су у оквиру схеме управљања мобилног робота. Модул демонстрација и модул научених акција дефинисани су на исти начин као и код хибридног система управљања који је детаљно описан у техничком решењу [2, 19]. У модулу машинског учења, проблем прескликавања улазног у излазни домен трансформисан је у проблем оптимизације. Познато је да се мобилни робот најчешће понаша другачије у различитим итерацијама са истим вредностима управљања. Ова појава је последица несавршености механичких подсистема мобилног робота, као и реалних услова у техничком окружењу (утицај подлоге, немерљивих поремећаја, итд.). У циљу елиминације ових неповољности, описани биолошки инспирисани алгоритми су имплементирани у хибридни систем управљања односно у модул учења. Вредности команди актуаторима су модификоване тако да подлежу Гаусовој и/или униформној расподели са различитим вредностима варијанси. Овако усвојена управљања су затим тестирана на мобилном роботу у реалном окружењу како би се потврдила чињеница да једној вредности разлике положаја објекта одговарају различите вредности управљачких команди. Оптимизација помоћу биолошки инспирисаног алгоритма подразумева проналажење секвенце управљачких команди која проузрокују минималну грешку на крају кретања (у последњем положају) мобилног робота. Навигација робота у технолошком окружењу у оквиру овог техничког решења односи се на репродукцију трајекторије жељеног облика. Као што је речено, несавршености актуатора робота и услови у технолошком окружењу имају велики утицај на реализацију жељеног понашања робота. У циљу превазилажења ових проблема при управљању робота, оптимална трајекторија је одређена применом концепта машинског учења демонстрацијом и биолошки инспирисаних алгоритама оптимизације. Модул демонстрација обухвата скуп трајекторија неопходних за израчунавање оптималног кретања робота. Трајекторије су генерисане управљањем мобилног робота у технолошком окружењу помоћу команди које подлежу Гаусовој и/или униформној расподели. Након меморисања управљачких величина у овом модулу, започиње процес учења применом алгоритма оптимизације. Перформансу циља оптимизације представља минимална грешка у позицији и оријентацији робота у крајњем положају. Модул научених акција подразумева поступак тестирања кретања мобилног робота, користећи команде које су добијене алгоритмом оптимизације. Перформансе робота оцењене су на основу успешности репродуковања жељене трајекторије у статичком окружењу. 5. ПРИКАЗ РЕЗУЛТАТА ПРИМЕНЕ У оквиру овог дела техничког решења приказани су резултати експеримента интелигентног управљања мобилног робота у домену репродукције комплексних трајекторија. Такође, извршено је и поређење биолошки инспирисаних алгоритама за различит број јединки у роју [18]. Прва фаза ескперимента обухвата прикупљање управљачких команди за скуп са различитим бројем трајекторија жељеног облика. Управљања су одређења тако да подлежу Гаусовој и униформој расподели са варијансом од 10. Ове управљачке команде су дате на слици 1, где је уочљива разлика између њих при реализацији трајекторије идентичног жељеног облика [18]. Слика 2 приказује жељене трајекторије које су настале имплементацијом управљачких команди датих на слици 1. Kaрактеристике ових трајекторија, као и почетни и жељени положај робота, представљене су у табели 4. 6
8 (а) (б) Слика 1. Управљачке команде левог (горе) и десног (доле) точка: (а) трајекторија Т1, (б) трајекторија Т2. Итерација управљања је дата на x-оси, а вредност управљања на y-оси. (а) (б) Слика 2. Демонстрације трајекторија за репродукцију: (а) трајекторија Т1, (б) трајекторија Т2. 7
9 Табела 4. Карактеристике трајекторија за репродукцију Трајекторија Почетни положај Т1 x 0 y 0 θ 0 Жељени положај θ T T Укупан бр. управљачких команди x y 83 Т2 θ T x y 123 T Стандардна девијација σ За циљ оптимизације усвојен је критеријум најмање грешке на крају кретања мобилног робота. Основни параметри алгоритама усвојени су према препорученим вредностима. Параметри FA усвојени су на следећи начин: α = 0.2, γ 0.97, β0 1. PSO има 0.2, док је за BA усвојено да важи Ar 0.5. За све алгоритме важи да је број јединки 30 и максималан број итерација У табели 5, табели 6 и табели 7 дати су компаративни резултати за обе трајекторије [18]. Као критеријум оцене перформанси алгоритма усвојен је корен средње квадратне грешке у положају мобилног робот у последњој итерацији: 10 1 n des n 1 RMSE p p 2 (12) где је: p [ x y ] T остварени, а p [ x y ] T жељени положај робота. des Табела 5. Перформансе биолошки инспирисаних алгоритама оптимизације са 5 јединки у колонији Трајекторија PSO BA FA des Т1 Т2 RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= Табела 6. Перформансе биолошки инспирисаних алгоритама оптимизације са 15 јединки у колонији Трајекторија PSO BA FA Т1 Т2 RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std=
10 Табела 7. Перформансе биолошки инспирисаних алгоритама оптимизације са 30 јединки у колонији Трајекторија PSO BA FA Т1 Т2 RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= RMSE_best = RMSE_worst = RMSE_average = Medan= Std= Резултати приказани у табели 5, табели 6 и табели 7 недвосмислено указују на то да је алгоритам оптимизације колонијом свитаца (FA) најбоље решење. Независно од величине колоније, FA је проузроковао минималну RMSE грешку у последњем положају мобилног робота [18]. Истовремено, статистичке величине медијана и стандардна девијација укузују да FA представља оптимално решење за дати проблем. С обзиром на ове чињенице, FA је имплементиран за репродукцију трајекторија датих у табели 4. На слици 3 приказани су резултати репродукције жељених трајекторија. База мобилног робота и његова оријентација, у свакој итерацији, означене су плавом и црвеном бојом, респективно. Уочљиво је да робот успешно репродукује жељену трајекторију, што је директна последица успешног учења управљачких команди на бази FA алгоритма. Финални положај мобилног робота одговара жељеном положају чиме се потврђује робустност развијеног интелигентног система са становишта управљања у условима постојања мерљивих и немерљивих поремећаја [18]. (а) (б) Слика 3. Резултати алгоритма оптимизације колонијом свитаца приликом репродукције различитих трајекторија: (а) трајекторија Т1, (б) трајекторија Т2. 9
11 6. ЗАКЉУЧАК Техничко решење (нова метода) се односи на решавање проблема управљања интелигентног мобилног робота применом емпиријске управљачке теорије на бази биолошки инспирисаних алгоритама оптимизације и машинског учења демонстрацијом. Развијена су три различита приступа поступку оптимизације: () алгоритам оптимизације колонијом свитаца (енгл. Frefly Algorthm-FA), () алгоритам оптимизације ројем честица (енгл. Partcle Swarm Optmzaton-PSO), и () алгоритам оптимизације колонијом слепих мишева (енгл. Bat Algorthm-BA). Ови алгоритми имплементирани су у оквиру машинског учења демонстрацијом у циљу решавања проблема управљања мобилног робота приликом репродукције жељене трајекторије [18]. Управљачке команде мобилног робота за реализацију више различитих трајекторија жељеног облика меморисане су у модулу демонстрација. Управљања су дефинисана тако да подлежу Гаусовој и униформној расподели са вредношћу варијансе од σ 10. Метода оптимизације је затим искоришћена како би се одредила оптимална трајекторија робота у модулу машинског учења. Циљ оптимизације представља генерисање оптималне секвенце управљачких команди, тако да грешка позиције и оријентације мобилног робота, на крају кретања, буде минимална. Поређењем наведених алгоритама закључује се да FA метода даје најбоље резултате (табела 5, табела 6 и табела 7). Резултати су потврдили и то да мобилни робот репродукује оптималну трајекторију у реалном времену (слика 3), односно да се алгоритам оптимизације може успешно корисити ради одређивања оптималног понашања робота [18]. Наставак развоја интелигентног емпиријског управљачког система у окиру планираних активности актуелног пројекта технолошког развоја (евид. бр. ТР35004) обухватаће следеће правце: Имплементацију биолошки инспирисаних алгоритама базираних на хаотичним мапама [20,21,22] у домену машинског учења и репродукције жељене трајекторије мобилног робота. Поређење и упоредну анализу других метахеуристичких метода оптимизације у оквиру емпиријског управљања мобилног робота. Анализу могућности имплементације биолошки инспирисаних алгоритама при оптимизацији функција припадности (енгл. Membershp functons) фази управљачког система интелигентног мобилног робота. ЛИТЕРАТУРА [1] Russel, S., Norvg, P., Artffcal ntelgence: a modern approach, 3 rd Edton, Prentce Hall, [2] Митић, М., Миљковић, З., Вуковић, Н., Лазаревић, И., Праћење жељене трајекторије и визуелно навођење мобилног робота у технолошком окружењу на бази биолошки инспирисаног метахеуристичког алгоритма (нова метода развијана у пројекту ТР МПНиТР Владе Републике Србије), [3] Kennedy, J. F., Kennedy, J., Eberhart, R. C., Swarm ntellgence, Morgan Kaufmann, [4] Kochenberger, G. A. (Ed.)., Handbook n Metaheurstcs, Sprnger, [5] Yang, X. S., Frefly algorthms for multmodal optmzaton. In: Stochastc algorthms: foundatons and applcatons, Sprnger Berln Hedelberg, pp , [6] Yang, X. S., Nature-nspred metaheurstc algorthms, 2 nd Edton, Lunver Press, [7] Bonabeau, E., Dorgo, M., Theraulaz, G., Swarm ntellgence: from natural to artfcal systems (Vol. 4), New York: Oxford Unversty press, [8] Yang, X. S., A new metaheurstc bat-nspred algorthm, Nature nspred cooperatve strateges for optmzaton (NICSO 2010), pp , [9] Argall B., Chernova S., Veloso M., Brownng, B., A survey of robot learnng from demonstraton, Robotcs and Autonomous Systems, Vol. 57, No. 5, pp , [10] Fan, X., Luo, X., Y, S., Yang, S., Zhang, H., Optmal path plannng for moble robots based on ntensfed ant colony optmzaton algorthm, In: Robotcs, Intellgent Systems and Sgnal Processng, Vol. 1, pp , [11] Me, H., Tan, Y., Zu, L., A hybrd ant colony optmzaton algorthm for path plannng of robot n dynamc envronment, Internatonal Journal of Informaton Technology, Vol. 12, No. 3, pp ,
12 [12] Garca, M. A., Montel, O., Castllo, O., Sepúlveda, R., Meln, P., Path plannng for autonomous moble robot navgaton wth ant colony optmzaton and fuzzy cost functon evaluaton, Appled Soft Computng, Vol. 9, No. 3, , [13] L, Y., Chen, X., Moble robot navgaton usng partcle swarm optmzaton and adaptve NN, In: Advances n Natural Computaton, pp , Sprnger Berln Hedelberg, [14] Juang, C. F., Chang, Y. C., Evolutonary-group-based partcle-swarm-optmzed fuzzy controller wth applcaton to moble-robot navgaton n unknown envronments, IEEE Transactons on Fuzzy Systems, Vol. 19, No. 2, , [15] Han, W. G., Baek, S. M., Kuc, T. Y., Genetc algorthm based path plannng and dynamc obstacle avodance of moble robots, In: IEEE Internatonal Conference on Computatonal Cybernetcs and Smulaton, Vol. 3, pp , [16] Ram, A., Boone, G., Arkn, R., Pearce, M., Usng genetc algorthms to learn reactve control parameters for autonomous robotc navgaton, Adaptve Behavor, Vol. 2, No. 3, , [17] Moreno, L., Armngol, J. M., Garrdo, S., De La Escalera, A., Salchs, M. A., A genetc algorthm for moble robot localzaton usng ultrasonc sensors, Journal of Intellgent and Robotc Systems, Vol. 34, No. 2, , [18] Mtć, M., Mljkovć, Z., Bo-nspred Approach to Learnng Robot Moton Trajectores and Vsual Control Commands, Journal Expert Systems wth Applcatons (ISSN ), Vol. 42 Issue: 5, pp , Elsever, 1 Aprl 2015; (Avalable onlne: 13 November 2014 as DOI: /j.eswa (Scence Ctaton Index-Web of Scence IF = 1,965 (2013) М21; извор KoBSON) [19] Митић, М., Миљковић, З., Вуковић, Н., Бабић, Б., Емпиријско управљање интелигентног мобилног робота на бази машинског учења демонстрацијом и хомографије добијене од некалибрисане камере (нова метода развијана у пројекту ТР МПНиТР Владе Републике Србије), [20] Coelho, L, Maran, V. C., Use of chaotc sequences n a bologcally nspred algorthm for engneerng desgn optmzaton, Expert Systems wth Applcatons, Vol. 34, pp , [21] Gandom, A. H., Yang, X. S., Talatahar, S., Alav, A. H., Frefly algorthm wth chaos, Communcatons n Nonlnear Scence and Numercal Smulaton, Vol. 18, pp , [22] Петровић, М., Митић, М., Вуковић, Н., Миљковић, З., Оптимизација флексибилних технолошких процеса применом алгоритма базираног на интелигенцији роја и теорији хаоса, 39. ЈУПИТЕР Конференција, 35. симпозијум НУ-РОБОТИ-ФТС, Зборник радова, CD, стр , Београд, 28. октобар
13
14
15
16
17 YHV1BEP3V1TET Y 6EOrPAAY - MAWV1HCKV1 <l>akyntet - 6POJ: 3127/3,QATYM: Ha OCHOBY3aXTeBa 8P 60jaHa 6a6~na, penosaor nporpecopa Maumacxor daxyrrrera YH~Bep3~TeTa Y Eeorpany, 6p. 3127/1 OA roa~he ~ 4Il. 63. CTaTYTa Maurnucxor rpaxyrrrera. HaCTaBHO-HaY4HO Bene MaW~HCKor cpakyilteta Ha ceah~~~ OA roa~he, AOHeIlO je cnenehy O,QnYKY [lpaxaara ce TexH~4Ko peurejse (M85) noa HaCIlOBOM: "PEnpO.QYKLt~JA KOMnnEKCH~X TPAJEKTOP~JA M05~nHOr P050TA HA 5A3~ 5~OnOWK~ ~HCn~p~CAH~X AnrOP~TAMA" 4~j~ cy ayropu: AP Mapxo M~T~n, ~CTpa)f(~Ba4 capanaa«, AP Hajaa«BYKoB~n, HaY4H~ capaaaax, ac~ct. M~Il~~a Ilerpoeah, A~nIl.~H)f(.Maw., ac~ct. Jeneaa Flerpoaujeaah, A~nIl.~H)f(.Maw., nporp. AP 30paH M~JbKOB~n ~ Mp V1BaHJlaaapeaah, A~nIl.~H)f(.Maw. OAIlYKY AOCTaB~TW M~H~cTapcTBY npocsere, HaYKe ~ TeXHOIlOWKor passoja PC, peueasearava ~ apxasa oasyrrrera paaa eb~aeh~~je.. ~~.". P--,QEKAH I~;.:: (-.' --:~\ ~WV1HCKor <l>.q::ynteta (.-r.' \."~ \.\'_r: ".. ',j ",j-;-.-, :-... :J ~'. \. \,),.~> "---:' rtpbtp.!ap M~IlopaA M~IloBaH4eB~n '" I,. I,y. -> ~ "'".- J,.._ /".r//zl'.),' --7 -," /', - - <,,
Праћење жељене трајекторије и визуелно навођење мобилног робота у технолошком окружењу на бази биолошки инспирисаног метахеуристичког алгоритма
ТЕХНИЧКО РЕШЕЊЕ: Нова метода (М 85) Праћење жељене трајекторије и визуелно навођење мобилног робота у технолошком окружењу на бази биолошки инспирисаног метахеуристичког алгоритма Марко Митић 1, Зоран
Διαβάστε περισσότεραПредмет: Задатак 4: Слика 1.0
Лист/листова: 1/1 Задатак 4: Задатак 4.1.1. Слика 1.0 x 1 = x 0 + x x = v x t v x = v cos θ y 1 = y 0 + y y = v y t v y = v sin θ θ 1 = θ 0 + θ θ = ω t θ 1 = θ 0 + ω t x 1 = x 0 + v cos θ t y 1 = y 0 +
Διαβάστε περισσότεραналазе се у диелектрику, релативне диелектричне константе ε r = 2, на међусобном растојању 2 a ( a =1cm
1 Два тачкаста наелектрисања 1 400 p и 100p налазе се у диелектрику релативне диелектричне константе ε на међусобном растојању ( 1cm ) као на слици 1 Одредити силу на наелектрисање 3 100p када се оно нађе:
Διαβάστε περισσότεραЕмпиријскo управљање интелигентног мобилног робота на бази машинског учења демонстрацијом и хомографије добијене од некалибрисане камере
ТЕХНИЧКО РЕШЕЊЕ: Нова метода (М 85) Емпиријскo управљање интелигентног мобилног робота на бази машинског учења демонстрацијом и хомографије добијене од некалибрисане камере Марко Митић 1, Зоран Миљковић
Διαβάστε περισσότερα2. Наставни колоквијум Задаци за вежбање ОЈЛЕРОВА МЕТОДА
. колоквијум. Наставни колоквијум Задаци за вежбање У свим задацима се приликом рачунања добија само по једна вредност. Одступање појединачне вредности од тачне вредности је апсолутна грешка. Вредност
Διαβάστε περισσότεραПрви корак у дефинисању случајне променљиве је. дефинисање и исписивање свих могућих eлементарних догађаја.
СЛУЧАЈНА ПРОМЕНЉИВА Једнодимензионална случајна променљива X је пресликавање у коме се сваки елементарни догађај из простора елементарних догађаја S пресликава у вредност са бројне праве Први корак у дефинисању
Διαβάστε περισσότεραТеорија електричних кола
др Милка Потребић, ванредни професор, Теорија електричних кола, вежбе, Универзитет у Београду Електротехнички факултет, 7. Теорија електричних кола i i i Милка Потребић др Милка Потребић, ванредни професор,
Διαβάστε περισσότεραTестирање хипотеза. 5.час. 30. март Боjана Тодић Статистички софтвер март / 10
Tестирање хипотеза 5.час 30. март 2016. Боjана Тодић Статистички софтвер 2 30. март 2016. 1 / 10 Монте Карло тест Монте Карло методе су методе код коjих се употребљаваjу низови случаjних броjева за извршење
Διαβάστε περισσότεραпредмет МЕХАНИКА 1 Студијски програми ИНДУСТРИЈСКО ИНЖЕЊЕРСТВО ДРУМСКИ САОБРАЋАЈ II ПРЕДАВАЊЕ УСЛОВИ РАВНОТЕЖЕ СИСТЕМА СУЧЕЉНИХ СИЛА
Висока техничка школа струковних студија у Нишу предмет МЕХАНИКА 1 Студијски програми ИНДУСТРИЈСКО ИНЖЕЊЕРСТВО ДРУМСКИ САОБРАЋАЈ II ПРЕДАВАЊЕ УСЛОВИ РАВНОТЕЖЕ СИСТЕМА СУЧЕЉНИХ СИЛА Садржај предавања: Систем
Διαβάστε περισσότεραАнализа Петријевих мрежа
Анализа Петријевих мрежа Анализа Петријевих мрежа Мере се: Својства Петријевих мрежа: Досежљивост (Reachability) Проблем досежљивости се састоји у испитивању да ли се може достићи неко, жељено или нежељено,
Διαβάστε περισσότερα1.2. Сличност троуглова
математик за VIII разред основне школе.2. Сличност троуглова Учили смо и дефиницију подударности два троугла, као и четири правила (теореме) о подударности троуглова. На сличан начин наводимо (без доказа)
Διαβάστε περισσότεραТеорија електричних кола
Др Милка Потребић, ванредни професор, Теорија електричних кола, вежбе, Универзитет у Београду Електротехнички факултет, 7. Теорија електричних кола Милка Потребић Др Милка Потребић, ванредни професор,
Διαβάστε περισσότεραСИСТЕМ ЛИНЕАРНИХ ЈЕДНАЧИНА С ДВЕ НЕПОЗНАТЕ
СИСТЕМ ЛИНЕАРНИХ ЈЕДНАЧИНА С ДВЕ НЕПОЗНАТЕ 8.. Линеарна једначина с две непознате Упознали смо појам линеарног израза са једном непознатом. Изрази x + 4; (x 4) + 5; x; су линеарни изрази. Слично, линеарни
Διαβάστε περισσότεραb) Израз за угиб дате плоче, ако се користи само први члан реда усвојеног решења, је:
Пример 1. III Савијање правоугаоних плоча За правоугаону плочу, приказану на слици, одредити: a) израз за угиб, b) вредност угиба и пресечних сила у тачки 1 ако се користи само први члан реда усвојеног
Διαβάστε περισσότεραПоложај сваке тачке кружне плоче је одређен са поларним координатама r и ϕ.
VI Савијање кружних плоча Положај сваке тачке кружне плоче је одређен са поларним координатама и ϕ слика 61 Диференцијална једначина савијања кружне плоче је: ( ϕ) 1 1 w 1 w 1 w Z, + + + + ϕ ϕ K Пресечне
Διαβάστε περισσότεραВЕШТАЧКА ИНТЕЛИГЕНЦИЈА У ПРОЈЕКТОВАЊУ ИНТЕЛИГЕНТНИХ ТЕХНОЛОШКИХ СИСТЕМА
УНИВЕРЗИТЕТ У БЕОГРАДУ MAШИНСКИ ФАКУЛТЕТ Милица М. Петровић ВЕШТАЧКА ИНТЕЛИГЕНЦИЈА У ПРОЈЕКТОВАЊУ ИНТЕЛИГЕНТНИХ ТЕХНОЛОШКИХ СИСТЕМА докторска дисертација Београд, 2016. године UNIVERSITY OF BELGRADE FACULTY
Διαβάστε περισσότερα1. Модел кретања (1.1)
1. Модел кретања Кинематика, у најопштијој формулацији, може да буде дефинисана као геометрија кретања. Другим речима, применом основног апарата математичке анализе успостављају се зависности између елементарних
Διαβάστε περισσότεραКогнитивне способности мобилних робота у домену унутрашњег транспорта материјала
ИНТЕЛИГЕНТНИ ТЕХНОЛОШКИ СИСТЕМИ АТ-5 Когнитивна роботика: Аутономни мобилни роботи когнитивне способности мобилних робота Когнитивне способности мобилних робота у домену унутрашњег транспорта материјала
Διαβάστε περισσότεραРепублика Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА МАТЕМАТИКА ТЕСТ
Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА МАТЕМАТИКА ТЕСТ УПУТСТВО ЗА ОЦЕЊИВАЊЕ ОБАВЕЗНО ПРОЧИТАТИ ОПШТА УПУТСТВА 1. Сваки
Διαβάστε περισσότεραПисмени испит из Метода коначних елемената
Београд,.0.07.. За приказани билинеарни коначни елемент (Q8) одредити вектор чворног оптерећења услед задатог линијског оптерећења p. Користити природни координатни систем (ξ,η).. На слици је приказан
Διαβάστε περισσότεραТерминирање флексибилних технолошких процеса
ИНТЕЛИГЕНТНИ ТЕХНОЛОШКИ СИСТЕМИ АТ-8 Терминирање производно-технолошких ентитета Терминирање флексибилних технолошких процеса Терминирање (енгл. scheduling) представља процес планирања машинске обраде,
Διαβάστε περισσότεραМАТРИЧНА АНАЛИЗА КОНСТРУКЦИЈА
Београд, 21.06.2014. За штап приказан на слици одредити најмању вредност критичног оптерећења P cr користећи приближан поступак линеаризоване теорије другог реда и: а) и један елемент, слика 1, б) два
Διαβάστε περισσότεραУпутство за избор домаћих задатака
Упутство за избор домаћих задатака Студент од изабраних задатака области Математике 2: Комбинаторика, Вероватноћа и статистика бира по 20 задатака. Студент може бирати задатке помоћу програмског пакета
Διαβάστε περισσότερα6.2. Симетрала дужи. Примена
6.2. Симетрала дужи. Примена Дата је дуж АВ (слика 22). Тачка О је средиште дужи АВ, а права је нормална на праву АВ(p) и садржи тачку О. p Слика 22. Права назива се симетрала дужи. Симетрала дужи је права
Διαβάστε περισσότεραг) страница aa и пречник 2RR описаног круга правилног шестоугла јесте рац. бр. јесу самерљиве
в) дијагонала dd и страница aa квадрата dd = aa aa dd = aa aa = није рац. бр. нису самерљиве г) страница aa и пречник RR описаног круга правилног шестоугла RR = aa aa RR = aa aa = 1 јесте рац. бр. јесу
Διαβάστε περισσότερα2.3. Решавање линеарних једначина с једном непознатом
. Решимо једначину 5. ( * ) + 5 + Провера: + 5 + 0 5 + 5 +. + 0. Број је решење дате једначине... Реши једначину: ) +,5 ) + ) - ) - -.. Да ли су следеће једначине еквивалентне? Провери решавањем. ) - 0
Διαβάστε περισσότεραОБЛАСТИ: 1) Тачка 2) Права 3) Криве другог реда
ОБЛАСТИ: ) Тачка ) Права Jov@soft - Март 0. ) Тачка Тачка је дефинисана (одређена) у Декартовом координатном систему са своје две коодринате. Примери: М(5, ) или М(-, 7) или М(,; -5) Jov@soft - Март 0.
Διαβάστε περισσότερα5.2. Имплицитни облик линеарне функције
математикa за VIII разред основне школе 0 Слика 6 8. Нацртај график функције: ) =- ; ) =,5; 3) = 0. 9. Нацртај график функције и испитај њен знак: ) = - ; ) = 0,5 + ; 3) =-- ; ) = + 0,75; 5) = 0,5 +. 0.
Διαβάστε περισσότερα7. ЈЕДНОСТАВНИЈЕ КВАДРАТНЕ ДИОФАНТОВE ЈЕДНАЧИНЕ
7. ЈЕДНОСТАВНИЈЕ КВАДРАТНЕ ДИОФАНТОВE ЈЕДНАЧИНЕ 7.1. ДИОФАНТОВА ЈЕДНАЧИНА ху = n (n N) Диофантова једначина ху = n (n N) има увек решења у скупу природних (а и целих) бројева и њено решавање није проблем,
Διαβάστε περισσότεραЛИНЕАРНА ФУНКЦИЈА. k, k 0), осна и централна симетрија и сл. 2, x 0. У претходном примеру неке функције су линеарне а неке то нису.
ЛИНЕАРНА ФУНКЦИЈА 5.. Функција = a + b Функционалне зависности су веома значајне и са њиховим применама често се сусрећемо. Тако, већ су нам познате директна и обрнута пропорционалност ( = k; = k, k ),
Διαβάστε περισσότεραθ = rt Sl r КОМПЈУТЕРСКА СИМУЛАЦИЈА И ВЕШТАЧКА ИНТЕЛИГЕНЦИЈА Лист/листова: 1/45 ЗАДАТАК 4 Задатак 4.1.1
И ВЕШТАЧКА ИНТЕЛИГЕНЦИЈА Лист/листова: 1/45 ЗАДАТАК 4 Задатак 4.1.1 Математички доказ изведен је на основу постављања робота у произвољан положај и одабира произвољне референтне тачке кретања из које се
Διαβάστε περισσότεραСАДРЖАЈ ЗАДАТАК 1...
Лист/листова: 1/1 САДРЖАЈ ЗАДАТАК 1... 1.1.1. Математички доказ закона кретања мобилног робота 1.1.2. Кретање робота по трајекторији... Транслаторно кретање... Кретање по трајекторији ромбоидног облика...
Διαβάστε περισσότεραЗАШТИТА ПОДАТАКА Шифровање јавним кључем и хеш функције. Diffie-Hellman размена кључева
ЗАШТИТА ПОДАТАКА Шифровање јавним кључем и хеш функције Diffie-Hellman размена кључева Преглед Биће објашњено: Diffie-Hellman размена кључева 2/13 Diffie-Hellman размена кључева први алгоритам са јавним
Διαβάστε περισσότεραСлика 1. Слика 1.2 Слика 1.1
За случај трожичног вода приказаног на слици одредити: а Вектор магнетне индукције у тачкама А ( и ( б Вектор подужне силе на проводник са струјом Систем се налази у вакууму Познато је: Слика Слика Слика
Διαβάστε περισσότεραВИСОКА ТЕХНИЧКА ШКОЛА СТРУКОВНИХ СТУДИЈА У НИШУ
ВИСОКА ТЕХНИЧКА ШКОЛА СТРУКОВНИХ СТУДИЈА У НИШУ предмет: ОСНОВИ МЕХАНИКЕ студијски програм: ЗАШТИТА ЖИВОТНЕ СРЕДИНЕ И ПРОСТОРНО ПЛАНИРАЊЕ ПРЕДАВАЊЕ БРОЈ 2. Садржај предавања: Систем сучељних сила у равни
Διαβάστε περισσότεραРАЗВОЈ И ПРИМЕНА МЕТОДА ХЕУРИСТИЧКЕ ОПТИМИЗАЦИЈЕ МАШИНСКИХ КОНСТРУКЦИЈА
УНИВЕРЗИТЕТ У КРАГУЈЕВЦУ ФАКУЛТЕТ ИНЖЕЊЕРСКИХ НАУКА Ненад Костић РАЗВОЈ И ПРИМЕНА МЕТОДА ХЕУРИСТИЧКЕ ОПТИМИЗАЦИЈЕ МАШИНСКИХ КОНСТРУКЦИЈА Докторска дисертација Крагујевац, 2017. Идентификациона страна:
Διαβάστε περισσότεραРепублика Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА
Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ЗАВРШНИ ИСПИТ НА КРАЈУ ОСНОВНОГ ОБРАЗОВАЊА И ВАСПИТАЊА школска 01/01. година ТЕСТ
Διαβάστε περισσότεραТеорија електричних кола
Др Милка Потребић, ванредни професор, Теорија електричних кола, предавања, Универзитет у Београду Електротехнички факултет, 07. Вишефазне електричне системе је патентирао српски истраживач Никола Тесла
Διαβάστε περισσότεραЈедна од централних идеја рачунарства Метода која решавање проблема своди на решавање проблема мање димензије
Рекурзија Једна од централних идеја рачунарства Метода која решавање проблема своди на решавање проблема мање димензије Рекурзивна функција (неформално) је функција која у својој дефиницији има позив те
Διαβάστε περισσότερα1. Функција интензитета отказа и век трајања система
f(t). Функција интензитета отказа и век трајања система На почетку коришћења неког система јављају се откази који као узрок имају почетне слабости или пропуштене дефекте у току производње и то су рани
Διαβάστε περισσότεραРотационо симетрична деформација средње површи ротационе љуске
Ротационо симетрична деформација средње површи ротационе љуске слика. У свакој тачки посматране средње површи, у општем случају, постоје два компонентална померања: v - померање у правцу тангенте на меридијалну
Διαβάστε περισσότεραПИТАЊА ЗА КОЛОКВИЈУМ ИЗ ОБНОВЉИВИХ ИЗВОРА ЕНЕРГИЈЕ
ПИТАЊА ЗА КОЛОКВИЈУМ ИЗ ОБНОВЉИВИХ ИЗВОРА ЕНЕРГИЈЕ 1. Удео снаге и енергије ветра у производњи електричне енергије - стање и предвиђања у свету и Европи. 2. Навести називе најмање две међународне организације
Διαβάστε περισσότερα1. Математички доказ закона кретања мобилног робота
Лист/листова: 1/1 1. Математички доказ закона кретања мобилног робота У нашем случају усвојен је модел кретања робота на основу пређеног пута (одометрија). У овом моделу управљање u(t) је дефинисано пређеним
Διαβάστε περισσότεραСеминарски рад из линеарне алгебре
Универзитет у Београду Машински факултет Докторске студије Милош Живановић дипл. инж. Семинарски рад из линеарне алгебре Београд, 6 Линеарна алгебра семинарски рад Дата је матрица: Задатак: a) Одредити
Διαβάστε περισσότεραРепублика Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА
Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ЗАВРШНИ ИСПИТ НА КРАЈУ ОСНОВНОГ ОБРАЗОВАЊА И ВАСПИТАЊА школска 013/014. година ТЕСТ
Διαβάστε περισσότεραВектори vs. скалари. Векторске величине се описују интензитетом и правцем. Примери: Померај, брзина, убрзање, сила.
Вектори 1 Вектори vs. скалари Векторске величине се описују интензитетом и правцем Примери: Померај, брзина, убрзање, сила. Скаларне величине су комплетно описане само интензитетом Примери: Температура,
Διαβάστε περισσότεραУ н и в е р з и т е т у Б е о г р а д у Математички факултет. Семинарски рад. Методологија стручног и научног рада. Тема: НП-тешки проблеми паковања
У н и в е р з и т е т у Б е о г р а д у Математички факултет Семинарски рад из предмета Методологија стручног и научног рада Тема: НП-тешки проблеми паковања Професор: др Владимир Филиповић Студент: Владимир
Διαβάστε περισσότεραИНТЕЛИГЕНТНИ ТЕХНОЛОШКИ СИСТЕМИ АТ-1 Хибридни интелигентни технолошки системи
ИНТЕЛИГЕНТНИ ТЕХНОЛОШКИ СИСТЕМИ АТ-1 Хибридни интелигентни технолошки системи ИНТЕЛИГЕНТНИ ТЕХНОЛОШКИ СИСТЕМИ Дефиниција Интелигентни технолошки систем* ) (ИТС) је највиша класа флексибилних технолошких
Διαβάστε περισσότεραдр Драган Алексендрић, ванредни професор, МФ Бгд др Вељко Поткоњак, редовни професор, ЕТФ Бгд др Бојан Бабић, редовни професор, МФ Бгд
Универзитет у Београду Машински факултет Kатедра за производно машинство Јавна одбрана докторске дисертације Кандидат: Најдан Вуковић, дипл.маш.инж. Београд, 28.9.2012. године Развој машинског учења интелигентног
Διαβάστε περισσότεραПисмени испит из Теорије површинских носача. 1. За континуалну плочу приказану на слици одредити угиб и моменте савијања у означеним тачкама.
Београд, 24. јануар 2012. 1. За континуалну плочу приказану на слици одредити угиб и моменте савијања у означеним тачкама. dpl = 0.2 m P= 30 kn/m Линијско оптерећење се мења по синусном закону: 2. За плочу
Διαβάστε περισσότεραОсцилације система са једним степеном слободе кретања
03-ec-18 Осцилације система са једним степеном слободе кретања Опруга Принудна сила F(t) Вискозни пригушивач ( дампер ) 1 Принудна (пертурбациона) сила опруга Реституциона сила (сила еластичног отпора)
Διαβάστε περισσότεραРепублика Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА
Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ЗАВРШНИ ИСПИТ У ОСНОВНОМ ОБРАЗОВАЊУ И ВАСПИТАЊУ школска 0/06. година ТЕСТ МАТЕМАТИКА
Διαβάστε περισσότερα8.2 ЛАБОРАТОРИЈСКА ВЕЖБА 2 Задатак вежбе: Израчунавање фактора појачања мотора напонским управљањем у отвореној повратној спрези
Регулциј електромоторних погон 8 ЛАБОРАТОРИЈСКА ВЕЖБА Здтк вежбе: Изрчунвње фктор појчњ мотор нпонским упрвљњем у отвореној повртној спрези Увод Преносн функциј мотор којим се нпонски упрвљ Кд се з нулте
Διαβάστε περισσότεραРепублика Србија МИНИСТАРСТВО ПРОСВЕТЕ И НАУКЕ ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА
Република Србија МИНИСТАРСТВО ПРОСВЕТЕ И НАУКЕ ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ЗАВРШНИ ИСПИТ НА КРАЈУ ОСНОВНОГ ОБРАЗОВАЊА И ВАСПИТАЊА школска 011/01. година ТЕСТ МАТЕМАТИКА УПУТСТВО
Διαβάστε περισσότεραТРАПЕЗ РЕГИОНАЛНИ ЦЕНТАР ИЗ ПРИРОДНИХ И ТЕХНИЧКИХ НАУКА У ВРАЊУ. Аутор :Петар Спасић, ученик 8. разреда ОШ 8. Октобар, Власотинце
РЕГИОНАЛНИ ЦЕНТАР ИЗ ПРИРОДНИХ И ТЕХНИЧКИХ НАУКА У ВРАЊУ ТРАПЕЗ Аутор :Петар Спасић, ученик 8. разреда ОШ 8. Октобар, Власотинце Ментор :Криста Ђокић, наставник математике Власотинце, 2011. године Трапез
Διαβάστε περισσότεραРЕШЕЊА ЗАДАТАКА - IV РАЗЕД 1. Мањи број: : x,
РЕШЕЊА ЗАДАТАКА - IV РАЗЕД 1. Мањи број: : x, Већи број: 1 : 4x + 1, (4 бода) Њихов збир: 1 : 5x + 1, Збир умањен за остатак: : 5x = 55, 55 : 5 = 11; 11 4 = ; + 1 = 45; : x = 11. Дакле, први број је 45
Διαβάστε περισσότεραЗБИРКА РЕШЕНИХ ЗАДАТАКА ЗА ПРИЈЕМНИ ИСПИТ ИЗ МАТЕМАТИКЕ
Универзитет у Крагујевцу Машински факултет Краљево ЗБИРКА РЕШЕНИХ ЗАДАТАКА ЗА ПРИЈЕМНИ ИСПИТ ИЗ МАТЕМАТИКЕ Краљево, март 011. године 1 Публикација Збирка решених задатака за пријемни испит из математике
Διαβάστε περισσότεραКРУГ. У свом делу Мерење круга, Архимед је први у историји математике одрeдио приближну вред ност броја π а тиме и дужину кружнице.
КРУГ У свом делу Мерење круга, Архимед је први у историји математике одрeдио приближну вред ност броја π а тиме и дужину кружнице. Архимед (287-212 г.п.н.е.) 6.1. Централни и периферијски угао круга Круг
Διαβάστε περισσότεραВисока техничка школа струковних студија Београд Математика 2 Интервали поверења и линеарна регресија предавач: др Мићо Милетић
Математика Интервали поверења и линеарна регресија предавач: др Мићо Милетић Интервали поверења Тачкасте оцене параметара основног скупа могу се сматрати као приликом обраде узорка. Њихов недостатак је
Διαβάστε περισσότεραТеорија одлучивања. Анализа ризика
Теорија одлучивања Анализа ризика Циљеви предавања Упознавање са процесом анализе ризика Моделовање ризика Монте-Карло Симулација Предности и недостаци анализе ризика 2 Дефиниција ризика (квалитативни
Διαβάστε περισσότεραСредња вредност популације (m), односно независно промењљиве t чија је густина расподеле (СЛИКА ) дата функцијом f(t) одређена је изразом:
7. и 8. ПРИМЕНА СТАТИСТИКЕ У ПРОЦЕСУ КОНСТРУИСАЊА РЕЗИМЕ: Пошто се статистички искази ослањају на законе случаја и рачун вероватноће, важе само у оквиру извесне исказане поузданости. Код уобичајених техничких
Διαβάστε περισσότεραУНИВЕРЗИТЕТ У КРАГУЈЕВЦУ ФАКУЛТЕТ ЗА МАШИНСТВО И ГРАЂЕВИНАРСТВО У КРАЉЕВУ
УНИВЕРЗИТЕТ У КРАГУЈЕВЦУ ФАКУЛТЕТ ЗА МАШИНСТВО И ГРАЂЕВИНАРСТВО У КРАЉЕВУ Горан Р. Миодраговић РАЗВОЈ НАПРЕДНИХ БИОЛОШКИ ИНСПИРИСАНИХ АЛГОРИТАМА ЗА РЕШАВАЊЕ ОПТИМИЗАЦИОНИХ ПРОБЛЕМА ПРИМЕЊЕНЕ МЕХАНИКЕ Докторска
Διαβάστε περισσότεραЗадатак Задатак Задатак Задатак Задатак Списак слика Литература... 86
Лист/листова: 1/86 Садржај Задатак 1.1.1... 3 Задатак 1.1.2... 5 Задатак 1.2.1... 6 Задатак 2.1... 70 Задатак 2.2... 75 Списак слика... 83 Литература... 86 4 468/09 495/09 28/08 18/09 69/09 20/11. 1.6.21
Διαβάστε περισσότεραДинамика. Описује везу између кретања објекта и сила које делују на њега. Закони класичне динамике важе:
Њутнови закони 1 Динамика Описује везу између кретања објекта и сила које делују на њега. Закони класичне динамике важе: када су објекти довољно велики (>димензија атома) када се крећу брзином много мањом
Διαβάστε περισσότεραЗБИРКА ЗАДАТАКА ИЗ МАТЕМАТИКЕ СА РЕШЕНИМ ПРИМЕРИМА, са додатком теорије
ГРАЂЕВИНСКА ШКОЛА Светог Николе 9 Београд ЗБИРКА ЗАДАТАКА ИЗ МАТЕМАТИКЕ СА РЕШЕНИМ ПРИМЕРИМА са додатком теорије - за II разред IV степен - Драгана Радовановић проф математике Београд СТЕПЕНОВАЊЕ И КОРЕНОВАЊЕ
Διαβάστε περισσότερα6.5 Површина круга и његових делова
7. Тетива је једнака полупречнику круга. Израчунај дужину мањег одговарајућег лука ако је полупречник 2,5 сm. 8. Географска ширина Београда је α = 44 47'57", а полупречник Земље 6 370 km. Израчунај удаљеност
Διαβάστε περισσότεραI Линеарне једначине. II Линеарне неједначине. III Квадратна једначина и неједначина АЛГЕБАРСКЕ ЈЕДНАЧИНЕ И НЕЈЕДНАЧИНЕ
Штa треба знати пре почетка решавања задатака? АЛГЕБАРСКЕ ЈЕДНАЧИНЕ И НЕЈЕДНАЧИНЕ I Линеарне једначине Линеарне једначине се решавају по следећем шаблону: Ослободимо се разломка Ослободимо се заграде Познате
Διαβάστε περισσότεραЕНЕРГЕТСКИ ПРЕТВАРАЧИ 2 (13Е013ЕП2) октобар 2016.
ЕНЕРГЕТСКИ ПРЕТВАРАЧИ (3Е03ЕП) октобар 06.. Батерија напона B = 00 пуни се преко трофазног полууправљивог мосног исправљача, који је повезан на мрежу 3x380, 50 Hz преко трансформатора у спрези y, са преносним
Διαβάστε περισσότεραСтручни рад ПРИМЕНА МЕТОДЕ АНАЛИТИЧКИХ ХИЕРАРХИJСКИХ ПРОЦЕСА (АХП) КОД ИЗБОРА УТОВАРНО -ТРАНСПОРТНЕ МАШИНЕ
ПОДЗЕМНИ РАДОВИ 15 (2006) 43-48 UDK 62 РУДАРСКО-ГЕОЛОШКИ ФАКУЛТЕТ БЕОГРАД YU ISSN 03542904 Стручни рад ПРИМЕНА МЕТОДЕ АНАЛИТИЧКИХ ХИЕРАРХИJСКИХ ПРОЦЕСА (АХП) КОД ИЗБОРА УТОВАРНО -ТРАНСПОРТНЕ МАШИНЕ ИЗВОД
Διαβάστε περισσότεραРепублика Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА
Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ЗАВРШНИ ИСПИТ У ОСНОВНОМ ОБРАЗОВАЊУ И ВАСПИТАЊУ школска 014/01. година ТЕСТ МАТЕМАТИКА
Διαβάστε περισσότεραОснове теорије вероватноће
. Прилог А Основе теорије вероватноће Основни појмови теорије вероватноће су експеримент и исходи резултати. Најпознатији пример којим се уводе појмови и концепти теорије вероватноће је бацање новчића
Διαβάστε περισσότεραПОГЛАВЉЕ 3: РАСПОДЕЛА РЕЗУЛТАТА МЕРЕЊА
ПОГЛАВЉЕ 3: РАСПОДЕЛА РЕЗУЛТАТА МЕРЕЊА Стандардна девијација показује расподелу резултата мерења око средње вредности, али не указује на облик расподеле. У табели 1 су дате вредности за 50 поновљених одређивања
Διαβάστε περισσότεραКоличина топлоте и топлотна равнотежа
Количина топлоте и топлотна равнотежа Топлота и количина топлоте Топлота је један од видова енергије тела. Енергија коју тело прими или отпушта у топлотним процесима назива се количина топлоте. Количина
Διαβάστε περισσότερα8.5 ЛАБОРАТОРИЈСКА ВЕЖБА 5 Задатак вежбе: PI регулација брзине напонски управљаним микромотором једносмерне струје
Регулација електромоторних погона 8.5 ЛАБОРАТОРИЈСКА ВЕЖБА 5 Задатак вежбе: регулација брзине напонски управљаним микромотором једносмерне струје Увод Simulik модел На основу упрошћеног блок дијаграма
Διαβάστε περισσότεραL кплп (Калем у кплу прпстпперипдичне струје)
L кплп (Калем у кплу прпстпперипдичне струје) i L u=? За коло са слике кроз калем ппзнате позната простопериодична струја: индуктивности L претпоставићемо да протиче i=i m sin(ωt + ψ). Услед променљиве
Διαβάστε περισσότερα10.3. Запремина праве купе
0. Развијени омотач купе је исечак чији је централни угао 60, а тетива која одговара том углу је t. Изрази површину омотача те купе у функцији од t. 0.. Запремина праве купе. Израчунај запремину ваљка
Διαβάστε περισσότεραРЕШЕНИ ЗАДАЦИ СА РАНИЈЕ ОДРЖАНИХ КЛАСИФИКАЦИОНИХ ИСПИТА
РЕШЕНИ ЗАДАЦИ СА РАНИЈЕ ОДРЖАНИХ КЛАСИФИКАЦИОНИХ ИСПИТА 006. Задатак. Одредити вредност израза: а) : за, и 69 0, ; б) 9 а) Како је за 0 и 0 дати израз идентички једнак изразу,, : : то је за дате вредности,
Διαβάστε περισσότερα7. Модели расподела случајних променљивих ПРОМЕНЉИВИХ
7. Модели расподела случајних променљивих 7. МОДЕЛИ РАСПОДЕЛА СЛУЧАЈНИХ ПРОМЕНЉИВИХ На основу природе појаве коју анализирамо, често можемо претпоставити да расподела случајне променљиве X припада једној
Διαβάστε περισσότεραХомогена диференцијална једначина је она која може да се напише у облику: = t( x)
ДИФЕРЕНЦИЈАЛНЕ ЈЕДНАЧИНЕ Штa треба знати пре почетка решавања задатака? Врсте диференцијалних једначина. ДИФЕРЕНЦИЈАЛНА ЈЕДНАЧИНА КОЈА РАЗДВАЈА ПРОМЕНЉИВЕ Код ове методе поступак је следећи: раздвојити
Διαβάστε περισσότεραСкупови (наставак) Релације. Професор : Рака Јовановић Асиситент : Јелена Јовановић
Скупови (наставак) Релације Професор : Рака Јовановић Асиситент : Јелена Јовановић Дефиниција дуалне скуповне формуле За скуповне формулу f, која се састоји из једног или више скуповних симбола и њихових
Διαβάστε περισσότεραМУЛТИДИСЦИПЛИНАРНИ ОПТИМИЗАЦИОНИ МОДЕЛ ВАЗДУХОПЛОВНИХ СИСТЕМА ПОСЕБНЕ НАМЕНЕ
УНИВЕРЗИТЕТ У БЕОГРАДУ МАШИНСКИ ФАКУЛТЕТ Мирослав П. Пајчин МУЛТИДИСЦИПЛИНАРНИ ОПТИМИЗАЦИОНИ МОДЕЛ ВАЗДУХОПЛОВНИХ СИСТЕМА ПОСЕБНЕ НАМЕНЕ Докторска дисертација Београд, 216. UNIVERSITY OF BELGRADE FACULTY
Διαβάστε περισσότερα1. 2. МЕТОД РАЗЛИКОВАЊА СЛУЧАЈЕВА 1
1. 2. МЕТОД РАЗЛИКОВАЊА СЛУЧАЈЕВА 1 Метод разликовања случајева је један од најексплоатисанијих метода за решавање математичких проблема. У теорији Диофантових једначина он није свемогућ, али је сигурно
Διαβάστε περισσότερα4. ЗАКОН ВЕЛИКИХ БРОЈЕВА
4. Закон великих бројева 4. ЗАКОН ВЕЛИКИХ БРОЈЕВА Аксиоматска дефиниција вероватноће не одређује начин на који ће вероватноће случајних догађаја бити одређене у неком реалном експерименту. Зато треба наћи
Διαβάστε περισσότεραРепублика Србија МИНИСТАРСТВО ПРОСВЕТЕ И НАУКЕ ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА
Тест Математика Република Србија МИНИСТАРСТВО ПРОСВЕТЕ И НАУКЕ ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ЗАВРШНИ ИСПИТ НА КРАЈУ ОСНОВНОГ ОБРАЗОВАЊА И ВАСПИТАЊА школска 00/0. година ТЕСТ МАТЕМАТИКА
Διαβάστε περισσότεραРепублика Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ТЕСТ МАТЕМАТИКА
Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ТЕСТ МАТЕМАТИКА УПУТСТВО ЗА ОЦЕЊИВАЊЕ ОБАВЕЗНО ПРОЧИТАТИ ОПШТА УПУТСТВА 1. Сваки
Διαβάστε περισσότεραПРИЈЕМНИ ИСПИТ. Јун 2003.
Природно-математички факултет 7 ПРИЈЕМНИ ИСПИТ Јун 00.. Одредити све вредности параметра m за које су оба решења једначине x x + m( m 4) = 0 (a) реална; (b) реална и позитивна. Решење: (а) [ 5, + (б) [
Διαβάστε περισσότεραTAЧКАСТА НАЕЛЕКТРИСАЊА
TЧКАСТА НАЕЛЕКТРИСАЊА Два тачкаста наелектрисања оптерећена количинама електрицитета и налазе се у вакууму као што је приказано на слици Одредити: а) Вектор јачине електростатичког поља у тачки А; б) Електрични
Διαβάστε περισσότεραНумеричко решавање парцијалних диференцијалних једначина и интегралних једначина
Нумеричко решавање парцијалних диференцијалних једначина и интегралних једначина Метода мреже за Дирихлеове проблеме Метода мреже се приближно решавају диференцијалне једначине тако што се диференцијална
Διαβάστε περισσότερα2. EЛЕМЕНТАРНЕ ДИОФАНТОВЕ ЈЕДНАЧИНЕ
2. EЛЕМЕНТАРНЕ ДИОФАНТОВЕ ЈЕДНАЧИНЕ 2.1. МАТЕМАТИЧКИ РЕБУСИ Најједноставније Диофантове једначине су математички ребуси. Метод разликовања случајева код ових проблема се показује плодоносним, јер је раздвајање
Διαβάστε περισσότεραРепублика Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА
Република Србија МИНИСТАРСТВО ПРОСВЕТЕ, НАУКЕ И ТЕХНОЛОШКОГ РАЗВОЈА ЗАВОД ЗА ВРЕДНОВАЊЕ КВАЛИТЕТА ОБРАЗОВАЊА И ВАСПИТАЊА ПРОБНИ ЗАВРШНИ ИСПИТ школска 016/017. година ТЕСТ МАТЕМАТИКА УПУТСТВО ЗА ПРЕГЛЕДАЊЕ
Διαβάστε περισσότερα3.1. Однос тачке и праве, тачке и равни. Одређеност праве и равни
ТАЧКА. ПРАВА. РАВАН Талес из Милета (624 548. пре н. е.) Еуклид (330 275. пре н. е.) Хилберт Давид (1862 1943) 3.1. Однос тачке и праве, тачке и равни. Одређеност праве и равни Настанак геометрије повезује
Διαβάστε περισσότεραСмер: Друмски саобраћај. Висока техничка школа струковних студија у Нишу ЕЛЕКТРОТЕХНИКА СА ЕЛЕКТРОНИКОМ
Испит из предмета Електротехника са електроником 1. Шест тачкастих наелектрисања Q 1, Q, Q, Q, Q 5 и Q налазе се у теменима правилног шестоугла, као на слици. Познато је: Q1 = Q = Q = Q = Q5 = Q ; Q 1,
Διαβάστε περισσότερα4.4. Паралелне праве, сечица. Углови које оне одређују. Углови са паралелним крацима
50. Нацртај било које унакрсне углове. Преношењем утврди однос унакрсних углова. Какво тврђење из тога следи? 51. Нацртај угао чија је мера 60, а затим нацртај њему унакрсни угао. Колика је мера тог угла?
Διαβάστε περισσότεραЗАШТИТА ПОДАТАКА. Шифровање јавним кључем и хеш функције. Diffie-Hellman размена кључева
ЗАШТИТА ПОДАТАКА Шифровање јавним кључем и хеш функције Diffie-Hellman размена кључева Преглед Биће објашњено: Diffie-Hellman размена кључева 2 Diffie-Hellman размена кључева први алгоритам са јавним кључем
Διαβάστε περισσότεραУниверзитет у Београду, Саобраћајни факултет Предмет: Паркирање. 1. вежба
Универзитет у Београду, Саобраћајни факултет Предмет: Паркирање ОРГАНИЗАЦИЈА ПАРКИРАЛИШТА 1. вежба Место за паркирање (паркинг место) Део простора намењен, технички опремљен и уређен за паркирање једног
Διαβάστε περισσότεραМатематика Тест 3 Кључ за оцењивање
Математика Тест 3 Кључ за оцењивање ОПШТЕ УПУТСТВО ЗА ОЦЕЊИВАЊЕ Кључ за оцењивање дефинише начин на који се оцењује сваки поједини задатак. У општим упутствима за оцењивање дефинисане су оне ситуације
Διαβάστε περισσότεραCook-Levin: SAT је NP-комплетан. Теодор Најдан Трифунов 305M/12
Cook-Levin: SAT је NP-комплетан Теодор Најдан Трифунов 305M/12 1 Основни појмови Недетерминистичка Тјурингова машина (НТМ) је уређена седморка M = (Q, Σ, Γ, δ, q 0,, ) Q коначан скуп стања контролног механизма
Διαβάστε περισσότεραАпсорпција γ зрачења
Универзитет у Крагујевцу Природно математички факултет Мр Владимир Марковић Предмет: Нуклеарна физика Експериментална вежба: Апсорпција γ зрачења Када сноп γ зрачења пролази кроз материју, његов интензитет
Διαβάστε περισσότεραТест за 7. разред. Шифра ученика
Министарство просвете Републике Србије Српско хемијско друштво Окружно/градско/међуокружно такмичење из хемије 28. март 2009. године Тест за 7. разред Шифра ученика Пажљиво прочитај текстове задатака.
Διαβάστε περισσότεραУниверзитет у Београду Машински факултет
Универзитет у Београду Машински факултет ДИЗАЈН У МАШИНСТВУ Методе одлучивања Пројектни задатак Оверио (потпис/датум): Чланови групе: Наставник: Сарадници: Ведран Радиновић Лукић 1085/10 Давор Дробац 122/07
Διαβάστε περισσότερα