Evolúciós algoritmusok bevezetés
|
|
- Ervin Pap
- 5 évvel ezelőtt
- Látták:
Átírás
1 Előadás-jegyzet készítette Kelemen Zslt Mesterséges Intelligencia II. (2008), Jelasity Márk 1. és 3. előadása Evlúciós algritmusk bevezetés Vetítések egyszerű evlúciós kísérletekkel kapcslatban Evlúció kcka-lények követték a pirs pntt (Karl Sims: alakzatk evlúciója) kcka-lények megszerezték a kiskckát (Karl Sims: alakzatk evlúciója) csövekből és pumpákból álló rbtk evlúciója cél: melyikük tud haladni? (GOLEM) Elemei: replikáció (pl: DNS) variáció (mutáció, keresztezés) szelekció (életképesség ( fit ~ megfelelőség)) A valódi evlúcióban: survivr f the fittest Melyik a legfittebb? Dönthetünk például: Utódk száma szerint Valamilyen tulajdnságban, funkcióban elért eredmény szerint (DE: néha félrevezető, mert a gyengébb is lehet jbb ) Replikátrk elmélete: Richard Dawkins szerint: Csak a DNS replikálódik. Csányi Vilms szerint: Létezik egy replikátr-hierarchia: DNS sejt ökszísztéma Kmplexitás: A természetes evlúcióban általában növekszik (pl: a szem fejlődése). Ellenben az evlúciós algritmuskban általában éppen hgy csökken. Az ptimalizálási feladatk sztályzása Optimalizálás: Mdellezés: Gépi tanulás: A: halmaz f: A R cél: min aєa f(a) A: mdellek tere f: illeszkedés az empirikus adatkra cél: maximális illeszkedés keresése A: hiptézisek tere
2 cél: jó mdellek keresése az explicit vagy implicit hiptézisek által meghatárztt térből Sztchasztikus hegymászó algritmus Algritmus váza: 1. xєa (véletlenszerűen) 2. y = f(x) 3. repeat until kilépés 4. x = egy kis ugrás x-ből 5. y = f(x ) 6. if y < y then { x = x ; y = y } 7. end-repeat Különbség az evlúciós algritmuskhz képest: Megjegyzés: Itt mindig csak egy megldás van, míg az EA-kban egy ppuláció a megldás (ez a ppuláció multihalmaz, azaz egy elem többször is előfrdulhat benne) Az aktuális elem a következő lépésben akkr váltzik, ha a véletlen lépéssel (mutáció) egy jbb elemhez értünk Általában a reprezentáció (ahgy az alaphalmaz elemeit kódljuk) is különbözik A szimulált hűtés is hasnló elven működik, csak tt biznys (egyre csökkenő) valószínűséggel a rsszabb megldást is elfgadjuk. Evlúciós algritmusk (EA) Általáns jellemzőik Optimalizálásra használatsak Általáns módszert nyújtanak Jó eredménnyel keresnek ptimumt tt is ahl nem léteznek, vagy nagyn költségesek az egzakt algritmusk a prbléma megldására (DE: nem érdemes evlúciós módszert használni ha létezik egyéb egzakt módszer). Az evlúciós algritmusk futási ideje nem kritikus, azaz any-time algritmusk bármikr megállíthatóak, egy eredményt mindig szlgáltatni fgnak, és ez az eredmény iterációról iterációra javul (általában eleinte nagybb ütemben, mint később). Ellenpélda (lineáris regresszió): x 1, y 1 x 2, y 2 x n, y n (pntk) A: egyenesek halmaza (y = a x + b) cél: min { F(a, b) = i=1,n (y i - (a x i b)) 2 }
3 Van jbb megldás: a lineáris regresszió. Így nem érdemes evlúciós algritmust használni. Algritmus működése: A: alaphalmaz, pl: A = [a, b] f: A R cél: az f függvény minimumát vagy maximumát keressük az alaphalmazn: y* = min aєa f(a) a* = argmin aєa f(a) Algritmus váza: 1. ppuláció inicializálása 2. kiértékelés 3. repeat until kilépés 4. szülő-választás 5. új megldásk előállítása rekmbinációval 6. az új megldáskn mutációk 7. kiértékelés 8. túlélők szelekciója 9. end-repeat Főbb kmpnensek: reprezentáció rekmbináció (kmbinációs perátrk) mutáció szülő-választás (itt használjuk a fitness függvényt) utód-választás (itt használjuk a fitness függvényt) Ezen fő kmpnenseknek száms implementációja létezik, amely különféle evlúciós algritmuskat eredményeznek, mint például: Genetikus algritmusk ( 70-es évektől, amerikai irányzat) Evlúciós stratégia ( 70-es évektől, német irányzat, skkal nyitttabb) Genetikus prgramzás ( 90-es évektől, számítógépes algritmusk evlúciója; az előző kettővel ellentétben nem mérnökök, hanem infrmatikusk fejlesztették ki) Tabu-keresés Szimulált hűtés Particle swarm ptimalizálás (rajintelligencián alapul) Operátrk fajtái: reprezentáció: A B keresési tér kódk fentípus gentípus (pl: egyed) (pl: krmszóma) mutációs perátr (a : szülő, a : utód): m: B B a = m(a) rekmbinációs perátr (a 1, a 2 : szülő, a : utód): b: B x B B a = b(a 1, a 2 )
4 Kilépési feltételek lehetnek: felhasznált CPU-idő kiértékelések száma (hány iteráció futtt le?) javulás sebessége ( y kisebb, mint egy előre megadtt küszöbszám) diverzitás csökkenése (ha már az egyedek valahány százaléka megegyezik) Példa evlúciós algritmuskra GOLEM Frrás: Nature magazin, aug. Ez az óra elején vetített, pumpák és csövek kmbinációjából álló lények világa. Reprezentáció (egy számkból álló vektr): rbt = {<pntk> <csövek> <neurnk> <aktivátrk>} Ahl: pntk (x, y): krdináták csövek (p 1, p 2, r): a p 1 és p 2 pntkat összeköti egy r rugalmasságú cső neurnk: egy neurnháló elemei (a háló élei súlyzttak) aktivátrk (n, cs): az n neurn a cs csőhöz kapcslódik Mutációs perátrk például: pnt hzzáadás, törlés cső hzzáadás, törlés, hssz-váltztatás stb. Nem használtak rekmbinációt. Fitness (pl: túlélő-szelekcióhz): az adtt idő alatt megtett távlság alapján. Tapasztalat: kezdetben 200 üres rbttal indítva kb. a 10. generáció után jött létre az első mzgásképes rbt, és kb. a 600-adik generáció után már igen életképesek is keletkeztek (szimmetrikus felépítés emiatt szép távlságkat tudtak megtenni). Karl Sims: alakzatk evlúciója Jelenleg Hllywd-ban dlgzik Reprezentáció: Külön nyelvtan az alakzatk és paramétereik leírására irányíttt gráfkkal Minden részegységhez vlt egy vezérlő (szenzrkkal, aktivátrkkal, stb.) Mutáció: az irányíttt gráfkba pntk beszúrása, elvétele Rekmbináció: az irányíttt gráfk között Fitness: alakzatk versenyeztetése Szülő-választás: a legjbb fitness értékű alakzatk adtt százaléka lesz szülő
5 Részecske-raj ptimalizálás Rajintelligencia Raj: Több egyedből álló csprt, melyben minden egyed csak a saját közvetlen környezete alapján hzza döntéseit, de összességében mégis egy glbálisan intelligens viselkedés alakul ki. Például: Hangyák legrövidebb út keresése a blytól a táplálékig (fermnkkal) termeszvár felépítése NASA műhldak, melyek képesek összeállni egy űrállmássá P2P (peer-t-peer) hálózatk, fájlcserélők Evlúciós szinten adaptív (fejlődő): Ragadzók kikerülése, pl: halrajknál ( flash funtain ) A halraj egyedei ragadzót látva (vagy ha a többiek hasnló viselkedését látják) kilőnek a szélrózsa minden irányába, majd egy kört leírva hátrafelé a ragadzó háta mögé kerülnek. Préda elejtése ragadzók esetén, pl: farkas falka Hatéknyság növelése, pl: vadludak vnulása V alakban aerdinamikailag ez a legptimálisabb alakzat BOIDS Craig Reynlds, 87 Felhasználása: Hllywd-i filmekben a tömegek mzgásának szimulációjára YuTube-n sk érdekes videó van róla A feladat: Van n db madár Pzícióik: x 1, x 2, x 3,, x n Sebességeik: v 1, v 2, v 3,, v n Ahl x i Є R 2 vagy x i Є R 3 (attól függően hgy 2D vagy 3D térben vizsgálódunk).
6 A madarak 3 egyszerű elvet követnek: 1.) Elkerülés elve (ne repüljünk bele a szmszéds madárba csak az a aktuális legközelebbi szmszédunkra kell figyelni!) 2.) Közpnt elve (a legközelebbi k madár krdinátájának középpntjába akarunk repülni) 3.) Máslás elve (a legközelebbi k madár sebességeinek átlagát igyekszünk átvenni) Megvalósítás: Az i. madár pzíciója a (t+1)-edik időpillanatban: x i (t+1) = x i (t) + τ v i (t-1) Az i. madár sebessége a (t+1)-edik időpillanatban: v i (t+1) = α v i (t) + (1 - α) [α 1 v elkerülés + α 2 v közpnt + α 3 v máslás ] Ahl τ a lépésközt jelenti; valamint α, α 1, α 2, α 3 pedig 0 és 1 közötti számk. Részecske-raj (particle swarm) plimalizálás (PSO) Alkalmazásai területei és kai: A feladat: Hasnlóak mint a genetikus evlúciós algritmuskéi. Van n db részecske Pzíciójuk: x 1, x 2, x 3,, x n Sebességeik: v 1, v 2, v 3,, v n Memóriáik: y 1, y 2, y 3,, y n Ahl x i Є R M itt M nem feltétlenül 2 vagy 3, lehet nagyn nagy szám is (pl. a neurális hálók esetében több száz ) A részecskéknek van 2 lényeges jellemzőjük: Algritmus váza: Szciális hatás: elmndják egymásnak, hgy eddig hl és mennyi vlt a glbális ptimum. Kgnitív képesség: emlékeznek a saját maguk által eddig bejárt legjbb helyekre. y i = min t=0,1,2, f( x i (t) ) 1. inicializálás 2. repeat 3. fr i = 1 n 4. y g = min j Є szmszédk (i) { y j } 5. if f(x i ) < y i then y i = f(x i ) 6. v i = v i + c 1 (y i x i ) + c 2 (y g x i ) 7. x i = x i + v i 8. end-fr 9. until kilépés Ahl c 1, c 2 Є U(0, 2) azaz 0 és 2 közötti, egyenletes (unifrm) elszl. véletlen számk.
7 A mzgást leíró (v i = ) képlet hárm tagjának jelentése: 1.) v i A lendület írja le (a felfedezőutakhz haszns, hgy a rendszer ne ragadjn bele valami lkális ptimumba túl könnyen). 2.) c 1 (y i x i ) A lkális keresést írja (az emlékezéshez haszns, hgy ne hagyjuk el túl könnyen a lkálisan már egyszer megtalált ptimumt). 3.) c 2 (y g x i ) A glbális ptimum felé való törekvést írja le (a többi részecske tapasztalatára épít). Szmszédság: A szmszédsági visznyt nem fizikai pzíció alapján, hanem valami előre meghatárztt struktúra szerint értjük. Lehetséges szmszédsági struktúrák: 1.) Glbális struktúra (explitatin (= kiaknázás)) Mindenki kapcslatban van mindenkivel, ezért a glbális ptimum megváltzását már a következő körben tudni fgja minden részecske. Előnye, hgy minden részecske aznnal tud reagálni egy jbb ptimumérték megjelenésére. Akkr kiváló, ha a célfüggvénynek csak egy ptimuma van (például egy parabla). 2.) Lkális, avagy kör struktúra (explratin (=felfedezés)) A részecskék egy kör mentén vannak felfűzve, azaz csak a két közvetlen szmszédjukkal állnak kapcslatban. Így a glbális ptimum megváltzását egy iteráció múlva csak a megváltzást észlelelő részecske két szmszédja fgja tudni, a következőben azk szmszédai, stb. lassan terjed az infrmáció a kör mentén. Előnye, hgy a részecskéknek több idejük van a lkális környezetükben ptimum után kutatniuk, mielőtt a glbális ptimum megváltzása beflyáslná őket.
8 Inicializálás: Kilépés: Véletlenül választtt n db krdináta, minden részecske sebessége nulla. A mzgást a 3. tag fgja beindítani, amely nem lesz nulla (a részecskék elmzdulnak az ptimum felé). v 0 = 0 v 1 = c i (y g 0) Kilépni bármikr lehet, hiszen ez az algritmus is iteratív, any-time algritmus. Javításk az algritmushz: 1.) Sebességkrlát: Mivel előfrdulhat, hgy minden részecske sebessége flyamatsan nő, ezért érdemes a sebességükre egy felső krlátt megadni. Legyen a v i = [v i,1, v i,2, v i,3,, v i,n ] vektr az i. részecske sebessége. Ekkr a felső krlát ennek az i. részecskének a j. dimenzió szerinti sebességére: v i,j = δ [x max,j x min,j ] Ahl δ egy [0,1]-beli knstans, x max,j és x min,j pedig a keresési tér j. dimenzió szerint vett határai (a j. dimenzióban felvehető legkisebb és legnagybb x érték). 2.) Inercia (lendület) faktr bevezetése: v i = w v i + c 1 (y i x i ) + c 2 (y g x i ) Ahl w a lendület (kiszámítható, de általában heurisztikusan állítják be valamilyen 1-nél valamivel kisebb számra. 3.) Hűtési technikák: Szimulált hűtés, evlúciós stratégiák, stb. is használják A lendületet (w) a rendszer önmaga állítja be Ez az érték általában (lineárisan) csökken Megadható fuzzy megfgalmazásban is, pl: Ha y g kicsi és w kicsi, akkr közepesen növeljük w-t! Paraméter-beállításk: Ppuláció mérete: n ~ 30 Knstansk: c 1, c 2 Є U(0, 2) azaz 0 és 2 közötti, egyenletes (unifrm) elszl. véletlen számk. c 2 >> c 1 esetén nagybb, c 1 >> c 2 esetén kisebb interakció a részecskék között.
9 Differenciál-evlúció Ppuláció: x 1, x 2, x 3,, xn (x i Є R M azaz M dimenziós vektrk) Az evlúciója algritmusk alapjaira épül (szülőválasztás, perátrk végrehajtása, stb.) lásd az Evlúciós prgramzás bevezetés előadást. Mutációk kiválasztása x i keresztezése:(ábra) 1.) v = x i + F (x r,1 x r,2 ) + λ (y g x i ) Ahl x r,1 és x r,2 tetszőlegesen kiválaszttt másik két megldás; F és λ knstansk (az F ~ 0,8 és λ ~ 0,9 értékeket javaslják). 2.) u = az x i és v vektrk keresztezése elemenként (azaz minden j-re az u vektr j. eleme CR valószínűséggel x i,j, (1 CR) valószínűséggel v j lesz). CR knstans, a 0,9 értéket javaslják rá. 3.) if f(u) < f(x i ) then x i = u
Evolúciós alapfogalmak, általános algoritmusok
MI2 előadás jegyzet Tartalom: - Evolúciós alapfogalmak, általános algoritmusok - Evolúciós stratégiák - Raj intelligencia, részecske-raj optimalizálás A jegyzetet Jelasity Márk 2008. 04. 08., 2008. 04.
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI A szükséges mintaszám krlát elemzése Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Mit is jelent az eredmény, ha pnts lenne
RészletesebbenGépi tanulás. A szükséges mintaszám korlát elemzése. Pataki Béla (Bolgár Bence)
Gépi tanulás A szükséges mintaszám krlát elemzése Pataki Béla (Blgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki A Russell-Nrvig könyv n=10 bemenetű lgikai
RészletesebbenSzámítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
RészletesebbenTartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9
... 3 Előszó... 9 I. Rész: Evolúciós számítások technikái, módszerei...11 1. Bevezetés... 13 1.1 Evolúciós számítások... 13 1.2 Evolúciós algoritmus alapfogalmak... 14 1.3 EC alkalmazásokról általában...
RészletesebbenIntelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal
Intelligens Rendszerek Elmélete Dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE0 IRE / A természet általános kereső algoritmusa:
RészletesebbenMATEMATIKA C 12. évfolyam 3. modul A mi terünk
MTEMTIK C 1. évflyam. mdul mi terünk Készítette: Kvács Kárlyné Matematika C 1. évflyam. mdul: mi terünk Tanári útmutató mdul célja Időkeret jánltt krsztály Mdulkapcslódási pntk térfgat- és felszínszámítási
RészletesebbenGenetikus algoritmusok
Genetikus algoritmusok Zsolnai Károly - BME CS zsolnai@cs.bme.hu Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu
RészletesebbenWorld Robot Olympiad2019. Advanced Robotics Kategória. Játékleírás, Szabályok és Pontozás. Okos Üvegház. Verzió: December 4.
Wrld Rbt Olympiad2019 Advanced Rbtics Kategória Játékleírás, Szabályk és Pntzás Oks Üvegház Verzió: December 4. Tartalmjegyzék 1. Bevezető... 3 2. Játékleírás... 4 3. Játéklehetőségek... 5 4. Játékszabály...
RészletesebbenAlgoritmusok Tervezése. 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás
Algoritmusok Tervezése 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás Biológiai háttér (nagyvonalúan) A sejt genetikai információit hordozó DNS általában kromoszómának nevezett makromolekulákba van
RészletesebbenMATEMATIKA C 12. évfolyam 5. modul Ismétlés a tudás anyja
MATEMATIKA C. évflyam 5. mdul Ismétlés a tudás anyja Készítette: Kvács Kárlyné Matematika C. évflyam 5. mdul: Ismétlés a tudás anyja Tanári útmutató A mdul célja Időkeret Ajánltt krsztály Mdulkapcslódási
RészletesebbenRegresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
RészletesebbenKéprekonstrukció 9. előadás
Képrekonstrukció 9. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem hv-konvex összefüggő halmazok Mag-burok-szerű rekonstrukció: S. Brunetti, A. Del Lungo, F.
RészletesebbenMesterséges neurális hálók
Dunaúvársi Főiskla Inrmatikai Intézet Mesterséges neurális hálók Dr. Seebauer Márta őisklai tanár seebauer.marta@szgti.bm.hu Szimblikus és nem-szimblikus MI Szimblikus tudáseldlgzás. Tudásbeszerzés 2.
Részletesebben17. tétel: Egybevágósági transzformációk. Szimmetrikus sokszögek.
17. tétel: Egybevágósági transzfrmációk. Szimmetrikus skszögek. Gemetriai transzfrmáció: Olyan függvény, melynek értelmezési tartmánya és értékkészlete is egy-egy pnthalmaz (vagyis pntkhz rendel pntkat).
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 8. Előadás Dr. Kulcsár Gyula egyetemi docens Kereső algoritmusok alkalmazása
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenAdaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
RészletesebbenInczeffy Szabolcs: Lissajoux görbék előállítása ferdeszögű rezgések egymásra tevődésével
Inczeffy Szablcs: Lissajux görbék előállítása ferdeszögű rezgések egymásra tevődésével I. Lissajux görbék Mint ismeretes a Lissajux görbék merőleges rezgések egymásra tevődéseként jönnek létre. Váltztatva
RészletesebbenElektromágneses terek (VIHVA204, BSc kurzus) Szóbeli vizsgakérdések
Elektrmágneses terek (VIHVA204, BSc kurzus) Szóbeli vizsgakérdések 1. Ismertesse az elektrmágneses tér frrásmennyiségeit és a köztük lévő kapcslatt! 2. Ismertesse az elektrmágneses tér intenzitásvektrait
RészletesebbenHÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL. OLÁH Béla
HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL OLÁH Béla A TERMELÉSÜTEMEZÉS MEGFOGALMAZÁSA Flow shop: adott n számú termék, melyeken m számú
RészletesebbenIntelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói
Intelligens Rendszerek Elmélete dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE07 IRE 5/ Természetes és mesterséges genetikus
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenFIZIKA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ
Fizika középszint 0911 ÉRETTSÉGI VIZSGA 2009. któber 30. FIZIKA KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ OKTATÁSI ÉS KULTURÁLIS MINISZTÉRIUM A dlgzatkat az útmutató utasításai
Részletesebbenend function Az A vektorban elõforduló legnagyobb és legkisebb értékek indexeinek különbségét.. (1.5 pont) Ha üres a vektor, akkor 0-t..
A Név: l 2014.04.09 Neptun kód: Gyakorlat vezető: HG BP MN l 1. Adott egy (12 nem nulla értékû elemmel rendelkezõ) 6x7 méretû ritka mátrix hiányos 4+2 soros reprezentációja. SOR: 1 1 2 2 2 3 3 4 4 5 6
Részletesebben. 2 pont A 2 pont nem bontható. 3 Összesen: 2 pont. Összesen: 3 pont. A valós gyökök száma: 1. Összesen: 2 pont. Összesen: 2 pont
1. Az egyszerűsítés után kaptt tört: I. a b. pnt A pnt nem bntható. 3 Összesen: pnt. Frgáshenger keletkezik, az alapkör sugara 5cm, magassága 1cm. V = 5π 1(cm 3 ). A frgáshenger térfgata 300π cm 3. Ha
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 11. Előadás Halmazkeresések, dinamikus programozás http://digitus.itk.ppke.hu/~flugi/ A keresési feladat megoldása Legyen a lehetséges megoldások halmaza M ciklus { X legyen
RészletesebbenKeresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
RészletesebbenMEGBÍZÁS TÍPUSOK LIMITÁRAS MEGBÍZÁS (LIMIT VAGY LIMIT ORDER)
MEGBÍZÁS TÍPUSOK LIMITÁRAS MEGBÍZÁS (LIMIT VAGY LIMIT ORDER) A limitáras megbízás leírása Limitáras megbízás esetén egy előre meghatárztt árflyamt adunk meg, és megbízásunk csak ezen a limitárn vagy annál
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 6. Előadás Problémaosztályok http://digitus.itk.ppke.hu/~flugi/ Emlékeztető A specifikáció egy előfeltételből és utófeltételből álló leírása a feladatnak Léteznek olyan feladatok,
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - csak lokális információra alapozva Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Lokálisan
RészletesebbenA biostatisztika és informatika szerepe a mindennapi orvosi gyakorlatban
A bistatisztika és infrmatika szerepe a mindennapi rvsi gyakrlatban Az rvstudmány célja (belgyógyászat tankönyvből): a betegségek megelőzése, a betegek meggyógyítása Diagnsztika, a betegségek felismerésének
RészletesebbenKristályszerkezetek és vizsgálatuk
Kristályszerkezetek és vizsgálatuk Az anyagk tulajdnságait atmjaik fajtája, kémiai kötésük jellege és kristályszerkezete együttesen határzza meg. A fentiekre a szén egy tipikus példa. A tiszta szén gyémánt
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenVerzió 1.2 2009.11.27. CompLex Officium Felhasználói kézikönyv
Verzió 1.2 2009.11.27. CmpLex Officium Felhasználói kézikönyv CmpLex Officium felhasználói kézikönyv Tartalmjegyzék 1 Bevezetés... 3 1.1 Rendszerkövetelmények... 3 1.2 Fgalmtár... 3 2 Officium lehetőségek...
RészletesebbenOsztályozó vizsga követelmények Informatika
Osztályzó vizsga követelmények Infrmatika Rendészeti képzés 9. évflyam 1. Az infrmatikai eszközök használata Az infrmatikai környezet tudats alakítása. Az egészséges munkakörnyezet megteremtése. A számítógépes
RészletesebbenKerékpárosokra vonatkozó legfontosabb ismeretek 3. rész Oldal 1
ı 15. Irányjelzés A kerékpársnak is, jeleznie kell minden irányváltztatási szándékát, mégpedig balra kanyardva bal, jbbra kanyardva jbb kézzel. Az irányjelzést az irányváltztatás előtt megfelelő távlságban
Részletesebben8. Négyzetes összefüggés: mellékmegjegyzés:
. tétel: Szögfüggvények értelmezése a valós számhalmazn, ezek tulajdnságai, kapslatk ugyanazn szög szögfüggvényei között. Definíió derékszögő hármszögekre (hegyesszögek szögfüggvényei): Egy hegyesszög
RészletesebbenÁltalános gimnáziumi képzés és német nemzetiségi nyelvoktató program 9. évfolyam
Osztályzó vizsga követelmények Infrmatika Általáns gimnáziumi képzés és német nemzetiségi nyelvktató prgram 9. évflyam 1. Az infrmatikai eszközök használata Az infrmatikai környezet tudats alakítása. Az
RészletesebbenEvolúciós algoritmusok
Evolúciós algoritmusok Evolúció, mint kereső rendszer A problémára adható néhány lehetséges választ, azaz a problématér több egyedét tároljuk egyszerre. Ez a populáció. Kezdetben egy többnyire véletlen
RészletesebbenKonjugált gradiens módszer
Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK
RészletesebbenEredmények. A megkapott regisztrációs lista alapján a Vándorgyűlésen résztvevők a következőképpen oszlottak meg:
Eredmények Általáns kérdések A megkaptt regisztrációs lista alapján a Vándrgyűlésen résztvevők a következőképpen szlttak meg: Dr (a neve előtt dr van, 1-2 kivételtől eltekintve rvs): 169 fő (38%) Gyse
RészletesebbenAz anyagok mágneses tulajdonságainak leírásához (a klasszikus fizika szintjén) az alábbi összefüggésekre van szükségünk. M m. forg
4. MÁGNESES JELENSÉGEK ANYAGBAN (Mágneses mmentum, Mágnesezettség, Mágneses térerősség, Mágneses szuszceptibilitás, Relatív és Abszlút permeabilitás, Lenztörvény, Diamágnesesség, Paramágnesesség, Curie-törvény,
RészletesebbenEURÓPA BRÓKERHÁZ ZRT. MEGFELELÉSI KÉRDŐÍV EURÓPA BRÓKERHÁZ BEFEKTETÉSI SZOLGÁLTATÓ ZÁRTKÖRŰEN MŰKÖDŐ RÉSZVÉNYTÁRSASÁG. Megfelelési kérdőív
Üzletszabályzat 6. sz. melléklete EURÓPA BRÓKERHÁZ BEFEKTETÉSI SZOLGÁLTATÓ ZÁRTKÖRŰEN MŰKÖDŐ RÉSZVÉNYTÁRSASÁG Megfelelési kérdőív EURÓPA BRÓKERHÁZ ZRT. Oldal 1 Ügyfél neve: Ügyfélkód: Jelen kérdőív kifejezett
RészletesebbenLiPo akkumulátorok kezelése: LiPo akkumulátorok előnyei a NiMh-val szemben:
LiP akkumulátrk kezelése: LiP akkumulátrk előnyei a NiMh-val szemben: Azns teljesítménynél lényegesen kisebb súly Megfelelő kezelés esetén hsszabb élettartam Kiegyensúlyzttabb feszültséggörbe (értsd: míg
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 69/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenIV. rész. Az élettársi kapcsolat
IV. rész Az élettársi kapcslat Napjaink egyik leggyakrabban vitattt jgintézménye úgy tűnik kimzdult az évtizedeken át tartó jgi szabályzatlanságból, sőt az újnnan megjelenő jgszabályk és az azk által generált
RészletesebbenLUDA SZILVIA. sikerül egységnyi anyagból nagyobb értéket létrehozni, gyorsabban nő a GDP, mint az anyagfelhasználás.
A GAZDASÁGI NÖVEKEDÉS ÉS A PAPÍRFELHASZNÁLÁS ALAKULÁSA NÉHÁNY OECD ORSZÁG PÉLDÁJÁN KERESZTÜL Bevezetés LUDA SZILVIA A tanulmány az ök-hatéknyság fgalmának értelmezését bemutatva, felhívja a figyelmet annak
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenEzt már mind tudjuk?
MATEMATIKA C 11. évflyam 10. mdul Ezt már mind tudjuk? Készítette: Kvács Kárlyné Matematika C 11. évflyam 10. mdul: Ezt már mind tudjuk? Tanári útmutató A mdul célja Időkeret Ajánltt krsztály Mdulkapcslódási
RészletesebbenA HÁLÓ KÖZÖSSÉG MISSZIÓJA A KÁRPÁT-MEDENCÉBEN
A HÁLÓ KÖZÖSSÉG MISSZIÓJA A KÁRPÁT-MEDENCÉBEN (meghirdetett cím) Szeibert András előadása Tkajban, 2013. augusztus 16-án, 15:00-kr a Bkr tábrban Az alábbi írás az tt elhangzttakkal 90%-ban azns, mert egyrészt
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel ha sötétben tapogatózunk Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenBudapest XIII., Röppentyű u. 53. Telefon: +36 70 426-7070
Kedves Vásárló! Köszönjük hgy a LRP H4 Gravit Micr quadrkptert választtta. Az LRP H4 Gravit Micr egy előre összeszerelt, 2,4GHz-es frekvencián kmmunikáló rádió távirányítású quadrkpter. A Gravit külső
RészletesebbenMAGATARTÁSI ÉS ETIKAI KÓDEX TRÖSZTELLENES ÉS VERSENNYEL KAPCSOLATOS ÚTMUTATÓ
MAGATARTÁSI ÉS ETIKAI KÓDEX TRÖSZTELLENES ÉS VERSENNYEL KAPCSOLATOS ÚTMUTATÓ TRÖSZTELLENES ÉS VERSENNYEL KAPCSOLATOS ÚTMUTATÓ A Magna erélyesen, de tisztességesen versenyzik, és támgatja a szabad és becsületes
RészletesebbenStruktúra nélküli adatszerkezetek
Struktúra nélküli adatszerkezetek Homogén adatszerkezetek (minden adatelem azonos típusú) osztályozása Struktúra nélküli (Nincs kapcsolat az adatelemek között.) Halmaz Multihalmaz Asszociatív 20:24 1 A
RészletesebbenV. Kétszemélyes játékok
Teljes információjú, véges, zéró összegű kétszemélyes játékok V. Kétszemélyes játékok Két játékos lép felváltva adott szabályok szerint. Mindkét játékos ismeri a maga és az ellenfele összes választási
RészletesebbenA fogyasztói tudatosság növelése. az elektronikus hírközlési piacon
A fgyasztói tudatsság növelése az elektrnikus hírközlési piacn A Nemzeti Hírközlési Hatóság szakmai tájékztató anyaga 2008. szeptember A fgyasztók körébe meghatárzás szerint valamennyien beletartzunk,
Részletesebben31. Mikola Sándor Országos Tehetségkutató Fizikaverseny I. forduló feladatainak megoldása
3. Mikla Sándr Országs Tehetségkutató Fizikaverseny I. frduló feladatainak megldása A feladatk helyes megldása maximálisan 0 pntt ér. A javító tanár belátása szerint a 0 pnt az itt megadttól eltérő frmában
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció stratégiák Szemantikus hálók / Keretrendszerek
RészletesebbenNAGYERDEI TEREP MARATON FÉL MARATON ÉS NEGYED MARATON. Ahol a futó és a futás van a középpontban
VERSENYKIÍRÁS NAGYERDEI TEREP MARATON FÉL MARATON ÉS NEGYED MARATON Ahl a futó és a futás van a középpntban 1. A verseny időpntja: 2016. április 24. vasárnap 2. Rendező: Szín-Kép Reklám és Grafikai Stúdió,
RészletesebbenKéprekonstrukció 6. előadás
Képrekonstrukció 6. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Diszkrét tomográfia (DT) A CT-hez több száz vetület szükséges időigényes költséges károsíthatja
RészletesebbenKeresések Gregorics Tibor Mesterséges intelligencia
Keresések ADAT := kezdeti érték while terminálási feltétel(adat) loop SELECT SZ FROM alkalmazható szabályok ADAT := SZ(ADAT) endloop KR vezérlési szintjei vezérlési stratégia általános modellfüggő heurisztikus
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 007/008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció i stratégiák Szemantikus hálók / Keretrendszerek
RészletesebbenAdatbányászati szemelvények MapReduce környezetben
Adatbányászati szemelvények MapReduce környezetben Salánki Ágnes salanki@mit.bme.hu 2014.11.10. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Felügyelt
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
Részletesebben3. Fuzzy aritmetika. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI
3. Fuzzy aritmetika Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Intervallum-aritmetika 2 Fuzzy intervallumok és fuzzy számok Fuzzy intervallumok LR fuzzy intervallumok
RészletesebbenOsztott jáva programok automatikus tesztelése. Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január
Osztott jáva programok automatikus tesztelése Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január Osztott alkalmazások Automatikus tesztelés Tesztelés heurisztikus zaj keltés Tesztelés genetikus
RészletesebbenDr`avni izpitni center MATEMATIKA
Dr`avni izpitni center *P053C03M* TÉLI VIZSGAIDŐSZAK MATEMATIKA ÉRTÉKELÉSI ÚTMUTATÓ 006. február 3., hétfő SZAKMAI ÉRETTSÉGI VIZSGA RIC 006 P053-C0--3M ÚTMUTATÓ a szakmai írásbeli érettségi vizsga feladatainak
RészletesebbenFelvételi tematika INFORMATIKA
Felvételi tematika INFORMATIKA 2016 FEJEZETEK 1. Természetes számok feldolgozása számjegyenként. 2. Számsorozatok feldolgozása elemenként. Egydimenziós tömbök. 3. Mátrixok feldolgozása elemenként/soronként/oszloponként.
Részletesebben2. A számítógépes hálózatok előnyei 2.1. Elektronikus üzenetek, levelek, fájlok küldésének lehetősége o
http://fariblghu.wrdpress.cm/2011/12/31/final-exam-tpics-it/ http://fariblghu.wrdpress.cm 1. Mit nevezünk számítógépes hálózatnak Az egymástól térben elválaszttt számítógépek összekapcslását jelenti. E
RészletesebbenDr. habil. Maróti György
infokommunikációs technológiák III.8. MÓDSZER KIDOLGOZÁSA ALGORITMUSOK ÁTÜLTETÉSÉRE KIS SZÁMÍTÁSI TELJESÍTMÉNYŰ ESZKÖZÖKBŐL ÁLLÓ NÉPES HETEROGÉN INFRASTRUKTÚRA Dr. habil. Maróti György maroti@dcs.uni-pannon.hu
RészletesebbenGROVER-algoritmus. Sinkovicz Péter. ELTE, MSc II dec.15.
ELTE, MSc II. 2011.dec.15. Áttekintés Feladat Algoritmus Kvantum keresési algoritmus áttekintése Input: N = 2 n elemű tömb, Ψ 1 = 0 1 kezdőállapot, f x0 (x) orákulum függvény. Output: x 0 keresett elem
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
RészletesebbenMélyhúzás lemezanyagai és minősítési módszereik. Oktatási segédlet.
ÓBUDAI EGYETEM Bánki Dnát Gépész és Biztnságtechnikai Mérnöki Kar Anyagtudmányi- és Gyártástechnlógiai Intézet Mélyhúzás lemezanyagai és minősítési módszereik Oktatási segédlet. Összeállíttta: dr. Hrváth
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
RészletesebbenSzimuláció RICHARD M. KARP és AVI WIGDERSON. (Készítette: Domoszlai László)
Szimuláció RICHARD M. KARP és AVI WIGDERSON A Fast Parallel Algorithm for the Maximal Independent Set Problem című cikke alapján (Készítette: Domoszlai László) 1. Bevezetés A következőkben megadott algoritmus
RészletesebbenGeorg Cantor (1883) vezette be Henry John Stephen Smith fedezte fel 1875-ben. van struktúrája elemi kis skálákon is önhasonló
láttuk, hogy a Lorenz egyenletek megoldásai egy nagyon bonyolult halmazt alkottak a fázistérben végtelenül komplex felület fraktál: komplex geometriai alakzatok, melyeknek elemi kis skálán is van finomszerkezete
RészletesebbenBUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM REKTORI HIVATAL OKTATÁSI IGAZGATÓSÁG. Tanulmányi ügyrend 1. FÜZET A FELVÉTELI ELJÁRÁS
BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM REKTORI HIVATAL OKTATÁSI IGAZGATÓSÁG Tanulmányi ügyrend 1. FÜZET A FELVÉTELI ELJÁRÁS Érvényes 2005 évre VÉGREHAJTÁSI UTASÍTÁS a BME Felvételi szabályzatáhz
RészletesebbenGépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés
Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket? Precízebben: Tegyük
RészletesebbenOmniTouch 8400 Instant Communications Suite One Number szolgáltatások, Webes hozzáférés
OmniTuch 8400 Instant Cmmunicatins Suite One Number szlgáltatásk, Webes hzzáférés Gyrs kezdési segédlet R6.0 Melyek a One Number szlgáltatásk? A One Number szlgáltatásk egyéni hívásátirányítást biztsítanak,
RészletesebbenFelhívás. Csoportos tehetségsegítő tevékenységek megvalósítására. a TÁMOP-3.4.5-12-2012-0001 azonosítószámú Tehetséghidak Program
Felhívás Csprts tehetségsegítő tevékenységek megvalósítására a TÁMOP-3.4.5-12-2012-0001 aznsítószámú című kiemelt prjekt keretében A Tehetséghidak Prjektirda a TÁMOP-3.4.5-12-2012-0001 aznsító számú 1
RészletesebbenHOGYAN TUDUNK KIALAKÍTANI OLYAN ÉRTÉKESÍTÉSI OUTSOURCING RENDSZERT, AMELY VALÓBAN EREDMÉNYEKET HOZ ÉS CSÖKKENTI KÖLTSÉGEINKET?
HOGYAN TUDUNK KIALAKÍTANI OLYAN ÉRTÉKESÍTÉSI OUTSOURCING RENDSZERT, AMELY VALÓBAN EREDMÉNYEKET HOZ ÉS CSÖKKENTI KÖLTSÉGEINKET? Kiinduló pnt A gyakrlat azt mutatja, hgy ma már bármely iparágban, bármely
RészletesebbenTARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...
TARTALOMJEGYZÉK TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS...1 1. A lágy számításról...2 2. A könyv célkitűzése és felépítése...6 AZ ÖSSZETEVŐ LÁGY RENDSZEREK...9 I. BEVEZETÉS...10 3. Az összetevő
RészletesebbenMATEMATIKA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ
Matematika emelt szint 080 É RETTSÉGI VIZSGA 009. któber 0. MATEMATIKA EMELT SZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ OKTATÁSI ÉS KULTURÁLIS MINISZTÉRIUM Fnts tudnivalók Frmai előírásk:.
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/
Operációkutatás I. 2018/2019-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenÚjrahasznosítási logisztika. 7. Gyűjtőrendszerek számítógépes tervezése
Újrahasznosítási logisztika 7. Gyűjtőrendszerek számítógépes tervezése A tervezési módszer elemei gyűjtési régiók számának, lehatárolásának a meghatározása, régiónként az 1. fokozatú gyűjtőhelyek elhelyezésének
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - lokális információval Pataki Béla Bolgár Bence BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Rugó tervezése
RészletesebbenSARKÍTOTT FÉNNYEL A VIKINGEK NYOMÁBAN AZ ÉSZAKI-SARKVIDÉKEN A polarimetrikus viking navigáció légköroptikai feltételeinek kísérleti vizsgálata
neutrncsillagk száma 8 7 6 5 4 3 2 1 ( dm/ dt ) 10 = 1 0 0 200 400 600 800 1000 1 n (s ) 10. ábra. A milliszekundums neutrncsillagk frekvencia szerinti elszlásának összehasnlítása Glendenning és Weber
Részletesebben2. Visszalépéses stratégia
2. Visszalépéses stratégia A visszalépéses keres rendszer olyan KR, amely globális munkaterülete: út a startcsúcsból az aktuális csúcsba (ezen kívül a még ki nem próbált élek nyilvántartása) keresés szabályai:
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/6 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 46/6 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció stratégiák Szemantikus hálók
RészletesebbenFELÜGYELT INTÉZMÉNYEKKEL VALÓ. Visszajelző anyag KAPCSOLATTARTÁSRÓL HÓDMEZŐVÁSÁRHELY POLGÁRMESTERI HIVATALÁNÁL. Visszajelző dokumentáció.
Visszajelző anyag Visszajelző dkumentáció HÓDMEZŐVÁSÁRHELY POLGÁRMESTERI HIVATALÁNÁL készített FELÜGYELT INTÉZMÉNYEKKEL VALÓ KAPCSOLATTARTÁSRÓL 2009. NOVEMBER 25. 1 Visszajelző anyag (részlet) Hódmezővásárhely
RészletesebbenSzerviz előjegyzés modul
Szerviz előjegyzés mdul 1 1. Beállításk... 3 Munkanap és műszak típus karbantartó mdul... 3 Felhasználók karbantartó mdul... 5 Divíziók karbantartó mdul... 6 Szerviz előjegyzés (munkaidő generálás) mdul...
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 4. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
RészletesebbenKeresési algoritmusok, optimalizáció
Keresési algoritmusok, optimalizáció Az eddig tanultakból a mostani részben gyakran használt (emiatt szükséges az ismeretük) programozási ismeretek: függvények létrehozása, meghívása (ld. 3. óra anyagában)
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenTuesday, March 6, 12. Hasító táblázatok
Hasító táblázatok Halmaz adattípus U (kulcsuniverzum) K (aktuális kulcsok) Függvény adattípus U (univerzum) ÉT (értelmezési tartomány) ÉK (érték készlet) Milyen az univerzum? Közvetlen címzésű táblázatok
RészletesebbenE-tananyag Matematika 9. évfolyam 2014. Függvények
Függvények Függvények értelmezése Legyen adott az A és B két nem üres halmaz. Az A halmaz minden egyes eleméhez rendeljük hozzá a B halmaz egy-egy elemét. Ez a hozzárendelés egyértelmű, és ezt a hozzárendelést
RészletesebbenHeurisztikák BitTorrent hálózatok max-min méltányos sávszélesség-kiosztására
Heurisztikák BitTorrent hálózatok max-min méltányos sávszélesség-kiosztására Dobjánné Antal Elvira és Vinkó Tamás Pallasz Athéné Egyetem, GAMF M szaki és Informatikai Kar Szegedi Tudományegyetem, Informatikai
Részletesebben