Genetikus algoritmusok
|
|
- Árpád Pásztor
- 5 évvel ezelőtt
- Látták:
Átírás
1 Genetikus algoritmusok Zsolnai Károly - BME CS zsolnai@cs.bme.hu
2 Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu keresés Szimulált lehűtés Evolúciós algoritmusok Hegymászó keresés Rajintelligencia Genetikus programozás Genetikus algoritmusok (a keresőalgoritmusok egy részhalmazát mutattuk be)
3 Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu keresés Szimulált lehűtés Evolúciós algoritmusok Hegymászó keresés Rajintelligencia Genetikus programozás Genetikus algoritmusok (a keresőalgoritmusok egy részhalmazát mutattuk be)
4 Hegymászó keresés
5 Hegymászó keresés
6 Hegymászó keresés
7 Hegymászó keresés globális optimum lokális optimum
8 Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu keresés Szimulált lehűtés Evolúciós algoritmusok Hegymászó keresés Rajintelligencia Genetikus programozás Genetikus algoritmusok (a keresőalgoritmusok egy részhalmazát mutattuk be)
9 Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu keresés Szimulált lehűtés Evolúciós algoritmusok Hegymászó keresés Rajintelligencia Genetikus programozás Genetikus algoritmusok (a keresőalgoritmusok egy részhalmazát mutattuk be)
10 Definíció A genetikus algoritmus a lehetséges megoldások egy populációját hozza létre, amelyekhez lépésenként új egyedeket ad, illetve a már meglévő egyedekre szelekciós, rekombinációs és mutációs operátorokat alkalmaz.
11 Felhasználás KERESÉSI ÉS OPTIMALIZÁCIÓS PROBLÉMÁK, AHOL: - Sokdimenziós keresési terek jellemzők és a fontosabb változók közötti összefüggés ismeretlen - A tradicionális megoldások elfogadhatatlan futási időt adnak (NP, NPC) - A keresési tér nehezen, vagy nem is szűkíthető - Egy megoldás jósága gyorsan ellenőrizhető, de egy jó megoldás előállítása nehézkes
12 Alapfogalmak GÉN Definíció a DNS alapvető szerveződési egysége, valamilyen tulajdonságot kódol Matematikai reprezentáció ALLÉL Definíció egy-egy géntípus lehetséges megjelenési formáinak halmaza Matematikai reprezentáció
13 Alapfogalmak KROMOSZÓMA Definíció a gének egy teljesnek tekinthető gyűjteménye Matematikai reprezentáció GENOTÍPUS Definíció a kromoszóma néhány kiválasztott génje Matematikai reprezentáció FENOTÍPUS Definíció a genotípus általánosítása Matematikai reprezentáció
14 Alapfogalmak POPULÁCIÓ Definíció egy adott pillanatban létező potenciális megoldások gyűjteménye Matematikai reprezentáció EVOLÚCIÓS OPERÁTOROK Definíció a természetben megfigyelhető szelekció, rekombináció és mutáció műveleteinek megfelelői
15 Alapfogalmak FITNESS Definíció egy adott kromoszómával definiált egyedek túlélési esélye Matematikai reprezentáció EVOLÚCIÓ Definíció a fenti operátorok iteratív alkalmazása a megoldáshalmaz javítása érdekében Matematikai reprezentáció
16 BINÁRIS KÓDOLÁS Reprezentációk, kódolás
17 BINÁRIS KÓDOLÁS Reprezentációk, kódolás 0-1 Hátizsák probléma Adott súlyú és értékű elemeket kell véges kapacitású hátizsákban elhelyezni, cél az összérték maximalizálása. Kódolás
18 BINÁRIS KÓDOLÁS Reprezentációk, kódolás 0-1 Hátizsák probléma Adott súlyú és értékű elemeket kell véges kapacitású hátizsákban elhelyezni, cél az összérték maximalizálása. Kódolás Fitness függvény Feltétel
19 PERMUTÁCIÓS KÓDOLÁS Reprezentációk, kódolás
20 PERMUTÁCIÓS KÓDOLÁS Reprezentációk, kódolás Utazóügynök probléma Egy irányított gráfban keresünk minimális összsúlyú Hamilton-kört. Kódolás
21 PERMUTÁCIÓS KÓDOLÁS Reprezentációk, kódolás Utazóügynök probléma Egy irányított gráfban keresünk minimális összsúlyú Hamilton-kört. Kódolás Fitness függvény Feltétel
22 VALÓS ÉRTÉK KÓDOLÁS Reprezentációk, kódolás
23 VALÓS ÉRTÉK KÓDOLÁS Reprezentációk, kódolás Labirintus Egy útvesztő valamely kezdőpontjától kell minél messzebb eljutni. Kódolás
24 VALÓS ÉRTÉK KÓDOLÁS Reprezentációk, kódolás Labirintus Egy útvesztő valamely kezdőpontjától kell minél messzebb eljutni. Kódolás Fitness függvény Azaz a standard euklideszi távolság a starttól, vagy tetszőleges egyéb norma
25 KERESZTEZÉS EGY PONTON Keresztezési operátorok
26 KERESZTEZÉS EGY PONTON Keresztezési operátorok
27 KERESZTEZÉS EGY PONTON Keresztezési operátorok
28 KERESZTEZÉS EGY PONTON Keresztezési operátorok
29 KERESZTEZÉS EGY PONTON Keresztezési operátorok
30 KERESZTEZÉS EGY PONTON Keresztezési operátorok
31 KERESZTEZÉS EGY PONTON Keresztezési operátorok
32 KERESZTEZÉS KÉT PONTON Keresztezési operátorok
33 KERESZTEZÉS KÉT PONTON Keresztezési operátorok
34 KERESZTEZÉS KÉT PONTON Keresztezési operátorok
35 KERESZTEZÉS KÉT PONTON Keresztezési operátorok
36 VÉLETLEN KERESZTEZÉS Keresztezési operátorok
37 VÉLETLEN KERESZTEZÉS Keresztezési operátorok
38 VÉLETLEN KERESZTEZÉS Keresztezési operátorok
39 ARITMETIKAI KERESZTEZÉS Keresztezési operátorok
40 ARITMETIKAI KERESZTEZÉS Keresztezési operátorok
41 ARITMETIKAI KERESZTEZÉS Keresztezési operátorok
42 BINÁRIS MUTÁCIÓ Mutációs operátorok
43 BINÁRIS MUTÁCIÓ Mutációs operátorok
44 BINÁRIS MUTÁCIÓ Mutációs operátorok
45 BINÁRIS MUTÁCIÓ Mutációs operátorok
46 BINÁRIS MUTÁCIÓ Mutációs operátorok Általánosítható-e a modell valós értékek kódolására is?
47 BINÁRIS MUTÁCIÓ Mutációs operátorok Általánosítható-e a modell valós értékek kódolására is?
48 BINÁRIS MUTÁCIÓ Mutációs operátorok Általánosítható-e a modell valós értékek kódolására is?
49 FITNESS ARÁNYOS SZELEKCIÓ Szelekciós stratégiák Alapelv
50 FITNESS ARÁNYOS SZELEKCIÓ Szelekciós stratégiák Alapelv
51 FITNESS ARÁNYOS SZELEKCIÓ Szelekciós stratégiák Alapelv
52 FITNESS ARÁNYOS SZELEKCIÓ Szelekciós stratégiák Alapelv
53 FITNESS ARÁNYOS SZELEKCIÓ Szelekciós stratégiák Alapelv
54 FITNESS ARÁNYOS SZELEKCIÓ Szelekciós stratégiák Alapelv
55 FITNESS ARÁNYOS SZELEKCIÓ Szelekciós stratégiák Alapelv
56 ELITISTA SZELEKCIÓ Szelekciós stratégiák Alapelv Csak a k darab legjobb kromoszómát örökítjük tovább
57 ELITISTA SZELEKCIÓ Szelekciós stratégiák Alapelv Csak a k darab legjobb kromoszómát örökítjük tovább
58 ELITISTA SZELEKCIÓ Szelekciós stratégiák Alapelv Csak a k darab legjobb kromoszómát örökítjük tovább
59 ALGORITMUS Az algoritmus lépései
60 ALGORITMUS Az algoritmus lépései Kilépési feltételek - Generáció limit - Max fitness limit - Átlag fitness limit - Konvergencia beállása
61 Az algoritmus lépései Kiinduló populáció
62 Az algoritmus lépései Kiinduló populáció
63 Az algoritmus lépései Kiinduló populáció
64 Az algoritmus lépései Kiinduló populáció Szelekció
65 Az algoritmus lépései Kiinduló populáció Szelekció
66 Az algoritmus lépései Kiinduló populáció Szelekció Keresztezés
67 Az algoritmus lépései Kiinduló populáció Szelekció Keresztezés
68 Az algoritmus lépései Kiinduló populáció Szelekció Keresztezés
69 Az algoritmus lépései Kiinduló populáció Szelekció Keresztezés
70 Az algoritmus lépései Kiinduló populáció Szelekció Keresztezés Mutáció
71 Az algoritmus lépései Kiinduló populáció Szelekció Keresztezés Mutáció
72 Az algoritmus lépései Kiinduló populáció Szelekció Keresztezés Mutáció
73 Evolúciós keresés
74 Evolúciós keresés
75 Evolúciós keresés
76 Evolúciós keresés
77 Evolúciós keresés Érdemes úgy elképzelni, mintha a felrajzoltak helyett egy teljes gráfunk lenne, ahol a nem látszó éleket a mutáció valószínűségének megfelelő eséllyel igénybe vehetjük (szaggatott vonal).
78 Demo Hátizsák probléma implementáció:
79 Demo Mona Lisa festés poligonokból implementáció:
80 Demo Mona Lisa festés poligonokból implementáció:
81 Demo Mona Lisa festés poligonokból implementáció: Telepítési, fordítási útmutató a README-ben.
82 Demo Mona Lisa festés poligonokból implementáció: Telepítési, fordítási útmutató a README-ben.
83 Demo Gabriele Greco SDL implementációja: Forrás: Bináris: (SDL.dll kellhet hozzá)
84 Adatbázisok ismétlés Heap szervezés A legegyszerűbb módszer, nem rendel az adatokhoz külön struktúrát, így a keresés lineáris futásidejű, azaz n darab rekord esetén.
85 Adatbázisok ismétlés Heap szervezés A legegyszerűbb módszer, nem rendel az adatokhoz külön struktúrát, így a keresés lineáris futásidejű, azaz n darab rekord esetén. Indexelt szervezés Sűrű index minden egyes adatrekordra mutatót állítunk Ritka index az adatrekordok egy csoportjára állítunk mutatókat Ha az indexállomány a kulcs szerint rendezett, lehet bináris keresést használni, n darab rekord esetén.
86 Adatbázisok ismétlés Többszintű ritka indexek, B*-fa Az indexállományban való keresést tovább gyorsítjuk azzal, hogy az indexhez egy további ritka indexet készítünk. Így egy fát kapunk, amiben a keresés nagyságrendű, amennyiben a fa elágazási tényezője.
87 Adatbázisok ismétlés Többszintű ritka indexek, B*-fa Az indexállományban való keresést tovább gyorsítjuk azzal, hogy az indexhez egy további ritka indexet készítünk. Így egy fát kapunk, amiben a keresés nagyságrendű, amennyiben a fa elágazási tényezője.
88 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja.
89 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja. Kódolás A kromoszóma legyen egy bináris vektor, ahol a vektor elemei a rekordok, az értékek pedig 0/1 az alapján, hogy teszünk-e rá mutatót, vagy sem.
90 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja. Kódolás A kromoszóma legyen egy bináris vektor, ahol a vektor elemei a rekordok, az értékek pedig 0/1 az alapján, hogy teszünk-e rá mutatót, vagy sem.
91 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja. Kódolás A kromoszóma legyen egy bináris vektor, ahol a vektor elemei a rekordok, az értékek pedig 0/1 az alapján, hogy teszünk-e rá mutatót, vagy sem. Fitness függvény
92 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja. Kódolás A kromoszóma legyen egy bináris vektor, ahol a vektor elemei a rekordok, az értékek pedig 0/1 az alapján, hogy teszünk-e rá mutatót, vagy sem. Fitness függvény - az select futási ideje
93 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja. Kódolás A kromoszóma legyen egy bináris vektor, ahol a vektor elemei a rekordok, az értékek pedig 0/1 az alapján, hogy teszünk-e rá mutatót, vagy sem. Fitness függvény - az select futási ideje - hányszor kérték az adott lekérdezést
94 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja. Kódolás A kromoszóma legyen egy bináris vektor, ahol a vektor elemei a rekordok, az értékek pedig 0/1 az alapján, hogy teszünk-e rá mutatót, vagy sem. Fitness függvény - az select futási ideje - hányszor kérték az adott lekérdezést - ennyi lekérdezésre teszteltünk
95 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja. Kódolás A kromoszóma legyen egy bináris vektor, ahol a vektor elemei a rekordok, az értékek pedig 0/1 az alapján, hogy teszünk-e rá mutatót, vagy sem. Fitness függvény - az select futási ideje - hányszor kérték az adott lekérdezést - ennyi lekérdezésre teszteltünk
96 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja. Kódolás A kromoszóma legyen egy bináris vektor, ahol a vektor elemei a rekordok, az értékek pedig 0/1 az alapján, hogy teszünk-e rá mutatót, vagy sem. Fitness függvény - az select futási ideje - hányszor kérték az adott lekérdezést - ennyi lekérdezésre teszteltünk - az beszúrás futási ideje - hányszor kérték az adott beszúrást - ennyi beszúrásra teszteltünk
97 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja. Kódolás A kromoszóma legyen egy bináris vektor, ahol a vektor elemei a rekordok, az értékek pedig 0/1 az alapján, hogy teszünk-e rá mutatót, vagy sem. Fitness függvény - az select futási ideje - hányszor kérték az adott lekérdezést - ennyi lekérdezésre teszteltünk - az beszúrás futási ideje - hányszor kérték az adott beszúrást - ennyi beszúrásra teszteltünk
98 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja. Kódolás A kromoszóma legyen egy bináris vektor, ahol a vektor elemei a rekordok, az értékek pedig 0/1 az alapján, hogy teszünk-e rá mutatót, vagy sem. Fitness függvény lekérdezés és beszúrás fontosságának súlyozása - az select futási ideje - hányszor kérték az adott lekérdezést - ennyi lekérdezésre teszteltünk - az beszúrás futási ideje - hányszor kérték az adott beszúrást - ennyi beszúrásra teszteltünk
99 Adatbázisok ismétlés Adatbázis indexelési feladat Feladat Egy olyan indexre van szükségünk, ami az adatbázisból való olvasás és írás sebességét optimalizálja. Kódolás A kromoszóma legyen egy bináris vektor, ahol a vektor elemei a rekordok, az értékek pedig 0/1 az alapján, hogy teszünk-e rá mutatót, vagy sem. Fitness függvény lekérdezés és beszúrás fontosságának súlyozása - az select futási ideje - hányszor kérték az adott lekérdezést - ennyi lekérdezésre teszteltünk - az beszúrás futási ideje - hányszor kérték az adott beszúrást - ennyi beszúrásra teszteltünk
100 Adatbázisok ismétlés További alkalmazások az adatbázisokhoz Fizikai adatszervezés optimalizálása 54?doi= Elosztott adatbázisokra bejövő queryk sorrendezése, szétosztása re.ieee.org%2fxpls%2fabs_all.jsp%3farnumber%3d Adatbázis kiszolgáló fenntartási költségeinek minimalizálása Természetes illesztések futásidő-optimalizálása Elosztott adatbázisok vertikális partícionálása ideális módon
101 Verdikt A GENETIKUS ALGORITMUSOKRÓL TEHÁT AZ ALÁBBIAKAT ÁLLÍTHATJUK - Nagy részük probléma- és reprezentációfüggetlen - Az átlagos fitness érték az optimumhoz konvergálnak - A konvergálás kapcsán már útközben látható a pillanatnyi eredmény - Tetszőlegesen nagy dimenziójú problémákra alkalmazhatók - Mutációval kiszabadulhatnak a lokális optimumhelyek rabságából - Más gyors, de nem optimális keresési algoritmusokkal jól keverhetők - Kiválóan párhuzamosíthatók, alacsony a kommunikációs bonyolultságuk - Tárigényük Ökölszabály: akkor használandó, ha egy problémát elég egyszer megoldani!
102 Adatbázisok ismétlés Referenciák Gajdos Sándor Adatbázisok Mûegyetemi kiadó, Marcin Korytkowski, Marcin Gabryel, Robert Nowicki and Rafal Scherer - Genetic Algorithm for Database Indexing
Számítógépes 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
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
RészletesebbenInformatikai Rendszerek Tervezése
Sapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT.- 5. kurzus 1 Informatikai Rendszerek Tervezése 4. Előadás: Genetikus algoritmusok Illyés László 1 Tartalom Bevezető A kanonikus genetikus
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:
RészletesebbenUniversität M Mis is k k olol cic, F Eg a y kultä etem t, für Wi Gazda rts ságcha tudfts o w máis n s yen i scha Kar, ften,
8. Előadás Speciális optimalizációs eljárások Genetikus algoritmusok OPTIMALIZÁLÁSI ELJÁRÁSOK Gradiens alapú módszerek Véletlent használó módszerek Kimerítő keresésen alapuló módszerek Direkt módszerek
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.
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
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
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
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
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
RészletesebbenGenetikus algoritmusok az L- rendszereken alapuló. Werner Ágnes
Genetikus algoritmusok az L- rendszereken alapuló növénymodellezésben Werner Ágnes Motiváció: Procedurális modellek a növénymodellezésben: sok tervezési munka a felhasználónak ismerni kell az eljárás részleteit
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,
RészletesebbenA genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere
A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere Kaposvári Egyetem, Informatika Tanszék I. Kaposvári Gazdaságtudományi Konferencia
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
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
RészletesebbenMarton József BME-TMIT. Adatbázisok VITMAB november 11.
Marton József BME-TMIT Gajdos Sándor diasorának felhasználásával Adatbázisok VITMAB00 2016. november 11. A lekérdezés-feldolgozás folyamata I. Cél: az adatok adatbázisból való kinyerése Mivel: egyértelmű,
RészletesebbenGépi tanulás a gyakorlatban. Lineáris regresszió
Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják
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
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
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...
RészletesebbenEvolúciós 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.
RészletesebbenSapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus
Csíkszereda IRT-. kurzus 3. Előadás: A mohó algoritmus 1 Csíkszereda IRT. kurzus Bevezetés Az eddig tanult algoritmus tipúsok nem alkalmazhatók: A valós problémák nem tiszta klasszikus problémák A problémák
RészletesebbenDiszkrét Irányítások tervezése. Heurisztika Dr. Bécsi Tamás
Diszkrét Irányítások tervezése Heurisztika Dr. Bécsi Tamás Algoritmusok futásideje Az algoritmus futásideje függ az N bemenő paramétertől. Azonos feladat különböző N értékek esetén más futásidőt igényelnek.
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
RészletesebbenBonyolultságelmélet. Monday 26 th September, 2016, 18:50
Bonyolultságelmélet Monday 26 th September, 2016, 18:50 A kiszámítás modelljei 2 De milyen architektúrán polinom? A kiszámításnak számos (matematikai) modellje létezik: Általános rekurzív függvények λ-kalkulus
RészletesebbenTotális Unimodularitás és LP dualitás. Tapolcai János
Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni
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
RészletesebbenProgramozási módszertan. Mohó algoritmusok
PM-08 p. 1/17 Programozási módszertan Mohó algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-08 p. 2/17 Bevezetés Dinamikus programozás
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenAlgoritmizálás, adatmodellezés tanítása 8. előadás
Algoritmizálás, adatmodellezés tanítása 8. előadás Elágazás és korlátozás A backtrack alkalmas-e optimális megoldás keresésére? Van költség, és a legkisebb költségű megoldást szeretnénk előállítani. Van
RészletesebbenEvolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet
Evolúció Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet Mi az evolúció? Egy folyamat: az élőlények tulajdonságainak változása a környezethez való alkalmazkodásra Egy
RészletesebbenMegkülönböztetett kiszolgáló routerek az
Megkülönböztetett kiszolgáló routerek az Interneten Megkülönböztetett kiszolgálás A kiszolgáló architektúrák minősége az Interneten: Integrált kiszolgálás (IntServ) Megkülönböztetett kiszolgálás (DiffServ)
Részletesebben22. GRÁFOK ÁBRÁZOLÁSA
22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenOptimalizációs stratégiák 1.
Optimalizációs stratégiák 1. Nyers erő, Oszd meg és uralkodj, Feljegyzéses, Dinamikus, Mohó előadás http://nik.uni-obuda.hu/prog2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János
RészletesebbenA számítástudomány alapjai. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem
A számítástudomány alapjai Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem Bináris keresőfa, kupac Katona Gyula Y. (BME SZIT) A számítástudomány
RészletesebbenBranch-and-Bound. 1. Az egészértéketű programozás. a korlátozás és szétválasztás módszere Bevezető Definíció. 11.
11. gyakorlat Branch-and-Bound a korlátozás és szétválasztás módszere 1. Az egészértéketű programozás 1.1. Bevezető Bizonyos feladatok modellezése kapcsán előfordulhat olyan eset, hogy a megoldás során
RészletesebbenHÁROM KÖR A HÁROMSZÖGBEN
Debreceni Egyetem Informatikai Kar HÁROM KÖR A HÁROMSZÖGBEN Konzulens: dr. Aszalós László egyetemi adjunktus Készítette: Király Péter programtervező matematikus szakos hallgató DEBRECEN, 008 Tartalomjegyzék
RészletesebbenEllenőrző kérdések. 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t
Ellenőrző kérdések 2. Kis dolgozat kérdései 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t 37. Ha t szintű indexet használunk,
RészletesebbenFájlszervezés. Adatbázisok tervezése, megvalósítása és menedzselése
Fájlszervezés Adatbázisok tervezése, megvalósítása és menedzselése Célok: gyors lekérdezés, gyors adatmódosítás, minél kisebb tárolási terület. Kezdetek Nincs általánosan legjobb optimalizáció. Az egyik
RészletesebbenEvolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet
Evolúció Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet Mi az evolúció? Egy folyamat: az élőlények tulajdonságainak változása a környezethez való alkalmazkodásra Egy
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
RészletesebbenZenegenerálás, majdnem természetes zene. Bernád Kinga és Roth Róbert
Zenegenerálás, majdnem természetes zene Bernád Kinga és Roth Róbert Tartalom 1. Bevezető 2. Eddigi próbálkozások 3. Módszerek 4. Algoritmus bemutatása 5. Összefoglaló (C) Bernád Kinga, Roth Róbert 2 1.
RészletesebbenGENETIKUS ALGORITMUS ALKALMAZÁSA A MEZŐGAZDASÁGI TERMELÉS OPTIMALIZÁLÁSÁBAN
GENETIKUS ALGORITMUS ALKALMAZÁSA A MEZŐGAZDASÁGI TERMELÉS OPTIMALIZÁLÁSÁBAN Salga Péter, salga@agr.unideb.hu Szilágyi Róbert, szilagyi@agr.unideb.hu Herdon Miklós, herdon@agr.unideb.hu Debreceni Egyetem
RészletesebbenElőfeltétel: legalább elégséges jegy Diszkrét matematika II. (GEMAK122B) tárgyból
ÜTEMTERV Programozás-elmélet c. tárgyhoz (GEMAK233B, GEMAK233-B) BSc gazdaságinformatikus, programtervező informatikus alapszakok számára Óraszám: heti 2+0, (aláírás+kollokvium, 3 kredit) 2019/20-es tanév
RészletesebbenMATEMATIKA EMELT SZINTŰ SZÓBELI VIZSGA TÉMAKÖREI (TÉTELEK) 2012
2012 2. Számhalmazok (a valós számok halmaza és részhalmazai), oszthatósággal kapcsolatos problémák, számrendszerek. 4. Hatványozás, hatványfogalom kiterjesztése, azonosságok. Gyökvonás és azonosságai,
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
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
RészletesebbenAdatszerkezetek I. 1. előadás
Adatszerkezetek I. 1. előadás Adatok jellemzői ismétlés 1. Azonosító Az a jelsorozat, amellyel hivatkozhatunk a tartalmára, amely által módosíthatjuk tartalmát. 2. Hozzáférési jog Adatokat módosítani,
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
RészletesebbenAlgoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 13.
Algoritmuselmélet NP-teljes problémák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 13. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
RészletesebbenAdatbáziskezelı-szerver SQL. Relációs adatbázis-kezelık. Relációs adatszerkezet. Házi feladat 2012.03.05.
1 2 Adatbáziskezelı-szerver Általában dedikált szerver Optimalizált háttértár konfiguráció Csak OS + adatbázis-kezelő szoftver Teljes memória az adatbázisoké Fő funkciók: Adatok rendezett tárolása a háttértárolón
RészletesebbenGráfok 1. Tárolási módok, bejárások. Szoftvertervezés és -fejlesztés II. előadás. Szénási Sándor
Gráfok 1. Tárolási módok, bejárások előadás http://nik.uni-obuda.hu/sztf2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János Informatikai Kar Gráfok 1. Tárolási módok Szélességi
RészletesebbenKészítette: Trosztel Mátyás Konzulens: Hajós Gergely
Készítette: Trosztel Mátyás Konzulens: Hajós Gergely Monte Carlo Markov Chain MCMC során egy megfelelően konstruált Markov-lánc segítségével mintákat generálunk. Ezek eloszlása követi a céleloszlást. A
RészletesebbenMesterséges Intelligencia alapjai
Mesterséges Intelligencia alapjai Evolúciós algoritmusok - neurális hálózatok Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék 2010 / Budapest
RészletesebbenA programozás alapjai előadás. Amiről szólesz: A tárgy címe: A programozás alapjai
A programozás alapjai 1 1. előadás Híradástechnikai Tanszék Amiről szólesz: A tárgy címe: A programozás alapjai A számítógép részegységei, alacsony- és magasszintű programnyelvek, az imperatív programozási
RészletesebbenMATEMATIKA EMELT SZINTŰ SZÓBELI VIZSGA TÉMAKÖREI (TÉTELEK) 2005
2005 1. * Halmazok, halmazműveletek, nevezetes ponthalmazok 2. Számhalmazok, halmazok számossága 3. Hatványozás, hatványfüggvény 4. Gyökvonás, gyökfüggvény 5. A logaritmus. Az exponenciális és a logaritmus
RészletesebbenNem-lineáris programozási feladatok
Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens
RészletesebbenProblémamegoldás kereséssel. Mesterséges intelligencia március 7.
Problémamegoldás kereséssel Mesterséges intelligencia 2014. március 7. Bevezetés Problémamegoldó ágens Kívánt állapotba vezető cselekvéseket keres Probléma megfogalmazása Megoldás megfogalmazása Keresési
RészletesebbenAlgoritmuselmélet 18. előadás
Algoritmuselmélet 18. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Május 7. ALGORITMUSELMÉLET 18. ELŐADÁS 1 Közelítő algoritmusok
RészletesebbenBevezetés a programozásba. 5. Előadás: Tömbök
Bevezetés a programozásba 5. Előadás: Tömbök ISMÉTLÉS Specifikáció Előfeltétel: milyen körülmények között követelünk helyes működést Utófeltétel: mit várunk a kimenettől, mi az összefüggés a kimenet és
RészletesebbenAdatszerkezetek Adatszerkezet fogalma. Az értékhalmaz struktúrája
Adatszerkezetek Összetett adattípus Meghatározói: A felvehető értékek halmaza Az értékhalmaz struktúrája Az ábrázolás módja Műveletei Adatszerkezet fogalma Direkt szorzat Minden eleme a T i halmazokból
RészletesebbenRELÁCIÓS LEKÉRDEZÉSEK OPTIMALIZÁLÁSA. Dr. Gajdos Sándor november BME TMIT
RELÁCIÓS LEKÉRDEZÉSEK OPTIMALIZÁLÁSA Dr. Gajdos Sándor 2014. november BME TMIT TARTALOM Heurisztikus, szabály alapú optimalizálás Költség alapú optimalizálás Katalógus költségbecslés Operációk, műveletek
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
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
Részletesebbenfile:///d:/okt/ad/jegyzet/ad1/b+fa.html
1 / 5 2016. 11. 30. 12:58 B+ fák CSci 340: Database & Web systems Home Syllabus Readings Assignments Tests Links Computer Science Hendrix College Az alábbiakban Dr. Carl Burch B+-trees című Internetes
RészletesebbenAmortizációs költségelemzés
Amortizációs költségelemzés Amennyiben műveleteknek egy M 1,...,M m sorozatának a futási idejét akarjuk meghatározni, akkor egy lehetőség, hogy külön-külön minden egyes művelet futási idejét kifejezzük
RészletesebbenHÁZI FELADAT PROGRAMOZÁS I. évf. Fizikus BSc. 2009/2010. I. félév
1. feladat (nehézsége:*****). Készíts C programot, mely a felhasználó által megadott függvényt integrálja (numerikusan). Gondosan tervezd meg az adatstruktúrát! Tervezz egy megfelelő bemeneti nyelvet.
RészletesebbenHaladó rendezések. PPT 2007/2008 tavasz.
Haladó rendezések szenasi.sandor@nik.bmf.hu PPT 2007/2008 tavasz http://nik.bmf.hu/ppt 1 Témakörök Alapvető összehasonlító rendezések Shell rendezés Kupacrendezés Leszámláló rendezés Radix rendezés Edényrendezés
RészletesebbenDOKTORI (PhD) ÉRTEKEZÉS BALOGH SÁNDOR KAPOSVÁRI EGYETEM GAZDASÁGTUDOMÁNYI KAR
DOKTORI (PhD) ÉRTEKEZÉS BALOGH SÁNDOR KAPOSVÁRI EGYETEM GAZDASÁGTUDOMÁNYI KAR 2009 KAPOSVÁRI EGYETEM GAZDASÁGTUDOMÁNYI KAR Informatika Tanszék A doktori iskola vezetője: PROF. DR. UDOVECZ GÁBOR az MTA
RészletesebbenÉrdekes informatika feladatok
A keres,kkel és adatbázissal ellátott lengyel honlap számos díjat kapott: Spirit of Delphi '98, Delphi Community Award, Poland on the Internet, Golden Bagel Award stb. Az itt megtalálható komponenseket
RészletesebbenGépi tanulás. Neurális hálók, genetikus algoritmus. Közlekedési informatika MSc. Földes Dávid St. 405.
Gépi tanulás Neurális hálók, genetikus algoritmus Közlekedési informatika MSc Földes Dávid foldes.david@mail.bme.hu St. 405. Tartalom Mesterséges intelligencia - bevezetés Neurális hálózatok Evolúciós
RészletesebbenFák 2009.04.06. Témakörök. Fa definíciója. Rekurzív típusok, fa adatszerkezet Bináris keresőfa, bejárások Bináris keresőfa, módosítás B-fa
Fák szenasi.sandor@nik.bmf.hu PPT 2007/2008 tavasz http://nik.bmf.hu/ppt 1 Rekurzív típusok, fa adatszerkezet Bináris keresőfa, bejárások Bináris keresőfa, módosítás B-fa Témakörök 2 Fa (Tree): csomópontok
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 9. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
RészletesebbenFunkcionálanalízis. n=1. n=1. x n y n. n=1
Funkcionálanalízis 2011/12 tavaszi félév - 2. előadás 1.4. Lényeges alap-terek, példák Sorozat terek (Folytatás.) C: konvergens sorozatok tere. A tér pontjai sorozatok: x = (x n ). Ezen belül C 0 a nullsorozatok
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
RészletesebbenMás szavakkal formálisan:, ahol olyan egész szám, hogy. Más szavakkal formálisan:, ahol olyan egész szám, hogy.
Bevezetés 1. Definíció. Az alsó egészrész függvény minden valós számhoz egy egész számot rendel hozzá, éppen azt, amely a tőle nem nagyobb egészek közül a legnagyobb. Az alsó egészrész függvény jele:,
RészletesebbenDr. Schuster György február / 32
Algoritmusok és magvalósítások Dr. Schuster György OE-KVK-MAI schuster.gyorgy@kvk.uni-obuda.hu 2015. február 10. 2015. február 10. 1 / 32 Algoritmus Alapfogalmak Algoritmus Definíció Algoritmuson olyan
RészletesebbenProgramozás alapjai 9. előadás. Wagner György Általános Informatikai Tanszék
9. előadás Wagner György Általános Informatikai Tanszék Leszámoló rendezés Elve: a rendezett listában a j-ik kulcs pontosan j-1 kulcsnál lesz nagyobb. (Ezért ha egy kulcsról tudjuk, hogy 27 másiknál nagyobb,
RészletesebbenProgramozás alapjai II. (7. ea) C++ Speciális adatszerkezetek. Tömbök. Kiegészítő anyag: speciális adatszerkezetek
Programozás alapjai II. (7. ea) C++ Kiegészítő anyag: speciális adatszerkezetek Szeberényi Imre BME IIT M Ű E G Y E T E M 1 7 8 2 C++ programozási nyelv BME-IIT Sz.I. 2016.04.05. - 1
RészletesebbenSpeciális adatszerkezetek. Programozás alapjai II. (8. ea) C++ Tömbök. Tömbök/2. N dimenziós tömb. Nagyméretű ritka tömbök
Programozás alapjai II. (8. ea) C++ Kiegészítő anyag: speciális adatszerkezetek Szeberényi Imre BME IIT Speciális adatszerkezetek A helyes adatábrázolás választása, a helyes adatszerkezet
RészletesebbenJAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN
JAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN Supporting Top-k item exchange recommendations in large online communities Barabás Gábor Nagy Dávid Nemes Tamás Probléma Cserekereskedelem
RészletesebbenHatwágner Ferenc Miklós
Doktori értekezés Hatwágner Ferenc Miklós Széchenyi István Egyetem, Műszaki Tudományi Kar 2012 Hatwágner Ferenc Miklós Dinamikai rendszerek modellezése genetikus algoritmusok segítségével doktori értekezés
RészletesebbenApproximációs algoritmusok
Approximációs algoritmusok Nehéz (pl. NP teljes) problémák optimális megoldásának meghatározására nem tudunk (garantáltan) polinom idejű algoritmust adni. Lehetőségek: -exponenciális futási idejű algoritmus
RészletesebbenPopulációgenetikai. alapok
Populációgenetikai alapok Populáció = egyedek egy adott csoportja Az egyedek eltérnek egymástól morfológiailag, de viselkedésüket tekintve is = genetikai különbségek Fenotípus = külső jellegek morfológia,
RészletesebbenÁltalános algoritmustervezési módszerek
Általános algoritmustervezési módszerek Ebben a részben arra mutatunk példát, hogy miként használhatóak olyan általános algoritmustervezési módszerek mint a dinamikus programozás és a korlátozás és szétválasztás
RészletesebbenÖsszefoglalás és gyakorlás
Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)
RészletesebbenAlgoritmuselmélet. 2-3 fák. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 8.
Algoritmuselmélet 2-3 fák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 8. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet 8. előadás
RészletesebbenAlgoritmizálás és adatmodellezés tanítása 1. előadás
Algoritmizálás és adatmodellezés tanítása 1. előadás Algoritmus-leíró eszközök Folyamatábra Irányított gráf, amely csomópontokból és őket összekötő élekből áll, egyetlen induló és befejező éle van, az
RészletesebbenOOP. Alapelvek Elek Tibor
OOP Alapelvek Elek Tibor OOP szemlélet Az OOP szemlélete szerint: a valóságot objektumok halmazaként tekintjük. Ezen objektumok egymással kapcsolatban vannak és együttműködnek. Program készítés: Absztrakciós
RészletesebbenLáncolt Listák. Adat1 Adat2 Adat3 ø. Adat1 Adat2 ø Adat3
Láncolt Listák Adatszerkezetek Adatszerkezet: Az adatelemek egy olyan véges halmaza, amelyben az adatelemek között szerkezeti összefüggések vannak Megvalósítások: - Tömb, Láncolt lista, Fa, Kupac, Gráf,
Részletesebben1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje
1. Alapfogalmak 1.1. Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt
RészletesebbenTovábbi programozási esetek Hiperbolikus, kvadratikus, integer, bináris, többcélú programozás
További programozási esetek Hiperbolikus, kvadratikus, integer, bináris, többcélú programozás Készítette: Dr. Ábrahám István Hiperbolikus programozás Gazdasági problémák optimalizálásakor gyakori, hogy
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
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
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
RészletesebbenMindenki abból a három tantárgyból tesz szigorlatot, amelyet hallgatott.
Szigorlati témakörök az Informatika (szigorlat) (BMEVIAU0181) c. tantárgyat felváltó Informatika (BMEGERIEEIS) tantárgyból az okleveles energetikai mérnökképzés (2N-0E) hallgatói számára 1. tantárgy: Programozás
Részletesebben1. Milyen hatással van a heurisztika általában a keresõ rendszerek mûködésére?
2012. 06. 20. 1. Milyen hatással van a heurisztika általában a keresõ rendszerek mûködésére? A heurisztika olyan, a feladathoz kapcsolódó ötlet, amelyet közvetlenül építünk be egy algoritmusba, azért,
RészletesebbenAdatszerkezetek I. 8. előadás. (Horváth Gyula anyagai felhasználásával)
Adatszerkezetek I. 8. előadás (Horváth Gyula anyagai felhasználásával) Kereső- és rendezőfák Közös tulajdonságok: A gyökérelem (vagy kulcsértéke) nagyobb vagy egyenlő minden tőle balra levő elemnél. A
Részletesebben