Informatikai Rendszerek Tervezése

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Informatikai Rendszerek Tervezése"

Átírás

1 Sapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT.- 5. kurzus 1 Informatikai Rendszerek Tervezése 4. Előadás: Genetikus algoritmusok Illyés László 1

2 Tartalom Bevezető A kanonikus genetikus algoritmus A genetikus algoritmusok biológiai alapjai Történelem Permutációs adatstruktúrák Speciális reprezentációk Saját reprezentációk

3 Bevezető Charles Darwin elmélete és G.J. Mendel statisztikai kísérletei egy minőségi ugrást jelentettek a biológiában. J.D. Watson és F. Crick készítették el először a DNS struktúrát, ahogy ma is ismerjük. A komplexitás elmélet és az operációkutatás nagy hatással voltak a kutatásokra, kimutatva, hogy a valós, komplex problémák nem oldhatók meg polinomiális idő alatt Keresték az olyan algoritmusokat, amelyek modellezni és utánozni tudnák a nagy túlélőt: a Természetet.

4 A DNS struktúrája Forrás: Wikipedia, dezoxiribonukleinsav

5 Két székely barkchobázik: - Tekeredik? - Ja, tekeredik! - Oszt kunkorodik is? - A' hát, kunkorodik is! - De oszt csavarodni oszt csavarodik-é? - Csavarodik hát! - Nono, na csak nem tán a dezoxiribonukleinsav?! -viccek/barkochba.html

6 Az algoritmus működése POPULÁCIÓval dolgozunk Kezdeti populáció elkészítése a véletlent használja (RAND). Minden ciklus egy új GENERÁCIÓ Kiértékelés: a problémára adott megoldás EREDMÉNYének kiszámítása

7 Genetikus OPERÁTOROK kiválasztás (Darwin szerinti) Az életképesebb egyéneknek nagyobb az esélyük a túlélésre vagy szaporodásra, génei nagyobb valószínűséggel lesznek benne a következő generáció gyerekeiben életképesség jobb eredmény keresztezés mutáció reprodukció

8 Mandel szerinti öröklődés (a keresztezés mechanizmusa) Forrás: Wikipedia, Mandelian inheritance

9 Mi történik, ha keresztezik a zsiráfot és a vakondot?! fúrótorony Mit történik, ha keresztezzük a pulit egy zsiráffal? szívinfarktust kap a juhász Mi lesz, ha a kecskét és a kacsát keresztezzük? mekkdonalds. Mi lesz a bulldog és a boxer kereszteződéséből? bulldózer Mi lesz a kígyó és a sűndisznó kereszteződéséből? szögesdrót

10 Bináris sztringek egypontos keresztezése Szülők Keresztezés locus P1 P Gyerekek (offsprings) O1 O

11 Bináris sztringek kétpontos keresztezése Szülők Keresztezés locusok P1 P Gyerekek (offsprings) O1 O

12 Bináris sztringek uniform keresztezése Szülők P1 P Gyerekek (offsprings) O1 O valószínűséggel egyik vagy másik szülőtől

13 Túlzott mutáció

14 "All of the illustrations in the Talking Glossary of Genetics are freely available and may be used without special permission." Mutáció tipusok Törlés Duplikálás Inverzió Beszúrás Transzlokáció

15 Bináris sztringek mutációja Csak egy gén mutálódik P1 O A gének egymástól függetlenül mutálódnak P1 O

16 Bináris sztringek mutációja Csak egy gén mutálódik P1 O A gének egymástól függetlenül mutálódnak P1 O

17 A kanonikus genetikus algoritmus A problémát a hátizsák problémán keresztül vizsgáljuk, amelyik egy befektetési portfólióról szól. Egy befektetőnek c tőkéje van, amit be szeretne fektetni. Választhat n befektetésből. Az összes lehetséges befektetés értéke nagyobb, mint a tőke, ami rendelkezésére áll. Az i-edik befektetés összege fd i és a várható nyereség b i s i -kiválasztási vektor: s i =1 ha kiválasztjuk az i-edik variáns, másképp s i =0 A matematikai modell: max n n b i * si i= 1 i= 1 fd * s c i i

18 A genetikus algoritmus helye az optimalizálásban optimalizálási eljárások gradiens alapú módszerek sztochasztikus kimerítő keresésen alapuló direkt indirekt tabu evolúciós szimulált Dinamikus programozás algoritmus algoritmusok lehűtés evolúciós stratégiák genetikus algoritmusok párhúzamos soros Álmos A. et.all, Genetikus algoritmusok, Typotex, Budapest, 2002, pp. 21

19 Történeti áttekintés -minden rendszer egy olyan populáció kialakítására épül, amely egy adott probléma megoldási lehetőségeit tartalmazza 1965,73 Rechenberg evolúciós stratégiák 1966 Fogel, Owens és Walsh evolutív programozás 1975 Holland J. genetikus algoritmusok a kanonikus genetikus algoritmus 1992,94 Koza J.R. genetikus programozás

20 A genetikus algoritmusok biológiai háttere Miért használható? Sok számítási feladat megoldásakor szükségünk van egy adaptációs lehetőségre, vagyis arra, hogy az algoritmus robusztus legyen változó környezetben is Robotikában, a robotirányításban, meg kell oldani olyan feladatokat, amelyek változó környezetben zajlanak, a program használható kell legyen más felhasználó számára is. A túlélési versenyben, az erősebb egyedeknek (akik jobban megoldanak egy problémát, több energiaforráshoz jutnak) nagyobb az esélyük, hogy szaporodjanak, a gyerekeik örökölni fogják a kromoszóma-állományuk egy részét.

21 A genetikus algoritmus és a biológiai megfelelője Biológia Kromoszóma Gén génváltozat (allél) Gén helye (locus) Genotípus Fenotípus Genetikus algoritmusok Sztring jellemző Jellemző értéke Sztring-pozíció Struktúra Egy megoldás Álmos A. et.all, Genetikus algoritmusok, Typotex, Budapest, 2002, pp. 40

22 A szaporodás Az egyszerű, vagy a generációs szaporodás: lecseréli a szülő (régi) populációt. Ennek kiegészítése képpen, használatos az elitizmus princípiuma, amelyben a populáció legjobb elemei továbbélnek a következő generációban is.

23 Átrendező operátorok Permutációkra kidolgozott Az utazóügynök problémát megoldó Egy olyan genetikus anyag, amelyben minden gén más-más információt hordoznincs 2 egyforma gén A permutációs jelleg megmarad 23

24 Átrendező operátorok INVERZIÓ-művelete A K T L O S P F H A K S O L T P F H Egy valódi gén funkciója gyakran független annak a kromoszómán belüli pozíciójától (habár egy helyhez tartozó gének gyakran együttműködnek) 24

25 Átrendező operátorok PMX-Partially Mixed Crossover A B Gyerekek (offsprings) A B

26 Átrendező operátorok PMX-Partially Mixed Crossover A B Gyerekek (offsprings) A B

27 Átrendező operátorok OX - Order Crossover A B Gyerekek (offsprings) A B

28 Átrendező operátorok OX - Order Crossover A B Gyerekek (offsprings) A B

29 Átrendező operátorok CX - Cycle Crossover A B Gyerekek (offsprings) A B

30 Átrendező operátorok CX - Cycle Crossover A B Gyerekek (offsprings) A B

31 Átrendező operátorok CX - Cycle Crossover A B Gyerekek (offsprings) A B

32 Edge rekombináció A szülők permutáció sorszámai közti szomszédos kapcsolatokat öröklik 32

33 Átrendező operátorok ERC Edge Recombination Crossover P1 G D M H B J F I A K E C P2 C E K A G B H I J F M D A G, I, -K B G, -H, J C D, -E, G D C, G, -M E -C, -K F I, -J, M csúcslista Amely elemek 2-szer vannak jelen, külön megjelöljük jellel. Ezeknek prioritásuk lesz az elkövetkezőkben. 33

34 Átrendező operátorok ERC Edge Recombination Crossover P1 G D M H B J F I A K E C P2 C E K A G B H I J F M D G A, B, C, D H -B, I, M I A, F, H, J J B, -F, I K -A, -E M -D, F, H csúcslista Ez a megközelítés akkor állja a helyét, ha szimmetrikus a költségmátrix és az utazóügynök vissza kell térjen a bázishelyre 34

35 Reprezentáció és kódolás 1. Klasszikus, rögzített hosszúságú bináris sztring Egészértékű kódolás Lebegőpontos kódolás

36 Reprezentáció és kódolás 4. Változó hosszúságú kromoszóma Kétdimenziós kromoszóma

37 Reprezentáció és kódolás 5. Listás kromoszóma ábrázolás Fa-struktúrájú kromoszóma ábrázolás

38 Reprezentáció és kódolás + x b - + x c a x x b 2.5 c a Programok kódolása fa-struktúrában

39 MTSP több utazóügynök probléma Egy kromoszómás technika Két kromoszómás technika

40 MTSP több utazóügynök probléma Kétrészű kromoszóma technika A kromoszóma első részére lehet alkalmazni bármilyen rekombinációs műveletet. A második részére a kromoszómának ki kell találni egy másfajta keresztezés vagy mutációs műveletet

41 Sarok algoritmus kromoszómája

42 Kontroll kromoszóma

43 Kontroll kromoszóma keresztezés operátora

Számítógépes döntéstámogatás. Genetikus algoritmusok

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

Részletesebben

Genetikus algoritmusok

Genetikus algoritmusok Genetikus algoritmusok Zsolnai Károly - BME CS zsolnai@cs.bme.hu Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu

Részletesebben

Algoritmusok Tervezése. 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás

Algoritmusok 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

Részletesebben

Universität 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,

Universität 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

Részletesebben

A 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 A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere Kaposvári Egyetem, Informatika Tanszék I. Kaposvári Gazdaságtudományi Konferencia

Részletesebben

Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal

Intelligens 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:

Részletesebben

Evolúciós algoritmusok

Evolúciós 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

Részletesebben

Intelligens technikák k a

Intelligens technikák k a Intelligens technikák k a döntéstámogatásban Genetikus algoritmusok Starkné Dr. Werner Ágnes Bevezetés A 60-as években merült fel először az a gondolat, hogy az evolúcióban megfigyelhető szelekciós folyamatok

Részletesebben

értékel függvény: rátermettségi függvény (tness function)

értékel 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

Részletesebben

Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói

Intelligens 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

Részletesebben

Képrekonstrukció 9. előadás

Képrekonstrukció 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.

Részletesebben

Többgénes jellegek. 1. Klasszikus (poligénes) mennyiségi jellegek. 2.Szinte minden jelleg több gén irányítása alatt áll

Többgénes jellegek. 1. Klasszikus (poligénes) mennyiségi jellegek. 2.Szinte minden jelleg több gén irányítása alatt áll Többgénes jellegek Többgénes jellegek 1. 1. Klasszikus (poligénes) mennyiségi jellegek Multifaktoriális jellegek: több gén és a környezet által meghatározott jellegek 2.Szinte minden jelleg több gén irányítása

Részletesebben

értékel függvény: rátermettségi függvény (tness function)

értékel 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

Részletesebben

Mesterséges Intelligencia MI

Mesterséges 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

Részletesebben

Evolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet

Evolúció. 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

Részletesebben

Tartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9

Tartalomjegyzék. 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...

Részletesebben

Evolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet

Evolúció. 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

Részletesebben

Hátterükben egyetlen gén áll, melynek általában számottevő a viselkedésre gyakorolt hatása, öröklési mintázata jellegzetes.

Hátterükben egyetlen gén áll, melynek általában számottevő a viselkedésre gyakorolt hatása, öröklési mintázata jellegzetes. Múlt órán: Lehetséges tesztfeladatok: Kitől származik a variáció-szelekció paradigma, mely szerint az egyéni, javarészt öröklött különbségek között a társadalmi harc válogat? Fromm-Reichmann Mill Gallton

Részletesebben

Genetikus algoritmusok az L- rendszereken alapuló. Werner Ágnes

Genetikus 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

Részletesebben

Természetes szelekció és adaptáció

Természetes szelekció és adaptáció Természetes szelekció és adaptáció Amiről szó lesz öröklődő és variábilis fenotípus természetes szelekció adaptáció evolúció 2. Természetes szelekció Miért fontos a természetes szelekció (TSZ)? 1. C.R.

Részletesebben

HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL. OLÁH Béla

HÁLÓZATSZERŰEN 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

Részletesebben

Képrekonstrukció 6. előadás

Képrekonstrukció 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

Részletesebben

Johann Gregor Mendel Az olmüci (Olomouc) és bécsi egyetem diákja Brünni ágostonrendi apát (nem szovjet tudós) Tudatos és nagyon alapos kutat

Johann Gregor Mendel Az olmüci (Olomouc) és bécsi egyetem diákja Brünni ágostonrendi apát (nem szovjet tudós) Tudatos és nagyon alapos kutat 10.2.2010 genmisk1 1 Áttekintés Mendel és a mendeli törvények Mendel előtt és körül A genetika törvényeinek újbóli felfedezése és a kromoszómák Watson és Crick a molekuláris biológoa központi dogmája 10.2.2010

Részletesebben

DOKTORI (PhD) ÉRTEKEZÉS BALOGH SÁNDOR KAPOSVÁRI EGYETEM GAZDASÁGTUDOMÁNYI KAR

DOKTORI (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

Részletesebben

Dr. habil. Maróti György

Dr. 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

Részletesebben

HÁROM KÖR A HÁROMSZÖGBEN

HÁROM 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

Részletesebben

Gépi tanulás. Neurális hálók, genetikus algoritmus. Közlekedési informatika MSc. Földes Dávid St. 405.

Gépi 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

Részletesebben

Mesterséges Intelligencia MI

Mesterséges 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

Részletesebben

Evolúciós alapfogalmak, általános algoritmusok

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.

Részletesebben

ANALÍZIS TANSZÉK Szakdolgozati téma. Piezoelektromos mechanikai redszer rezgését leíró parciális

ANALÍZIS TANSZÉK Szakdolgozati téma. Piezoelektromos mechanikai redszer rezgését leíró parciális Piezoelektromos mechanikai redszer rezgését leíró parciális di erenciálegyenlet el½oállítása és megoldása Témavezet½o: Dr. Kovács Béla Rugalmas és pizoelektromos rétegekb½ol álló összetett mechanikai rendszer

Részletesebben

Hidraulikus hálózatok robusztusságának növelése

Hidraulikus hálózatok robusztusságának növelése Dr. Dulovics Dezső Junior Szimpózium 2018. Hidraulikus hálózatok robusztusságának növelése Előadó: Huzsvár Tamás MSc. Képzés, II. évfolyam Témavezető: Wéber Richárd, Dr. Hős Csaba www.hds.bme.hu Az előadás

Részletesebben

Diverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet

Diverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 11. Előadás Portfólió probléma Portfólió probléma Portfólió probléma Adott részvények (kötvények,tevékenységek,

Részletesebben

Human genome project

Human genome project Human genome project Pataki Bálint Ármin 2017.03.14. Pataki Bálint Ármin Human genome project 2017.03.14. 1 / 14 Agenda 1 Biológiai bevezető 2 A human genome project lefolyása 3 Alkalmazások, kitekintés

Részletesebben

Zenegenerálás, majdnem természetes zene. Bernád Kinga és Roth Róbert

Zenegenerálás, 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.

Részletesebben

Bevezetés az informatikába

Bevezetés 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.

Részletesebben

Populációgenetikai. alapok

Populációgenetikai. alapok Populációgenetikai alapok Populáció = egyedek egy adott csoportja Az egyedek eltérnek egymástól morfológiailag, de viselkedésüket tekintve is = genetikai különbségek Fenotípus = külső jellegek morfológia,

Részletesebben

TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...

TARTALOMJEGYZÉK. 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

Részletesebben

Az evolúció folyamatos változások olyan sorozata, melynek során bizonyos populációk öröklődő jellegei nemzedékről nemzedékre változnak.

Az evolúció folyamatos változások olyan sorozata, melynek során bizonyos populációk öröklődő jellegei nemzedékről nemzedékre változnak. Evolúció Az evolúció folyamatos változások olyan sorozata, melynek során bizonyos populációk öröklődő jellegei nemzedékről nemzedékre változnak. Latin eredetű szó, jelentése: kibontakozás Időben egymást

Részletesebben

A PKU azért nem hal ki, mert gyógyítják, és ezzel növelik a mutáns allél gyakoriságát a Huntington kór pedig azért marad fenn, mert csak későn derül

A PKU azért nem hal ki, mert gyógyítják, és ezzel növelik a mutáns allél gyakoriságát a Huntington kór pedig azért marad fenn, mert csak későn derül 1 Múlt órán: Genetikai alapelvek, monogénes öröklődés Elgondolkodtató feladat Vajon miért nem halnak ki az olyan mendeli öröklődésű rendellenességek, mint a Phenylketonuria, vagy a Huntington kór? A PKU

Részletesebben

Heurisztikák algoritmusok ütemezési problémákra. 1. Állapottér és a megoldások kezelése

Heurisztikák algoritmusok ütemezési problémákra. 1. Állapottér és a megoldások kezelése Heurisztikák algoritmusok ütemezési problémákra 1. Állapottér és a megoldások kezelése Számos nehéz ütemezési probléma esetén az exponenciális idejű optimális megoldást adó algoritmusok rendkívül nagy

Részletesebben

2017/ Szegedi Tudományegyetem Informatikai Intézet

2017/ Szegedi Tudományegyetem Informatikai Intézet Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 8. Előadás Bevezetés Egy olyan LP-t, amelyben mindegyik változó egészértékű, tiszta egészértékű

Részletesebben

Mesterséges Intelligencia alapjai

Mesterséges Intelligencia alapjai Mesterséges Intelligencia alapjai Evolúciós algoritmusok - neurális hálózatok Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék 2010 / Budapest

Részletesebben

OOP. Alapelvek Elek Tibor

OOP. 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

Részletesebben

A genetikai lelet értelmezése monogénes betegségekben

A genetikai lelet értelmezése monogénes betegségekben A genetikai lelet értelmezése monogénes betegségekben Tory Kálmán Semmelweis Egyetem, I. sz. Gyermekklinika A ~20 ezer fehérje-kódoló gén a 23 pár kromoszómán A kromoszómán található bázisok száma: 250M

Részletesebben

Számítógép és programozás 2

Számítógép 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,

Részletesebben

Tudománytörténeti visszatekintés

Tudománytörténeti visszatekintés GENETIKA I. AZ ÖRÖKLŐDÉS TÖRVÉNYSZERŰSÉGEI Minek köszönhető a biológiai sokféleség? Hogyan történik a tulajdonságok átörökítése? Tudománytörténeti visszatekintés 1. Keveredés alapú öröklődés: (1761-1766,

Részletesebben

A kromoszómák kialakulása előtt a DNS állomány megkettőződik. A két azonos információ tartalmú DNS egymás mellé rendeződik és egy kromoszómát alkot.

A kromoszómák kialakulása előtt a DNS állomány megkettőződik. A két azonos információ tartalmú DNS egymás mellé rendeződik és egy kromoszómát alkot. Kromoszómák, Gének A kromoszóma egy hosszú DNS szakasz, amely a sejt életének bizonyos szakaszában (a sejtosztódás előkészítéseként) tömörödik, így fénymikroszkóppal láthatóvá válik. A kromoszómák két

Részletesebben

BIOLÓGIA HÁZIVERSENY 1. FORDULÓ BIOKÉMIA, GENETIKA BIOKÉMIA, GENETIKA

BIOLÓGIA HÁZIVERSENY 1. FORDULÓ BIOKÉMIA, GENETIKA BIOKÉMIA, GENETIKA BIOKÉMIA, GENETIKA 1. Nukleinsavak keresztrejtvény (12+1 p) 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 1. A nukleinsavak a.-ok összekapcsolódásával kialakuló polimerek. 2. Purinvázas szerves bázis, amely az

Részletesebben

Evolúcióbiológia. Biológus B.Sc tavaszi félév

Evolúcióbiológia. Biológus B.Sc tavaszi félév Evolúcióbiológia Biológus B.Sc. 2011. tavaszi félév A biológiában minden csak az evolúció fényében válik érthetővé Theodosius Dobzhansky : Nothing in biology makes sense except in the light of evolution.

Részletesebben

Simon Károly Babes Bolyai Tudományegyetem ksimon@cs.ubbcluj.com

Simon Károly Babes Bolyai Tudományegyetem ksimon@cs.ubbcluj.com Evolúciósalgoritmusokalkalmazása azadatelemzésben SimonKároly Babes BolyaiTudományegyetem ksimon@cs.ubbcluj.com 1 Evolúciósszámítástechnikaimodellek Evolúciósszámítástechnika:biológiaiinspirációjúkeresésiés

Részletesebben

Bevezetés a biológiába. Környezettan Bsc. Szakos hallgatóknak

Bevezetés a biológiába. Környezettan Bsc. Szakos hallgatóknak Bevezetés a biológiába Környezettan Bsc. Szakos hallgatóknak Mi a biológia? A biológia (az élet{bios} tudománya {logos}) az élőlények eredetének, leszármazási kapcsolatainak, testfelépítésésének, működésének,

Részletesebben

Genetika 2. előadás. Bevezető

Genetika 2. előadás. Bevezető Genetika 2. előadás Genetikai alapelvek: hogyan öröklődnek a tulajdonságok Mendeli genetika Bevezető Mi okozza a hasonlóságokat és különbségeket a családtagok között? Gének: biológiai információ alapegysége

Részletesebben

Sapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus

Sapientia - 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

Részletesebben

Algoritmizálás. Horváth Gyula Szegedi Tudományegyetem Természettudományi és Informatikai Kar

Algoritmizálás. Horváth Gyula Szegedi Tudományegyetem Természettudományi és Informatikai Kar Algoritmizálás Horváth Gyula Szegedi Tudományegyetem Természettudományi és Informatikai Kar horvath@inf.u-szeged.hu 0.1. Az algoritmikus tudás szintjei Ismeri (a megoldó algoritmust) Érti Le tudja pontosan

Részletesebben

Szelekció. Szelekció. A szelekció típusai. Az allélgyakoriságok változása 3/4/2013

Szelekció. Szelekció. A szelekció típusai. Az allélgyakoriságok változása 3/4/2013 Szelekció Ok: több egyed születik, mint amennyi túlél és szaporodni képes a sikeresség mérése: fitnesz Szelekció Ok: több egyed születik, mint amennyi túlél és szaporodni képes a sikeresség mérése: fitnesz

Részletesebben

Recesszív öröklődés. Tájékoztató a betegek és családtagjaik számára. Fordította: Dr. Komlósi Katalin Orvosi Genetikai Intézet, Pécsi Tudományegyetem

Recesszív öröklődés. Tájékoztató a betegek és családtagjaik számára. Fordította: Dr. Komlósi Katalin Orvosi Genetikai Intézet, Pécsi Tudományegyetem 12 Recesszív öröklődés Fordította: Dr. Komlósi Katalin Orvosi Genetikai Intézet, Pécsi Tudományegyetem 2009. május 15. A londoni Guy s and St Thomas kórház, a Királyi Nőgyógyászati és Szülészeti Társaság

Részletesebben

Genetika 3 ea. Bevezetés

Genetika 3 ea. Bevezetés Genetika 3 ea. Mendel törvényeinek a kiegészítése: Egygénes öröklődés Többtényezős öröklődés Bevezetés Mendel által vizsgált tulajdonságok: diszkrétek, két különböző fenotípus Humán tulajdonságok nagy

Részletesebben

Diszkrét, egészértékű és 0/1 LP feladatok

Diszkrét, egészértékű és 0/1 LP feladatok Diszkrét, egészértékű és 0/1 LP feladatok In English Integer Programming - IP Zero/One (boolean) programming 2007.03.12 Dr. Bajalinov Erik, NyF MII 1 Diszkrét és egészértékű változókat tartalmazó feladatok

Részletesebben

GEOSTATISZTIKA II. Geográfus MSc szak. 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ

GEOSTATISZTIKA II. Geográfus MSc szak. 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ GEOSTATISZTIKA II. Geográfus MSc szak 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet A tantárgy adatlapja Tantárgy neve:

Részletesebben

Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával

Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával * Pannon Egyetem, M szaki Informatikai Kar, Számítástudomány

Részletesebben

A programozás alapjai előadás. Amiről szólesz: A tárgy címe: A programozás alapjai

A 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

Részletesebben

Programozás alapjai 9. előadás. Wagner György Általános Informatikai Tanszék

Programozás 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,

Részletesebben

Folyamatoptimalizálás: a felhőalapú modernizáció kiindulópontja. Bertók Botond Pannon Egyetem, Műszaki Informatikai Kar

Folyamatoptimalizálás: a felhőalapú modernizáció kiindulópontja. Bertók Botond Pannon Egyetem, Műszaki Informatikai Kar Folyamatoptimalizálás: a felhőalapú modernizáció kiindulópontja Bertók Botond Pannon Egyetem, Műszaki Informatikai Kar Tartalom Felhőalapú szolgáltatások Kihívások Módszertan Kutatás Projektek 2 Felső

Részletesebben

SCHRÖDINGER mi is az élet? Rausch Péter ELTE TTK kémia-környezettan

SCHRÖDINGER mi is az élet? Rausch Péter ELTE TTK kémia-környezettan Rausch Péter ELTE TTK kémia-környezettan A természettudományok nem véletlenül képeznek szerves egységet, hiszen a körülöttünk lévő világ a természet működését igyekeznek tudományos igényességgel leírni.

Részletesebben

ÉRETTSÉGI TÉTELCÍMEK 2018 Informatika

ÉRETTSÉGI TÉTELCÍMEK 2018 Informatika Budapesti Egyetemi Katolikus Gimnázium és Kollégium ÉRETTSÉGI TÉTELCÍMEK 2018 Informatika Reischlné Rajzó Zsuzsanna Szaktanár Endrédi Józsefné Igazgató Kelt: Budapest, 2018. március 1. tétel A kommunikáció

Részletesebben

Intelligens adatelemzés

Intelligens adatelemzés Antal Péter, Antos András, Horváth Gábor, Hullám Gábor, Kocsis Imre, Marx Péter, Millinghoffer András, Pataricza András, Salánki Ágnes Intelligens adatelemzés Szerkesztette: Antal Péter A jegyzetben az

Részletesebben

Szakdolgozat. Miskolci Egyetem. A genetikus algoritmus alkalmazási lehetőségei. Készítette: Biró Szilárd 5. Programtervező informatikus

Szakdolgozat. Miskolci Egyetem. A genetikus algoritmus alkalmazási lehetőségei. Készítette: Biró Szilárd 5. Programtervező informatikus Szakdolgozat Miskolci Egyetem A genetikus algoritmus alkalmazási lehetőségei Készítette: Biró Szilárd 5. Programtervező informatikus Témavezető: Dr. Körei Attila Miskolc, 2013 Miskolci Egyetem Gépészmérnöki

Részletesebben

Adatszerkezetek Adatszerkezet fogalma. Az értékhalmaz struktúrája

Adatszerkezetek 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

Részletesebben

1. Az informatika alapjai (vezetője: Dr. Dömösi Pál, DSc, egyetemi tanár) Kredit

1. Az informatika alapjai (vezetője: Dr. Dömösi Pál, DSc, egyetemi tanár) Kredit 2. MELLÉKLET Az oktatási koncepciója 1. Az informatika alapjai (vezetője: Dr. Dömösi Pál, DSc, egyetemi tanár) Az informatika alapjai Tud. Min. 1 Automata hálózatok 2 V Dr. Dömösi Pál DSc 2 Automaták és

Részletesebben

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre

Részletesebben

DEBRECENI EGYETEM AGRÁRTUDOMÁNYI CENTRUM AGRÁRGAZDASÁGI ÉS VIDÉKFEJLESZTÉSI KAR

DEBRECENI EGYETEM AGRÁRTUDOMÁNYI CENTRUM AGRÁRGAZDASÁGI ÉS VIDÉKFEJLESZTÉSI KAR DEBRECENI EGYETEM AGRÁRTUDOMÁNYI CENTRUM AGRÁRGAZDASÁGI ÉS VIDÉKFEJLESZTÉSI KAR Gazdasági és Agrárinformatikai Tanszék Dr. Herdon Miklós Genetikus algoritmus alapú elosztott optimalizáló eljárások alkalmazása

Részletesebben

Genetika. Tartárgyi adatlap: tantárgy adatai

Genetika. Tartárgyi adatlap: tantárgy adatai Genetika Előadás a I. éves Génsebészet szakos hallgatók számára Tartárgyi adatlap: tantárgy adatai 2.1. Tantárgy címe Genetika 2.2. Előadás felelőse Dr. Mara Gyöngyvér, docens 2.3. Egyéb oktatási tevékenységek

Részletesebben

Helyi tanterv Német nyelvű matematika érettségi előkészítő. 11. évfolyam

Helyi tanterv Német nyelvű matematika érettségi előkészítő. 11. évfolyam Helyi tanterv Német nyelvű matematika érettségi előkészítő 11. évfolyam Tematikai egység címe órakeret 1. Gondolkodási és megismerési módszerek 10 óra 2. Geometria 30 óra 3. Számtan, algebra 32 óra Az

Részletesebben

1.1 Genetikus algoritmusok

1.1 Genetikus algoritmusok 1.1 Genetikus algoritmusok A genetikus algoritmus (genetic algorithm, GA) iránt mutatkozó érdeklődésnek sok oka van, de egy dolog biztosan fontos szerepet játszik: bizonyos mértékig kapcsolatban áll az

Részletesebben

Alkalmazott matematikus mesterszak MINTATANTERV

Alkalmazott matematikus mesterszak MINTATANTERV Alkalmazott matematikus mesterszak MINTATANTERV Tartalom A MESTERSZAK SZERKEZETE... 1 A KÉPZÉSI PROGRAM ÁTTEKINTŐ SÉMÁJA... 1 NAPPALI TAGOZAT... 2 ESTI TAGOZAT... 6 0BA mesterszak szerkezete Alapozó ismeretek

Részletesebben

Általános algoritmustervezési módszerek

Általános 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

Részletesebben

Algoritmusok és adatszerkezetek I. 1. előadás

Algoritmusok és adatszerkezetek I. 1. előadás Algoritmusok és adatszerkezetek I 1 előadás Típusok osztályozása Összetettség (strukturáltság) szempontjából: elemi (vagy skalár, vagy strukturálatlan) összetett (más szóval strukturált) Strukturálási

Részletesebben

TANTÁRGYI ÚTMUTATÓ. Döntési módszerek

TANTÁRGYI ÚTMUTATÓ. Döntési módszerek III. évfolyam szakirány BA TANTÁRGYI ÚTMUTATÓ Döntési módszerek TÁVOKTATÁS Tanév 2014/2015 II- félév A KURZUS ALAPADATAI Tárgy megnevezése: Döntési módszerek Tanszék: Matematika-Statisztika Tantárgyfelelős

Részletesebben

Totális Unimodularitás és LP dualitás. Tapolcai János

Totális 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

Részletesebben

Domináns-recesszív öröklődésmenet

Domináns-recesszív öröklődésmenet Domináns-recesszív öröklődésmenet Domináns recesszív öröklődés esetén tehát a homozigóta domináns és a heterozigóta egyedek fenotípusa megegyezik, így a három lehetséges genotípushoz (példánkban AA, Aa,

Részletesebben

Universität M Mis is k k olol ci c, F Eg a y kultä etem t, für Wi Gazda rts ságcha tudft o sw máis n s yen i scha Kar, ften,

Universität M Mis is k k olol ci c, F Eg a y kultä etem t, für Wi Gazda rts ságcha tudft o sw máis n s yen i scha Kar, ften, 9. Előadás 1. Genetikus algoritmusok közgazdasági alkalmazása 2. Ökológiai és evolúciós közgazdaságtan Universität Miskolc, Fakultät für Wirtschaftswissenschaften, Istitut für Wirtschaftstheorie Miskolci

Részletesebben

Ellenőrző kérdések. 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t

Ellenőrző 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,

Részletesebben

Objektum orientált programozás Bevezetés

Objektum orientált programozás Bevezetés Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban

Részletesebben

Branch-and-Bound. 1. Az egészértéketű programozás. a korlátozás és szétválasztás módszere Bevezető Definíció. 11.

Branch-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

Részletesebben

Absztrakció. Objektum orientált programozás Bevezetés. Általános Informatikai Tanszék Utolsó módosítás:

Absztrakció. Objektum orientált programozás Bevezetés. Általános Informatikai Tanszék Utolsó módosítás: Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban

Részletesebben

Tartalomjegyzék. Köszönetnyilvánítás. 1. Az alapok 1

Tartalomjegyzék. Köszönetnyilvánítás. 1. Az alapok 1 Köszönetnyilvánítás Bevezetés Kinek szól a könyv? Elvárt előismeretek A könyv témája A könyv használata A megközelítés alapelvei Törekedjünk az egyszerűségre! Ne optimalizáljunk előre! Felhasználói interfészek

Részletesebben

DNS viszgálatok, számítási módszerek

DNS viszgálatok, számítási módszerek DNS viszgálatok, számítási módszerek Apasági vizsgálatok Kizárás: -a gyereknél az apától örökölt allél nem egyezik a feltételezett apáéval - 3 kizárás esetén az apaság kizárható -100% Anya: 12-13, kk.

Részletesebben

INCZÉDY GYÖRGY SZAKKÖZÉPISKOLA, SZAKISKOLA ÉS KOLLÉGIUM

INCZÉDY GYÖRGY SZAKKÖZÉPISKOLA, SZAKISKOLA ÉS KOLLÉGIUM INCZÉDY GYÖRGY SZAKKÖZÉPISKOLA, SZAKISKOLA ÉS KOLLÉGIUM Szakközépiskola Tesztlapok Biológia - egészségtan tantárgy 12. évfolyam Készítette: Perinecz Anasztázia Név: Osztály: 1. témakör: Az élet kódja.

Részletesebben

GENETIKUS ALGORITMUS ALKALMAZÁSA A MEZŐGAZDASÁGI TERMELÉS OPTIMALIZÁLÁSÁBAN

GENETIKUS 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

Részletesebben

Objektumorientált programozás Pál László. Sapientia EMTE, Csíkszereda, 2014/2015

Objektumorientált programozás Pál László. Sapientia EMTE, Csíkszereda, 2014/2015 Objektumorientált programozás Pál László Sapientia EMTE, Csíkszereda, 2014/2015 Objektumorientált programozás - Pál László 12. ELŐADÁS Állomány-kezelés 2 Objektumorientált programozás - Pál László Mi a

Részletesebben

Algoritmusokfelülnézetből. 1. ELŐADÁS Sapientia-EMTE

Algoritmusokfelülnézetből. 1. ELŐADÁS Sapientia-EMTE Algoritmusokfelülnézetből 1. ELŐADÁS Sapientia-EMTE 2015-16 Algoritmus Az algoritmus kifejezés a bagdadi arab tudós, al-hvárizmi(780-845) nevének eltorzított, rosszul latinra fordított változatából ered.

Részletesebben

Több valószínűségi változó együttes eloszlása, korreláció

Több valószínűségi változó együttes eloszlása, korreláció Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...

Részletesebben

Sodródás Evolúció neutrális elmélete

Sodródás Evolúció neutrális elmélete Sodródás Evolúció neutrális elmélete Egy kísérlet Drosophila Drosophila pseudoobscura 8 hím + 8 nőstény/tenyészet 107 darab tenyészet Minden tenyészet csak heterozigóta egyedekkel indul a neutrális szemszín

Részletesebben

Biológiai feladatbank 12. évfolyam

Biológiai feladatbank 12. évfolyam Biológiai feladatbank 12. évfolyam A pedagógus neve: A pedagógus szakja: Az iskola neve: Műveltségi terület: Tantárgy: A tantárgy cél és feladatrendszere: Tantárgyi kapcsolatok: Osztály: 12. Felhasznált

Részletesebben

GENETIKUS ALGORITMUSOK

GENETIKUS ALGORITMUSOK GENETIKUS ALGORITMUSOK Készítette: Kovács Dániel László (dkovacs@mit.bme.hu) 1. Felkészülés a mérésre Az optimális megoldás keresésére számos módszer ismeretes, melyek között a természetes evolúció (Darwin,

Részletesebben

Táblázatok fontosabb műveletei 1

Táblázatok fontosabb műveletei 1 Táblázatok fontosabb műveletei 1 - - Soros táblázat procedure BESZÚR1(TÁBLA, újelem) - - beszúrás soros táblázatba - - a táblázatot egy rekordokat tartalmazó dinamikus vektorral reprezentáljuk - - a rekordok

Részletesebben

Altruizmus. Altruizmus: a viselkedés az adott egyed fitneszét csökkenti, de másik egyed(ek)ét növeli. Lehet-e önző egyedek között?

Altruizmus. Altruizmus: a viselkedés az adott egyed fitneszét csökkenti, de másik egyed(ek)ét növeli. Lehet-e önző egyedek között? Altruizmus Altruizmus: a viselkedés az adott egyed fitneszét csökkenti, de másik egyed(ek)ét növeli. Lehet-e önző egyedek között? Altruizmus rokonok között A legtöbb másolat az adott génről vagy az egyed

Részletesebben

Adaptív dinamikus szegmentálás idősorok indexeléséhez

Adaptív 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

Részletesebben

DIPLOMAMU KA. Kárándi Róbert

DIPLOMAMU KA. Kárándi Róbert DIPLOMAMU KA Kárándi Róbert Debrecen 2010 Debreceni Egyetem Informatikai Kar Web alapú alkalmazásfejlesztés Órarend generáló rendszer megvalósítása genetikus algoritmus segítségével, JavaFx technológiával,

Részletesebben

Altruizmus. Altruizmus: a viselkedés az adott egyed fitneszét csökkenti, de másik egyed(ek)ét növeli. Lehet-e önző egyedek között?

Altruizmus. Altruizmus: a viselkedés az adott egyed fitneszét csökkenti, de másik egyed(ek)ét növeli. Lehet-e önző egyedek között? Altruizmus Altruizmus: a viselkedés az adott egyed fitneszét csökkenti, de másik egyed(ek)ét növeli. Lehet-e önző egyedek között? Altruizmus rokonok között A legtöbb másolat az adott génről vagy az egyed

Részletesebben