Szavazó ágensek racionális versengő ágensek egyvéleményű közössége. Intelligens Elosztott Rendszerek BME-MIT, 2018
|
|
- Aurél Sipos
- 5 évvel ezelőtt
- Látták:
Átírás
1 Szavazó ágensek racionális versengő ágensek egyvéleményű közössége
2 Szociális választás elmélete (Social choice theory) - Szociális választás mechanizmusa, Implementációelmélet (Social Choice Function, Social Welfare Function, (Valószínűleg) versengő preferenciák korrekt, kielégítő aggregálása egy közösségi döntésbe (szociális kimenetel). szavazás, erőforrás hozzárendelés, koálició formálás tetszési indexek számítása, kollaboratív szürés, Lényegi komponensek autonóm ágensek (szavazók) N = {1,, n} alternatívák (kimenetelek, jelöltek) = { 1, 2, } preferenciák (kiemenetelek rendezése) ( ) (csoport)profil ( ) ( ) aggregáló függvény társadalmi választási függvény társadalmi jóléti függvény f: ( ) ( ) f: ( ) ( ) ( )
3 Fontos kérdések Mi a (egyéni/csoportos) racionális döntés értelmezése? Milyen formális tulajdonságokkal kell rendelkeznie egy jó aggregáló függvénynek? E tulajdonságok közül melyek azok, amelyek egyidejűleg biztosíthatók? Milyen nehéz lehet egy közösségi választás kiszámítása? Profitálhatnak-e a szavazók, ha a preferenciáiról nem őszinte módon nyílatkoznak?
4 Ágensek racionalítása Preferenciák tranzitivitása: humán racionalitás alapvető aspektusa, helyes világfelfogás kifejezése Tranzitív preferencia x i y, y i z x i z legalább olyan jó indifferens Ha: alma János körte, körte János szilva elvárt, hogy alma János szilva Ha: alma évfolyam körte, körte évfolyam szilva elvárt, hogy alma évfolyam szilva (???) x i y x I i y Ordinális v. kardinális preferencia mennyire? x János y x y x y ordinális csak rangsorolás kardinális finomabb, precízebb? J. Nash (1950), J. Harsányi (1955) a szavazási mechanizmusok többsége ordinális
5 Legelterjedtebb Többségi szavazás (plurality rule) (TB): az a győztes, akinek legtöbb szavazata van (a semleges szavazó nem számít) i N : x i y i N : y i x -ből következik x P y Minősített többségi szavazás (majority rule) (MT): az a győztes, akié a szavazatok több, mint a fele (csak a mellette szavazat számít, aki semleges, az ellene van) i N : x i y n/2 -ből következik x M y May tétel: Ha 2 jelölt van, a TB egyetlen olyan döntési folyamat, ami az alábbi 3 alapfeltétellel konzisztens (Kenneth May, 1952): - anonimitás: minden szavazónak egyenlő a súlya - semlegesség: átcímkézés egyéni preferenciákban = u.a. átcímkézés az eredményben - (pozitívan reagáló) erősen monoton: holtversenyben, ha egy szavazó x-nek kedvező módon megváltoztatja a preferenciáit, akkor x lesz a győztes, gyengén monoton: ha x a győztes és egy szavazó még inkább jobban felértékeli, akkor x marad a győztes.
6 MT szabály 2 jelölt esetén OK, de tendencia több jelöltre alkalmazni. Tipikus kiterjesztések: - tiszta többségi szavazás: az győz, akinek legtöbb szavazata van (de akár 50%). - két fordulós (run-off, RO): győztes, ha minősített többséget kap, ha nincs ilyen, akkor a legjobb kettő egymással szemben, sima többséggel. 1 cs 2 cs 3 cs 4 cs z y x w 2. x z y z 3. y x z x 4. w w w y Többségi szavazás furcsasságai TB: w győz 30 szavazattal (kisebbségi jelölt!) w egyenkénti felmérésben mindenkivel szemben alulmarad, mégis győz. Kétfordulós: nincs minősített többségi győztes, a két legjobb jelölt: w (30), x (26) 2-ik fordulóban: x (70), w (30), x a győztes. Akik a z mellett vannak, joggal panaszkodhatnak, hogy miért éppen x, ha a többségnél z i x!? x miért nyert?
7 Többségi szavazás baja közismert, 1700 körül, francia akadémiai körök Jean-Charles de Borda súlyozott rendezés (Borda-szabály) De arte eleccionis, blessed Ramon Llul, Marie Jean Antoine Nicolas Caritat, Marquis de Condorcet páronkénti győztes (Condorcet-kritérium) Elveszett irásait 2001-ben fedezték fel (Ars notandi, Ars eleccionis, ) Llul ismerte már a Borda-szabályt és a Condorcet-kritériumot is
8 2003 kaliforniai kormányzó választások - Akarod-e elmozdítani a hivatalából Gray Davis kormányzót? - ha igen 50% felett, akkor a 150 db induló jelöltből TB szavazással kerül ki a győztes. 55,4% ellene (azaz 44,6% burkoltan Davis mellett szavazott) a győztes tényleges a többségi győztes? Arnold Schwartzenegger 48,6%...
9 Súlyozott rendezett szavazás - Borda szavazás (BC) - k alternatíva, integer minősítés, mindenki rangsorol, a legrosszabb alternatíva 0, a legjobb (k-1) (semleges = azonos súly) - alternatívánként összegzés - eredmény az alternatívák teljes, tranzitív szociális rendezése BC 1. w w x x y y w w = x x y y z z x x = y y z z w w y y = z z w w x x z z = 6
10 Borda szavazás (BC) furcsasságai/1 Probléma győztesből vesztes paradoxon y BC x BC w BC z Tegyük fel, hogy z érvénytelen! Tegyük z-t utolsónak, a rendezés marad! y, x és w versenyében z egy irreleváns alternatíva. Sérül a irreleváns alternatívától való függetlenség elve. A döntés nem logikus, manipulálható BC 1. w w x x y y w w = x x y y z z x x = y y z z w w y y = z z w w x x z z = 6 w BC x BC y Intelligens Elosztott Rendszerek BME-MIT, BC 1. w w x x y y w w = 8 2. x x y y w w x x = 7 3. y y w w x x y y = 6
11 Borda szavazás (BC) furcsasságai/2 A győztes a vesztessel szembeni páronkénti megmérettetésben alulmarad: x i y 5 y i x 2 Condorcet győztes: páronként mindenkinél jobb (többségi gráf): w y x z BC 1. w w z x x w = 9 2. x x y z y x = y z w w w y = 5 4. z y x y z z = 6 w a Condorcet győztes A fenti példában sérül az un. Condorcet kritérium (ha van Condorcet győztes, akkor az algoritmusnak őt kell megválasztani!)
12 Szekvenciális páronkénti összehasonlítás furcsasságai TB kieséses bajnokság A TB szabály intranzitivitása ha x1 M x2, x2 M x3, de x3 M x1! akkor x1 x3 x2 2. x2 x1 x3 3. x3 x2 x1 x1 x2 x1 x3 x1 x3 x3 x2 x3 x2 x1 x3 x2 x3 x2 x2 x1 x1
13 Szekvenciális páronkénti összehasonlítás furcsasságai Hogyan szervezzük a kieséses bajnokságot, hogy mindegyik jelöltet bajnoki győztes pozicióba hozhassunk, az adott többségi gráf esetében? w x y z
14 Furcsasságok, folyt.köv. Ki a győztes, ha a szavazás többségi? Borda (Szlovénia, egyetemek, Euróvizió Dalverseny)? szekvenciális többségi (legyen a,b,c,d,e) (US kongresszus)? kétfordulós (Instant-runoff, IRV, Single Transferable Vote, STV) (Ausztrália, Írország, Málta, Oscar)? -a jelöltek törlése a legkisebb szavazati számtól kezdve, amíg van törlendő alternatíva kétfordulós (Plurality with runoff) (Franciao., Magyaro., Lengyelo.)? ld. előbb és ki a Condorcet győztes?
15 Szavazási paradoxonok (1) Értelmes algoritmusok és értelmes kritériumok nemigen futnak együtt. (2) Az egyéni preferenciák tranzitivitása ellenére a többségi szavazásból adódó közösségi preferencia nem mindig az (többségi gráf ciklusa). Tranzitív preferencia a racionális gondolkodás, a cselekvés alapvető követelménye. Döntésképes, racionális egyén/ágens tranzitív. Mi a helyzet a közösséggel? Nem lenne az? TB, MT szabályok alapja: - May tétel - ciklusok ritkák Pl. 3 szavazó, 3 jelölt: 216 típ. közösség, ciklusok csak 12-ben = 5.6% Ha szavazószám, jelöltszám nő, a ciklusok valószínűsége 1-hez tart. (szimuláció)
16 Condorcet megközelítés körforgó körmérkőzés Páronkénti összehasonlítás, mindenki mindenkivel Condorcet kritérium - ha van Condorcet győztes ez legyen a győztes - de ha nincs, milyen legyen a létező információ kiaknázása?
17 erős gyenge 1. Smith kritérium Nem kívánatos alternatívák eliminálása. A legyőzhetetlen alternatívák keresése. Smith halmaz: az alábbi 2 halmaz kisebbike (Top Cycle Set) a. az összes alternatívák X halmaza b. egy olyan A X, hogy A minden eleme győz az X-A minden elemével szemben ha x A és y X-A, akkor x P y
18 2. Győzelem-veszteség mérleg (Copeland szabály) alternatíva súlya = győzelem - veszteség (minden él = 1) ha ciklus van, sok döntetlen helyzet várható 3. Aggregált páronkénti szavazás (AP) ciklus ellenére tranzitív sorrendezés, nincs semleges szavazó x aggregált szavazata: i N : x i y + i N : x i z +... a. aggregált szavazás Condorcet győztest soha sem rangsorol utolsónak. b. aggregált szavazás Condorcet vesztest soha sem rangsorol elsőnek. Problémák: páronkénti összehasonlítás és az aggregált sorrend, pl. x P y, y P z, x P z, és x AP y AP z rendben van, nincs anomália x P y, y P z, x P z, és y AP x AP z de itt nem, anomália x P y, y P z, x P z, és z AP y AP x lehetetlen (x = Condorcet győztes) stb. Nagyjából csak az esetek kevesebb, mint a fele lehetséges (ezen belül anomáliák)
19 4. Schultze-féle módszer (1997, 2003) (SM) Cloneproof Schwartz Sequential Dropping, Beatpath Method ( , internet posting) döntéshozatal Debian Linux projektben, - ha létezik Condorcet győztes, SM azt választja meg - semlegesség, anonimitás, monotonitás, klón-függetlenség,... - Smith-IIA: ha egy jelöltet hozzáadunk, csak akkor lehet befolyással, ha benne van a Smith halmazban. Szavazó: rangsorolás tetszőleges számú (nem szükségképpen az összes) jelöltről, nem rangsoroltak felcserélhetők, a rangsoroltak mögé kerülnek Tranzitív győzelem: x tranzitíve győz y-nal szemben, ha létezik x P...,...,... P y lánc (annak ellenére, hogy pl. közvetlenül y P x) Lánc erőssége: min győzelmi margó a láncbeli két alternatívája között P x,y az x-től y-ig a legerősebb lánc erőssége Cél: olyan, a legerősebb láncokkal rendelkező alternatívát megtalálni, ami minden más alternatívát legyőz: ha P x,y P y,x, x kizárja y-t.
20 A nem kizárt alternatívák a potenciális győztesek halmaza - egy, OK - több, valamilyen más döntési eljárás Pl. 3 csapat, hány szavazó kit gondol jobbnak P OU,AU = 22 P OU,USC = 18 P AU,OU = 18 P AU,USC = 18 P USC,OU = 44 P USC,AU = 22 P USC,OU P OU,USC, USC kizárja OU-t P USC,AU P AU,USC, USC kizárja AU-t USC a győztes
21 Schwartz szekvenciális szavazás (Cloneproof Schwartz Sequential Dropping CSSD) (előbbivel ekvivalens iteráció) avagy a: Schultze módszer = szekvenciális jelölt-erősség mérése - gyengék eliminálása - újbóli értékelés (un. Schwartz halmaz újraszámítása) Smith halmaz (S) a legfontosabb győztesek ciklus halmaza Schwartz halmaz = Smith halmaz javított változata Schwartz halmaz eleme: - páronkénti összehasonlításban legyőzhetetlen (győzelem, v. döntetlen), vagy - tranzitíve győz minden olyan mással szemben, ami tranzitíve fenyeget (avagy Schwartz halmaz elemei minden mást elemet elérnek). x S, ha minden olyan y-ra, amire P y,x 0, P x,y 0. y S, ha van olyan x, amire P x,y 0, de P y,x = 0. Ha nincsenek páronként döntetlen szavazatok: Smith h. = Schwartz h. Ha vannak, Schwartz halmaz Smith halmaz
22 Schwartz Smith Smith (szaggatott = döntetlen) Smith
23 Pl. leggyengébb győzelemből döntetlen új Schwartz halmaz (gyakorlat) BC w x y z Intelligens Elosztott Rendszerek BME-MIT, 2017
24 Schwartz szekvenciális szavazás CSSD: (iteratív, teljes) 1. Szavazatok begyűjtése (egy szavazó: összes alternatívára, v. csak néhányra, semleges szavazat is). Eredmény: x P y, x I P y, vagy y P x (számítása) 2. Kizárások permanens eliminálása Schwartz halmaz számítással. 3. A maradó jelöltek értékelése: A. csak egy: ez a győztes B. ha mindenki döntetlenre áll, ld. 4. lépés. C. a leggyengébb győztes keresése: Schwartz halmaz számítása, egyéb jelöltek permanens eliminálása, ehhez iteratívan a legrosszabb él törlése döntetlenre alternatíva min. győzelmi szavazattal (vagy margó): győzelem törlése: : x P y x I P y ha több ilyen, akkor törlés annál, aminél többen szavaztak a vesztesre ha belőle is több van, egyforma törlés. Vissza 2-höz. 4. Potenciális győztesek halmaza, döntetlen helyzet eldöntése. egy véletlenül kiválasztott szavazó véleménye: - ha minden jelölt rendezett, akkor megvan a győztes - ha nem, akkor amire van eredmény, pl. x Schultze y, eltesszük (lefixált) - újra véletlen mintavételezés (az előbbi rendezések lefixálásával), amíg minden páronkénti összehasonlítás nem lesz minősítve. - ha a szavazatok kifogytak és nincs rangsorolás, véletlen rangsorolás.
25 Pl. Schwartz szekvenciális szavazás (gyakorlat)
26
27
28 Schultze módszer kikerüli a BC paradoxonját. Ellenérv: túlságosan komplikált elvi szempont gyakorlati szempont politikai szempont Szavazó szempontjából ugyanolyan egyszerű
29 Schultze módszer részvételi kritérium sérül Részvételi kritérium: ha a szavazás eldőlt, és olyan szavazókat adunk hozzá, akik a győztest preferálják egy másik alternatívával szemben, akkor az a másik alternatíva nem lehet az újbóli számlálásnál a győztes. x a győztes, és x Schultze y +: szavazók, akiknél: x i y az eredmény nem lehet: y Schultze x
30 u u u u v w w x y z z z u 2. v v y y z x x y w u u y y 3. w z v z u v v w x v v x z 4. x x z v w y z u v w x v w 5. y y w w x z y v z x y w v 6. z w x x y u u z u y w u x Szavazás 1-12: u a győztes, szavazás 1-13: x a győztes
31 Részvételi kritériumok és Condorcet-konzisztens szavazás No Show Paradox nem elmenni szavazni előnyösebb a jelöltünknek, mint rá szavazni. Twin paradox ha a győztesre szavazó további szavazó csatlakozik, a győztes jelölt veszít. Pl a b, majd a győztes c páronkénti mérkőzés, ha döntetlen: lexikális sorrend c c a a c b b b b b b a c c a a c c b a a szavaz: b győz, és mi van, ha az 1. szavazó nem jön? szavaz: c győz, és mi van, ha a c-re szavazó 1-es csatlakozik? Megerősítés paradoxon: egy jelöltre külön szavazó két szavazóhalmaz együtt már nem ezt a jelöltet válassza meg. Young (1974): minden Condorcet-konzisztens szabály megsérti a megerősítés axiómát (azaz előjöhet a paradoxon). Moulin (1988): Ha 4-nél több a jelölt és 25-nél több a szavazó, nincs olyan Condorcet-konzisztens szavazó szabály, amely teljesítene a részvételi kritériumot.
32 Páronkénti összehasonlítás furcsasságai - Pareto kritérium Ha minden szavazó x jelöltet jobbnak tartja y jelöltnél, a szavazó módszernek nem lenne szabad y-t győztesként kihozni. Szekvenciális mérközés sérti a Pareto kritériumot. Az alábbi agendában győz a d, pedig b-t mindenki jobbnak tart a d-nél. a c a d c d a c b b a d d b c b c d a
33 Egy szavazatú választási rendszerek virtuális több fordulós (VT) Single Transferable Vote (STV) Szavazás: alternatívák rangsorolása Értékelés: virtuális több forduló Győztes: kvóta = minősített többség ( szavazó +1) / 2 1. (M) Többségi győztes OK. 2. Nincs (m) többségi győztes. Legkisebb szavazattal rendelkező jelölt eliminálása. A szavazatok átemelése a másodiknak rangsorolt jelöltnek. Vissza 1-hez.
34 z y y x w 2. x z x y z 3. y x z z x 4. w w w w y x y y x w 2. y x x y x 3. w w w w y 1. w=9, x=6, y=6, z=5 2. z eliminált x=11, w=9, y=6 2. y eliminált 1. x=17, w=9, x a győztes. 1. x x x x w 2. w w w w x
35 Sérül: - Condorcet győztes megválasztása (ha van) nincs garantálva - nem monoton: Monotonitási kritérium: Ha valamelyik szavazó meggondolja magát és egy alternatívát jobban értékel, akkor ez e alternatíva esélyeit kell, hogy segítse, vagy legalább ne rontsa z y x x w 2. x z y y z 3. y x z z x De most tegyük előbbre x-t a 3-as csoportnál. 1. w=9, x=8, y=4, z=5 2. y eliminált z z x x w 2. x x z z z 3. w w w w x 1. x=8, w=9, z=9 2. x eliminált 4. w w w w y 1. z z z z w 2. w w w w z 1. w=9, z=17, z a győztes
36 Heurisztika a javából: Hibrid Condorcet szavazás Black módszer: Condorcet konzisztens vegyes szavazás (1) Ha van Condorcet győztes azt válasszuk (2) Különben Borda szabály Teljesít: Pareto kritérium, Condorcet kritérium, monotonitási kritérium,
37 Konklúziók Arrow tétel (Kenneth J. Arrow, 1963) Nincs olyan szavazási rendszer, ami azt teljesítené, ami minimális alapvető követelménynek tűnik. Tegyük fel, hogy egy választási rendszer rendelkezik: Nemdiktatorikus: a szociális preferencia nem tükrözhet valamelyik egyéni preferenciát, a többi szavazó preferenciájától függetlenül. Pareto-elv: ha minden szavazó egy alternatívát jobbnak tart másnál, akkor a szociális preferenciának ezt tükröznie kell. Ha egy választási rendszer nemdiktatorikus és teljesiti a Pareto-elvet, akkor található olyan választói halmaz, ahol a szociális preferencia intranzitiv (szavazási ciklus), és/vagy sérül az irreleváns alternatíva függetlensége. (biz.: ha tranz., Pareto és IIA, akkor van diktátor) Melyik választási rendszer problémái legkevésbé zavarók az adott közösség gyakorlatában?
38
39 Condorcet hatékonyság Feltételes valószínűsége annak, hogy a szavazás Condorcet győztest választ, feltéve, hogy az létezik. Borda szavazás maximális Condorcet hatékonyságú. Condorcet győztes közelítése - Dodgson szabály (1874) Szavazás, ahol nincs Condorcet győztes. Jelölt, aki legközelebb lenne a Condorcet győzteshez: legkisebb számú változás szavazói preferenciákban, hogy egy jelölt Condorcet győztes legyen John Kemeny (1959) Charles Dodgson (Lewis Carroll) Szavazás, ahol nincs teljes tranzitív rangsorolás: a szavazási eredményhez illeszkedő legközelebbi tranzitív rangsorolás. Minden tranzitív rendezés: páronkénti összehasonlítás a szavazati profillal. Margók összegzése, ahol eltérés tapasztalható. Min. összegű sorrend a Kemény sorrendezés.
40 Condorcet győztes közelítése - Dodgson szabály B a győztes (majdnem Condorcet győztes) Kemény szabály tranzitivitás közelítése Súly = 2+8 = 10 Súly = 8 ez van legközelebb, A a győztes Minden más sorrend Súly = + 16 = nagyobb
41 Preferenciák 10 hallgató: rózssz., zöld, kék, piros 8 hallgató: kék, zöld, piros, rózssz 3 hallgató: zöld, kék, piros, rózssz 2 hallgató: piros, kék, zöld, rózssz Tanár: többségi szavazás: rózssz a győztes. X. hallgató nem szeret rózssz-t, tiltakozik. Két fordulós szavazást szeretne (kék a győztes). De lehetne Borda is (zöld a győztes). 10 hallgató: rózssz., zöld, kék, piros 8 hallgató: kék, piros, zöld, rózssz - hazudnak preferenciáiról! 3 hallgató: zöld, kék, piros, rózssz 2 hallgató: piros, kék, zöld, rózssz Most Borda győztes a kék.
42 Létezik-e alkalmas manipulálás (hazúg szavazás, tactical voting) minden értelmes szavazási algoritmusnál? (lényegében igaz) Milyen (számítástechnikailag) nehéz az alkalmas manipulálási precedurát kitalálni? Worst case-ben? Átlagos helyzetben? Pl. Borda (heurisztikus) stratégiai manipulálása Ha a szavazó x-et szeretne és azt hiszi, y a legveszélyesebb vetélytárs, az y megválasztásának esélyét minimalizálni lehet az y-t az utolsó preferencia helyre helyezve.
43 Konklúziók Gibbard Satterthwaite tétel (1973) A > 3: az alábbi feltételek egyike minden szavazási módszerre igaz: - a szabály diktatórikus (egyetlen szavazó meghatározza a győztest), vagy - van olyan jelölt, aki a szabályt alkalmazva soha nem győzhet, vagy - a szabály manipulálható (tactical voting): bizonyos feltételek mellett egy szavazó, a szabály és mások preferenciái ismeretében, nem a tényleges preferenciái szerint szavazva, befolyásolhatja a szavazás kimenetelét. stb.
44 Hibrid szavazási protokollok és manipulálás komplexitás elmélete Manipulálás szoftver ágensek több veszély, több lehetőség Egyszeri algoritmus tervezés, másolás nagy számú ágensnek = stratégiai szavazás esélye, sikeressége nőhet = nem befolyásolják emóciók, irracionalitás Több számítási kapacitás, könnyebb hatékony manipulálást megtalálni Ágens szavazás megnövelt anonimitás, kevesebb fenntartás a közösségi megtorlással szemben Manipulálás: - A manipuláló információja a nem manipulálókról: nem teljes, teljes - Ki manipulál: egyén, koalíció - Súlyozott, nem súlyozott szavazók - Manipulálás célja konstruktív: győzelemre vinni valakit destruktív: vesztésre vinni valakit Manipulálás számítási nehézsége
45 Hibrid protokollok, manipulálás komplexitás elmélete Manipulálás - elkerülhetetlen - akkor legyen legalább exp. nehéz Kutatás: szavazási sémák polinom,..., NP manipulálhatók STV manipulálni NP-nehéz Borda, STV, Maxmin, többségi NP-nehéz, ha az első körben páronkénti mérkőzésekben elimináljuk a jelöltek felét Legyen n szavazó, m jelölt, V = {v 1, v 2,, v n }, C = {c 1, c 2,, c m } Komplexitás n, m-ben mérve! C összes permutációja: Π(C), i-edik szavazó preferenciája π i Π(C) Szavazási protokoll: leképzés P: (Π(C), Π(C),..., Π(C)) C Kezelt protokollok: - többségi - Borda - STV (Single Transferable Vote) - Maxmin (páronkénti mérkőzéseknél a mellette szavazók számának a minimuma) - BC (Binary Cup) páronkénti mérkőzés
46 Hibrid protokollok, manipulálás komplexitás elmélete Manipulálás modellje: v j szavazó manipulálhatja a P protokollt, ha van olyan permutáció π' j Π(C), hogy bizonyos π i Π(C), i=1,, n értékekre: 1. P(π 1, π 2,, π n ) = c 2. P(π 1, π 2,, π j-1, π' j, π j+1,..., π n ) = c' c 3. v j a c'-t a c-nél jobbnak tartja. (konstruktív manipulálás). Egy szavazó hatékonyan manipulál, ha a π' j konstruálása π 1, π 2,, π n ismeretében polinomiális komplexitású algoritmussal lehetséges. Manipulálási komplexitás növelése - Hibrid szavazási protokoll: Hyb(X k,y) - szavazat leadás x 1 - k lépés X protokollal, k db. jelölt eliminálása - Y protokoll alkalmazása a maradék jelöltre. Pontozásos protokolloknál a legrosszabb jelölt eliminálása, pontozás átszámítása nélkül.
47 Hibrid protokollok, manipulálás komplexitás elmélete Tétel: Végtelen sok k értékre: Hyb(STV k,y), Hyb(X k,stv) ahol STV Single Transferable Vote, X, Y = TB, Borda, BC, STV, Hyb(Borda k,tb), Hyb(Maxmin k, TB), Hyb(Borda k,borda), Hyb(Maxmin k,borda) NP-manipulálható. Pareto opt.: aki mindenkinél vesztes, sohasem nyer. Condorcet konzisztens. Monoton: ha más jelöltek relatív sorrendje változatlan, feljebb (lejjebb) minősíteni a jelöltet, bukását (győzelmét) nem okozhatja. Erősen Pareto opt.: aki mindenkinél rosszabbul áll, korábban eliminálódik. Erősen monoton: feljebb minősíteni egy jelöltet nem hozhatja előbbre az eliminálását és nem befolyásolhatja más jelöltek relatív eliminálási sorrendjét. Tétel: Minden X, Y, k, ha X, Y teljesíti Condorcet kr.-t, akkor a Hyb(X k,y) is. Ha X erősen monoton (Pareto opt.), Y monoton (Pareto opt.), akkor a Hyb(X k,y) is monoton (Pareto opt.). Tétel: De pl. polinomiálisan konstruktíve manipulálható Hyb(TB k,y), ahol Y = TB, Borda, BC, Maxmin.
Szavazó ágensek: racionális ágensek egyvéleményű közössége /3. Kooperáció és intelligencia, Dobrowiecki, BME-MIT
Szavazó ágensek: racionális ágensek egyvéleményű közössége /3 Hibrid szavazási protokollok és manipulálási komplexitás elmélet Manipulálás szoftver ágensek több veszély, lehetőség - Egyszeri algoritmus
RészletesebbenSzavazási protokollok - közös preferencia kialakítása
Szavazási protokollok - közös preferencia kialakítása Szavazás: Társadalmi választás SCF social choice/ wellfare function: Minden ágensnek van saját preferencia listája Agi, ennek alapján el kell jutni
RészletesebbenVálasztási rendszerek axiomatikus elmélete
Választási rendszerek axiomatikus elmélete Boros Zoltán Debreceni Egyetem TTK Matematikai Intézet Analízis Tanszék Matematika Szakkör Megnyitó 2016. szeptember 12. Interaktív demonstráció: fagylalt preferenciák
RészletesebbenKooperatív és Tanuló Rendszerek
Kooperatív és Tanuló Rendszerek 3b. Együttműködéstől konfliktusokig Dobrowiecki Tadeusz Horváth Gábor 2012 KTR DT-HG, BME-MIT 1 Piac-alapú koordináció Árverések Egy, konkrét piaci árral nem rendelkező
RészletesebbenEGYSZERŰ ÉS ABSZOLÚT TÖBBSÉGI SZAVAZÁS
EGYSZERŰ ÉS ABSZOLÚT TÖBBSÉGI SZAVAZÁS A választások és a szavazások többszempontú döntési problémák a szavazók valamilyen módon döntenek a jelöltekről a választási bizottság a szavazás után megállapítja,
RészletesebbenMikroökonómia elıadás
Mikroökonómia - 12. elıadás JÓLÉT ÉS TÁRSADALMI PREFERENCIÁK Bacsi, 12. ea. 1 Fogyasztói preferenciák A fogyasztó saját jószágkosarainak összehasonlítása pl: 1 narancs + 3 kg hús + 2 pár cipı kevésbé értékes,
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Racionalitás: a hasznosság és a döntés 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
RészletesebbenPOLITIKAI GAZDASÁGTAN
POLITIKAI GAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az MTA Közgazdaságtudományi
RészletesebbenAlternatívák rangsora Rangsor módszerek. Debreceni Egyetem
Döntéstámogató Rendszerek VII. előadás Bekéné Rácz Anett Debreceni Egyetem Definíciók Példa rangsorfordulásra Rangsorokkal kapcsolatos fogalmak Condorcet nyertes: Az az alternatíva, amely az összes többi
RészletesebbenPOLITIKAI GAZDASÁGTAN
POLITIKAI GAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az MTA Közgazdaságtudományi
RészletesebbenÉrtékelési, kiválasztási módszerek
Értékelési, kiválasztási módszerek Értékelési módszerek csoportosítása: 1. Ordinális (kvalitatív) elárások 1.1 Többségi módszer 1.2 Rangsor összegzési szabály 1.3 Copeland módszer 1.4 Datum módszer 1.5
RészletesebbenAntal Ádám. Választási játékok
Eötvös Loránd Tudományegyetem Természettudományi Kar Antal Ádám Választási játékok BSc alkalmazott matematikus szakdolgozat Témavezet : Jankó Zsuzsanna Operációkutatás Tanszék Budapest, 2016 Köszönetnyilvánítás
RészletesebbenVálogatott fejezetek a közlekedésgazdaságtanból
Válogatott fejezetek a közlekedésgazdaságtanból 2. Választási modellek Levelező tagozat 2015 ősz Készítette: Prileszky István http://www.sze.hu/~prile Fogalmak Választási modellek célja: annak megjósolása,
RészletesebbenMatematika alapjai; Feladatok
Matematika alapjai; Feladatok 1. Hét 1. Tekintsük a,, \ műveleteket. Melyek lesznek a.) kommutativok b.) asszociativak c.) disztributívak-e a, műveletek? Melyik melyikre? 2. Fejezzük ki a műveletet a \
RészletesebbenBánsághi Anna 2014 Bánsághi Anna 1 of 68
IMPERATÍV PROGRAMOZÁS Bánsághi Anna anna.bansaghi@mamikon.net 3. ELŐADÁS - PROGRAMOZÁSI TÉTELEK 2014 Bánsághi Anna 1 of 68 TEMATIKA I. ALAPFOGALMAK, TUDOMÁNYTÖRTÉNET II. IMPERATÍV PROGRAMOZÁS Imperatív
RészletesebbenTérinformatikai algoritmusok Elemi algoritmusok
Cserép Máté 2016. szeptember 14. Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot
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,
RészletesebbenAlgoritmusok bonyolultsága
Algoritmusok bonyolultsága 5. előadás http://www.ms.sapientia.ro/~kasa/komplex.htm 1 / 27 Gazdaságos faváz Kruskal-algoritmus Joseph Kruskal (1928 2010) Legyen V = {v 1, v 2,..., v n }, E = {e 1, e 2,...,
RészletesebbenVÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak
Vállalkozási VÁLLALATGAZDASÁGTAN II. Tantárgyfelelős: Prof. Dr. Illés B. Csaba Előadó: Dr. Gyenge Balázs Az ökonómiai döntés fogalma Vállalat Környezet Döntések sorozata Jövő jövőre vonatkozik törekszik
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
RészletesebbenIntelligens technikák k a
Intelligens technikák k a döntéstámogatásban Döntések fuzzy környezetben Starkné Dr. Werner Ágnes 1 Példa: Alternatívák: a 1,a 2,a 3 Kritériumok: k 1,k 2, k 3,k 4 Az alternatívák értékelését az egyes kritériumok
RészletesebbenMonoton Engedmény Protokoll N-M multilaterális tárgyalás
Tárgyalások/2 Monoton Engedmény Protokoll N-M multilaterális tárgyalás Fordulók 1. Minden ágens előáll a javaslatával k. Mindegyik ágens vagy ragaszkodik a javaslatához, vagy engedményt tesz. Ismétlés
RészletesebbenAlgoritmuselmélet. Legrövidebb utak, Bellmann-Ford, Dijkstra. Katona Gyula Y.
Algoritmuselmélet Legrövidebb utak, Bellmann-Ford, Dijkstra Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 3. előadás Katona Gyula Y. (BME
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés 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 Következtetés
RészletesebbenHallgatói preferencia rangsorok készítése a jelentkezések alapján
Hallgatói preferencia rangsorok készítése a jelentkezések alapján Telcs András, Kosztyán Zsolt Tibor, Török Ádám Pannon Egyetem, Kvantitatív Módszerek Tanszék, MTA Kutatócsoport Tartalom Bevezetés Forrásadatok
RészletesebbenCsercsik Dávid ITK PPKE. Csercsik Dávid (ITK PPKE) Játékelmélet és hálózati alkalmazásai 4. ea 1 / 21
Játékelmélet és hálózati alkalmazásai 4. ea Csercsik Dávid ITK PPKE Csercsik Dávid (ITK PPKE) Játékelmélet és hálózati alkalmazásai 4. ea 1 / 21 1 Nash bargaining 2 Kooperatív játékok TU CFF játékok tulajdonságai
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Keresés ellenséges környezetben 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 Ellenség
RészletesebbenN-személyes játékok. Bársony Alex
N-személyes játékok Bársony Alex Előszó Neumann János és Oskar Morgenstern Racionális osztozkodás törvényeinek tanulmányozása Játékosok egy tetszőleges csoportjának ereje Nem 3 személyes sakk Definíció
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.
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
RészletesebbenTérinformatikai algoritmusok Elemi algoritmusok
Cserép Máté Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot oldottuk meg korábban,
RészletesebbenGráfok, definíciók. Gráfok ábrázolása. Az adott probléma megoldásához ténylegesen mely műveletek szükségesek. Ábrázolások. Példa:
Gráfok, definíciók Irányítatlan gráf: G = (V,E), ahol E rendezetlen (a,b),a,b V párok halmaza. Irányított gráf: G = (V,E) E rendezett (a,b) párok halmaza; E V V. Címkézett (súlyozott) gráf: G = (V,E,C)
RészletesebbenVALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA
VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA A VALÓSZÍNŰSÉGI SZEMLÉLET ALAPOZÁSA 1-6. OSZTÁLY A biztos, a lehetetlen és a lehet, de nem biztos események megkülünböztetése Valószínűségi játékok, kísérletek események
RészletesebbenGráfok 2. Legrövidebb utak, feszítőfák. Szoftvertervezés és -fejlesztés II. előadás. Szénási Sándor
Gráfok 2. Legrövidebb utak, feszítőfák előadás http://nik.uni-obuda.hu/sztf2 Szénási Sándor Óbudai Egyetem,Neumann János Informatikai Kar Legrövidebb utak keresése Minimális feszítőfa keresése Gráfok 2
RészletesebbenA Condorcet-paradoxon egy valószínűségi modellje
A Condorcet-paradoxon egy valószínűségi modellje Bozóki Sándor 1,2, Csató László 2, Temesi József 2 1 MTA SZTAKI; 2 Budapesti Corvinus Egyetem 2013. június 11. p. 1/24 Intranzitív dobókockák A valószínűségi
RészletesebbenDiszkrét matematika 1.
Diszkrét matematika 1. 201. ősz 1. Diszkrét matematika 1. 1. előadás Mérai László diái alapján Komputeralgebra Tanszék 201. ősz Kombinatorika Diszkrét matematika 1. 201. ősz 2. Kombinatorika Kombinatorika
RészletesebbenRasmusen, Eric: Games and Information (Third Edition, Blackwell, 2001)
Játékelmélet szociológusoknak J-1 Bevezetés a játékelméletbe szociológusok számára Ajánlott irodalom: Mészáros József: Játékelmélet (Gondolat, 2003) Filep László: Játékelmélet (Filum, 2001) Csontos László
RészletesebbenHágen Zsófia Margit. Többnyerteses választások
Eötvös Loránd Tudományegyetem Természettudományi Kar Hágen Zsófia Margit Többnyerteses választások BSc Szakdolgozat Témavezető: Bérczi-Kovács Erika Operációkutatási Tanszék Budapest, 2017 Köszönetnyilvánítás
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
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
RészletesebbenAz optimális megoldást adó algoritmusok
Az optimális megoldást adó algoritmusok shop ütemezés esetén Ebben a fejezetben olyan modellekkel foglalkozunk, amelyekben a munkák több műveletből állnak. Speciálisan shop ütemezési problémákat vizsgálunk.
RészletesebbenKétszemélyes játékok Gregorics Tibor Mesterséges intelligencia
Kétszemélyes játékok Kétszemélyes, teljes információjú, véges, determinisztikus,zéró összegű játékok Két játékos lép felváltva adott szabályok szerint, amíg a játszma véget nem ér. Mindkét játékos ismeri
RészletesebbenAz új magyar választási rendszer
Az új magyar választási rendszer Dr. Smuk Péter, egyetemi docens Széchenyi István Egyetem, Győr a demokratikus rendszer "a politikai döntéshozatal céljával létrehozott olyan intézményes berendezkedés,
RészletesebbenA Borda-szavazás Nash-implementálható értelmezési tartományai
A Borda-szavazás Nash-implementálható értelmezési tartományai Tasnádi Attila 2007. június 8. Alapfogalmak Jelölések: X az alternatívák véges nem üres halmaza (q = X ). Alapfogalmak Jelölések: X az alternatívák
Részletesebben4. Fogyasztói preferenciák elmélete
4. Fogyasztói preferenciák elmélete (ld. Temesi J.: A döntéselmélet alapjai, 47-63) 4.1 Preferencia relációk Mit jelent a fogyasztó választása? Legyen X egy olyan halmaz amelynek az elemei azok a lehetőségek
RészletesebbenFüggvények növekedési korlátainak jellemzése
17 Függvények növekedési korlátainak jellemzése A jellemzés jól bevált eszközei az Ω, O, Θ, o és ω jelölések. Mivel az igények általában nemnegatívak, ezért az alábbi meghatározásokban mindenütt feltesszük,
RészletesebbenBOOLE ALGEBRA Logika: A konjunkció és diszjunkció tulajdonságai
BOOLE ALGEBRA Logika: A konjunkció és diszjunkció tulajdonságai 1.a. A B B A 2.a. (A B) C A (B C) 3.a. A (A B) A 4.a. I A I 5.a. A (B C) (A B) (A C) 6.a. A A I 1.b. A B B A 2.b. (A B) C A (B C) 3.b. A
RészletesebbenAdatbázisok elmélete 12. előadás
Adatbázisok elmélete 12. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu http://www.cs.bme.hu/ kiskat 2005 ADATBÁZISOK ELMÉLETE
RészletesebbenDöntéselőkészítés. XII. előadás. Döntéselőkészítés
XII. előadás Többszempontú döntések elmélete MAUT (Multi Attribute Utility Theory ) A többszempontú döntési feladatok megoldásának lépései: A döntési feladat felépítése: a) a cél megfogalmazása, b) az
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
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
RészletesebbenV. Békés Megyei Középiskolai Matematikaverseny 2012/2013 Megoldások 12. évfolyam
01/01 1. évfolyam 1. Egy röplabda bajnokságban minden csapat pontosan egyszer játszik a többi csapat mindegyikével. A bajnokságból még két forduló van hátra és eddig 104 mérkőzést játszottak le. Hány csapat
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
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
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
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenCsima Judit október 24.
Adatbáziskezelés Funkcionális függőségek Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2018. október 24. Csima Judit Adatbáziskezelés Funkcionális függőségek 1 / 1 Relációs sémák
Részletesebben1: Bevezetés: Internet, rétegmodell Alapok: aszimptótika, gráfok. HálózatokII, 2007
Hálózatok II 2007 1: Bevezetés: Internet, rétegmodell Alapok: aszimptótika, gráfok 1 Az előadáshoz Előadás: Szerda 17:00 18:30 Gyakorlat: nincs Vizsga írásbeli Honlap: http://people.inf.elte.hu/lukovszki/courses/g/07nwii
RészletesebbenSzavazási eljárások Fejezetek a döntéselméletből
Szavazási eljárások Fejezetek a döntéselméletből Rebák Örs 2013. november 26. 1. Bevezetés A bevezetésben tárgyaltakat ismertnek teszem fel, közlésük csupán a teljesség kedvéért történik, illetve mert
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 5. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenAdatszerkezetek. Nevezetes algoritmusok (Keresések, rendezések)
Adatszerkezetek Nevezetes algoritmusok (Keresések, rendezések) Keresések A probléma általános megfogalmazása: Adott egy N elemű sorozat, keressük meg azt az elemet (határozzuk meg a helyét a sorozatban),
RészletesebbenPARADOXONOK A VÁLASZTÁSI RENDSZEREKBEN
PARADOXONOK A VÁLASZTÁSI RENDSZEREKBEN Szakdolgozat Írta: Kárpáti László Matematika Bsc Alkalmazott matematikus szakirány Témavezet : Fullér Róbert, Egyetemi docens Operációkutatás Tanszék Eötvös Lóránd
RészletesebbenFELVÉTELI VIZSGA, szeptember 12.
BABEŞ-BOLYAI TUDOMÁNYEGYETEM, KOLOZSVÁR MATEMATIKA ÉS INFORMATIKA KAR FELVÉTELI VIZSGA, 08. szeptember. Írásbeli vizsga MATEMATIKÁBÓL FONTOS TUDNIVALÓK: A feleletválasztós feladatok,,a rész esetén egy
Részletesebbenf(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva
6. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 6.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási
RészletesebbenSzámítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések
BLSZM-09 p. 1/17 Számítógépes döntéstámogatás Döntések fuzzy környezetben Közelítő következtetések Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
RészletesebbenRendezések. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar október 24.
Rendezések 8. előadás Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2011. október 24. Sergyán (OE NIK) AAO 08 2011. október 24. 1 / 1 Felhasznált irodalom
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I. 4 IV. FÜGGVÉNYEk 1. LEkÉPEZÉSEk, függvények Definíció Legyen és két halmaz. Egy függvény -ből -ba egy olyan szabály, amely minden elemhez pontosan egy elemet rendel hozzá. Az
RészletesebbenSzámelméleti alapfogalmak
1 Számelméleti alapfogalmak 1 Definíció Az a IN szám osztója a b IN számnak ha létezik c IN melyre a c = b Jelölése: a b 2 Példa a 0 bármely a számra teljesül, mivel c = 0 univerzálisan megfelel: a 0 =
RészletesebbenAdatszerkezetek 7a. Dr. IványiPéter
Adatszerkezetek 7a. Dr. IványiPéter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér () Nincsennek hurkok!!! 2 Bináris fák Azokat a
RészletesebbenGráfelmélet Megoldások
Gráfelmélet Megoldások 1) a) Döntse el az alábbi négy állítás közül melyik igaz és melyik hamis! Válaszát írja a táblázatba! A: Egy 6 pontot tartalmazó teljes gráfnak 15 éle van B: Ha egy teljes gráfnak
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:
RészletesebbenMunkakörtervezés és -értékelés
Munkakörtervezés és Emberierőforrás-menedzsment Dr. Finna Henrietta egyetemi adjunktus Dr. Finna Henrietta: Atipikus foglalkoztatás Munkakör-áttervezés A munkakörtervezés egy olyan folyamat, amelyben egy
RészletesebbenKriptográfia 0. A biztonság alapja. Számítás-komplexitási kérdések
Kriptográfia 0 Számítás-komplexitási kérdések A biztonság alapja Komplexitás elméleti modellek független, egyenletes eloszlású véletlen változó értéke számítással nem hozható kapcsolatba más információval
Részletesebbeny ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
RészletesebbenOpkut deníciók és tételek
Opkut deníciók és tételek Készítette: Bán József Deníciók 1. Deníció (Lineáris programozási feladat). Keressük meg adott lineáris, R n értelmezési tartományú függvény, az ún. célfüggvény széls értékét
Részletesebben10. Előadás. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai
Optimalizálási eljárások MSc hallgatók számára 10. Előadás Előadó: Hajnal Péter Jegyzetelő: T. Szabó Tamás 2011. április 20. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai A feltétel nélküli optimalizálásnál
Részletesebbeny ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell
Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.
RészletesebbenMechanizmus-tervezés: szociális jóléti függvény nem kooperatív (versengő) ágensek. A megegyezés keresése és elérése: Tárgyalás (Negotiation)
Tárgyalások/1 Mechanzmus-tervezés: szocáls jólét függvény nem kooperatív (versengő) ágensek (Szavazás (Votng)) (Árverés (Aucton)) A megegyezés keresése és elérése: Tárgyalás (Negotaton) (Érvelés (Argung))
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
RészletesebbenEgészrészes feladatok
Kitűzött feladatok Egészrészes feladatok Győry Ákos Miskolc, Földes Ferenc Gimnázium 1. feladat. Oldjuk meg a valós számok halmazán a { } 3x 1 x+1 7 egyenletet!. feladat. Bizonyítsuk be, hogy tetszőleges
RészletesebbenBrósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Számelmélet I.
Számelmélet I. DEFINÍCIÓ: (Osztó, többszörös) Ha egy a szám felírható egy b szám és egy másik egész szám szorzataként, akkor a b számot az a osztójának, az a számot a b többszörösének nevezzük. Megjegyzés:
RészletesebbenAdott: VPN topológia tervezés. Költségmodell: fix szakaszköltség VPN végpontok
Hálózatok tervezése VITMM215 Maliosz Markosz 2012 12.10..10.27 27. Adott: VPN topológia tervezés fizikai hálózat topológiája Költségmodell: fix szakaszköltség VPN végpontok 2 VPN topológia tervezés VPN
RészletesebbenGyakorló feladatok adatbányászati technikák tantárgyhoz
Gyakorló feladatok adatbányászati technikák tantárgyhoz Buza Krisztián Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem Klaszterezés kiértékelése Feladat:
Részletesebben4.2. Tétel: Legyen gyenge rendezés az X halmazon. Legyen továbbá B X, amelyre
4.2. Tétel: Legyen gyenge rendezés az X halmazon. Legyen továbbá B X, amelyre Az értékelő függvény létezése (folytatás) p. 1/8 4.2. Tétel: Legyen gyenge rendezés az X halmazon. Legyen továbbá B X, amelyre
RészletesebbenNULLADIK MATEMATIKA ZÁRTHELYI
A NULLADIK MATEMATIKA ZÁRTHELYI 20-09-2 Terem: Munkaidő: 0 perc. A dolgozat megírásához íróeszközön kívül semmilyen segédeszköz nem használható! Csak és kizárólag tollal tölthető ki a feladatlap, a ceruzával
RészletesebbenOrszágos Középiskolai Tanulmányi Verseny 2009/2010 Matematika I. kategória (SZAKKÖZÉPISKOLA) 2. forduló feladatainak megoldása
Oktatási Hivatal Országos Középiskolai Tanulmányi Verseny / Matematika I. kategória (SZAKKÖZÉPISKOLA) 2. forduló feladatainak megoldása. Oldja meg a valós számok legbővebb részhalmazán a egyenlőtlenséget!
RészletesebbenOperációkutatás vizsga
Operációkutatás vizsga A csoport Budapesti Corvinus Egyetem 2007. január 9. Egyéb gyakorló és vizsgaanyagok találhatók a honlapon a Letölthető vizsgasorok, segédanyagok menüpont alatt. OPERÁCIÓKUTATÁS
RészletesebbenMATEMATIKA ÉRETTSÉGI 2012. május 8. EMELT SZINT I.
MATEMATIKA ÉRETTSÉGI 01. május 8. EMELT SZINT I. 1) Egy 011-ben készült statisztikai összehasonlításban az alábbiakat olvashatjuk: Ha New York-ban az átlagfizetést és az átlagos árszínvonalat egyaránt
RészletesebbenDöntéselméleti modellek
Döntéselméleti modellek gyakorlat Berta Árpád Követelmények A félév során 40 pont szerezhető 0-19 pont : elégtelen (1) 20-24 pont : elégséges (2) 25-29 pont : közepes (3) 30-34 pont : jó (4) 35-40 pont
RészletesebbenTeljesítmény Mérés. Tóth Zsolt. Miskolci Egyetem. Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés / 20
Teljesítmény Mérés Tóth Zsolt Miskolci Egyetem 2013 Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés 2013 1 / 20 Tartalomjegyzék 1 Bevezetés 2 Visual Studio Kód metrikák Performance Explorer Tóth Zsolt
Részletesebben1. Informatikai trendek, ágensek, többágenses rendszerek. Intelligens Elosztott Rendszerek BME-MIT, 2018
1. Informatikai trendek, ágensek, többágenses rendszerek A számítástechnika történetének 5 nagy trendje mindenütt jelenlévő (ubiquity) összekapcsolt (interconnection) intelligens delegált (delegation)
RészletesebbenTananyag: Kiss Béla - Krebsz Anna: Lineáris algebra, többváltozós függvények, valószínűségszámítás,
// KURZUS: Matematika II. MODUL: Valószínűség-számítás 21. lecke: A feltételes valószínűség, események függetlensége Tananyag: Kiss Béla - Krebsz Anna: Lineáris algebra, többváltozós függvények, valószínűségszámítás,
RészletesebbenTöbbtényezős döntési problémák
KIPA módszer: Lépései:. értékelési tényezők páros elrendezése, 2. páros összehasonlítás elvégzése, 3. egyéni preferencia táblázatok felvétele, konzisztencia mutatók meghatározása, 4. aggregált preferencia
RészletesebbenÖsszehasonlítások hibái
Összehasonlítások hibái Kiegészítő anyag BME Filozófia és Tudománytörténet Tanszék http://www.filozofia.bme.hu/ Összehasonlítások Az összehasonlítás alapkérdése: a lehetőségek közül melyik a legjobb egy
RészletesebbenRamsey-féle problémák
FEJEZET 8 Ramsey-féle problémák "Az intelligens eljárást az jellemzi, hogy még a látszólag megközelíthetetlen célhoz is utat nyit, megfelelő segédproblémát talál ki és először azt oldja meg." Pólya György:
RészletesebbenSzámítógép hálózatok, osztott rendszerek 2009
Számítógép hálózatok, osztott rendszerek 2009 1: Bevezetés: Internet, rétegmodell Alapok: aszimptótika, gráfok 1 Az előadáshoz Előadás: Hétfő 10:00 12:00 óra Gyakorlat: Hétfő 14:00-16:00 óra Honlap: http://people.inf.elte.hu/lukovszki/courses/0910nwmsc
RészletesebbenAz értékelés a következők szerint történik: 0-4 elégtelen 5-6 elégséges 7 közepes 8 jó 9-10 jeles. A szóbeli vizsga várható időpontja
2016/17 I. félév MATEMATIKA szóbeli vizsga 1 A szóbeli vizsga kötelező eleme a félév teljesítésének, tehát azok a diákok is vizsgáznak, akik a többi számonkérést teljesítették. A szóbeli vizsgán az alább
Részletesebben1. előadás: Halmazelmélet, számfogalom, teljes
1. előadás: Halmazelmélet, számfogalom, teljes indukció Szabó Szilárd Halmazok Halmaz: alapfogalom, bizonyos elemek (matematikai objektumok) összessége. Egy halmaz akkor adott, ha minden objektumról eldönthető,
RészletesebbenDiszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 3. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Relációk Diszkrét matematika I. középszint 2014.
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
Részletesebben