HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL. OLÁH Béla
|
|
- Imre Bodnár
- 8 évvel ezelőtt
- Látták:
Átírás
1 HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL OLÁH Béla
2 A TERMELÉSÜTEMEZÉS MEGFOGALMAZÁSA Flow shop: adott n számú termék, melyeken m számú különböző munkafolyamatot kell elvégezni. A technológiai útvonal (az összes termékre azonos), és a műveleti idők adottak. Meg kell határozni a termékek sorrendjét a gépeken, mely célfüggvények gép állásidő A p 1 =4 p 2 =10 p 3 =6 p 4 =7 p 5 =1 5 holtidő B p 1 =9 p 2 =3 p 3 =7 p 4 =6 p 5 = C 13 p 1 =3 p 2 =10 p 3 =2 p 4 =14 p 5 = D p 1 =7 p 2 =7 p 3 =5 p 4 =4 p 5 = átfutási idő = 67 idő
3 MEGOLDÁSI VÁLTOZATOK KIÉRTÉKELÉSE reprezentálás
4 HOLTIDŐK ÉS ÁLLÁSIDŐK KIÉRTÉKELÉSE
5 SORREND-MEGHATÁROZÁS MÓDSZEREI NP-teljes probléma heurisztikus eljárások Az utóbbi évtizedekben más megközelítési módok (összefoglaló néven természetes számítások) is elterjedtek: Neurális hálózatok (NN), Genetikus algoritmusok (GA), Membrán-rendszerek (PS), Molekuláris számítások (MC), Kvantumszámítógépek (QC).
6 A GENETIKUS ALGORITMUS FOLYAMATÁBRÁJA Induló populáció generálása Kiértékelő függvény További optimalizálás nem Legjobb egyed igen eredmény Start Új populáció generálása Kiválasztás Klónozás alkalmazott kódolás, egyed, populáció, alkalmasság Mutáció Keresztezés A GA lényege, hogy rendelkezik a lehetséges megoldások egy populációjával, a populáción értelmezett a kiválasztási folyamat - mely az egyedek alkalmasságán alapul - és értelmezett néhány genetikus operátor.
7 FELHASZNÁLÓI FELÜLET TÁMOP B-15/1/KONV
8 A GENETIKUS ALGORITMUS ÁLTAL SZOLGÁLTATOTT HOLTIDŐ- ÉRTÉKEK AZ ITERÁCIÓSZÁM FÜGGVÉNYÉBEN Ugyanazon (20 gépes, 25 termékes) feladatra 30-szor lefuttatott genetikus algoritmus által szolgáltatott holtidő értékek átlagai a populáció méretének (150) változatlanul hagyása mellett a legjobb kiválasztási stratégiát, valamint 4%-os klónozást, 16%-os mutációt és 80%-os keresztezést használva.
9 A GENETIKUS ALGORITMUS ÁLTAL SZOLGÁLTATOTT HOLTIDŐ- ÉRTÉKEK A POPULÁCIÓMÉRET FÜGGVÉNYÉBEN holtidő populáció-méret Ugyanarra a 25 termékes feladatra elvégezve a vizsgálatot 30 futtatás utáni holtidő értékek átlagai a populáció méretének függvényében az iteráció-szám változatlanul hagyása mellett a korábbi beállítási lehetőségeket megtartva, hasonló jellegű görbét adtak.
10 A KIVÁLASZTÁSI STRATÉGIÁK ÖSSZEHASONLÍTÁSA A HOLTIDŐ ÉS ITERÁCIÓ-SZÁM FÜGGVÉNYÉBEN holtidő random best rulett iterációszám Megállapítható, hogy a véletlen kiválasztás adja a leggyengébb eredményeket, míg a rulett-kerék szelekció kicsivel (közel 1 %-kal) mindig jobb megoldásokat szolgáltat ugyanannyi iterációt követően. Kijelenthető, hogy a best kiválasztódás eredményezi a legjobb megoldásokat a leggyorsabban.
11 HOLTIDŐ-ÉRTÉKEK A POPULÁCIÓMÉRET ÉS TERMÉKSZÁM FÜGGVÉNYÉBEN AZONOS FUTÁSIDŐ ALATT Ugyanazon 20 gépes feladatra a GA által 30 futtatás után szolgáltatott holtidőértékek átlagai a populáció méretének és a termékszám függvényében ugyanakkora futásidő alatt a legjobb kiválasztási stratégiát, 4%-os klónozást, 16%-os mutációt és 80%-os keresztezést használva. Az azonos futásidő úgy érhető el, hogy az alkalmazott populáció mérete és az iteráció szorzata állandó (ez esetben ), azaz ugyanannyi individuumot vonok be a vizsgálatba. Látható kék vonallal be is jelölve, hogy a feladat méreteinek növekedésével nem a várt növekedés, hanem csökkenés mutatkozik az optimális populációnagyságra vonatkozóan ugyanakkora futásidőt feltételezve. idle time population size job99 job75 job50 job25 job10
12 A KLÓNOZÁS ÉS A MUTÁCIÓ ARÁNYÁNAK VIZSGÁLATA A HOLTIDŐK SZEMPONTJÁBÓL A genetikus algoritmus a klónozás operátor 10 és 60 % közötti értéke esetén eredményezte a legkisebb holtidő értékeket csak mutációt használva. A minimumot a 30 %-os másolás (és ezáltal 70 %-os mutáció) jelentette.
13 A KLÓNOZÁS ÉS A KERESZTEZÉS ARÁNYÁNAK VIZSGÁLATA A HOLTIDŐ-ÉRTÉKEK FÜGGVÉNYÉBEN gépi holtidők keresztezés [%] A genetikus algoritmus a klónozás operátor 25 és 85 % közötti értéke esetén eredményezte a legkisebb holtidő értékeket csak keresztezést használva. A minimumot ugyan a 75 %-os másolás (és ezáltal 25 %-os keresztezés) jelentette.
14 A MUTÁCIÓ ÉS A KERESZTEZÉS ARÁNYÁNAK VIZSGÁLATA 10%-OS KLÓNOZÁSNÁL A HOLTIDŐK SZEMPONTJÁBÓL A mutáció arányának 57 %-ig történő növelésével folyamatosan javulnak a GA által szolgáltatott holtidő-értékek, ezután viszont folyamatos, igaz csekély mértékű gyengülés következik be.
15 KERESZTEZŐ OPERÁTOROK ÉRZÉKENYSÉGVIZSGÁLATA A GA által szolgáltatott holtidő-értékek vegyes, csak Cycle-Crossover (CX) és csak Order- Crossover (OX) keresztező operátorok használatakor. A CX operátor átlag 2%-kal gyengébb eredményeket szolgáltat a mindkét szisztémát egyformán használó keresztezéshez képest. Az OX keresztező operátor átlag 1,1%-kal még a CX keresztezésnél is rosszabb. Meglepő, hogy amikor fele-fele arányban van alkalmazva a két operátor az átlagos fitnesz-érték mégis jobban közelíti az optimális értéket, mint külön-külön bármelyiknél. Konkrét feladatnál tehát érdemes a keresztező eljárások széles skáláját használni. gépi holtidők keresztezés [%] gépi holtidők gépi holtidők keresztezés [%] keresztezés [%]
16 MUTÁCIÓ OPERÁTOROK ÉRZÉKENYSÉGVIZSGÁLATA A GA által szolgáltatott holtidő-értékek különböző mutáció operátorok használata esetén gépi holtidők mutáció [%] vegyes simple inversion reciprocal exchange swap displacement A négy mutáció operátor közül kettő sokkal jobb eredményeket szolgáltat a másik kettőnél. A legjobb megoldásokat a reciprocal exchange mutáció alkalmazása adja, de alig marad el tőle a simple inversion operátor, ami csak átlag 2,5%-kal generál gyengébb célfüggvény-értékeket. Ezzel szemben a swap mutáció már közel 9,5%-kal rosszabb, mint a reciprocal exchange, míg a displacement operátor több mint 12%-kal, így kijelenthető, hogy ez utóbbi mutáció használata eredményezi a legnagyobb holtidőket. A keresztező operátorok vizsgálatával ellentétben, nem mondható el, hogy a mutációs eljárások együttes alkalmazásakor kapnánk a legjobb eredményeket, bár az operátorokat egyenlő arányban alkalmazó vegyes megoldás grafikonja szinte teljesen egyezik a legkisebb értékeket felvonultató reciprocal exchange mutációéval.
17 ÖSSZEHASONLÍTÁS AZ ÁTFUTÁSI IDŐ SZEMPONTJÁBÓL Genetic Dannenbring Palmer Ad hoc A Dannenbring és a Palmer módszer közelítése között átlagban (~1345) szinte semmi eltérés sincs. A genetikus algoritmus viszont már az első iterációban az ad hoc sorrend (~1469) eredményeihez közeli értéket produkál, 3-4 iteráció után pedig a heurisztikus módszereknél is jobb megoldást készít, továbbá 100 iteráció befejeztével (~1228) közel 20%-ot javít az ad hoc sorrenden, szemben a többi heurisztikus módszer 8%-val.
18 A HOLTIDŐK SZEMPONTJÁBÓL TÁMOP B-15/1/KONV Genetikus Ad hoc Dannenbring Palmer Ha a gépek holtideje, illetve a termékek állásideje célfüggvények szempontjából hasonlítjuk össze a genetikus algoritmus hatékonyságát a többi heurisztikus módszerrel, még megdöbbentőbb eredményhez jutunk. Ami nem is annyira meglepő, ugyanis jelen heurisztikus módszereket csak az átfutási idő optimalizálására fejlesztették ki. A holtidők minimalizálása tekintetében a Dannenbring és a Palmer módszer átlagban szintén 8%-ot javít az ad hoc sorrenden, de óriási a szórása a két módszernek. A GA viszont több mint 25%-kal jobb az ad hoc sorrendnél 100 iterációt követően.
19 A TERMÉKEK ÁLLÁSIDEJÉNEK SZEMPONTJÁBÓL Genetikus Ad hoc Dannenbring Palmer A termékek állásidejének optimalizálása esetén még nagyobb az eltérés a genetikus algoritmus javára. A GA közel 35%-kal jobban közelíti az optimális megoldást, mint az ad hoc sorrend! Meglepően jól szerepelnek a heurisztikus módszerek is, a Dannenbring 16%-ot, a Palmer 13%-ot javít az ad hoc sorrend eredményein.
20 ÖSSZEFOGLALÁS TÁMOP B-15/1/KONV A genetikus algoritmusra és az ismert heurisztikus módszerekre épülő software készítése A genetikus algoritmus összehasonlító elemzése a heurisztikus módszerekkel logisztikai célfüggvények figyelembevételével Kiválasztási stratégiák és az operátorok hatékonyságának vizsgálata A genetikus operátorok arányának optimálása Továbbfejlesztési lehetőségek ismertetése A módszer kidolgozása job-shop és open-shop típusú ütemezési feladatokra A feladat kiterjesztése hálózatszerűen működő termelés esetére A genetikus algoritmus összehasonlítása más természetes számításon alapuló módszerekkel: Ant colony algorithm Megerősítéses tanulás Neurális hálózatok Molekuláris számítások Új keresztező és mutáció operátorok megalkotása stb.
21 KÖSZÖNÖM A FIGYELMET!
22 A JOB-SHOP ÜTEMEZÉSI FELADAT (JSSP) A job-shop ütemezési feladatban j munka (job) és m gép (machine) van. Minden egyes munka feladatok halmazából áll, melyek mindegyikét különböző gépen kell megmunkálni különböző megmunkálási idővel, egy előre megadott munkafüggő sorrendben. 1. gép 2. gép 3. gép 4. gép p 1 =3 p 4 =5 p 3 =9 p 6 =10 p 2 =10 p 5 =3 p 2 =8 p 4 =5 p 6 =3 p 1 =6 p 5 =3 p 3 =1 p 3 =5 p 1 =1 p 3 =4 p 2 =5 p 5 =9 p 4 =5 p 6 =1 p 6 =3 p 4 =3 p 1 =7 p 2 =4 p 5 =1 5. gép p 2 =10 p 5 =5 p 3 =7 p 4 =8 p 6 =4 p 1 =6 6. gép p 3 =8 p 6 =9 p 2 =10 p 5 =4 p 1 =3 p 4 = idő
23 AZ OPEN-SHOP ÜTEMEZÉSI FELADAT (JSSP) Az open-shop ütemezési feladat (OSSP) hasonló a job-shop problémához, azzal a kivétellel, hogy nincs prioritási sorrendje a műveleteknek egy terméken belül. TÁMOP B-15/1/KONV gép p 2 =7 p 4 =54 p 1 =64 p 3 =74 p 5 =80 2. gép p 1 =66 p 3 =70 p 5 =45 p 2 =69 p 4 =45 3. gép p 3 =60 p 2 =68 p 5 =10 p 4 =98 p 1 =31 p 3 =1p 2 =14 4. gép p 5 =15 p 4 =76 p 1 =85 5. gép p 4 =13 p 2 =18 p 5 =91 p 1 =44 p 3 = idő
24 HÁLÓZATSZERŰEN MŰKÖDŐ ÖSSZESZERELŐ RENDSZER beszállítók B 1... B i... B x alapanyag elosztó raktárak AER 1... AER j... AER m összeszerelő üzemek Ü 1... Ü λ... Ü n késztermék elosztó raktárak KER 1... KER κ... KER r felhasználók F 1... F µ... F w
25 GA VS. MEGERŐSÍTÉSES TANULÁS (HOLTIDŐK SZEMPONTJÁBÓL) Boltzmann GA Dannenbring Palmer Ha a genetikus algoritmus hatékonyságát hasonlítjuk össze a szimulált hűtéssel kombinált megerősítéses tanulás eredményeivel a gépek holtidejének minimalizálása érdekében (30 különböző húszgépes esetben a termékek számát egytől harmincig növelve) azt tapasztalhatjuk, hogy a genetikus algoritmus eleinte azonos eredményt produkál a megerősítéses tanulással (úgy kb. tíztermékes esetig), majd a termékek számának növelésével egyre inkább kiütközik a két módszer közötti különbség természetesen a GA javára. Számszerűsítve az eredményeket a genetikus algoritmus átlagban közel 8%-kal eredményezett jobb megoldást, mint a megerősítéses tanulás, de ahogy a 2. ábrán is látható a berajzolt trendfüggvény a termékek számának növekedésével közel exponenciálisan növekszik (25-30 termékes feladatoknál már százalék a különbség)! Persze ez nem fokozható a végtelenségig, de az megállapítható, hogy a GA nagyobb termékszám esetében sokkal jobban közelíti az optimális megoldást, mint a megerősítéses tanulás. A genetikus algoritmus általában már a 20. iterációt követően előállt olyan eredménnyel, ami már jobb volt, mint a szimulált hűtéssel kombinált megerősítéses tanulás által adott eredmény. % termékek száma GA %-os javítása a megerősítéses tanuláshoz képest
26 A KERESZTEZŐ ÉS MUTÁCIÓ OPERÁTOROK ISMERTETÉSE TÁMOP B-15/1/KONV
27 DIA CÍMSOR TÁMOP B-15/1/KONV
FLOW-SHOP ÜTEMEZÉSI FELADATOKAT MEGOLDÓ GENETIKUS ALGORITMUS MUTÁCIÓ OPERÁTORAINAK ÉRZÉKENYSÉGVIZSGÁLATA
Miskolci Egyetem, Multidiszciplináris tudományok, 1. kötet (2011) 1. szám, pp. 95-102. FLOW-SHOP ÜTEMEZÉSI FELADATOKAT MEGOLDÓ GENETIKUS ALGORITMUS MUTÁCIÓ OPERÁTORAINAK ÉRZÉKENYSÉGVIZSGÁLATA Oláh Béla
RészletesebbenA FLOW-SHOP ÜTEMEZÉSI PROBLÉMA MEGFOGALMAZÁSA
Szolnoki Tudományos Közlemények XV. Szolnok, 2011. Oláh Béla 1 GENETIKUS OPERÁTOROK ÉRZÉKENYSÉGVIZSGÁLATA Jelen tudományos munka célkitűzése egy általam már korábban elkészített és publikált permutáció
RészletesebbenOláh Béla 1. A cikket lektorálta: Prof. Dr. Pokorádi László, Debreceni Egyetem egyetemi tanár, műszaki tudomány kandidátusa
Szolnoki Tudományos Közlemények XIV. Szolnok, 2010. Oláh Béla 1 FLOW-SHOP TERMELÉSÜTEMEZÉSI FELADATOKAT MEGOLDÓ GENETIKUS ALGORITMUS ÉRZÉKENYSÉGVIZSGÁLATA Jelen tudományos munka célkitűzése a szerző által
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
RészletesebbenDr. habil. Maróti György
infokommunikációs technológiák III.8. MÓDSZER KIDOLGOZÁSA ALGORITMUSOK ÁTÜLTETÉSÉRE KIS SZÁMÍTÁSI TELJESÍTMÉNYŰ ESZKÖZÖKBŐL ÁLLÓ NÉPES HETEROGÉN INFRASTRUKTÚRA Dr. habil. Maróti György maroti@dcs.uni-pannon.hu
RészletesebbenÚjrahasznosítási logisztika. 7. Gyűjtőrendszerek számítógépes tervezése
Újrahasznosítási logisztika 7. Gyűjtőrendszerek számítógépes tervezése A tervezési módszer elemei gyűjtési régiók számának, lehatárolásának a meghatározása, régiónként az 1. fokozatú gyűjtőhelyek elhelyezésének
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,
RészletesebbenTartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9
... 3 Előszó... 9 I. Rész: Evolúciós számítások technikái, módszerei...11 1. Bevezetés... 13 1.1 Evolúciós számítások... 13 1.2 Evolúciós algoritmus alapfogalmak... 14 1.3 EC alkalmazásokról általában...
RészletesebbenTARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...
TARTALOMJEGYZÉK TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS...1 1. A lágy számításról...2 2. A könyv célkitűzése és felépítése...6 AZ ÖSSZETEVŐ LÁGY RENDSZEREK...9 I. BEVEZETÉS...10 3. Az összetevő
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2017/18 2. félév 3. Előadás Dr. Kulcsár Gyula egyetemi docens Kereső algoritmusok alkalmazása
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 8. Előadás Dr. Kulcsár Gyula egyetemi docens Kereső algoritmusok alkalmazása
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:
RészletesebbenKéprekonstrukció 9. előadás
Képrekonstrukció 9. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem hv-konvex összefüggő halmazok Mag-burok-szerű rekonstrukció: S. Brunetti, A. Del Lungo, F.
RészletesebbenMesterséges 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
RészletesebbenBeszerzési és elosztási logisztika. Előadó: Telek Péter egy. adj. 2008/09. tanév I. félév GT5SZV
Beszerzési és elosztási logisztika Előadó: Telek Péter egy. adj. 2008/09. tanév I. félév GT5SZV 2. Előadás A beszerzési logisztika alapjai Beszerzési logisztika feladata/1 a termeléshez szükséges: alapanyagok
RészletesebbenAlgoritmusok Tervezése. 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás
Algoritmusok Tervezése 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás Biológiai háttér (nagyvonalúan) A sejt genetikai információit hordozó DNS általában kromoszómának nevezett makromolekulákba van
RészletesebbenHidraulikus 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
RészletesebbenBánhelyi Balázs, Csendes Tibor, Palatinus Endre és Lévai. Szeptember 28-30, 2011, Balatonöszöd, Hungary
optimalizáló eljárás, Csendes Tibor, Palatinus Endre és Lévai Balázs László Szegedi Tudományegyetem Szeptember 28-30, 2011, Balatonöszöd, Hungary Közmegvilágítási feladat Adott egy megvilágítandó terület,
RészletesebbenGenetikus algoritmusok
Genetikus algoritmusok Zsolnai Károly - BME CS zsolnai@cs.bme.hu Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu
RészletesebbenPélda. Job shop ütemezés
Példa Job shop ütemezés Egy üzemben négy gép működik, és ezeken 3 feladatot kell elvégezni. Az egyes feladatok sorra a következő gépeken haladnak végig (F jelöli a feladatokat, G a gépeket): Az ütemezési
RészletesebbenECONOMICA. A Szolnoki Fõiskola Tudományos Közleményei 2010/3. Angol nyelvi lektor: Csatlós Krisztina
ECONOMICA A Szolnoki Fõiskola Tudományos Közleményei 2010/3. A szerkesztõbizottság tagjai: Dr. Nagy Rózsa Cs.C, fõiskolai tanár, fõszerkesztõ Dr. Fülöp Tamás PhD, fõiskolai docens, felelõs szerkesztõ Madaras
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 5. Előadás Dr. Kulcsár Gyula egyetemi docens Tartalom 1. Párhuzamosan
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - lokális információval Pataki Béla Bolgár Bence BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Rugó tervezése
RészletesebbenMegkülönböztetett kiszolgáló routerek az
Megkülönböztetett kiszolgáló routerek az Interneten Megkülönböztetett kiszolgálás A kiszolgáló architektúrák minősége az Interneten: Integrált kiszolgálás (IntServ) Megkülönböztetett kiszolgálás (DiffServ)
RészletesebbenÜtemezés gyakorlat. Termelésszervezés
Ütemezés gyakorlat egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Feladattípusok Általános ütemezés Egygépes ütemezési problémák Párhuzamos erőforrások ütemezése Flow-shop és job-shop ütemezés
RészletesebbenTermelési folyamat logisztikai elemei
BESZERZÉSI LOGISZTIKA Termelési logisztika Beszállítás a technológiai folyamat tárolójába Termelés ütemezés Kiszállítás a technológiai sorhoz vagy géphez Technológiai berendezés kiválasztása Technológiai
RészletesebbenÜtemezési feladatok. Az ütemezési feladatok vizsgálata az 50-es évek elején kezdődött, majd
1 Ütemezési feladatok Az ütemezési feladatok vizsgálata az 50-es évek elején kezdődött, majd tekintettel a feladat gyakorlati fontosságára sok különböző modell tanulmányozására került sor, és a témakör
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
RészletesebbenParagon Decision Technology BV
1 Előadó: Dr. Lelkes Zoltán Költségcsökkentés optimalizálással 2 Optasoft Kft. Egyetemi háttér ( spin-off cég ): Budapesti Műszaki és Gazdaságtudományi Egyetem Alapítók: Dr. Rév Endre, docens Dr. Lelkes
RészletesebbenKéprekonstrukció 6. előadás
Képrekonstrukció 6. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Diszkrét tomográfia (DT) A CT-hez több száz vetület szükséges időigényes költséges károsíthatja
RészletesebbenGLOBÁLIZÁLT BESZERZÉS ÉS ELOSZTÁS A LOGISZTIKÁBAN
3. EŐADÁS GOÁIZÁT ESZZÉS ÉS EOSZTÁS A OGISZTIKÁAN A termelés globalizációjának, a késleltetett termelés következménye, hogy két kapcsolódó láncszem a beszerzés és elosztás is globalizálódik. A globalizált
RészletesebbenGLOBÁLIZÁLT BESZERZÉS ÉS ELOSZTÁS A LOGISZTIKÁBAN
GOBÁIZÁT BESZERZÉS ÉS EOSZTÁS A OGISZTIKÁBAN A globalizációjának, a késleltetett következménye, hogy két kapcsolódó láncszem a beszerzés és elosztás is globalizálódik. A globalizált beszerzésnek és elosztásnak
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 11. Előadás Halmazkeresések, dinamikus programozás http://digitus.itk.ppke.hu/~flugi/ A keresési feladat megoldása Legyen a lehetséges megoldások halmaza M ciklus { X legyen
Részletesebben2. A 2016.évi Országos kompetencia mérés eredményeinek feldolgozása
2. A 2016.évi Országos kompetencia mérés eredményeinek feldolgozása A 2016.évi Országos kompetenciamérésen résztvevő 10 évfolyamos osztályok osztályfőnökei; a könnyebb beazonosíthatóság végett: 10.A: Ányosné
RészletesebbenBeszerzési és elosztási logisztika. Előadó: Telek Péter egy. adj. 2008/09. tanév I. félév GT5SZV
Beszerzési és elosztási logisztika Előadó: Telek Péter egy. adj. 2008/09. tanév I. félév GT5SZV 4. Előadás Beszerzési logisztikai stratégiák Beszerzési logisztikai stratégiák BESZÁLLÍTÓ Beszállítás, ütemezés
RészletesebbenTermelési logisztika tervezése
Termelési logisztika tervezése Anyagáramlás tervezése: Raktárak, üzemek elhelyezésének tervezése. Az anyagáramlási utak minimálisra adódjanak. A kapcsolódás az anyagmozgató rendszerekhez a legkedvezőbb
RészletesebbenANALÍZIS 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
RészletesebbenA 2009-es év országos átlaga megegyezik, a fenntartói 4% csökkenést mutat, az iskolai eredmény viszont 2%-kal jobb a tavalyinál.
Iskolánkban, a 2009-2010-es tanévben 5 osztály vett részt a központi mérésben, összesen.. tanuló. Két telephelyen folyt a mérés: 1. telephely- székhelyiskola - 4. a 2. telephely- Pais Tagiskola- 4. b,
RészletesebbenBeszerzési logisztikai folyamat tervezése
1 2 Beszerzési logisztikai folyamat tervezése 3 1. Igények meghatározása, előrejelzése. 2. Beszerzési piac feltárása. 3. Ajánlatkérés. 4. Ajánlatok értékelése, beszállítók kiválasztása. 5. Áruk megrendelése.
RészletesebbenKontrollcsoport-generálási lehetőségek retrospektív egészségügyi vizsgálatokhoz
Kontrollcsoport-generálási lehetőségek retrospektív egészségügyi vizsgálatokhoz Szekér Szabolcs 1, Dr. Fogarassyné dr. Vathy Ágnes 2 1 Pannon Egyetem Rendszer- és Számítástudományi Tanszék, szekersz@gmail.com
RészletesebbenSZÁLLÍTÁSI FELADAT KÖRUTAZÁSI MODELL WINDOWS QUANTITATIVE SUPPORT BUSINESS PROGRAMMAL (QSB) JEGYZET Ábragyűjtemény Dr. Réger Béla LÉPÉSRŐL - LÉPÉSRE
SZÁLLÍTÁSI FELADAT KÖRUTAZÁSI MODELL WINDOWS QUANTITATIVE SUPPORT BUSINESS PROGRAMMAL (QSB) JEGYZET Ábragyűjtemény Dr. Réger Béla LÉPÉSRŐL - LÉPÉSRE KÖRUTAZÁSI MODELL AVAGY AZ UTAZÓÜGYNÖK PROBLÉMÁJA Induló
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenIntelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói
Intelligens Rendszerek Elmélete dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE07 IRE 5/ Természetes és mesterséges genetikus
RészletesebbenMesterséges Intelligencia alapjai
Mesterséges Intelligencia alapjai Evolúciós algoritmusok - neurális hálózatok Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék 2010 / Budapest
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
Részletesebben2651. 1. Tételsor 1. tétel
2651. 1. Tételsor 1. tétel Ön egy kft. logisztikai alkalmazottja. Ez a cég új logisztikai ügyviteli fogalmakat kíván bevezetni az operatív és stratégiai működésben. A munkafolyamat célja a hatékony készletgazdálkodás
RészletesebbenLogisztikával integrált termelésirányítás
Logisztikával integrált termelésirányítás C modell lapanyag, alkatrész beszállítás B modell T 1 lkatrészgyártás modell T 2 Szerelde T 3 észtermék kiszállítás T 1 alapanyag, alkatrész raktár T 2 alkatrész
Részletesebbenkompetenciakompetenciakompetenci akompetenciakompetenciakompeten ciakompetenciakompetenciakompete nciakompetenciakompetenciakompet
kompetenciakompetenciakompetenci akompetenciakompetenciakompeten ciakompetenciakompetenciakompete nciakompetenciakompetenciakompet A 2017. évi kompetenciamérés eredményei enciakompetenciakompetenciakomp
RészletesebbenLukovich Gábor Logisztikai rendszerfejlesztő
Lukovich Gábor Logisztikai rendszerfejlesztő Intra-logisztikai rendszerek Lay-out tervezése/fejlesztése Logisztikai informatikai rendszerek tervezése Egymással kölcsönhatásban lévő részfeladatok rendszere
RészletesebbenA technológiai berendezés (M) bemenő (BT) és kimenő (KT) munkahelyi tárolói
9., ELŐADÁS LOGISZTIKA A TERMELÉSIRÁNYÍTÁSBAN Hagyományos termelésirányítási módszerek A termelésirányítás feladata az egyes gyártási műveletek sorrendjének és eszközökhöz történő hozzárendelésének meghatározása.
RészletesebbenOsztott algoritmusok
Osztott algoritmusok A benzinkutas példa szimulációja Müller Csaba 2010. december 4. 1. Bevezetés Első lépésben talán kezdjük a probléma ismertetésével. Adott két n hosszúságú bináris sorozat (s 1, s 2
RészletesebbenVállalati modellek. Előadásvázlat. dr. Kovács László
Vállalati modellek Előadásvázlat dr. Kovács László Vállalati modell fogalom értelmezés Strukturált szervezet gazdasági tevékenység elvégzésére, nyereség optimalizálási céllal Jellemzői: gazdasági egység
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 9. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
RészletesebbenA genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere
A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere Kaposvári Egyetem, Informatika Tanszék I. Kaposvári Gazdaságtudományi Konferencia
RészletesebbenBeszerzési logisztikai folyamat
BESZÁLLÍTÓ Beszállítás, ütemezés Beszerzési logisztika Szállítási mód és eszköz megválasztása Beszállítás Beszerzési folyamat: - igények meghatározása, - ajánlatkérés és feldolgozás, - beszállítók kiválasztása,
RészletesebbenBeszerzési és elosztási logisztika. Előadó: Telek Péter egy. adj. 2008/09. tanév I. félév GT5SZV
Beszerzési és elosztási logisztika Előadó: Telek Péter egy. adj. 2008/09. tanév I. félév GT5SZV 5. Előadás Elosztási folyamat A klasszikus elosztási logisztikai rendszer Az elosztási logisztikai rendszer:
RészletesebbenOperációs rendszerek II. Folyamatok ütemezése
Folyamatok ütemezése Folyamatok modellezése az operációs rendszerekben Folyamatok állapotai alap állapotok futásra kész fut és várakozik felfüggesztett állapotok, jelentőségük Állapotátmeneti diagram Állapotátmenetek
RészletesebbenGépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés
Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket? Precízebben: Tegyük
RészletesebbenÜtemezési problémák. Kis Tamás 1. ELTE Problémamegoldó Szeminárium, ősz 1 MTA SZTAKI. valamint ELTE, Operációkutatási Tanszék
Ütemezési problémák Kis Tamás 1 1 MTA SZTAKI valamint ELTE, Operációkutatási Tanszék ELTE Problémamegoldó Szeminárium, 2012. ősz Kivonat Alapfogalmak Mit is értünk ütemezésen? Gépütemezés 1 L max 1 rm
RészletesebbenÁltalános algoritmustervezési módszerek
Általános algoritmustervezési módszerek Ebben a részben arra mutatunk példát, hogy miként használhatóak olyan általános algoritmustervezési módszerek mint a dinamikus programozás és a korlátozás és szétválasztás
RészletesebbenDr. Kalló Noémi. Termelés- és szolgáltatásmenedzsment. egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék. Dr.
Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Ismertesse a legfontosabb előrejelzési módszereket és azok gyakorlati
RészletesebbenBeszállítás AR Gyártási folyamat KR
3. ELŐADÁS TERMELÉSI FOLYAMATOK STRUKTURÁLÓDÁSA 1. Megszakítás nélküli folyamatos gyártás A folyamatos gyártás lényege, hogy a termelési folyamat az első művelettől az utolsóig közvetlenül összekapcsolt,
Részletesebben8., ELŐADÁS VIRTUÁLIS LOGISZTIKAI KÖZPONTOK ALKALMAZÁSAI. Klaszter, mint virtuális logisztikai központ
8., ELŐADÁS VIRTUÁLIS LOGISZTIKAI KÖZPONTOK ALKALMAZÁSAI Klaszter, mint virtuális logisztikai központ Feladatai: a beszállítói feladatok kis és középvállalatok versenyképességeinek fokozása érdekében,
RészletesebbenMŰSZAKKIOSZTÁSI PROBLÉMÁK A KÖZÖSSÉGI KÖZLEKEDÉSBEN
infokommunikációs technológiák MŰSZAKKIOSZTÁSI PROBLÉMÁK A KÖZÖSSÉGI KÖZLEKEDÉSBEN Készítette: Árgilán Viktor, Dr. Balogh János, Dr. Békési József, Dávid Balázs, Hajdu László, Dr. Galambos Gábor, Dr. Krész
RészletesebbenTPM egy kicsit másképp Szollár Lajos, TPM Koordinátor
TPM egy kicsit másképp Szollár Lajos, TPM Koordinátor 2013.06.18 A TPM A TPM a Total Productive Maintenance kifejezés rövidítése, azaz a teljes, a gyártásba integrált karbantartást jelenti. A TPM egy állandó
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Hatvany József Informatikai Tudományok Doktori Iskola
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Hatvany József Informatikai Tudományok Doktori Iskola ÜTEMEZÉSI MODELL ÉS HEURISZTIKUS MÓDSZEREK AZ IGÉNYSZERINTI TÖMEGGYÁRTÁS FINOMPROGRAMOZÁSÁNAK TÁMOGATÁSÁRA
RészletesebbenPONTFELHŐ REGISZTRÁCIÓ
PONTFELHŐ REGISZTRÁCIÓ ITERATIVE CLOSEST POINT Cserteg Tamás, URLGNI, 2018.11.22. TARTALOM Röviden Alakzatrekonstrukció áttekintés ICP algoritmusok Projektfeladat Demó FORRÁSOK Cikkek Efficient Variants
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 8. Előadás Megoldhatóság, hatékonyság http://digitus.itk.ppke.hu/~flugi/ Elméleti áttekintés a SzámProg 1 tárgyból Algoritmikus eldönthetőség kérdése Bizonyíthatóság kérdése,
RészletesebbenGYÁRTÓRENDSZEREKBEN NAPJAINKBAN ALKALMAZOTT TERMELÉSÜTEMEZÉSI MÓDSZEREK BEMUTATÁSA 3
Simon Pál 1 Varga Zoltán 2 GYÁRTÓRENDSZEREKBEN NAPJAINKBAN ALKALMAZOTT TERMELÉSÜTEMEZÉSI MÓDSZEREK BEMUTATÁSA 3 Napjaink termelő és szolgáltató vállalatai egyre nagyobb figyelmet fordítanak a logisztikai
RészletesebbenMake or Buy döntés filozófiája
Make or Buy döntés filozófiája Make or Buy döntés lehet: - egy konkét megrendelés esetére, - egy meghatározott időszakra, amíg a feltételek, adottságok nem változnak. A vásárlást kizáró esetek - A kívánt
RészletesebbenExperiential Living Lab for the Internet Of Things. ELLIOT Experiential Living Labs for the Internet Of Things
Experiential Living Lab for the Internet Of Things ELLIOT Experiential Living Labs for the Internet Of Things Jövő Internet Nemzeti Technológiai Platform Workshop 2012 június 7. 1 A projekt EU FP7 7. pályázati
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 06/7. félév 7. Előadás Dr. Kulcsár Gyula egyetemi docens Tartalom. A projektütemezés alapjai..
RészletesebbenBX Routing. Routin
BX Routing Inteligens Járatoptimalizáló Megoldás SAP Business One-hoz Routin Kis és közepes méretű, kereskedelmi és gyártó cégek logisztikai feladatainak tervezéséhez, optimalizálásához és megvalósításához
RészletesebbenAdaptív menetrendezés ADP algoritmus alkalmazásával
Adaptív menetrendezés ADP algoritmus alkalmazásával Alcím III. Mechwart András Ifjúsági Találkozó Mátraháza, 2013. szeptember 10. Divényi Dániel Villamos Energetika Tanszék Villamos Művek és Környezet
RészletesebbenA Termelésmenedzsment alapjai tárgy gyakorló feladatainak megoldása
azdaság- és Társadalomtudományi Kar Ipari Menedzsment és Vállakozásgazdaságtan Tanszék A Termelésmenedzsment alapjai tárgy gyakorló feladatainak megoldása Készítette: dr. Koltai Tamás egyetemi tanár Budapest,.
RészletesebbenMegerősítéses tanulás 7. előadás
Megerősítéses tanulás 7. előadás 1 Ismétlés: TD becslés s t -ben stratégia szerint lépek! a t, r t, s t+1 TD becslés: tulajdonképpen ezt mintavételezzük: 2 Akcióértékelő függvény számolása TD-vel még mindig
RészletesebbenInformatikai Rendszerek Tervezése
Sapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT.- 5. kurzus 1 Informatikai Rendszerek Tervezése 4. Előadás: Genetikus algoritmusok Illyés László 1 Tartalom Bevezető A kanonikus genetikus
RészletesebbenDiszkrét Irányítások tervezése. Heurisztika Dr. Bécsi Tamás
Diszkrét Irányítások tervezése Heurisztika Dr. Bécsi Tamás Algoritmusok futásideje Az algoritmus futásideje függ az N bemenő paramétertől. Azonos feladat különböző N értékek esetén más futásidőt igényelnek.
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenOsztott jáva programok automatikus tesztelése. Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január
Osztott jáva programok automatikus tesztelése Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január Osztott alkalmazások Automatikus tesztelés Tesztelés heurisztikus zaj keltés Tesztelés genetikus
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
RészletesebbenBeszámoló a évi kompetenciamérésről
Bocskai István Általános Iskola, Alapfokú Művészeti Iskola és Kollégium Beszámoló a 2017. évi kompetenciamérésről Készítette: Mezeiné Gurbán Juliánna Hajdúnánás, 2018. március 26. Matematika 6. évfolyam
RészletesebbenKUTATÁS-FEJLESZTÉSI TEVÉKENYSÉG
Központi Statisztikai Hivatal Miskolci Igazgatósága KUTATÁS-FEJLESZTÉSI TEVÉKENYSÉG Miskolc, 2006. május 23. Központi Statisztikai Hivatal Miskolci Igazgatóság, 2006 ISBN 963 215 973 X Igazgató: Dr. Kapros
RészletesebbenEllenőrző kérdések. 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t
Ellenőrző kérdések 2. Kis dolgozat kérdései 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t 37. Ha t szintű indexet használunk,
RészletesebbenA Kecskeméti Belvárosi Zrínyi Ilona Általános Iskola Magyar Ilona Általános Iskolája 2015-ös évi kompetenciamérésének értékelése
A Kecskeméti Belvárosi Zrínyi Ilona Általános Iskola Magyar Ilona Általános Iskolája 2015-ös évi kompetenciamérésének értékelése 2016. június 10. Készítette: Karenyukné Major Ágnes I. A telephely épületének
Részletesebben1. ábra A hagyományos és a JIT-elvű beszállítás összehasonlítása
hagyományos beszállítás JIT-elvû beszállítás az utolsó technikai mûvelet a beszállítás minõségellenõrzés F E L H A S Z N Á L Ó B E S Z Á L L Í T Ó K csomagolás raktározás szállítás árubeérkezés minõségellenõrzés
RészletesebbenLogisztikai módszerek
BME GTK Ipari menedzsment és Vállalkozásgazdasági Tanszék Menedzser program Logisztikai módszerek 1. Anyagmozgatás I. dr. Prezenszki József - dr. Tóth Lajos egyetemi docens egyetemi docens ek - 1. Anyagmozgatás
RészletesebbenA Kecskeméti Belvárosi Zrínyi Ilona Általános Iskola Tóth László Általános Iskolája 2016-os évi kompetenciamérésének értékelése
A Kecskeméti Belvárosi Zrínyi Ilona Általános Iskola Tóth László Általános Iskolája 2016-os évi kompetenciamérésének értékelése 2017. június 10. Készítette: Karenyukné Major Ágnes I. A telephely épületének
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenÜTEMEZÉSI FELADATOKRA ALKALMAZOTT GENETIKUS ALGORITMUS KERESZTEZŐ OPERÁTORAINAK VIZSGÁLATA
Műszaki tudományos közlemények 1. XIV. Műszaki tudományos ülésszak, 2013. Kolozsvár, 165 171. http://hdl.handle.net/10598/28089 ÜTEMEZÉSI FELADATOKRA ALKALMAZOTT GENETIKUS ALGORITMUS KERESZTEZŐ OPERÁTORAINAK
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 007/008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció i stratégiák Szemantikus hálók / Keretrendszerek
RészletesebbenHÁZI DOLGOZAT. Érmefeldobások eredményei és statisztikája. ELTE-TTK Kémia BSc Tantárgy: Kémia felzárkóztató (A kémia alapjai)
ELTE-TTK Kémia BSc Tantárgy: Kémia felzárkóztató (A kémia alapjai) HÁZI DOLGOZAT Érmefeldobások eredményei és statisztikája Készítette: Babinszki Bence EHA-kód: BABSAET.ELTE E-mail cím: Törölve A jelentés
RészletesebbenNemzetközi tanulói képességmérés. szövegértés
Nemzetközi tanulói képességmérés szövegértés A PIRLS mérés jellemzői Progress in International Reading Literacy Study Mért terület: szövegértés Korosztály: 4. évfolyam Mérési ciklus: 5 évente, 2001 től
RészletesebbenA mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015
A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel
RészletesebbenBeszerzési logisztikai folyamat tervezése
1 2 Beszerzési logisztikai folyamat tervezése 3 1. Igények meghatározása, előrejelzése. 2. Beszerzési piac feltárása. 3. Ajánlatkérés. 4. Ajánlatok értékelése, beszállítók kiválasztása. 5. Áruk megrendelése.
RészletesebbenNem teljesen kitöltött páros összehasonlítás mátrixok sajátérték optimalizálása Newton-módszerrel p. 1/29. Ábele-Nagy Kristóf BCE, ELTE
Nem teljesen kitöltött páros összehasonlítás mátrixok sajátérték optimalizálása Newton-módszerrel Ábele-Nagy Kristóf BCE, ELTE Bozóki Sándor BCE, MTA SZTAKI 2010. november 4. Nem teljesen kitöltött páros
RészletesebbenÉrtékáram elemzés szoftveres támogatással. Gergely Judit 2013. 03. 01. Lean-klub
Értékáram elemzés szoftveres támogatással Gergely Judit 2013. 03. 01. Lean-klub Tartalom Az Értékáram és elemzésének szerepe a Leanben Értékáram modellezés és elemzés Esetpélda: termelő folyamat Képzeletbeli
RészletesebbenA Microsoft OFFICE. EXCEL táblázatkezelő. program alapjai. 2013-as verzió használatával
A Microsoft OFFICE EXCEL táblázatkezelő program alapjai 2013-as verzió használatával A Microsoft Office programcsomag táblázatkezelő alkalmazása az EXCEL! Aktív táblázatok készítésére használjuk! Képletekkel,
Részletesebbenb) Írja fel a feladat duálisát és adja meg ennek optimális megoldását!
1. Három nemnegatív számot kell meghatározni úgy, hogy az elsőt héttel, a másodikat tizennéggyel, a harmadikat hattal szorozva és ezeket a szorzatokat összeadva az így keletkezett szám minél nagyobb legyen.
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
Részletesebben