Együttműködés versengés közepette - koordinálás és feladatkiosztás árveréssel/1
|
|
- Tivadar Balla
- 4 évvel ezelőtt
- Látták:
Átírás
1 Együttműködés versengés közepette - koordinálás és feladatkiosztás árveréssel/
2 Miért éppen árverés? ismeretlen értékű dolgok értékesítése automatizálható csökkenti a tárgyalás komplexitását kedvező a számítógépes implementáció tisztességes megoldás benyomását kelti Előnyök Koordinálás árveréssel Koordinálás Árverés ágens feladat költség licitáló licit objektuma pénz árverés lefutása rövid árverés kommunikáció-hatékony: információt licitekbe tömörítünk árverés számítás-hatékony: liciteket parallel módon lehet processzálni árverés alacsony költségű szervezetet eredményezhet árverést lehet használni akkor is, ha a terep (környezet), vagy a róla alkotott ágenstudás változó
3 Tipikus koordinációs feladatok Szerepek on-line/elosztott kiosztása Feladatok hozzárendelése mentő/ tűzoltó/ rendőrségi ágensekhez misszió-kritikus/ SAR/ katasztrófa (RoboCup Rescue). Különböző megfigyelési célok hozzárendelése külön szenzorokhoz wireless szenzor hálózatokban. Megfigyelő és manipuláló szerepek kiosztása manipulálási feladatkörben. On-line elosztott ütemezés és vezérlés Feladatok ill. folyamatok hozzárendelése min. látencia idő, max. átbocsátó képesség, stb. érdekében. On-line elosztott navigálás Lokációk hozzárendelése ágensekhez: baleseti színhelyek mentőkhöz, kivizsgálandó esetek rendőrjárőröknek, aknák a víz alatti autonóm járművekhez, SAR lokációk a legagilisabb mentőkhöz, kliensek taxikhoz, megvizsgálandó sziklák Mars bolygójárókhoz, megfigyelendő lokációk térképező ágensekhez (lehetséges így számos NP-teljes optimális probléma közelítő megoldása)
4 Tutorial on Auction-Based Agent Coordination at AAAI
5 Árverésen egyenként nyert Tutorial on Auction-Based Agent Coordination at AAAI
6 Mindenki külön optimálizál Tutorial on Auction-Based Agent Coordination at AAAI
7 Mégis optimális lesz a team Tutorial on Auction-Based Agent Coordination at AAAI
8 és most induljunk neki Tutorial on Auction-Based Agent Coordination at AAAI
9 Hibák, kiesések, a közös feladat sikere veszélyben! Indítsuk újra az árverést! (3) X (2) (2) 2 X () 4 (5) 3 3
10 A közös feladatot megmentettük. Persze kicsit rosszabb hatékonysággal. 4 2 (3) 5 X (2) (2) 2 X () (5)
11 Árverési protokollok tervezése FORMATUM Nyílt v. zárt (borítékolt) Emelkedő v. csökkenő Szimultán v. szekvenciális Egyfordulós v. több fordulós LICITSZABÁLYOK Ármegállapítás Licit komponensei Köteg, kombinatorikus árverés LEBONYOLITÁS A győztes és a hozzárendelés Ki fizet és mennyit? Időzítések RÉSZVÉTELI SZABÁLYOK Árverés Hagyományos : N Inverz N : Vegyes N : M Licit stratégiák Melyik árverésben részt venni? Részvételi költség, árverés időtartama, licitálók száma? Mikor licitálni? Mennyit licitálni? (ár és/vagy mennyiség) Kölcsönhatások és a skálázás eredménye. Megszokott árveréstípusok Egyedi árú árverése Csoportos árverés Kombinatorikus árverés
12 Egyedi árverés Árverésvezető egyetlenegy árút kínál Angol árverés (emelkedő, be/ki részvétel, leütés) Japán árverés (emelkedő, végleges kilépéssel) Holland árverés (csökkenő, végleges kilépéssel)... Elsőlicites versenytárgyalás (boritékolt árverés) Minden licitáló a feladat költségét nyújtja be boritékolt licitként. A legalacsonyabban licitáló nyer, megkapja a feladatot és beleegyezik, hogy a licitált költségen meg is valósítja. Másodlicites (Vickrey) versenytárgyalás (boritékolt árverés) Protokoll u.a., csak a győztestől megkövetelik, hogy a feladatot a második legkisebb licit költségén valósítsa meg. Melyik mechanizmust válasszunk? Mintegy, amíg az ágensek hitelesen licitálnak.
13 Angol árverés
14 Holland árverés
15 Elsőlicites borítékolt árverés Legyen a licitáló rezervációs ára v, ha p áron nyer, a nyeresége = v p Nincs ösztönözve, hogy valódi értéken licitáljon (akkor v v = 0). Érdemes a fizetendő árat lenyomni. Másodlicites borítékolt árverés Domináns stratégia - ösztönzés kompatibilis ösztönzés igazságos licitre, ld. folyt.
16 Igazságos licit dominanciája Az i. licitáló: v i - a tényleges értékítélete, b i - a licitje. így az i. licitáló nyereménye: z v min b if b min b 0 otherwise i j i j i j i j Az igazságos licit dominálja a túllicitálást. Tegyük fel, hogy: b i > v i. Ha z < v i, bármely licit veszít, azonos (0) nyereséggel. Ha z > b i, mindkét licit nyer, azonos negatív nyereséggel. Ha v i < z < b i, akkor a túllicitálás veszít, az igazságos nyer, pozitív nyereséggel. Az igazságos licit dominál. Az igazságos licit dominálja az alúlicitálást is. Tegyük fel, hogy: b i < v i. Ha z > v i, bármely licit nyer, azonos nyereséggel. Ha z < b i, bármely licit veszít, azonos (0) nyereséggel. Ha b i < z < v i, akkor az igazmondás veszít, az alúllicitálás nyer, de negatív nyereséggel. Az igazmondás így dominál. Így az igazmondás dominálja a túllicitálást és az alúllicitálást egyaránt (vagy jobb, vagy egyenlő). Az igazmondás egy optimális stratégia. Kooperáció és intelligencia, Dobrowiecki-Mészáros, BME- MIT
17 Csoportos árverés Az árverező a dolgok egész halmazát ajánlja fel megvételre. Minden licitálónak szabad a dolgok egy részére (részhalmazára), vagy az összesre licitálnia. Az árverező a licitálókhoz egy, vagy több dolgot rendel hozzá, de minden licitálóhoz legfeljebb egy dolgot. A protokoll előírhat meghatározott számú dolog hozzárendelését, pl.: () m db dolog hozzárendelése, m #licitáló. (2) Minden licitáló kapjon egy dolgot (m = #licitáló). (3) Egyetlenegy nyerő dolog van (m = ). (2) esetén a hozzárendelés lehet optimális is. Megszokott a mohó algoritmus: a legjobb licit díjazása megfelelő dologgal, a dolog és a licitáló eliminálása, amíg nem futunk ki a dolgokból, vagy a licitálókból.
18 Kombinatorikus árverés Az árverező a dolgok egy T halmazát ajánlja fel. Minden licitáló a dolgok tetszőleges kötegeire (T részhalmazaira) licitál, az árverező több licitálónak a kötegek kombinációját (T halmaz dekompozícióját) ítéli meg (de licitálóként legfeljebb egy köteget). A hozzárendelésnek az árverező jövedelmét kell maximálnia. A kötegek száma exponenciális 2 T. A győztes kiszámítása NP-nehéz. Gyors optimális kiszámítás létezhet, ha a licithalmaz ritka. = Redukált kötegszám. Árverező csak bizonyos kötegeket enged meg. Licitáló: kötegklaszterek, limitált nagyságú klaszterek.
19 Kombinatorikus árverés nagyító alatt Licitálás - licitálók képesek a dolgok halmazaira licitálni - azok száma exponenciális - a licit legyen tömör, informatív, implicit módon kódolt! Hozzárendelés - a licitek beérkezése után, a dolgok kiosztása a győzteseknek, valamilyen optimum szerint (árverező jövedelme, globális hatékonyság, ) - általában kezelhetetlen, NP-nehéz (elvben Integer Programozás) Fizetés - mennyit fizessen a győztes, egyes esetekben nem amennyit ajánlott (mert nem pontosan azt a köteget kapja meg, ) - fizetési szabályok befolyásolják az árverező jövedelmét és a licitálási szabályokat Stratégia - az árverési protokoll, a hozzárendelési és fizetési szabályok rögzítése után a licitálók kialakíthatják személyes licitálási stratégiákat
20 Hozzárendelés könnyen formalizálható: integer programozás = kezelhetetlen relaxált: lineáris programozás = hatékony megoldás, de nem biztos, hogy optimális () LP optimális hozzárendelést ad, ha az egyedi áruknak is van definiált ára és ez kihat a kötegek árára (kötegek lebonthatók). (2) Licitnyelv legyen erősen korlátozott: hierarchikus licit, egyedi tétel licit, OR-of-XOR-of-szingleton licit (ld. később), Alapvető probléma a licit kézben tartása Szabványosított értékítéletekhez szabványosított licitnyelvek. Garancia, hogy ha a licitáló értékítélete bizonyos matematikai tulajdonságú, akkor a felkínált licitnyelven tömören, hatékonyan kifejezheti magát (és az árverező képes lesz ezt hatékonyan feldolgozni). Licit szabályok = licit nyelv (szintaxis és szemantika) kifejező erő egyszerűség minden kívánt licitet kifejezni, fontos liciteket egyszerűbben kifejezni, licitek kezelése legyen egyszerű,
21 Licitálómodellek (kötegek értékítélete: minden v(s) megítélése) szabad rendelkezés (free disposal) v(s) v(t), ha S T normalizálás v( ) = 0 additív: v(s) = S egyedi tétel: v(s) =, S k-budzsé: v(s) = min(k, S ) többségi: v(s) =, ha S min. m/2 tételt tartalmaz, más v(s) = 0 Licitnyelvek atomi licitek: (S, p) v(t) = p, minden T S, v(t) = 0 más T-re OR licitek: {(S, p), (S2, p2),,} implicit OR diszjunkt kötegekre XOR licitek: {(S, p), (S2, p2),,} implicit XOR -- // -- OR-of-XOR licitek: XOR licitek tetszőleges száma XOR-of-OR licitek: OR licitek tetszőleges száma, de egy kell OR/XOR kifejezések: OR, XOR tetszőleges kombinációja Egy b licitnyelv polinomiálisan interpretálható, ha létezik polinomiális idejű algoritmus licit(s) érték kiszámításához, tetszőleges S köteg esetén.
22 OR: ({a,b},7) OR ({d,e},8) OR ({a,c},4) Licitáló jelzése, hogy számára: {a} = 0, {a,b} = 7, {a,c} = 4, {a,b,c} = 7, {a,b,d,e} = 5, XOR: ({a,b},7) XOR ({d,e},8) XOR ({a,c},4) {a} = 0, {a,b} = 7, {a,c} = 4, {a,b,c} = 7, {a,b,d,e} = 8,.. OR-of-XOR: ({rekamé},7) XOR ({szék},5) OR ({TV},8) XOR ({könyv},3) OR* licitek: tetszőleges számú {(S k, p k )} pár, implicit diszjunkt OR S k G G i G az eladandó tételek, G i az i-ik licitáló fantom tételei Pl. (S, p) XOR (S2, p2) = (S {g}, p) OR (S2 {g}, p2) Több tételszerű eredmény, pl. Akármilyen rezervációs ár, ami s nagyságú OR-of-XOR licitekkel kifejezhető, kifejezhető s nagyságú OR* licitekkel, legfeljebb s db fantom tételt használva.
23 Általánosított Vickrey árverés - GVA (Groves mechanizmus, Clarke adóztatás, VCG mechanizmus) Mechanizmus - hozzárendelés-hatékony = maximalizálja a szociális jólétet (az összes ágens együttes haszna). - környezete monoton = egy ágens kilépésével a lehetséges hozzárendelések száma nem nőhet. - egyénileg racionális = ágens nem veszíthet, ha részt vesz benne. A licitáló magán értékítélete v i (S), a bejelentett (licitált) értékítélete v i *(S). Az S,, S n kötegek győztes hozzárendelése: V = max x Σ i=,,n v i * (x). Az i. licitáló mennyit fizessen (p i )? És akkor mennyi a haszna (v i (S)-p i )? igazmondás = dominans stratégia: v j * = v j
24 Általánosított Vickrey árverés - GVA (Groves) p i = h i (v -i *) - Σ j, j =/= i v j * (x). értékítéletétől nem függ fizetve van mások értékítéletével A licitálók halmazából vegyük ki az i-t és oldjuk meg az optimális hozzárendelést nélküle újra, legyen ez V -i (szociális jólét az i. ágens jelenlétevnélkül) (Clark adóztatás) h i (v -i *) = V -i Az i-edik licitálónak: p i = V -i (V v i *(x)) összeget kell fizetnie. vagy: p i = v i *(x) (V - V -i ) = v i *(x) Vd i (Vickrey-discount) p = 0 t fizet az az ágens, aki az árverés eredményét nem befolyásolja p > 0 t fizet az az ágens, aki a részvételével mások dolgát megnehezíti p < 0 t fizet az az ágens, aki a részvételével mások dolgát megkönnyíti Pl. n db licitáló, oszthatatlan dologra licitál Legyen v * > v 2 * > v n * p = V - (V v *(x)) = v 2 * - 0 = v 2 * p i, i=/= = 0
25 Pl. n db licitáló, 2 azonos oszthatatlan dologra, ágens dologra Legyen v * > v 2 * > v n * x = (,2) p = V - (V v *(x)) = v 2 * + v 3 * - v 2 * = v 3 * p 2 = V -2 (V v 2 *(x)) = v * + v 3 * - v * = v 3 * p i, i=/= = 0 Pl. 5 db licitáló, 3 egyforma dolog, értékítéletsor 20, 5, 2, 0, 6 Vd = (20+5+2)-(5+2+0) = 0 Vd2 = (20+5+2)-(20+2+0) = 5 Vd3 = (20+5+2)-(20+5+0) = 2 p = 20 - Vd = 0 p2 = 5 Vd2 = 0 p3 = 2 Vd3 = 0 PL. u.a., de az. ágensnek 2 db dolog kell Vd = ( )-(5+2+0)= 8 Vd2 = ( )-( )= 3 p = 40 8 = 22 p2 = 5 3 = 2
26 Koordinálás árverésekkel Kombinatorikus árverésből Szekvenciális árverés A 2 B C 2 D Tutorial on Auction-Based Agent Coordination at AAAI
27 (Pozitív és negatív) Kölcsönhatások A B Min pályaköltség (A): 5 Min pályaköltség (B): 4 Min pályaköltség (A és B): 5 Min pályaköltség (A és B) < Min pályaköltség (A) + Min pályaköltség (B) Min pályaköltség (B): 4 Min pályaköltség (C): 4 B Min pályaköltség (B és C):2 Min pályaköltség (B és C) > Min pályaköltség (B) + Min pályaköltség (C) C Tutorial on Auction-Based Agent Coordination at AAAI
28 Ideális kombinatorikus árverés Kölcsönhatás figyelembevétele A B C {A}-ra: 5 {A,B}-ra: 5 {B}-re: 4 {A,C}-ra: 3 {C}-re: 4 {B,C}-ra: 2 {A,B,C}-ra: 3 Minden ágens a kötegben foglalt minden célpont eléréséhez az adott helyzetéből kiindulva a minimális költségű pályát licitálja. Tutorial on Auction-Based Agent Coordination at AAAI
29 Ideális kombinatorikus árverés A B {A}-ra: 86 {B}-ra: 9 {C}-ra: 23 {D}-ra: 37 {A,B}-ra: 07 {A,C}-ra: 30 {A,D}-ra: 60 {B,C}-ra: 32 {B,D}-ra: 44 {C,D}-ra: 44 {A,B,C}-ra: 5 {A,B,D}-ra: 65 {A,C,D}-ra: 53 {B,C,D}-ra: 5 {A,B,C,D}-ra: 72 C D {A}-ra: 90 {B}-ra: 85 {C}-ra: 4 {D}-ra: 27 {A,B}-ra: 06 {A,C}-ra: 48 {A,D}-ra: 46 {B,C}-ra: 50 {B,D}-ra: 34 {C,D}-ra: 48 {A,B,C}-ra: 69 {A,B,D}-ra: 55 {A,C,D}-ra: 55 {B,C,D}-ra: 57 {A,B,C,D}-ra: 76 Tutorial on Auction-Based Agent Coordination at AAAI
30 Ideális kombinatorikus árverés {A}-ra: 86 {B}-ra: 9 {C}-ra: 23 {D}-ra: 37 {A,B}-ra: 07 {A,C}-ra: 30 {A,D}-ra: 60 {B,C}-ra: 32 {B,D}-ra: 44 {C,D}-ra: 44 {A,B,C}-ra: 5 {A,B,D}-ra: 65 {A,C,D}-ra: 53 {B,C,D}-ra: 5 {A,B,C,D}-ra: 72 {A}-ra: 90 {B}-ra: 85 {C}-ra: 4 {D}-ra: 27 {A,B}-ra: 06 {A,C}-ra: 48 {A,D}-ra: 46 {B,C}-ra: 50 {B,D}-ra: 34 {C,D}-ra: 48 {A,B,C}-ra: 69 {A,B,D}-ra: 55 {A,C,D}-ra: 55 {B,C,D}-ra: 57 {A,B,C,D}-ra: 76 - {A,B,C,D} 76 {A} {B,C,D} 243 {B} {A,C,D} 246 {C} {A,B,D} 78 {D} {A,B,C} 206 {A,B} {C,D} 55 {A,C} {B,D} 264 {A,D} {B,C} 30 {B,C} {A,D} 278 {B,D} {A,C} 288 {C,D} {A,B} 50 {A,B,C} {D} 78 {A,B,D} {C} 206 {A,C,D} {B} 238 {B,C,D} {A} 24 {A,B,C,D} - 72
31 Ideális kombinatorikus árverés A C B D Az ideális kombinatorikus árverésből adódó team költség minimális, mert az minden kölcsönhatást vesz figyelembe a célpontok között, amitől egy NP-nehéz problémát kell megoldanunk. A licitek száma exponenciális a célpontok számában. Licitgenerálás, -kommunikáció és a győztes kiszámítása költséges. Tutorial on Auction-Based Agent Coordination at AAAI
32 Közelítő kombinatorikus árverés Minden ágens csak néhány célkötegre (halmazra) licitál. Licit stratégiák Melyik kötegre licitálni nagyban feltáratlan, mert egy jó köteggenerálási stratégia feladatfüggő. Jó köteggenerálási stratégiák: Kis számú köteget generálni A megoldásteret lefedő kötegeket generálni Jövedelmező kötegeket generálni Kötegeket hatékonyan generálni Dómén-független köteggenerálás pl. Három-Kombináció - 3 vagy kevesebb célpontot tartalmazó kötegre licitálni Dómén-függő köteggenerálás pl. Graph-Cut teljes célpontgráf gráf imételt szétvágása maximális vágás (közelítése) mentén. Az ilyen kombinatorikus árverésből adódó team költség alacsony, de szuboptimális lehet.
33 Szekvenciális (robotikus) árverés Körönként csak egy célpont kell el. Egy licitkörben minden ágens az összes, a mások által el nem nyert célpontra licitál. Minden ágens az új célpontra az adott pozíciójából kiinduló és az összes célpont meglátogatásához szükséges minimális költségű pályában jelentkező költségnövekményt licitálja, ha a célpontot történetesen ő nyerné meg. (BidSumPath). A győztes az ágensekre és a célpontokra nézve minimális licit. (A licitáló ágens elnyeri az adott célpontot) Néhány licitkör elteltével ágensek minden célpontot elnyernek. Minden ágens a elnyert célpontokhoz kiszámítja a költség minimál pályát és elkezdi azt követni.
34 A B C A-ra: 5 B-re: 4 C-re: 4 A B C A B C A-ra: C-re: 8 Tutorial on Auction-Based Agent Coordination at AAAI
35 Szekvenciális árverés A B {A}-ra: (86) {B}-ra: (9) {C}-ra: 23 {D}-ra: (37) C D {A}-ra: (90) {B}-ra: (85) {C}-ra: (4) {D}-ra: 27 Tutorial on Auction-Based Agent Coordination at AAAI
36 Szekvenciális árverés A {A}-ra: (07) {B}-ra: (09) {D}-ra: 2 C B D {A}-ra: (90) {B}-ra: (85) {D}-ra: 27 Tutorial on Auction-Based Agent Coordination at AAAI
37 Szekvenciális árverés A {A}-ra: (09) {B}-ra: 07 C B D {A}-ra: (90) {B}-ra: 85 Tutorial on Auction-Based Agent Coordination at AAAI
38 Szekvenciális árverés A {A}-ra: 09 C B D {A}-ra: 2 Tutorial on Auction-Based Agent Coordination at AAAI
39 Szekvenciális árverés A C B D Tutorial on Auction-Based Agent Coordination at AAAI
40 A licit {A}-ra: (86) {B}-ra: (9) {C}-ra: 23 {D}-ra: (37) {A}-ra: (07) {B}-ra: (09) {D}-ra: 2 {A}-ra: (90) {B}-ra: (85) {C}-ra: (4) {D}-ra: 27 A hozzárendelések Felső Ág. Alsó Ág. C = 23 D = 2 {A}-ra: (09) {B}-ra: 07 {A}-ra: 2 B = 85 A = 2 Minden ágensnek elegendő csak a minimális licitjeinek egyikét jelezni. Minden ágensnek az új licitet csak akkor kell jeleznie, ha az eddig licitált célpontot valaki elnyerte. (ő maga, vagy más ágens). Minden ágens körönként legfeljebb egy licittel jelentkezik és a körök száma azonos a célpontok számával. (példában a jelezni nem szükséges licitek zárójelben vannak).
41 Licitszabályok származtatása Az a győztes, amely mellett a team költség legkevesebbet nő. MiniSum: Összpályaköltség minimálása a team-re nézve. Teljes energia, távolság, valamilyen erőforrás minimálása. Pl. bolygófelszín kutatása. MiniMax: Maximális pályaköltség minimálása ágensekre nézve. Teljes feladatvégzési idő minimálása (makespan). Pl. objektum-felügyelet. MiniAve: Átlagos érkezési idő minimálása az összes célpontra nézve. Átlagos kiszolgálási idő minimálása (flowtime). Pl. Search and Rescue Pályák licitálása ( direkt megközelítés ), ill. Fák licitálása ( indirekt megközelítés ) (Pl. min. költségű kifeszítő fa = P, min. költségű pálya = NP) Pályák: mindegyik költség kiszámítása NP-nehéz közelítés: beszúrási heurisztika Fák: MiniSum minimális kifeszítő erdő P, MiniMax minmax kifeszítő erdő NP, MiniAve triviális erdő = csillagséma, Fa-pálya konverzió: shortcutting, heur. max. 2 x opt., P, (jobb közelítés = sokkal nehezebb)
42 n db ágens r,, r n, m db még nem kiosztott célpont: t,, t m, Az eddig kiosztott célok partíciója ágensenként: T = (T,, T n ), A team hatékonyságát optimalizáló f(g(r,t ),, g(r n,t n )) függvény ágensek g(.) hatékonysága alapján, PC(r i,t i ) az i-edik ágens min. pályaköltsége T i particióban (Path Cost) STC(r i,t i ) min. kummulatív célpontköltség minden T i beli célpontjára (Sum per Target Cost) MiniSum = min T Σ j PC(r j,t j ) MiniMax = min T max j PC(r j,t j ) MiniAve = min T /m Σ j STC(r j,t j ) r i ágens licitál: különbség = team hasznosság(hozzárendelés + ő győzelme) - team hasznosság (nélküle) f(g(r,t ),, g(r n,t n )) - f(g(r,t ),, g(r n,t n )), T i = T i {t}, T j = T j BidSumPath: PC(r i,t i ) - PC(r i,t i ) BidMaxPath: PC(r i,t i ) BidAvePath: STC(r i,t i ) - STC(r i,t i ).5 opt MiniSum 2 opt (fa licitek hasonlóan a minimális kifeszítő fa költségei alapján) i j
43 Szekvenciális aukció 2 ágens, 0 nem klaszter eloszlású célpont, ismert terep 5 x 5 SUM MAX AVE BidSumPath BidMaxPath BidAvePath optimális (IP) = ideális kombinatorikus árverés ágens, 0 klaszter eloszlású célpont, ismert terep 5 x 5 SUM MAX AVE BidSumPath BidMaxPath BidAvePath optimális (IP) = ideális kombinatorikus árverés
10. Koordinálás és feladatkiosztás aukciókkal. Intelligens Elosztott Rendszerek BME-MIT, 2017
0. Koordinálás és feladatkiosztás aukciókkal Intelligens Elosztott Rendszerek BME-MIT, 207 Intelligens Elosztott Rendszerek BME-MIT, 207 Tipikus koordinációs feladatok Szerepek on-line elosztott kiosztása
RészletesebbenKoordinálás és feladatkiosztás aukciókkal. Intelligens Elosztott Rendszerek BME-MIT, 2018
Koordinálás és feladatkiosztás aukciókkal Intelligens Elosztott Rendszerek BME-MIT, 08 Intelligens Elosztott Rendszerek BME-MIT, 08 Intelligens Elosztott Rendszerek BME-MIT, 08 Tutorial on Auction-Based
RészletesebbenTémalabor 2016 Kooperatív intelligens rendszerek Bevezető-1. Dobrowiecki Tadeusz Mészáros Tamás
Témalabor 2016 Kooperatív intelligens rendszerek Bevezető-1 Dobrowiecki Tadeusz Mészáros Tamás 2011 MAS Multiagent Systems Az a másik (ágens, ember) MAS Multi-Agent Systems - hasznos, barát,... van számomra
RészletesebbenKoordinálás és feladatkiosztás aukciókkal 3.rész. Kooperáció és intelligencia, Dobrowiecki, BME-MIT
Koordinálás és feladatkiosztás aukciókkal 3.rész Komplex feladatok kezelése Elemi feladat nem dekomponálható Dekomponálható egyszerű feladat elemi, v. dekomponálható elemi feladatokra, de egyetlen egy
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
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
RészletesebbenA stratégiák összes kombinációján (X) adjunk meg egy eloszlást (z) Az eloszlás (z) szerint egy megfigyelő választ egy x X-et, ami alapján mindkét
Készítette: Jánki Zoltán Richárd Robert Aumann (1930) Izraeli-amerikai matematikus 1974-ben általánosította a Nash-egyensúlyt 2005-ben közgazdasági Nobel-díjat kapott (kooperatív és nem-kooperatív játékok)
RészletesebbenJAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN
JAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN Supporting Top-k item exchange recommendations in large online communities Barabás Gábor Nagy Dávid Nemes Tamás Probléma Cserekereskedelem
RészletesebbenKooperáció és intelligencia kis HF-ok/ Kooperáció és intelligencia, Dobrowiecki T., BME-MIT 1
Kooperáció és intelligencia kis HF-ok/ 2015 Kooperáció és intelligencia, Dobrowiecki T., BME-MIT 1 Kis HF-1: Elosztott következtetés (modell-keresés) 3 db. logikailag következtető (KA1..3) ágens dolgozik
Részletesebbenangolul: greedy algorithms, románul: algoritmi greedy
Mohó algoritmusok angolul: greedy algorithms, románul: algoritmi greedy 1. feladat. Gazdaságos telefonhálózat építése Bizonyos városok között lehet direkt telefonkapcsolatot kiépíteni, pl. x és y város
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,
RészletesebbenEmelkedő áras árverés
Emelkedő áras árverés Nyilvános konzultáció 2019. július 3. Kollár Péter Bevezető A jelen prezentációban bemutatott példák és magyarázatok igyekeznek a Dokumentációtervezet* árverési szabályainak jobb
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
RészletesebbenProgramozási módszertan. Mohó algoritmusok
PM-08 p. 1/17 Programozási módszertan Mohó algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-08 p. 2/17 Bevezetés Dinamikus programozás
RészletesebbenNavigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel
Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal
RészletesebbenApproximációs algoritmusok
Approximációs algoritmusok Nehéz (pl. NP teljes) problémák optimális megoldásának meghatározására nem tudunk (garantáltan) polinom idejű algoritmust adni. Lehetőségek: -exponenciális futási idejű algoritmus
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
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
RészletesebbenSzavazó 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
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
RészletesebbenGauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
RészletesebbenTovábbi forgalomirányítási és szervezési játékok. 1. Nematomi forgalomirányítási játék
További forgalomirányítási és szervezési játékok 1. Nematomi forgalomirányítási játék A forgalomirányítási játékban adott egy hálózat, ami egy irányított G = (V, E) gráf. A gráfban megengedjük, hogy két
RészletesebbenCsak felvételi vizsga: csak záróvizsga: közös vizsga: Mérnökinformatikus szak BME Villamosmérnöki és Informatikai Kar. 2015. május 27.
Név, felvételi azonosító, Neptun-kód: MI pont(45) : Csak felvételi vizsga: csak záróvizsga: közös vizsga: Közös alapképzéses záróvizsga mesterképzés felvételi vizsga Mérnökinformatikus szak BME Villamosmérnöki
RészletesebbenAlgoritmuselmélet. Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás. Katona Gyula Y.
Algoritmuselmélet Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem
RészletesebbenMesterséges intelligencia 2. laborgyakorlat
Mesterséges intelligencia 2. laborgyakorlat Keresési módszerek A legtöbb feladatot meg lehet határozni keresési feladatként: egy ún. állapottérben, amely tartalmazza az összes lehetséges állapotot fogjuk
Részletesebben2017/ 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
RészletesebbenSapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus
Csíkszereda IRT-. kurzus 3. Előadás: A mohó algoritmus 1 Csíkszereda IRT. kurzus Bevezetés Az eddig tanult algoritmus tipúsok nem alkalmazhatók: A valós problémák nem tiszta klasszikus problémák A problémák
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
RészletesebbenDiverzifikáció 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,
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
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,
RészletesebbenAlgoritmuselmélet. Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás. Katona Gyula Y.
Algoritmuselmélet Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem
RészletesebbenOperációkutatás példatár
1 Operációkutatás példatár 2 1. Lineáris programozási feladatok felírása és megoldása 1.1. Feladat Egy gazdálkodónak azt kell eldöntenie, hogy mennyi kukoricát és búzát vessen. Ha egységnyi földterületen
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenAlgoritmizálás, adatmodellezés tanítása 8. előadás
Algoritmizálás, adatmodellezés tanítása 8. előadás Elágazás és korlátozás A backtrack alkalmas-e optimális megoldás keresésére? Van költség, és a legkisebb költségű megoldást szeretnénk előállítani. Van
RészletesebbenKezdjen árulni a Catawiki online árverésein!
Kezdjen árulni a Catawiki online árverésein! Hogyan kezdhet a Catawikin árulni www.catawiki.hu/signup Mi a Catawiki? A Catawiki a világ leggyorsabban növekvő online aukciósháza. Weboldalunk olyan embereket
RészletesebbenMesterséges Intelligencia I. (I602, IB602)
Dr. Jelasity Márk Mesterséges Intelligencia I. (I602, IB602) harmadik (2008. szeptember 15-i) előadásának jegyzete Készítette: Papp Tamás PATLACT.SZE KPM V. HEURISZTIKUS FÜGGVÉNYEK ELŐÁLLÍTÁSA Nagyon fontos
RészletesebbenDiszkrét, 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
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
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenHálózati réteg. WSN topológia. Útvonalválasztás.
Hálózati réteg WSN topológia. Útvonalválasztás. Tartalom Hálózati réteg WSN topológia Útvonalválasztás 2015. tavasz Szenzorhálózatok és alkalmazásaik (VITMMA09) - Okos város villamosmérnöki MSc mellékspecializáció,
RészletesebbenDualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 7. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát (vonat
RészletesebbenRelációs adatbázisok tervezése ---2
Relációs adatbázisok tervezése ---2 Tankönyv: Ullman-Widom: Adatbázisrendszerek Alapvetés Második, átdolgozott kiadás, Panem, 2009 3.2.8. Funkcionális függ-ek vetítése 3.3.3. Boyce-Codd normálforma 3.3.4.
Részletesebben1. feladat Az egyensúly algoritmus viselkedése: Tekintsük a kétdimenziós Euklideszi teret, mint metrikus teret. A pontok
1. feladat Az egyensúly algoritmus viselkedése: Tekintsük a kétdimenziós Euklideszi teret, mint metrikus teret. A pontok (x, y) valós számpárokból állnak, két (a, b) és (c, d) pontnak a távolsága (a c)
RészletesebbenMATE-INFO UBB verseny, március 25. MATEMATIKA írásbeli vizsga
BABEŞ-BOLYAI TUDOMÁNYEGYETEM, KOLOZSVÁR MATEMATIKA ÉS INFORMATIKA KAR MATE-INFO UBB verseny, 218. március 25. MATEMATIKA írásbeli vizsga FONTOS TUDNIVALÓK: 1 A feleletválasztós feladatok,,a rész esetén
RészletesebbenIntelligens Elosztott Rendszerek. Dobrowiecki Tadeusz és Eredics Péter, Gönczy László, Pataki Béla és Strausz György közreműködésével
Intelligens Elosztott Rendszerek Dobrowiecki Tadeusz és Eredics Péter, Gönczy László, Pataki Béla és Strausz György közreműködésével A mai előadás tartalma Mi is egy rendszer? Mit jelent elosztottnak lenni?
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
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)
RészletesebbenIntelligens Rendszerek Elmélete IRE 4/32/1
Intelligens Rendszerek Elmélete 4 IRE 4/32/1 Problémamegoldás kereséssel http://nik.uni-obuda.hu/mobil IRE 4/32/2 Egyszerű lények intelligenciája? http://www.youtube.com/watch?v=tlo2n3ymcxw&nr=1 IRE 4/32/3
Részletesebben7. Régió alapú szegmentálás
Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba
RészletesebbenA L Hospital-szabály, elaszticitás, monotonitás, konvexitás
A L Hospital-szabály, elaszticitás, monotonitás, konvexitás 9. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék A L Hospital-szabály, elaszticitás, monotonitás, konvexitás p. / A L
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
Részletesebben... S n. A párhuzamos programszerkezet két vagy több folyamatot tartalmaz, melyek egymással közös változó segítségével kommunikálnak.
Párhuzamos programok Legyen S parbegin S 1... S n parend; program. A párhuzamos programszerkezet két vagy több folyamatot tartalmaz, melyek egymással közös változó segítségével kommunikálnak. Folyamat
RészletesebbenBranch-and-Bound. 1. Az egészértéketű programozás. a korlátozás és szétválasztás módszere Bevezető Definíció. 11.
11. gyakorlat Branch-and-Bound a korlátozás és szétválasztás módszere 1. Az egészértéketű programozás 1.1. Bevezető Bizonyos feladatok modellezése kapcsán előfordulhat olyan eset, hogy a megoldás során
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
RészletesebbenKiegészítő részelőadás 1. Az algoritmusok hatékonyságának mérése
Kiegészítő részelőadás 1. Az algoritmusok hatékonyságának mérése Dr. Kallós Gábor 2014 2015 1 Az Ordó jelölés Azt mondjuk, hogy az f(n) függvény eleme az Ordó(g(n)) halmaznak, ha van olyan c konstans (c
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
RészletesebbenKövetelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenHalmaz: alapfogalom, bizonyos elemek (matematikai objektumok) Egy halmaz akkor adott, ha minden objektumról eldönthető, hogy
1. előadás: Halmazelmélet Szabó Szilárd Halmazok Halmaz: alapfogalom, bizonyos elemek (matematikai objektumok) összessége. Egy halmaz akkor adott, ha minden objektumról eldönthető, hogy hozzátartozik-e,
RészletesebbenLeggyakrabban használt adatbányászási technikák. Vezetői információs rendszerek
Leggyakrabban használt adatbányászási technikák ADATBÁNYÁSZÁS II. 1. A társításelemzés társítási szabályok (asszociációs szabályok) feltárását jelenti. Azt vizsgájuk, hogy az adatbázis elemei között létezik-e
RészletesebbenAlgoritmusok bonyolultsága
Algoritmusok bonyolultsága 9. előadás http://www.ms.sapientia.ro/~kasa/komplex.htm 1 / 18 Közelítő algoritmusok ládapakolás (bin packing) Adott n tárgy (s i tömeggel) és végtelen sok 1 kapacitású láda
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 1. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján
RészletesebbenA valós számok halmaza
VA 1 A valós számok halmaza VA 2 A valós számok halmazának axiómarendszere és alapvető tulajdonságai Definíció Az R halmazt a valós számok halmazának nevezzük, ha teljesíti a következő axiómarendszerben
RészletesebbenMatematika A1a Analízis
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Matematika A1a Analízis BMETE90AX00 Vektorok StKis, EIC 2019-02-12 Wettl Ferenc ALGEBRA
RészletesebbenÁllapot minimalizálás
Állapot minimalizálás Benesóczky Zoltán 2004 A jegyzetet a szerzői jog védi. Azt a BME hallgatói használhatják, nyomtathatják tanulás céljából. Minden egyéb felhasználáshoz a szerző belegyezése szükséges.
RészletesebbenTárgyalások. Intelligens Elosztott Rendszerek BME-MIT, 2018
Tárgyalások Mechanizmus-tervezés: szociális jóléti függvény (Szavazás) (Aukció) Megegyezés keresése/elérése: Tárgyalás (Érvelés) Megegyezés elérése speciálisan megtervezett tárgyalásos protokollokkal Befagyásmentes
RészletesebbenKövetelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor
Részletesebben11. Előadás. 11. előadás Bevezetés a lineáris programozásba
11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez
RészletesebbenHÁLÓZAT Maximális folyam, minimális vágás
HÁLÓZAT Maximális folyam, minimális vágás HÁLÓZAT informálisan Hálózat Irányított gráf Mindegyik élnek adott a (nemnegatív) kapacitása Spec csúcsok: Forrás (Source): a kiindulási pont csak ki élek Nyelő
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
RészletesebbenVersenyben az euróval
SZKA_207_39 Versenyben az euróval Senki többet harmadszor? 452 SZOCIÁLIS, ÉLETVITELI ÉS KÖRNYEZETI KOMPETENCIÁK DIÁKMELLÉKLET DIÁKMELLÉKLET VERSENYBEN AZ EURÓVAL 7. ÉVFOLYAM 453 A KÍNAI LICIT SZABÁLYAI
RészletesebbenMesterséges intelligencia 3. laborgyakorlat
Mesterséges intelligencia 3. laborgyakorlat Kétszemélyes játékok - Minimax A következő típusú játékok megoldásával foglalkozunk: (a) kétszemélyes, (b) determinisztikus, (c) zéróösszegű, (d) teljes információjú.
RészletesebbenHálózati Folyamok Alkalmazásai. Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék
Hálózati Folyamok Alkalmazásai Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék Maximális folyam 7 7 9 3 2 7 source 8 4 7 sink 7 2 9 7 5 7 6 Maximális folyam feladat Adott [N, A] digráf (irányított
RészletesebbenDinamikus programozás alapú szivattyú üzemvitel optimalizálási technikák (főként) kombinatorikus vízműhálózatokra
Systeemitekniikan Laboratorio Dinamikus programozás alapú szivattyú üzemvitel optimalizálási technikák (főként) kombinatorikus vízműhálózatokra Bene József HDR, Dr. Hős Csaba HDR, Dr. Enso Ikonen SYTE,
RészletesebbenOnline migrációs ütemezési modellek
Online migrációs ütemezési modellek Az online migrációs modellekben a régebben ütemezett munkák is átütemezhetőek valamilyen korlátozott mértékben az új munka ütemezése mellett. Ez csökkentheti a versenyképességi
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
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
Részletesebben1. Ábrázolja az f(x)= x-4 függvényt a [ 2;10 ] intervallumon! (2 pont) 2. Írja fel az alábbi lineáris függvény grafikonjának egyenletét!
Függvények 1 1. Ábrázolja az f()= -4 függvényt a [ ;10 ] intervallumon!. Írja fel az alábbi lineáris függvény grafikonjának egyenletét! 3. Ábrázolja + 1 - függvényt a [ ;] -on! 4. Az f függvényt a valós
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 6. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenGépi tanulás Gregorics Tibor Mesterséges intelligencia
Gépi tanulás Tanulás fogalma Egy algoritmus akkor tanul, ha egy feladat megoldása során olyan változások következnek be a működésében, hogy később ugyanazt a feladatot vagy ahhoz hasonló más feladatokat
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
RészletesebbenMatematikai logika és halmazelmélet
Matematikai logika és halmazelmélet Wettl Ferenc előadása alapján 2015-09-07 Wettl Ferenc előadása alapján Matematikai logika és halmazelmélet 2015-09-07 1 / 21 Tartalom 1 Matematikai kijelentések szerkezete
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
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA MATEmATIkA I 6 VI KOmPLEX SZÁmOk 1 A komplex SZÁmOk HALmAZA A komplex számok olyan halmazt alkotnak amelyekben elvégezhető az összeadás és a szorzás azaz két komplex szám összege és szorzata
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
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
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel általános problémák 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
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
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. 2018. szeptember 21. 1. Diszkrét matematika 2. 2. előadás Fancsali Szabolcs Levente nudniq@cs.elte.hu www.cs.elte.hu/ nudniq Komputeralgebra Tanszék 2018. szeptember 21. Gráfelmélet
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenGépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)
Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló
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
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,...,
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
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
Részletesebben4. modul Poliéderek felszíne, térfogata
Matematika A 1. évfolyam 4. modul Poliéderek felszíne, térfogata Készítette: Vidra Gábor Matematika A 1. évfolyam 4. modul: POLIÉDEREK FELSZÍNE, TÉRFOGATA Tanári útmutató A modul célja Időkeret Ajánlott
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
RészletesebbenKombinatorikus számítási modellek MSc hallgatók számára. 4. Hét
Kombinatorikus számítási modellek MSc hallgatók számára 4. Hét Előadó: Hajnal Péter 2012. Március 8. 1. Kommunikációs bonyolultság Az alábbiakban f(x 1, x 2,...,x n, y 1, y 2,...,y n ) alakú Boole-függvényekkel
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
Részletesebben