Tartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9
|
|
|
- Anikó Szabó
- 7 évvel ezelőtt
- Látták:
Átírás
1 ... 3 Előszó... 9 I. Rész: Evolúciós számítások technikái, módszerei Bevezetés Evolúciós számítások Evolúciós algoritmus alapfogalmak EC alkalmazásokról általában Evolúciós algoritmus alapelemek Az egyedek ábrázolási formája Szelekció Rekombináció Mutáció Visszahelyezés Az EA ciklus kialakítása Biológiai evolúció ösztönözte módszerek Genetikus algoritmus Evolúciós stratégia Evolúciós programozás Genetikus programozás Biológiai eljárás, viselkedés ösztönözte módszerek Raj intelligencia Hangyakolónia-alapú optimalizálás Részecske raj-alapú optimalizálás Immunrendszer ösztönözte módszerek Immunológiai háttér Mesterséges immunrendszer algoritmusok... 62
2 4 5. Matematikai modelleket alkalmazó módszerek Virtuális vesztes és kiterjesztése Kulturális algoritmus Valószínűségi modellek Interakció nélküli modellek Modellek páronkénti interakcióval Modellek többváltozós interakcióval CMA-ES Differenciál evolúció Terjeszkedő keresés További EC technikák Értékadás paramétereknek Paraméterek beállítása, metaoptimalizálás Paraméterek futás közbeni ellenőrzése Csoportosítás (niching) Fitneszmegosztás (fitness sharing) Dinamikus csoportmegosztás (niche sharing) Tömörítés (crowding) Ritkítás (clearing) A niche-sugár megválasztása Párhuzamos EA változatok Globális modell Regionális modell A regionális modell általános jellemzői Egy modell változat Egy futásidő és migráció-vizsgálat Konkurens modell Kooperáló modell Lokális modell Hibrid EC módszerek EA hatékonyságának javítása Helyi keresés alkalmazása, memetikus algoritmus Közelítő függvény alkalmazása Hiperheurisztikák EA és egzakt módszerek kombinációja EA kombinációja lágy számítási módszerekkel Neuroevolúció Evolúciós fuzzy rendszerek Evolúciós neuro-fuzzy rendszerek
3 5 II. Rész: Evolúciós technika az optimalizálsában Optimalizálási feltételek kezelése Büntetőfüggvény alkalmazása Speciális reprezentációk és műveletek Célfüggvények és feltételek szétválasztása Hibrid megoldások Nemlineáris struktúrák optimalizálása Neurális háló súlyainak optimalizálása Neurális háló struktúraoptimalizálás Fuzzy szabályozó finomítása Fuzzy szabályozó tanulása Evolúciós neuro-fuzzy rendszer optimalizálás Nemlineáris skalároptimalizálás Az optimalizálási probléma Néhány EA változat Az OSCA algoritmus Nemlineáris többcélú optimalizálás Az optimalizálási probléma NSGA és SPEA algoritmusok A MOSCA2 algoritmus Boole kielégítési probléma (SAT) Az optimalizálási probléma Az SSEA algoritmus Az EF_3SAT algoritmus Bináris kvadratikus programozás (BQP) Az optimalizálási probléma Az MABQP és az EH algoritmus Az EBQP algoritmus BQP megoldása párhuzamos EA-val Kiszolgálási feladatok Kvadratikus hozzárendelési probléma (QAP) Az optimalizálási probléma A GGA, az SA_GP és az MA_MF algoritmusok Az EF_QAP algoritmus Két-célfüggvényes QAP A p-medián probléma Az optimalizálási probléma
4 Az AHSAR hiperheurisztika Munka-üzem ütemezés Egygépes üzem ütemezése Az optimalizálási probléma Két EC módszer változat Flow shop ütemezés Az optimalizálási probléma Három EC módszer változat Várakozás nélküli flow shop ütemezés Az optimalizálási probléma Egy regionális modell NWFSSP-re A DPSO algoritmus Job shop ütemezés Az optimalizálási probléma Egy GA alapú memetikus algoritmus Egy MA klónális szelekcióval Az EVL_JS algoritmus Időbeosztás Az optimalizálási probléma Vizsga-időbeosztás probléma Egy GA alapú hiperheurisztika Egy párhuzamos terjeszkedő keresés változat Kurzus időbeosztás probléma Egy ACO kurzusok időbeosztására Hibrid GA kurzusok időbeosztására Alkalmazottak időbeosztása Egy GA ápolónők időbeosztására Egy módszer részmunkanap időbeosztására Útvonal kijelölési problémák csomópontokhoz Az útvonal kijelölési problémákról Utazó ügynök probléma ACO változat a TSP-re PSO változat a TSP-re Egy többcélfüggvényes TSP algoritmus Járatszervezés egy cikk gyűjtésére-szállítására Az OCPD algoritmus OCPD metaoptimalizálással Egy hibrid GA változat Járatszervezési probléma (VRP)
5 Egy GA a CVRP megoldására CVRP úthossz kiegyenlítéssel Útvonal kijelölés útszakaszok eléréséhez Probléma változatok útszakaszok eléréséhez Vidéki postás probléma CARP Dinamikus optimalizálási problémák Az optimalizálási probléma Kálmán szűrő alapú mutáció alkalmazása PBIL memória alkalmazásával Egy mesterséges immunhálózat algoritmus Vágás és pakolás problémakör Az optimalizálási probléma Egy EA az egydimenziós ládapakolási problémára Téglalapok orthogonális pakolása GA-val Egy üvegvágási probléma Összegzés Függelék Irodalomjegyzék Tárgymutató
TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...
TARTALOMJEGYZÉK TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS...1 1. A lágy számításról...2 2. A könyv célkitűzése és felépítése...6 AZ ÖSSZETEVŐ LÁGY RENDSZEREK...9 I. BEVEZETÉS...10 3. Az összetevő
Számítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
Mit 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
Neurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
I. LABOR -Mesterséges neuron
I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,
Bevezetés az informatikába
Bevezetés az informatikába 9. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
Dr. habil. Maróti György
infokommunikációs technológiák III.8. MÓDSZER KIDOLGOZÁSA ALGORITMUSOK ÁTÜLTETÉSÉRE KIS SZÁMÍTÁSI TELJESÍTMÉNYŰ ESZKÖZÖKBŐL ÁLLÓ NÉPES HETEROGÉN INFRASTRUKTÚRA Dr. habil. Maróti György maroti@dcs.uni-pannon.hu
Keresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
Képrekonstrukció 9. előadás
Képrekonstrukció 9. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem hv-konvex összefüggő halmazok Mag-burok-szerű rekonstrukció: S. Brunetti, A. Del Lungo, F.
Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
Genetikus algoritmusok
Genetikus algoritmusok Zsolnai Károly - BME CS zsolnai@cs.bme.hu Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu
HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL. OLÁH Béla
HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL OLÁH Béla A TERMELÉSÜTEMEZÉS MEGFOGALMAZÁSA Flow shop: adott n számú termék, melyeken m számú
Mesterséges 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
Számítógép és programozás 2
Számítógép és programozás 2 6. Előadás Problémaosztályok http://digitus.itk.ppke.hu/~flugi/ Emlékeztető A specifikáció egy előfeltételből és utófeltételből álló leírása a feladatnak Léteznek olyan feladatok,
Mesterséges Intelligencia alapjai
Mesterséges Intelligencia alapjai Evolúciós algoritmusok - neurális hálózatok Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék 2010 / Budapest
BX 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
Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában
Budapesti Műszaki és Gazdaságtudományi Egyetem Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Cselkó Richárd 2009. október. 15. Az előadás fő témái Soft Computing technikák alakalmazásának
Összeállította Horváth László egyetemi tanár
Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Intelligens Mérnöki Rendszerek Szakirány a Mérnök informatikus alapszakon Összeállította Horváth László Budapest, 2011
Algoritmusok Tervezése. 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás
Algoritmusok Tervezése 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás Biológiai háttér (nagyvonalúan) A sejt genetikai információit hordozó DNS általában kromoszómának nevezett makromolekulákba van
Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal
Intelligens Rendszerek Elmélete Dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE0 IRE / A természet általános kereső algoritmusa:
Megkülönböztetett kiszolgáló routerek az
Megkülönböztetett kiszolgáló routerek az Interneten Megkülönböztetett kiszolgálás A kiszolgáló architektúrák minősége az Interneten: Integrált kiszolgálás (IntServ) Megkülönböztetett kiszolgálás (DiffServ)
Képrekonstrukció 6. előadás
Képrekonstrukció 6. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Diszkrét tomográfia (DT) A CT-hez több száz vetület szükséges időigényes költséges károsíthatja
Evolúciós algoritmusok
Evolúciós algoritmusok Evolúció, mint kereső rendszer A problémára adható néhány lehetséges választ, azaz a problématér több egyedét tároljuk egyszerre. Ez a populáció. Kezdetben egy többnyire véletlen
Mesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek
Mesterséges Intelligencia Elektronikus Almanach Konzorciumi partnerek 1 Konzorcium Budpesti Mőszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Méréstechnika és Információs Rendszerek
Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás
Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált
Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói
Intelligens Rendszerek Elmélete dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE07 IRE 5/ Természetes és mesterséges genetikus
Kurzus címe, típusa (ea, sz, gy, lab, konz stb.) Tárgyfelelős Előfeltétel (kurzus kódja) Előfeltétel típusa
Az Intézet minden előadás és gyakorlatból álló tárgyánál az előadás és a gyakorlat párhuzamos felvétele, az előadások vizsgáinak a gyakorlat teljesítettsége feltétel. Szak neve: Programtervező informatikus
Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok
Zrínyi Miklós Gimnázium Művészet és tudomány napja Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok 10/9/2009 Dr. Viharos Zsolt János Elsősorban volt Zrínyis diák Tudományos főmunkatárs
Intelligens adatelemzés
Antal Péter, Antos András, Horváth Gábor, Hullám Gábor, Kocsis Imre, Marx Péter, Millinghoffer András, Pataricza András, Salánki Ágnes Intelligens adatelemzés Szerkesztette: Antal Péter A jegyzetben az
EGY HEURISZTIKA A CARP MEGOLDÁSÁRA. Borgulya István Pécsi Tudományegyetem Közgazdaságtudományi Kar. Összefoglaló
EGY HEURISZTIKA A CARP MEGOLDÁSÁRA A HEURISTIC FOR THE CARP Borgulya István Pécsi Tudományegyetem Közgazdaságtudományi Kar Összefoglaló A CARP (Capacitated Arc Routing Problem) esetén egy úthálózat kijelölt
Megújuló energia bázisú, kis léptékű energiarendszer
Megújuló energia bázisú, kis léptékű energiarendszer Molnárné Dőry Zsófia 2. éves doktorandusz hallgató, energetikai mérnök (MSc), BME, Energetikai Gépek és Rendszerek Tanszék, Magyar Energetikai Társaság
Hibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
IK Algoritmusok és Alkalmazásaik Tsz, TTK Operációkutatás Tsz. A LEMON C++ gráf optimalizálási könyvtár használata
IKP-9010 Számítógépes számelmélet 1. EA IK Komputeralgebra Tsz. IKP-9011 Számítógépes számelmélet 2. EA IK Komputeralgebra Tsz. IKP-9021 Java technológiák IK Prog. Nyelv és Ford.programok Tsz. IKP-9030
Operációkutatási modellek
Operációkutatási modellek Alkalmazott matematika A sorozat kötetei: Kóczy T. László Tikk Domonkos: Fuzzy rendszerek (2000) Elliott, J. R. Kopp, P. E.: Pénzpiacok matematikája (2000) Michelberger Szeidl
Intelligens 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
Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás
Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás http:/uni-obuda.hu/users/kutor/ IRE 7/50/1 A neurális hálózatok általános jellemzői 1. A
Számítógép 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
TANTÁRGYI ÚTMUTATÓ. Döntési módszerek
III. évfolyam szakirány BA TANTÁRGYI ÚTMUTATÓ Döntési módszerek TÁVOKTATÁS Tanév 2014/2015 II- félév A KURZUS ALAPADATAI Tárgy megnevezése: Döntési módszerek Tanszék: Matematika-Statisztika Tantárgyfelelős
Forgalmi modellezés BMEKOKUM209
BME Közlekedésüzemi és Közlekedésgazdasági Tanszék Forgalmi modellezés BMEKOKUM209 Szimulációs modellezés Dr. Juhász János A forgalmi modellezés célja A közlekedési igények bővülése és a motorizáció növekedése
A könyv. meglétét. sgálat
Benyó Balázs Benyó Zoltán Paláncz Béla Szilágyi László Ferenci Tamás Műszaki és biológiai rendszerek elmélete A könyv interdiszciplináris jellegű, műszaki és biológiai rendszerek működésének modellezésére
Innovatív optimumkeresési megoldások alkalmazása logisztikai folyamatok optimálásban
Dr. Bóna Krisztián Innovatív optimumkeresési megoldások alkalmazása logisztikai folyamatok optimálásban Dr. Bóna Krisztián a Budapesti Mőszaki és Gazdaságtudományi Egyetem Közlekedésmérnöki Karán szerezett
Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
Nem-lineáris programozási feladatok
Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens
Hidraulikus hálózatok robusztusságának növelése
Dr. Dulovics Dezső Junior Szimpózium 2018. Hidraulikus hálózatok robusztusságának növelése Előadó: Huzsvár Tamás MSc. Képzés, II. évfolyam Témavezető: Wéber Richárd, Dr. Hős Csaba www.hds.bme.hu Az előadás
SAT probléma kielégíthetőségének vizsgálata. masszív parallel. mesterséges neurális hálózat alkalmazásával
SAT probléma kielégíthetőségének vizsgálata masszív parallel mesterséges neurális hálózat alkalmazásával Tajti Tibor, Bíró Csaba, Kusper Gábor {gkusper, birocs, tajti}@aries.ektf.hu Eszterházy Károly Főiskola
Tartalomjegyzék. Előszó... xi. 1. Bevezetés... 1. 2. Mechanikai, elektromos és logikai jellemzők... 13
Előszó... xi 1. Bevezetés... 1 1.1. Fogalmak, definíciók... 1 1.1.1. Mintapéldák... 2 1.1.1.1. Mechanikus kapcsoló illesztése... 2 1.1.1.2. Nyomtató illesztése... 3 1.1.1.3. Katódsugárcsöves kijelző (CRT)
Kurzuskód Kurzus címe, típusa (ea, sz, gy, lab, konz stb.) Tárgyfelelős Előfeltétel (kurzus kódja) típusa
Az Intézet minden előadás és gyakorlatból álló tárgyánál az előadás és a gyakorlat párhuzamos felvétele, az előadások vizsgáinak a gyakorlat teljesítettsége feltétel. Szak neve: Programtervező informatikus
Lukovich Gábor Logisztikai rendszerfejlesztő
Lukovich Gábor Logisztikai rendszerfejlesztő Intra-logisztikai rendszerek Lay-out tervezése/fejlesztése Logisztikai informatikai rendszerek tervezése Egymással kölcsönhatásban lévő részfeladatok rendszere
Miskolci 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
Optimalizálás 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
HÁZI FELADAT PROGRAMOZÁS I. évf. Fizikus BSc. 2009/2010. I. félév
1. feladat (nehézsége:*****). Készíts C programot, mely a felhasználó által megadott függvényt integrálja (numerikusan). Gondosan tervezd meg az adatstruktúrát! Tervezz egy megfelelő bemeneti nyelvet.
Universität M Mis is k k olol cic, F Eg a y kultä etem t, für Wi Gazda rts ságcha tudfts o w máis n s yen i scha Kar, ften,
8. Előadás Speciális optimalizációs eljárások Genetikus algoritmusok OPTIMALIZÁLÁSI ELJÁRÁSOK Gradiens alapú módszerek Véletlent használó módszerek Kimerítő keresésen alapuló módszerek Direkt módszerek
Számítógép 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,
Tárgyfelelős kódja, címe)
Az Intézet minden előadás és gyakorlatból álló tárgyánál az előadás és a gyakorlat párhuzamos felvétele, az előadások vizsgáinak a gyakorlat teljesítettsége feltétel. Szak neve: Mérnök informatikus BSc
Mesterséges 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
Az UPPAAL egyes modellezési lehetőségeinek összefoglalása. Majzik István BME Méréstechnika és Információs Rendszerek Tanszék
Az UPPAAL egyes modellezési lehetőségeinek összefoglalása Majzik István BME Méréstechnika és Információs Rendszerek Tanszék Résztvevők együttműködése (1) Automaták interakciói üzenetküldéssel Szinkron
Evolúciós alapfogalmak, általános algoritmusok
MI2 előadás jegyzet Tartalom: - Evolúciós alapfogalmak, általános algoritmusok - Evolúciós stratégiák - Raj intelligencia, részecske-raj optimalizálás A jegyzetet Jelasity Márk 2008. 04. 08., 2008. 04.
Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/6 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 46/6 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció stratégiák Szemantikus hálók
Mesterséges Intelligencia Elektronikus Almanach. MI Almanach projektismertetı rendezvény április 29., BME, I. ép., IB.017., 9h-12h.
Mesterséges Intelligencia Elektronikus Almanach Neurális hálózatokh 1 BME 1990: Miért neurális hálók? - az érdeklıdésünk terébe kerül a neurális hálózatok témakör - fıbb okok: - adaptív rendszerek - felismerési
Dr. Kulcsár Gyula. Virtuális vállalat félév. Projektütemezés. Virtuális vállalat félév 5. gyakorlat Dr.
Projektütemezés Virtuális vállalat 06-07. félév 5. gyakorlat Dr. Kulcsár Gyula Projektütemezési feladat megoldása Projekt: Projektütemezés Egy nagy, összetett, általában egyedi igény alapján előállítandó
Kockázatalapú fenntartás-tervezés Fuzzy logika alkalmazásával. ELMŰ Hálózat Bálint Zsolt 2017/11/20
Kockázatalapú fenntartás-tervezés Fuzzy logika alkalmazásával Miért kell erről beszélni? A hálózat ELMŰ Nyrt. 4 050 km 2 Supply area 15 501 km 2 10 645 GWh Energy supplied 6 113 GWh 965 GWh / 9,1% Grid
Keresési algoritmusok, optimalizáció
Keresési algoritmusok, optimalizáció Az eddig tanultakból a mostani részben gyakran használt (emiatt szükséges az ismeretük) programozási ismeretek: függvények létrehozása, meghívása (ld. 3. óra anyagában)
Zenegenerálás, majdnem természetes zene. Bernád Kinga és Roth Róbert
Zenegenerálás, majdnem természetes zene Bernád Kinga és Roth Róbert Tartalom 1. Bevezető 2. Eddigi próbálkozások 3. Módszerek 4. Algoritmus bemutatása 5. Összefoglaló (C) Bernád Kinga, Roth Róbert 2 1.
I. Fejezetek a klasszikus analízisből 3
Tartalomjegyzék Előszó 1 I. Fejezetek a klasszikus analízisből 3 1. Topológia R n -ben 5 2. Lebesgue-integrál, L p - terek, paraméteres integrál 9 2.1. Lebesgue-integrál, L p terek................... 9
VIRTUAL NETWORK EMBEDDING VIRTUÁLIS HÁLÓZAT BEÁGYAZÁS
BME/TMIT Budapesti Műszaki és Gazdaságtudományi Egyetem (BME) Távközlési és Médiainformatikai Tanszék (TMIT) VIRTUAL NETWORK EMBEDDING VIRTUÁLIS HÁLÓZAT BEÁGYAZÁS Dr. Maliosz Markosz maliosz@tmit.bme.hu
Költségbecslési módszerek a szerszámgyártásban. Tartalom. CEE-Product Groups. Költségbecslés. A költségbecslés szerepe. Dr.
Gépgyártástechnológia Tsz Költségbecslési módszerek a szerszámgyártásban Szerszámgyártók Magyarországi Szövetsége 2003. december 11. 1 2 CEE-Product Groups Tartalom 1. Költségbecslési módszerek 2. MoldCoster
Bánsághi Anna 2014 Bánsághi Anna 1 of 33
IMPERATÍV PROGRAMOZÁS Bánsághi Anna anna.bansaghi@mamikon.net 7. ELŐADÁS - ABSZTRAKT ADATTÍPUS 2014 Bánsághi Anna 1 of 33 TEMATIKA I. ALAPFOGALMAK, TUDOMÁNYTÖRTÉNET II. IMPERATÍV PROGRAMOZÁS Imperatív
Teljesítmény 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
Algoritmizálás. Horváth Gyula Szegedi Tudományegyetem Természettudományi és Informatikai Kar
Algoritmizálás Horváth Gyula Szegedi Tudományegyetem Természettudományi és Informatikai Kar horvath@inf.u-szeged.hu 0.1. Az algoritmikus tudás szintjei Ismeri (a megoldó algoritmust) Érti Le tudja pontosan
Autóipari beágyazott rendszerek. Komponens és rendszer integráció
Autóipari beágyazott rendszerek és rendszer integráció 1 Magas szintű fejlesztési folyamat SW architektúra modellezés Modell (VFB) Magas szintű modellezés komponensek portok interfészek adattípusok meghatározása
Újrahasznosítási 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
Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban
Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses
Miskolci 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
Programozási nyelvek a közoktatásban alapfogalmak II. előadás
Programozási nyelvek a közoktatásban alapfogalmak II. előadás Szintaxis, szemantika BNF szintaxisgráf absztrakt értelmező axiomatikus (elő- és utófeltétel) Pap Gáborné. Szlávi Péter, Zsakó László: Programozási
Számítógépes döntéstámogatás. Bevezetés és tematika
SZDT-01 p. 1/18 Számítógépes döntéstámogatás Bevezetés és tematika Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-01 p. 2/18 SZDT-01
Közösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
Intelligens 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
Példa. 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
Logisztikai szimulációs módszerek
Üzemszervezés Logisztikai szimulációs módszerek Dr. Juhász János Integrált, rugalmas gyártórendszerek tervezésénél használatos szimulációs módszerek A sztochasztikus külső-belső tényezőknek kitett folyamatok
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz BME I.E. 414, 463-26-79
További programozási esetek Hiperbolikus, kvadratikus, integer, bináris, többcélú programozás
További programozási esetek Hiperbolikus, kvadratikus, integer, bináris, többcélú programozás Készítette: Dr. Ábrahám István Hiperbolikus programozás Gazdasági problémák optimalizálásakor gyakori, hogy
Intelligens Rendszerek Gyakorlata. Neurális hálózatok I.
: Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3
Konjugált gradiens módszer
Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK
Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén
Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Dombi József Szegedi Tudományegyetem Bevezetés - ID3 (Iterative Dichotomiser 3) Az ID algoritmusok egy elemhalmaz felhasználásával
GEOSTATISZTIKA II. Geográfus MSc szak. 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ
GEOSTATISZTIKA II. Geográfus MSc szak 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet A tantárgy adatlapja Tantárgy neve:
Ütemezés 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
Regresszió. 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
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék 2012/13 2. félév 4. Előadás Dr. Kulcsár Gyula egyetemi docens Gyártórendszerek egyszerűsített irányítási modellje Zavaró
Paragon 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
Genetikus algoritmusok az L- rendszereken alapuló. Werner Ágnes
Genetikus algoritmusok az L- rendszereken alapuló növénymodellezésben Werner Ágnes Motiváció: Procedurális modellek a növénymodellezésben: sok tervezési munka a felhasználónak ismerni kell az eljárás részleteit
Pénzügyi algoritmusok
Pénzügyi algoritmusok A C++ programozás alapjai Tömbök (3. rész) Konstansok Kivételkezelés Tömbök 3. Többdimenziós tömbök Többdimenziós tömbök int a; Többdimenziós tömbök int a[5]; Többdimenziós tömbök
Közúti közlekedési automatika. BME, Közlekedés- és Járműirányítási Tanszék
Közúti közlekedési automatika BME, Közlekedés- és Járműirányítási Tanszék A közúti forgalomirányítás célja A közlekedési folyamatok befolyásolása meghatározott célok elérése érdekében. A forgalomirányító
Valószín ségi döntéstámogató rendszerek
Valószín ségi döntéstámogató rendszerek Antos András Antal Péter Hullám Gábor Millinghoer András Hajós Gergely Kulcsszavak: döntés, becslés, költségfüggvény, kockázat, a priori és a posteriori valószín
Markerek jól felismerhetőek, elkülöníthetők a környezettől Korlátos hiba
1. Ismertesse a relatív és abszolút pozíciómegatározás tulajdonságait, és lehetőségeit. Mit jelent a dead reckoning, és mi az odometria? Milyen hibalehetőségekre kell számítanunk odometria alkalmazásakor?
Az ellátási láncok algoritmikus szintézise
Az ellátási láncok algoritmikus szintézise Bertók Botond, Adonyi Róbert, Kovács Zoltán, Friedler Ferenc Pannon Egyetem Műszaki Informatikai Kar XXVII. Magyar Operációkutatási Konferencia 2007. június 7.
FELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE
FELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE Dr. Aradi Szilárd, Fehér Árpád Mesterséges intelligencia kialakulása 1956 Dartmouth-i konferencián egy maroknyi tudós megalapította a MI területét
Döntési módszerek Tantárgyi útmutató
Gazdálkodási és menedzsment alapszak Nappali tagozat Döntési módszerek Tantárgyi útmutató 2018/19. tanév II. félév 1 Tantárgy megnevezése Tantárgy jellege/típusa: Döntési módszerek. D Kontaktórák száma/hét:
TARTALOM A KUTYA VISELKEDÉSKUTATÁSÁNAK TÖRTÉNETE ÉS ELMÉLETI ALAPVETÉSEI
TARTALOM Prológus: Comparare necesse est (Az eredeti angol kiadáshoz) 13 Elõszó a magyar kiadáshoz 17 1. fejezet A KUTYA VISELKEDÉSKUTATÁSÁNAK TÖRTÉNETE ÉS ELMÉLETI ALAPVETÉSEI 1.1 Bevezetés 19 1.2 A behaviorizmustól
Kereső 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
Miskolci 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..