Néhány elemmel konzisztenssé tehető páros összehasonlítás mátrixok
|
|
- Albert Orosz
- 7 évvel ezelőtt
- Látták:
Átírás
1 Néhány elemmel konzisztenssé tehető páros összehasonlítás mátrixok Poesz Attila BCE Operációkutatás és Aktuáriustudományok Tanszék április 1. Poesz A. () Következetlenség április 1. 1 / 28
2 Vázlat Probléma bemutatása Koczkodaj megközelítése, triádok külön-külön vizsgálata Új megközelítés, triádok teljes rendszerének együttes vizsgálata Egészértékű programozás Gráf reprezentáció Példa bemutatása Összegzés Poesz A. () Következetlenség április 1. 2 / 28
3 Páros összehasonlítási mátrixok alkalmazása Többszempontú döntési feladatoknál: alternatívák szempontok szerinti értékelése szempontsúlyok meghatározása csoportos döntéseknél: kompetencia-súlyok (szavazóerők) meghatározása Legfeljebb 3 elemmel konzisztenssé/közel konzisztenssé tehető mátrixok jelentősége: elírások kiszűrése döntéshozónak javítási lehetőség csökken a következetlenség szintje közel azonosnak értékelt alternatívák esetében Poesz A. () Következetlenség április 1. 3 / 28
4 Saaty-féle hányados skála:1/9,..., 9 A 1 : acél szerkezet A 2 : megerősített beton,fa állv. A 3 : megerősített beton A 4 : előre gyártott betonelemekből A 5 : beton mag merevítve A 1 A 2 A 3 A 4 A 5 A A 2 1/5 1 1/5 1/5 1/7 A 3 1/ /3 A 4 1/ /3 A 5 1/ Tulajdonságok Önmagával azonos a ii = 1, (1) Reciprocitás a ij = 1/a ji, (2) Konzisztencia a ik = a ij a jk, i,j,k (3) Inkonzisztens az a mátrix, amelyik nem konzisztens. inkonzisztencia magas nincs értelme számolni Poesz A. () Következetlenség április 1. 4 / 28
5 Koczkodaj megközelítése Alapötlet Minden A R 3 3 páros összehasonlítás mátrix konzisztenssé tehető egyetlen elemének (és reciprokának) alkalmas megváltoztatásával. A 1 A 2 A 3 A A 2 1/21 1 1/7 A 3 1/3 7 1 GD a = 21 5 = 16 CM a = = 3.2 A 1 A 2 A 3 A A 2 1/5 1 1/7 A 3 1/3 7 1 A 1 A 2 A 3 A /7 A 2 1/5 1 1/7 A 3 7/5 7 1 GD b = 3 5/7 = CM b = /7 = A 1 A 2 A 3 A A 2 1/5 1 3/5 A 3 1/3 5/3 1 GD c = 7 5/3 = 5.33 CM c = 1/7 7 5/3 = az egyes triádokról, illetve azok egy konzisztens mátrixtól vett minimális eltéréséről Nem vizsgálja a mátrix teljes triád struktúráját Poesz A. () Következetlenség április 1. 5 / 28
6 Új megközelítés Mátrix triádjainak összefüggő rendszere javítása a teljes rendszer vizsgálatával Jelölések: A R n n Ā = log A ā ij = log a ij, i, j = 1,...,n. Konzisztencia: ā ij + ā jk + ā ki = 0, i, j, k = 1,...,n. A4 A5 Kutatási irányok: 1 Gráfelmélet 2 Egészértékű programozás A3 A2 A6 A1 Poesz A. () Következetlenség április 1. 6 / 28
7 Gráf reprezentáció Gráf reprezentáció: G ={V, E} irányított gráf V ={1,...,n} a csúcspontok, E =V V pedig az élek halmaza. (i, j) E élhez az ā ij súlyt rendeljük Az (i, j, k) triád = (i, j), (j, k), (k, i) élek által alkotott kör. Az (i, j, k) triád súlya S(i,j,k)=ā ij + ā jk + ā ki A3 A4 A2 A1 Triád konzisztens ha súlya 0, ellenkező esetben pedig inkonzisztens. Konzisztencia tekintetében (i,j,k) triád azonos (i,k,j) S(i, j, k) = S(i, k, j) Az A mátrix konzisztens,ha minden triádjának 0 a súlya. Poesz A. () Következetlenség április 1. 7 / 28
8 Állítás (2) Legyen (i, j, k) egy inkonzisztens triád. Ekkor tetszőlegesl V\{i, j, k} esetén az (l, i, j), (l, j, k) és (l, k, i) triádok közül legalább az egyik inkonzisztens. Bizonyítás: S(l, i, j) + S(l, j, k) + S(l, k, i) = S(i, j, k) Mivel az (i, j, k) súlya nem nulla, a másik három triád közül legalább az egyik súlya nem nulla kell, hogy legyen. A4 A3 A1 A2 Következmény 1.: Ha A inkonzisztens, akkor G legalább n 2 inkonzisztens triádot tartalmaz. 2.: Ha A inkonzisztens, akkor tetszőleges i V esetén van G-ben inkonzisztens (i, j, k) triád. Poesz A. () Következetlenség április 1. 8 / 28
9 Állítás (3. - Egy elem megváltoztatása) Egy A inkonzisztens páros összehasonlítási mátrix pontosan akkor tehető egyetlen elemének megváltoztatásával konzisztenssé, ha a megfelelő G gráf pontosan n 2 inkonzisztens triádot tartalmaz. Ha n 4, akkor a változtatás egyértelmű. Bizonyítás: Triviális n=3, triviális, ( itt n=4 együtt n 5 Fontos..kell n=4l 1,l 2 nem lehet) 2.Áll (i, j, k) inkonz. triád + G gráf (n 2) inkonz. l V\{i, j, k} esetén az (l, i, j), (l, j, k) és (l, k, i) triádok közül pontosan egy inkonzisztens. S(i, j, k)=α előző pont Tfh.: valamely (l, i, j) inkonz. (Ábra) (l, j, k) és (l, k, i) konzisztensek: A3 ā lj + ā jk + ā kl =0 ā lk + ā ki + ā il = 0 Σ A4 A2 ā jk + ā ki =ā jl + ā li + ā ij ā ij + ā jk + ā ki = ā li + ā ij + ā jl =α A1 S(i, j, k) = S(i, j, l) = S(l, j, i) =α Poesz A. () Következetlenség április 1. 9 / 28
10 (i, j) él közös: indirekt tfh.: (i, j, k) közös él l1 V\{i, j, k}, (l 1, i, j) inkonz. (j,l 2,l 1 ) konz. 1.pont l2 V\{i, j, k}, (l 2, k, i) inkonz. (l 2, j, k) konz. ā l2 j + ā jk + ā kl2 =0 ā jl2 + ā l2 l 1 + ā l1 j = 0 Σ ā jk + ā kl2 + ā l2 l 1 + ā l1 j = 0 S(i,l2,l 1 ) = 0, S(i, j, k) =α, S(l 1, j, i) = S(l 2, i, k) = α, ezen triádok súlyait összegezve: javítás: Tfh.: ā jk + ā kl2 + ā l2 l 1 + ā l1 j = α, aholα 0 l V\{i, j, k}, (l, i, j) triád inkonz. (előző pont) S(l, i, j) = S(i, j, k) =α (2. pont) ā ij = ā ij α l, S(l, i, j) = 0 és S(i, j, k) = 0, többi triád értéke nem változott (= 0). változtatás egyértelműsége: csak az (i, j) él vesz részt mind az n 2 triádban. Poesz A. () Következetlenség április / 28
11 1. Megjegyzés. Könnyen látható, hogy annak ellenőrzése, hogy az inkonzisztens triádok száma n 2 vagy sem, O(n 3 ) művelettel végrehajtható, a feltétel teljesülése esetén pedig a módosítandó él és a módosítás mértékének meghatározása már csak O(n 2 ) műveletet igényel. Állítás (4.) Egy konzisztens páros összehasonlítási mátrix K számú elemének (és azok reciprokjainak) megváltoztatásával kapott A páros összehasonlítási mátrix G gráfjában legfeljebb K(n 2) inkonzisztens triád lehet. Akkor lesz az inkonzisztens triádok száma pontosan K(n 2), ha a megváltoztatott elemek nem szerpelnek közös triádban. Bizonyítás: A R n n konzisztens mátrix: K lépés, lépésenként max. n 2 triád súlya változik legfeljebb K(n 2) lehet G-ben Poesz A. () Következetlenség április / 28
12 Módosított elemek és azok kapcsolata Esetek k 3 elem közös triádban 2 elem közös triádban konzisztens közös triádok inkonzisztens triádok I (n 2) II (n 2) III/A (n 2)-1 III/B (n 2)-2 IV (n 2) V/A (n 2)-1 V/B (n 2)-2 VI/A (n 2)-2 VI/B (n 2)-3 VI/C (n 2)-4 VII/A (n 2)-3 VII/B (n 2)-4 VII/C (n 2)-5 VII/D (n 2)-6 VIII/A (n 2)-2 VIII/B (n 2)-3 Esetek k megváltoztatott dimenzió mátrix elemek I 1 α 12 n 3 II 2 α 12,α 34 n 4 III 2 α 12,α 13 n 4 IV 3 α 12,α 34,α 56 n 6 V 3 α 12,α 13,α 45 n 5 VI 3 α 12,α 13,α 24 n 4 VII 3 α 12,α 13,α 14 n 4 VIII 3 α 12,α 13,α 23 n 4 Példa mátrix, log(a) 0 α 12 α α 16 α 12 0 α α 26 α 13 α α α 16 α 26 α Poesz A. () Következetlenség április / 28
13 Állítás (5.=3.) Egy A inkonzisztens páros összehasonlítási mátrix pontosan akkor tehető egyetlen elemének megváltoztatásával konzisztenssé, ha a megfelelő G gráfban van olyan (i, j) él, hogy minden (l, i, j),l V\{i, j} triád súlya ugyanaz a nem nulla szám, az összes többi triád viszont konzisztens. Ha n 4, ez az (i, j) él egyértelmű. Két él módosítása két él kapcsolata független egymáshoz kapcsolódó n = 3 triviálisan végtelen sok megoldás n 4 releváns Poesz A. () Következetlenség április / 28
14 Állítás (6.) Egy A inkonzisztens páros összehasonlítási mátrix pontosan akkor tehető két elemének megváltoztatásával konzisztenssé, ha a megfelelő G gráfban az alábbi két eset valamelyike teljesül: 1 (i 1, j 1 ) és (i 2, j 2 ) független él,α 1 0 ésα 2 0, hogy (l, i 1, j 1 ), l V\{i 1, j 1 } triád súlyaα 1, (l, i 2, j 2 ),l V\{i 2, j 2 } triád súlyaα 2, az összes többi triád viszont konzisztens. 2 Van két olyan egymáshoz csatlakozó (i, j) és (j, k) él, valamint nem nullaα 1 ésα 2 szám, hogy minden (l, i, j),l V\{i, j, k} triád súlyaα 1, minden (l, j, k),l V\{i, j, k} triád súlyaα 2, az (i, j, k) triád súlyaα 1 +α 2, az összes többi triád viszont konzisztens. i k āij i1 āi1j1 j1 j ājk i2 āi2j2 j2 (a) (i1,ji), (i2,j2) függetlenek l k (b) (i, j), (j, k) csatlakozó élek Poesz A. () Következetlenség április / 28
15 āi1j1 Három elem megváltoztatása i1 āi1j1 j1 i2 āi2j2 āj1k1 k1 āk1l1 l1 j2 j1 i3 āi3j3 j3 i1 (c) 3 független él (d) 3 csatlakozó él k1 l1 āj1k1 j1 i2 āi2j2 j2 āi1l1 i1 āi1j1 j1 i1 āi1j1 j1 āi1j1 āi1k1 āj1k1 āk1i1 i1 k1 k1 (e) 1 független él (f) centrális elhelyezkedés (g) közös triádban Poesz A. () Következetlenség április / 28
16 Kevert egészértékű programozás M a lehetséges páros összehasonlítás értékek maximuma M = 2 log M, egy felső korlát n 1 n min y ij i=1 j=i+1 x ij, i, j = 1,...,n, i j, módosított mátrix elemeinek logaritmusa y ij, i, j = 1,...,n, i j, Dummy s.t. x ij + x jk + x ki = 0, 1 i< j< k n, x ij = x ji, 1 i< j n, M x ij M, 1 i< j n, 2 My ij x ij ā ij 2 My ij, 1 i< j n, y ij {0, 1}, 1 i< j n, Állítás (1.) Az MIP optimumértéke: a minimális elemszám, amivel az A konzisztenssé tehető. Legfeljebb K elem megváltoztatásával konzisztenssé tehető? Csatolandó feltétel: n 1 n y ij K i=1 j=i+1 Poesz A. () Következetlenség április / 28
17 Összehasonlítás MIP eredmény: sor oszlop régi elem új elem eltérés /5 1/ /2 1/8 1/ /2 1/8 1/2 1 A 124 = / / /2 1/8 1/2 1 GD iterációs eredmény: Iteráció sor oszlop régi elem új elem GD /7 0, /2 7/8 0, /2 7/8 0, /4 0, /5 0, /2 5/8 0, /2 5/8 0, /4 7/5 0,35 A j 124 = 1 1 1/2 1/8 1/ /2 1/8 1/ / / /2 1/8 1/ /8 1/8 7/ /8 1/8 7/8 1 A j 124 = /5 7/5 8/ /7 1 1/7 1 8/ /2 1/8 7/8 1 Poesz A. () Következetlenség április / 28
18 MIP feladat eredménye adathalmazon Valós minta Szakfolyóiratokban publikált 22 valós döntési szintuációt leíró cikkből, összesen 137 páros összehasonlítás mátrixot gyűjtöttünk össze és dolgoztunk fel. Mátrixok 1 elem 2 elem 3 elem Dimenzió száma Konzisztens módosítása módosítása módosítása és nagyobb Összesen Poesz A. () Következetlenség április / 28
19 A mintában szereplő mátrixok: A 44 R 5 5, A 6 R 6 6 és az A 76 R / A 44 = 1/ / Aj 44 = 1/3 1/2 1/2 1/ / / / /4 1/2 1/2 1/ A 6 = /7 1/7 1/7 1 1/7 2 A j 6 = 1/7 1/7 1/7 1 1/7 9/ /9 1/9 1/9 1/2 1/9 1 1/9 1/9 1/9 7/9 1/ /7 1/ / A 76 = 1 1/7 1/ /7 1/ A j 76 = 1 1/7 1/ /7 1/ /7 1/ /7 1/ / / /7 1/ /7 1/ /7 1/ /7 1/ /7 1/ Poesz A. () Következetlenség április / 28
20 60 %? Poesz A. () Következetlenség április / 28
21 További modellek és eredmények ( ) 1 a b A 3 3 = 1/a 1 c [a b c] R /b 1/c 1 CM(a, b, c) = min( 1 a a b c, 1 b b ac, 1 c c b a ). CM(A) = max{cm(a ij, a ik, a jk ) i j< k n} Bozóki S. és Rapcsák T. [2008] megmutatták, ha T(a, b, c) = max { ac, } b b ac CM(a, b, c) = 1 1 T(a, b, c) T(a, b, c) = 1 1 CM(a, b, c) Ā = log(a) esetében T(ā, b, c) = max { ā + c b, (ā + c b) }. LP megoldása: CM(A) = 1 1 exp(z opt) Bozóki, Fülöp, Koczkodaj [2010]: min z s.t. ā ij + ā jk + ā ki z, 1 i< j< k n, (ā ij + ā jk + ā ki ) z, 1 i< j< k n, Poesz A. () Következetlenség április / 28
22 II. MIP K és CM krit adott Az A mátrix maximum K elemének megváltoztatásával CM(A ) CM krit teljesül? z = log( 1 1 CM krit ) M = log(m) ā ij = log(a ij ) min n 1 n y ij i=1 j=i+1 s.t. x ij + x jk + x ki z, 1 i< j< k n, (x ij + x jk + x ki ) z, 1 i< j< k n, x ij = x ji, 1 i< j n, M x ij M, 1 i< j n, 2 My ij x ij ā ij 2 My ij, 1 i< j n, y ij {0, 1}, 1 i< j n, n 1 n y ij i=1 j=i+1 K Poesz A. () Következetlenség április / 28
23 III. MIP K adott Az A mátrix maximum K elemének megváltoztatásával min CM(A )? z változó CM(A ) = 1 1 exp(z opt) M = log(m) ā ij = log(a ij ) min z s.t. x ij + x jk + x ki z, 1 i< j< k n, (x ij + x jk + x ki ) z, 1 i< j< k n, x ij = x ji, 1 i< j n, M x ij M, 1 i< j n, 2 My ij x ij ā ij 2 My ij, 1 i< j n, y ij {0, 1}, 1 i< j n, n 1 n K y ij i=1 j=i+1 Poesz A. () Következetlenség április / 28
24 R 6 6 mátrixok, III. MIP Min CM Sorszám CM K=3 Eltérés CR 2 0,78 0,63 0,15 9,38% 3 0,61 0,61 0 3,22% 4 0,75 0,63 0,13 6,9% 5 0,36 0 0,36 0,35% 6 0,63 0,56 0,07 4,23% 7 0,7 0,62 0,08 6,42% 8 0,64 0,53 0,11 3,64% 9 0,61 0,42 0,19 2,81% 10 0,44 0,44 0 1,24% 11 0,82 0,5 0,32 7,67% 12 0,47 0,4 0,07 1,88% 13 0,81 0,72 0,09 14,7% 14 0,98 0,67 0,31 34,71% 15 0,83 0,38 0,46 5,04% 16 0,75 0,63 0,13 7,69% 17 0,78 0,56 0,22 6,32% 18 0,83 0,67 0,17 12,01% 19 0,8 0,38 0,43 6,53% 20 0,6 0,5 0,1 3,98% 21 0,43 0 0,43 0,54% 1 1/3 1/ /5 5 3 A = 5 1/ /3 5 1/ CR = 34, 71% 1/7 1/5 1/5 1/3 1 1/3 1/5 1/3 1/3 1/ /3 1/ , A 1 = 5 1/ /3 0, 65 1/ CR = 15, 03% 1/7 1/5 1/5 1/3 1 1/3 1/5 1/3 1/3 1/ /3 1, , A 2 = 0, 87 1/ /3 0, 34 1/ CR = 7, 29% 1/7 1/5 1/5 1/3 1 1/3 1/5 1/3 1/3 1/ , 97 1, , A 3 = 0, 64 1/ /3 1/3 1/ CR = 4, 94% 1/7 1/5 1/5 1/3 1 1/3 1/5 1/3 1/3 1/3 3 1 Poesz A. () Következetlenség április / 28
25 Összefoglalás Eredmények alkalmazása: elírt páros összehasonlítási elemek detektálása triád struktúra feltárása a bemutatott eszközökkel teljes triád struktúrát figyelembe vevő javító algoritmus Eredményeink: egészértékű programozási feladat felírása módosított gráf reprezentáció állítások megfogalmazása és belátása eredmények ellenőrzése valós adatokon konzisztens mátrix 1, 2, 3 elemének megváltoztatással, hány inkonzisztens triád keletkezik Poesz A. () Következetlenség április / 28
26 További kutatási irányok További inkonzisztencia mutatókra (CR, GD) felírni hasonló összefüggéseket. Kutatási eredmények más területen történő alkalmazása? párosösszehasonlítás mátrix ferdén szimmetrikus mátrix játékelmélet gazdaságstatisztika Lie-Algebra? Poesz A. () Következetlenség április / 28
27 Bozóki, S., Rapcsák, T. [2008]: On Saaty s and Koczkodaj s inconsistencies of pairwise comparison matrices, Journal of Global Optimalization 42(2), pp Bozóki, S., Fülöp, J., Koczkodaj, W.W. [2010]: LP-based consistency-driven supervision for incomplete pairwise comparison matrices, Working Paper, WP Bozóki, S., Fülöp, J., Poesz, A. [2010]: On pairwise comparison matrices that can be made consistent by modification of a few elements, Central European Journal of Operation Research (in print). DOI /s Kéri, G. [2005]: Kritériumok páros összehasonlítás mátrixokra, Szigma, 36, pp Kindler, J., Papp O. [1977]: Komplex rendszerek vizsgálata, Műszaki Könyvkiadó, Budapest. Koczkodaj, W.W [1993]: A new definition of consistency of pairwise comparisons, Mathematical and computer modelling, 18, pp Poesz, A. [2008]: A páros összehasonlítás mátrixok kritikus értékeinek detektálása, TDK dolgozat, Budapesti Corvinus Egyetem, Budapest. Poesz, A. [2008]: Tapasztalati páros összehasonlítás mátrixok inkonzisztenciájának vizsgálata, Szakdolgozat, Budapesti Corvinus Egyetem, Közgazdaságtudományi Kar, Gazdasági Döntések Tanszék, Budapest. Saaty, T.L [1980]: The analytic hierarchy process, McGraw-Hill, New-York. Poesz A. () Következetlenség április / 28
28 Köszönöm a figyelmet! Poesz A. () Következetlenség április / 28
Nem 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
RészletesebbenPáros összehasonlítás mátrixokból számolt súlyvektorok Pareto-optimalitása
Páros összehasonlítás mátrixokból számolt súlyvektorok Pareto-optimalitása Bozóki Sándor 1,2, Fülöp János 1,3 1 MTA SZTAKI; 2 Budapesti Corvinus Egyetem 3 Óbudai Egyetem XXXI. Magyar Operációkutatási Konferencia
RészletesebbenPáros összehasonlítás mátrixok empirikus vizsgálata p. 1/20
Páros összehasonlítás mátrixok empirikus vizsgálata Bozóki Sándor 1,2, Dezső Linda 3,4, Poesz Attila 2, Temesi József 2 1 MTA SZTAKI; 2 Budapesti Corvinus Egyetem 3 Szegedi Tudományegyetem 4 Budapesti
RészletesebbenPáros összehasonlítás mátrixok empirikus vizsgálata. Bozóki Sándor
Páros összehasonlítás mátrixok empirikus vizsgálata Bozóki Sándor MTA SZTAKI Operációkutatás és Döntési Rendszerek Kutatócsoport Budapesti Corvinus Egyetem Operációkutatás és Aktuáriustudományok Tanszék
RészletesebbenBozóki Sándor. MTA SZTAKI, Budapesti Corvinus Egyetem. Vitaliy Tsyganok
A feszítőfákból számolt súlyvektorok mértani közepének optimalitása a logaritmikus legkisebb négyzetes célfüggvényre nézve Bozóki Sándor MTA SZTAKI, Budapesti Corvinus Egyetem Vitaliy Tsyganok Laboratory
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 4. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
Részletesebben5. Analytic Hierarchy Process (AHP)
5 Analytic Hierarchy Process (AHP) (ld Temesi J: A döntéselmélet alapjai, 120-128) (Rapcsák T: Többszempontú döntési problémák I ld http://wwwoplabsztakihu/tanszek/download/ ITobbsz-dont-modszpdf) 51 Bevezetés
RészletesebbenOperációkutatás. Vaik Zsuzsanna. ajánlott jegyzet: Szilágyi Péter: Operációkutatás
Operációkutatás Vaik Zsuzsanna Vaik.Zsuzsanna@ymmfk.szie.hu ajánlott jegyzet: Szilágyi Péter: Operációkutatás Operációkutatás Követelmények: Aláírás feltétele: foglalkozásokon való részvétel + a félév
Részletesebben5. Analytic Hierarchy Process (AHP)
5 Analytic Hierarchy Process (AHP) (ld Temesi J: A döntéselmélet alapjai, 120-128) (Rapcsák T: Többszempontú döntési problémák I ld http://wwwoplabsztakihu/tanszek/download/ ITobbsz-dont-modszpdf) 51 Bevezetés
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenOpkut deníciók és tételek
Opkut deníciók és tételek Készítette: Bán József Deníciók 1. Deníció (Lineáris programozási feladat). Keressük meg adott lineáris, R n értelmezési tartományú függvény, az ún. célfüggvény széls értékét
Részletesebben17. előadás: Vektorok a térben
17. előadás: Vektorok a térben Szabó Szilárd A vektor fogalma A mai előadásban n 1 tetszőleges egész szám lehet, de az egyszerűség kedvéért a képletek az n = 2 esetben szerepelnek. Vektorok: rendezett
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/
Operációkutatás I. 2018/2019-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
Részletesebben1/ gyakorlat. Lineáris Programozási feladatok megoldása szimplex módszerrel. Pécsi Tudományegyetem PTI
/ Operációkutatás. gyakorlat Lineáris Programozási feladatok megoldása szimplex módszerrel Pécsi Tudományegyetem PTI /. Legyen adott az alábbi LP-feladat: x + 4x + x 9 x + x x + x + x 6 x, x, x x + x +
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
Részletesebben1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)
Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő
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
RészletesebbenTöbbtényezős döntési problémák
KIPA módszer: Lépései: 1. értékelési tényezők páros elrendezése, 2. páros összehasonlítás elvégzése, 3. egyéni preferencia táblázatok felvétele, konzisztencia mutatók meghatározása, 4. aggregált preferencia
RészletesebbenDiszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.
1 Diszkrét matematika I, 12 előadás Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach 2005 november 30 Vektorok Definíció Egy tetszőleges n pozitív egész számra n-komponensű
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
RészletesebbenDöntéselőkészítés. XII. előadás. Döntéselőkészítés
XII. előadás Többszempontú döntések elmélete MAUT (Multi Attribute Utility Theory ) A többszempontú döntési feladatok megoldásának lépései: A döntési feladat felépítése: a) a cél megfogalmazása, b) az
RészletesebbenTöbbszempontú döntési módszerek, modellek Dr. Stettner Eleonóra
Kaposvári Egyetem Gazdaságtudományi Kar Kari Tudományos Diákköri Tanács TDK módszertani kurzus 3. alkalom Többszempontú döntési módszerek, modellek Dr. Stettner Eleonóra 2016. április 4. A kurzus a Nemzeti
RészletesebbenAlap fatranszformátorok II
Alap fatranszformátorok II Vágvölgyi Sándor Fülöp Zoltán és Vágvölgyi Sándor [2, 3] közös eredményeit ismertetjük. Fogalmak, jelölések A Σ feletti alaptermek TA = (T Σ, Σ) Σ algebráját tekintjük. Minden
RészletesebbenA logaritmikus legkisebb négyzetek módszerének karakterizációi
A logaritmikus legkisebb négyzetek módszerének karakterizációi Csató László laszlo.csato@uni-corvinus.hu MTA Számítástechnikai és Automatizálási Kutatóintézet (MTA SZTAKI) Operációkutatás és Döntési Rendszerek
RészletesebbenBozóki Sándor február 16. Érzékenységvizsgálat a Promethee módszertanban p. 1/18
Érzékenységvizsgálat a Promethee módszertanban Bozóki Sándor 2011. február 16. Érzékenységvizsgálat a Promethee módszertanban p. 1/18 Vázlat PROMETHEE Parciális érzékenységvizsgálat egy szempontsúly változhat
RészletesebbenAnalitikus hierarchia eljárás. Módszertani alapok, algoritmus és számpélda
Analitikus hierarchia eljárás Módszertani alapok, algoritmus és számpélda Készítette: Dr. Kiss Ferenc 2009. Tartalom Az Analitikus Hierarchia eljárás...3 Alapelvek és a szempontrendszer kialakítása...
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2015. tavasz 1. Diszkrét matematika 2.C szakirány 1. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu Komputeralgebra Tanszék 2015. tavasz Gráfelmélet Diszkrét
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2016. tavasz 1. Diszkrét matematika 2. estis képzés 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
Részletesebben15. LINEÁRIS EGYENLETRENDSZEREK
15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
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
RészletesebbenDiszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 8. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Elemi számelmélet Diszkrét matematika I. középszint
RészletesebbenDinamikus modellek szerkezete, SDG modellek
Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.
RészletesebbenVektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27
Vektorterek Wettl Ferenc 2015. február 17. Wettl Ferenc Vektorterek 2015. február 17. 1 / 27 Tartalom 1 Egyenletrendszerek 2 Algebrai struktúrák 3 Vektortér 4 Bázis, dimenzió 5 Valós mátrixok és egyenletrendszerek
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
RészletesebbenOpponensi vélemény. Farkas András. Közlekedési rendszerek fejlesztése és értékelése többtényezős döntési eljárások felhasználásával
Opponensi vélemény Farkas András Közlekedési rendszerek fejlesztése és értékelése többtényezős döntési eljárások felhasználásával 1. Disszertáció felépítése c. akadémiai doktori értekezéséről Az angol
RészletesebbenAlgoritmuselmélet. Gráfok megadása, szélességi bejárás, összefüggőség, párosítás. Katona Gyula Y.
Algoritmuselmélet Gráfok megadása, szélességi bejárás, összefüggőség, párosítás Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2. előadás
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
RészletesebbenVektorterek. =a gyakorlatokon megoldásra ajánlott
Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. 2018. március 9. 1. Diszkrét matematika 2. 4. előadás Fancsali Szabolcs Levente nudniq@cs.elte.hu www.cs.elte.hu/ nudniq Komputeralgebra Tanszék 2018. március 9. Gráfelmélet Diszkrét
RészletesebbenDiszkrét matematika 1. estis képzés
Diszkrét matematika 1. estis képzés 2019. tavasz 1. Diszkrét matematika 1. estis képzés 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján
RészletesebbenDiszkrét matematika 1. estis képzés. Komputeralgebra Tanszék ősz
Diszkrét matematika 1. estis képzés 2015. ősz 1. Diszkrét matematika 1. estis képzés 6. előadás Mérai László diái alapján Komputeralgebra Tanszék 2015. ősz Elemi számelmélet Diszkrét matematika 1. estis
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
RészletesebbenGazdasági matematika II. tanmenet
Gazdasági matematika II. tanmenet Mádi-Nagy Gergely A hivatkozásokban az alábbi tankönyvekre utalunk: T: Tóth Irén (szerk.): Operációkutatás I., Nemzeti Tankönyvkiadó 1987. Cs: Csernyák László (szerk.):
RészletesebbenAlgoritmuselmélet. Legrövidebb utak, Bellmann-Ford, Dijkstra. Katona Gyula Y.
Algoritmuselmélet Legrövidebb utak, Bellmann-Ford, Dijkstra Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 3. előadás Katona Gyula Y. (BME
Részletesebben2. Visszalépéses stratégia
2. Visszalépéses stratégia A visszalépéses keres rendszer olyan KR, amely globális munkaterülete: út a startcsúcsból az aktuális csúcsba (ezen kívül a még ki nem próbált élek nyilvántartása) keresés szabályai:
RészletesebbenAdatbázisok* tulajdonságai
Gazdasági folyamatok térbeli elemzése 4. előadás 2010. 10. 05. Adatbázisok* tulajdonságai Rendezett, logikailag összefüggő és meghatározott szempont szerint tárolt adatok és/vagy információk halmaza Az
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. ősz 1. Diszkrét matematika 2.C szakirány 2. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
RészletesebbenBevezetés az algebrába 2 Vektor- és mátrixnorma
Bevezetés az algebrába 2 Vektor- és mátrixnorma Wettl Ferenc Algebra Tanszék 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 2016.
Részletesebben26. MINIMÁLIS KÖLTSÉGŰ UTAK MINDEN CSÚCSPÁRRA
26. MINIMÁLIS KÖLTSÉGŰ UTAK MINDEN CSÚCSPÁRRA Az előző két fejezetben tárgyalt feladat általánosításaként a gráfban található összes csúcspárra szeretnénk meghatározni a legkisebb költségű utat. A probléma
RészletesebbenDiszkrét matematika 1. estis képzés
Diszkrét matematika 1. estis képzés 2019. tavasz 1. Diszkrét matematika 1. estis képzés 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján
RészletesebbenHadamard-mátrixok Előadó: Hajnal Péter február 23.
Szimmetrikus kombinatorikus struktúrák MSc hallgatók számára Hadamard-mátrixok Előadó: Hajnal Péter 2012. február 23. 1. Hadamard-mátrixok Ezen az előadáson látásra a blokkrendszerektől független kombinatorikus
RészletesebbenDöntéselőkészítés. I. előadás. Döntéselőkészítés. Előadó: Dr. Égertné dr. Molnár Éva. Informatika Tanszék A 602 szoba
I. előadás Előadó: Dr. Égertné dr. Molnár Éva Informatika Tanszék A 602 szoba Tárggyal kapcsolatos anyagok megtalálhatók: http://www.sze.hu/~egertne Konzultációs idő: (páros tan. hét) csütörtök 10-11 30
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
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 10. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2016. ősz 1. Diszkrét matematika 1. középszint 8. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenEGYSZERŰ, NEM IRÁNYÍTOTT (IRÁNYÍTATLAN) GRÁF
Összefoglaló Gráfok / EGYSZERŰ, NEM IRÁNYÍTOTT (IRÁNYÍTATLAN) GRÁF Adott a G = (V, E) gráf ahol a V a csomópontok, E az élek halmaza E = {(x, y) x, y V, x y (nincs hurokél) és (x, y) = (y, x)) Jelölések:
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
RészletesebbenAnalízis előadás és gyakorlat vázlat
Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 2010-11. I. Félév 2 1. fejezet Számhalmazok és tulajdonságaik 1.1. Nevezetes számhalmazok ➀ a) jelölése: N b)
RészletesebbenMátrixok 2017 Mátrixok
2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4
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
RészletesebbenAdatszerkezetek II. 1. előadás
Adatszerkezetek II. 1. előadás Gráfok A gráf fogalma: Gráf(P,E): P pontok (csúcsok) és E P P élek halmaza Fogalmak: Irányított gráf : (p 1,p 2 ) E-ből nem következik, hogy (p 2,p 1 ) E Irányítatlan gráf
RészletesebbenGráfelmélet. I. Előadás jegyzet (2010.szeptember 9.) 1.A gráf fogalma
Készítette: Laczik Sándor János Gráfelmélet I. Előadás jegyzet (2010.szeptember 9.) 1.A gráf fogalma Definíció: a G=(V,E) párt egyszerű gráfnak nevezzük, (V elemeit a gráf csúcsainak/pontjainak,e elemeit
RészletesebbenExtraktív heteroazeotróp desztilláció: ökologikus elválasztási eljárás nemideális
Ipari Ökológia pp. 17 22. (2015) 3. évfolyam, 1. szám Magyar Ipari Ökológiai Társaság MIPOET 2015 Extraktív heteroazeotróp desztilláció: ökologikus elválasztási eljárás nemideális elegyekre* Tóth András
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenOperációkutatás. Vaik Zsuzsanna. Budapest október 10. First Prev Next Last Go Back Full Screen Close Quit
Operációkutatás Vaik Zsuzsanna Vaik.Zsuzsanna@ymmfk.szie.hu Budapest 200. október 10. Mit tanulunk ma? Szállítási feladat Megoldása Adott: Egy árucikk, T 1, T 2, T,..., T m termelőhely, melyekben rendre
RészletesebbenLineáris algebra gyakorlat
Lineáris algebra gyakorlat 7. gyakorlat Gyakorlatvezet : Bogya Norbert 2012. március 26. Ismétlés Tartalom 1 Ismétlés 2 Koordinátasor 3 Bázistranszformáció és alkalmazásai Vektorrendszer rangja Mátrix
Részletesebben7. Előadás. Megyesi László: Lineáris algebra, oldal. 7. előadás Elemi bázistranszformáció
7. Előadás Megyesi László: Lineáris algebra, 57. 61. oldal. Gondolkodnivalók Bázis, dimenzió 1. Gondolkodnivaló Legyenek a v vektor koordinátái a v 1,..., v n bázisban: (1, α 2,..., α n ). Igazoljuk, hogy
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 10. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenSTATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba
Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum
RészletesebbenAlgoritmizálás, adatmodellezés 1. előadás
Algoritmizálás, adatmodellezés 1. előadás Algoritmus-leíró eszközök Folyamatábra Irányított gráf, amely csomópontokból és őket összekötő élekből áll, egyetlen induló és befejező éle van, az induló élből
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 10. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 2. el adás A hálózatkutatás néhány fontos fogalma El adó: London András 2015. szeptember 15. Átmér l ij a legrövidebb út a hálózatban i és j pont között =
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy
Diszkrét matematika 3. estis képzés 2018. ősz 1. Diszkrét matematika 3. estis képzés 2. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 8. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenAlgoritmuselmélet 7. előadás
Algoritmuselmélet 7. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Március 11. ALGORITMUSELMÉLET 7. ELŐADÁS 1 Múltkori
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 3. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
Részletesebben1/12. 3. gyakorlat. Lineáris Programozási feladatok megoldása szimplex módszerrel. Pécsi Tudományegyetem PTI
/ Operációkutatás. gyakorlat Lineáris Programozási feladatok megoldása szimplex módszerrel Pécsi Tudományegyetem PTI Normál feladatok megoldása szimplex módszerrel / / Normál feladatok megoldása szimplex
RészletesebbenAlgoritmizálás és adatmodellezés tanítása 2. előadás
Algoritmizálás és adatmodellezés tanítása 2. előadás Tartalom Összegzés vektorra, mátrixra Megszámolás vektorra, mátrixra Maximum-kiválasztás vektorra, mátrixra Eldöntés vektorra, mátrixra Kiválasztás
RészletesebbenDiszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 5. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Számfogalom bővítése Diszkrét matematika I. középszint
RészletesebbenHeurisztikák BitTorrent hálózatok max-min méltányos sávszélesség-kiosztására
Heurisztikák BitTorrent hálózatok max-min méltányos sávszélesség-kiosztására Dobjánné Antal Elvira és Vinkó Tamás Pallasz Athéné Egyetem, GAMF M szaki és Informatikai Kar Szegedi Tudományegyetem, Informatikai
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2015. ősz 1. Diszkrét matematika 2.C szakirány 3. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2015.
RészletesebbenA szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
RészletesebbenSaj at ert ek-probl em ak febru ar 26.
Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre
Részletesebben4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI
4. Fuzzy relációk Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Klasszikus relációk Halmazok Descartes-szorzata Relációk 2 Fuzzy relációk Fuzzy relációk véges alaphalmazok
RészletesebbenSzámítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések
BLSZM-09 p. 1/17 Számítógépes döntéstámogatás Döntések fuzzy környezetben Közelítő következtetések Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
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
Részletesebben22. GRÁFOK ÁBRÁZOLÁSA
22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is
Részletesebbenő ü ó ő ü ó ó ő ó ű ő ő ű ú ő ó ő ő ó ó ő ó ő ő ó ő ő ó ő ó ő ú ú ó ó ő ú ű ú ű ő ú ú ó ó ó ó ó ó ő ó ó Í ó ó ő ó ó ő ő ű ú ű ú ó ó ű ú ó ő ő ü ó ó ó ő ü ó ő ő ő ő ú ó ő ü ő ü ú ó ő ü ÍÍ ú ú ő ó ő ó ü
RészletesebbenÜtemezési modellek. Az ütemezési problémák osztályozása
Ütemezési modellek Az ütemezési problémák osztályozása Az ütemezési problémákban adott m darab gép és n számú munka, amelyeket az 1,..., n számokkal fogunk sorszámozni. A feladat az, hogy ütemezzük az
RészletesebbenHatékonyság 1. előadás
Hatékonyság 1. előadás Mi a hatékonyság Bevezetés A hatékonyság helye a programkészítés folyamatában: csak HELYES programra Erőforrásigény: a felhasználó és a fejlesztő szempontjából A hatékonyság mérése
RészletesebbenIdõ-ütemterv há lók - I. t 5 4
lõadás:folia.doc Idõ-ütemterv há lók - I. t s v u PRT time/cost : ( Program valuation & Review Technique ) ( Program Értékelõ és Áttekintõ Technika ) semény-csomópontú, valószínûségi változókkal dolgozó
Részletesebbenn m db. szám a i R Lehet a k, vagy a α. i, α szabad index a ij két indexű mennyiség (i sor index, j oszlop index) a ib j
a R 1 db. szám a 1, a 2,..., a n {a i} i=1,n a i R Lehet a k, vagy a α. i, α szabad index a 11 a 12... a 1m a 21 a 22... a 2m........ a n1 a n2... a nm {a ij} i=1,n,j=1,m R a ij két indexű mennyiség (i
Részletesebben5. Előadás. (5. előadás) Mátrixegyenlet, Mátrix inverze március 6. 1 / 39
5. Előadás (5. előadás) Mátrixegyenlet, Mátrix inverze 2019. március 6. 1 / 39 AX = B (5. előadás) Mátrixegyenlet, Mátrix inverze 2019. március 6. 2 / 39 AX = B Probléma. Legyen A (m n)-es és B (m l)-es
Részletesebben12. előadás. Egyenletrendszerek, mátrixok. Dr. Szörényi Miklós, Dr. Kallós Gábor
12. előadás Egyenletrendszerek, mátrixok Dr. Szörényi Miklós, Dr. Kallós Gábor 2015 2016 1 Tartalom Matematikai alapok Vektorok és mátrixok megadása Tömbkonstansok Lineáris műveletek Mátrixok szorzása
RészletesebbenPrincipal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
Részletesebben6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió
6. Előadás Megyesi László: Lineáris algebra, 37. 41. oldal. Gondolkodnivalók Lineáris függetlenség 1. Gondolkodnivaló Legyen V valós számtest feletti vektortér. Igazolja, hogy ha a v 1, v 2,..., v n V
Részletesebben