Budapesti Műszaki Egyetem Villamosmérnöki kar Műszaki informatika szak Kommunikációs hálózatok szakirány V. évf., 9. félév
|
|
- Emil Kocsis
- 6 évvel ezelőtt
- Látták:
Átírás
1 Budapest Műszak Egyetem Vllamosmérnök kar Műszak nformatka szak Kommunkácós hálózatok szakrány V. évf., 9. félév Izsó Tamás Híradástechnka tanszék 2003
2 n. sznt Rendszer Szakaszolás Csoportosítás n+1. sznt Rendszer Szakaszolás Csoportosítás n+2. sznt Rendszer
3 topológa tervezés elvezetéstervezés nyalábolás elhelyezés szakaszolás hozzárendelés berendezéstervezés
4 Topológa tervezés: a fzka réteg gráfjának megtervezése a klens gényréteg smeretében. Elvezetés tervezés: klens gény elvezetés nyomvonalának meghatározása több réteggel lentebb (gyakran a legalsó fzka) réteg gráfján. Nyalábolás: k szntű azonos nyomvonal szakaszokon haladó gények koncentrálása a nagyobb sávszélességű k+1-edk szntű összeköttetésekbe.
5 Elhelyezés: a k. rétegbel klens gények számára a k+1. rétegbel szakaszpontok lehetséges helyének meghatározása. Szakaszolás: egy adott k. rétegben értelmezett klens gény elvezetés nyomvonalának meghatározása a k+1. rétegbel szerver réteg gráfján, az adott rétegre vonatkozó útvonalképzés vagy -választás szabályok fgyelembevételével.
6 Hozzárendelés egy adott k. rétegben értelmezett klens gény hozzárendelése a jellegzetesen k+1. szerver réteg kapcsolatának meghatározott pozícójához. Berendezéstervezés: k. rétegbel kapcsolat hozzárendelése egy csomópont berendezés létező vagy új portjához, ha szükséges akkor egy új berendezés létrehozása.
7 Forrás: Üzemeltető adatbázs (nyílvántartó rendszer) (rendszerek, kábelek, szálak, alépítmények ) Network management nformácók Formátum: SQL adatbázs táblák, ASCII fájl, Excel formátum, XML Szabvány: ITU M1400
8 Hálózat leírás Gráfok Transzformált gráf Algortmus belső adatszerkezete (adatbázs relácók) (matematka gráf, él és csomópont attrbutumokkal) (tszta gráf élek, csomópontok hozzáadásával, törlésével) (LP megoldás számára egyenletek, mátrxok)
9 elvezetéstervezés nyalábolás és hozzárendelés rétegrőlrétegre berendezéstervezés
10 lehetséges szakaszpontok elhelyezése rétegenként, szakaszolás és hozzárendelés rétegrőlrétegre, berendezéstervezés
11 Műszak alapprobléma kérdése: mlyen hálózat nfrastruktúrán mlyen elvezetés nyomvonalakat Probléma jellege: távlat tervezés (meglévő hálózat fgyelembevételével) nem részletes modellezés közelítő módszerek (hálózat bővíthetőség)
12 Egyszerűsítő feltételek: egyutas elvezetés (mmmál) lneárs költségfüggvény Knduló adatok: gények megengedett legbővebb gráf költségjellemzők
13 Adott a legbővebb gráf G ( V, A) x c l V { 1, m} csomópontok A { 1, n}élek edk élen átfolyó folyam költségfüggvény - edk él hossza Elvezetés mnmáls költségű úton Feladat: mn cx c x
14 Költségmodell 1 c 2 c 3 c 4 c x l c x c l c c x c l c c f 2 1 l c c m 4 3 x l c c l c c
15 kmerítő kereséssel branch & bound technkával szmulált lehűtéssel lneárs programozással
16 Kndulás a teljes gráfból. Az élek elhagyásával kapjuk az alproblémákat. Alsó becslés Fx költségre : mnmáls kfeszítőfa Margnáls költségre: mnmálutas elvezetés Ígéretesség F I F M
17 mnmálút éleből hagyunk el egyet, nő az M mnmáls kfeszítőfából hagyunk el egy élt, nő az F
18 (30/3) (30/3) (20/2) (20/2) (20/2) (30/3) (30/3) (20/2) (20/2) (30/3) költségek gények M F
19 Alproblémák generálása egy él elhagyásával (branch). Költség és ígéretesség (becslés) kszámítása. Legjobb költségnél rosszabb ígéretességű alproblémák elhagyása. Leállás, ha nncs több él elhagyásával származtatható gráf, melyen mnden gény elvezethető.
20 Lassú Egyutas elvezetés - megbízhatóság szempontból rossz.
21 n élt tartalmazó gráfból előállítjuk az összes n-1 élt tartalmazó gráfot. Ha már nncs megoldás, akkor vége az algortmusnak. A becslés után csak a legígéretesebbet tartjuk meg. Vsszalépés 1-re.
22 n élet tartalmazó gráfból előállítjuk az összes n-1 élet tartalmazó gráfot. Ha már nncs megoldás, akkor vége az algortmusnak. A becslés után csak a legjobb költségűt tartjuk meg. Vsszalépés 1-re.
23 Cél: mnden pontpár elérhető legyen mnmum két pontfüggetlen úton. Megoldás: mnden gényt két úton vezetünk el.
24 Suurballe algortmus Beágyazott algortmus: rányított gráfot kezelő Djkstra algortmus. Két út előállítása gráf költség, és gráf transzformácók segítségével
25 Adott a G(V,A) gráf, és a c(a) élköltség. 1. G rányítatlan gráfra a mnmál út előállítása Djkstra algortmus segítségével 2. Élek költségének a transzformálása c (,j)=c(,j)+d()-d(j) ahol d(j) a kndulás pontból a j pont legrövdebb távolsága 3. Gráf rányítottá tétele 4. Mnmálúton a kezdő és végpont kvételével mnden csomópont kettőzése v->va,vb
26 5. Élek duplkálása (következő ábra) 6. Mnmálút keresés a módosított gráfon 7. Duplkált pontok megszüntetése 8. A két úton lévő közös élek törlése 9. Két út elkészítése a meglévő élek alapján
27 2. mnmál út 1. Mnmál út
28
29 célfüggvény korlát Ha f konvex g konkáv h lneárs, akkor konvex feladatról beszélünk. Lehetséges megoldások halmazát F-el jelöljük. x f p j x h m x g j 1 0 ) ( 1 0 ) (
30 probléma megadása (F,c) szomszédosság függvény: N : F 2 F követelmény: q N( q) akkor q N( q) egzakt szomszéd : összes lokáls mnmum (maxmum) pont szomszédos
31 pl. utazóügynök probléma kétcserés szomszédos állapotra
32 Mélység keresés Szélesség keresés
33 Branch F-et egyszerűbb alproblémákra bontjuk (változók megkötésével), és az alproblémákra egyenként végezzük el az optmum keresését. Bound Megpróbálunk az egyes alproblémákra hatékony alsó becslést b(f) adn. Az eddg legjobb megoldásnál rosszabb becslés értékkel rendelkező alproblémákat el kell hagyn.
34 1 Aktív alprobléma F kválasztása 2Az F alproblémának nncs megoldása, akkor az töröljük, különben b(f) kszámítása. 3 b(f) rosszabb, mnt az eddg megtalált legjobb megoldás -, akkor az alproblémát töröln kell. 4 b(f) jobb (még) Ha a költsége jobb mnt az eddg megtalált legjobb megoldás, akkor ez lesz az eddg talált legjobb megoldás. Alproblémák készítése, vsszalépés lépés 1-re
35 Adott: F, c, N (mnmalzálás). 1Tetszőleges kezdet állapot q 0, =0. 2 Szomszédos állapotok közül egyenlő valószínűséggel választunk egyet. q' N(q ) 3Ha c(q')c(q ), akkor q +1 =q' különben q +1 =q. 4 =+1. Leállás, ha egy adott lépésszám alatt nem találtunk jobb megoldást, vagy a maxmáls terácó számát túlléptük. Hátrány: lokáls optmumba ragad.
36 Módszer működése: A hegymászó módszerre hasonlít, de a szomszédos állapotok közül mndg a legjobb költségűt választja k. Hátránya: ha a szomszédos állapotok számossága nagy, akkor a legjobb állapot kválasztásával lassú lokáls mnmumba ragadhat.
37 Folytonos optmalzálás feladatoknál, ha a c célfüggvény dfferencálható, akkor a gradens rányába lévő szomszédos állapotokon keresztül érhetjük el a lokáls optmumot. Így nem kell az összes szomszédos állapotot kértékeln. Hátránya: lokáls optmumba ragadhat.
38 A megengedett megoldások (xf) halmazából véletlenszerűen generálunk n- et, és ezek közül kválasztjuk a legjobbat. Hátránya, hogy nem használja k a lokáls optmumot. A véletlen keresésnél nem kell szomszédos állapotokat defnáln.
39 Az algortmus tulajdonsága: A keresést véletlenszerűen kválasztott helyről ndítjuk. A választható szomszédos átmenetek közül mndg a legjobb költségűt választjuk k. A már kválasztott állapotátlépéseket kzárjuk. Ezzel próbálunk kjutn a lokáls optmumból.
40 F megengedett állapotok c(q): q F célfüggvény N(q) F szomszédos állapotok T(q)N(q) tabu (tltott állapotok) halmaz A(q)T(q) aspráns halmaz
41 k=0;kezdet állapot q 0 F; T(s) üres, legjobb állapot q 0 Whle nncs vége do 1N(q k ), T(q k ), A(q k ) kértékelése 2 q k+1 (N(q k )-T(q k )) A(q k )) kválasztása, ahol c(q k+1 ) a legjobb szomszédos állapot. 3 Ha a q k+1 állapot jobb, mnt az eddg legjobb, akkor ez a legjobb állapot. 4 T(q), A(q) halmaz frssítése End
42 Idő alapú szabály (Recency-Memory) Időbélyeg - Tme(x) = 0, ha még az x megoldást nem néztük meg, különben az utolsó látogatás deje (terácó száma) x = argmn{tme(x ) : x N(x )} Gyakorság alapú szabály (Frequency-Memory) Frequency(x) = 0 mnden még nem bejárt x megoldásra, különben mnden egyes használatkor növeljük eggyel. x = argmn{frequency(x ) : x N(x )}
43 Hatékony módszer, de a ktltott állapotok mentése sok memórát gényel, és ezek kkeresése dőgényes. Problémafüggő változók: szomszédosság tltott állapotok aspráns halmaz
44 Feladat: cx Ax t x b(f) kszámítása lneárs programozás relaxácóval n
45 Alproblémák előállítása mn cx Ax t n x megoldás x * mn cx Ax t x x * mn cx Ax t x x * 1
46 Feladat: x 1 x x x x x Z 1 n x x x 2 2 2
47 x 2 4 x 1 =(1.5, 2.5) b(f 1 )= x 2 =(0.75, 2) b(f 2 )=-3.25 x 1 x 3 =(0.0,1.5) b(f 3 )= x 2 x 4 x 4 =(1.0,2.0) b(f 3 )=-3.0 x x 1
48 S A Krkpatrck - krstályosodás vzsgálata atomok elrendeződése a krstályosodás folyamatában nagy energájú atomok az energamnmumra való törekvés ellenébe s hathatnak ks energájú részecske már csak a lokáls helyen a legkedvezőbb állapot betöltésére törekszk
49 SA lassú lehűtés: szabályos krstályszerkezet kalakítása globáls energamnmum gyors lehűtés: metastabl állapot lokáls energamnmum részecskék energaállapotát a Maxwell - Boltzmann eloszlás adja meg
50 SA jobb állapotokat elfogadjuk rosszabb állapotokat csak p = p(t,c) valószínűséggel fogadjuk el p valószínűség: az terácó előrehaladtával csökken (T) a kedvezőtlenebb megoldásoknak ksebb a valószínűsége (c)
51 Mnmalzálás 1 Kezdet ncalzálás T 0 kezdet hőmérséklet megválasztása q 0 knduló megoldás választás =0 lépésszám ncalzálása 2 q' N(q ) megoldás előállítása
52 3 Ha c(q') > c(q ) akkor q q p q q T q c q c p 1 1 valósznűséggel 1 valósznűséggel ) ( ) ( exp egyébként q +1 =q ' 4 Vége, ha a megoldás konvergált vagy elértük a maxmáls terácószámot 5 T +1 = f(t ); =+1; goto 2
53 SA mnden állapotból véges számú lépésben el lehet jutn egy másk tetszőleges állapotba szomszédos megoldások közül egyenlő valószínűséggel választunk szomszédosság függvény szmmetrkus
54 SA krtkus paraméter a T 0, és a lehűtés sebessége T változása f lehet: geometra logartmkus lneárs a f f geo T N ( ) T0 ( ) 0 T T ) 1 log( ) 0 log( f ln ( ) T 0 1 N N
55 Nyalábolás nyomvonal PÁLYA Csorna Komárom Almásfüzítő Tatabánya Aszód Vámosgyörk Kál - Kápolna Füzesabony Győr Bp/Kelet Hatvan Sopron Eger VONAT KOCSI Szombathelyről Salgótarjánba UTAS
56 A rendszer szakasza, más rendszer szakaszaval azonos nyomvonalon helyezkedjen el. A szakaszok azonos struktúrákon (azonos gyűrűn vagy szövevényen) haladjanak keresztül. A struktúraváltás azonos csomópontokban történjen. A rendszereket a nyalábolás szabály alapján egy rendszerbe lehessen összetenn.
57 Magasabb fokszámú pont (vágás pont) Nem vágás pont
58 szakaszok rendszer vágás pont kvétele vágás pont betétele szakasz rendszer
59 Knduló állapotban mnden egy szakaszon kerül elvezetésre. Csak azokat az összeköttetéseket kell optmalzáln, amely túlcsordul a modulméreten.
60 Kezdet ncalzálás kezdet hőmérséklet megválasztása mnden rendszert egy szakaszon valósítunk meg, és nyalábolunk össze = 0 lépésszám ncalzálása Nyalábolható rendszerek és vágás pontok bejelölése. Egyenletes valósznűséggel egy rendszer kválasztása. Új vágás pont betétele vagy kvétele. Új állapot költségének a kszámítás Döntés az új állapot elfogadásáról. Ha a megoldás konvergált vagy elértük a maxmáls terácószámot vége 1 T f ( T ), 1, goto 2
61 fx költség rendszerek számával arányos költség rendszerek hosszával arányos költség társrendszerek hasonló vágásának a költsége (jutalmazása) Ktöltöttség költség
62 darabszám/ hossz 3/9 7/7. réteg +1. réteg
63 Szomszédos állapotátmenetek Egy él elhagyása Egy él betétele 1 valószínűség élbeszúrás éltörlés 0 0 N-1 élek száma
64
65 Élcsere: Szomszédos állapotokat előállító műveletek valószínűsége
66
67 Műszak probléma: Pl. Igény elvezetése a szabad helyek felhasználásával Kétutas elvezetés bztosítása VC12-es gények elveztése VC4S szabad pozícókban Függetlenség bztosítása a topológa gráfon
68 VC4S gráf
69 Rng 1 Rng 2 Mesh Struktúránként egy-egy önálló gráfot készítünk A különálló gráfokat a HUB pontokban kötjük össze
70 Suurballe algortmus kerjesztése Hatékony megoldás Tovább szempontok fgyelembe vétele nem lehetséges. Lneárs programozás feladatként Nem hatékony Könnyen megadhatunk tovább megkötéseket s.
71 Feladat formalzálása: z z A mn-es mátrx c költségvektor 1n-es sorvektor b korlát, m1-es oszlopvektor 1 2 x x n n
72 0, max x x x x x x x x x 1 x c x x x x x x
73 költsége él ) (, az egyébként 0 folyam a gráfélt használja ) (, az ha 1, változó f élek halmaza csomópontok halmaza gráf ), ( j A j N j c A j N j A N A N G j Adatok:
74 mnmalzálandó költség mn 0 kapactáskorlát ), ( 0 folyammegmaradás ), ( ) ( ) ( j A j j N j j I j j O j j f c b A j u f N b f f
75 b 1 =1 c 13 =5 1 3 c 12 =1 c 34 =1 2 4 c 24 =1 c 35 =1 c 45 =1 5 b 5 =1 f 12 f 12 f 13 f 13 f 24 f 24 f 34 f 35 f 35 f 45 f
76 0 egyébként potban van az gény végpontja az f 1ha potban van az gény forrása az f 1ha b mátx csomópont lleszkedés az él a ahol V V f f f f f f A b f A sorok lneársan nem függetlenek
77 0,1 1 Egy pontot csak egy folyam érnthet 1 1 }, { 100 }, { 100 Indkátorváltozók bevezetése, ) ( ) ( ) ( ) ( 2 1 O I y O I x y x V h g V h g t s V h y t s V g x b y A b x A
78 lp_solve ftp://ftp.cs.ele.tue.nl/pub/lp_solve/ fő adatszerkezet : lprec *lp; adatszerkezet létrehozása: lp = make_lp(0, row_sze ); r1 == r2 ha abs(r1-r2) < eps lp->epslon = eps; egy sor megszorítás megadása: add_constrant(lp, row, EQ, rh );
79 költség megadása probléma típusa set_obj_fn(lp, row1); set_mnm(lp); megoldás solve(lp) élek száma élek száma élek száma élek száma csp. száma-2 csp. száma-2 x=(a,b)a x=(b,a)a y = (a,b) A y = (b,a) A g h
80 double* row1, *row2; double rh = 0.0; bool ret=false; nt, k; const double eps = 0.05; const nt max_n_out_num = 10; *nroute1 = *nroute2 = 0; *route1 = NULL; *route2 = NULL; nt row_sze = 4*nedges+2*nnodes-4; f( row_sze == 0 ) return false; row1 = (double*) malloc( (row_sze+1)* szeof(double) ); row2 = (double*) malloc( (row_sze+1)* szeof(double) ); lprec *lp; lp = make_lp(0, row_sze ); lp->epslon = eps;
81 for( = 0; <nnodes; ++ ) { Fll( row1, row1+row_sze+1, 0.0 ); // tömb nullázása Fll( row2, row2+row_sze+1, 0.0 ); for(k=0; k<nedges; k++ ) { nt x1 = edges[k].from ; nt x2 = edges[k].to ; f( x1 == ) { row1[k+1] = 1.0; row1[k+nedges+1]=-1.0; row2[k+2*nedges+1] = 1.0; row2[k+3*nedges+1]=-1.0; } f( x2 == ) { row1[k+1] = -1.0; row1[k+nedges+1]=1.0; row2[k+2*nedges+1] = -1.0; row2[k+3*nedges+1]=1.0; } } rh = 0.0; f( == from ) rh = 1.0; else f( == to ) rh = -1.0; add_constrant(lp, row1, EQ, rh ); add_constrant(lp, row2, EQ, rh ); }
82 nt dx; for( dx==0; <nnodes; ++ ) { // A kezdo és végpontokat nem szabad ktltan! f( == from == to ) contnue; Fll( row1, row1+row_sze+1, 0.0 ); Fll( row2, row2+row_sze+1, 0.0 ); for(k=0; k<nedges; k++ ){ f( Adjancent( k, ) ) { row1[k+1] = row1[k+nedges+1] = 1.0; row2[k+2*nedges+1] = row2[k+3*nedges+1] = 1.0; } } row1[ 4*nedges + dx +1 ] = -max_n_out_num; add_constrant(lp, row1, LE, 0.0 ); row2[ 4*nedges + dx + nnodes-2 +1 ] = -max_n_out_num; add_constrant(lp, row2, LE, 0.0 ); dx++; }
83 for(dx==0; <nnodes; ++ ) { f( == from == to ) contnue; } Fll( row1, row1+row_sze+1, 0.0 ); row1[ 4*nedges + dx +1] = 1.0; row1[ 4*nedges + nnodes-2 + dx +1] = 1.0; add_constrant(lp, row1, LE, ); dx++;
84 for(=1; <=row_sze; ++ ) set_nt(lp,, TRUE ); Fll(row1, row1+row_sze+1, 0.0 ); for(=1; <=4*nedges; ++ )row1[]= edges[(-1)%nedges ].len; set_obj_fn(lp, row1); set_mnm(lp); f( OPTIMAL == solve(lp) ) { for( =0; <nedges; ++ ) { f(fabs(lp->best_soluton[lp->rows++1]-1.0)<2*eps fabs(lp->best_soluton[lp->rows++nedges+1]-1.0) < 2*eps ) AddRoute(, route1, nroute1 ); f(fabs(lp->best_soluton[lp->rows++2*nedges+1]-1.0) < 2*eps fabs(lp->best_soluton[lp->rows++3*nedges+1]-1.0) < 2*eps ) AddRoute(, route2, nroute2 ); } ret = 1; } else ret = 0; delete_lp(lp);
85 gráfél topológa pont VC4S lnk Csomópont függetlenséget a topológa gráfon kell vzsgáln. A programot a -tel jelölt helyeken kell módosítan.
Méréselmélet: 5. előadás,
5. Modellllesztés (folyt.) Méréselmélet: 5. előadás, 03.03.3. Út az adaptív elárásokhoz: (85) és (88) alapán: W P, ( ( P). Ez utóbb mndkét oldalát megszorozva az mátrxszal: W W ( ( n ). (9) Feltételezve,
Integrált rendszerek n é v; dátum
Integrált rendszerek n é v; dátum.) Az dentfkálás (folyamatdentfkácó) a.) elsődleges feladata absztrahált leírás fzka modell formában b.) legfőbb feladata a struktúradentfkálás (modellszerkezet felállítása)
1.5.1 Büntető-függvényes módszerek: SUMT, belső, külső büntetőfüggvény
.5 Első derváltat génylő módszerek Az első derváltat génylő módszerek (elsőrendű módszerek, melyek felhasználák a gradens nformácókat, általában hatékonyabbak, mnt a nulladrendű módszerek. Ennek az az
3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés, alakzatrekonstrukcó, nyomtatás 17. 3D Szegmentálás http://cg.t.bme.hu/portal/node/312 https://www.vk.bme.hu/kepzes/targyak/viiiav54 Dr. Várady Tamás, Dr. Salv Péter BME, Vllamosmérnök
Régió alapú szegmentálás. Digitális képelemzés alapvető algoritmusai. 2. példa: Elfogadható eredmények. 1. példa: Jó eredmények. Csetverikov Dmitrij
Régó alapú szegmentálás Dgtáls képelemzés alapvető algortmusa Csetverkov Dmtrj Eötvös Lóránd Egyetem, Budapest csetverkov@sztak.hu http://vson.sztak.hu Informatka Kar 1 Küszöbölés példá és elemzése Küszöbölés
Véletlenszám generátorok. 6. előadás
Véletlenszám generátorok 6. előadás Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes
Algoritmusok és adatszerkezetek gyakorlat 09 Rendezések
Algortmusok és adatszerkezetek gyakorlat 09 Rendezések Néhány órával ezelőtt megsmerkedtünk már a Merge Sort rendező algortmussal. A Merge Sort-ról tuduk, hogy a legrosszabb eset dőgénye O(n log n). Tetszőleges
I. A közlekedési hálózatok jellemzői II. A közlekedési szükségletek jellemzői III. Analitikus forgalom-előrebecslési modell
Budapest Műszak és Gazdaságtudomány Egyetem Közlekedésmérnök és Járműmérnök Kar Közlekedésüzem Tanszék HÁLÓZATTERVEZÉSI MESTERISKOLA BEVEZETÉS A KÖZLEKEDÉS MODELLEZÉSI FOLYAMATÁBA Dr. Csszár Csaba egyetem
3D-s számítógépes geometria
3D-s számítógépes geometra 11. 3D szegmentálás http://cg.t.bme.hu/portal/node/31 https://www.vk.bme.hu/kepzes/targyak/viiiav01 Dr. Várady Tamás BME, Vllamosmérnök és Informatka Kar Irányítástechnka és
Algoritmusok és adatszerkezetek I. 10. előadás
Algortmusok és adatszerkezetek I. 10. előadás Dnamkus programozás Feladat: Adott P 1,P 2, P n pénzjegyekkel kfzethető-e F fornt? Megoldás: Tegyük fel, hogy F P P... P... m! 1 2 m 1 Ekkor F P P P P......,
Kvantum-tömörítés II.
LOGO Kvantum-tömörítés II. Gyöngyös László BME Vllamosmérnök és Informatka Kar A kvantumcsatorna kapactása Kommunkácó kvantumbtekkel Klasszkus btek előnye Könnyű kezelhetőség Stabl kommunkácó Dszkrét értékek
Egyszerű algoritmusok
Egyszerű algortmusok Tartalomjegyzék Összegzés...2 Maxmum kválasztás...3 Mnmum kválasztás...4 Megszámlálás...5 Eldöntés...6 Eldöntés - wle...8 Lneárs keresés...10 Készítette: Gál Tamás Creatve Commons
4 Approximációs algoritmusok szorzatalakú hálózatok esetén
4 Approxmácós algortmusok szorzatalakú hálózatok esetén Az MVA-n alapuló approxmácó (Bard-Schwetzer-módszer): Beérkezés tétel: T () = 1 µ [1+ ( 1) ], =1,...,N Iterácó a következő approxmácó használatával:
3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés, alakzatrekonstrukcó, nyomtatás b Háromszöghálók - algortmusok http://cgtbmehu/portal/node/3 https://wwwvkbmehu/kepzes/targyak/viiiav54 Dr Várady Tamás, Dr Salv Péter BME, Vllamosmérnök
Az entrópia statisztikus értelmezése
Az entrópa statsztkus értelmezése A tapasztalat azt mutatja hogy annak ellenére hogy egy gáz molekulá egyed mozgást végeznek vselkedésükben mégs szabályszerűségek vannak. Statsztka jellegű vselkedés szabályok
Regresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
Adatelemzés és adatbányászat MSc
Adatelemzés és adatbányászat MSc. téma Adatelemzés, statsztka elemek áttekntése Adatelemzés módszertana probléma felvetés módszer, adatok meghatározása nyers adatok adatforrás meghatározása adat tsztítás
Statisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.
Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan
Adatsorok jellegadó értékei
Adatsorok jellegadó értéke Varga Ágnes egyetem tanársegéd varga.ag14@gmal.com Terület és térnformatka kvanttatív elemzés módszerek BCE Geo Intézet Terület elemzés forgatókönyve vacsora hasonlat Terület
A multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege
A multkrtérumos elemzés célja, alkalmazás területe, adat-transzformácós eljárások, az osztályozás eljárások lényege Cél: tervváltozatok, objektumok értékelése (helyzetértékelés), döntéshozatal segítése
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Mskolc Egyetem Gépészmérnök és Informatka Kar Informatka Intézet Alkalmazott Informatka Intézet Tanszék 2017/18 2. félév 4. Előadás Dr. Kulcsár Gyula egyetem docens EFFS Prod Sch termelésprogramozó szoftver
Hipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
Döntéstámogató módszerek segédlet
Döntéstámogató módszerek segédlet. Jelölések és defnícók.... Út, vágás egy rányított élhalmazban... 4. Maxmáls út mnmáls potencál... 7 4. Mnmáls út maxmáls potencál... 5. Maxmáls folyam mnmáls vágás...
EM algoritmus. A feladat: egy valószínűség eloszlás valmilyen paraméterét(vektorát) akarjuk becsülni részlegesen megfigyelhető.
Szegmentálás Szegmentálás Hsztogram alapján, paraméteres hsztogram modell, EM algortmus Pontokra egyenes, lletve előre defnált alakú görbe llesztés, Hough transzformácó Modell alapú szegmentálás, ASM (AAM)
Valószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
Forgácsolási paraméterek mûvelet szintû optimalizálása
Gépgyártástechnológa 2000/3, pp. 9 15. Forgácsolás paraméterek mûvelet szntû optmalzálása Mkó Balázs 1 - Szánta Mhály 2 - Dr Szegh Imre 3 1 - udományos segédmunkatárs, 2 - Egyetem hallgató, 3 Egyetem docens
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
Töréskép optimalizálás Elmélet, megvalósítás, alkalmazás
Elmélet, megvalósítás, alkalmazás Készítették: Borbély Dánel Szerkezet-építőmérnök Msc hallgató Borbély Gábor Alkalmazott matematka Msc hallgató Koppány Zoltán Földmérő- és Térnformatka mérnök Msc hallgató
ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
Makroszkopikus emisszió modell validálása és irányítási célfüggvényként való alkalmazásának vizsgálata
Maroszopus emsszó modell valdálása és rányítás célfüggvényént való alalmazásána vzsgálata Csós Alfréd Témavezető: Varga István Közleedés és járműrányítás worshop BME 2011 ISBN 978-963-420-975-1 Bevezetés
s n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
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
Eseményvezérelt szimuláció
Hálózat szmulácós technkák (BMEVITTD094/2005) október 3. Vdács Attla Dang Dnh Trang Távközlés és Médanformatka Tanszék Budapest Mszak és Gazdaságtudomány Egyetem Eseményvezérelt szmulácó DES Dscrete-Event
Support Vector Machines
Support Vector Machnes Ormánd Róbert MA-SZE Mest. Int. Kutatócsoport 2009. február 17. Előadás vázlata Rövd bevezetés a gép tanulásba Bevezetés az SVM tanuló módszerbe Alapötlet Nem szeparálható eset Kernel
A Vonallánc készlet parancsai lehetővé teszik vonalláncok és sokszögek rajzolását.
11. Geometriai elemek 883 11.3. Vonallánc A Vonallánc készlet parancsai lehetővé teszik vonalláncok és sokszögek rajzolását. A vonallánc egy olyan alapelem, amely szakaszok láncolatából áll. A sokszög
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
Algoritmusok és adatszerkezetek II.
Algoritmusok és adatszerkezetek II. Horváth Gyula Szegedi Tudományegyetem Természettudományi és Informatikai Kar horvath@inf.u-szeged.hu 6. Ugrólista (Skiplist) Definíció. Olyan adatszerkezet, amelyre
Algoritmuselmélet. 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
Gyártórendszerek modellezése: MILP modell PNS feladatokhoz
Gyártórendszerek modellezése MILP modell PNS feladatokhoz 1 Pannon Egyetem M szaki Informatikai Kar Számítástudomány Alkalmazása Tanszék Utolsó frissítés: 2008. november 16. 1 hegyhati@dcs.uni-pannon.hu
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
Hálózati 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
10. Alakzatok és minták detektálása
0. Alakzatok és mnták detektálása Kató Zoltán Képfeldolgozás és Számítógépes Grafka tanszék SZTE http://www.nf.u-szeged.hu/~kato/teachng/ 2 Hough transzformácó Éldetektálás során csak élpontok halmazát
Algoritmuselmélet. 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
DÖNTÉSTÁMOGATÓ MÓDSZEREK segédlet I. rész
DÖNTÉSTÁMOGATÓ MÓDSZEREK segédlet I. rész DÖNTÉSTÁMOGATÓ MÓDSZEREK.... Jelölések és defnícók.... Út, vágás egy rányított élhalmazban... 4. Maxmáls út mnmáls potencál... 7 4. Mnmáls út maxmáls potencál...
OAF Gregorics Tibor: Minta dokumentáció a 4. házi feladathoz 1. Feladat. Megoldás
OAF Gregorcs Tbor: Mnta dokumentácó a 4. ház feladathoz 1. Feladat Adott egy szöveges fájlbel szöveg, ahol a szavakat szóközök, tabulátor-jelek, sorvége-jelek lletve a fájlvége-jel határolja. Melyk a leghosszabb
Problémamegoldás 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
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.
Periodikus figyelésű készletezési modell megoldása általános feltételek mellett
Tanulmánytár Ellátás/elosztás logsztka BME OMIKK LOGISZTIKA 9. k. 4. sz. 2004. júlus augusztus. p. 47 52. Tanulmánytár Ellátás/elosztás logsztka Perodkus fgyelésű készletezés modell megoldása általános
Lineáris regresszió. Statisztika I., 4. alkalom
Lneárs regresszó Statsztka I., 4. alkalom Lneárs regresszó Ha két folytonos változó lneárs kapcsolatban van egymással, akkor az egyk segítségével elıre jelezhetjük a másk értékét. Szükségünk van a függı
Relációk. Vázlat. Példák direkt szorzatra
8.. 7. elácók elácó matematka fogalma zükséges fogalom: drekt szorzat Halmazok Descartes drekt szorzata: Legenek D D D n adott doman halmazok. D D D n : = { d d d n d k D k k n } A drekt szorzat tehát
A korlátozás programozás alapjai
A korlátozás programozás alapa Kovács András akovacs@mt.bme.hu Bevezetés Ez a segédlet a Mesterséges Intellgenca Labor c. tárgyat felvett hallgatókhoz szól, és feltételez a logka programozás elmélet alapanak,
Vázlat. Relációk. Példák direkt szorzatra
7..9. Vázlat elácók a. elácó fogalma b. Tulajdonsága: refleív szmmetrkus/antszmmetrkus tranztív c. Ekvvalenca relácók rzleges/parcáls rrendez relácók felsmere d. elácók reprezentálása elácó matematka fogalma
Digitális Domborzat Modellek (DTM)
Dgtáls Domborzat Modellek (DTM) DTM fogalma A földfelszín számítógéppel kezelhető topográfa modellje Cél: tetszőleges pontban magasság érték nterpolálása a rendelkezésre álló támpontok alapján Interpolácós
Összefoglalás és gyakorlás
Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)
Min. , ha =, , ha = 0 egyébként. Forrás és cél csp-ra vonatkozó kényszerek Köztes csp-ra vonatozó, folyammegmaradási kényszer
Hálózatok tervezése VITMM215 Maliosz Markosz 2012 12.10.1.10.15. Módszerek, algoritmusok a hálózattervezésben és a forgalom menedzsmentben Hálózattervezés = hálózati kapacitások létesítése a forgalomnak
3D Számítógépes Geometria II.
3D Számítógépes Geometra II. 3. Szabadformáú felületek llesztése és smítása http://cg.t.bme.h/portal/3dgeo https://www.k.bme.h/kepzes/targyak/viiiav16 Dr. Várady Tamás Dr. Sal Péter BME Vllamosmérnök és
Műszaki folyamatok közgazdasági elemzése. Kevert stratégiák és evolúciós játékok
Műszak folyamatok közgazdaság elemzése Kevert stratégák és evolúcós átékok Fogalmak: Példa: 1 szta stratéga Vegyes stratéga Ha m tszta stratéga létezk és a 1 m annak valószínűsége hogy az - edk átékos
3. Évközi ellenőrzés módja: 2 zárhelyi dolgozat íratása. 4. A tárgy előírt külső szakmai gyakorlatai: -
Tantárgy neve Halmazok és függvények Tantárgy kódja MTB00 Meghrdetés féléve Kredtpont Összóraszám (elm+gyak + Számonkérés módja G Előfeltétel (tantárgy kód - Tantárgyfelelős neve Rozgony Tbor Tantárgyfelelős
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
Minősítéses mérőrendszerek képességvizsgálata
Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek
METROLÓGIA ÉS HIBASZÁMíTÁS
METROLÓGIA ÉS HIBASZÁMíTÁS Metrológa alapfogalmak A metrológa a mérések tudománya, a mérésekkel kapcsolatos smereteket fogja össze. Méréssel egy objektum valamlyen tulajdonságáról számszerű értéket kapunk.
Totális 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
Operációkutatás. 4. konzultáció: Szállítási feladat. A feladat LP modellje
Operációkutatás 1 NYME KTK, gazdálkodás szak, levelező alapképzés 2002/2003. tanév, II. évf. 2.félév Előadó: Dr. Takách Géza NyME FMK Információ Technológia Tanszék 9400 Sopron, Bajcsy Zs. u. 9. GT fszt.
1.Tartalomjegyzék 1. 1.Tartalomjegyzék
1.Tartalomjegyzék 1 1.Tartalomjegyzék 1.Tartalomjegyzék...1.Beezetés... 3.A matematka modell kálasztása...5 4.A ékony lap modell...7 5.Egy más módszer a matematka modell kálasztására...10 6.A felületet
Bevezetés a programozásba. 3. Előadás Algoritmusok, tételek
Bevezetés progrmozásb 3. Elődás Algortmusok, tételek ISMÉTLÉS Specfkácó Előfeltétel: mlyen körülmények között követelünk helyes működést Utófeltétel: mt várunk kmenettől, m z összefüggés kmenet és bemenet
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
d(f(x), f(y)) q d(x, y), ahol 0 q < 1.
Fxponttétel Már a hétköznap életben s gyakran tapasztaltuk, hogy két pont között a távolságot nem feltétlenül a " kettő között egyenes szakasz hossza" adja Pl két település között a távolságot közlekedés
Diszkrét 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
Turbulens áramlás modellezése háromszög elrendezésű csőkötegben
Turbulens áramlás modellezése háromszög elrendezésű csőkötegben Mayer Gusztáv mayer@sunserv.kfk.hu 2005. 09. 27. CFD Workshop 1 Tartalom - Vzsgált geometra Motvácó Az áramlás jellemző Saját fejlesztésű
Indirekt térfogat-vizualizáció. Fourier térfogat-vizualizáció. Tomográfiás rekonstrukció. Radon-transzformáció. A Fourier vetítő sík tétel
Vzualzácós algortmusok csoportosítása Indrekt térfogat-vzualzácó Csébfalv Balázs Budapest Műszak és Gazdaságtudomány Egyetem Irányítástechnka és Informatka Tanszék Drekt vzualzácó: Közvetlenül a dszkrét
Véletlen gráfok szerkesztésekor n csomópontból indulunk ki. p valószínűséggel két csomópontot éllel kötünk össze.
9. előadás P(k) k Véletlen gráfok szerkesztésekor n csomópontból ndulunk k. p valószínűséggel két csomópontot éllel kötünk össze. A fokszámok Posson eloszlásúak P( k) = e pn ( pn) k! k http://www.ct.nfn.t/cactus/applets/gant%20component.html
Példák ekvivalencia relációra (TÉTELként kell tudni ezeket zárthelyin, vizsgán):
F NIK INÁRIS RLÁIÓK INÁRIS RLÁIÓK (és hasonló mátrxok s tt!) Defnícó: z R bnárs relácó, ha R {( a, b) a, b } nárs relácók lehetséges tuladonsága:. Reflexív ha ( x,.(a). Szmmetrkus ha ( x, y) ( y,.(b).
BASH script programozás II. Vezérlési szerkezetek
06 BASH script programozás II. Vezérlési szerkezetek Emlékeztető Jelölésbeli különbség van parancs végrehajtása és a parancs kimenetére való hivatkozás között PARANCS $(PARANCS) Jelölésbeli különbség van
További 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
Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás
Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás Démon algoritmus az ideális gázra időátlag fizikai mennyiségek átlagértéke sokaságátlag E, V, N pl. molekuláris dinamika Monte
Intelligens Rendszerek Elmélete
Intellgens Rendszerek Elmélete Dr. Kutor László A mesterséges neuráls hálózatok alapfogalma és meghatározó eleme http://mobl.nk.bmf.hu/tantargyak/re.html Logn név: re jelszó: IRE07 IRE 7/1 Neuráls hálózatok
A 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
Dinamikus 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.
A neurális hálózatok alapjai
A neuráls hálózatok alapja (A Neuráls hálózatok és mszak alkalmazásak cím könyv (ld. források) alapján) 1. Bológa alapok A bológa alapok megsmerése azért fontos, mert nagyon sok egyed neuráls struktúra,
Nemlineáris függvények illesztésének néhány kérdése
Mûhel Tóth Zoltán docens, Károl Róbert Főskola E-mal: zol@karolrobert.hu Nemlneárs függvének llesztésének néhán kérdése A nemlneárs regresszós és trendfüggvének llesztésekor számos esetben alkalmazzuk
VIK A1 Matematika BOSCH, Hatvan, 5. Gyakorlati anyag
VIK A1 Matematika BOSCH, Hatvan, 5. Gyakorlati anyag 2018/19 1. félév Függvények határértéke 1. Bizonyítsuk be definíció alapján a következőket! (a) lim x 2 3x+1 5x+4 = 1 2 (b) lim x 4 x 16 x 2 4x = 2
Szimulációs technikák
SZÉCHENYI ISTVÁN EGYETEM Műszaki Tudományi Kar Informatikai tanszék Szimulációs technikák ( NGB_IN040_1) 2. csapat Comparator - Dokumentáció Mérnök informatikus BSc szak, nappali tagozat 2012/2013 II.
Mesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - csak lokális információra alapozva Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Lokálisan
3. Lineáris differenciálegyenletek
3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra
Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
Tuesday, March 6, 12. Hasító táblázatok
Hasító táblázatok Halmaz adattípus U (kulcsuniverzum) K (aktuális kulcsok) Függvény adattípus U (univerzum) ÉT (értelmezési tartomány) ÉK (érték készlet) Milyen az univerzum? Közvetlen címzésű táblázatok
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)
Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával
Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával * Pannon Egyetem, M szaki Informatikai Kar, Számítástudomány
Hálózati Folyamok Alkalmazásai. Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék
Hálózati Folyamok Alkalmazásai Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék Alsó felső korlátos maximális folyam 3,9 3 4,2 4,8 4 3,7 2 Transzformáljuk több forrást, több nyelőt tartalmazó
The original laser distance meter. The original laser distance meter
Leca Leca DISTO DISTO TM TM D510 X310 The orgnal laser dstance meter The orgnal laser dstance meter Tartalomjegyzék A műszer beállítása - - - - - - - - - - - - - - - - - - - - - - - - - 2 Bevezetés - -
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
2. Visszalépéses keresés
2. Visszalépéses keresés Visszalépéses keresés A visszalépéses keresés egy olyan KR, amely globális munkaterülete: egy út a startcsúcsból az aktuális csúcsba (az útról leágazó még ki nem próbált élekkel
MATEMATIKAI STATISZTIKA KISFELADAT. Feladatlap
Közlekedésmérnök Kar Jármőtervezés és vzsgálat alapja I. Feladatlap NÉV:..tk.:. Feladat sorsz.:.. Feladat: Egy jármő futómő alkatrész terhelésvzsgálatakor felvett, az alkatrészre ható terhelı erı csúcsértékek
A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
Mesterséges Intelligencia MI
Mesterséges Intellgenca MI Egyszerű döntés. Tanuljuk meg! Dobroweck Tadeusz Eredcs Péter, és mások BME I.E. 437, 463-28-99 dobroweck@mt.bme.hu, http://www.mt.bme.hu/general/staff/tade Neuron doktrna: S.
A szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
Ahol mindig Ön az első! www.eon.hu/ugyintezes. Segítünk online ügyféllé válni Kisokos
Ahol mndg Ön az első! www.eon.hu/ugyntezes Segítünk onlne ügyféllé váln Ksokos Kedves Ügyfelünk! Szeretnénk, ha Ön s megsmerkedne Onlne ügyfélszolgálatunkkal (www.eon.hu/ugyntezes), amelyen keresztül egyszerűen,
Tanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.
8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral
Mechanizmus-tervezés: szociális jóléti függvény nem kooperatív (versengő) ágensek. A megegyezés keresése és elérése: Tárgyalás (Negotiation)
Tárgyalások/1 Mechanzmus-tervezés: szocáls jólét függvény nem kooperatív (versengő) ágensek (Szavazás (Votng)) (Árverés (Aucton)) A megegyezés keresése és elérése: Tárgyalás (Negotaton) (Érvelés (Argung))
Gráfalgoritmusok és hatékony adatszerkezetek szemléltetése
Gráfalgoritmusok és hatékony adatszerkezetek szemléltetése Készítette: Bognár Gergő Témavezető: Veszprémi Anna Eötvös Loránd Tudományegyetem Informatikai Kar Algoritmusok és Alkalmazásaik Tanszék Budapest,