Megkülönböztetett kiszolgáló routerek az

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Megkülönböztetett kiszolgáló routerek az"

Átírás

1 Megkülönböztetett kiszolgáló routerek az Interneten Megkülönböztetett kiszolgálás A kiszolgáló architektúrák minősége az Interneten: Integrált kiszolgálás (IntServ) Megkülönböztetett kiszolgálás (DiffServ) DiffServ: Különböző csomagfeldolgozás az IP-fejléc csomagjelölése alapján (DS-mező) A komplexitást kivinni a külső routerekhez és a feldolgozást a központi routereknél, amennyire lehet, leegyszerűsíteni Csomagjelölés és megjegyzés végrehajtása: külső routereknél (előfizetők között), határ routereknél (szolgáltatói tartományok között) és alkalmazásoknál.1

2 Arányos megkülönböztetett kiszolgálás: A kiszolgálás megkülönböztetésének két megközelítése: Abszolut megkülönböztetett kiszolgálás: garanciát és statisztikai biztosítékokat nyújt a hatékonyságjellemzőkre, pl.: E2E delay Relatív megkülönböztetett kiszolgálás: forgalmi osztályok rendezése a csomagtovábbító viselkedésük alapján Arányos megkülönböztetett kiszolgálás: a relatív megkülönböztetett kiszolgálás további finomítása meghatározza a forgalmi osztályok közötti távolságokat Lehetséges megkülönböztetési szempontok: áteresztőképesség késleltetés zaj veszteségi ráta.2

3 Arányos késleltetési megkülönböztetés: N forgalmi osztály definiált Megkülönböztetési szempont: sorbanállási késleltetés Definíció az egymást követő osztályok átlagos késleltetésének arányaira: i E[W ] ] = ffi i : ffi j j E[W Osztálymegkülönböztető paraméterek (késleltetési megkülönböztető paraméterek/delay differentiation parameters: DDP) δ 1 > δ 2 >... > δ Ν hogy a magasabb osztályok "jobbak" legyenek az alacsonyabb osztályoknál.3

4 Dinamikus ütemező modell Prioritásfüggvény Priority q r (t) q r (t) q r (t) =(t t 0 ) b r 0 b 1 b 2... b r t 0 t 0 t A sorbanállási rendszerben egy r-osztályú csomag prioritása lineárisan nő az idő előrehaladtával, b r arányban.4

5 Átlagos várakozási idő: W r = W 0 1 ρ r 1 i=1 1 R i=r+1 ρ i W i ( 1 b i ρ i ( 1 b r b i b r ) ) Kiterjesztett prioritásfüggvény: függ a mindenkori ρ i terheléstől függ a késleltetési megkülönböztető paraméterektől (DDP-k) δ i qr(t) = (t t 0 )br(ρ 1 ;:::;ρr;ffi 1 ;:::;ffir); 1» r» R.5

6 Dinamikus prioritásos ütemezési architektúra.6

7 g i E[W i ]! min Megkülönböztetett kiszolgáló routerek az Interneten Optimalizációs probléma: R forgalmi osztály Adott DDP-k: δ 1 > δ 2 >... > δ R Mért osztály kihasználtságok: ρ 1 > ρ 2 >... > ρ R Ideálisan: X R 1 ] E[Wi i+1 ] ffi i ffi i+1 2 E[W = 0; Vagy: i=1 X R 1 E[W i+1 ] ffi i ffi i+1 2 i=1.7

8 b1 b2 1 1 ffi = (1 2 ρ ρ > 1 ffi 2 ffi 1 ffi1 Megkülönböztetett kiszolgáló routerek az Interneten Példa két forgalmi osztályra: Pontos alak a prioritásfüggvények meredekségeinek kiszámolására: b1 = 1 ) Megvalósíthatóság: Határ: Ahogy a terhelés közeledik a 100%-hoz, az ütemezési paraméterek aránya: b 1 /b 2 a DDP-k reciprokához tart: δ 2 /δ 1.8

9 Optimalizálás genetikai algoritmusok használatával A Genetikai Algoritmusok (GA) optimalizáló és keresési eljárások, melyek létrejöttét a genetika és a természetes kiválasztódás folyamata ösztönözte A genetikai algoritmusok struktúrája Egyedek populációjának véletlenszerű generálása (bitfüzér). Minden egyed dekódolása és alkalmasságának kiértékelése. Új populáció generálása a legalkalmasabb egyedekből részben klónozással, részben kombinálással és részben mutációval. A 2-es és 3-as lépések ismétlése egy megállási feltétel teljesüléséig..9

10 Példa: 4 forgalmi osztály, szükséges késleltetési arány: 2 Ütemezési Paraméterek: b 1, b 2, b 3, b 4 ρ [in %] b1 b2 b3 b4 70% % % % % % %

11 ρ E[W1] E[W2] E[W3] E[W4] [%] [msec] [msec] [msec] [msec] E[W1] E[W2] E[W2] E[W3] E[W3] E[W4] Megkülönböztetett kiszolgáló routerek az Interneten Átlagos késleltetések és késleltetési arányok 70% % % % % % %

12 Implementáció Az ütemezési paraméterek offline számolása Dinamikus utánállítás a router futási idő alatti műveletei során Utánállítás: Referenciatáblák: a kihasználtsági értékek intervallumai számára előre meghatározott értékek halmaza --> diszkretizációs hiba Egyszerű interpolációs függvények használata Utánállítás indítása: Periodikusan Meghatározott eseményekkor: egy vagy több forgalmi osztály esetén felmerülő jelentős kihasználtság-változásnál.12

13 Más prioritásfüggvények kipróbálása Motiváció Hatékonyságvizsgálat az alacsony kihasználtságok (főleg 70% körüli) esetén más prioritásfüggvények használatával Kezdeti prioritások használata jobban teljesítheti az arányos megkülönböztetés követelményeit, mivel a beérkező csomagok kezdetben meghatározott prioritása nagyobb mint nulla Prioritásfüggvény kezdeti prioritásokkal Nagyobb optimalizálási hiba (részben az approximációs formulák következtében) Négyzetes prioritásfüggvények Nincs számottevő javulás lineáris prioritásfüggvényekkel összehasonlítva.13

14 Befejezés Befejezés A Dinamikus prioritásos ütemezés megközelítése Nagy és közepes terhelési feltételek esetén is jól alkalmazható Az ütemezési paraméterek offline meghatározása és referenciatáblák vagy egyszerű interpolációs függvények a futási időben Genetikai algoritmusok használata az optimalizálásra A jelenlegi kutatás: Szimuláció a kapott eredmények helyességének bizonyítására A végtelen puffer approximáció és exponenciális eloszlás hatása Új Internet forgalommodellező módszerek további meggondolása (Önhasonló forgalom, Pareto eloszlás) Optimalizálás nemexponenciális eloszlások szimulációjával.14

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver):

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): B Motiváció B Motiváció Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): Helyesség Felhasználóbarátság Hatékonyság Modern számítógép-rendszerek: Egyértelmű hatékonyság (például hálózati hatékonyság)

Részletesebben

Számítógépes döntéstámogatás. Genetikus algoritmusok

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

Részletesebben

Operációs rendszerek II. Folyamatok ütemezése

Operációs rendszerek II. Folyamatok ütemezése Folyamatok ütemezése Folyamatok modellezése az operációs rendszerekben Folyamatok állapotai alap állapotok futásra kész fut és várakozik felfüggesztett állapotok, jelentőségük Állapotátmeneti diagram Állapotátmenetek

Részletesebben

Szolgáltatások és alkalmazások (VITMM131)

Szolgáltatások és alkalmazások (VITMM131) Szolgáltatások és alkalmazások (VITMM131) Internet-alapú szolgáltatások (folyt.) Vidács Attila Távközlési és Médiainformatikai Tsz. I.B.228, T:19-25, vidacs@tmit.bme.hu Tartalom 11/02/11 Internet-alapú

Részletesebben

Új módszerek és eszközök infokommunikációs hálózatok forgalmának vizsgálatához

Új módszerek és eszközök infokommunikációs hálózatok forgalmának vizsgálatához I. előadás, 2014. április 30. Új módszerek és eszközök infokommunikációs hálózatok forgalmának vizsgálatához Dr. Orosz Péter ATMA kutatócsoport A kutatócsoport ATMA (Advanced Traffic Monitoring and Analysis)

Részletesebben

Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal

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:

Részletesebben

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus

Részletesebben

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás

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

Részletesebben

Operációkutatás. 4. konzultáció: Sorbanállás. Exponenciális elsozlás (ismétlés)

Operációkutatás. 4. konzultáció: Sorbanállás. Exponenciális elsozlás (ismétlés) Operációkutatás 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.

Részletesebben

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában Horváth Gábor ghorvath@hit.bme.hu (Horváth András, Telek Miklós) - p. 1 Motiváció, problémafelvetés

Részletesebben

Logisztikai szimulációs módszerek

Logisztikai szimulációs módszerek Üzemszervezés Logisztikai szimulációs módszerek Dr. Juhász János Integrált, rugalmas gyártórendszerek tervezésénél használatos szimulációs módszerek A sztochasztikus külső-belső tényezőknek kitett folyamatok

Részletesebben

Teljesítménymodellezés

Teljesítménymodellezés Teljesítménymodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement and Information Systems

Részletesebben

VIHIMA07 Mobil és vezeték nélküli hálózatok QoS alapok áttekintése

VIHIMA07 Mobil és vezeték nélküli hálózatok QoS alapok áttekintése Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Mérnök informatikus szak, mesterképzés Hírközlő rendszerek biztonsága szakirány Villamosmérnöki szak, mesterképzés - Újgenerációs

Részletesebben

Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói

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

Részletesebben

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható folytonos idejű Markovláncok  segítségével. E.4 Markov-láncok Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével. Egy Markov-láncot (MC) meghatároznak az alapját adó sorbanállási hálózat állapotai és az ezek

Részletesebben

Autóipari beágyazott rendszerek. Komponens és rendszer integráció

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

Részletesebben

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék

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

Részletesebben

TCP ANALÍZIS DIFFSERV KÖRNYEZETBEN

TCP ANALÍZIS DIFFSERV KÖRNYEZETBEN TCP ANALÍZIS DIFFSERV KÖRNYEZETBEN TCP ANALYSIS IN DIFFSERV ENVIRONMENT Lengyel Miklós, mlengyel@inf.unideb.hu Sztrik János, jsztrik@inf.unideb.hu Debreceni Egyetem, Informatikai Rendszerek és Hálózatok

Részletesebben

Osztott jáva programok automatikus tesztelése. Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január

Osztott jáva programok automatikus tesztelése. Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január Osztott jáva programok automatikus tesztelése Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január Osztott alkalmazások Automatikus tesztelés Tesztelés heurisztikus zaj keltés Tesztelés genetikus

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

Dr. habil. Maróti György

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

Részletesebben

DIFFERENCIAEGYENLETEK

DIFFERENCIAEGYENLETEK DIFFERENCIAEGYENLETEK Példa: elsőrendű állandó e.h. lineáris differenciaegyenlet Ennek megoldása: Kezdeti feltétellel: Kezdeti feltétel nélkül ha 1 és a végtelen összeg (abszolút) konvergens: / 1 Minden

Részletesebben

Optimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/

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

Részletesebben

Mérési hibák 2006.10.04. 1

Mérési hibák 2006.10.04. 1 Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség

Részletesebben

2008 II. 19. Internetes alkalmazások forgalmának mérése és osztályozása. Február 19

2008 II. 19. Internetes alkalmazások forgalmának mérése és osztályozása. Február 19 2008 II. 19. Internetes alkalmazások forgalmának mérése és osztályozása Az óra rövid vázlata kapacitás, szabad sávszélesség ping, traceroute pathcar, pcar pathload pathrate pathchirp BART Sprobe egyéb

Részletesebben

Tartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9

Tartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9 ... 3 Előszó... 9 I. Rész: Evolúciós számítások technikái, módszerei...11 1. Bevezetés... 13 1.1 Evolúciós számítások... 13 1.2 Evolúciós algoritmus alapfogalmak... 14 1.3 EC alkalmazásokról általában...

Részletesebben

GPK M1 (BME) Interpoláció / 16

GPK M1 (BME) Interpoláció / 16 Interpoláció Matematika M1 gépészmérnököknek 2017. március 13. GPK M1 (BME) Interpoláció 2017 1 / 16 Az interpoláció alapfeladata - Példa Tegyük fel, hogy egy ipari termék - pl. autó - előzetes konstrukciójának

Részletesebben

Tartalomjegyzék. Köszönetnyilvánítás. 1. Az alapok 1

Tartalomjegyzék. Köszönetnyilvánítás. 1. Az alapok 1 Köszönetnyilvánítás Bevezetés Kinek szól a könyv? Elvárt előismeretek A könyv témája A könyv használata A megközelítés alapelvei Törekedjünk az egyszerűségre! Ne optimalizáljunk előre! Felhasználói interfészek

Részletesebben

Teljesen elosztott adatbányászat pletyka algoritmusokkal. Jelasity Márk Ormándi Róbert, Hegedűs István

Teljesen elosztott adatbányászat pletyka algoritmusokkal. Jelasity Márk Ormándi Róbert, Hegedűs István Teljesen elosztott adatbányászat pletyka algoritmusokkal Jelasity Márk Ormándi Róbert, Hegedűs István Motiváció Nagyméretű hálózatos elosztott alkalmazások az Interneten egyre fontosabbak Fájlcserélő rendszerek

Részletesebben

VIHIMA07 Mobil és vezeték nélküli hálózatok. Forgalmi modellezés és tervezés

VIHIMA07 Mobil és vezeték nélküli hálózatok. Forgalmi modellezés és tervezés Forgalmi modellezés és tervezés 2016. május 17. Budapest Telek Miklós Hálózati Rendszerek és Szolgáltatások Tanszék I.L.117, telek@hit.bme.hu 2 Tartalom Elemi összefüggések és intuitív méretezési módszerek

Részletesebben

Operációs rendszerek. Folyamatok ütemezése

Operációs rendszerek. Folyamatok ütemezése Operációs rendszerek Folyamatok ütemezése Alapok Az ütemezés, az események sorrendjének a meghatározása. Az ütemezés használata OPR-ekben: az azonos erőforrásra igényt tartó folyamatok közül történő választás,

Részletesebben

Matematika A2 vizsga mgeoldása június 4.

Matematika A2 vizsga mgeoldása június 4. Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont

Részletesebben

Ütemezés (Scheduling),

Ütemezés (Scheduling), 1 Ütemezés (Scheduling), Alapfogalmak Ütemezési feltételek (kritériumok) Ütemezési algoritmusok Több-processzoros eset Algoritmus kiértékelése 2 Alapfogalmak A multiprogramozás célja: a CPU foglaltság

Részletesebben

Algoritmizálás, adatmodellezés tanítása 6. előadás

Algoritmizálás, adatmodellezés tanítása 6. előadás Algoritmizálás, adatmodellezés tanítása 6. előadás Tesztelési módszerek statikus tesztelés kódellenőrzés szintaktikus ellenőrzés szemantikus ellenőrzés dinamikus tesztelés fekete doboz módszerek fehér

Részletesebben

A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere

A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű optimálásának általános és robosztus módszere A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere Kaposvári Egyetem, Informatika Tanszék I. Kaposvári Gazdaságtudományi Konferencia

Részletesebben

LNM folytonos Az interpoláció Lagrange interpoláció. Lineáris algebra numerikus módszerei

LNM folytonos Az interpoláció Lagrange interpoláció. Lineáris algebra numerikus módszerei Legkisebb négyzetek módszere, folytonos eset Folytonos eset Legyen f C[a, b]és h(x) = a 1 φ 1 (x) + a 2 φ 2 (x) +... + a n φ n (x). Ekkor tehát az n 2 F (a 1,..., a n ) = f a i φ i = = b a i=1 f (x) 2

Részletesebben

Diszkrét matematika I.

Diszkrét matematika I. Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 10. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Felhívás Diszkrét matematika I. középszint 2014.

Részletesebben

Ütemezés (Scheduling),

Ütemezés (Scheduling), 1 Ütemezés (Scheduling), Alapfogalmak Ütemezési feltételek (kritériumok) Ütemezési algoritmusok Több-processzoros eset Algoritmus kiértékelése 2 Alapfogalmak A multiprogramozás célja: a CPU foglaltság

Részletesebben

Kereső algoritmusok a diszkrét optimalizálás problémájához

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

Részletesebben

1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje

1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje 1. Alapfogalmak 1.1. Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt

Részletesebben

Adaptív dinamikus szegmentálás idősorok indexeléséhez

Adaptív dinamikus szegmentálás idősorok indexeléséhez Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november

Részletesebben

Számítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések

Számítógépes 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

Részletesebben

Forgalmi tervezés az Interneten

Forgalmi tervezés az Interneten Forgalmi tervezés az Interneten Dr. Molnár Sándor Távközlési és Médiainformatikai Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2016 Áttekintés Cél A telefonhálózatok forgalmi méretezése Az Internet

Részletesebben

HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL. OLÁH Béla

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

Részletesebben

Algoritmuselmélet 12. előadás

Algoritmuselmélet 12. előadás Algoritmuselmélet 12. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Április 9. ALGORITMUSELMÉLET 12. ELŐADÁS 1 Turing-gépek

Részletesebben

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési

Részletesebben

Statisztikai módszerek a skálafüggetlen hálózatok

Statisztikai módszerek a skálafüggetlen hálózatok Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti

Részletesebben

Függvények növekedési korlátainak jellemzése

Függvények növekedési korlátainak jellemzése 17 Függvények növekedési korlátainak jellemzése A jellemzés jól bevált eszközei az Ω, O, Θ, o és ω jelölések. Mivel az igények általában nemnegatívak, ezért az alábbi meghatározásokban mindenütt feltesszük,

Részletesebben

Kereső algoritmusok a diszkrét optimalizálás problémájához

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

Részletesebben

Genetikus algoritmusok

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

Részletesebben

Teljesítménymodellezés

Teljesítménymodellezés Üzleti IT rendszerek modellezése Teljesítménymodellezés Gönczy László gonczy@mit.bme.hu Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Erőforrás szintű kapacitástervezés

Részletesebben

2011_ELL_TERV PROXYNET. CORVUS Telecom Kft.

2011_ELL_TERV PROXYNET. CORVUS Telecom Kft. 2011_ELL_TERV CORVUS Telecom Kft. Érvényes 2011.01.01 től Garantált le-, és feltöltési sebesség ellenőrzése PROXYNET Internet szolgáltatás belső méréseken és ellenőrzéseken alapuló minőség és szolgáltatás,

Részletesebben

Az Ampère-Maxwell-féle gerjesztési törvény

Az Ampère-Maxwell-féle gerjesztési törvény Az Ampère-Maxwell-féle gerjesztési törvény Maxwell elméleti meggondolások alapján feltételezte, hogy a változó elektromos tér örvényes mágneses teret kelt (hasonlóan ahhoz ahogy a változó mágneses tér

Részletesebben

Számítógép és programozás 2

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,

Részletesebben

Á ű ő ö Í é é ő Ö Ö é ő Ö ő ö é é Ö ü é ó Ő é é ó é ó é é é é Ö ó ó ő é Ü é ó ö ó ö é é Ő ú é é é é ő Ú é ó Ő ö Ő é é é é ű ö é Ö é é ó ű ö é ő é é é é é é é é é Ö é Ö ü é é é é ö ü é ó é ó ó é ü ó é é

Részletesebben

Ü Éü É ü í í Í ö Ü Ú ú Ó í ő í Ö ű ö Ó ú Ű ü í Ó ö Ó Ü Ó Ó í í ú í Ü Ü ő Ú Ó Ó í ú É ÉÉ É Á Ü Ü Ü Ú ő í Ő Ó Ü ő ö ü ő ü ö ú ő ő ő ü ö ő ű ö ő ü ő ő ü ú ü ő ü ü Í ü Í Á Ö Í É Ú ö Í Á Ö í É ö í ő ő í ö ü

Részletesebben

ű Ő ű Ü Ü Ü ű ű Ú ű ű ű ű ű ű ű ű ű ű ű ű ű Ú ű ű ű Ú Ü Ő ű Ö ű Ü ű Ö ű Ú ű ű Ű É É ű ű ű ű ű ű ű Ü ű ű ű ű ű ű ű Ú ű ű ű É Ű É Ü Ü Ú É É ű ű ű Ü ű É É Ű É ű ű ű ű ű ű ű Ö Ó ű ű ű ű ű ű Ö É Ó É É É Ü

Részletesebben

ú Ú Ö É ú ü í í ü í í í í ü Ú í ű í ú ü ü í í ü ü í ü ü ú Í í ű í ü ü Ü í í ü í ú ű ú ú í í ü ú í ü É ü Ö í í ü ú ű í í ü í ű í í Í Ö í í ü Ö ú É Í í í í ü ű ü ű ü ü ü ü í í í í ú í ü í ú É ü ü ü ü í ü

Részletesebben

ó ó ú ú ó ó ó ü ó ü Á Á ü É ó ü ü ü ú ü ó ó ü ó ü ó ó ú ú ú ü Ü ú ú ó ó ü ó ü ü Ü ü ú ó Ü ü ű ű ü ó ü ű ü ó ú ó ú ú ú ó ú ü ü ű ó ú ó ó ü ó ó ó ó ú ó ü ó ó ü ü ó ü ü Ü ü ó ü ü ü ó Ü ó ű ü ó ü ü ü ú ó ü

Részletesebben

:.::-r:,: DlMENZI0l szoc!0toolnl ránsnnat0m A HELYI,:.:l:. * [:inln.itri lú.6lrl ri:rnl:iilki t*kill[mnt.ml Kilírirlrln K!.,,o,.r*,u, é é é ő é é é ő é ő ő ú í í é é é ő é í é ű é é ő ő é ü é é é í é ő

Részletesebben

Ü Ö Á Á Á Á Á É ű Ü Ú ű ű Á É ű Ú Ü ű Ü Ü Ü Ü Ü Ü Ü Ü Ü Á Ü Ü Ü Ö Ö Ú Ö Ü Ö ű ű ű ű ű Á ű Ú ű ű ű ű ű É Á Ö Ö Ö ű ű ű Á ű ű ű ű ű ű ű ű ű ű Ü Ü Ü Ü ű ű ű ű ű ű ű ű ű ű ű Ú ű ű ű ű ű ű Ü Ö Ü Ó Ö ű ű ű

Részletesebben

Ö Ó ú É ű É Ö Ö Ö Ü Ó Ú É ú É Ü Ú ú Ü ű ú Ü Ö Ö ú ű Ú ű ű ú Ö Ö Ö Ö É ú ú Ő Ö ú Ü Ó ú Ú Ü Ö ű ű ű Ö ű ú Ó ű Ö Ü ű ú ú ú ú É ú Ö ú ú Ü ú Ó ú ú ú ú ú ú ű ű ú ű ú ú ű Ö ú ú ú ű Ö ú ű ú ű Ü Ö Ü ű Ü Ö ú ú Ü

Részletesebben

Á Á Ó É ö ó ó ó ő ő ó ö ő ő ű ó ú ö ó ó ő ó ü ó ó ő ó ó ő ó ü ó ő ő ő ó ő ő ö ó ó ó ö ö ü ö Á Á Ó ü ó ö ó ő ó ő ő Á É Á Ó ű ü ö ó ő ó ú ÉÉ ó ú ő ö ó ó ó ó ó ö ö ő ü ó ö ö ü ó ű ö ó ó ó ó ú ó ü ó ó ö ó

Részletesebben

É É É ü É ó ó É ű ó ÉÉ ó É ó É É ó É ü ó ó Ó ű ó ó ó ó ü É ü ű ó É É É É ü ü ó ó ó ü É ó É ó É ó ó ó ü ü ü ü ó ü ü ü ü ó ű ű É Í Ó Ü Ö ó ó ó Ó ó ü ü ü ű ó ü ü ű ü ü ó ü ű ü ó ü ó ó ó ó ó ó ó ü ó ó ó ű

Részletesebben

Populációdinamika kurzus, projektfeladat. Aszimptotikus viselkedés egy determinisztikus járványterjedési modellben. El adó:

Populációdinamika kurzus, projektfeladat. Aszimptotikus viselkedés egy determinisztikus járványterjedési modellben. El adó: Populációdinamika kurzus, projektfeladat Aszimptotikus viselkedés egy determinisztikus járványterjedési modellben El adó: Unger Tamás István okleveles villamosmérnök matematika B.Sc. szakos hallgató Szeged

Részletesebben

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

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

Részletesebben

Mesterséges Intelligencia MI

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

Részletesebben

Nagy Gábor compalg.inf.elte.hu/ nagy

Nagy Gábor  compalg.inf.elte.hu/ nagy Diszkrét matematika 1. középszint 2016. 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

Részletesebben

Windows ütemezési példa

Windows ütemezési példa Windows ütemezési példa A példában szereplő számolás erősen leegyszerűsített egy valós rendszerhez képest, csak az elveket próbálja bemutatni! Egyprocesszoros Windows XP-n dolgozunk, a rendszer úgy van

Részletesebben

A tantárgy vezérgondolatai. Az IP kezdeti vezérelvei. A TE céljai

A tantárgy vezérgondolatai. Az IP kezdeti vezérelvei. A TE céljai A tantárgy vezérgondolatai Mai elektronikus kommunikáció folyamata IP hálózat forgalmi tervezése I. Csákány Éva és Konkoly Lászlóné cikke alapján Takács György 5. Előadás Csak szolgáltatást lehet eladni

Részletesebben

CEBS Consultative Paper 10 (folytatás) Krekó Béla PSZÁF, 2005. szeptember 15.

CEBS Consultative Paper 10 (folytatás) Krekó Béla PSZÁF, 2005. szeptember 15. CEBS Consultative Paper 10 (folytatás) Krekó Béla PSZÁF, 2005. szeptember 15. 1 3.3.3 Minősítési rendszerek és a kockázatok számszerűsítése Minősítések hozzárendelése PD, LGD, CF meghatározása Közös vizsgálati

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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,

Részletesebben

Budapesti Műszaki és Gazdaságtudományi Egyetem december 2.

Budapesti Műszaki és Gazdaságtudományi Egyetem december 2. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2008. december 2. Útvonalválasztás Cél egy hálózatban két csomópont között a legrövidebb útvonal kiválasztása.

Részletesebben

Számítógépes Hálózatok 2010

Számítógépes Hálózatok 2010 Számítógépes Hálózatok 2010 5. Adatkapcsolati réteg MAC, Statikus multiplexálás, (slotted) Aloha, CSMA 1 Mediumhozzáférés (Medium Access Control -- MAC) alréteg az adatkapcsolati rétegben Statikus multiplexálás

Részletesebben

Méréselmélet MI BSc 1

Méréselmélet MI BSc 1 Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok

Részletesebben

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett

Részletesebben

1.9. B - SPLINEOK B - SPLINEOK EGZISZTENCIÁJA. numerikus analízis ii. 34. [ a, b] - n legfeljebb n darab gyöke lehet. = r (m 1) n = r m + n 1

1.9. B - SPLINEOK B - SPLINEOK EGZISZTENCIÁJA. numerikus analízis ii. 34. [ a, b] - n legfeljebb n darab gyöke lehet. = r (m 1) n = r m + n 1 numerikus analízis ii 34 Ezért [ a, b] - n legfeljebb n darab gyöke lehet = r (m 1) n = r m + n 1 19 B - SPLINEOK VOLT: Ω n véges felosztás S n (Ω n ) véges dimenziós altér A bázis az úgynevezett egyoldalú

Részletesebben

Internet ROUTER. Motiváció

Internet ROUTER. Motiváció Több internetvonal megosztása egy szerverrel iptables/netfilter és iproute2 segítségével Készítette: Mészáros Károly (MEKMAAT:SZE) mkaroly@citromail.hu 2007-05-22 Az ábrán látható módon a LAN-ban lévő

Részletesebben

First Prev Next Last Go Back Full Screen Close Quit

First Prev Next Last Go Back Full Screen Close Quit Valós függvények (2) (Határérték) 1. A a R szám δ > 0 sugarú környezete az (a δ, a + δ) nyílt intervallum. Ezután a valós számokat, a számegyenesen való ábrázolhatóságuk miatt, pontoknak is fogjuk hívni.

Részletesebben

A Jövő Internet elméleti alapjai. Vaszil György Debreceni Egyetem, Informatikai Kar

A Jövő Internet elméleti alapjai. Vaszil György Debreceni Egyetem, Informatikai Kar A Jövő Internet elméleti alapjai Vaszil György Debreceni Egyetem, Informatikai Kar Kutatási témák Bizalmas adatok védelme, kriptográfiai protokollok DE IK Számítógéptudományi Tsz., MTA Atomki Informatikai

Részletesebben

Általános algoritmustervezési módszerek

Általános algoritmustervezési módszerek Általános algoritmustervezési módszerek Ebben a részben arra mutatunk példát, hogy miként használhatóak olyan általános algoritmustervezési módszerek mint a dinamikus programozás és a korlátozás és szétválasztás

Részletesebben

17. előadás: Vektorok a térben

17. 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

Részletesebben

Matematika gyógyszerészhallgatók számára. A kollokvium főtételei tanév

Matematika gyógyszerészhallgatók számára. A kollokvium főtételei tanév Matematika gyógyszerészhallgatók számára A kollokvium főtételei 2015-2016 tanév A1. Függvénytani alapfogalmak. Kölcsönösen egyértelmű függvények és inverzei. Alkalmazások. Alapfogalmak: függvény, kölcsönösen

Részletesebben

Feladatok (task) kezelése multiprogramozott operációs rendszerekben

Feladatok (task) kezelése multiprogramozott operációs rendszerekben Operációs rendszerek (vimia219) Feladatok (task) kezelése multiprogramozott operációs rendszerekben dr. Kovácsházy Tamás 3. anyagrész 1. Ütemezéssel kapcsolatos példa 2. Összetett prioritásos és többprocesszoros

Részletesebben

RSA algoritmus. P(M) = M e mod n. S(C) = C d mod n. A helyesség igazoláshoz szükséges számelméleti háttér. a φ(n) = 1 mod n, a (a 1,a 2,...

RSA algoritmus. P(M) = M e mod n. S(C) = C d mod n. A helyesség igazoláshoz szükséges számelméleti háttér. a φ(n) = 1 mod n, a (a 1,a 2,... RSA algoritmus 1. Vegyünk véletlenszerűen két különböző nagy prímszámot, p-t és q-t. 2. Legyen n = pq. 3. Vegyünk egy olyan kis páratlan e számot, amely relatív prím φ(n) = (p 1)(q 1)-hez. 4. Keressünk

Részletesebben

TANMENET. a matematika tantárgy tanításához 10. E.osztályok számára

TANMENET. a matematika tantárgy tanításához 10. E.osztályok számára Az iskola fejbélyegzője TANMENET a matematika tantárgy tanításához 10. E.osztályok számára Készítette: Természettudományi Munkaközösség matematikát tanító tanárai Készült: a gimnáziumi tanterv alapján

Részletesebben

Nagy Gábor compalg.inf.elte.hu/ nagy

Nagy 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

Részletesebben

minden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.

minden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének. Függvények határértéke és folytonossága Egy f: D R R függvényt korlátosnak nevezünk, ha a függvényértékek halmaza korlátos. Ha f(x) f(x 0 ) teljesül minden x D esetén, akkor x 0 -at a függvény maximumhelyének

Részletesebben

A L Hospital-szabály, elaszticitás, monotonitás, konvexitás

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

Részletesebben

Valószínűségi változók. Várható érték és szórás

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 :

Részletesebben

IP anycast. Jákó András BME TIO

IP anycast. Jákó András BME TIO IP anycast Jákó András jako.andras@eik.bme.hu BME TIO Tematika Mi az IP anycast? Hogy működik? Mire használható? Alkalmazási példa Networkshop 2011. IP anycast 2 IP...cast IP csomagtovábbítási módok a

Részletesebben

PTE PMMFK Levelező-távoktatás, villamosmérnök szak

PTE PMMFK Levelező-távoktatás, villamosmérnök szak PTE PMMFK Levelező-távoktatás, villamosmérnök szak MATEMATIKA (A tantárgy tartalma és a tananyag elsajátításának időterve.) Összeállította: Kis Miklós adjunktus Tankönyvek Megegyeznek az 1. és 2. félévben

Részletesebben

Balatoni albedó(?)mérések

Balatoni albedó(?)mérések Környezettudományi Doktori Iskolák Konferenciája Budapest, 2012. augusztus 30-31 PE Georgikon Kar menyhart-l@georgikon.hu Eredeti célkitűzés Balaton albedójának napi és éves menete Albedó paraméterezése

Részletesebben

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

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

Részletesebben

Matematikai geodéziai számítások 5.

Matematikai geodéziai számítások 5. Matematikai geodéziai számítások 5 Hibaterjedési feladatok Dr Bácsatyai László Matematikai geodéziai számítások 5: Hibaterjedési feladatok Dr Bácsatyai László Lektor: Dr Benedek Judit Ez a modul a TÁMOP

Részletesebben

A programozás alapjai előadás. Amiről szólesz: A tárgy címe: A programozás alapjai

A programozás alapjai előadás. Amiről szólesz: A tárgy címe: A programozás alapjai A programozás alapjai 1 1. előadás Híradástechnikai Tanszék Amiről szólesz: A tárgy címe: A programozás alapjai A számítógép részegységei, alacsony- és magasszintű programnyelvek, az imperatív programozási

Részletesebben

Objektum orientált programozás Bevezetés

Objektum orientált programozás Bevezetés Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban

Részletesebben

Approximációs algoritmusok

Approximációs algoritmusok Approximációs algoritmusok Nehéz (pl. NP teljes) problémák optimális megoldásának meghatározására nem tudunk (garantáltan) polinom idejű algoritmust adni. Lehetőségek: -exponenciális futási idejű algoritmus

Részletesebben

Absztrakció. Objektum orientált programozás Bevezetés. Általános Informatikai Tanszék Utolsó módosítás:

Absztrakció. Objektum orientált programozás Bevezetés. Általános Informatikai Tanszék Utolsó módosítás: Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban

Részletesebben