Generelle optimeringsheuristikker
|
|
- Holger Eskildsen
- 7 år siden
- Visninger:
Transkript
1 Generelle optimeringheuritikker Ogå kaldet metaheuritikker. Idag gennemgå: Indplacering Lokal øgning Simuleret udgløding Genetike algoritmer Generelle optimeringheuritikker Branch-and-bound helhedbetragtninger til at finde græneværdier global truktur holder tyr på alle delproblemer Kontruktionheuritikker kontruerer en løning fra grunden når ført et valg er truffet er det låt Løningmetoder for NP -hårde opimeringproblemer Opdelingkriterier løningkvalitet: optimal/ikke-optimal beregningtid: polynomiel/ikke-polynomiel Approximationalgoritme giver garanti for løningkvalitet Heuritik giver ingen garanti for løningkvalitet Lokaløgning forbedrer løninger, tidligere valg ændre omegn, validering, objektfunktion Definitioner Løningrum S Objektfunktion f : S R kal minimere Omegn N S for hver løning S Omegn kal opfylde at alle løninger kan nå Skridt (overgang) betegner 2 Simplete lokaløgning Deign af lokaløgningalgoritmer algorithm lokaløgning vælg en initiel løning S vælg en løning N if accepter ny løning( ) then : until topkriterium; Balanceakt mellem Intenivering (kal forfølge gode løninger til bund) Diverifikation (kal komme rundt i løningrummet) Acceptkriterium: f.ek. trinvi forbedring f Intenivering Grådigt paradigme Selvom havner i lokalt minimum, underøge omegn Diverifikation Gentart fra tilfældigt ted Accepter dårligere løninger nogle gange Ekempel: TSP Undgå at beøge tidligere beøgte løninger tilfældighed i valg af naboløninger forbyd alle tidligere beøgte løninger 3 4
2 Varianter af lokaløgning algorithm trinvi forbedring vælg en initiel løning S vælg en løning N if f f then : until er et lokalt minimum return Fyike ytemer: metal, gla (Metropoli 953) Heuritik (Kirkpatrick 93) f Løning er lokalt minimum hvi N : f f Trinvi forbedring: Vælg en vilkårlig f f. N hvor Stejlete nedtigning: Vælg N å f f ŝ for alle ŝ N Gentart: Benyt forkellige initielle løninger for trinvi forbedring eller tejlete nedtigning. Heuritik har intet at gøre med fyike ytemer N vælge tilfældigt Intenivering: accepter altid f f Diverifikation: accepter f f med andynlighed f % & ' ( f % ' P! #" e$ T hvor T er aftagende kontrolparamter (åkaldt temperatur) e) x x 5 6 Ordbog Dowland (995) vier følgende ammenhæng mellem fyik nedkøling og optimering Thermodynamic Simulation Combinatorial Optimiation Sytem State Feaible Solution Energy Cot Change of State Neighbouring Solution Temperature Control Parameter Frozen State Heuritic Solution algorithm imuleret udglødning vælg en initiel løning * S vælg en initiel temperatur T vælg en løning +,* N-. if f - +. / f -. then :0 + ele p :0 rand- 0. f f4 6 if p 2 e3 T then :0 + end T :0 ny temperatur- T. until topkriterium return Hvad kal initiel temperatur T 0 være? Hvorlede kal T i9 udregne på bai af T i? Hvornår kal algoritmen lutte? 7
3 ( Initiel temperatur Betemme ekperimentelt Accept ratio χ T 0 5 ved T 0 Kølingrate T i : αt i, 0 α jo tørre α de længere køretid Stopkriterie Laarhoven (9) vite at hvi temperatur ænke uendeligt langomt,og der er uendeligt mange kridt til rådighed, å vil imuleret udglødning returnere optimal løning. lim langom afkøling mange iterationer Bevi baeret på Markovkæder P optimal løning Temperaturen T kommer under en given græne T Ingen forbedring idte K iterationer Der finde ogå en variant af imuleret udglødning hvor der foretage M kridt for hver temperatur, inden denne ænke. Ingen ignifikant forkel. 9 0 for grafdeling a 2 4 b e Givet graf G V E og omkotning funktion c : E N. Del V i to lige tore dele V og V 2 å omkotningen af kanter u v hvor u V og v V 2 minimere. Lad x v hvi v V men x v 0 hvi v V 2. Kvadratik minimeringproblem: hvor min c uv x u u v V 3 f 7 6 x v V 2 v V 9 x v c d 5 for grafdeling Objektfunktion: f x c uv x u " u v! V Omegn: Ombyt to elementer k#%$ hvor k & V og $'& V 2 Udregning af objektfunktion: Trivielt O V 2 Ved ombytning af knuder ændre objektfunktionen f x v x v c kv " " x v c kv v! V v! V " x v c) v " x v c) v v! V v! V (idet x k * x k 0 og x)+ 0 * x), ). Kan beregne i O V tid. 2
4 , dikuion Intenivering diverifikation Intenivering: Accepter altid forbedrende løning Diverifikation: Accepter forværret løning med lille andynlighed Algoritmen gennemløber kontinuum fra tærk diverifikation til inteniv øgning Fordele ulæmper + Robut algoritme uanet omegn N + Få parametre (T 0 α), die kan jutere automatik Ikke videre grådig, meget tid bruge på at gætte Hint Met vellykket øgning midt i udglødning, derfor varianter med genopvarmning Udregn f : f f Kan være henigtmæigt at tillade ulovlige løninger mod traf i objektfunktion Gentart Tidligere algoritmer Trinvi forbedring Stejlete nedtigning Gentart Ingen af oventående har hukommele opamler information og bruger hukommele til at tyre øgning har ingen impel definition er vær at analyere matematik kræver mere tilpaning til hvert problem/omegn 3 4 Paradigmet anvendt i 970 erne, nuværende form indført af Glover (96)... a framework that link the perpective of artificial intelligence and operation reearch... effective trategie for combinatorial problem can require method that formal theorem are unable to jutify Method that are intelligently flexible lie in ome yet-to-be-defined realm to which theorem do not apply, yet which embrace enough tructure to exclude aimle wandering Vellykkede anvendeler og klogt valgt navn har gjort tabuøgning til tandard metaheuritik Ordbog AI ordinary meaning tabu forbidden (change of olution vector) tabu lit table of previou olution (compact) apiration level objective function value apiration criterion accept criterion long time memory tatitic of good/bad olution f Videreudvikling af tejlete nedtigning algorithm tabuøgning vælg en initiel løning S æt : intialier tabulite find bedte løning N om ikke er tabu : opdater tabulite if f f then : until topkriterium return 5 6
5 Grundlæggende trategi vælg met forbedrende (eller mindt forværrende) kridt i hver iteration undgå cykler ved at forbyde vie løninger/kridt, åkaldte tabuløninger Implementation forbyd alle tidligere løninger forbyd max k tidligere løninger forbyd max k tidligere kridt forbyd løninger med en given attribut Tabulite: hvi ændrer x i a til x i b tilføje x i a x 3 x 4 7 x 5 2 Tabuliten længde 5 0. for lille: cykler for tor: tidkrævende at kontrollere tabu alt for retriktiv Med længde M garantere cykler M Apirationkriterie Giver mulighed for at bryde forbud i tabuliten hvi objektfunktion bedre end hidtil globalt bedte hvi objektfunktion bedre end daværende bedte x 3 x 4 7 x for grafdeling Objektfunktion: f x c uv x u u v V Omegn: Ombyt to elementer k hvor k V og V 2 Mindre Omegn: Flyt et element fra V til V 2 eller omvendt. Straf for ej overholdt begrænning. Effektiv udregning af objektfunktion f : f f Tabulite: Hvi knude k flytte fra V til V 2 (x k x k 0) x v variabel k 7 3 forbudt tiltand Hvi apirationkriterie benytte huker jeg gældende objektfunktion ammen med tabu liten: variabel k 7 3 forbudt tiltand objektfunktion Tabu Søgning for Kvadratik Tildeling n faciliteter med trøm a i j fra facilitet i til j n lokaliteter med aftand b i j fra lokalitet i til j find en permutation π der minimerer f π n n π i er facilitet i placering a i j b π i! π j! i j lokalitet facilitet Løningrum: alle mulige permutationer af n tal, O n! 9 20
6 Tabu Søgning for Kvadratik Tildeling Sammenligning Omegn N π π π opnå ved at ombytte to elementer i π lokalitet facilitet I tabu-liten gemme følgende kridt i j : facilitet i og j bytter plad u v : lokalitet u og v bytter plad Dårlig repræentation da i j k l i k j l l k j i l k i j k l i j i l k j i j k l forhindrer ikke cyklik opførel I tabu-liten gemme følgende kridt i π i og j π j Global optimum High quality area High quality area Low quality area Start Iteration 4 Iteration 2 Iteration Iteration 6 Iteration 7 a) Solution pace model b) Random retart c) Simulated annealing d) Tabu earch Iteration 3 Iteration 5 Start 2 22, dikuion Genetike algoritmer Intenivering Fordele diverifikation Intenivering: Bedte løning i N vælge Diverifikation: Tabulite, apirationkriterier ulæmper + Meget grådig Følom overfor omegn tørrele da hele N kal gennemøge Flere parametre end imuleret udglødning Determinitik, kan derfor cykle + Veldeignet algoritme giver gode løninger Hint Betragt kun en delmængde af N hvi N er tor Udregn f : f f Kan være henigtmæigt at tillade ulovlige løninger mod traf i objektfunktion Reaktiv tabuøgning, langtidhukommele, gentart Indført af Holland (975) motiveret af Darvinime Princip population af løninger udvælgele krydning mutation algorithm genetik optimering vælg en initiel population P i!, hvor i " S evaluer population(p); udvælg individer(p, bai); kryd individer(bai, P# ); muter individer(p# ); P : P# until topkriterium return P 23 24
7 % % % % E E Genetike algoritmer Udvælgele urvival of the fittet objektfuntion f udvælgeleandynlighed p u K kvalitetmål K P K vælger probabilitik P gange Genetike algoritmer Krydning to-punkt krydning : 2 : 2 : : bedte eller begge medtage i næte generation Krydning: gentag til P individer udvælg en tilfældig løning fra bai 2 overfør direkte til nye generation med andynlighed p d 3 udvælg en anden løning 2, kryd og 2 overfør afkom til ny generation med andynlighed p d. Bemærk: gamle individer kan overleve, typik p d 2 Mutation ændrer et tegn : : ikre predning i population da riiko for at alle en andynlighed p m P krydning kal være vigtigte operator Genetike algoritmer, TSP G "! V# E$ med vægte d i j, find kortete Hamilton-kred Permutation π af & # 2# 3#(')'('*# n+ om minimierer n 2 f! π$ d π- i. π- i/. i, Krydning kal bevare at π er permutation π : :9:;=< π 2 : 9>43:;=065<?7 π@ : 02A3?;=065 ;:< π@2 : 9>A3 57:9=<?7 (to-punkt) π@ : 0>43:9=;65<?7 π@2 : 9>43 065"7:;:< (et-punkt) Mutation π: 02A3B5"7:9=;=< π@ : 02C9?5"7=3:;=< 3 (ombyt to elementer) Genetike algoritmer, dikuion Intenivering D Fordele D diverifikation Intenivering: Population af løninger Diverifikation: Krydning, mutation ulæmper + Returnerer familie af løninger + Bevarer lokale egenkaber Dyrt at vedligeholde mange en løninger Svært at finde god kodning for mange problemer Temmelig mange paramtere + Parametre kan indgå om del af trengen (mod øget beregning) Hint E Population F P FHG 00 E Stopkriterium: uændret bedte løning K gange 27 2
8 Litteratur P.J.M. van Laarhoven (9), Theoretical and computational apect of imulated annealing, Eramu Univerity, Rotterdam, PhD thei. N. Metropoli m.fl. (953) Equation of tate calculation by fat computing machine, Journal of Chemical Phyic, 2, S. Kirkpatrick, C.D. Gelatt, M.P. Vecchi (93) Optimization by Simulated Annealing, Science 220, J.H. Holland (975) Adaptation in Natural and Artificial Sytem, Univerity of Michigan Pre, Ann Arbor. Reeve (995) Modern Heuritic Technique for Combinatorial Problem, McGraw-Hill. F. Glover (96) Tabu Search, part I, ORSA Journal on Computing, Dowland (995) Variant of Simulated Annealing for Practical Problem Solving in V. J. Rayward-Smith (Ed) Application of Modern Heuritic Method, Henley-on- Thame, Alfred Waller,
Approximationsalgoritme giver garanti for løsningskvalitet Heuristik giver ingen garanti for løsningskvalitet
Generelle optimeringsheuristikker Også kaldet metaheuristikker. Idag gennemgås: Indplacering Lokal søgning Simuleret udgløding Tabusøgning Genetiske algoritmer Løsningsmetoder for NP -hårde opimeringsproblemer
Læs mereKursus Introduktion til Statistik. Oversigt, Inferens for gennemsnit (One-sample setup)
Kuru 02402 Introduktion til Statitik Forelæning 5: Kapitel 7: Inferen for gennemnit (One-ample etup) Per Bruun Brockhoff DTU Compute, Statitik og Dataanalye Bygning 324, Rum 220 Danmark Teknike Univeritet
Læs mere6.7 Capital Asset Pricing Modellen
0 Lineær regreion 67 Capital Aet Pricing Modellen I dette afnit vil vi gennemgå et ekempel hvor den intereante hypotee er om regreionlinien kærer y-aken i nul Ekempel 62 Capital Aet Pricing Model) I finanielle
Læs mereMatematisk modellering og numeriske metoder
Matematik modellering og numerike metoder Morten Grud Ramuen 4. oktober 26 Laplace-tranformationer. Definitionen af Laplace-tranformationen Definition. (Laplace-tranformation). Lad f være en funktion defineret
Læs mereNoter til kursusgang 8, IMAT og IMATØ
Noter til kursusgang 8, IMAT og IMATØ matematik og matematik-økonomi studierne 1. basissemester Esben Høg 25. oktober 2013 Institut for Matematiske Fag Aalborg Universitet Esben Høg Noter til kursusgang
Læs mereNetværksalgoritmer. Netværksalgoritmer. Meddelelses-modellen. Routing
Netværkalgoritmer Netværkalgoritmer Netværkalgoritmer er algoritmer, der udføre på et netværk af computere Dere udfør er ditribueret Omfatter algoritmer for, hvorlede routere ender pakker igennem netværket
Læs mereSidste gang Motivation Definitioner Approximations-algoritme for knudeoverdækning Approximations-algoritme for TSP med trekantsulighed
Approximations-algoritmer Sidste gang Motivation Definitioner Approximations-algoritme for knudeoverdækning Approximations-algoritme for TSP med trekantsulighed Negativt resultat om generel TSP Approximations-algoritme
Læs mereLøs til optimalitet i eksponentiel tid Find tilnærmet løsning i polynomielt tid Optimeringsproblemer kan ikke altid verificeres i polynomiel
I dag Løsning af NP -hårde optimeringsproblemer Repetition: branch-and-bound Flere begreber Konkret eksempel: TSP Lagrange relaxering Parallel branch-and-bound 1 Opsummering Løsning af NP -hårde optimeringsproblemer
Læs mereTirsdag 12. december David Pisinger
Videregående Algoritmik, DIKU 2006/07 Tirsdag 12. december David Pisinger Resume sidste to gang Sprog L : mængden af instanser for et afgørlighedsproblem hvor svaret er 1. P = {L : L genkendes af en algoritme
Læs mereLøs til optimalitet i eksponentiel tid Find tilnærmet løsning i polynomiel tid
6 april Løsning af N P -hårde problemer Løs til optimalitet i eksponentiel tid Find tilnærmet løsning i polynomiel tid Oversigt Grænseværdier (repetition) Branch-and-bound algoritmens komponenter Eksempler
Læs mereKorteste veje. Korteste veje. Introduktion. Introduktion. Introduktion Egenskaber for korteste veje Dijkstras algoritme Korteste veje på DAGs
Kortete veje Egenkaber for kortete veje Dijktra algoritme Kortete veje på DAG Kortete veje Egenkaber for kortete veje Dijktra algoritme Kortete veje på DAG Philip Bille Introduktion Kortete veje. Givet
Læs mereKorteste veje. Korteste veje. Introduktion. Introduktion. Introduktion Egenskaber for korteste veje Dijkstras algoritme Korteste veje på DAGs
Kortete veje Egenkaber for kortete veje Dijktra algoritme Kortete veje på DAG Kortete veje Egenkaber for kortete veje Dijktra algoritme Kortete veje på DAG Philip Bille Introduktion Kortete veje. Givet
Læs mereKorteste veje. Korteste veje. Introduktion. Introduktion. Introduktion Egenskaber for korteste veje Dijkstras algoritme Korteste veje på DAGs
Kortete veje Egenkaber for kortete veje Dijktra algoritme Kortete veje på DAG Kortete veje Egenkaber for kortete veje Dijktra algoritme Kortete veje på DAG Philip Bille Introduktion Kortete veje. Givet
Læs mereI dag. Binomialfordelingen Sandsynlighedsregning og statistik. Eksempel: cornflakessmagning. Binomialfordelingen
I dag Binomialfordelingen Sandynlighedregning og tatitik Helle Sørenen Binomialfordelingen! Sandynlighedregning: definition og andynlighedfunktion Sandynlighedregning v. tatitik Statitik: tatitik model
Læs mereSymmetrisk Traveling Salesman Problemet
Symmetrisk Traveling Salesman Problemet Videregående Algoritmik, Blok 2 2008/2009, Projektopgave 2 Bjørn Petersen 9. december 2008 Dette er den anden af to projektopgaver på kurset Videregående Algoritmik,
Læs mereTermodynamik - Statistisk fysik - Termodynamiske relationer - Fri energi - Entropi
Fag: Termodynamik - Statitik fyik - Termodynamike relationer - Fri energi - Entropi 1 Indholdfortegnele... 2 Forord... 3 Formelle definitioner... 3 Et ytem... 3 Et lukket ytem... 3 Et ioleret ytem... 3
Læs mereParallelisering/Distribuering af Genetiske Algoritmer
Parallelisering/Distribuering af Genetiske Algoritmer Hvorfor parallelisere/distribuere? Standard GA algoritme Modeller Embarassing parallel Global (fitness evaluering) Island (subpopulation) Grid/Cellular
Læs mereFaldmaskine. Esben Bork Hansen Amanda Larssen Martin Sven Qvistgaard Christensen. 23. november 2008
Faldmakine Eben Bork Hanen Amanda Laren Martin Sven Qvitgaard Chritenen 23. november 2008 Indhold Formål 3 2 Optilling 3 2. Materialer............................... 3 2.2 Optilling...............................
Læs mereHjemmeopgave 1 Makroøkonomi, 1. årsprøve, foråret 2005 Vejledende besvarelse
Hjemmeopgave Makroøkonomi,. årprøve, foråret 2005 Vejledende bevarele Opgave. Korrekt. Arbejdtyrken er en beholdning- (tock) variabel, idet man på et givet tidpunkt (fx. jan) kan tælle, hvor mange der
Læs mereProgram. Konfidensinterval og hypotesetest en enkelt normalfordelt stikprøve. Eksempel: hjerneceller hos marsvin. Eksempel: hjerneceller hos marsvin
Program Konfideninterval og hypoteetet en enkelt normalfordelt tikprøve Helle Sørenen E-mail: helle@math.ku.dk I dag: Lidt repetition fra i mandag Konfideninterval for µ the baic Tet af nulhypotee om µ
Læs mereProgram. Statistik og Sandsynlighedsregning 2 Normalfordelingens venner og bekendte. χ 2 -fordelingen
Program Statitik og Sandynlighedregning 2 Normalfordelingen venner og bekendte Helle Sørenen Uge 9, ondag Reultaterne fra denne uge kal bruge om arbejdhete i projekt 1. I formiddag: χ 2 -fordelingen, t-fordelingen,
Læs mereEn varmluftsballon. s Kurvelængden fra ballonens toppunkt til punktet P. til symmetriaksen.
P og En varmluftballon Denne artikel er en lettere revideret udgave af en artikel, om Dan Frederiken og Erik Vetergaard fra Haderlev Katedralkole havde i LMFK-bladet nr. 2, februar 1997. Enhver, om er
Læs mereDynamisk programmering
Dynamisk programmering Dynamisk programmering Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Har en hvis lighed med divide-and-conquer: Begge opbygger løsninger til større problemer
Læs mereguide skift elselskab og spar en formue billigere Januar 2015 Se flere guider på bt.dk/plus og b.dk/plus
guide Januar 2015 få billigere el kift elelkab og par en formue Se flere guider på bt.dk/plu og b.dk/plu 2 SKIFT ELSELSKAB SPAR EN FORMUE INDHOLD SIDE 4 Mange kan core hurtige og nemme penge ved at kifte
Læs mereFag: Fysik - Matematik - IT Elever: Andreas Bergström, Mads Paludan, Jakob Poulsgærd & Mathias Elmhauge Petersen. Det skrå kast
Det krå kat Data Forøg 1: = 38 V 0 = 4, 94 K vidde = 2, 058 H = 0, 406 t = 0, 53 Forøg 2 (60 ): = 60 V 0 = 4, 48 K vidde = 1, 724 H = 0, 788 t = 0, 77 Fyik del Udførel af forøg Kat på 38 : Forøgoptilling:
Læs mereGETO Gigaport Volumenbagdøre
L Til kae- eller preenningopbygninger Certificeret i henhold til DIN EN 122 Priguntig GETO Gigaport Volumenbagdøre TITGEMEYER Tf108DK(1007)2 Let læeadgang Optimal åbning på grund af dobbeltleddede hængler.
Læs mereSHARKY varmeenergimålere
SHARKY varmeenergimålere SHARKY 773 er kabt til måling af varmeenergi i tørre og mindre varmeanlæg. Den er let at intallere og er meget betjeningvenlig. Med it patenterede måleytem og indat ikre tor måletabilitet,
Læs mereSprog L : mængden af instanser for et afgørlighedsproblem
26. marts Resume sidste to gang Sprog L : mængden af instanser for et afgørlighedsproblem hvor svaret er 1. P NP L : L genkendes af en algoritme i polynomiel tid L : L verificeres af en polynomiel tids
Læs mereRIALTO SIDEHÆNGT PARASOL
RIALT 6 SIDEHÆNGT PARASL RIALT 6 RIALT Rialto er en erie af idehængte paraoller, hvor anvendelen af materialer, teknologi og innovation er lykkede til perfektion. Den er deignet til at dække tore områder
Læs mereVanskelige vilkår for generationsskifte med nye regler - Afskaffelse af formueskattekursen samt svækkelse af sikkerheden trods bindende svar
- 1 Vankelige vilkår for generationkifte med nye regler - Afkaffele af formuekattekuren amt vækkele af ikkerheden trod bindende var Af advokat (L) Bodil Chritianen og advokat (H), cand. merc. (R) Tommy
Læs mereNetværksalgoritmer 1
Netværksalgoritmer 1 Netværksalgoritmer Netværksalgoritmer er algoritmer, der udføres på et netværk af computere Deres udførelse er distribueret Omfatter algoritmer for, hvorledes routere sender pakker
Læs mereBranch-and-bound. David Pisinger. Videregående algoritmik, DIKU (2007-08) 1 Introduktion 5 1.1 Gennemgående eksempler... 7. 2 Brute-force metoder 10
Branch-and-bound David Pisinger Videregående algoritmik, DIKU (2007-08) Indhold 1 Introduktion 5 1.1 Gennemgående eksempler..................... 7 2 Brute-force metoder 10 3 Divide and Conquer 11 4 Grænseværdier
Læs mereSøgning i decentrale og ustrukturerede P2P netværk
Speciale Mart 2003 Internetteknologilinjen IT-højkolen i København Glentevej 67 2400 København NV Søgning i decentrale og utrukturerede P2P netværk Sune Kloppenborg Jeppeen Vejleder: Kåre Jelling Kritofferen
Læs mereBetonkonstruktioner Lektion 2
Betonkontruktioner Lektion 2 Indhold: Rektangulære tværnit, med og uden trykarmering T-tværnit Tværnit med flere lag af trækarmering Bøjning af andre tværnit. Ren Bøjning - Brudtiltand Formål: At beregne
Læs mereDynamisk programmering
Dynamisk programmering Dynamisk programmering Optimeringsproblem: man ønsker at finde bedste den kombinatoriske struktur blandt mange mulige. Dynamisk programmering Optimeringsproblem: man ønsker at finde
Læs mereLøsning, Bygningskonstruktion og Arkitektur, opgave 7
Løning, Bygningkonuktion og rkitektur, opgave 7 Dækelementerne er 0, m tykke og pænder over m. Der anvende ølgende regningmæige materialeparamee: Beton: 8, MPa α 8 rmering: 8 MPa. E d, 0 MPa E k 0 MPa
Læs mereDivide-and-Conquer algoritmer
Divide-and-Conquer algoritmer Divide-and-Conquer algoritmer Det samme som rekursive algoritmer. 1. Opdel problem i mindre delproblemer (af samme type). 2. Løs delproblemerne ved rekursion (dvs. kald algoritmen
Læs mereGeometrisk nivellement. Landmålingens fejlteori - Lektion 7 - Repetition - Fejlforplantning ved geometrisk nivellement. Modellen.
Landmålingen fejlteori Lektion 7 Repetition Fejlforplantning ved geometrik nivellement h t f t f t f t 4 f 4 t n f n - kkb@mathaaudk http://peoplemathaaudk/ kkb/undervining/lf Intitut for Matematike Fag
Læs mereSCREENING FOR PCB I MATERIALEPRØVER NORDREGÅRDSSKOLEN TEJN ALLÉ 3 2770 KASTRUP. Udarbejdet for:
Golder Aociate Maglebjergvej 6, 1. 2800 Kg. Lyngby Tel: [45] 7027 4757 Fax: [45] 7027 4457 http://www.golder.com SCREENING FOR PCB I MATERIALEPRØVER NORDREGÅRDSSKOLEN TEJN ALLÉ 3 2770 KASTRUP Udarbejdet
Læs mereGrådige algoritmer. Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for
Læs mereM=3 kunde forbindelse. oprettet lokation Steinerkant
M=3 åben facilitet kunde forbindelse lukket facilitet oprettet lokation Steinerkant v Connected facility location-problemet min i f i y i + d j c ij x ij + M c e z e (1) j i e hvorom gælder: x ij 1 j (2)
Læs mereDivide-and-Conquer algoritmer
Divide-and-Conquer algoritmer Divide-and-Conquer algoritmer Det samme som rekursive algoritmer. Divide-and-Conquer algoritmer Det samme som rekursive algoritmer. 1. Opdel problem i mindre delproblemer
Læs mereDynamisk programmering
Dynamisk programmering Dynamisk programmering Optimeringsproblem: man ønsker at finde bedste den kombinatoriske struktur (struktur opbygget af et endeligt antal enkeltdele) blandt mange mulige. Eksempler:
Læs mereEr der tvivl, om hvorvidt den sne, der retningslinier for tiltag mod alvorlige
Hvordan rydder jeg mit tag for ne? Forord Sne på tage Denne vejledning giver nogle generelle Baggrunden for vejledningen er, at der Større mængder af ne på tage kal tage Er der tvivl, om hvorvidt den ne,
Læs mereGrådige algoritmer. Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for
Læs mereSammenhængen mellem strækning og tid Farten angiver den tilbagelagte strækning i et tidsrum. Farten kan bestemmes ved brug af formlen:
Oplag 8: FORMLHÅNDTRING Sammenhængen mellem trækning og tid Farten angiver den tilbagelagte trækning i et tidrum. Farten kan betemme ved brug af formlen: fart = trækning tid Anvender vi i tedet ymboler,
Læs mereFractal compression a technology in search of a problem
Fractal compression a technology in search of a problem Bryggervej 30, 8240 Århus N 4. januar 2011 Oversigt 1 Magien bag ved Matematikken Kopimaskinen Simsalabim Partitioneret IFS 2 Collage theorem De
Læs mereEt generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Ideen er simpel:
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Ideen er simpel: Opbyg løsningen skridt for skridt ved hele tiden af vælge lige
Læs mereDivide-and-Conquer algoritmer
Divide-and-Conquer algoritmer Divide-and-Conquer algoritmer Det samme som rekursive algoritmer. Divide-and-Conquer algoritmer Det samme som rekursive algoritmer. 1. Opdel problem i mindre delproblemer
Læs mereRegulering af dynamiske systemer
Regulering af dynamike ytemer p. / Regulering af dynamike ytemer Seminar 2 Tom Pederen, Jan Dimon Bendten Aalborg Univeritet Regulering af dynamike ytemer p. 2/ deign Sytem V For () R() E() D() U() 0 5
Læs mereComputing the constant in Friedrichs inequality
Computing the constant in Friedrichs inequality Tomáš Vejchodský vejchod@math.cas.cz Institute of Mathematics, Žitná 25, 115 67 Praha 1 February 8, 212, SIGA 212, Prague Motivation Classical formulation:
Læs mere.. if L(u) + w(u, v) < L(v) then.. begin... L(v) := L(u) + w(u, v)... F (v) := u.. end. med længde L(z)}
Procedure Dijkstra(G = (V, E): vægtet sh. graf,. a, z: punkter) { Det antages at w(e) > 0 for alle e E} For alle v V : L(v) := L(a) := 0, S := while z / S begin. u := punkt ikke i S, så L(u) er mindst
Læs mereSCREENING FOR PCB I MATERIALEPRØVER SKELGÅRDSSKOLEN UGANDAVEJ 124 2770 KASTRUP. Udarbejdet for:
Golder Aociate Maglebjergvej 6, 1. 2800 Kg. Lyngby Tel: [45] 7027 4757 Fax: [45] 7027 4457 http://www.golder.com SCREENING FOR PCB I MATERIALEPRØVER SKELGÅRDSSKOLEN UGANDAVEJ 124 2770 KASTRUP Udarbejdet
Læs mereDanmarks Tekniske Universitet
side af sider Danmarks Tekniske Universitet Skriftlig prøve, den 6. maj 0. Kursusnavn: Algoritmer og datastrukturer I Kursus nr. 005. Tilladte hjælpemidler: Skriftlige hjælpemidler. Varighed: timer Vægtning
Læs mereKØBENHAVNS UNIVERSITET NATURVIDENSKABELIG BACHELORUDDANNELSE Skriftlig prøve i Fysik 4 (Elektromagnetisme) 26. juni 2009
KØBENHAVNS UNIVERSITET NATURVIDENSKABELIG BACHELORUDDANNELSE Skriftlig prøve i Fyik 4 (Elektromagnetime) 26. juni 2009 Tilladte hjælpemidler: Medbragt litteratur, noter og lommeregner. Der må bevare med
Læs mereAlgoritmedesign med internetanvendelser ved Keld Helsgaun
Algoritmedesign med internetanvendelser ved Keld Helsgaun 1 Analyse af algoritmer Input Algoritme Output En algoritme er en trinvis metode til løsning af et problem i endelig tid 2 Algoritmebegrebet D.
Læs mereMeasuring Evolution of Populations
Measuring Evolution of Populations 2007-2008 5 Agents of evolutionary change Mutation Gene Flow Non-random mating Genetic Drift Selection Populations & gene pools Concepts a population is a localized group
Læs mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs mereHvad betyder økonomi og helbred for tilbagetrækningen
Hvad beyder økonomi og helbred for ilbagerækningen Profeor Paul Bingley og PHD Michael Jørgenen SFI De Naionale Forkningcener for Velfærd 1. Formåle med præenaionen. Dagorden 2. De Danke ilbagerækninglandkab.
Læs mereDivide-and-Conquer algoritmer
Divide-and-Conquer algoritmer Divide-and-Conquer algoritmer Det samme som rekursive algoritmer. Divide-and-Conquer algoritmer Det samme som rekursive algoritmer. 1. Opdel problem i mindre delproblemer
Læs mereModellering af strømning i CFX
Modellering af trøning i I følgende afnit bekrive optillingen og forudætningerne for opætning af en CFD-odel (Coputional Fluid Dynaic) i odellen 5.6. er en fuld dynaik tredienional trøningodel, o benytter
Læs mereHamiltonkreds, den handelsrejsendes problem, delmængdesum-problemet
, den handelsrejsendes problem, delmængdesum-problemet Videregående algoritmik Cormen et al. 34.5.3 34.5.5 Fredag den 19. december 2008 1 N P-fuldstændige problemer 1 N P-fuldstændige problemer 2 Reduktion
Læs mereUdtømmende søgning 1
Udtømmende søgning Udtømmende søgning (kombinatorisk søgning) Systematisk gennemsøgning af alle potentielle løsninger Den rejsende sælgers problem (TSP): En sælger skal besøge N byer Find den korteste
Læs mereBilag 16 Licensbetingelser mv.
Bilag 16 Licenbetingeler mv. Vejledning: Som led i Leverancen kal Leverandøren løbende bitå Kunden med licentyring. I nærværende bilag kal Leverandøren løbende indætte licenerne til det Programmel med
Læs mereDM559/DM545 Linear and integer programming
Department of Mathematics and Computer Science University of Southern Denmark, Odense June 10, 2017 Marco Chiarandini DM559/DM545 Linear and integer programming Sheet 12, Spring 2017 [pdf format] The following
Læs mereMindste udspændende træ. Mindste udspændende træ. Introduktion. Introduktion
Philip Bille Introduktion (MST). Udspændende træ af minimal samlet vægt. Introduktion (MST). Udspændende træ af minimal samlet vægt. 0 0 Graf G Ikke sammenhængende Introduktion (MST). Udspændende træ af
Læs mereDanmarks Tekniske Universitet
side af sider Danmarks Tekniske Universitet Skriftlig prøve, den 6. maj 0. Kursusnavn: Algoritmer og datastrukturer Kursus nr. 06. Tilladte hjælpemidler: Skriftlige hjælpemidler. Varighed: timer Vægtning
Læs mereLøsning, Beton opgave 5.1
Løning, Beton opgave 5. Dækelementerne er 0, m tykke og pænder over 5 m. Der anvende ølgende materialeparamee: Beton: 8, MPa α 8 rmering: 85 MPa. E d,5 0 5 MPa E k 0 5 MPa tanden ra armeringen tyngdepunkt
Læs mereØvelse i Ziegler-Nichols med PID-regulator
Øvele i Ziegler-Nichol med PID-regulator Formål Forøgoptilling 1-1. orden ytem Procerør Formålet med øvelen er at finde brugbare parametre til regulering af et 1. og 2. orden ytem ved hjælp af Ziegler-Nichol
Læs mere18 referencer. Energibesparende løsninger til renovering af varme- og kølingssystemer. varme.danfoss.dk. med tilbagebetalingstid
MAKING MODERN LIVING POSSIBLE Energibeparende løninger til renovering af varme- og kølingytemer 18 referencer med tilbagebetalingtid Beregninger vier, hvor hurtigt din invetering vil blive tilbagebetalt
Læs mereLøsning, Beton opgave 2.1
Løning, eton opgave. Løning, eton opgave. - diagrammet betemme or ølgende tværnit, hvor 8, Pa, d 38 Pa, d,4 0 Pa, 0,003 og u 0,08. Forkellige hjælpetørreler: h 0 + 40 300 mm d 300 40 60 mm d 40 mm π 6
Læs mereGrådige algoritmer. Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Grådige algoritmer Grådige algoritmer Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Grådige algoritmer Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Læs mereAlgorithms & Architectures I 2. lektion
Algorithms & Architectures I 2. lektion Design-teknikker: Divide-and-conquer Rekursive algoritmer (Recurrences) Dynamisk programmering Greedy algorithms Backtracking Dagens lektion Case eksempel: Triple
Læs mereAlgoritmer og invarianter
Algoritmer og invarianter Iterative algoritmer Algoritmen er overordnet set een eller flere while eller for-løkker. Iterative algoritmer Algoritmen er overordnet set een eller flere while eller for-løkker.
Læs mereApproximations-algoritmer. Løsningsmetoder for NP -hårde opt.problemer
Motivation Definitioner Approximations-algoritme for nudeoverdæning Approximations-algoritme for TSP med treantsulighed Negativt resultat om generel TSP Approximations-algoritme for SET-OVERING Fuldt polynomiel-tids
Læs mereDanmarks Tekniske Universitet
side af sider Danmarks Tekniske Universitet Skriftlig prøve, den. maj 00. Kursusnavn Algoritmer og datastrukturer Kursus nr. 06. Tilladte hjælpemidler: Alle hjælpemidler. Vægtning af opgaverne: Opgave
Læs mereEn ny mellemfristet holdbarhedsindikator
En ny mellemfrie holdbarhedindikaor Andrea Øergaard Iveren Danih aional Economic Agen Model, DEAM Peer Sephenen Danih aional Economic Agen Model, DEAM DEAM Arbejdpapir 03: Februar 03 Abrac Arbejdpapire
Læs mereHamilton-veje og kredse:
Hamilton-veje og kredse: Definition: En sti x 1, x 2,...,x n i en simpel graf G = (V, E) kaldes en hamiltonvej hvis V = n og x i x j for 1 i < j n. En kreds x 1, x 2,...,x n, x 1 i G kaldes en hamiltonkreds
Læs mereGrådige algoritmer. Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for
Læs mereKorteste veje i vægtede grafer. Længde af sti = sum af vægte af kanter på sti.
Korteste veje Korteste veje i vægtede grafer Længde af sti = sum af vægte af kanter på sti. Korteste veje i vægtede grafer Længde af sti = sum af vægte af kanter på sti. δ(u, v) = længden af en korteste
Læs mereTirsdag 18. december David Pisinger
Videregående Algoritmik, DIKU 00-08 Tirsdag 8. december David Pisinger Approximations-algoritmer Motivation Definitioner Approximations-algoritme for knudeoverdækning Approximations-algoritme for TSP trekantsulighed)
Læs mereSøgning og Sortering. Søgning og Sortering. Søgning. Linæer søgning
Søgning og Sortering Søgning og Sortering Philip Bille Søgning. Givet en sorteret tabel A og et tal x, afgør om der findes indgang i, så A[i] = x. Sorteret tabel. En tabel A[0..n-1] er sorteret hvis A[0]
Læs mereSkriftlig Eksamen Algoritmer og Datastrukturer (DM507)
Skriftlig Eksamen Algoritmer og Datastrukturer (DM507) Institut for Matematik og Datalogi Syddansk Universitet, Odense Onsdag den 0. juni 009, kl. 9 Alle sædvanlige hjælpemidler (lærebøger, notater, osv.)
Læs mereSkriftlig eksamen i Datalogi
Roskilde Universitetscenter side 1 af 9 sider Skriftlig eksamen i Datalogi Modul 1 Vinter 1999/2000 Opgavesættet består af 6 opgaver, der ved bedømmelsen tillægges følgende vægte: Opgave 1 5% Opgave 2
Læs mereMindste udspændende træ. Mindste udspændende træ. Introduktion. Introduktion
Philip Bille Introduktion (MST). Udspændende træ af minimal samlet vægt. Introduktion (MST). Udspændende træ af minimal samlet vægt. 0 0 Graf G Ikke sammenhængende Introduktion (MST). Udspændende træ af
Læs mereMå vi lege doktor? En folder til forældre om seksuel udvikling blandt børn i alderen 0-6 år
Må vi lege doktor? En folder til forældre om ekuel udvikling blandt børn i alderen 0-6 år t e t i l a u k e n r Små bø Som forældre kan du flere gange i løbet af barnet opvækt opleve at blive mødt med
Læs mereMindste udspændende træ
Mindste udspændende træ Introduktion Repræsentation af vægtede grafer Egenskaber for mindste udspændende træer Prims algoritme Kruskals algoritme Philip Bille Mindste udspændende træ Introduktion Repræsentation
Læs mereApproksimationsalgoritmer for k-median og facility location problemer, vha. lokalsøgning
Approksimationsalgoritmer for k-median og facility location problemer, vha. lokalsøgning Peter Neergaard Jensen, Christian Plum & Mette Gamst 8. januar 2006 1 Indledning I forbindelse med kurset Approkismationsalgoritmer,
Læs mereSelkirk Rex i Danmark
Selkirk Rex i Danmark Af Florence McLean Der er mange ider på internettet, hvor man kan finde oplyninger om Selkirk Rex, derfor er dette blevet til en mere peronlig bekrivele af egne opleveler omkring
Læs mereKorteste veje i vægtede grafer. Længde af sti = sum af vægte af kanter på sti.
Korteste veje Korteste veje i vægtede grafer Længde af sti = sum af vægte af kanter på sti. Korteste veje i vægtede grafer Længde af sti = sum af vægte af kanter på sti. δ(u, v) = længden af en korteste
Læs mereGrundlæggende køretidsanalyse af algoritmer
Grundlæggende køretidsanalyse af algoritmer Algoritmers effektivitet Størrelse af inddata Forskellige mål for køretid Store -notationen Klassiske effektivitetsklasser Martin Zachariasen DIKU 1 Algoritmers
Læs mereRolf Fagerberg. Forår 2013
Forår 2013 Mål for i dag Dagens program: 1 2 3 4 5 6 Forudsætninger: DM536 og DM537 Timer: 50% forelæsninger, 50% øvelser Forudsætninger: DM536 og DM537 Eksamenform: Skriftlig eksamen: Timer: 50% forelæsninger,
Læs mereDatastrukturer (recap)
Dictionaries Datastrukturer (recap) Data: Datastruktur = data + operationer herpå En ID (nøgle) + associeret data. Operationer: Datastrukturens egenskaber udgøres af de tilbudte operationer (API for adgang
Læs mereAfdækning af nyankomne elevers sprog og erfaringer
Hele vejen rundt om eleven prog og reourcer afdækning af nyankomne og øvrige toprogede elever kompetencer til brug i underviningen Afdækning af prog og erfaringer TRIN Afdækning af nyankomne elever prog
Læs mereDM517:Supplerende noter om uafgørlighedsbeviser:
DM517:Supplerende noter om uafgørlighedsbeviser: Jørgen Bang-Jensen October 9, 2013 Abstract Formålet med denne note er at give en form for kogebogsopskrift på, hvorledes man bygger et uafgørlighedsbevis
Læs mereVideregående Algoritmik. Version med vejledende løsninger indsat!
Videregående Algoritmik DIKU, timers skriftlig eksamen, 1. april 009 Nils Andersen og Pawel Winter Alle hjælpemidler må benyttes, dog ikke lommeregner, computer eller mobiltelefon. Opgavesættet består
Læs mere16. december. Resume sidste gang
16. december Resume sidste gang Abstrakt problem, konkret instans, afgørlighedsproblem Effektiv kodning (pol. relateret til binær kodning) Sprog L : mængden af instanser for et afgørlighedsproblem hvor
Læs mereArtificial Intelligence
Artificial Intelligence Entailment and Algorithms [1] Computational Complexity in a Quick Ride Entailment and Algorithms [2] Turing Machine (A. Turing, 1937) Entailment and Algorithms [3] Turing Machine
Læs mereMindste udspændende træ
Mindste udspændende træ Introduktion Repræsentation af vægtede grafer Egenskaber for mindste udspændende træer Prims algoritme Kruskals algoritme Philip Bille Mindste udspændende træ Introduktion Repræsentation
Læs mere20 = 2x + 2y. V (x, y) = 5xy. V (x) = 50x 5x 2.
17 Optimering 17.1 Da omkræsen skal være 0cm har vi at 0 = x + y. Rumfanget V for kassen er en funktion der afhænger af både x og y givet ved V (x, y) = 5xy. Isolerer vi y i formlen for omkredsen og indsætter
Læs mere