METODE INTELIGENTE DE REZOLVARE A PROBLEMELOR REALE. Laura Dioşan Tema 2
|
|
- Cathleen Moore
- 6 years ago
- Views:
Transcription
1 METODE INTELIGENTE DE REZOLVARE A PROBLEMELOR REALE Laura Dioşan Tema 2
2 Conţinut Probleme de optimizare combinatorială Problema rucsacului şi problema comisului voiajor Formularea problemei şi exemple Algoritmi de rezolvare Exacţi Euristici Inspiraţi de natură De citit: S.J. Russell, P. Norvig Artificial Intelligence - A Modern Approach capitolul 3 şi 4 H.F. Pop, G. Şerban Inteligenţă artificială capitolul 3 Documentele din directorul KP şi TSP
3 Probleme de optimizare combinatorială (POC) Definire O problemă P de optimizare (minimizare sau maximizare) care presupune un set de instanţe D P un set finit de soluţii candidat S p (I) pentru fiecare instanţă I є D P o funcţie m p care asignează unei instanţe I şi unei soluţii candidat x є S P (I) un număr raţional pozitiv m P (I,x), numit valoarea soluţiei Soluţia optimă pentru o instanţă I є D P este o soluţie candidat x* є S P (I) a.î. m P (I,x*) m P (I,x) pentru orice x є S P (I)
4 Probleme de optimizare combinatorială (POC) Exemple Problema comisului voiajor (Travelling Salesman Problem TSP) Problema rucsacului Partiţionări în grafe Probleme de atribuiri quadratice Vehicle routing Scheduling
5 Probleme de optimizare combinatorială (POC) Metode de rezolvare Exacte Branch and bound Branch and cut Euristice Clasificare Probleme de atribuiri Probleme de aranjare Probleme de partiţionare Probleme de alegere a unor submulţimi
6 Problema rucsacului Formularea problemei şi exemple Tipologie Algoritmi de rezolvare Complexităţi
7 Problema rucsacului Formularea problemei şi exemple Se dau un rucsac de o anumită capacitate G şi n obiecte, fiecare obiect având o anumită greutate şi un anumit cost (valoare) Să se găsească o modalitate cât mia bună de umplere a rucsacului astfel încât valoare obiectelor alese să fie cât mai mare Dificultate NP-dificilă Interes: Problemă de referinţă pentru testarea ideilor Denumiri Knapsack problem (KP) Alocarea resurselor Submulţimi de sumă dată Cutting stock problem
8 Problema rucsacului De ce? Problemă conceptual simplă Problemă dificil de rezolvat Problemă intens cercetată Problemă care apare în diverse aplicaţii
9 Problema rucsacului Instanţe de referinţă Consideraţii generale Se dau n obiecte, fiecare având o valoare v i şi o greutate g i, i = 1, 2,..., n greutatea suportată de rucsac G Să se aleagă obiecte astfel încât max i=1,2,..., n v i x i a.î. i=1,2,.., n g i x i G, unde x i є {,1} sau x i є {,1,..., c i } sau x i є (,1] Instanţe
10 Problema rucsacului Tipologie Numărul de copii ale unui obiect care este depus în rucsac Problema -1 a rucsacului Fiecare obiect poate apare cel mult o dată în rucsac Problema mărginită a rucsacului Fiecare obiect poate apare cel mult c i ori în rucsac (i=1, 2,..., n) Problema ne-mărginită a rucsacului Fiecare obiect poate apare de ori câte ori în rucsac Numărul de rucsaci Un singur rucsac Mai mulţi rucsaci bin packing problem Tipul obiectelor Problema discretă a rucsacului Fiecare obiect ales trebuie pus în întregime în rucsac Problema continuă (fracţionată) a rucsacului Fiecare obiect ales poate fi pus doar parţial în rucsac
11 Problema rucsacului Algoritmi Exacţi Forţa brută Programare dinamică Branch-and-bound Euristici Constructive De îmbunătăţire
12 Problema rucsacului Algoritmi Exacţi Forţa brută Programare dinamică Branch-and-bound Euristici Constructive De îmbunătăţire
13 Forţa brută Alte denumiri Căutare exhaustivă Generează şi testează Mod de lucru 1. Se generează o potenţială soluţie 2. Se evaluează această potenţială soluţie 3. Se verifică dacă costul curent este mai bun decât costul precedent Dacă da, se reţine această soluţie 4. Se revine la pasul 1
14 Forţa brută KP Alegerea submulţimii optime Algoritm 1. Se generează o sumbulţime de obiecte 2. Dacă obiectele alese încap în rucsac atunci Se dermină costul (valoarea) asociat(ă) sumbulţimii Se verifică dacă costul curent este mai bun decât costul precedent Dacă da, se reţine această soluţie 3. Se revine la pasul 1
15 Problema rucsacului Algoritmi Exacţi Forţa brută Programare dinamică Branch-and-bound Euristici Constructive De îmbunătăţire
16 Programare dinamică Principii Principiul optimalităţii Optimul general implică optimele parţiale Optimul parţial nu implică optimul general Mod de lucru Descompunerea problemei în subprobleme Se rezolvă mai întâi subproblemele care pot fi soluţionate imediat Se combină aceste soluţii parţiale, obţinând astfel soluţii la problemele de pe niveluri superioare (din arborele de descompunere)
17 Programare dinamică KP Descompunerea Se construieşte o matrice m, unde m[i,g] = valoarea maximă care poate fi obţinută prin alegerea unor obiecte din primle i şi cu o greutate totală a obiectelor mai mică decât g Definiţia recursivă a soluţiei m[,g] = (nici un obiect nu a fost ales) m[i,] = (nici o greutate) m[i,g] = m[i-1,g], dacă g i > g m[i,g] = maxim(m[i-1,g], v i +m[i-1,g-g i ])), dacă g i g
18 Programare dinamică KP function algorithmkp(g, n) for g = to G m[,g] := for i = 1 to n do for g = to G if ((gi g) and (vi+m[i-1,g-gi] > m[i-1, g]) m[i,g] = vi + m[i-1,g-gi] alese[i,g] = 1 else m[i,g] = m[i-1,g] alese[i,g] = k := G for i = n downto 1 if (alese[i,k] == 1) output i k = k gi return m[n,g] End
19 Programare dinamică KP G= g i v i i i= i= i= i=1 i= m[i,g] i=4 1 i= i= i=1 i= alese[i,g]
20 Problema rucsacului Algoritmi Exacţi Forţa brută Programare dinamică Branch-and-bound Euristici Constructive De îmbunătăţire
21 Branch-and-bound Principii Căutare ramificată expandarea inteligentă a unui nod din arborele de căutare Căutare mărginită căutarea se realizează între anumite limite Parcuregerea nodurilor mod special Nodurile se adaugă într-o coadă de priorităţi Criteriul de ordine pt un nod curent n f(n) = g(n) + h(n), unde g(n) distanţa de la rădăcina arborelui de căutare la nodul curent n cât a avansat căutarea h(n) o aproximare a distanţei de la nodul curent n până la soluţia finală cât mai trebuie căutat Margine inferioară (lower bound) Margine superioară (upper bound)
22 Branch-and-bound KP G = 1 i v i g i Ordonare crescătoare v i /g i i 1(4) 2 3 4(1) v i g i V valoarea obiectelor încărcate deja în rucsac G greutatea obiectelor încărcate deja în rucsac B limita (marginea) superioară a profitului care poate fi obţinut (bound) Valoarea obiectelor care ar putea fi încărcate în rucsac Valaorea obiectelor deja încărcate + valoarea obiectelor care ar mai putea fi încărcate în rucsac în paşii ulteriori PM* profitul maxim care se poate obţine cu o anumită încărcătură =maxim(min(v crt, B crt ), PM anterior ) ob1+ob2+ob3(parţial) v1+v2+(g-g1-g2)*v3/g3
23 Branch-and-bound KP pm*=pm=5
24 Branch-and-bound KP pm*=pm=5 pm*=pm=9 pm=5 pm*=9
25 Branch-and-bound KP pm=4 pm*=9
26 Branch-and-bound KP pm=9 pm*=9
27 Branch-and-bound KP pm=8 pm*=9 pm=5 pm*=9
28 Branch-and-bound KP pm=7 pm*=9 pm=4 pm*=9
29 Branch-and-bound KP pm=3 pm*=9
30 Branch-and-bound KP Soluţia ob1 şi ob2 pm=9 pm*=9
31 Problema rucsacului Algoritmi Exacţi Forţa brută Programare dinamică Branch-and-bound Euristici Constructive De îmbunătăţire
32 Căutare euristică Metodele de căutare deterministe (exacte) metode cu elemente aleatoare pt. evitarea blocării în optime locale euristici Avantaj Simplitate Funcţia obiectiv nu mai trebuie să respecte anumite proprietăţi (ex. diferenţiabilă) Dezavantaj Convergenţa spre soluţie este probabilistică
33 Căutare euristică Schema unui algoritm simplu (hill climbing) 1. Se porneşte cu o aproximare a soluţiei 2. Se generează o potenţială soluţie vecină cu vechea soluţie 3. Dacă se obţine o soluţie potenţială mai bună, aceasta se reţine şi se reptă pasul 2 Iniţializare x() K := Repetă generare vecin x al lui x(k) Dacă f(x ) < f(x(k)) atunci x(k+1) := x altfel x(k+1) := x(k) k := k + 1 Până când este satisfăcută o condiţie de oprire x* := x(k -1)
34 Euristici KP Euristici constructive Greedy Improved heuristics (euristici de îmbunătăţire) Simulated annealing Tabu search EAs
35 Euristici KP Euristici constructive Greedy Improved heuristics (euristici de îmbunătăţire) Simulated annealing Tabu search EAs
36 Greedy KP Alegerea obiectelor într-o anumită ordine i v i g i G= 9 ob1, ob2, ob4 valoare totală = 1 Nu generează întotdeauna o soluţie G = 1 i Ordonare i 1(4) 2 3 4(1) crescătoare v i v i vi/gi g i g i ob1, ob2 5 ob4, ob2 9
37 Euristici KP Euristici constructive Greedy Euristici de îmbunătăţire (improved heuristics) Simulated annealing Tabu search EAs
38 Simulated annealing Ideea de bază: Acceptarea noii ponteţiale soluţii se face cu o anumită probabilitate Sursa de inspiraţie: Procesul de reorganizare a structurii unui solid supus unui tratament termic Când solidul se încălzeşte (prin topire) particulele se distribuie aleator Când solidul se răceşte particulele se reorganizează ajungând în configuraţii cu energii tot mai mici Alte denumiri: Tratament termic simulat, călire simulată Metodă propusă de Kirkpatrick, Gelatt, Vecchi (1983), Cerny (1985)
39 Simulated annealing - algoritm Iniţializare x() K := Repetă generare vecin x al lui x(k) Dacă f(x ) < f(x(k)) atunci x(k+1) := x altfel x(k+1) := x cu probabilitatea exp(-(f(x )-f(x(k))/t) recalculează T k := k + 1 Până când este satisfăcută o condiţie de oprire soluţie x* := x(k -1) Unde T (temperatura) este un parametru de control al procesului de optimizare
40 Simulated annealing - algoritm Iniţializare x() K := Repetă generare vecin x al lui x(k) Dacă f(x ) < f(x(k)) atunci x(k+1) := x altfel u := random(, 1) dacă u < P(x(k+1)=x )=1/(1+exp(-(f(x )-f(x(k))/t)) atunci x(k+1) := x altfel x(k+1) := x(k) recalculează T k := k + 1 Până când este satisfăcută o condiţie de oprire Soluţie x* := x(k -1)
41 Simulated annealing T mare probabilitate mare de acceptare a unei configuraţii noi (căutare aleatoare) T mică probabilitate mare de acceptare doar a configuraţiilor care îmbunătăţesc funcţia obiectiv Scheme de răcire: T(k) = T() / (k + 1) T(k) = T() / ln(k + c) T(k) = a T(k-1), cu a < 1 T() de obicei se alege mare
42 Simulated annealing KP Soluţia iniţială Alegerea unui nr oarecare de obiecte Vecinătate Alegerea încă a unui obiect Funcţia obiectiv Valoarea obiectelor alese Schema de răcire a temperaturii T(k) = T() / (1 + log(k))
43 Euristici KP Euristici constructive Greedy Improved heuristics (euristici de îmbunătăţire) Simulated annealing Tabu search EAs
44 Tabu search O căutare locală ghidată printr-o memorie flexibilă Soluţia următoare este cea mai bună vecină a soluţiei curente Chiar dacă s-a găsit un optim local se permite căutarea unei noi soluţii ciclarea soluţiilor rezolvată prin folosirea unei liste tabu Previne re-explorarea unei soluţii anterioare Previne execuţia unei mutări de 2 ori Nu există elemente stochastice (ca la Simulated Annealing)
45 Tabu search Iniţializare x() x*=x() K = T =Ø Repetă dacă există vecini ai lui x(k) care nu sunt tabu atunci x = cel mai bun vecin al lui x(k) care nu e tabu x(k+1) := x Dacă f(x ) < f(x*) atunci x* := x k := k + 1 update tabu list T altfel stop Până când este satisfăcută o condiţie de oprire Soluţie x*
46 Tabu search KP Soluţia iniţială Reprezentată ca un vector de n biţi obiect neales 1 obiect ales Nici un obiect ales Vecinătate alegerea/renunţarea la un obiect x(k) = = x Funcţia obiectiv Valoarea asociată obiectelor alese Lista tabu Soluţiile deja generate!!! Spaţiu mare!!!!
47 Euristici KP Euristici constructive Greedy Improved heuristics (euristici de îmbunătăţire) Simulated annealing Tabu search Algoritmi evolutivi
48 Algoritmi evolutivi Algoritmi Inspiraţi din natură (biologie) Iterativi Bazaţi pe populaţii de potenţiale soluţii căutare aleatoare ghidată de Operaţii de selecţie naturală Operaţii de încrucişare şi mutaţie Care procesează în paralel mai multe soluţii Metafora evolutivă Evoluţie naturală Individ Populaţie Cromozom Genă Fitness (măsură de adaptare) Încrucişare şi mutaţie Mediu Rezolvarea problemelor Soluţie potenţială (candidat) Mulţime de soluţii Codarea (reprezentarea) unei soluţii Parte a reprezentării Calitate Operatori de căutare Spaţiul de căutare al problemei
49 Algoritmi evolutivi Initializare populaţie P() Evaluare P() g := ; //generaţia CâtTimp (not condiţie_stop) execută Repetă Selectează 2 părinţi p1 şi p2 din P(g) Încrucişare(p1,p2) =>o1 şi o2 Mutaţie(o1) => o1* Mutaţie(o2) => o2* Evaluare(o1*) Evaluare(o2*) adăugare o1* şi o* în P(g+1) Până când P(g+1) este completă g := g + 1 Sf CâtTimp Selecţie pentru perturbare Populaţie (părinţi) Încrucişare Selecţie de supravieţuire Mutaţie Populaţie (urmaşi)
50 Algoritmi evolutivi KP Reprezentare Cromozomul = un şir de n biţi 1 obiectul a fost ales obiectul nu a fost ales Fitness Valoarea obiectelor alese max Greutatea rucsacului greutatea obiectelor alese min Iniţializare Generare aleatoare de n biţi Încrucişare Cu punct de tăietură Mutaţie Negarea unui (unor) bit/biţi Tare sau slabă
51 Problema comisului voiajor Formularea problemei şi exemple Tipologie Algoritmi de rezolvare Complexităţi
52 Problema comisului voiajor Formularea problemei şi exemple Se dă un graf (neorientat) (complet), în care cele n vârfuri (V) sunt considerate oraşe, iar muchiile (E) drumuri între oraşe (fiecare muchie are asociat un cost). Să se găsească cel mai scurt drum care vizitează o singură dată toate oraşele şi se întoarce în oraşul de start ciclu Hamiltonian Dificultate NP-dificilă Interes: Problemă de referinţă pentru testarea ideilor Denumiri Travelling Salesman Problem (TSP) Canadian Traveller Problem Vehicle routing problem Route inspection problem
53 Problema comisului voiajor De ce? Problemă conceptual simplă Problemă dificil de rezolvat Problemă intens cercetată Problemă care apare în diverse aplicaţii
54 Problema comisului voiajor Instanţe de referinţă Consideraţii generale Metrica frecvent folosită distanţa Euclideană Distanţele - numere întregi Instanţe TSPLIB Peste 1 instanţe cu până la 859 de oraşe Anumite instanţe sunt preluate din aplicaţii practice Instanţe din proiectarea circuitelor VLSI (Very Large Scale Integration) Împachetarea a cât mai multe dispozitive logice pe suprafeţe cât mai mici Instanţe generate aleator (grupate şi uniforme) 8th DIMACS challenge
55 Problema comisului voiajor Tipologie Tipul grafului problema simetrică graf neorientat nr soluţiilor se înjumătăţeşte problema asimetrică graf orientat coliziuni în trafic străzi cu sens unic Tipul distanţelor între 2 noduri metrică inegalitatea triunghiului c ij < c ik + c kj distanţă Euclidiană distanţă Manhattan non-metrică Ex. Traficul aerian
56 Problema comisului voiajor Algoritmi Exacţi Forţa brută Programare dinamică Branch-and-bound Programare liniară Euristici Constructive De îmbunătăţire
57 Problema comisului voiajor Algoritmi Exacţi Forţa brută Programare dinamică Branch-and-bound Programare liniară Euristici Constructive De îmbunătăţire
58 Forţa brută Alte denumiri Căutare exhaustivă Generează şi testează Mod de lucru 1. Se generează o potenţială soluţie 2. Se evaluează această potenţială soluţie 3. Se verifică dacă costul curent este mai bun decât costul precedent Dacă da, se reţine această soluţie 4. Se revine la pasul 1
59 Forţa brută TSP alegerea permutării optime Algoritm 1. Se generează o permutare 2. Se dermină costul asociat ei 3. Se verifică dacă costul curent este mai bun decât costul precedent Dacă da, se reţine această soluţie 4. Se revine la pasul 1
60 Problema comisului voiajor Algoritmi Exacţi Forţa brută alegerea permutării optime Programare dinamică Branch-and-bound Programare liniară Euristici Constructive De îmbunătăţire
61 Programare dinamică Principii Principiul optimalităţii Optimul general implică optimele parţiale Optimul parţial nu implică optimul general Mod de lucru Descompunerea problemei în subprobleme Se rezolvă mai întâi subproblemele care pot fi soluţionate imediat Se combină aceste soluţii parţiale, obţinând astfel soluţii la problemele de pe niveluri superioare (din arborele de descompunere)
62 Programare dinamică TSP Dându-se o submulţime S de noduri din V cu 1 є S şi j є S, j 1, se consideră C(S, j) lungimea celui mai scurt drum de la nodul 1 la nodul j care trece prin toate nodurile din S Observaţii Dacă S = 2, atunci C(S, k) = d 1,k pentru k = 2, 3,..., n Dacă S > 2, atunci există m є S {k} a.î. C(S, k) = lungimea turului optim de la 1 la m + d m,k Definiţia recusrsivă a soluţiei optime C(S, k) = d 1,m dacă S = {1, k} min m k, mєs [C(S {k},m) + d m, k ], altfel
63 Programare dinamică TSP function algorithmtsp(g, n) for k = 2 to n do C({i, k}, k) := d 1,k end for for s = 3 to n do for all S from {1, 2,..., n} with S = s do for all k є S do C(S, k) = min m k,m є S [C(S {k},m) + d m,k ] opt := min k 1 [C({1, 2, 3,..., n}, k) + d 1,k end for end for end for; return (opt) end
64 Programare dinamică TSP Complexitate: Temporală Spaţială!) ( ) 2 ( ~ 1) 2( 2 1) ( n n n k n n n n k ) 2 ( ~ 1)2 ( n k n n n n k n k
65 Problema comisului voiajor Algoritmi Exacţi Forţa brută alegerea permutării optime Programare dinamică Branch-and-bound Programare liniară Euristici Constructive De îmbunătăţire
66 Branch-and-bound Principii Căutare ramificată expandarea inteligentă a unui nod din arborele de căutare Căutare mărginită căutarea se realizează între anumite limite Parcuregerea nodurilor mod special Nodurile se adaugă într-o coadă de priorităţi Criteriul de ordine pt un nod curent n f(n) = g(n) + h(n), unde g(n) distanţa de la rădăcina arborelui de căutare la nodul curent n cât a avansat căutarea h(n) o aproximare a distanţei de la nodul curent n până la soluţia finală cât mai trebuie căutat Margine inferioară (lower bound) Margine superioară (upper bound)
67 Branch-and-bound TSP Configuraţia iniţială toate muchiile grafului Expandarea considerarea (includerea sau nu) unei muchii Configuraţia finală ciclul cel mai scurt
68 Branch-and-bound TSP Lower bound ½ din lungimea turului format din cei mai apropiaţi 2 vecini ai fiecărui nod Condiţii la ramificare Dacă excluderea unei muchii determină apariţia unor noduri cu mai puţin de 2 vecini se renunţă la excludere Dacă adăugarea unei muchii determină apariţia unor noduri cu mai mult de 2 vecini se renunţă la adăugare Dacă LB-ul unui nod-fiu e LB-ul nodului-părinte, nodulfiu nu mai merită explorat ( pruned ) Dacă avem doi fii de explorat, primul va fi explorat cel cu LB-ul mai mic (coadă de priorităţi)
69 Branch-and-bound TSP
70 Branch-and-bound TSP Se construieşte turul progresiv LB = lungimea turului parţial + muchia cea mai scurtă care iasă din ultimul nod al turului parţial + cele mai scurte muchii care iasă din restul nodurilor (care nu fac parte din turul parţial) Turul minim iniţial = Dacă LB < turul minim curent nod promiţător (se depune în coadă) Dacă LB turul minim şi s-a găsit deja un tur potenţial se renunţă la explorarea căii respective (în arborel de căutare prune)
71 B&B TSP A Tur parţial 1 LB = 4+( )=21 LB < Tur minim =
72 B&B TSP B Tur parţial 1,2 LB = 14+( )=31 C Tur parţial 1,3 LB = 21 D Tur parţial 1,4 LB = 27 E Tur parţial 1,5 LB = 37 LB minim = 21 următorul nod explorat: C Coada: A(21) C(21) D(27) B(31) E(37)
73 B&B TSP F Tur parţial 1,3,2 LB = 22 G Tur parţial 1,3,4 LB = 23 H Tur parţial 1,3,5 LB = 33 LB minim = 22 următorul nod explorat: F Coada: A(21) C(21) F(22) G(23) D(27) B(31) H(33) E(37)
74 B&B TSP L Tur parţial 1,3,2,4 = 1,3,2,4,5,1 Lungime = 37 M Tur parţial 1,3,2,5=1,3,2,5,4,1 Lungime = LB minim = 23 următorul nod explorat: G Coada: A(21) C(21) F(22) G(23) D(27) B(31) M(31) H(33) E(37) L(37)
75 B&B TSP N Tur parţial 1,3,4,2 = 1,3,4,2,5,1 Lungime = 43 O Tur parţial 1,3,4,5=1,3,4,5,2,1 Lungime = LB minim = 27 următorul nod explorat: D Coada: A(21) C(21) F(22) G(23) D(27) B(31) M(31) H(33) O(34) E(37) L(37) N(43)
76 B&B TSP I Tur parţial 1,4,2 LB = 32 J Tur parţial 1,4,3 LB = 34 K Tur parţial 1,4,5 LB = LB minim = 27 următorul nod explorat: K Coada: A(21) C(21) F(22) G(23) D(27) K(27) B(31) I(32) M(31) H(33) J(34) E(37) L(37)
77 B&B TSP P Tur parţial 1,4,2,5=1,4,2,5,3,1 Lungime = 3 Q Tur parţial 1,4,5,3=1,4,5,3,2,1 Lungime = 48 LB minim = S-a găsit un tur de lungime 3 B nu mai merită explorat (se elimină din coadă) Restul nodurilor nu mai merită cercetate (LB > turul minim) Coada: A(21) C(21) F(22) G(23) D(27) K(27) B(31) I(32) M(31) H(33) J(34) E(37) L(37)
78 Problema comisului voiajor Algoritmi Exacţi Forţa brută alegerea permutării optime Programare dinamică Branch-and-bound Programare liniară Euristici Constructive De îmbunătăţire
79 Programare liniară - TSP dex.html
80 Algoritmi Exacţi Forţa brută alegerea permutării optime Programare dinamică Branch-and-bound Programare liniară Euristici Constructive De îmbunătăţire
81 Euristici TSP Euristici constructive Cel mai apropiat vecin + greedy casestudyjohnson.pdf Local search Algoritmul lui Christofides spanning tree Euristici de îmbunătăţire (improved heuristics) Simulated annealing Tabu search EAs ACO
82 Euristici TSP Euristici constructive Cel mai apropiat vecin + greedy casestudyjohnson.pdf Local search Algoritmul lui Christofides spanning tree Euristici de îmbunătăţire (improved heuristics) Simulated annealing Tabu search EAs ACO
83 Cel mai apropiat vecin Ordonarea crescătoare a muchiilor Alegerea celei mai scurte muchii, cu condiţiile orice vârf să aibă maxim 2 vecini să nu se formeze cicluri cu mai puţin de n muchii Complexitatea O(n 2 log n) Folosirea arborilor k dimensionali (kd trees) şi a unei cozi de priorităţi pentru reţinerea muchiilor O(n log n) Problemă nu găseşte soluţia optimă întotdeauna
84 Euristici TSP Euristici constructive Cel mai apropiat vecin + greedy casestudyjohnson.pdf Local search Algoritmul lui Christofides spanning tree Euristici de îmbunătăţire (improved heuristics) Simulated annealing Tabu search EAs ACO
85 Căutare locală Se porneşte cu un ciclu oarecare Se modifică ciclul prin operaţii de schimbare de noduri ABCDEF AECDBF inserţie de nod ABCDEF ADBCEF schimbare de k muchii (k = 2) în vederea obţinerii unui ciclu mai bun (scurt)
86 Căutare locală Euristici bazate pe schimbul a k elemente noduri muchii Vecinătăţi complexe algoritmul Lin-Kernighan & versiuni
87 Euristici TSP Euristici constructive Cel mai apropiat vecin + greedy casestudyjohnson.pdf Local search Algoritmul lui Christofides spanning tree Improved heuristics (euristici de îmbunătăţire) Simulated annealing Tabu search EAs ACO
88 Algoritmul lui Christofides TSP în graf complet G şi care respectă ingealitatea triunghiului Algoritm Se creează arborele de acoperire minimă (A) al lui G Notând cu I mulţimea nodurilor din A de grad impar, se găseşte o potrivire perfectă P cu muchii de lungimi minime în graful G peste nodurile din I Se combină muchiile din P şi A formând un multigraf H Se formează un circuit Eulerian în H (H este Eulerian pt că este conect şi format doar din noduri de grad par) Se transformă circuitul Eulerian într-unul Hamiltonian prin sărirea nodurilor deja vizitate (shortcutting).
89 Algoritmul lui Christofides c a b d f e g h
90 Algoritmul lui Christofides Presupunem următorul graf cu distanţe Euclidiene între noduri c a b d f e g h
91 Algoritmul lui Christofides Se creează arborele de acoperire minimă (A) al lui G Algoritmul lui Prim Se pleacă dintr-un nod şi se aleg pe rand cei mai apropiaţi vecini ai nodurilor deja vizitate a.î. să nu se formeze cicluri până se ajunge la o componentă conexă Algoritmul lui Kruskal Se aleg pe rând muchiile de cost minim a.î. să nu se formeze cicluri până se ajunge la o componentă conexă a d e b f g c h
92 Algoritmul lui Christofides Notând cu I mulţimea nodurilor din A de grad impar, se găseşte o potrivire perfectă P cu muchii de lungimi minime în graful G peste nodurile din I a d e e b f g b f g c c h h
93 Algoritmul lui Christofides Se combină muchiile din P şi A formând un multigraf H a d e e b f g b f g c c h h a d e b f g c h
94 Algoritmul lui Christofides Se formează un circuit Eulerian în H (H este Eulerian pt că este conect şi format doar din noduri de grad par) a d a d e e b f g b f g c c h h
95 Algoritmul lui Christofides Se transformă circuitul Eulerian într-unul Hamiltonian prin sărirea nodurilor deja vizitate (shortcutting). a d a d e e b f g b f g c c h h
96 Euristici TSP Euristici constructive Cel mai apropiat vecin + greedy casestudyjohnson.pdf Local search Algoritmul lui Christofides spanning tree Improved heuristics (euristici de îmbunătăţire) Simulated annealing Tabu search EAs ACO
97 Euristici TSP Euristici constructive Cel mai apropiat vecin + greedy casestudyjohnson.pdf Local search Algoritmul lui Christofides spanning tree Improved heuristics (euristici de îmbunătăţire) Simulated annealing Tabu search EAs ACO
98 Simulated annealing Ideea de bază: Acceptarea noii ponteţiale soluţii se face cu o anumită probabilitate Sursa de inspiraţie: Procesul de reorganizare a structurii unui solid supus unui tratament termic Când solidul se încălzeşte (prin topire) particulele se distribuie aleator Când solidul se răceşte particulele se reorganizează ajungând în configuraţii cu energii tot mai mici Alte denumiri: Tratament termic simulat, călire simulată Metodă propusă de Kirkpatrick, Gelatt, Vecchi (1983), Cerny (1985)
99 Simulated annealing - algoritm Iniţializare x() K := Repetă generare vecin x al lui x(k) Dacă f(x ) < f(x(k)) atunci x(k+1) := x altfel x(k+1) := x cu probabilitatea exp(-(f(x )-f(x(k))/t) recalculează T k := k + 1 Până când este satisfăcută o condiţie de oprire soluţie x* := x(k -1) Unde T (temperatura) este un parametru de control al procesului de optimizare
100 Simulated annealing - algoritm Iniţializare x() K := Repetă generare vecin x al lui x(k) Dacă f(x ) < f(x(k)) atunci x(k+1) := x altfel u := random(, 1) dacă u < P(x(k+1)=x )=1/(1+exp(-(f(x )-f(x(k))/t)) atunci x(k+1) := x altfel x(k+1) := x(k) recalculează T k := k + 1 Până când este satisfăcută o condiţie de oprire Soluţie x* := x(k -1)
101 Simulated annealing T mare probabilitate mare de acceptare a unei configuraţii noi (căutare aleatoare) T mică probabilitate mare de acceptare doar a configuraţiilor care îmbunătăţesc funcţia obiectiv Scheme de răcire: T(k) = T() / (k + 1) T(k) = T() / ln(k + c) T(k) = a T(k-1), cu a < 1 T() de obicei se alege mare
102 Simulated annealing TSP Soluţia iniţială un ciclu Hamiltonian (o permutare a celor n oraşe) Vecinătate Transformare 2-opt a unei permutări x(k) = ABCFEDG ABCFEDG ABCDEFG = x Funcţia obiectiv Costul asociat unui ciclu Schema de răcire a temperaturii T(k) = T() / (1 + log(k))
103 Euristici TSP Euristici constructive Cel mai apropiat vecin + greedy casestudyjohnson.pdf Local search Algoritmul lui Christofides spanning tree Improved heuristics (euristici de îmbunătăţire) Simulated annealing Tabu search EAs ACO
104 Tabu search O căutare locală ghidată printr-o memorie flexibilă Soluţia următoare este cea mai bună vecină a soluţiei curente Chiar dacă s-a găsit un optim local se permite căutarea unei noi soluţii ciclarea soluţiilor rezolvată prin folosirea unei liste tabu Previne re-explorarea unei soluţii anterioare Previne execuţia unei mutări de 2 ori Nu există elemente stochastice (ca la Simulated Annealing)
105 Tabu search Iniţializare x() x*=x best =x() K = T =Ø Repetă dacă există vecini ai lui x(k) care nu sunt tabu atunci x = cel mai bun vecin al lui x(k) care nu e tabu x(k+1) := x Dacă f(x ) < f(x*) atunci x* := x k := k + 1 update tabu list altfel stop Până când este satisfăcută o condiţie de oprire Soluţie x*
106 Tabu search TSP Soluţia iniţială un ciclu Hamiltonian (o permutare a celor n oraşe) Vecinătate Transformare 2-opt a unei permutări x(k) = ABCFEDG ABCFEDG ABCDEFG = x Funcţia obiectiv Costul asociat unui ciclu Lista tabu Muchiile noi (2) care au intrat în soluţie într-o iteraţie Muchiile care au intrat in lista tabu nu pot fi eliminate din soluţie
107 Euristici TSP Euristici constructive Cel mai apropiat vecin + greedy casestudyjohnson.pdf Local search Algoritmul lui Christofides spanning tree Improved heuristics (euristici de îmbunătăţire) Simulated annealing Tabu search EAs ACO
108 Algoritmi evolutivi Algoritmi Inspiraţi din natură (biologie) Iterativi Bazaţi pe populaţii de potenţiale soluţii căutare aleatoare ghidată de Operaţii de selecţie naturală Operaţii de încrucişare şi mutaţie Care procesează în paralel mai multe soluţii Metafora evolutivă Evoluţie naturală Individ Populaţie Cromozom Genă Fitness (măsură de adaptare) Încrucişare şi mutaţie Mediu Rezolvarea problemelor Soluţie potenţială (candidat) Mulţime de soluţii Codarea (reprezentarea) unei soluţii Parte a reprezentării Calitate Operatori de căutare Spaţiul de căutare al problemei
109 Algoritmi evolutivi Initializare populaţie P() Evaluare P() g := ; //generaţia CâtTimp (not condiţie_stop) execută Repetă Selectează 2 părinţi p1 şi p2 din P(g) Încrucişare(p1,p2) =>o1 şi o2 Mutaţie(o1) => o1* Mutaţie(o2) => o2* Evaluare(o1*) Evaluare(o2*) adăugare o1* şi o* în P(g+1) Până când P(g+1) este completă g := g + 1 Sf CâtTimp Selecţie pentru perturbare Populaţie (părinţi) Încrucişare Selecţie de supravieţuire Mutaţie Populaţie (urmaşi)
110 Algoritmi evolutivi TSP Reprezentare Cromozomul = o permutare de n elemente Fitness Lumgimea ciclului codat de permutare Iniţializare Permutarea identică + interschimbări de elemente Încrucişare Cu punct de tăietură + corecţii Operatorul PMX Goldberg (Alleles, loci, and the TSP) Mutaţie Interschimbare de elemente
111 Euristici TSP Euristici constructive Cel mai apropiat vecin + greedy casestudyjohnson.pdf Local search Algoritmul lui Christofides spanning tree Improved heuristics (euristici de îmbunătăţire) Simulated annealing Tabu search EAs ACO
112 ACO Preferinţa pentru drumuri cu nivel ridicat de feromon Pe drumurile scurte feromonul se înmulţeşte Furnicile comunică pe baza urmelor de feromon
113 ACO TSP Algoritm m furnicuţe sunt plasate în r oraşe alese aleator La fiecare pas, furnicile se deplasează într-un oraş nou modificând feromonul de pe drumul (muchia) respectiv(ă) modificare locală a urmei memorând oraşele prin care au trecut alegerea noului oraş se bazează pe cantitatea de feromon de pe drumul care urmează a fi parcurs DP importanţa feromonui de pe drumul care urmează a fi parcurs DP lungimea drumului care urmează a fi parcurs IP Când toate furnicuţele au trecut prin toate oraşele, furnicuţa care a parcurs cel mai scurt drum mai modifică o dată feromonum de pe drumul ei modificarea globală a urmei recompensarea ciclurilor scurte
114 Cursul următor Instruire automata (Machine Learning - ML) introducere in domeniul ML tipuri de probleme metodologia rezolvării unei probleme cu ajutorul unui algoritm de ML aprecierea performanţelor unui algoritm de ML De citit: S.J. Russell, P. Norvig Artificial Intelligence - A Modern Approach capitolul 18, 19, 2 Documentele din directoarele: ML, classification, clustering
Metoda BACKTRACKING. prof. Jiduc Gabriel
Metoda BACKTRACKING prof. Jiduc Gabriel Un algoritm backtracking este un algoritm de căutare sistematică și exhausivă a tuturor soluțiilor posibile, dintre care se poate alege apoi soluția optimă. Problemele
More informationReflexia şi refracţia luminii. Aplicaţii. Valerica Baban
Reflexia şi refracţia luminii. Aplicaţii. Sumar 1. Indicele de refracţie al unui mediu 2. Reflexia şi refracţia luminii. Legi. 3. Reflexia totală 4. Oglinda plană 5. Reflexia şi refracţia luminii în natură
More informationMetoda de programare BACKTRACKING
Metoda de programare BACKTRACKING Sumar 1. Competenţe............................................ 3 2. Descrierea generală a metodei............................. 4 3......................... 7 4. Probleme..............................................
More informationSubiecte Clasa a VI-a
(40 de intrebari) Puteti folosi spatiile goale ca ciorna. Nu este de ajuns sa alegeti raspunsul corect pe brosura de subiecte, ele trebuie completate pe foaia de raspuns in dreptul numarului intrebarii
More informationProcesarea Imaginilor
Procesarea Imaginilor Curs 11 Extragerea informańiei 3D prin stereoviziune Principiile Stereoviziunii Pentru observarea lumii reale avem nevoie de informańie 3D Într-o imagine avem doar două dimensiuni
More informationD în această ordine a.î. AB 4 cm, AC 10 cm, BD 15cm
Preparatory Problems 1Se dau punctele coliniare A, B, C, D în această ordine aî AB 4 cm, AC cm, BD 15cm a) calculați lungimile segmentelor BC, CD, AD b) determinați distanța dintre mijloacele segmentelor
More informationARBORI AVL. (denumiti dupa Adelson-Velskii si Landis, 1962)
ARBORI AVL (denumiti dupa Adelson-Velskii si Landis, 1962) Georgy Maximovich Adelson-Velsky (Russian: Гео ргий Макси мович Адельсо н- Ве льский; name is sometimes transliterated as Georgii Adelson-Velskii)
More informationGrafuri bipartite. Lecție de probă, informatică clasa a XI-a. Mihai Bărbulescu Facultatea de Automatică și Calculatoare, UPB
Grafuri bipartite Lecție de probă, informatică clasa a XI-a Mihai Bărbulescu b12mihai@gmail.com Facultatea de Automatică și Calculatoare, UPB Colegiul Național de Informatică Tudor Vianu București 27 februarie
More informationINTELIGENŢĂ ARTIFICIALĂ
UNIVERSITATEA BABEŞ-BOLYAI Facultatea de Matematică şi Informatică INTELIGENŢĂ ARTIFICIALĂ Rezolvarea problemelor de căutare Strategii de căutare neinformată Laura Dioşan Sumar A. Scurtă introducere în
More informationINTELIGENŢĂ ARTIFICIALĂ
UNIVERSITATEA BABEŞ-BOLYAI Facultatea de Matematică şi Informatică INTELIGENŢĂ ARTIFICIALĂ Rezolvarea problemelor de căutare Strategii de căutare informată algoritmi inspiraţi de natură Laura Dioşan 2
More informationStructura și Organizarea Calculatoarelor. Titular: BĂRBULESCU Lucian-Florentin
Structura și Organizarea Calculatoarelor Titular: BĂRBULESCU Lucian-Florentin Chapter 3 ADUNAREA ȘI SCĂDEREA NUMERELOR BINARE CU SEMN CONȚINUT Adunarea FXP în cod direct Sumator FXP în cod direct Scăderea
More informationINTELIGENŢĂ ARTIFICIALĂ
UNIVERSITATEA BABEŞ-BOLYAI Facultatea de Matematică şi Informatică INTELIGENŢĂ ARTIFICIALĂ Rezolvarea problemelor de căutare Strategii de căutare neinformată Laura Dioşan Sumar A. Scurtă introducere în
More informationArbori. Figura 1. struct ANOD { int val; ANOD* st; ANOD* dr; }; #include <stdio.h> #include <conio.h> struct ANOD { int val; ANOD* st; ANOD* dr; }
Arbori Arborii, ca şi listele, sunt structuri dinamice. Elementele structurale ale unui arbore sunt noduri şi arce orientate care unesc nodurile. Deci, în fond, un arbore este un graf orientat degenerat.
More informationVersionare - GIT ALIN ZAMFIROIU
Versionare - GIT ALIN ZAMFIROIU Controlul versiunilor - necesitate Caracterul colaborativ al proiectelor; Backup pentru codul scris Istoricul modificarilor Terminologie și concepte VCS Version Control
More informationTitlul lucrării propuse pentru participarea la concursul pe tema securității informatice
Titlul lucrării propuse pentru participarea la concursul pe tema securității informatice "Îmbunătăţirea proceselor şi activităţilor educaţionale în cadrul programelor de licenţă şi masterat în domeniul
More information2. Setări configurare acces la o cameră web conectată într-un router ZTE H218N sau H298N
Pentru a putea vizualiza imaginile unei camere web IP conectată într-un router ZTE H218N sau H298N, este necesară activarea serviciului Dinamic DNS oferit de RCS&RDS, precum și efectuarea unor setări pe
More informationMetrici LPR interfatare cu Barix Barionet 50 -
Metrici LPR interfatare cu Barix Barionet 50 - Barionet 50 este un lan controller produs de Barix, care poate fi folosit in combinatie cu Metrici LPR, pentru a deschide bariera atunci cand un numar de
More informationINTELIGENŢĂ ARTIFICIALĂ
UNIVERSITATEA BABEŞ-BOLYAI Facultatea de Matematică şi Informatică INTELIGENŢĂ ARTIFICIALĂ Rezolvarea problemelor de căutare Strategii de căutare informată locală Algoritmi Evolutivi Laura Dioşan Sumar
More informationI. STRATEGII ÎN REZOLVAREA PROBLEMELOR
I. STRATEGII ÎN REZOLVAREA PROBLEMELOR Goldstein și Levin (987) au definit rezolvarea problemelor ca fiind procesul cognitiv de ordin înalt care necesită modulația și controlul mai multor capacități /
More informationGHID DE TERMENI MEDIA
GHID DE TERMENI MEDIA Definitii si explicatii 1. Target Group si Universe Target Group - grupul demografic care a fost identificat ca fiind grupul cheie de consumatori ai unui brand. Toate activitatile
More informationSemnale şi sisteme. Facultatea de Electronică şi Telecomunicaţii Departamentul de Comunicaţii (TC)
Semnale şi sisteme Facultatea de Electronică şi Telecomunicaţii Departamentul de Comunicaţii (TC) http://shannon.etc.upt.ro/teaching/ssist/ 1 OBIECTIVELE CURSULUI Disciplina îşi propune să familiarizeze
More informationVol.I ALGORITMI GENETICI LUȚĂ COSTINA CLAUDIA ALGORITMI GENETICI VOL.I ISBN
LUȚĂ COSTINA CLAUDIA ALGORITMI GENETICI ISBN 978-973-0-16089-5 VOL.I 0 S L A T I N A 2014 Tehnoredactare : Luță Costina Claudia Referent ştiinţific: Profesor gradul I ~ Gabriela Raluca Ionică ~ Inspector
More informationALGORITMI DE OPTIMIZARE EVOLUTIVI UTILIZAȚI ÎN PROIECTAREA DISPOZITIVELOR DE ÎNCĂLZIRE PRIN INDUCȚIE
ALGORITMI DE OPTIMIZARE EVOLUTIVI UTILIZAȚI ÎN PROIECTAREA DISPOZITIVELOR DE ÎNCĂLZIRE PRIN INDUCȚIE Mihaela NOVAC 1, Ecaterina VLADU 1, Ovidiu NOVAC 1, Adriana GRAVA 1 1 Universitatea din Oradea, Facultatea
More informationHEAPSORT I. CONSIDERAŢII TEORETICE
I. CONSIDERAŢII TEORETICE HEAPSORT Algoritm de sortare care combină calităţile sortării prin inserţie cu cele ale sortării prin interclasare. A fost inventat de Williams 1964. Prin heapsort se ordonează
More informationLucrarea de laborator nr. 4
Metode merice - Lucrarea de laborator 4 Lucrarea de laborator nr. 4 I. Scopul lucrării Elemente de programare în MAPLE II. III. Conţinutul lucrării 1. Atribuirea. Decizia. Structuri repetitive. 2. Proceduri
More informationOlimpiad«Estonia, 2003
Problema s«pt«m nii 128 a) Dintr-o tabl«p«trat«(2n + 1) (2n + 1) se ndep«rteaz«p«tr«telul din centru. Pentru ce valori ale lui n se poate pava suprafata r«mas«cu dale L precum cele din figura de mai jos?
More informationDispozitive Electronice şi Electronică Analogică Suport curs 02 Metode de analiză a circuitelor electrice. Divizoare rezistive.
. egimul de curent continuu de funcţionare al sistemelor electronice În acest regim de funcţionare, valorile mărimilor electrice ale sistemului electronic sunt constante în timp. Aşadar, funcţionarea sistemului
More informationRestaurarea frontierelor unei imagini: abordare genetica
8 Revista Informatica Economica, nr./999 Restaurarea frontierelor unei imagini: abordare genetica Prof.dr. Luminita STATE, Universitatea Pitesti Conf.dr. Doina FUSARU, Universitatea Spiru Haret Bucuresti
More informationREVISTA NAŢIONALĂ DE INFORMATICĂ APLICATĂ INFO-PRACTIC
REVISTA NAŢIONALĂ DE INFORMATICĂ APLICATĂ INFO-PRACTIC Anul II Nr. 7 aprilie 2013 ISSN 2285 6560 Referent ştiinţific Lector univ. dr. Claudiu Ionuţ Popîrlan Facultatea de Ştiinţe Exacte Universitatea din
More informationAPLICAŢII ELEMENTARE CU ARBORI
APLICAŢII ELEMENTARE CU ARBORI I. CONSIDERAŢII TEORETICE Din punct de vedere etimologic termenul de arbore a fost introdus de către matematicianul Arthur Cayley în 1857, plecând de la o analogie botanică.
More informationINTELIGENŢĂ ARTIFICIALĂ
INTELIGENŢĂ ARTIFICIALĂ Curs 12 Sisteme inteligente Sisteme care învaţă singure maşini cu support vectorial - K-means - Laura Dioşan Sumar A. Scurtă introducere în Inteligenţa Artificială (IA) B. Rezolvarea
More informationManagementul Proiectelor Software Metode de dezvoltare
Platformă de e-learning și curriculă e-content pentru învățământul superior tehnic Managementul Proiectelor Software Metode de dezvoltare 2 Metode structurate (inclusiv metodele OO) O mulțime de pași și
More informationVizualizarea documentelor xml
Vizualizarea documentelor xml Fără un fişier de stil asociat: browserul vizualizează conținutul documentului xml, cu posibilitatea de a vedea/ascunde descendenții unui nod din structura arborescentă Exemplu:
More informationThe First TST for the JBMO Satu Mare, April 6, 2018
The First TST for the JBMO Satu Mare, April 6, 08 Problem. Prove that the equation x +y +z = x+y +z + has no rational solutions. Solution. The equation can be written equivalently (x ) + (y ) + (z ) =
More informationÎn continuare vom prezenta unele dintre problemele de calcul ale numerelor Fibonacci.
O condiţie necesară şi suficientă ca un număr să fie număr Fibonacci Autor: prof. Staicu Ovidiu Ninel Colegiul Economic Petre S. Aurelian Slatina, jud. Olt 1. Introducere Propuse de Leonardo Pisa în 1202,
More informationPrintesa fluture. Мобильный портал WAP версия: wap.altmaster.ru
Мобильный портал WAP версия: wap.altmaster.ru Printesa fluture Love, romance and to repent of love. in romana comy90. Formular de noastre aici! Reduceri de pret la stickere pana la 70%. Stickerul Decorativ,
More informationStructuri de date: ARBORI
Structuri de date: ARBORI Organizarea liniară de tip listă este adecvată pentru aplicaţiile în care datele (elementele din listă) formează o mulţime omogenă si deci se află pe acelasi nivel. În multe aplicaţii,
More informationModalitǎţi de clasificare a datelor cantitative
Modalitǎţi de clasificare a datelor cantitative Modul de stabilire a claselor determinarea pragurilor minime şi maxime ale fiecǎrei clase - determinǎ modul în care sunt atribuite valorile fiecǎrei clase
More informationCAIETUL DE SARCINI Organizare evenimente. VS/2014/0442 Euro network supporting innovation for green jobs GREENET
CAIETUL DE SARCINI Organizare evenimente VS/2014/0442 Euro network supporting innovation for green jobs GREENET Str. Dem. I. Dobrescu, nr. 2-4, Sector 1, CAIET DE SARCINI Obiectul licitaţiei: Kick off,
More informationMS POWER POINT. s.l.dr.ing.ciprian-bogdan Chirila
MS POWER POINT s.l.dr.ing.ciprian-bogdan Chirila chirila@cs.upt.ro http://www.cs.upt.ro/~chirila Pornire PowerPoint Pentru accesarea programului PowerPoint se parcurg următorii paşi: Clic pe butonul de
More informationISBN-13:
Regresii liniare 2.Liniarizarea expresiilor neliniare (Steven C. Chapra, Applied Numerical Methods with MATLAB for Engineers and Scientists, 3rd ed, ISBN-13:978-0-07-340110-2 ) Există cazuri în care aproximarea
More informationCalculul evolutiv contine paradigmele optimizarii si clasificarii cu masini instruibile (machine learning), care se bazeaza pe mecanisme evolutive:
Paradigme ale CE Calculul evolutiv contine paradigmele optimizarii si clasificarii cu masini instruibile (machine learning), care se bazeaza pe mecanisme evolutive: genetica biologica, selectia naturala
More informationAuditul financiar la IMM-uri: de la limitare la oportunitate
Auditul financiar la IMM-uri: de la limitare la oportunitate 3 noiembrie 2017 Clemente Kiss KPMG in Romania Agenda Ce este un audit la un IMM? Comparatie: audit/revizuire/compilare Diferente: audit/revizuire/compilare
More informationAspecte controversate în Procedura Insolvenţei şi posibile soluţii
www.pwc.com/ro Aspecte controversate în Procedura Insolvenţei şi posibile soluţii 1 Perioada de observaţie - Vânzarea de stocuri aduse în garanţie, în cursul normal al activității - Tratamentul leasingului
More informationExcel Advanced. Curriculum. Școala Informală de IT. Educație Informală S.A.
Excel Advanced Curriculum Școala Informală de IT Tel: +4.0744.679.530 Web: www.scoalainformala.ro / www.informalschool.com E-mail: info@scoalainformala.ro Cuprins 1. Funcții Excel pentru avansați 2. Alte
More informationManagementul referinţelor cu
TUTORIALE DE CULTURA INFORMAŢIEI Citarea surselor de informare cu instrumente software Managementul referinţelor cu Bibliotecar Lenuţa Ursachi PE SCURT Este gratuit Poţi adăuga fişiere PDF Poţi organiza,
More informationGhid identificare versiune AWP, instalare AWP şi verificare importare certificat în Store-ul de Windows
Ghid identificare versiune AWP, instalare AWP 4.5.4 şi verificare importare certificat în Store-ul de Windows Data: 28.11.14 Versiune: V1.1 Nume fişiser: Ghid identificare versiune AWP, instalare AWP 4-5-4
More informationCHAMPIONS LEAGUE 2017 SPONSOR:
NOUA STRUCTURĂ a Ch League Pe viitor numai fosta divizie A va purta numele Champions League. Fosta divizie B va purta numele Challenger League iar fosta divizie C se va numi Promotional League. CHAMPIONS
More informationBaze de date distribuite și mobile
Universitatea Constantin Brâncuşi din Târgu-Jiu Facultatea de Inginerie Departamentul de Automatică, Energie şi Mediu Baze de date distribuite și mobile Lect.dr. Adrian Runceanu Curs 3 Model fizic şi model
More informationMecanismul de decontare a cererilor de plata
Mecanismul de decontare a cererilor de plata Autoritatea de Management pentru Programul Operaţional Sectorial Creşterea Competitivităţii Economice (POS CCE) Ministerul Fondurilor Europene - Iunie - iulie
More information9. Memoria. Procesorul are o memorie cu o arhitectură pe două niveluri pentru memoria de program și de date.
9. Memoria Procesorul are o memorie cu o arhitectură pe două niveluri pentru memoria de program și de date. Primul nivel conține memorie de program cache (L1P) și memorie de date cache (L1D). Al doilea
More informationMETODE INTELIGENTE DE REZOLVARE A PROBLEMELOR REALE. Laura Dioşan Tema 4
METODE INTELIGENTE DE REZOLVARE A PROBLEMELOR REALE Laura Dioşan Tema 4 Text mining Task-uri Regăsirea informaţiei Clasificarea automată a textelor Text mining Task-uri Regăsirea informaţiei Clasificarea
More informationSoftware Process and Life Cycle
Software Process and Life Cycle Drd.ing. Flori Naghiu Murphy s Law: Left to themselves, things tend to go from bad to worse. Principiile de dezvoltare software Principiul Calitatii : asigurarea gasirii
More informationLecţii complementare de teoria grafurilor
Prof. Popescu Rozica - Maria Lecţii complementare de teoria grafurilor Editura Sfântul Ierarh Nicolae ISBN 978-606-577-028-7 CUPRINS Introducere... 3 Capitolul I. Grafuri definite prin multiseturi. Multisetul
More informationTextul si imaginile din acest document sunt licentiate. Codul sursa din acest document este licentiat. Attribution-NonCommercial-NoDerivs CC BY-NC-ND
Textul si imaginile din acest document sunt licentiate Attribution-NonCommercial-NoDerivs CC BY-NC-ND Codul sursa din acest document este licentiat Public-Domain Esti liber sa distribui acest document
More information3. Metoda Back Tracking 4. Metoda Programării Dinamice 5. Metoda Branch and Bound 6. Metode. Euristice 7. Algoritmi Genetici
C11 / 14.12.2012 11. Metode de elaborare a algoritmilor 1. Metoda Greedy 2. Metoda Divide et Impera 3. Metoda Back Tracking 4. Metoda Programării Dinamice 5. Metoda Branch and Bound 6. Metode Euristice
More informationMircea Merca 1) Articol dedicat Prof. Dr. Ioan Tomescu la a 70-a aniversare
M. Merca, Partiţii întregi şi grafuri orientate aciclice 15 Partiţii întregi şi grafuri orientate aciclice Mircea Merca 1) Articol dedicat Prof. Dr. Ioan Tomescu la a 70-a aniversare Abstract. The algorithms
More informationUpdate firmware aparat foto
Update firmware aparat foto Mulţumim că aţi ales un produs Nikon. Acest ghid descrie cum să efectuaţi acest update de firmware. Dacă nu aveţi încredere că puteţi realiza acest update cu succes, acesta
More informationINFORMAȚII DESPRE PRODUS. FLEXIMARK Stainless steel FCC. Informații Included in FLEXIMARK sample bag (article no. M )
FLEXIMARK FCC din oțel inoxidabil este un sistem de marcare personalizată în relief pentru cabluri și componente, pentru medii dure, fiind rezistent la acizi și la coroziune. Informații Included in FLEXIMARK
More informationLa fereastra de autentificare trebuie executati urmatorii pasi: 1. Introduceti urmatoarele date: Utilizator: - <numarul dvs de carnet> (ex: "9",
La fereastra de autentificare trebuie executati urmatorii pasi: 1. Introduceti urmatoarele date: Utilizator: - (ex: "9", "125", 1573" - se va scrie fara ghilimele) Parola: -
More informationMETODE FIZICE DE MĂSURĂ ŞI CONTROL NEDISTRUCTIV. Inspecţia vizuală este, de departe, cea mai utilizată MCN, fiind de obicei primul pas într-o
Cuprins: 1. Introducere 2. Inspecţia vizuală 6. Testarea ultrasonică 7. Radiografia 3. Metoda lichidului penetrant 4. Inspecţia cu particule magnetice 5. Testarea folosind curenţii Eddy 1 Inspecţia vizuală
More informationProiectarea Sistemelor Software Complexe
Proiectarea Sistemelor Software Complexe Curs 3 Principii de Proiectare Orientată pe Obiecte Principiile de proiectare orientată pe obiecte au fost formulate pentru a servi ca reguli pentru evitarea proiectării
More informationMetoda Branch_and_Bound (ramifică şimărgineşte) seaseamănă cu metoda Back_Tracking, însă diferă în primul rând prin ordinea de parcurgere a spaţiului
Sem. 13 / 6.01.2014 11. Metode de elaborare a algoritmilor 1. Metoda Greedy 2. Metoda Divide et Impera 3. Metoda Back Tracking 4. Metoda Programării Dinamice 5. Metoda Branch and Bound 6. Metode Euristice
More informationMods euro truck simulator 2 harta romaniei by elyxir. Mods euro truck simulator 2 harta romaniei by elyxir.zip
Mods euro truck simulator 2 harta romaniei by elyxir Mods euro truck simulator 2 harta romaniei by elyxir.zip 26/07/2015 Download mods euro truck simulator 2 harta Harta Romaniei pentru Euro Truck Simulator
More informationNume şi Apelativ prenume Adresa Număr telefon Tip cont Dobânda Monetar iniţial final
Enunt si descriere aplicatie. Se presupune ca o organizatie (firma, banca, etc.) trebuie sa trimita scrisori prin posta unui numar (n=500, 900,...) foarte mare de clienti pe care sa -i informeze cu diverse
More informationANTICOLLISION ALGORITHM FOR V2V AUTONOMUOS AGRICULTURAL MACHINES ALGORITM ANTICOLIZIUNE PENTRU MASINI AGRICOLE AUTONOME TIP V2V (VEHICLE-TO-VEHICLE)
ANTICOLLISION ALGORITHM FOR VV AUTONOMUOS AGRICULTURAL MACHINES ALGORITM ANTICOLIZIUNE PENTRU MASINI AGRICOLE AUTONOME TIP VV (VEHICLE-TO-VEHICLE) 457 Florin MARIAŞIU*, T. EAC* *The Technical University
More informationUniversitatea Babeş-Bolyai, Cluj-Napoca Facultatea de Matematică şi Informatică
Universitatea Babeş-Bolyai, Cluj-Napoca Facultatea de Matematică şi Informatică INTELIGENŢĂ ARTIFICIALĂ Horia F. POP Gabriela ŞERBAN Cluj-Napoca, 2004 Prefaţă Cursul de faţă este destinat studenţilor
More informationDocumentaţie Tehnică
Documentaţie Tehnică Verificare TVA API Ultima actualizare: 27 Aprilie 2018 www.verificaretva.ro 021-310.67.91 / 92 info@verificaretva.ro Cuprins 1. Cum funcţionează?... 3 2. Fluxul de date... 3 3. Metoda
More informationTransmiterea datelor prin reteaua electrica
PLC - Power Line Communications dr. ing. Eugen COCA Universitatea Stefan cel Mare din Suceava Facultatea de Inginerie Electrica PLC - Power Line Communications dr. ing. Eugen COCA Universitatea Stefan
More informationMetode de acces la informatie în bazele de date pentru prelucrari grafice
46 Metode de acces la informatie în bazele de date pentru prelucrari grafice Sef lucr.dr.ing. Marius Dorian ZAHARIA Catedra de Calculatoare, Universitatea POLITEHNICA Bucuresti Lucrarea prezinta modalitati
More informationStrategii pentru jocul de dame Dame Inteligente
Strategii pentru jocul de dame Dame Inteligente Rezumat Acest raport detaliaza dezvoltarea unui program pentru a juca jocul de dame englezesti. Scopul acestui proiect a fost de a proiecta si implementa
More informationCurs 3 Fizica sem. 2
Curs 3 Fizica sem. 2 Tipuri de microscoape Instrument pentru obtinerea unor imagini marite cu o mare rezolutie a detaliilor. Microscoapele optice si electronice sunt cele mai utilizate Microscoape: acustice
More informationReţele Neuronale Artificiale în MATLAB
Reţele Neuronale Artificiale în MATLAB Programul MATLAB dispune de o colecţie de funcţii şi interfeţe grafice, destinate lucrului cu Reţele Neuronale Artificiale, grupate sub numele de Neural Network Toolbox.
More informationPrelucrarea numerică a semnalelor
Prelucrarea numerică a semnalelor Assoc.Prof. Lăcrimioara GRAMA, Ph.D. http://sp.utcluj.ro/teaching_iiiea.html 27 februarie 2017 Lăcrimioara GRAMA (sp.utcluj.ro) Prelucrarea numerică a semnalelor 27 februarie
More informationGenerarea şi validarea numerelor prime mari
Generarea şi validarea numerelor prime mari 1 Modalităţi de generare a numerelor prime mari Metoda cea mai naturală este de a genera aleator un număr n de mărime adecvată şi de a verifica dacă acesta este
More informationINTEROGĂRI ÎN SQL SERVER
INTEROGĂRI ÎN SQL SERVER Principala operaţie efectuată într-o bază de date este operaţia de extragere a datelor, care se realizează cu ajutorul unei clauze SELECT. SELECT Clauza SELECT are o sintaxă foarte
More informationRaport stiintific sintetic
Raport stiintific sintetic privind implementarea proiectului pe toata perioada de executie pana in prezent Proiect: Noi metode hibride metaeuristice pentru rezolvarea problemelor de proiectare a retelelor
More informationINSTRUMENTE DE MARKETING ÎN PRACTICĂ:
INSTRUMENTE DE MARKETING ÎN PRACTICĂ: Marketing prin Google CUM VĂ AJUTĂ ACEST CURS? Este un curs util tuturor celor implicați în coordonarea sau dezvoltarea de campanii de marketingși comunicare online.
More informationMulticore Multiprocesoare Cluster-e
Multicore Multiprocesoare Cluster-e O mare perioadă de timp, creearea de calculatoare puternice conectarea mai multor calculatoare de putere mică. Trebuie creat software care să știe să lucreze cu un număr
More informationSISTEME INTELIGENTE DE SUPORT DECIZIONAL. Ș.l.dr.ing. Laura-Nicoleta IVANCIU. Curs 7 Sisteme inteligente de suport decizional bazate pe RNA
SISTEME INTELIGENTE DE SUPORT DECIZIONAL Ș.l.dr.ing. Laura-Nicoleta IVANCIU Curs 7 Sisteme inteligente de suport decizional bazate pe RNA Cuprins RNA pentru aproximare de funcții Clasificatori cu RNA Studii
More informationIerarhia memoriilor Tipuri de memorii Memorii semiconductoare Memoria cu unități multiple. Memoria cache Memoria virtuală
Ierarhia memoriilor Tipuri de memorii Memorii semiconductoare Memoria cu unități multiple Memoria cache Memoria virtuală 1 Memorii RAM: datele sunt identificate cu ajutorul unor adrese unice Memorii asociative:
More informationSAG MITTIGATION TECHNICS USING DSTATCOMS
Eng. Adrian-Alexandru Moldovan, PhD student Tehnical University of Cluj Napoca. REZUMAT. Căderile de tensiune sunt una dintre cele mai frecvente probleme care pot apărea pe o linie de producţie. Căderi
More informationAlgoritmi si structuri de date ( ) Informatica Ramnicu Valcea, anul 1
EVALUARE: - lucrare scrisă din partea de Algoritmi (~ în săptămâna a 8-a) => nota1 - lucrare scrisă din partea de Structuri de date (în sesiunea de iarnă) => nota2 - teme pentru acasă Nota finală (calculată
More informationSINGULAR PERTURBATION DETECTION USING WAVELET FUNCTION REPRESENTATION
U.P.B. Sci. Bull., Series C, Vol. 7, No., 8 ISSN 454-34x SINGULAR PERTURBATION DETECTION USING WAVELET FUNCTION REPRESENTATION Dan OLARU, Mihai Octavian POPESCU Calitatea distribuţiei energiei electrice
More informationLaborator 2 - Statistică descriptivă
Laborator 2 - Statistică descriptivă Statistica descriptivă are rolul de a descrie trăsăturile principale ale unor eşantioane şi constă în determinarea unor măsuri simple şi analize grafice ale datelor
More informationProiect cofinanțat din Fondul Social European prin Programul Operaţional Sectorial pentru Dezvoltarea Resurselor Umane
Investeşte în oameni! FONDUL SOCIAL EUROPEAN Proiect cofinanțat din Fondul Social European prin Programul Operaţional Sectorial pentru Dezvoltarea Resurselor Umane 2007 2013 Axa prioritară 1: Educaţia
More informationEN teava vopsita cu capete canelate tip VICTAULIC
ArcelorMittal Tubular Products Iasi SA EN 10217-1 teava vopsita cu capete canelate tip VICTAULIC Page 1 ( 4 ) 1. Scop Documentul specifica cerintele tehnice de livrare pentru tevi EN 10217-1 cu capete
More informationLIDER ÎN AMBALAJE EXPERT ÎN SISTEMUL BRAILLE
LIDER ÎN AMBALAJE EXPERT ÎN SISTEMUL BRAILLE BOBST EXPERTFOLD 80 ACCUBRAILLE GT Utilajul ACCUBRAILLE GT Bobst Expertfold 80 Aplicarea codului Braille pe cutii a devenit mai rapidă, ușoară și mai eficientă
More informationCOMUNICAȚII INFORMATIZARE
COMUNICAȚII INFORMATIZARE 120 Migrare servicii telefonie la Vodafone S-a asigurat suportul tehnic și s-a colaborat cu echipele Vodafone la portarea numerelor UPT și migrarea infrastructuri: 1200 linii
More informationMai bine. Pentru c putem.
1 CUPRINS: 1. SUMAR APLICAŢIE...... 3 1.1 Introducere... 3 1.2 Tipul de aplicaţie... 3 2. SPECIFICAŢII FUNCŢIONALE... 3 3. INSTALARE... 3 3.1 Introducere... 3 3.2 Ce trebuie să verificaţi înainte de a
More informationPropuneri pentru teme de licență
Propuneri pentru teme de licență Departament Automatizări Eaton România Instalație de pompare cu rotire în funcție de timpul de funcționare Tablou electric cu 1 pompă pilot + 3 pompe mari, cu rotirea lor
More informationF. Radulescu. Curs: Utilizarea bazelor de date, anul IV C5.
Capitolul 8 Data mining date corelate Reprezentarea datelor Vom continua să considerăm modelul de date coşuri de produse şi vom vizualiza datele ca o matrice booleană unde: linii=coşuri şi coloane=articole.
More informationProcesarea Imaginilor - Laborator 5: Etichetarea componentelor conexe 1
Procesarea Imaginilor - Laborator 5: Etichetarea componentelor conexe 1 5. Etichetarea componentelor conexe 5.1. Introducere În această lucrare de laborator se vor prezenta algoritmi pentru etichetarea
More informationCapitolul 7. Data mining. F. Radulescu. Curs: Utilizarea bazelor de date, anul IV C5.
Capitolul 7 Data mining 1 Ce este Data mining? Iniţial data mining (căutarea în date, extragerea de cunostinte din date) a fost un termen din statistică însemnând suprautilizarea datelor pentru a deduce
More informationearning every day-ahead your trust stepping forward to the future opcom operatorul pie?ei de energie electricã și de gaze naturale din România Opcom
earning every day-ahead your trust stepping forward to the future opcom operatorul pie?ei de energie electricã și de gaze naturale din România Opcom RAPORT DE PIA?Ã LUNAR MARTIE 218 Piaţa pentru Ziua Următoare
More informationUpdating the Nomographical Diagrams for Dimensioning the Concrete Slabs
Acta Technica Napocensis: Civil Engineering & Architecture Vol. 57, No. 1 (2014) Journal homepage: http://constructii.utcluj.ro/actacivileng Updating the Nomographical Diagrams for Dimensioning the Concrete
More informationClass D Power Amplifiers
Class D Power Amplifiers A Class D amplifier is a switching amplifier based on pulse-width modulation (PWM) techniques Purpose: high efficiency, 80% - 95%. The reduction of the power dissipated by the
More informationEvoluția pieței de capital din România. 09 iunie 2018
Evoluția pieței de capital din România 09 iunie 2018 Realizări recente Realizări recente IPO-uri realizate în 2017 și 2018 IPO în valoare de EUR 312.2 mn IPO pe Piața Principală, derulat în perioada 24
More informationSpectral Graph Matching, Learning, and Inference for Computer Vision
Scurt rezumat al tezei de doctorat cu titlul (in limba engleza): Spectral Graph Matching, Learning, and Inference for Computer Vision Marius Dan Leordeanu Numar de Raport Tehnic: CMU-RI-TR-09-27 Conferita
More informationScheduling. Radek Mařík. April 28, 2015 FEE CTU, K Radek Mařík Scheduling April 28, / 48
Scheduling Radek Mařík FEE CTU, K13132 April 28, 2015 Radek Mařík (marikr@fel.cvut.cz) Scheduling April 28, 2015 1 / 48 Outline 1 Introduction to Scheduling Methodology Overview 2 Classification of Scheduling
More information