Ameisenkolonien (1) Idee: Reale Ameisen:
|
|
- Karlheinz Albert
- vor 5 Jahren
- Abrufe
Transkript
1 Ameisenkolonien (1) Idee: Von M. Dorigo, 1992 Verhalten von Ameisen bei der Futtersuche Ameisen hinterlassen Pheromon-Spur (Chem. Substanz) Pfade mit hoher Pheromon-Konzentration werden bevorzugt Indirekte Kommunikation durch Pheromone Ameisen lösen kollektiv das Problem des kürzesten Pfades Reale Ameisen: Idee basierend auf Experimenten von Goss et al mit argentinischen Ameisen Folie 198
2 Ameisenkolonien (2) Kürzeste Pfade: Kollektives Finden des kürzesten Pfades vom Futter zum Nest bei vorhanden sein eines Hindernisses Nest Nahrung 1 2 Nest 3 Folie 199 Nest Nahrung Hindernis Nahrung Hindernis Nest 4 Nahrung Hindernis
3 Ameisenkolonien (3) Historische Entwicklung: Ant System AS (M. Dorigo, 1992) Ant Colony System ACS (M. Dorigo und L. M. Gambardella, 1997) Ant Colony Optimization Meta-Heuristic ACO (Dorigo und DiCaro, 1999) AS und ACS: Ursprünglich entwickelt fürs TSP Übertragen auf viele weitere COP Folie 200
4 Ant System fürs TSP Ant Sytem fürs TSP: Ameisen konstruieren Touren Kanten mit höherer Pheromon-Konzentration t werden mit höherer Wahrscheinlichkeit gewählt v? t(s,v) t(s,u) u s t(s,r) r t(s,t) t Jede Ameise hinterlegt Pheromonspur nachdem Tour komplett ist Hinterlegte Pheromonmenge ist umgekehrt proportional zur Länge der Tour der Ameise Duftspur verflüchtigt sich mit der Zeit Folie 201
5 Ant Sytem - Übergangsregel Ant System fürs TSP: Ameisen sind Tour-Konstruktoren: Jede Ameise erzeugt eine Tour Wahrscheinlichkeit für Ameise k von Stadt r nach s zu gehen: β τ(r,s) η(r,s), wenn s J () r β k p ( rs, ) = τ(r,u) η(r,u) k u Jk ( r) 0, sonst τ :Pheromon-Konzentration η(, rs) = 1/ drs (, ): Heuristische Information J(): r Menge der noch nicht besuchten Städte k Folie 202
6 Ant System Update-Regel Globale Lernregel: Pheromon-Update: τ(, rs) (1 α) τ(,) rs + τ (,) rs τ k k = 1 1, wenn( rs, ) T (,) rs = Lk 0, sonst m k k T L k k :Tour von Ameise k :Länge der Tour von Ameise k α :Verflüchtigung der Pheromone Folie 203
7 Ant Colony System Übergangsregel State Transition Rule: Pseudo-zufälliger Zustandsübergang: argmax u J {(, ) (, ) }, wenn k r τ ru η ru q q s = S, sonst β ( ) 0 q :Zufallsvariable gleichverteilt in [0,1] q 0 :Explorationsparameter S: Zufallsvariable nach p (, rs) aus AS k Folie 204
8 Ant Colony System Update-Regeln (1) Globale Lernregel: ACS Global Update Rule: τ(,) rs (1 α) τ(,) rs + α τ(,) rs 1, wenn( rs, ) T τ(, rs) = Lbest 0, sonst best T L best best :Tour der besten Ameise :Länge der besten Tour α :Verflüchtigung der Pheromone Folie 205
9 Ant Colony System Update-Regeln (2) Lokale Lernregel: ACS Local Update Rule: τ(,) rs (1 ρ) τ(, rs) + ρ τ(, rs) τ(, rs) = γ max τ( sz, ) (Variante 1) 0 z J k ( s) τ(, rs) = τ (Variante 2) τ (, rs) = 0 (Variante 3) ρ :Parameter (0,1] γ :Q-Learning Parameter [0,1) τ 0 :Initialer Pheromonlevel Folie 206
10 ACS - Pseudocode Procedure ACS-TSP; begin Initialisierung; repeat Jede Ameise wird in einem Startknoten positioniert repeat foreach Ameise do Ameise wendet Zustandsübergangsregel an Ameise wendet lokale Update-Regel an endforeach; until Lösungen komplett; Globale Update-Regel wird angewendet until Ende-kriterium; end; Folie 207
11 ACS - Parameterwahl Parameter: Einfluss der heuristischen Information β=2 Exploration q 0 =0.9 Pheromon-Evaporation α=ρ=0.1 Initialer Pheromonwert τ 0 = 1/(n L nn ) L nn : Länge der Lösung der Nearest-Neighbor-Heuristik Anzahl Ameisen: m=10 Folie 208
12 ACS - Varianten Ergebnisse eines Vergleichs: ACS mit lokalem Update besser als ohne Lokales Update: Variante 1 und 2 besser als Variante 3 Heuristische Information wichtig β>0 Igonorieren der Pheromonwerte schlechte Performance ACS im Vergleich zu anderen Meta-Heuristiken relativ schlecht Verwendung lokaler Suche ACS + 3-opt (TSP): 3-opt lokale Suche vor globalem Update Ergebnisse deutlich besser, aber schlechter als MA (1st International Contest on Evolutionary Optimization) Folie 209
13 Min-Max Ant System Idee: Von Stützle und Hoos, 1997 Verbesserung des AS Unterschiede zu AS: Nur beste Ameise (global Beste oder Iterationsbeste) darf Pheromonspur aktualisieren Pheromonwerte werden auf ein Intervall [τ min,τ max ] festgelegt Pheromonwerte werden mit τ max initialisiert Verwendung von lokaler Suche Folie 210
14 Fast Ant System FANT: (QAP) Von Taillard und Gambardella, 1997 Nur eine Ameise Lokale Suche nach Konstruktion einer Lösung Pheromone verflüchtigen sich nicht Pheromonwerte werden mit 1 initialisiert Pheromon-Update: τ τ + r τ + r τ gb ij ij ij ij τ τ ij gb ij : 1, wenn (, ij) Element der aktuellen Lösung ist : 1, wenn (, ij) Element der besten Lösung ist rr, : Parameter Folie 211
15 Ant Colony Optimization ACO Meta-Heuristik: Von Dorigo und DiCaro, 1999 Verallgemeinerung des ACS Framework erlaubt Integration von lokaler Suche Anwendung: Diskrete Optimierungsprobleme (kombinatorische Optimierungsprobleme) mit bestimmten Eigenschaften Problemdarstellung als Graph, Wahl einer Lösungskomponente wird durch Kante im Graph dargestellt Folie 212
16 ACO Optimierungsprobleme (1) Voraussetzungen: Endliche Menge C von Komponenten C={c 1,c 2,...,c n } Endliche Menge L von möglichen Verbindungen/Übergängen zwischen den Elementen von C, L={l ij (i,j) C x C}, L n 2 Für jedes l ij L Verbindungkosten J ij (l ij,t), möglicherweise zeitabhängig Eine endliche Menge von Nebenbedingungen Ω(L,C,t) Folie 213
17 ACO Optimierungsprobleme (2) Weitere Voraussetzungen: Die Zustände des Problems ausgedrückt als Sequenzen s=<c i,c j,...,c k > über den Elementen von C, S sei die Menge aller möglichen Sequenzen und S* die Menge der gültigen Sequenzen bezüglich Ω(L,C,t) Eine Nachbarschaftsstruktur, d.h. s 1 und s 2 sind Nachbarn, wenn s 1 =<...,c 1 > und s 2 =<s 1,c 2 > S, c 1, c 2 C und l c1,c2 L Eine Lösung x S* mit einer Kostenfunktion f(x,l,t) abhängig von den Kosten l ij der Lösung Folie 214
18 ACO Problembespiele (1) Aufgabe: Pfad im Graphen G=(C,L) Beispiel TSP: C : Menge der Städte / Knoten L : Menge der Verbindungen / Kanten Verbindungkosten J ij (l ij,t) = d ij Ω(L,C,t) : Jede Stadt darf nur einmal besucht werden Die Zustände des Problems: Städtefolge s=<c i,c j,...,c k > Eine Nachbarschaftsstruktur: alle Städte sind benachbart Lösung x S*: gültige Tour Kostenfunktion f(x,l,t): Tourlänge Folie 215
19 ACO Problembespiele (2) Beispiel binäres Problem: Schrittweises Festlegen der Bits von links nach rechts Graph: S E Lösung: Folie 216
20 ACO - Datenstrukturen Gedächtnis M: Jede Ameise hat ein Gedächtnis Wichtig für Erzeugung gültiger Lösungen Verwendet zur Evaluation einer Lösung Benötigt zum Rückverfolgen des Pfades Routing-Tabelle A: Gewichtet Kanten im Graph durch Kombination der Pheromonkonzentration und der heuristischen Information Benötigt zur Berechnung der Zustandsübergangswahrscheinlichkeiten Folie 217
21 ACO - Pseudocode procedure ACO; begin repeat schedule antsgenerationandactivity(); pheromoneevaporation(); daemonactions(); end schedule; until Ende-kriterium; end; procedure antsgenerationandactivity; begin repeat schedulecreationnewant(); newactiveant(); until noresources(); end; procedure newactiveant; begin initializeant(); M = updateantmemory(); repeat A = readlocalantroutingtable(); P = computetransitionprobabilities(a,m,ω); nextstate = applyantdecisionpolicy(p, Ω); movetonextstate(nextstate); if (onlinestepbysteppheromoneupdate()) depositpheromoneonvisitedarc(); updateantroutingtable(); end if; M = updateinternalstate(); until currentstate == targetstate; if (onlinedelayedpheromoneupdate()) foreach arc in x do depositpheromoneonvisitedarc(); updateantroutingtable(); end foreach; endif; end; Folie 218
22 QAP: ACO und andere Meta-Heuristiken QAP: Vergleich Meta-Heuristiken Zahlen: Abweichung von besten Lösung in % Instanz MA-1 MA-2 Ro-TS Re-TS FANT MMAS SA t/sec tai60a tai80a tai100a sko100a tai60b tai80b tai100b tai150b tho tai256c Ro-TS, Re-TS: Robust/Reactive Tabu Search FANT, MMAS: Ant Colony Optimization: Fast Ant System, Min-Max Ant System SA: Simulated Annealing Folie 219
Ameisenkolonien (2) Ameisenkolonien (1)
Ameisenolonien () Idee: Von M. Dorigo, 992 Verhalten von Ameisen bei der Futtersuche Ameisen hinterlassen Pheromon-Spur (Chem. Substanz) Pfade mit hoher Pheromon-Konzentration werden bevorzugt Indirete
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Joachim Schauer Betriebliche Optimierung 1 / 31 1 Metaheuristische Verfahren 2 Joachim Schauer Betriebliche Optimierung 2 / 31 Einleitendes Metaheuristische Verfahren
MehrDynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
MehrGabriella Kókai: Computational Intelligence Lehrstuhl für Informatik 2
Ameiseolonien Ant Systeme für TSP AS Variationen Min-Max Ant System Ant Colony System (ACS) ACS Variationen Fast Ant System Ant Colony Optimization Meta Heuristic- ACO Anwendung in der Bioinformati Dorigo
MehrAnt Colony Optimization (ACO)
Ant Colony Optimization (ACO) Daniel Blum 24.4.2003 Projektgruppe 431 Metaheuristiken Lehrstuhl 11, Fachbereich Informatik, Universität Dortmund 1 Übersicht Vorbild Natur Übertragung der Ideen Beispiele
MehrAmeisenalgorithmen Dynamische Fahrzeugnavigation
Ameisenalgorithmen Dynamische Fahrzeugnavigation Seminar SS 2005 Künstliche Intelligenz Thomas Walther Agenda 1. Einleitung 2. Reale Ameisen und künstliche Ameisen 3. Ant Colonisation Optimisation 4. Ant
MehrKonstruktions-Verbesserungsheuristiken. Iterierte lokale Suche (ILS)
Konstruktions-Verbesserungsheuristiken Iterierte lokale Suche (ILS) Idee: 2-Phasen-Suche 1. Phase: Randomisierte Konstruktionsheuristik 2. Phase: Lokale Suche Beispiele: Multi-Start lokale Suche GRASP:
MehrVerbesserungsheuristiken
Verbesserungsheuristiken Bestandteile der Lokalen Suche Für schwierige Optimierungsaufgaben haben Verbesserungsheuristiken eine große praktische Bedeutung. Sie starten mit Ausgangslösungen, die von z.b.
MehrAmeisenalgorithmen in der Verkehrssimulation
Ameisenalgorithmen in der Verkehrssimulation Johannes Renfordt johannes.renfordt@[alumni.]uni-ulm.de Institut für Stochastik, Universität Ulm Johannes Renfordt, 26. Juni 2007: Präsentation Diplomarbeit,
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrAmeisenalgorithmen auf rekonfigurierbaren Rechensystemen Tübingen, 29. April Ameisenalgorithmen auf rekonfigurierbaren Rechensystemen
Ameisenalgorithmen auf rekonfigurierbaren Rechensystemen Bernd Scheuermann Hartmut Schmeck Institut für Angewandte Informatik und Formale Beschreibungsverfahren () Universität Karlsruhe (TH) Gliederung
MehrBisher: Suche durch Lösungsveränderung Neuer Begriff: Nachbarschaft einer Lösung
Lokale Suche und Nachbarschaften Bisher: Suche durch Lösungsveränderung Neuer Begriff: Nachbarschaft einer Lösung Nachbarschaft ist Menge der Lösungen, die von einer gegebenen Lösung durch eine einfache
MehrAMEISENSYSTEME. Arno Klein
1 AMEISENSYSTEME Arno Klein Vortrag im Seminar Moderne Heuristien, betreut durch ao. Univ.-Prof. Mag. Dr. Manfred Gronalt, Lehrstuhl für Wirtschaftsinformati der Technischen Universität Clausthal, vorgetragen
Mehr09. Übung zu Algorithmen I 12. Juli 2017
09. Übung zu Algorithmen I 12. Juli 2017 Björn Kaidel bjoern.kaidel@kit.edu mit Folien von Lukas Barth 1 / 67 Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP
MehrSchwarmintelligenz. Lydia Pintscher Seminar Organic Computing Universität Karlsruhe
Schwarmintelligenz Lydia Pintscher Seminar Organic Computing Universität Karlsruhe Gliederung 1. Grundlagen 2. Schwarmintelligenz in der Natur 3. Schwarmintelligenz beim Menschen 4. Schwarmintelligenz
MehrDeterministisch vs. Zufallsgesteuert
Klassifikation von Heuristiken Problembezogen: Problemspezifische Heuristiken Problemunabhängige Heuristiken Nach Komplexität: Einfache Heuristiken Hybride Heuristiken Nach Methodik: Konstruktionsheuristiken
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 19 1 Joachim Schauer ( Institut für
MehrIntelligente Systeme
Intelligente Systeme Schwarmintelligenz Prof. Dr. R. Kruse C. Braune {kruse,cbraune}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität
MehrKlassifikation von Heuristiken. Meta-Heuristiken. Problembezogen: Problemspezifische Heuristiken Problemunabhängige Heuristiken
Klassifikation von Heuristiken Meta-Heuristiken Problembezogen: Problemspezifische Heuristiken Problemunabhängige Heuristiken Nach Komplexität: Einfache Heuristiken Hybride Heuristiken Nach Methodik: Konstruktionsheuristiken
Mehr8.1 Einleitung. Grundlagen der Künstlichen Intelligenz. 8.1 Einleitung. 8.2 Lokale Suchverfahren. 8.3 Zusammenfassung. Suchprobleme: Überblick
Grundlagen der Künstlichen Intelligenz 5. April 0 8. Suchalgorithmen: Lokale Suche Grundlagen der Künstlichen Intelligenz 8. Suchalgorithmen: Lokale Suche 8.1 Einleitung Malte Helmert Universität Basel
MehrHeuristische Verfahren
Heuristische Verfahren Bei heuristischen Verfahren geht es darum in polynomieller Zeit eine Näherungslösung zu bekommen. Diese kann sehr gut oder sogar optimal sein, jedoch gibt es keine Garantie dafür.
Mehrx x x x Repräsentation von Lösungen (2) Repräsentation von Lösungen (1)
Repräsentation von Lösungen () Repräsentation von Lösungen () Kontinuierliche Optimierung: x x x x n Binäre Optimierung: n = (,,, ) R x = ( x, x,, x ) {0,} n n Lokale Suche: x i = x i + ε Lokale Suche:
MehrRepräsentation von Lösungen (1)
Repräsentation von Lösungen (1) Kontinuierliche Optimierung: Binäre Optimierung: x x1 x2 x n n = (,,, ) R x = ( x1, x2,, x ) {0,1} n n Lokale Suche: x i = x i + ε Lokale Suche: x i = 1-x i 0.5 0.9 0.2
MehrÜberblick. Motivation. Kap. 7.6 Verbesserungsheuristiken. Nachbarschaft einer Lösung Einfache lokale Suche
Kap. 7.6 Verbesserungsheuristiken (letzte VO) Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 7. VO DAP SS 008 17. Juli 008 Überblick Verbesserungsheuristiken
MehrKap. 7.6 Verbesserungsheuristiken (letzte VO)
Kap. 7.6 Verbesserungsheuristiken (letzte VO) Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 25. VO DAP2 SS 2009 23. Juli 2009 1 Überblick Verbesserungsheuristiken
MehrAnwendung von Schwarmintelligenz auf ein Mehrkriterienoptimierungsproblem mit Nebenbedingungen
Anwendung von Schwarmintelligenz auf ein Mehrkriterienoptimierungsproblem mit Nebenbedingungen Diplomarbeit im Fach Informatik vorgelegt von Bettina Bickel geb. 12.02.1981 in Weissenburg i. Bay. angefertigt
MehrDie Theorie der Toleranzen und deren Anwendung auf das Traveling Salesman Problem
Die Theorie der Toleranzen und deren Anwendung auf das Traveling Salesman Problem Gerold Jäger 4. Februar 2010 Gerold Jäger Theorie der Toleranzen 4. Februar 2010 1 / 35 Überblick 1 Theorie der Toleranzen
MehrHeuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem. Gerold Jäger
Heuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem Gerold Jäger Martin-Luther-Universität Halle-Wittenberg (in Zusammenarbeit mit Paul Molitor) DFG-Projekt: Toleranzbasierte
Mehr1 Heuristiken für das Traveling Salesman Problem
Praktikum Diskrete Optimierung (Teil 5) 15.06.2011 1 1 Heuristiken für das Traveling Salesman Problem Wir betrachten das folgende Problem. Wir wollen einen gegebenen Graphen möglichst schnell so durchlaufen,
MehrWissensbasierte Systeme. Kombinatorische Explosion und die Notwendigkeit Heuristischer Suche. Heuristiken und ihre Eigenschaften
1 Michael Beetz Technische Universität München Wintersemester 2004/05 Kombinatorische Explosion und die Notwendigkeit Heuristischer Suche 2 3 der Eigenschaften der 4 : 8-Puzzle 5 Heuristiken und ihre Eigenschaften
MehrInvestitionsentscheidungen bei mehrfachen Zielsetzungen und künstliche Ameisen
Investitionsentscheidungen bei mehrfachen Zielsetzungen und künstliche Ameisen Karl Doerner 1, Walter J. Gutjahr 2, Richard F. Hartl 1, Christine Strauss 1 und Christian Stummer 1 1 Institut für Betriebswirtschaftslehre,
MehrGrundlagen Theoretischer Informatik 3 SoSe 2012 in Trier. Henning Fernau Universität Trier
Grundlagen Theoretischer Informatik 3 SoSe 2012 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Zum Umgang mit NP-harten Problemen In manchen Anwendungen ist das garantierte Auffinden exakter
Mehr5. Lokale Suchverfahren. Beispiel TSP: k-change Nachbarschaft. Nachbarschaft. k-opt Algorithmus
5. Lokale Suchverfahren Lokale Suche 5. Lokale Suchverfahren Beispiel TSP: k-change Nachbarschaft Optimale Lösungen können oft nicht effizient ermittelt werden. Heuristiken liefern zwar zulässige Lösungen,
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 21. Kombinatorische Optimierung und lokale Suche Malte Helmert Universität Basel 10. April 2015 Kombinatorische Optimierung Kombinatorische Optimierung: Einführung
MehrSeminararbeit: K-Opt und die Lin-Kernighan-Heuristik für das allgemeine TSP
Seminararbeit: K-Opt und die Lin-Kernighan-Heuristik für das allgemeine TSP Tobias Boelter 28. Mai 2013 bei Prof. Dr. Rainer Schrader, Universität zu Köln Inhaltsverzeichnis 1 Einleitung 2 2 Lokale Suche
MehrAnt Colony Optimization (ACO)
Ant Colony Optimization (ACO) Daniel Blum PG Meta-Heuristiken Universität Dortmund 6. Mai 2003 Inhaltsverzeichnis 1 Biologischer Hintergrund 2 2 Von der Natur zum Algorithmus 2 3 Allgemeines Konzept für
MehrPG 431 Metaheuristiken
PG 431 Metaheuristiken Seminar Optimierung Wie und warum? Dirk Hoppe Überblick Einführung Optimierungsverfahren Anwendungen Der Begriff Optimierung Littger, Optimierung (1992): Unter Optimierung versteht
MehrLocal Search Algorithmen 1
Local Search Algorithmen 1 Seminar über Algorithmen Manuel Gellfart 18.05.2012 Fachbereich Mathematik und Informatik 18.05.2012 2 Gliederung 1. Einleitung 2. Theorie 3. Beispiel: Vertex Cover 4. Beispiel:
MehrStudienarbeit. Ameisen und kombinatorische Optimierung
Fakultät für Informatik Professur Modellierung und Simulation Studienarbeit Ameisen und kombinatorische Optimierung Erstellt von: Peter Krusche peter.krusche@s2000.tu-chemnitz.de Diplomstudiengang Informatik
MehrDas Traveling Salesman Problem und das Assignment Problem zweiter Ordnung. Gerold Jäger
Das Traveling Salesman Problem und das Assignment Problem zweiter Ordnung Gerold Jäger Martin-Luther-Universität Halle-Wittenberg Zusammenarbeit mit Frank Fischer, Anja Lau, Paul Molitor DFG-Projekt: Toleranzbasierte
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrF A C H H O C H S C H U L E
F A C H H O C H S C H U L E W E D E L S E M I N A R A R B E I T Künstliche Intelligenz SS05 A m e i s e n a l g o r i t h m e n Dynamische Fahrzeugnavigation Eingereicht von: Eingereicht im: Thomas Walther
MehrVisualisierung von Graphen
1 Visualisierung von Graphen Teile-und-Herrsche-Algorithmen: Bäume und serienparallele Graphen 3. Vorlesung Sommersemester 2013 (basierend auf Folien von Martin Nöllenburg und Robert Görke, KIT) 2 Ankündigung
Mehrt r r P t 3 r q t t t st r2 t s t t
s st t t ür r t r s 3 s s r 1 s rs tät ü r r t r Pr r s r t r r P t 3 r q t t t st r2 t s t t ss rt t 3 r r s t r r s r r r r r 3 s tät r 1 s rs tät ü r t r r 1 r üt3 s r ts s t r 3 s tät r 1 s rs tät
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (2) Spannbäume Kürzeste Wege Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 455 Wiederholung Traversierung eines Graphen via Tiefendurchlaufs
MehrDaniel Radeloff Matr.# Ameisenalgorithmen. -Seminararbeit- Proseminar Adaptive Systeme PD Dr. R. Brause
Daniel Radeloff Matr.# 1627725 radeloff@gmx.de Ameisenalgorithmen -Seminararbeit- Proseminar Adaptive Systeme PD Dr. R. Brause 1 INHALT Übersicht 1. Soziale Inseten als Prototypen von Optimierungsalgorithmen
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrAlgorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS Oktober 2016
Technische Universität Wien Institut für Computergraphik und Algorithmen Algorithms and Complexity Group 186.815 Algorithmen und Datenstrukturen 2 VU 3.0 Nachtragstest SS 2016 5. Oktober 2016 Machen Sie
MehrKapitel ML: X (Fortsetzung)
Kapitel ML: X (Fortsetzung) X. Clusteranalyse Einordnung Data Mining Einführung in die Clusteranalyse Hierarchische Verfahren Iterative Verfahren Dichtebasierte Verfahren Cluster-Evaluierung ML: X-31 Cluster
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Das Travelling Salesperson Problem 2 Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie
MehrSwarm Intelligence in der dynamischen Tourenplanung
MKWI 2010 Planung/Steuerung und Konfigurieren/Entwerfen 2333 Swarm Intelligence in der dynamischen Tourenplanung Osterhörn 14, 26736 Krummhörn menno.heeren@gepards.de Mit diesem Beitrag soll gezeigt werden,
MehrProportional Symbol Maps
Proportional Symbol Maps Florian Simon 8. Dezember, 2009 Proportional Symbol Maps Gegeben: Punkte p 1,..., p n R 2 mit zugeordneten Werten w 1,..., w n R Proportional Symbol Maps Gegeben: Punkte p 1,...,
Mehr14. Schwarmbasierte Optimierungsverfahren FEURO UZZY
14. Schwarmbasierte Optimierungsverfahren S Überblick Optimierungsverfahren Allgemeine Problemstellung und Voraussetzungen Einige einfache/klassische Optimierungsverfahren Das Problem lokaler Optima Beispiele:
MehrDatenstrukturen und Algorithmen
Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 1/1 Datenstrukturen und Algorithmen Vorlesung 14: Prof. Dr. Erika Ábrahám Theorie Hybrider Systeme Informatik 2 http://ths.rwth-aachen.de/teaching/ss-14/
Mehr14. Schwarmbasierte Optimierungsverfahren
14. Schwarmbasierte Optimierungsverfahren basierend auf Folien von C. Borgelt S F UZZY Überblick Optimierungsverfahren Allgemeine Problemstellung und Voraussetzungen Einige einfache/klassische Optimierungsverfahren
Mehrlineare Programmierung
lineare Programmierung Viele Probleme sind durch lineare Gleichungssysteme charakterisiert lineare Programmiermethoden Der Lösungsraum ist häufig auf ganze Zahlen oder gar natürliche Zahlen eingeschränkt!
MehrFormale Grundlagen der Informatik F3: Berechenbarkeit un
Formale Grundlagen der Informatik F3: Berechenbarkeit und Komplexität Fachbereich Informatik AB Theoretische Grundlagen der Informatik (TGI) Universität Hamburg farwer@informatik.uni-hamburg.de 14. Dezember
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
MehrVerteilte Systeme. Graphenalgorithmen. Secure Identity Research Group
Verteilte Systeme Graphenalgorithmen Allgemeine Netzwerke Reale Computernetze sind meist keine Ringe Beliebige Netze lassen sich als Graph modellieren:g=(v,e) Knoten V (Prozessen, Stationen) Kanten E (Kanälen,
MehrHidden-Markov-Modelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Hidden-Markov-Modelle Tobias Scheffer Thomas Vanck Hidden-Markov-Modelle: Wozu? Spracherkennung: Akustisches Modell. Geschriebene
MehrExkurs Modelle und Algorithmen
Exkurs Modelle und Algorithmen Ansatz künstlich neuronaler Netze (KNN) Versuch, die Wirkungsweise menschlicher Gehirnzellen nachzubilden dabei wird auf formale mathematische Beschreibungen und Algorithmen
MehrKonstruktive Heuristiken
Konstruktive Heuristiken Konstruktive Heuristik: Ein Plan oder ein Schedule wird durch das schrittweise Ein- oder Anfügen einer Operation oder einer Menge von Operationen erzeugt: - Reihungsregeln (Dispatching
MehrEvolutionäre Algorithmen Metaheuristiken und verwandte Optimierungsverfahren II/II
Evolutionäre Algorithmen Metaheuristiken und verwandte Optimierungsverfahren II/II Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 22 1 Das Travelling Salesperson Problem
MehrGliederung. Kapitel 4. Lokale Suchverfahren. Meta-Heuristiken. Simulated Annealing. Lokale Suchverfahren. Optimierungsalgorithmen
Kapitel Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrPopulationsbasierte Suche. Evolutionäre Algorithmen (1)
Populationsbasierte Suche Bisherige Meta-Heuristiken: Simulated Annealing Tabu Search Ausgehend von einer Lösung wird gesucht Populationsbasierte Heuristiken Suche erfolgt ausgehend von mehreren Lösungen
MehrIntelligente Systeme. Einführung. Christian Moewes
Intelligente Systeme Einführung Prof. Dr. Rudolf Kruse Christian Moewes Georg Ruß {kruse,russ,cmoewes}@iws.cs.uni-magdeburg.de Arbeitsgruppe Computational Intelligence Institut für Wissens- und Sprachverarbeitung
MehrIntelligente Systeme
Intelligente Systeme Schwarmbasierte Optimierungsverfahren Prof. Dr. R. Kruse C. Moewes G. Ruß {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Arbeitsgruppe Computational Intelligence Institut für Wissens-
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 7 und 8: Euler- und Hamilton-Graphen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 17. April 2018 1/96 WIEDERHOLUNG Eulersche
MehrEinführung in Heuristische Suche
Einführung in Heuristische Suche Beispiele 2 Überblick Intelligente Suche Rundenbasierte Spiele 3 Grundlagen Es muss ein Rätsel / Puzzle / Problem gelöst werden Wie kann ein Computer diese Aufgabe lösen?
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2018/2019 1 / 25 Überblick Überblick Metropolis-Algorithmus
MehrDas Problem des Handlungsreisenden
Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme
MehrGrundlagen Theoretischer Informatik 3 SoSe 2010 in Trier. Henning Fernau Universität Trier
Grundlagen Theoretischer Informatik 3 SoSe 2010 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Grundlagen Theoretischer Informatik 3 Gesamtübersicht Organisatorisches; Einführung Algorithmenanalyse:
MehrWintersemester 2004/ Februar 2005
Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim
MehrRandomisierte Datenstrukturen
Seminar über Algorithmen DozentInnen: Helmut Alt, Claudia Klost Randomisierte Datenstrukturen Ralph Schäfermeier 13. 2. 2007 Das Verwalten von Mengen, so dass ein schneller Zugriff auf deren Elemente gewährleistet
MehrSeminar: Data Mining. Referat: Andere Möglichkeiten des Data Mining in verteilten Systemen. Ein Vortrag von Mathias Rohde. 11.
Referat: Andere Möglichkeiten des Data Mining in verteilten Systemen 11. Juni 2009 Gliederung 1 Problemstellung 2 Vektorprodukt Approximationen Samplesammlung 3 Schritte Lokalität und Nachrichtenkomplexität
MehrSimulation einer selbstorganisierenden Fertigungssteuerung auf Basis der Ant-Colony-Optimierung
Integrationsaspekte der Simulation: Technik, Organisation und Personal Gert Zülch & Patricia Stock (Hrsg.) Karlsruhe, KIT Scientific Publishing 2010 Simulation einer selbstorganisierenden Fertigungssteuerung
MehrIntelligente Systeme
Intelligente Systeme Computational Intelligence Prof. Dr. R. Kruse C. Braune C. Doell {kruse,cbraune,doell}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
MehrAlgorithmen und Datenstrukturen Tutorium Übungsaufgaben
Algorithmen und Datenstrukturen Tutorium Übungsaufgaben AlgoDat - Übungsaufgaben 1 1 Landau-Notation Aufgabe Lösung 2 Rekurrenzen Aufgabe 3 Algorithmenentwurf und -analyse Aufgabe AlgoDat - Übungsaufgaben
MehrRechenzeit für A. Sei t B die Rechenzeit eines Algo für B. Seien p,q,r monotone Polynome ( +).
Rechenzeit für A Sei t B die Rechenzeit eines Algo für B. Seien p,q,r monotone Polynome ( +). Rechenzeit des resultierenden Algo für A: t A (n) p(n) + q(n) t B (r(n)). Ist polynomiell, falls t B Polynom.
MehrMap Matching. Problem: GPS-Punkte der Trajektorie weisen einen relativ großen Abstand zueinander auf.
Map Matching Problem: GPS-Punkte der Trajektorie weisen einen relativ großen Abstand zueinander auf. Ergebnis mit minimaler Fréchet-Distanz Annahme: Fahrer wählen bevorzugt kürzeste Wege im Straßennetz.
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrHochschule Darmstadt
Hochschule Darmstadt - Fachbereich Informatik - Ameisenalgorithmen zur Routenerzeugung in der embedded Fahrzeugnavigation Abschlussarbeit zur Erlangung des akademischen Grades Master of Science (M.Sc.)
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
MehrSIMULATED ANNEALING IM RAHMEN DES PS VIRTUAL LAB MARTIN PFEIFFER. Simulated Annealing Virtual Lab 1 /42
SIMULATED ANNEALING IM RAHMEN DES PS VIRTUAL LAB MARTIN PFEIFFER Simulated Annealing Virtual Lab 1 /42 - Simulated Annealing = Simuliertes Abkühlen - Verfahren zum Lösen kombinatorischer Probleme - inspiriert
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
MehrSynthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
MehrHybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents
Hybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents Betreut von: ao.univ.-prof. Dr. Günther R. Raidl ao.univ.-prof. Dr. Ulrich Pferschy 25. Jänner 2010
MehrIntelligente Systeme
Intelligente Systeme Computational Intelligence Prof. Dr. R. Kruse C. Braune {kruse,cbraune}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrIntelligente Systeme
Intelligente Systeme Computational Intelligence Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cbraune,cmoewes}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
MehrTraversierung 1 / 16. P.F. Stadler & S. Will (Bioinf, Uni LE) ADS 2, V3 23. April / 16
P.F. Stadler & S. Will (Bioinf, Uni LE) ADS, V. April 0 / P.F. Stadler & S. Will (Bioinf, Uni LE) ADS, V. April 0 / Traversierung ADS: Algorithmen und Datenstrukturen Teil Prof. Peter F. Stadler & Sebastian
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrOptimale Produktliniengestaltung mit Genetischen Algorithmen
Optimale Produktliniengestaltung mit Genetischen Algorithmen 1 Einleitung 2 Produktlinienoptimierung 3 Genetische Algorithmen 4 Anwendung 5 Fazit Seite 1 Optimale Produktliniengestaltung mit Genetischen
MehrAuswahl und Implementierung eines Ameisenalgorithmus zur Steuerung von Patienten im Planspiel INVENT
Auswahl und Implementierung eines Ameisenalgorithmus zur Steuerung von Patienten im Planspiel INVENT eingereicht von Sabine Graf DIPLOMARBEIT zur Erlangung des akademischen Grades Magistra rerum socialum
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
Mehr