Genetische Algorithmen

Größe: px
Ab Seite anzeigen:

Download "Genetische Algorithmen"

Transkript

1 Genetische Algorithmen zur Lösung kombinatorischer Optimierungsprobleme aus dem Bereich Produktion und Logistik S. Häckel, S. Lemke TU Chemnitz Fakultät für Wirtschaftswissenschaften Professur für Produktionswirtschaft und Industriebetriebslehre Entscheidungsunterstützungssysteme Nur für den internen Gebrauch an der TUC bestimmt! 18. Dezember 2012, Chemnitz Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 1

2 Gliederung 1. Teil 1: Problem des Handlungsreisenden 2. Teil 2: Problem der Maschinenbelegungsplanung 3. Kontakt Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 2

3 Gliederung 1. Teil 1: Problem des Handlungsreisenden 2. Teil 2: Problem der Maschinenbelegungsplanung 3. Kontakt Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 3

4 Einführung Problem des Handlungsreisenden Rundreiseproblem, engl. Travelling Salesman Problem (TSP) Ein Handlungsreisender hat die Aufgabe, eine Menge von Kunden zu besuchen. Jeder Kunde soll genau einmal besucht werden Ziel: Finde eine Besuchsreihenfolge der Kunden, bei der eine möglichst kurze Gesamtstrecke zurückgelegt wird. Alternativ: Rundreise mit möglichst kurzer Dauer Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 4

5 Problemstellung Gegeben: Gewichteter Graph G = (V, E) V ist eine Menge von n Knoten V E ist eine Menge von Kanten zwischen den Knoten e j E Jeder Kante ist ein Gewicht c j (Entfernung, Dauer, Kosten) zugeordnet B 2 2 A 5 C E 4 D Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 5

6 Problemstellung Gesucht: Kürzeste Rundreise Jeder Knoten muss genau einmal besucht werden. Startknoten der Rundreise ist beliebig Bewertung: Aufsummierte Kantengewichte c j aller besuchten Kanten B 2 2 A 5 C E =16 4 D Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 6

7 Beispiel: Bohrungen auf Leiterplatten Es wird eine Vielzahl von Bohrungen auf einer Leiterplatte ausgeführt. Der Bohrer fährt sämtliche Positionen nacheinander an und führt Bohrung aus. Anschließend kehrt der Bohrer zur Ausgangslage zurück. Problemstellung: Anfahrreihenfolge der festgelegten Bohrpunkte Ziel: Kürzeste Gesamtzeit über alle Bohrungen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 7

8 Exakte Lösungsverfahren: Brute-Force-Algorithmus Optimierungsverfahren für kombinatorische Problemstellungen Exakte Lösung Heuristische Lösung + - Exakte Verfahren Optimale Lösung Zeitdauer prohibitiv groß Metaheuristiken + Angemessene Zeitdauer + Hohe Lösungsqualität Problemspez. Heuristiken + Sehr kurze Antwortzeiten - Lösungsqualität Beispiele Vollständige Enumeration (z.b. Brute-Force-Alg.) Begrenzte Enumeration (z.b. Branch & Bound) Dynamic Programming Beispiele Lokale Suchverfahren (z.b. Threshold Accepting) Evolutionäre Algorithmen (z.b. Genetische Algorithmen) Schwarmintelligenz (z.b. Ameisenalgorithmen) Beispiele Eröffnungsverfahren (z.b. Prioritätsregeln) Verbesserungsverfahren (z.b. Hillclimber) Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 8

9 Exakte Lösungsverfahren: Brute-Force-Algorithmus Brute Force brute force, dt. rohe Gewalt Durchführen einer erschöpfenden Suche durch vollständige Enumeration Andere exakte Verfahren sind teilweise deutlich schneller Aber: Verfahren beschreibt die Worst-Case-Laufzeit eines Algorithmus für ein Problem Vorgehen Generiere vollständig alle möglichen Lösungen des Problems Bewerte alle generierten Lösungen mit Hilfe der Zielfunktion Wähle eine optimale Lösung aus (mit dem besten Zielfunktionswert) Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 9

10 Brute-Force am Beispiel TSP: Vollständige Enumeration Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 10 A E B C D A E B C D A E B C D A E B C D A E B C D A E B C D A E B C D A E B C D A E B C D A E B C D A E B C D A E B C D

11 Brute-Force am Beispiel TSP: Vollständige Enumeration 2 2 B A 5 C E =16 4 D Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 10

12 Komplexität von Rundreiseproblemen Fragestellung: Wie viele Lösungen besitzt ein Rundreiseproblem mit n Städten? Dem Handlungsreisenden stehen in jedem Schritt noch die Knoten zur Auswahl, die er noch nicht besucht hat. Jede Rundreise kann über n mögliche Startpunkte beginnen Asymmetrische Probleme: (n 1)! mögliche Rundreisen Symmetrische Probleme: Nur (n 1)! 2 Lösungen (Reiserichtung irrelevant) Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 11

13 Komplexität von Rundreiseproblemen Fragestellung: Wie viele Lösungen besitzt ein Rundreiseproblem mit n Städten? Dem Handlungsreisenden stehen in jedem Schritt noch die Knoten zur Auswahl, die er noch nicht besucht hat. Jede Rundreise kann über n mögliche Startpunkte beginnen Asymmetrische Probleme: (n 1)! mögliche Rundreisen Symmetrische Probleme: Nur (n 1)! 2 Lösungen (Reiserichtung irrelevant) Symmetrisches Beispielproblem mit 5 Knoten Anzahl der Lösungen: (5 1)! 2, d.h = 12 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 11

14 Komplexität von Rundreiseproblemen Fragestellung: Wie viele Lösungen besitzt ein Rundreiseproblem mit n Städten? Dem Handlungsreisenden stehen in jedem Schritt noch die Knoten zur Auswahl, die er noch nicht besucht hat. Jede Rundreise kann über n mögliche Startpunkte beginnen Asymmetrische Probleme: (n 1)! mögliche Rundreisen Symmetrische Probleme: Nur (n 1)! 2 Lösungen (Reiserichtung irrelevant) Symmetrisches Beispielproblem mit 5 Knoten Anzahl der Lösungen: (5 1)! 2, d.h = 12 Beispielproblem mit 120 Knoten Anzahl der Lösungen: (120 1)! 2, d.h , Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 11

15 Demo Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 12

16 Heuristische Lösungsverfahren: Eröffnungsverfahren Optimierungsverfahren für kombinatorische Problemstellungen Exakte Lösung Heuristische Lösung + - Exakte Verfahren Optimale Lösung Zeitdauer prohibitiv groß Metaheuristiken + Angemessene Zeitdauer + Hohe Lösungsqualität Problemspez. Heuristiken + Sehr kurze Antwortzeiten - Lösungsqualität Beispiele Vollständige Enumeration (z.b. Brute-Force-Alg.) Begrenzte Enumeration (z.b. Branch & Bound) Dynamic Programming Beispiele Lokale Suchverfahren (z.b. Threshold Accepting) Evolutionäre Algorithmen (z.b. Genetische Algorithmen) Schwarmintelligenz (z.b. Ameisenalgorithmen) Beispiele Eröffnungsverfahren (z.b. Prioritätsregeln) Verbesserungsverfahren (z.b. Hillclimber) Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 13

17 Eröffnungsverfahren: Greedy-Algorithmus Greedy-Algorithmus greedy, dt. gierig, habsüchtig, verfressen Algorithmen, die auf Basis ausschließlich lokaler Entscheidungen sukzessive eine Lösung konstruieren. Vorteil: sehr schnell Problem: Lösungsqualität, da das Vorgehen myopisch (kurzsichtig) ist Beispiel: Heuristik des besten Nachfolgers Vorgehen 1. Wähle einen zufälligen oder den vorgegebenen Startknoten als aktuellen Knoten 2. Wähle immer denjenigen noch nicht besuchten Knoten aus, dessen Kante vom aktuellen Knoten aus das geringste Gewicht hat. Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 14

18 Eröffnungsverfahren: Greedy-Algorithmus am Beispiel 2 2 B A 5 C E 4 D Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 15

19 Eröffnungsverfahren: Greedy-Algorithmus am Beispiel 2 2 B A 5 C E 4 D Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 15

20 Eröffnungsverfahren: Greedy-Algorithmus am Beispiel 2 2 B A 5 C E 4 D Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 15

21 Eröffnungsverfahren: Greedy-Algorithmus am Beispiel 2 2 B A 5 C E 4 D Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 15

22 Eröffnungsverfahren: Greedy-Algorithmus am Beispiel B 2 2 A 5 C E 4 D Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 15

23 Eröffnungsverfahren: Greedy-Algorithmus am Beispiel B 2 2 A 5 C E 4 Gesamtstrecke: =17 D Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 15

24 Demo Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 16

25 Heuristische Lösungsverfahren: Metaheuristiken Optimierungsverfahren für kombinatorische Problemstellungen Exakte Lösung Heuristische Lösung + - Exakte Verfahren Optimale Lösung Zeitdauer prohibitiv groß Metaheuristiken + Angemessene Zeitdauer + Hohe Lösungsqualität Problemspez. Heuristiken + Sehr kurze Antwortzeiten - Lösungsqualität Beispiele Vollständige Enumeration (z.b. Brute-Force-Alg.) Begrenzte Enumeration (z.b. Branch & Bound) Dynamic Programming Beispiele Lokale Suchverfahren (z.b. Threshold Accepting) Evolutionäre Algorithmen (z.b. Genetische Algorithmen) Schwarmintelligenz (z.b. Ameisenalgorithmen) Beispiele Eröffnungsverfahren (z.b. Prioritätsregeln) Verbesserungsverfahren (z.b. Hillclimber) Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 17

26 Grundlagen zu Genetischen Algorithmen Genetische Algorithmen (GA) GA sind zufallsbasierte heuristische Optimierungsverfahren GA adaptieren die Ideen der Evolutionstheorie Grundprinzipien: Variation und Selektion Evolutionstheorie: Variation und Selektion Die Natur produziert einen potentiellen Überschuss an Lebewesen, die Größe der Population bleibt aber nahezu konstant. Individuen sind nicht identisch, es findet eine Variation statt. survival of the fittest: Besser an die Umwelt angepasste Individuen werden bevorzugt für die Genweitergabe selektiert. Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 18

27 Genetische Algorithmen - Grundbegriffe Biologischer Begriff Individuum Chromosom Population Fitness Eltern Kinder Genetischer Algorithmus in geeigneter Weise repräsentierte Lösungsmöglichkeit des Problems (z.b. Rundreise) meist identisch mit dem Begriff Individuum Menge von Individuen Lösungsqualität einer Lösung (Individuum) bezüglich der Zielkriterien die zur Reproduktion ausgewählten Individuen (mittels Selektion abhängig von der Fitness) die aus Eltern generierten Individuen (mittels Rekombination und Mutation) Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 19

28 Problemrepräsentation in Genetischen Algorithmen Jedes Individuum ist eine Lösung des Problems und besitzt zwei Repräsentationsformen: Genotyp: Repräsentation des Erbgutes in einer Kodierung Phänotyp: Tatsächliche Ausprägung der Lösung (z.b. Rundreise) Suchraum des GA Lösungsraum des Problems Eindeutige Abbildung Genetische Repräsentation als Genotyp (Chromosom) Phänotyp-Repräsentation (z.b. Tourenplanungsproblem) Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 20

29 Problemrepräsentation in Genetischen Algorithmen Dekodierung Kodierte Lösung Genetische Repräsentation als Genotyp (Chromosom) Individuum Dekodierte Lösung Phänotyp-Repräsentation (z.b. Tourenplanungsproblem) Genetische Variation mit Crossover und Mutation Aufgabe: Durchmustererung des Suchraums und Finden neuer Lösungen Fitnessevaluierung mit der Fitnessfunktion Aufgabe: Bewertung der gefundenen Lösungen im Lösungsraum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 21

30 Problemrepräsentation in Genetischen Algorithmen Dekodierung Kodierte Lösung Dekodierte Lösung Genetische Repräsentation als Genotyp (Chromosom) Individuum Phänotyp-Repräsentation (z.b. Tourenplanungsproblem) Genetische Variation mit Crossover und Mutation Aufgabe: Durchmustererung des Suchraums und Finden neuer Lösungen Fitnessevaluierung mit der Fitnessfunktion Aufgabe: Bewertung der gefundenen Lösungen im Lösungsraum Fitnessevaluierung Die Güte der Lösung bestimmt die Fitness des Individuums Fitness beeinflusst maßgeblich den Erfolg des Individuums, die eigenen Gene in der Population zu verbreiten. Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 21

31 Kodierung mit Permutationschromosomen Permutationschromosom Gen wird durch ein eindeutiges Symbol beschrieben Gene werden in einer Sequenz angeordnet Genreihenfolge bzw. Genpositionen beschreiben die Genzustände Permutationschromosom Positionen Gensequenz G1 G3 G2 G6 G4 G7 G8 G5 G9 Gen G2 mit dem Zustand Position 3 nach den Genen G1 und G3 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 22

32 Kodierung im Rundreiseproblem Genetische Repräsentation als Permutationschromosom Phänotypische Repräsentation als tatsächliche Rundreise Positionen B 2 2 Gensequenz A C B D E A 5 C Fitnessevaluierung Zielfunktion vs. Fitness Zielfunktionswert (Minimierung) = 17 Fitnesswert ist reziprok (Maximierung) 1 / ZF = 1 / 17 1 E D 7 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 23

33 Grundablauf des Genetischen Algorithmus Crossover Mischen des Erbgutes Mutation Zufällige Variation des Erbgutes Fitnessevaluierung Dekodierung und Fitnessberechn. Gesamtstrecke Selektion von Eltern fitnessabhängig und stochastisch Genetischer Algorithmus als iterativer Prozess Ersetzung von Individuen in der Population X Population mit Individuen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 24

34 Grundablauf des Genetischen Algorithmus Crossover Mischen des Erbgutes Mutation Zufällige Variation des Erbgutes Fitnessevaluierung Dekodierung und Fitnessberechn. Gesamtstrecke Selektion von Eltern fitnessabhängig und stochastisch Genetischer Algorithmus als iterativer Prozess Ersetzung von Individuen in der Population X Population mit Individuen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 24

35 Population Anforderungen an die Population Hohe Diversität der Individuen (niedrige Diversität beschränkt die Suchbreite) Hohe Qualität der Individuen in Bezug auf den Fitnesswert Balance zwischen Suchbreite und Suchtiefe wird durch Populationsgröße und Zusammensetzung beeinflusst Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 25

36 Population Anforderungen an die Population Hohe Diversität der Individuen (niedrige Diversität beschränkt die Suchbreite) Hohe Qualität der Individuen in Bezug auf den Fitnesswert Balance zwischen Suchbreite und Suchtiefe wird durch Populationsgröße und Zusammensetzung beeinflusst Generieren einer zufälligen Initialpopulation Zufällige Generierung von Individuen sorgt für eine hohe Diversität Lösungsqualität der Individuen ist zumeist schlecht Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 25

37 Population Anforderungen an die Population Hohe Diversität der Individuen (niedrige Diversität beschränkt die Suchbreite) Hohe Qualität der Individuen in Bezug auf den Fitnesswert Balance zwischen Suchbreite und Suchtiefe wird durch Populationsgröße und Zusammensetzung beeinflusst Generieren einer zufälligen Initialpopulation Zufällige Generierung von Individuen sorgt für eine hohe Diversität Lösungsqualität der Individuen ist zumeist schlecht Aufbau der Initialpopulation mit Eröffnungsverfahren Eröffnungsverfahren sorgt für bessere Fitness z. B. Greedy-Algorithmus mit zufälligen Startknoten Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 25

38 Initialpopulation für das Beispielproblem Individuum 1 Population Positionen Individuum 2 A C D B E Positionen Individuum 3 C E D A B Positionen Gensequenz Gensequenz Gensequenz A B D E C Fitness 1/22 Fitness 1/18 Fitness 1/21 Größe der Population: n = 3 Methode: zufällig generiert Praktische Anwendung: n = 25 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 26

39 Grundablauf des Genetischen Algorithmus Crossover Mischen des Erbgutes Mutation Zufällige Variation des Erbgutes Fitnessevaluierung Dekodierung und Fitnessberechn. Gesamtstrecke Selektion von Eltern fitnessabhängig und stochastisch Genetischer Algorithmus als iterativer Prozess Ersetzung von Individuen in der Population X Population mit Individuen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 27

40 Roulette-Selektion Selektion entspricht der natürlichen Auslese Selektion der Individuen erfolgt zufallsbasiert aus der Population P Selektionswahrscheinlichkeit p ist proportional zur Fitness ƒ Individuen P erhalten einen Kreisausschnitt auf einem Roulette-Rad Größe des Kreisausschnittes repräsentiert die Fitness ƒ Berechnung: p = ƒ P ƒ Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 28

41 Roulette-Selektion am Beispiel Zufallsbasierte Selektion des 1. Individuums Individuum 1 Positionen Gensequenz Gensequenz A B C E D Fitness 1/18 Zufallsbasierte Selektion des 2. Individuums Individuum 2 Positionen A C D B E Fitness 1/22 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 29

42 Grundablauf des Genetischen Algorithmus Crossover Mischen des Erbgutes Mutation Zufällige Variation des Erbgutes Fitnessevaluierung Dekodierung und Fitnessberechn. Gesamtstrecke Selektion von Eltern fitnessabhängig und stochastisch Genetischer Algorithmus als iterativer Prozess Ersetzung von Individuen in der Population X Population mit Individuen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 30

43 Grundablauf des Genetischen Algorithmus Crossover Mischen des Erbgutes Mutation Zufällige Variation des Erbgutes Fitnessevaluierung Dekodierung und Fitnessberechn. Gesamtstrecke Selektion von Eltern fitnessabhängig und stochastisch Genetischer Algorithmus als iterativer Prozess Ersetzung von Individuen in der Population X Population mit Individuen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 30

44 Crossover - Ein Beispiel Order Crossover (OX1): Operator wird hier immer auf paarweise selektierte Individuen angewendet. Schritt 1 Wähle ein zufälliges Teilstück in beiden Elternteilen Zufälliges Teilstück: Positionen A C D 4 5 B E Chromosom von Elter 1 C E D A B 4 5 Chromosom von Elter 2 Eltern-Individuen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 31

45 Crossover - Ein Beispiel Order Crossover (OX1): Operator wird hier immer auf paarweise selektierte Individuen angewendet. Schritt 2 Erzeuge zwei Kind-Individuen und übernehme wechselseitig das Teilstück aus dem jeweils anderen Chromosom A C D B E C D C E D A B E D Eltern-Individuen Kind-Individuen (Zwischenstufe) Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 31

46 Crossover - Ein Beispiel Order Crossover (OX1): Operator wird hier immer auf paarweise selektierte Individuen angewendet. Schritt 3 Übernehme die übrigen Knoten aus dem Chromosom, von dem noch nichts gererbt wurde, entsprechend der dortigen Reihenfolge A C D B E E D A E D C B C E D A B C D E C D A B Eltern-Individuen Kind-Individuen (Zwischenstufe) Kind-Individuen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 31

47 Mutationsoperatoren - Beispiele Mutation: Operator wird nur mit einer bestimmten Wahrscheinlichkeit auf die Kind-Individuen angewendet. Sublist Shift Mutation Wähle ein zufälliges Teilstück und verschiebe dessen Position innerhalb des Chromosoms um eine zufällige Anzahl von Stellen Sublist Inversion Mutation Wähle ein zufälliges Teilstück im Chromosom und invertierte die Reihenfolge innerhalb dieses Teilstücks A C D 4 5 B E A C D 4 5 B E D B A C E A B D C E Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 32

48 Grundablauf des Genetischen Algorithmus Crossover Mischen des Erbgutes Mutation Zufällige Variation des Erbgutes Fitnessevaluierung Dekodierung und Fitnessberechn. Gesamtstrecke Selektion von Eltern fitnessabhängig und stochastisch Genetischer Algorithmus als iterativer Prozess Ersetzung von Individuen in der Population X Population mit Individuen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 33

49 Grundablauf des Genetischen Algorithmus Crossover Mischen des Erbgutes Mutation Zufällige Variation des Erbgutes Fitnessevaluierung Dekodierung und Fitnessberechn. Gesamtstrecke Selektion von Eltern fitnessabhängig und stochastisch Genetischer Algorithmus als iterativer Prozess Ersetzung von Individuen in der Population X Population mit Individuen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 33

50 Ersetzungsschemata Generational Replacement Vollständige Ersetzung der gesamten Population durch Nachkommen in jeder Iteration (Generation) Vorteil: Wirkt stark diversitätserhaltend Evolution kann neues Wissen nur generationsweise verwenden Stetige Ersetzung (steady state) In jeder Iteration (Generation) wird nur ein Individuum (oder mehrere) durch Nachkommen ersetzt Evolution wird zum kontinuierlichen Prozess Problem: Welches Individuum soll ersetzt werden? Ersetzung des Schlechtesten: Einfach realisierbar, aber es findet eine Gendrift statt Ersetzung des Ähnlichsten: Erhält Diversität aufrecht, ist aber aufwendig Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 34

51 Demo Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 35

52 Gliederung 1. Teil 1: Problem des Handlungsreisenden 2. Teil 2: Problem der Maschinenbelegungsplanung 3. Kontakt Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 36

53 Einführung Maschinenbelegungsplanungsproblem (Shop Scheduling Problem) In einer Fertigung sollen n Aufträge gefertigt werden. Die Bearbeitung erfolgt auf m Maschinen und wird jeweils als Operation bezeichnet. Jeder Auftrag wird auf jeder Maschine einmalig (Standardproblem) bearbeitet. Ziel: Finde Bearbeitungsreihenfolge der Aufträge auf den Maschinen, bei der eine möglichst kurze Zykluszeit benötigt wird. Alternativ: Reihenfolge mit möglichst geringen Kosten, kurzer Durlaufzeit der Aufträge M4 M3 M2 M1 M6 M8 M1 n Aufträge M3 M7 M4 m Maschinen Zykluszeit M2 M5 Belegungsplanung Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 37

54 Shop Scheduling Probleme Unterscheidung von Standardproblemen nach der Auftragsstruktur Job Shop Scheduling Problem Aufträge werden von allen Maschinen in unterschiedlicher aber fest vorgegebener Reihenfolge (Arbeitsplan). Geeignet für Werkstattfertigung Flow Shop Scheduling Problem Aufträge werden von allen Maschinen in gleicher, vorgegebener Reihenfolge. Geeignet für Fließfertigung Open Shop Scheduling Problem Aufträge werden von allen Maschinen bearbeitet, wobei die Reihenfolge nicht festgeschrieben ist. Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 38

55 Problemstellung Shop Scheduling Werkstattfertigung (Job Shop) Fertigungsorganisation Fließfertigung (Flow Shop) Fertigungsorganisation M6 M1 M7 M2 M6 M7 M4 M8 M3 M4 M5 M1 M2 M3 Werkstätten mit ähnlichen Maschinen Maschinenanordnung nach Fertigungsobjekt Auftragsstruktur Auftragsstruktur Auftrag A1 Arbeitsplan M1 M2 M3 Auftrag A1 Arbeitsplan M1 M2 M3 Auftrag A2 Arbeitsplan M2 M1 M3 Auftrag A2 Arbeitsplan M1 M2 M3 Auftrag A3 Arbeitsplan M3 M1 M2 Auftrag A3 Arbeitsplan M1 M2 M3 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 39

56 Problemstellung Shop Scheduling Werkstattfertigung (Job Shop) Einplanungsreihenfolge Auftrag A1 Arbeitsplan M1 M2 M3 Fließfertigung (Flow Shop) Einplanungsreihenfolge Auftrag A1 Arbeitsplan M1 M2 M3 Bearbeitungszeit: 9 ZE Bearbeitungszeit: 9 ZE Bearbeitungszeit: 10 ZE Bearbeitungszeit: 9 ZE Bearbeitungszeit: 9 ZE Bearbeitungszeit: 10 ZE Auftrag A2 Arbeitsplan M2 M1 M3 Auftrag A2 Arbeitsplan M1 M2 M3 Bearbeitungszeit: 15 ZE Bearbeitungszeit: 7 ZE Bearbeitungszeit: 9 ZE Bearbeitungszeit: 6 ZE Bearbeitungszeit: 7 ZE Bearbeitungszeit: 9 ZE Auftrag A3 Arbeitsplan M3 M1 M2 Auftrag A3 Arbeitsplan M1 M2 M3 Bearbeitungszeit: 14 ZE Belegungsplan Job Shop Bearbeitungszeit: 8 ZE Bearbeitungszeit: 10 ZE Bearbeitungszeit: 14 ZE Belegungsplan Flow Shop Bearbeitungszeit: 8 ZE Bearbeitungszeit: 5 ZE Maschine M1 1/1 2/2 3/2 Zeit Maschine M1 1/1 3/1 2/1 Zeit Maschine M2 2/1 1/2 3/3 Zeit Maschine M2 1/2 3/2 2/2 Zeit Maschine M3 3/1 2/3 1/3 Zeit Maschine M3 1/3 3/3 2/3 Zeit Zykluszeit Zykluszeit Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 40

57 Komplexität von Maschinenbelegungsproblemen Fragestellung: Wie viele Lösungen besitzt ein Maschinenbelegungsproblem mit n Aufträgen und m Maschinen? Flow-Shop-Problem: Die Bearbeitungsreihenfolge der Aufträge ist für alle Maschinen gleich. Die erste Maschine kann mit jedem Auftrag beginnen und besitzt damit n Startmöglichkeiten. Bei jedem folgenden einzuplanenden Auftrag reduziert sich die Alternativenanzahl um 1. n! mögliche Bearbeitungsreihenfolgen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 41

58 Komplexität von Maschinenbelegungsproblemen Fragestellung: Wie viele Lösungen besitzt ein Maschinenbelegungsproblem mit n Aufträgen und m Maschinen? Flow-Shop-Problem: Die Bearbeitungsreihenfolge der Aufträge ist für alle Maschinen gleich. Die erste Maschine kann mit jedem Auftrag beginnen und besitzt damit n Startmöglichkeiten. Bei jedem folgenden einzuplanenden Auftrag reduziert sich die Alternativenanzahl um 1. n! mögliche Bearbeitungsreihenfolgen Beispielproblem mit 20 Aufträgen auf 20 Maschinen Anzahl der Lösungen: (20)! d.h , Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 41

59 Komplexität von Maschinenbelegungsproblemen Fragestellung: Wie viele Lösungen besitzt ein Maschinenbelegungsproblem mit n Aufträgen und m Maschinen? Job-Shop-Problem: Die Bearbeitungsreihenfolge der Aufträge ändert sich an den einzelnen Bearbeitungsstationen. Reihenfolge muss für alle Maschinen festgelegt werden. Jede Maschine kann mit jedem Auftrag beginnen und besitzt damit n Startmöglichkeiten. Bei jedem folgenden einzuplanenden Auftrag (auf jeder Maschine) reduziert sich die Alternativenanzahl um 1. n! m mögliche Bearbeitungsreihenfolgen Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 42

60 Komplexität von Maschinenbelegungsproblemen Fragestellung: Wie viele Lösungen besitzt ein Maschinenbelegungsproblem mit n Aufträgen und m Maschinen? Job-Shop-Problem: Die Bearbeitungsreihenfolge der Aufträge ändert sich an den einzelnen Bearbeitungsstationen. Reihenfolge muss für alle Maschinen festgelegt werden. Jede Maschine kann mit jedem Auftrag beginnen und besitzt damit n Startmöglichkeiten. Bei jedem folgenden einzuplanenden Auftrag (auf jeder Maschine) reduziert sich die Alternativenanzahl um 1. n! m mögliche Bearbeitungsreihenfolgen Beispielproblem mit 20 Aufträgen und 20 Maschinen Anzahl der Lösungen: (20)! 20 d.h. ( ) ( )... 5, Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 42

61 Heuristische Lösungsverfahren: Hybridverfahren Optimierungsverfahren für kombinatorische Problemstellungen Exakte Lösung Heuristische Lösung + - Exakte Verfahren Optimale Lösung Zeitdauer prohibitiv groß Metaheuristiken + Angemessene Zeitdauer + Hohe Lösungsqualität Problemspez. Heuristiken + Sehr kurze Antwortzeiten - Lösungsqualität Beispiele Vollständige Enumeration (z.b. Brute-Force-Alg.) Begrenzte Enumeration (z.b. Branch & Bound) Dynamic Programming Beispiele Lokale Suchverfahren (z.b. Threshold Accepting) Evolutionäre Algorithmen (z.b. Genetische Algorithmen) Schwarmintelligenz (z.b. Ameisenalgorithmen) Beispiele Eröffnungsverfahren (z.b. Prioritätsregeln) Verbesserungsverfahren (z.b. Hillclimber) Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 43

62 Grundablauf des hybriden Algorithmus Fitnessevaluierung Dekodierung und Fitnessberechn. Schwellwertprüfung Fitness innerhalb Toleranzbereich Zykluszeit Zykluszeit Erhalt oder Ersetzung Bei Toleranzüberschreitung X Mutation Zufällige Variation des Erbgutes Toleranzschwellenanpassung durch Erhöhung oder Reduktion Bei Toleranzeinhaltung X Population mit genau einem Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 44

63 Grundablauf des hybriden Algorithmus Fitnessevaluierung Dekodierung und Fitnessberechn. Schwellwertprüfung Fitness innerhalb Toleranzbereich Zykluszeit Zykluszeit Erhalt oder Ersetzung Bei Toleranzüberschreitung X Mutation Zufällige Variation des Erbgutes Toleranzschwellenanpassung durch Erhöhung oder Reduktion Bei Toleranzeinhaltung X Population mit genau einem Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 44

64 Hybrider Individualgenetischer Algorithmus (IGA) Kein "klassischer" Genetischer Algorithmus Reduktion der Population auf ein Individuum keine Mechanismen zur Vermeidung einer Gendrift in der Population notwendig Genetische Operationen beschränken sich auf Mutation Keine Rekombination und keine Chromosomenreparatur Genetische Repräsentation als Permutationschromosom Positionen Gensequenz A1 A2 A2 A2 A1 A3 A3 A3 A1 Einplanungsreihenfolge Gen des Auftrag 2 mit dem Zustand erstmaliges Auftauchen im Chromosom von Auftrag 2 d.h. 1. Operation des Auftrags Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 45

65 Grundablauf des hybriden Algorithmus Fitnessevaluierung Dekodierung und Fitnessberechn. Schwellwertprüfung Fitness innerhalb Toleranzbereich Zykluszeit Zykluszeit Erhalt oder Ersetzung Bei Toleranzüberschreitung X Mutation Zufällige Variation des Erbgutes Toleranzschwellenanpassung durch Erhöhung oder Reduktion Bei Toleranzeinhaltung X Population mit genau einem Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 46

66 Grundablauf des hybriden Algorithmus Fitnessevaluierung Dekodierung und Fitnessberechn. Schwellwertprüfung Fitness innerhalb Toleranzbereich Zykluszeit Zykluszeit Erhalt oder Ersetzung Bei Toleranzüberschreitung X Mutation Zufällige Variation des Erbgutes Toleranzschwellenanpassung durch Erhöhung oder Reduktion Bei Toleranzeinhaltung X Population mit genau einem Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 46

67 Mutation zur Veränderung des Erbgutes Order Based Mutation Operator wird in jeder Iteration einmalig auf das Individuum angewendet. Operator mit begrenzter Veränderung des Chromosoms Positionen A1 A2 A2 A2 A1 A3 A3 A3 A1 Positionen Gensequenz Gensequenz Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 47

68 Mutation zur Veränderung des Erbgutes Order Based Mutation Operator wird in jeder Iteration einmalig auf das Individuum angewendet. Operator mit begrenzter Veränderung des Chromosoms Positionen A1 A2 A2 A2 A1 A3 A3 A3 A1 Zufallsbasierte Wahl von 2 Genen im Chromosom Gen 1 für Mutation Gen 2 für Mutation Positionen Gensequenz Gensequenz Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 47

69 Mutation zur Veränderung des Erbgutes Order Based Mutation Operator wird in jeder Iteration einmalig auf das Individuum angewendet. Operator mit begrenzter Veränderung des Chromosoms Positionen A1 A2 A2 A2 A1 A3 A3 A3 A1 Positionen Gensequenz Gensequenz A3 A2 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 47

70 Mutation zur Veränderung des Erbgutes Order Based Mutation Operator wird in jeder Iteration einmalig auf das Individuum angewendet. Operator mit begrenzter Veränderung des Chromosoms Positionen A1 A2 A2 A2 A1 A3 A3 A3 A1 Positionen Gensequenz Gensequenz A1 A3 A2 A2 A1 A2 A3 A3 A1 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 47

71 Grundablauf des hybriden Algorithmus Fitnessevaluierung Dekodierung und Fitnessberechn. Schwellwertprüfung Fitness innerhalb Toleranzbereich Zykluszeit Zykluszeit Erhalt oder Ersetzung Bei Toleranzüberschreitung X Mutation Zufällige Variation des Erbgutes Toleranzschwellenanpassung durch Erhöhung oder Reduktion Bei Toleranzeinhaltung X Population mit genau einem Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 48

72 Grundablauf des hybriden Algorithmus Fitnessevaluierung Dekodierung und Fitnessberechn. Schwellwertprüfung Fitness innerhalb Toleranzbereich Zykluszeit Zykluszeit Erhalt oder Ersetzung Bei Toleranzüberschreitung X Mutation Zufällige Variation des Erbgutes Toleranzschwellenanpassung durch Erhöhung oder Reduktion Bei Toleranzeinhaltung X Population mit genau einem Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 48

73 Dekodierung und Fitnesswertbestimmung 1. Sequenzing Positionen Gensequenz A1 A3 A2 A2 A1 A2 A3 A3 A1 Einplanungsreihenfolge Auftrag A1 Arbeitsplan M1 M2 M3 Auftrag A2 Arbeitsplan M2 M1 M1 M3 Auftrag A3 Arbeitsplan M1 M3 M2 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 49

74 Dekodierung und Fitnesswertbestimmung 1. Sequenzing Positionen Gensequenz A1 A3 A2 A2 A1 A2 A3 A3 A1 Einplanungsreihenfolge Auftrag A1 Arbeitsplan M1 M2 M3 Auftrag A2 Arbeitsplan M2 M1 M1 M3 Auftrag A3 Arbeitsplan M1 M3 M2 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 49

75 Dekodierung und Fitnesswertbestimmung 1. Sequenzing Positionen Gensequenz A1 A3 A2 A2 A1 A2 A3 A3 A1 Einplanungsreihenfolge Auftrag A1 Arbeitsplan M1 M2 M3 Auftrag A2 Arbeitsplan M2 M1 M1 M3 Auftrag A3 Arbeitsplan M1 M3 M2 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 49

76 Dekodierung und Fitnesswertbestimmung 1. Sequenzing Positionen Gensequenz A1 A3 A2 A2 A1 A2 A3 A3 A1 Einplanungsreihenfolge Auftrag A1 Arbeitsplan M1 M2 M3 Auftrag A2 Arbeitsplan M2 M1 M1 M3 Auftrag A3 Arbeitsplan M1 M3 M2 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 49

77 Dekodierung und Fitnesswertbestimmung 1. Sequenzing Positionen Gensequenz A1 A3 A2 A2 A1 A2 A3 A3 A1 Einplanungsreihenfolge Auftrag A1 Arbeitsplan M1 M2 M3 Auftrag A2 Arbeitsplan M2 M1 M1 M3 Auftrag A3 Arbeitsplan M1 M3 M2 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 49

78 Dekodierung und Fitnesswertbestimmung 1. Sequenzing Positionen Gensequenz A1 A3 A2 A2 A1 A2 A3 A3 A1 Einplanungsreihenfolge Auftrag A1 Arbeitsplan M1 M2 M3 Auftrag A2 Arbeitsplan M2 M1 M1 M3 Auftrag A3 Arbeitsplan M1 M3 M2 Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 49

79 Dekodierung und Fitnesswertbestimmung 2. Scheduling Zeitliche Einplanung der Operationen der Aufträge auf den Maschinen. Bestimmung der Zykluszeit Auftrag A1 Arbeitsplan M1 M2 M3 Dauer: 9 Dauer: 9 Dauer: 10 Auftrag A2 Arbeitsplan M2 M1 M3 Dauer: 15 Dauer: 7 Dauer: 9 Auftrag A3 Arbeitsplan M3 M1 M2 Dauer: 14 Dauer: 8 Dauer: 10 Vollständiges Gantt-Diagramm: Phänotyp der Lösung Maschine M1 Maschine M2 Zeit Zeit Maschine M3 Zeit Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 50

80 Dekodierung und Fitnesswertbestimmung 2. Scheduling Zeitliche Einplanung der Operationen der Aufträge auf den Maschinen. Bestimmung der Zykluszeit Auftrag A1 Arbeitsplan M1 M2 M3 Dauer: 9 Dauer: 9 Dauer: 10 Auftrag A2 Arbeitsplan M2 M1 M3 Dauer: 15 Dauer: 7 Dauer: 9 Auftrag A3 Arbeitsplan M3 M1 M2 Dauer: 14 Dauer: 8 Dauer: 10 Vollständiges Gantt-Diagramm: Phänotyp der Lösung Maschine M1 1/1 Zeit Maschine M2 Zeit Maschine M3 Zeit Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 50

81 Dekodierung und Fitnesswertbestimmung 2. Scheduling Zeitliche Einplanung der Operationen der Aufträge auf den Maschinen. Bestimmung der Zykluszeit Auftrag A1 Arbeitsplan M1 M2 M3 Dauer: 9 Dauer: 9 Dauer: 10 Auftrag A2 Arbeitsplan M2 M1 M3 Dauer: 15 Dauer: 7 Dauer: 9 Auftrag A3 Arbeitsplan M3 M1 M2 Dauer: 14 Dauer: 8 Dauer: 10 Vollständiges Gantt-Diagramm: Phänotyp der Lösung Maschine M1 1/1 Zeit Maschine M2 Zeit Maschine M3 3/1 Zeit Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 50

82 Dekodierung und Fitnesswertbestimmung 2. Scheduling Zeitliche Einplanung der Operationen der Aufträge auf den Maschinen. Bestimmung der Zykluszeit Auftrag A1 Arbeitsplan M1 M2 M3 Dauer: 9 Dauer: 9 Dauer: 10 Auftrag A2 Arbeitsplan M2 M1 M3 Dauer: 15 Dauer: 7 Dauer: 9 Auftrag A3 Arbeitsplan M3 M1 M2 Dauer: 14 Dauer: 8 Dauer: 10 Vollständiges Gantt-Diagramm: Phänotyp der Lösung Maschine M1 1/1 Zeit Maschine M2 2/1 Zeit Maschine M3 3/1 Zeit Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 50

83 Dekodierung und Fitnesswertbestimmung 2. Scheduling Zeitliche Einplanung der Operationen der Aufträge auf den Maschinen. Bestimmung der Zykluszeit Auftrag A1 Arbeitsplan M1 M2 M3 Dauer: 9 Dauer: 9 Dauer: 10 Auftrag A2 Arbeitsplan M2 M1 M3 Dauer: 15 Dauer: 7 Dauer: 9 Auftrag A3 Arbeitsplan M3 M1 M2 Dauer: 14 Dauer: 8 Dauer: 10 Vollständiges Gantt-Diagramm: Phänotyp der Lösung Maschine M1 1/1 2/2 Zeit Maschine M2 2/1 Zeit Maschine M3 3/1 Zeit Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 50

84 Dekodierung und Fitnesswertbestimmung 2. Scheduling Zeitliche Einplanung der Operationen der Aufträge auf den Maschinen. Bestimmung der Zykluszeit Auftrag A1 Arbeitsplan M1 M2 M3 Dauer: 9 Dauer: 9 Dauer: 10 Auftrag A2 Arbeitsplan M2 M1 M3 Dauer: 15 Dauer: 7 Dauer: 9 Auftrag A3 Arbeitsplan M3 M1 M2 Dauer: 14 Dauer: 8 Dauer: 10 Vollständiges Gantt-Diagramm: Phänotyp der Lösung Maschine M1 1/1 2/2 3/2 Zeit Maschine M2 2/1 1/2 3/3 Zeit Maschine M3 3/1 2/3 1/3 Zeit Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 50

85 Dekodierung und Fitnesswertbestimmung 2. Scheduling Zeitliche Einplanung der Operationen der Aufträge auf den Maschinen. Bestimmung der Zykluszeit Auftrag A1 Arbeitsplan M1 M2 M3 Dauer: 9 Dauer: 9 Dauer: 10 Auftrag A2 Arbeitsplan M2 M1 M3 Dauer: 15 Dauer: 7 Dauer: 9 Auftrag A3 Arbeitsplan M3 M1 M2 Dauer: 14 Dauer: 8 Dauer: 10 Vollständiges Gantt-Diagramm: Phänotyp der Lösung Maschine M1 1/1 2/2 3/2 Zeit Maschine M2 2/1 1/2 3/3 Zeit Maschine M3 3/1 2/3 1/3 Zeit Zykluszeit Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 50

86 Grundablauf des hybriden Algorithmus Fitnessevaluierung Dekodierung und Fitnessberechn. Schwellwertprüfung Fitness innerhalb Toleranzbereich Zykluszeit Zykluszeit Erhalt oder Ersetzung Bei Toleranzüberschreitung X Mutation Zufällige Variation des Erbgutes Toleranzschwellenanpassung durch Erhöhung oder Reduktion Bei Toleranzeinhaltung X Population mit genau einem Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 51

87 Grundablauf des hybriden Algorithmus Fitnessevaluierung Dekodierung und Fitnessberechn. Schwellwertprüfung Fitness innerhalb Toleranzbereich Zykluszeit Zykluszeit Erhalt oder Ersetzung Bei Toleranzüberschreitung X Mutation Zufällige Variation des Erbgutes Toleranzschwellenanpassung durch Erhöhung oder Reduktion Bei Toleranzeinhaltung X Population mit genau einem Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 51

88 Schwellwertprüfung der evaluierten Kindlösung Prüfung der erzeugten Lösung auf Einhaltung einer geforderten Toleranz (Threshold Accepting) Notwendig zur Überwindung lokaler Optima Zielfunktionswert besser schlechter Unzulässige Verschlechterung durch neue Lösung Toleranzschwelle Zulässige Verschlechterung durch neue Lösung (Toleranzbereich) Funktionswert der gefundenen Lösung mit dem besten Zielfunktionswert X Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 52

89 Grundablauf des hybriden Algorithmus Fitnessevaluierung Dekodierung und Fitnessberechn. Schwellwertprüfung Fitness innerhalb Toleranzbereich Zykluszeit Zykluszeit Erhalt oder Ersetzung Bei Toleranzüberschreitung X Mutation Zufällige Variation des Erbgutes Toleranzschwellenanpassung durch Erhöhung oder Reduktion Bei Toleranzeinhaltung X Population mit genau einem Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 53

90 Grundablauf des hybriden Algorithmus Fitnessevaluierung Dekodierung und Fitnessberechn. Schwellwertprüfung Fitness innerhalb Toleranzbereich Zykluszeit Zykluszeit Erhalt oder Ersetzung Bei Toleranzüberschreitung X Mutation Zufällige Variation des Erbgutes Toleranzschwellenanpassung durch Erhöhung oder Reduktion Bei Toleranzeinhaltung X Population mit genau einem Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 53

91 Anpassung der Toleranzschwelle Evaluierung der Lösungsentwicklung bisheriger Iterationen und Anpassung des Toleranzbereichs Steuerung des Suchverhaltens des Algorithmus kleiner Toleranzbereich zur Tiefensuche (Exploitation) großer Toleranzbereich zur Breitensuche (Exploration) Zielfunktionswert besser schlechter Toleranzerhöhung zur Breitensuche aufgrund Verharren im Bereich des lokalen Optimum Toleranzreduktion zur Exploitation des neuen Suchbereichs Toleranzschwelle Toleranzbereich Funktionswert der gefundenen Lösung mit dem besten Zielfunktionswert Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 54

92 Grundablauf des hybriden Algorithmus Fitnessevaluierung Dekodierung und Fitnessberechn. Schwellwertprüfung Fitness innerhalb Toleranzbereich Zykluszeit Zykluszeit Erhalt oder Ersetzung Bei Toleranzüberschreitung X Mutation Zufällige Variation des Erbgutes Toleranzschwellenanpassung durch Erhöhung oder Reduktion Bei Toleranzeinhaltung X Population mit genau einem Individuum Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 55

93 Demo Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 56

94 Zusammenfassung Methaheuristiken eignen sich zur Lösung von äußerst komplexen Problemstellungen. Sie besitzen eine ausgewogenes Verhältnis von Antwortzeit und Lösungsgüte. Metaheuristiken erzielen bessere Ergebnisse als einfache Problemheuristiken. Sie können in vielfälten Anwendungen eingesetzt werden und eignen sich besonders für kombinatorische Optimierungsprobleme. Entscheidend für die Güte dieser Verfahren ist die Wahl einer geeigneten Kombination aus Repräsentationsform, genetischen Operatoren und Steuerungsparamtern. Metaheuristiken stellen leistungsfähige Methoden dar. Sie finden Einsatz, wenn exakte Verfahren an ihre Grenzen stoßen. Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 57

95 Gliederung 1. Teil 1: Problem des Handlungsreisenden 2. Teil 2: Problem der Maschinenbelegungsplanung 3. Kontakt Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 58

96 Interesse?! OPT SYS - Arbeitskreis Optimierungssysteme Wer wir sind Interessierte Studenten aus verschiedenen Studienrichtungen und Fachsemestern Wissenschaftliche Mitarbeiter der Professur Produktionswirtschaft & IBL Kurse und Vortragsreihen Veröffentlichung von Zeitschriftenartikeln und Konferenzbeiträgen Was wir machen Modellieren und Lösen von praxisnahen Optimierungsproblemen Forschung an naturanalogen Optimierungsverfahren Mitwirken an aktuellen Forschungsprojekten Unser Labor Unsere Ausstattung Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 59

97 Weiterführende Informationen: Unsere Webseite Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 60

98 Fakultät für Wirtschaftswissenschaften Professur für Produktionswirtschaft und Industriebetriebslehre Prof. Dr. Joachim Käschel Ansprechpartner Dipl.Wirt.Inf. Sascha Häckel Thüringer Weg 7/207 Chemnitz Tel / Dipl.Wirt.Ing. Sascha Lemke Thüringer Weg 7/209 Chemnitz lems@hrz.tu-chemnitz.de Tel / Genetische Algorithmen für kombinatorische Probleme S. Häckel, S. Lemke 61

Grundlagen und Basisalgorithmus

Grundlagen und Basisalgorithmus Grundlagen und Basisalgorithmus Proseminar -Genetische Programmierung- Dezember 2001 David König Quelle: Kinnebrock W.: Optimierung mit genetischen und selektiven Algorithmen. München, Wien: Oldenbourg

Mehr

1 topologisches Sortieren

1 topologisches Sortieren Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung

Mehr

Informatik-Sommercamp 2012. Mastermind mit dem Android SDK

Informatik-Sommercamp 2012. Mastermind mit dem Android SDK Mastermind mit dem Android SDK Übersicht Einführungen Mastermind und Strategien (Stefan) Eclipse und das ADT Plugin (Jan) GUI-Programmierung (Dominik) Mastermind und Strategien - Übersicht Mastermind Spielregeln

Mehr

Konzepte der Informatik

Konzepte der Informatik Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens

Mehr

Einsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens

Einsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens Fachhochschule Brandenburg Fachbereich Informatik und Medien Kolloquium zur Diplomarbeit Einsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens Übersicht Darstellung

Mehr

Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf

Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen

Mehr

Zeichen bei Zahlen entschlüsseln

Zeichen bei Zahlen entschlüsseln Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren

Mehr

Kapiteltests zum Leitprogramm Binäre Suchbäume

Kapiteltests zum Leitprogramm Binäre Suchbäume Kapiteltests zum Leitprogramm Binäre Suchbäume Björn Steffen Timur Erdag überarbeitet von Christina Class Binäre Suchbäume Kapiteltests für das ETH-Leitprogramm Adressaten und Institutionen Das Leitprogramm

Mehr

Eine molekulare Lösung des Hamiltonkreisproblems mit DNA

Eine molekulare Lösung des Hamiltonkreisproblems mit DNA Eine molekulare Lösung des Hamiltonkreisproblems mit DNA Seminar Molecular Computing Bild: http://creatia2013.files.wordpress.com/2013/03/dna.gif Andreas Fehn 11. Juli 2013 Gliederung 1. Problemstellung

Mehr

Anmerkungen zur Übergangsprüfung

Anmerkungen zur Übergangsprüfung DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung

Mehr

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als

Mehr

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!. 040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl

Mehr

Grundbegriffe der Informatik

Grundbegriffe der Informatik Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen

Mehr

Das Dilemma des Einbrechers Wer die Wahl hat, hat die Qual!

Das Dilemma des Einbrechers Wer die Wahl hat, hat die Qual! Das Dilemma des Einbrechers Wer die Wahl hat, hat die Qual! 0kg 4000 Euro Luster 5,5 kg, 430.- Laptop 2,0 kg, 000.- Schatulle 3,2 kg, 800.- Uhr 3,5 kg, 70.- Schwert,5 kg, 850.- Bild 3,4 kg, 680.- Besteck

Mehr

Grundlagen der Theoretischen Informatik, SoSe 2008

Grundlagen der Theoretischen Informatik, SoSe 2008 1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)

Mehr

1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung

1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung 1 Einleitung 1.1 Motivation und Zielsetzung der Untersuchung Obgleich Tourenplanungsprobleme zu den am häufigsten untersuchten Problemstellungen des Operations Research zählen, konzentriert sich der Großteil

Mehr

Maschinenrichtlinie 2006/42/EG 150 Fragen und Antworten zum Selbststudium

Maschinenrichtlinie 2006/42/EG 150 Fragen und Antworten zum Selbststudium QUALITY-APPS Applikationen für das Qualitätsmanagement Maschinenrichtlinie 2006/42/EG 150 Fragen und Antworten zum Selbststudium Autor: Prof. Dr. Jürgen P. Bläsing Die Maschinenrichtlinie 2006/42/EG ist

Mehr

Ressourceneinsatzplanung in der Fertigung

Ressourceneinsatzplanung in der Fertigung Fakultät Informatik, Institut für Angewandte Informatik, Professur Modellierung und Simulation Ressourceneinsatzplanung in der Fertigung Dr. Christoph Laroque Sommersemester 2012 Dresden, Ausblick: Ab

Mehr

AGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b

AGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b AGROPLUS Buchhaltung Daten-Server und Sicherheitskopie Version vom 21.10.2013b 3a) Der Daten-Server Modus und der Tresor Der Daten-Server ist eine Betriebsart welche dem Nutzer eine grosse Flexibilität

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de

Mehr

Hilfe zur Urlaubsplanung und Zeiterfassung

Hilfe zur Urlaubsplanung und Zeiterfassung Hilfe zur Urlaubsplanung und Zeiterfassung Urlaubs- und Arbeitsplanung: Mit der Urlaubs- und Arbeitsplanung kann jeder Mitarbeiter in Coffee seine Zeiten eintragen. Die Eintragung kann mit dem Status anfragen,

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus:

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: If-clauses - conditional sentences - Nie mehr Probleme mit Satzbau im Englischen! Das komplette Material finden Sie hier: School-Scout.de

Mehr

Rente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen

Rente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen 1 3.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind

Mehr

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung

Mehr

Kapitalerhöhung - Verbuchung

Kapitalerhöhung - Verbuchung Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.

Mehr

WinWerk. Prozess 4 Akonto. KMU Ratgeber AG. Inhaltsverzeichnis. Im Ifang 16 8307 Effretikon

WinWerk. Prozess 4 Akonto. KMU Ratgeber AG. Inhaltsverzeichnis. Im Ifang 16 8307 Effretikon Prozess 4 Akonto WinWerk 8307 Effretikon Telefon: 052-740 11 11 Telefax: 052 740 11 71 E-Mail info@kmuratgeber.ch Internet: www.winwerk.ch Inhaltsverzeichnis 1 Akonto... 2 1.1 Allgemein... 2 2 Akontobeträge

Mehr

2.11 Kontextfreie Grammatiken und Parsebäume

2.11 Kontextfreie Grammatiken und Parsebäume 2.11 Kontextfreie Grammatiken und Parsebäume Beispiel: Beispiel (Teil 3): Beweis für L(G) L: Alle Strings aus L der Länge 0 und 2 sind auch in L(G). Als Induktionsannahme gehen wir davon aus, dass alle

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

WAS finde ich WO im Beipackzettel

WAS finde ich WO im Beipackzettel WAS finde ich WO im Beipackzettel Sie haben eine Frage zu Ihrem? Meist finden Sie die Antwort im Beipackzettel (offiziell "Gebrauchsinformation" genannt). Der Aufbau der Beipackzettel ist von den Behörden

Mehr

Doing Economics with the Computer Sommersemester 2002. Excel Solver 1

Doing Economics with the Computer Sommersemester 2002. Excel Solver 1 Universität Bern Kurt Schmidheiny / Manuel Wälti Doing Economics with the Computer Sommersemester 2002 Excel Solver 1 Mit dem Solver unterstützt Excel eine Funktion, mit der u.a. komplex verschachtelte

Mehr

Zimmertypen. Zimmertypen anlegen

Zimmertypen. Zimmertypen anlegen Zimmertypen anlegen Hier legen Sie Ihre Zimmer an, damit sie auf der Homepage dargestellt werden und online buchbar gemacht werden können. Wobei wir ausdrücklich darauf hinweisen möchten, dass es ganz

Mehr

Die Verbindung von Linearer Programmierung und Graphentheorie

Die Verbindung von Linearer Programmierung und Graphentheorie Die Verbindung von Linearer Programmierung und Graphentheorie Definition 5.9. Ein kombinatorisches Optimierungsproblem entspricht einem LP, bei dem statt der Vorzeichenbedingungen x i 0 Bedingungen der

Mehr

EPOS. Kurzanleitung Modul Mailing. Logex AG IT-Solutions. Copyright (c) 2008 by Logex ag, Switzerland, all Rights reserved

EPOS. Kurzanleitung Modul Mailing. Logex AG IT-Solutions. Copyright (c) 2008 by Logex ag, Switzerland, all Rights reserved EPOS Kurzanleitung Modul Mailing Logex AG IT-Solutions 2 Kurzanleitung Eposmodul Mailing 1 Was kann das Modul Mailing? Sie befinden sich im Modul Mailing, mit dem sie in fünf Schritten mühelos umfangreiche

Mehr

Erfahrungen mit Hartz IV- Empfängern

Erfahrungen mit Hartz IV- Empfängern Erfahrungen mit Hartz IV- Empfängern Ausgewählte Ergebnisse einer Befragung von Unternehmen aus den Branchen Gastronomie, Pflege und Handwerk Pressegespräch der Bundesagentur für Arbeit am 12. November

Mehr

WS 2013/14. Diskrete Strukturen

WS 2013/14. Diskrete Strukturen WS 2013/14 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/ws1314

Mehr

ARCHIV- & DOKUMENTEN- MANAGEMENT-SERVER DATEIEN ARCHIVIEREN

ARCHIV- & DOKUMENTEN- MANAGEMENT-SERVER DATEIEN ARCHIVIEREN ARCHIV- & DOKUMENTEN- MANAGEMENT-SERVER DATEIEN ARCHIVIEREN DIGITALES ARCHIVIEREN DATEIEN ARCHIVIEREN Dateien aus dem PC direkt in BvLArchivio archivieren In BvLArchivio können Sie jedes Dateiformat archivieren.

Mehr

Bestimmen des Werkstücks in der Vorrichtung

Bestimmen des Werkstücks in der Vorrichtung Bestimmen des Werkstücks in der Vorrichtung 3 3.1 Bestimmen prismatischer Werkstücke Bestimmen (Lagebestimmen) oder Positionieren ist das Anbringen des Werkstücks in eine eindeutige für die Durchführung

Mehr

Virtuelle Fotografie (CGI)

Virtuelle Fotografie (CGI) (CGI) Vorteile und Beispiele Das ist (k)ein Foto. Diese Abbildung ist nicht mit einer Kamera erstellt worden. Was Sie sehen basiert auf CAD-Daten unserer Kunden. Wir erzeugen damit Bilder ausschließlich

Mehr

Abamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER

Abamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER Abamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER Abamsoft Finos in Verbindung mit der Webshopanbindung wurde speziell auf die Shop-Software shop to date von DATA BECKER abgestimmt. Mit

Mehr

Ihre Interessentendatensätze bei inobroker. 1. Interessentendatensätze

Ihre Interessentendatensätze bei inobroker. 1. Interessentendatensätze Ihre Interessentendatensätze bei inobroker Wenn Sie oder Ihre Kunden die Prozesse von inobroker nutzen, werden Interessentendatensätze erzeugt. Diese können Sie direkt über inobroker bearbeiten oder mit

Mehr

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde

Mehr

Einführung in. Logische Schaltungen

Einführung in. Logische Schaltungen Einführung in Logische Schaltungen 1/7 Inhaltsverzeichnis 1. Einführung 1. Was sind logische Schaltungen 2. Grundlegende Elemente 3. Weitere Elemente 4. Beispiel einer logischen Schaltung 2. Notation von

Mehr

AZK 1- Freistil. Der Dialog "Arbeitszeitkonten" Grundsätzliches zum Dialog "Arbeitszeitkonten"

AZK 1- Freistil. Der Dialog Arbeitszeitkonten Grundsätzliches zum Dialog Arbeitszeitkonten AZK 1- Freistil Nur bei Bedarf werden dafür gekennzeichnete Lohnbestandteile (Stundenzahl und Stundensatz) zwischen dem aktuellen Bruttolohnjournal und dem AZK ausgetauscht. Das Ansparen und das Auszahlen

Mehr

15 Optimales Kodieren

15 Optimales Kodieren 15 Optimales Kodieren Es soll ein optimaler Kodierer C(T ) entworfen werden, welcher eine Information (z.b. Text T ) mit möglichst geringer Bitanzahl eindeutig überträgt. Die Anforderungen an den optimalen

Mehr

Übungen zur Softwaretechnik

Übungen zur Softwaretechnik Technische Universität München Fakultät für Informatik Lehrstuhl IV: Software & Systems Engineering Markus Pister, Dr. Bernhard Rumpe WS 2002/2003 Lösungsblatt 9 17. Dezember 2002 www4.in.tum.de/~rumpe/se

Mehr

Name:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest

Mehr

Aufgabe 1 Berechne den Gesamtwiderstand dieses einfachen Netzwerkes. Lösung Innerhalb dieser Schaltung sind alle Widerstände in Reihe geschaltet.

Aufgabe 1 Berechne den Gesamtwiderstand dieses einfachen Netzwerkes. Lösung Innerhalb dieser Schaltung sind alle Widerstände in Reihe geschaltet. Widerstandsnetzwerke - Grundlagen Diese Aufgaben dienen zur Übung und Wiederholung. Versucht die Aufgaben selbständig zu lösen und verwendet die Lösungen nur zur Überprüfung eurer Ergebnisse oder wenn

Mehr

y 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6

y 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6 Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit

Mehr

Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt?

Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Behandelte Fragestellungen Was besagt eine Fehlerquote? Welche Bezugsgröße ist geeignet? Welche Fehlerquote ist gerade noch zulässig? Wie stellt

Mehr

DUALIS Web-Client Kurzanleitung für Studierende

DUALIS Web-Client Kurzanleitung für Studierende DUALIS Web-Client Kurzanleitung für Studierende Das neue Verwaltungsinformationssystem DUALIS der DHBW bietet eine Web-Schnittstelle an, die es Ihnen als Studierenden der DHBW ermöglicht, jederzeit Einsicht

Mehr

Datenübernahme von HKO 5.9 zur. Advolux Kanzleisoftware

Datenübernahme von HKO 5.9 zur. Advolux Kanzleisoftware Datenübernahme von HKO 5.9 zur Advolux Kanzleisoftware Die Datenübernahme (DÜ) von HKO 5.9 zu Advolux Kanzleisoftware ist aufgrund der von Update zu Update veränderten Datenbank (DB)-Strukturen in HKO

Mehr

Modellierung biologischer. Christian Maidorfer Thomas Zwifl (Seminar aus Informatik)

Modellierung biologischer. Christian Maidorfer Thomas Zwifl (Seminar aus Informatik) Modellierung biologischer Prozesse Christian Maidorfer Thomas Zwifl (Seminar aus Informatik) Überblick Einführung Arten von Modellen Die stochastische Pi-Maschine Warum Modelle Die Biologie konzentriert

Mehr

Motivation. Formale Grundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen. Informales Beispiel. Informales Beispiel.

Motivation. Formale Grundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen. Informales Beispiel. Informales Beispiel. Kontextfreie Kontextfreie Motivation Formale rundlagen der Informatik 1 Kapitel 5 Kontextfreie Sprachen Bisher hatten wir Automaten, die Wörter akzeptieren Frank Heitmann heitmann@informatik.uni-hamburg.de

Mehr

Berechtigungen im Kalender Anleitung für die Rechtevergabe im Outlook Kalender 2010. FHNW, Services, ICT

Berechtigungen im Kalender Anleitung für die Rechtevergabe im Outlook Kalender 2010. FHNW, Services, ICT Berechtigungen im Kalender Anleitung für die Rechtevergabe im Outlook Kalender 2010 FHNW, Services, ICT Windisch, März 2013 Berechtigungen im Kalender 1 1 Gruppen 3 1.1 Die Gruppe/der Benutzer Standard

Mehr

2 Darstellung von Zahlen und Zeichen

2 Darstellung von Zahlen und Zeichen 2.1 Analoge und digitale Darstellung von Werten 79 2 Darstellung von Zahlen und Zeichen Computer- bzw. Prozessorsysteme führen Transformationen durch, die Eingaben X auf Ausgaben Y abbilden, d.h. Y = f

Mehr

Um zusammenfassende Berichte zu erstellen, gehen Sie folgendermaßen vor:

Um zusammenfassende Berichte zu erstellen, gehen Sie folgendermaßen vor: Ergebnisreport: mehrere Lehrveranstaltungen zusammenfassen 1 1. Ordner anlegen In der Rolle des Berichterstellers (siehe EvaSys-Editor links oben) können zusammenfassende Ergebnisberichte über mehrere

Mehr

Lehrer: Einschreibemethoden

Lehrer: Einschreibemethoden Lehrer: Einschreibemethoden Einschreibemethoden Für die Einschreibung in Ihren Kurs gibt es unterschiedliche Methoden. Sie können die Schüler über die Liste eingeschriebene Nutzer Ihrem Kurs zuweisen oder

Mehr

Windows 7: Neue Funktionen im praktischen Einsatz - Die neue Taskleiste nutzen

Windows 7: Neue Funktionen im praktischen Einsatz - Die neue Taskleiste nutzen Windows 7: Neue Funktionen im praktischen Einsatz - Die neue Taskleiste nutzen Das können wir Ihnen versprechen: An der neuen Taskleiste in Windows 7 werden Sie sehr viel Freude haben. Denn diese sorgt

Mehr

Erhebung von Anforderungen an den Einsatz von ebusiness-standards in kleinen und mittleren Unternehmen

Erhebung von Anforderungen an den Einsatz von ebusiness-standards in kleinen und mittleren Unternehmen Erhebung von Anforderungen an den Einsatz von ebusiness-standards in kleinen und mittleren Unternehmen Experteninterview Das Projekt in Kürze: Was nutzen ebusiness-standards? Wie können kleine und mittlere

Mehr

Subpostfächer und Vertretungen für Unternehmen

Subpostfächer und Vertretungen für Unternehmen SCHRITT-FÜR-SCHRITT Seite 1 von 7 Subpostfächer und Vertretungen für Unternehmen Organisationsstruktur 1:1 abbilden Individuelle Postfächer für Abteilungen und/oder Mitarbeiter Unterschiedliche Berechtigungen

Mehr

Theoretische Grundlagen der Informatik WS 09/10

Theoretische Grundlagen der Informatik WS 09/10 Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3

Mehr

ACDSee 2009 Tutorials: Rote-Augen-Korrektur

ACDSee 2009 Tutorials: Rote-Augen-Korrektur In diesem Tutorial lernen Sie den schnellsten Weg zum Entfernen roter Augen von Ihren Fotos mit der Rote-Augen- Korrektur. Die Funktion zur Reduzierung roter Augen ist ein Untermenü des Bearbeitungsmodus.

Mehr

Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen:

Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: 1 Parallele Algorithmen Grundlagen Parallele Algorithmen Grundlagen Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: Dekomposition eines Problems in unabhängige Teilaufgaben.

Mehr

Wasserfall-Ansätze zur Bildsegmentierung

Wasserfall-Ansätze zur Bildsegmentierung Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz

Mehr

Übungen zur Vorlesung Induktive Statistik Bedingte Wahrscheinlichkeiten

Übungen zur Vorlesung Induktive Statistik Bedingte Wahrscheinlichkeiten Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@dvz.fh-koeln.de Aufgabe 3.1 Übungen zur Vorlesung Induktive Statistik Bedingte Wahrscheinlichkeiten

Mehr

HIT-Software Installieren und Starten der Netzwerklizenz als Download-Anwendung

HIT-Software Installieren und Starten der Netzwerklizenz als Download-Anwendung HIT-Software Installieren und Starten der Netzwerklizenz als Download-Anwendung Grundsätzliches Die HIT-Software ist eines der drei Module des Lernkonzepts HEIDENHAIN Interactive Training für Steuerungen

Mehr

Eine Bürokratiekostenfolgenabschätzung zum zweiten Gesetz für moderne Dienstleistungen am Arbeitsmarkt im Hinblick auf die Einführung einer Gleitzone

Eine Bürokratiekostenfolgenabschätzung zum zweiten Gesetz für moderne Dienstleistungen am Arbeitsmarkt im Hinblick auf die Einführung einer Gleitzone Eine Bürokratiekostenfolgenabschätzung zum zweiten Gesetz für moderne Dienstleistungen am Arbeitsmarkt im Hinblick auf die Einführung einer Gleitzone Das IWP Institut für Wirtschafts- und Politikforschung

Mehr

Programmiersprachen und Übersetzer

Programmiersprachen und Übersetzer Programmiersprachen und Übersetzer Sommersemester 2010 19. April 2010 Theoretische Grundlagen Problem Wie kann man eine unendliche Menge von (syntaktisch) korrekten Programmen definieren? Lösung Wie auch

Mehr

Integration mit. Wie AristaFlow Sie in Ihrem Unternehmen unterstützen kann, zeigen wir Ihnen am nachfolgenden Beispiel einer Support-Anfrage.

Integration mit. Wie AristaFlow Sie in Ihrem Unternehmen unterstützen kann, zeigen wir Ihnen am nachfolgenden Beispiel einer Support-Anfrage. Integration mit Die Integration der AristaFlow Business Process Management Suite (BPM) mit dem Enterprise Information Management System FILERO (EIMS) bildet die optimale Basis für flexible Optimierung

Mehr

Formale Systeme. Binary Decision Diagrams. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK

Formale Systeme. Binary Decision Diagrams. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK Formale Systeme Prof. Dr. Bernhard Beckert WS / KIT INSTITUT FÜR THEORETISCHE INFORMATIK KIT University of the State of Baden-Württemberg and National Large-scale Research Center of the Helmholtz Association

Mehr

Agile Prozessverbesserung. Im Sprint zu besseren Prozessen

Agile Prozessverbesserung. Im Sprint zu besseren Prozessen Agile Prozessverbesserung Im Sprint zu besseren Prozessen Ziel und Agenda Ziel: Wir wollen zeigen, wie Prozesse durch den Einsatz einer agilen Vorgehensweise noch projektfreundlicher verbessert werden

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

Bearbeitungshinweise. (20 Punkte)

Bearbeitungshinweise. (20 Punkte) Bearbeitungshinweise - Es sind alle Aufgaben zu bearbeiten. - Als Hilfsmittel sind lediglich nicht programmierbare Taschenrechner erlaubt. - Die Klausur darf nicht auseinander genommen werden. - Sämtliche

Mehr

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort: Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung

Mehr

Projekte für reale Herausforderungen Projektarbeit: Einleitung und Gliederung. Projekte für reale Herausforderungen

Projekte für reale Herausforderungen Projektarbeit: Einleitung und Gliederung. Projekte für reale Herausforderungen Steinbeis-Hochschule Berlin Institut für Organisations-Management Handout zu den YouTube-Videos: Projekte für reale Herausforderungen Projektarbeit: Einleitung und Gliederung Prof. Dr. Andreas Aulinger

Mehr

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5) Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff

Mehr

t r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )

t r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r ) Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen

Mehr

Klausur zur Vorlesung Informationsökonomik

Klausur zur Vorlesung Informationsökonomik Dr. Tone Arnold Wintersemester 2003/04 Klausur zur Vorlesung Informationsökonomik Die Klausur besteht aus drei Vorfragen und drei Hauptfragen, von denen jeweils zwei zu beantworten sind. Sie haben für

Mehr

Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)

Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler

Mehr

Whitepaper. Produkt: combit Relationship Manager 7. combit Relationship Manager email-rückläufer Script. combit GmbH Untere Laube 30 78462 Konstanz

Whitepaper. Produkt: combit Relationship Manager 7. combit Relationship Manager email-rückläufer Script. combit GmbH Untere Laube 30 78462 Konstanz combit GmbH Untere Laube 30 78462 Konstanz Whitepaper Produkt: combit Relationship Manager 7 combit Relationship Manager email-rückläufer Script Inhalt Einleitung 3 Notwendige Anpassungen 3 crm Solution

Mehr

Industrie 4.0 in Deutschland

Industrie 4.0 in Deutschland Foto: Kzenon /Fotolia.com Industrie 4.0 in Deutschland Dr. Tim Jeske innteract-conference Chemnitz, 07.05.2015 Entwicklung der Produktion Komplexität Quelle: Siemens in Anlehnung an DFKI 2011 07.05.2015

Mehr

Anleitung für die Registrierung und das Einstellen von Angeboten

Anleitung für die Registrierung und das Einstellen von Angeboten Anleitung für die Registrierung und das Einstellen von Angeboten Das FRROOTS Logo zeigt Ihnen in den Abbildungen die wichtigsten Tipps und Klicks. 1. Aufrufen der Seite Rufen Sie zunächst in Ihrem Browser

Mehr

Lange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege

Lange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege Lange Nacht der Wissenschaft Ein Klassiker Die Mathematik der Kürzesten Wege 09.06.2007 schlechte@zib.de Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) http://www.zib.de/schlechte 2 Überblick

Mehr

Online-Prüfungs-ABC. ABC Vertriebsberatung GmbH Bahnhofstraße 94 69151 Neckargemünd

Online-Prüfungs-ABC. ABC Vertriebsberatung GmbH Bahnhofstraße 94 69151 Neckargemünd Online-Prüfungs-ABC ABC Vertriebsberatung GmbH Bahnhofstraße 94 69151 Neckargemünd Telefon Support: 0 62 23 / 86 55 55 Telefon Vertrieb: 0 62 23 / 86 55 00 Fax: 0 62 23 / 80 55 45 (c) 2003 ABC Vertriebsberatung

Mehr

BMW ConnectedDrive. www.bmw.com/ connecteddrive. Freude am Fahren BMW CONNECTED DRIVE. NEUERUNGEN FÜR PERSONALISIERTE BMW CONNECTED DRIVE DIENSTE.

BMW ConnectedDrive. www.bmw.com/ connecteddrive. Freude am Fahren BMW CONNECTED DRIVE. NEUERUNGEN FÜR PERSONALISIERTE BMW CONNECTED DRIVE DIENSTE. BMW ConnectedDrive www.bmw.com/ connecteddrive Freude am Fahren BMW CONNECTED DRIVE. NEUERUNGEN FÜR PERSONALISIERTE BMW CONNECTED DRIVE DIENSTE. 1 EINLEITUNG. Im Rahmen der Neuausrichtung von BMW ConnectedDrive

Mehr

Suche schlecht beschriftete Bilder mit Eigenen Abfragen

Suche schlecht beschriftete Bilder mit Eigenen Abfragen Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere

Mehr

Fragebogen zur Erhebung der Zufriedenheit und Kooperation der Ausbildungsbetriebe mit unserer Schule

Fragebogen zur Erhebung der Zufriedenheit und Kooperation der Ausbildungsbetriebe mit unserer Schule Fragebogen zur Erhebung der Zufriedenheit und Kooperation der Ausbildungsbetriebe mit unserer Schule Sehr geehrte Ausbilderinnen und Ausbilder, die bbs1celle betreiben nun bereits seit einigen Jahren ein

Mehr

Wir empfehlen Ihnen eine zeitnahe Bewerbung, da in jedem Halbjahr nur eine limitierte Anzahl an Bündnissen bewilligt werden können.

Wir empfehlen Ihnen eine zeitnahe Bewerbung, da in jedem Halbjahr nur eine limitierte Anzahl an Bündnissen bewilligt werden können. Ich bin ein LeseHeld Bewerbungsformular zur Teilnahme am Leselernförderprojekt des Borromäusverein e.v. im Rahmen des Programms Kultur macht stark. Bündnisse für Bildung des Bundesministeriums für Bildung

Mehr

Seminararbeit zum Thema Genetische Algorithmen

Seminararbeit zum Thema Genetische Algorithmen Seminararbeit zum Thema Genetische Algorithmen Seminar in Intelligent Management Models in Transportation und Logistics am Institut für Informatik-Systeme Lehrstuhl Verkehrsinformatik Univ.-Prof. Dr.-Ing.

Mehr

Arbeiten Sie gerne für die Ablage?

Arbeiten Sie gerne für die Ablage? University of Applied Sciences Arbeiten Sie gerne für die Ablage? Ihr Studium kommt nun in die Schlussphase, denn Sie haben sich gerade zur Abschlussarbeit angemeldet. Auch wenn das Ende Ihres Studiums

Mehr

Senkung des technischen Zinssatzes und des Umwandlungssatzes

Senkung des technischen Zinssatzes und des Umwandlungssatzes Senkung des technischen Zinssatzes und des Umwandlungssatzes Was ist ein Umwandlungssatz? Die PKE führt für jede versicherte Person ein individuelles Konto. Diesem werden die Beiträge, allfällige Einlagen

Mehr

Grundlagen für den erfolgreichen Einstieg in das Business Process Management SHD Professional Service

Grundlagen für den erfolgreichen Einstieg in das Business Process Management SHD Professional Service Grundlagen für den erfolgreichen Einstieg in das Business Process Management SHD Professional Service Der BPM-Regelkreis Im Mittelpunkt dieser Übersicht steht die konkrete Vorgehensweise bei der Einführung

Mehr

SEPA Lastschriften. Ergänzung zur Dokumentation vom 27.01.2014. Workshop Software GmbH Siemensstr. 21 47533 Kleve 02821 / 731 20 02821 / 731 299

SEPA Lastschriften. Ergänzung zur Dokumentation vom 27.01.2014. Workshop Software GmbH Siemensstr. 21 47533 Kleve 02821 / 731 20 02821 / 731 299 SEPA Lastschriften Ergänzung zur Dokumentation vom 27.01.2014 Workshop Software GmbH Siemensstr. 21 47533 Kleve 02821 / 731 20 02821 / 731 299 www.workshop-software.de Verfasser: SK info@workshop-software.de

Mehr

Dies ist nur ein Beispielfall!

Dies ist nur ein Beispielfall! Der OEE-Wert (Overall Equipment Effectiveness) ist eine Kennzahl zur Berechnung und Analyse der Produktivität einer Maschine/Person u.ä. anhand eines Leistungswirkungsgrades! Er ermöglicht Ihnen klare

Mehr

Klausur zur Veranstaltung Industrielle Produktionssysteme im SS 04

Klausur zur Veranstaltung Industrielle Produktionssysteme im SS 04 Universität Hannover Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Veranstaltung Industrielle Produktionssysteme im SS 04 Hinweise: Die Klausur

Mehr

Algorithmen und Datenstrukturen. Große Übung vom 29.10.09 Nils Schweer

Algorithmen und Datenstrukturen. Große Übung vom 29.10.09 Nils Schweer Algorithmen und Datenstrukturen Große Übung vom 29.10.09 Nils Schweer Diese Folien Braucht man nicht abzuschreiben Stehen im Netz unter www.ibr.cs.tu-bs.de/courses/ws0910/aud/index.html Kleine Übungen

Mehr

1. Adressen für den Serienversand (Briefe Katalogdruck Werbung/Anfrage ) auswählen. Die Auswahl kann gespeichert werden.

1. Adressen für den Serienversand (Briefe Katalogdruck Werbung/Anfrage ) auswählen. Die Auswahl kann gespeichert werden. Der Serienversand Was kann man mit der Maske Serienversand machen? 1. Adressen für den Serienversand (Briefe Katalogdruck Werbung/Anfrage ) auswählen. Die Auswahl kann gespeichert werden. 2. Adressen auswählen,

Mehr

Grundfunktionen und Bedienung

Grundfunktionen und Bedienung Kapitel 13 Mit der App Health ist eine neue Anwendung in ios 8 enthalten, die von vorangegangenen Betriebssystemen bislang nicht geboten wurde. Health fungiert dabei als Aggregator für die Daten von Fitness-

Mehr

20. Algorithmus der Woche Online-Algorithmen: Was ist es wert, die Zukunft zu kennen? Das Ski-Problem

20. Algorithmus der Woche Online-Algorithmen: Was ist es wert, die Zukunft zu kennen? Das Ski-Problem 20. Algorithmus der Woche Online-Algorithmen: Was ist es wert, die Zukunft zu kennen? Das Ski-Problem Autor Susanne Albers, Universität Freiburg Swen Schmelzer, Universität Freiburg In diesem Jahr möchte

Mehr

Um ein solches Dokument zu erzeugen, muss eine Serienbriefvorlage in Word erstellt werden, das auf die von BüroWARE erstellte Datei zugreift.

Um ein solches Dokument zu erzeugen, muss eine Serienbriefvorlage in Word erstellt werden, das auf die von BüroWARE erstellte Datei zugreift. Briefe Schreiben - Arbeiten mit Word-Steuerformaten Ab der Version 5.1 stellt die BüroWARE über die Word-Steuerformate eine einfache Methode dar, Briefe sowie Serienbriefe mit Hilfe der Korrespondenzverwaltung

Mehr