Genetische Algorithmen
|
|
- Dominik Baumann
- vor 8 Jahren
- Abrufe
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 Proseminar -Genetische Programmierung- Dezember 2001 David König Quelle: Kinnebrock W.: Optimierung mit genetischen und selektiven Algorithmen. München, Wien: Oldenbourg
Mehr1 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
MehrInformatik-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
MehrKonzepte 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
MehrEinsatz 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
MehrBabeș-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
MehrZeichen 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
MehrKapiteltests 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
MehrEine 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
MehrAnmerkungen 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
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrWürfelt 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
MehrGrundbegriffe 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
MehrDas 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
MehrGrundlagen 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)
Mehr1 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
MehrMaschinenrichtlinie 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
MehrRessourceneinsatzplanung 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
MehrAGROPLUS 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
MehrUnterrichtsmaterialien 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
MehrHilfe 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,
MehrUnterrichtsmaterialien 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
MehrRente = 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
MehrData 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
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrWinWerk. 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
Mehr2.11 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
MehrPrimzahlen 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
MehrWAS 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
MehrDoing 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
MehrZimmertypen. 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
MehrDie 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
MehrEPOS. 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
MehrErfahrungen 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
MehrWS 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
MehrARCHIV- & 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.
MehrBestimmen 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
MehrVirtuelle 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
MehrAbamsoft 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
MehrIhre 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
Mehrgeben. 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
MehrEinführung 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
MehrAZK 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
Mehr15 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
MehrÜbungen 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
MehrName:... 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
MehrAufgabe 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
Mehry 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
MehrOhne 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
MehrDUALIS 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
MehrDatenübernahme 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
MehrModellierung 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
MehrMotivation. 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
MehrBerechtigungen 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
Mehr2 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
MehrUm 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
MehrLehrer: 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
MehrWindows 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
MehrErhebung 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
MehrSubpostfächer 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
MehrTheoretische 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
MehrACDSee 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.
MehrWir 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.
MehrWasserfall-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
MehrÜbungen 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
MehrHIT-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
MehrEine 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
MehrProgrammiersprachen 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
MehrIntegration 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
MehrFormale 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
MehrAgile 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
MehrAustausch- 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:
MehrBearbeitungshinweise. (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
MehrTangentengleichung. 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
MehrProjekte 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
MehrEinführung. 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
Mehrt 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
MehrKlausur 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
MehrAbituraufgabe 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
MehrWhitepaper. 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
MehrIndustrie 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
MehrAnleitung 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
MehrLange 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
MehrOnline-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
MehrBMW 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
MehrSuche 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
MehrFragebogen 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
MehrWir 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
MehrSeminararbeit 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.
MehrArbeiten 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
MehrSenkung 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
MehrGrundlagen 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
MehrSEPA 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
MehrDies 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
MehrKlausur 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
MehrAlgorithmen 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
Mehr1. 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,
MehrGrundfunktionen 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-
Mehr20. 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
MehrUm 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