Genetische Algorithmen (GA) Jens Mueller Folie 1
|
|
- Heini Seidel
- vor 6 Jahren
- Abrufe
Transkript
1 Genetische Algorithmen (GA) Jens Mueller Folie 1
2 Gliederung 1. Einfuehrung 2. Grundlagen Genetischer Algorithmen 2.1. Grundbegriffe 2.2. Elemente eines GAs 3. Bsp.: Magisches Quadrat 4. Anwendungsgebiete GA 5. Vergleich mit anderen Optimierungverfahren 6. Zusammenfassung Jens Mueller Folie 2
3 Einfuehrung I Orca Charles Darwin Schwarze Witwe Quelle: Microsoft Encarta 2001 Jens Mueller Folie 3
4 Einfuehrung II Einordnung: Soft Computing Soft Computing = Fuzzy Logic + Neuronale Netze + Genetische Algorithmen? Meist modellfreie Ansaetze? Approximation statt exakte Loesung? Oft schnelleres Finden einer brauchbaren Loesung (ohne tiefgehende Problemanalyse) Jens Mueller Folie 4
5 Wo sind wir? 1. Einfuehrung 2. Grundlagen Genetischer Algorithmen 2.1. Grundbegriffe und ihre Bedeutung 2.2. Elemente eines GAs 3. Bsp.: Magisches Quadrat 4. Anwendungsgebiete GA 5. Vergleich mit anderen Optimierungverfahren 6. Zusammenfassung Jens Mueller Folie 5
6 Grundbegriffe und ihre Bed: I Jens Mueller Folie 6
7 Grundbegriffe und ihre Bed. II Jens Mueller Folie 7
8 Grundbegr. und ihre Bed. III: Mutation zufaellige Veraenderung einzelner Gene in einem Chromosomen Zugriff ueber Parameter Anfangs nicht vorhandene Allele koennen (nur) durch Mutationen entstehen. Jens Mueller Folie 8
9 Grundbegr. und ihre Bed. IV: Crossingover Austausch eines Chromosomenstuecks (oder auch einer in anderer Weise ausgewaehlter Teilmenge der Gene) zwischen zwei Individuen. Ein-Punkt-Crossover (Abb.) Waehle zufaellig eine Trennstelle zwischen zwei Genen. (Bsp. 2) Tausche die Gensequenzen auf der einen Seite dieser Trennstelle aus Jens Mueller Folie 9
10 Elemente eine GAs I Ein genetischer Algorithmus besteht aus:? einer Kodierungsvorschrift fuer die Loesungskandidaten? Problemspezifisch - es gibt keine allgemeinen Regeln.? einer Anfangspopulation? zu erzeugen Meist werden einfach zufaellige Zeichenketten erzeugt; je nach gewaehlter Kodierung koennen aber auch komplexere Verfahren noetig sein.? einer Bewertungsfunktion (Fitneßfunktion) fuer die Individuen? spielt die Rolle der Umgebung? Maß fuer Guete des Individuums? problemspezifisch keine Allgemeine Regeln? einer Auswahlmethode auf der Grundlage der Fitneßfunktion? Welche Individuen werden zur Erzeugung der Nachkommen herangezogen? Jens Mueller Folie 10
11 Elemente eine GAs II? genetischen Operatoren, die die Loesungskandidaten aendern? Mutation? Crossover Rekombination von Chromosomen? Werten fuer verschiedene Parameter? (z.b. Populationsgroeße, Mutationswahrscheinlichkeit etc.)? einem Abbruchkriterium, z.b.? eine festgelegte Anzahl von Generationen wurde berechnet? eine festgelegte Anzahl von Generationen lang gab es keine Verbesserung? eine vorgegebene Mindestloesungsguete wurde erreicht Jens Mueller Folie 11
12 Elemente eine GAs III: Pseudocode var P: Menge von Individuen begin Initialisiere P Bewerte die Individuen aus P while not fertig do Waehle in P eine Teilmenge von Eltern aus Erzeuge veraenderte Nachkommen in P Bewerte die aus P end Ergebnis = bestes Individuum aus P end Jens Mueller Folie 12
13 Wo sind wir? 1. Einfuehrung 2. Grundlagen Genetischer Algorithmen 2.1. Grundbegriffe und ihre Bedeutung 2.2. Elemente eines GAs 3. Bsp.: Magisches Quadrat 4. Anwendungsgebiete GA 5. Vergleich mit anderen Optimierungverfahren 6. Zusammenfassung Jens Mueller Folie 13
14 Bps: Magische Quadrat I Was ist ein Magisches Quadrat? x3 Matrix gefuellt mit Nummern Ziel: Summen aller Zeilen, Spalten und Diagonalen sollen 15 ergeben Diagonalen erfuellen Bed. Noch nicht (rot) Jens Mueller Folie 14
15 Bps: Magische Quadrat II? Kodierung? Darstellung als Liste Zeilendarstellung? ((4 6 5) (7 5 3) (4 4 7)) statt Matrixform? Konvertierungsfunktionen? Zeilendarstellung zu Spaltendarstellung? ((4 7 4) (6 5 4) (5 3 7))? Spaltendarstellung zu Diagonaldarstellung? ((4 5 7) (5 5 4 ))? Fitnessfunktion? Summe der Absolutwerte der Differenz zwischen jeder Zeile, Spalte und Diagonale und 15? Abbruchbedingung? Loesung mit Fitness = 0 Jens Mueller Folie 15
16 Bps: Magische Quadrat III Fitnesswerte fuer dieses Quadrat? Jens Mueller Folie 16
17 Bps: Magische Quadrat IV? Umsetzung (Scheme)? Ausgangswerte? Population: 20? Crosslink 75? Auswahl von 60% der Besten? Mutationsrate: 1%? Durchschnittliche Anzahl benötigter Generationen um Ergebnis zu erzielen:? GA: 150 Generationen? mit Probierfunktion: zehn Tage? Matrix mit Zufallszahlen fuellen und dann pruefen Jens Mueller Folie 17
18 Wo sind wir? 1. Einfuehrung 2. Grundlagen Genetischer Algorithmen 2.1. Grundbegriffe und ihre Bedeutung 2.2. Elemente eines GAs 3. Bsp.: Magisches Quadrat 4. Anwendungsgebiete GA 5. Vergleich mit anderen Optimierungverfahren 6. Zusammenfassung Jens Mueller Folie 18
19 Anwendungsgebiete GA I Allgemein: Loesen von Optimierungsproblemen? Gegeben: ein Suchraum S? eine zu optimierende Funktion f : S? IR? ggf. einzuhaltende Nebenbedingungen? Gesucht: Ein Element s? S, das die Funktion f optimiert.? Prinzipielle Loesungsansaetze:? analytische Loesung: sehr effizient, aber nur in seltenen Faellen anwendbar? vollstaendige Durchforstung: sehr ineffizient, daher nur bei sehr kleinen Suchraeumen anwendbar? blinde Zufallssuche: immer anwendbar, aber meist sehr ineffizient? gesteuerte Suche: Voraussetzung: Funktionswerte aehnlicher Elemente des Suchraums sind aehnlich. Jens Mueller Folie 19
20 Anwendungsgebiete GA II Beispiele fuer Optimierugsprobleme:? Parameteroptimierung? z.b. Kruemmung von Rohren fuer minimalen Widerstand? Packprobleme? Z.B. Packen moeglichst weniger Container mit gegebenen Guetern (Hamburger Hafen)? Wegeprobleme? Problem des Handlungsreisenden? Z.B. Verlegen von Leiterbahnen auf Platinen und in integrierten Schaltkreisen Jens Mueller Folie 20
21 Anwendungsgebiete GA III? Anordnungsprobleme? z.b. Positionierung von Verteilerknoten in einem Telefonnetz? Planungsprobleme? z.b. Ablaufplaene (Scheduling)? Strategieprobleme? Gefangenendilemma? Modelle der Spieltheorie? biologische Modellbildung Jens Mueller Folie 21
22 Anwendungsgebiete IV? Kleiner Exkurs Gefangendillema? bekannteste Problem der Spieltheorie (engl.: prisoner s dilemma)? Zwei Personen haben einen Bankueberfall begangen und werden verhaftet.? Die Beweise reichen jedoch nicht aus, um sie in einem Indizienprozeß wegen des Bankueberfalls zu verurteilen.? Die Beweise reichen jedoch aus, um sie wegen eines geringfuegigeren Deliktes? (z.b. unerlaubter Waffenbesitz) zu verurteilen (Strafmaß: 1 Jahr Gefaengnis).? Angebot des Staatsanwaltes: Kronzeugenregelung? Gesteht einer der beiden die Tat, wird er Kronzeuge und nicht verurteilt.? Der andere dagegen wird mit voller Haerte bestraft (10 Jahre Gefaengnis)? Problem: Gestehen beide, gilt die Kronzeugenregelung nicht. Da sie jedoch beide gestaendig sind, erhalten sie mildernde Umstaende zugesprochen (Strafe: je 5 Jahre Gefaengnis)? Viele Alltagssituation lassen sich mit dem Gefangenendilemma beschreiben. Jens Mueller Folie 22
23 Wo sind wir? 1. Einfuehrung 2. Grundlagen Genetischer Algorithmen 2.1. Grundbegriffe und ihre Bedeutung 2.2. Elemente eines GAs 3. Bsp.: Magisches Quadrat 4. Anwendungsgebiete GA 5. Vergleich mit anderen Optimierungverfahren 6. Zusammenfassung Jens Mueller Folie 23
24 Vergleich mit anderen Optimierungsverfahren I Optimierungsverfahren deterministisch Nicht-deterministisch z.b. z.b. Simplexverfahren Monte-Carlo Gauß-Seidel Strategie Genetische Algorithmen Gradientenverfahren Jens Mueller Folie 24
25 Vergleich mit anderen Optimierungsverfahren II Bsp. Deterministisch allesamt hill-climbing Strategien Verhalten sich prinzipiell, wie Bergsteiger, der um zum Gipfel zu kommen sich immer an dem lokalen Anstieg orientiert und sich bevorzugt dorthin bewegt, wo ein Anstieg festzustellen ist. Jens Mueller Folie 25
26 Vergleich mit anderen Optimierungsverfahren III nicht deterministische Grundidee bei der Suche nach Optima in großen Suchraeumen von Zufall gebrauch zu machen Zufall ist nicht Willkuer Gefahr Optima zu verspassen ist im Gegensatz zu deterministische Verfahren bei einer gleichmaeßigen Streuung relativ gering Jens Mueller Folie 26
27 Vergleich mit anderen Optimierungsverfahren IV? Ziel: Berechngung des Flaecheninhalts einer komplizierten Flaeche? det. Verf:? zerlegt Flaeche in mehr oder weniger große Zahl einfacher Flaechen (z.b. Dreiecke) Gesamtflaeche ergibt sich approximativ als Summe der einfacheren Flaeche? Monte-Carlo Verfahren? man zeichnet um die zu berechnende Flaeche ein Quadrat (oder Rechteck)? man erzeugt zufaellig Punkte innerhalb des Quadrates? wichtig Pkt. muessen mit gleicher Wahrscheinlichkeit erzeugt werden? Q*(t/r)? Q Flaeche des Quadrates? r Anzahl aller Punkte? t Anzahl aller Treffer (= Punkte innerhalb der zu berechnenden Flaeche)? je groeßer die Gesamtzahl der generierten Punkte desto genauer wird die Berechnung Jens Mueller Folie 27
28 Vergleich mit anderen Optimierungsverfahren V? Genetische Algorithmen sind recht teure Optimierungsverf., da oft? mit einer großen Population (einige tausend bis einige zehntausend Individuen)? mit einer großen Zahl an Generationen (einige hundert) gearbeitet werden muss, um eine hinreichende Loesungsguete zu erreichen.? Dieser Nachteil wird zwar durch eine oft etwas hoehere Loesungsguete im Vergleich zu anderen Verfahren wettgemacht, trotzdem kann die Laufzeit eines genetischen Algorithmus unangenehm lang sein.? Loesungsansatz: Parallelisierung,? d.h. die Verteilung der notwendigen Operationen auf mehrere Prozessoren. Jens Mueller Folie 28
29 Zusammenfassung Genetic Algorithms are good at taking large, potentially huge search spaces and navigating them, looking for optimal combinations of things, solutions you might not otherwise find in a lifetime. Salvatore Mangano Computer Design, May 1995 Jens Mueller Folie 29
30 Quellen? Schöneburg, Heinzmann, Federsen: Genetische Algorithmen und Evolutionsstrategien Eine Einfuehrung in Theorie und Praxis der simulierten Evolution. Addison-Wesley Bonn 1994? Grillmeyer, Oliver: Exploring Computer Science with Scheme. Springer New York 1998? Borgelt, Christian: Vorlesung SoSe Genetische Algorithmen. Magdeburg? c t 11/1993 Modell Natur Jens Mueller Folie 30
31 Frohe Weihnachten und einen guten Rutsch ins neue Jahr!!! Jens Mueller Folie 31
Optimale Produktliniengestaltung mit Genetischen Algorithmen
Optimale Produktliniengestaltung mit Genetischen Algorithmen 1 Einleitung 2 Produktlinienoptimierung 3 Genetische Algorithmen 4 Anwendung 5 Fazit Seite 1 Optimale Produktliniengestaltung mit Genetischen
MehrComputational Intelligence
Vorlesung Computational Intelligence Stefan Berlik Raum H-C 80 Tel: 027/70-267 email: berlik@informatik.uni-siegen.de Inhalt Überblick Rückblick Optimierungsprobleme Optimierungsalgorithmen Vorlesung Computational
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.
MehrGenetische Algorithmen und Evolutionsstrategien
Eberhard Schöneburg Frank Heinzmann Sven Feddersen Genetische Algorithmen und Evolutionsstrategien Eine Einführung in Theorie und Praxis der simulierten Evolution Tschnische UnsversSsät Darmstadt Fachbereich
MehrEine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft. Lars Melchior
Eine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft Lars Melchior Theoretische Grundlagen Theoretische Grundlagen Genetik Genetische Algorithmen NK
MehrEvolutionsstrategien
Evolutionsstrategien zum Seminar Evolutionäre Algorithmen von Jana Schäfer INHALTVERZEICHNIS 1. Einführung... 3 2. Die Geschichte der Evolutionsstrategien...4 3. Grundlegendes... 6 3.1 Begriffe... 6 3.2
MehrGenetische Algorithmen
Genetische Algorithmen Projektgruppe 431 Metaheuristiken Bianca Selzam Inhaltsverzeichnis 1 Einleitung......................................................... 1 2 Grundlagen aus der Biologie.......................................
MehrGenetische Algorithmen
Projekt für Algorithmische Anwendungen Genetische Algorithmen Von Mike Müller 11037091 Dennis Freese 11038517 Gruppe: B-ROT 1 Inhaltsverzeichnis Allgemeines...3 Geschichtliche Entwicklung der genetischen
MehrGenetische Programmierung
15. Juli 2007 Anfang der 90er von John R. Koza entwickelt. Verfahren zur automatisierten Erstellung von Programmen. Von der Evolution inspiriert. Anforderungen an die Möglichst korrekte Lösung ergeben
MehrGrundlagen und Basisalgorithmus
Grundlagen und Basisalgorithmus Proseminar -Genetische Programmierung- Dezember 2001 David König Quelle: Kinnebrock W.: Optimierung mit genetischen und selektiven Algorithmen. München, Wien: Oldenbourg
MehrKapitel 13. Evolutionäre Spieltheorie. Einleitung. Evolutionäre Biologie. Übersicht 2. Alternative: Biologische Evolutionstheorie
Übersicht : Evolutionäre Spieltheorie Einleitung Evolutionäre Biologie Evolutionäre Spieltheorie: Idee Gefangenendilemma (Beispiel) Evolutionäre Stabilität Beispiele Wiederholtes Gefangenendilemma Chicken-Spiel
MehrArtificial Life und Multiagentensysteme
Vortrag im Rahmen des Seminars: Artificial Life und Multiagentensysteme Prof. Dr. Winfried Kurth Sommersemester 2003 Prognose von Zeitreihen mit GA/GP Mathias Radicke, Informatikstudent, 10. Semester Gliederung
MehrHochschule Regensburg. Übung 12_3 Genetische Algorithmen 1. Spezielle Algorithmen (SAL) Lehrbeauftragter: Prof. Sauer
Hochschule Regensburg Übung 12_ Genetische Algorithmen 1 Spezielle Algorithmen (SAL) Lehrbeauftragter: Prof. Sauer Name: Vorname: 1. Was sind GA? - Ein GA ist ein Algorithmus, der Strategien aus der Evolutionstheorie
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
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
MehrA. Anhang Daubechies-Wavelets General characteristics: Compactly supported wavelets with extremal phase and highest number of vanishing moments for a
A. Anhang A.1. Eigenschaften von Wavelets und Wavelet-Familien Die folgenden tabellarischen Zusammenstellungen der wichtigsten Eigenschaften der in dieser Arbeit verwendeten Wavelet-Typen und Wavelet-Familien
MehrProseminar Genetische und Evolutionäre Algorithmen Evolutionsstrategien
Proseminar Genetische und Evolutionäre Algorithmen Evolutionsstrategien Michael Stahl 4. Juni 2002 Inhaltsverzeichnis 1 Überblick 2 2 Generischer ES-Algorithmus 2 2.1 Initialisierung....................................
Mehr4 Genetische Algorithmen
WS1993/94 AuD II 113 4 Genetische Algorithmen Gegeben: Problem P Menge potentieller Lösungen S= {L 1,,L s } (auch Suchraum) Zielfunktion z : S [0,1] IR (manchmal auch z : S IR ) Gesucht: z(l) > z(l') L
MehrAlgorithmus zum Graphen-Matching. und. Anwendung zur inhaltsbasierten Bildersuche
Algorithmus zum Graphen-Matching und Anwendung zur inhaltsbasierten Bildersuche Gliederung 1. Einführung 2. Algorithmus Beschreibung Beispiel Laufzeit 3. Anwendung des Algorithmus Seite 1 von 18 1. Einführung
MehrEinführung genetischer Algorithmen mit Anwendungsbeispiel
Einführung genetischer Algorithmen mit Anwendungsbeispiel Steffen Harbich 26. Dezember 2007 Zusammenfassung Im Rahmen des Seminars Das virtuelle Labor enstand die vorliegende Ausarbeitung zum Thema genetische
MehrGenetische Algorithmen
Genetische Algorithmen Christian Borgelt Arbeitsgruppe Neuronale Netze und Fuzzy-Systeme Institut für Wissens- und Sprachverarbeitung Otto-von-Guericke-Universität Magdeburg Universitätsplatz 2, D-39106
MehrGenetische Algorithmen
Genetische Algorithmen zur Lösung kombinatorischer Optimierungsprobleme aus dem Bereich Produktion und Logistik S. Häckel, S. Lemke TU Chemnitz Fakultät für Wirtschaftswissenschaften Professur für Produktionswirtschaft
MehrPocket Cards (Winning Probabilities) 6.1 Anzahl der Kombinationen Monte Carlo Simulation Ergebnisse 6
6 6.1 Anzahl der Kombinationen 6. Monte Carlo Simulation 3 6.3 Ergebnisse 6 in case you do not speak German ignore the description and jump to the preflop win probability tables in chapter 6.3 Poker Trainer
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
Mehr9. Heuristische Suche
9. Heuristische Suche Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S Heuristische Suche Idee: Wir nutzen eine (heuristische)
Mehr13 Java 4 - Entwurfsmuster am Beispiel des Rucksackproblems
13 Java 4 - Entwurfsmuster am Beispiel des Rucksackproblems 13.1 Modellierung des Rucksackproblems 13.2 Lösung mit Greedy-Algorithmus 13.3 Lösung mit Backtracking 13.4 Lösung mit Dynamischer Programmierung
MehrAlgorithms for Regression and Classification
Fakultät für Informatik Effiziente Algorithmen und Komplexitätstheorie Algorithms for Regression and Classification Robust Regression and Genetic Association Studies Robin Nunkesser Fakultät für Informatik
MehrPollards Rho-Methode zur Faktorisierung
C A R L V O N O S S I E T Z K Y Pollards Rho-Methode zur Faktorisierung Abschlusspräsentation Bachelorarbeit Janosch Döcker Carl von Ossietzky Universität Oldenburg Department für Informatik Abteilung
MehrSpiel 1: Spielerische Simulation der Hardy-Weinberg-Regel
Spiel : Spielerische Simulation der Hardy-Weinberg-Regel Spielbrett, Box Genpool, Taschenrechner Wichtig! Das Spiel wird fünf Runden gespielt!. Ziehen Sie aus dem Genpool ohne Hinschauen insgesamt 54 Individuen.
MehrExkurs Modelle und Algorithmen
Exkurs Modelle und Algorithmen Ansatz künstlich neuronaler Netze (KNN) Versuch, die Wirkungsweise menschlicher Gehirnzellen nachzubilden dabei wird auf formale mathematische Beschreibungen und Algorithmen
MehrGenetische Algorithmen
Genetische Algorithmen: Einleitung Genetische Algorithmen Christian Borgelt Arbeitsgruppe Neuronale Netze und Fuzzy-Systeme Institut für Wissens- und Sprachverarbeitung Otto-von-Guericke-Universität Magdeburg
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
MehrEvolutionäre Algorithmen Genetische Programmierung
Evolutionäre Algorithmen Genetische Programmierung Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für
Mehr5. Lokale Suchverfahren. Beispiel TSP: k-change Nachbarschaft. Nachbarschaft. k-opt Algorithmus
5. Lokale Suchverfahren Lokale Suche 5. Lokale Suchverfahren Beispiel TSP: k-change Nachbarschaft Optimale Lösungen können oft nicht effizient ermittelt werden. Heuristiken liefern zwar zulässige Lösungen,
MehrEuklidische Distanzmatrizen. Andrei Grecu
Euklidische Distanzmatrizen Andrei Grecu Übersicht Motivation Definition und Problemstellung Algo 1: Semidefinite Programmierung Algo 2: Multidimensional Scaling Algo 3: Spring Embedder Algo 4: Genetischer
MehrProseminar Genetische und Evolutionäre Algorithmen
Proseminar Genetische und Evolutionäre Algorithmen Genetische Algorithmen Grundkonzept und genetische Operatoren Vortragender: Frank Förster Datum: 29.04.02 Inhaltsverzeichnis 1 Einleitung...1 2 Grundbegriffe...2
MehrGliederung. Kapitel 4. Lokale Suchverfahren. Meta-Heuristiken. Simulated Annealing. Lokale Suchverfahren. Optimierungsalgorithmen
Kapitel Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrFuzzy Logik und Genetische Algorithmen für adaptive Prozesskontrolle
Fuzzy Logik und Genetische Algorithmen für adaptive Prozesskontrolle Umgang mit unsicherem Wissen VAK 03-711.08 Oliver Ahlbrecht 8. Dezember 2005 Struktur 1. Einleitung 2. Beispiel Cart-Pole 3. Warum Hybride
MehrEvolutionäre Algorithmen
Evolutionäre Algorithmen Einführung Prof. Dr. Rudolf Kruse Christian Moewes {kruse,cmoewes}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Wissens-
Mehrdgpf Distributed Genetic Programming Framework http://dgpf.sourceforge.net/
dgpf Distributed Genetic Programming Framework http://dgpf.sourceforge.net/ University of Kassel, Chair of Distributed Systems, Wilhelmshöher Allee 73, D-34121 Kassel, Hesse, Germany Projektarbeiten Allgemeine
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Stefan Werner (Übungen) sowie viele Tutoren Teilnehmerkreis und Voraussetzungen Studiengänge
MehrScheduling-Theorie. Mathematische Modelle und Methoden für deterministische Scheduling-Probleme. LiSA - A Library of Scheduling Algorithms
Scheduling-Theorie Mathematische Modelle und Methoden für deterministische Scheduling-Probleme LiSA - A Library of Scheduling Algorithms Otto-von-Guericke Universität Magdeburg/FMA/Heidemarie Bräsel &
MehrEvolutionäre Algorithmen Einführung
Evolutionäre Algorithmen Einführung Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Wissens- und Sprachverarbeitung
MehrHeuristiken im Kontext von Scheduling
Heuristiken im Kontext von Scheduling Expertenvortrag CoMa SS 09 CoMa SS 09 1/35 Übersicht Motivation Makespan Scheduling Lokale Suche Weitere Metaheuristiken Zusammenfassung Literatur CoMa SS 09 2/35
MehrGrundlagen der Programmierung
Grundlagen der Programmierung Dr. Tom Kamphans 1. Vorlesung 12.10.2016 1 Organisatorisches Vorlesung: Mittwochs 14:00 15:30, Raum F 201 Übung: Mittwochs 15:45 19:00, Raum F 225 Übung: alle zwei Wochen
MehrAutogenetische Konstruktionstheorie - Evolutionärer Ansatz einer erweiterten Konstruktionstheorie
Autogenetische Konstruktionstheorie - Evolutionärer Ansatz einer erweiterten Konstruktionstheorie S. Vajna, B. Wegner, Otto-von-Guericke-Universität Magdeburg Zusammenfassung Verfahren der künstlichen
MehrKapitel 2: Analyse der Laufzeit von Algorithmen Gliederung
Gliederung 1. Motivation / Einordnung / Grundlagen 2. Analyse der Laufzeit von Algorithmen 3. Untere Schranken für algorithmische Probleme 4. Sortier- und Selektionsverfahren 5. Paradigmen des Algorithmenentwurfs
Mehr3: Zahlentheorie / Primzahlen
Stefan Lucks Diskrete Strukturen (WS 2009/10) 96 3: Zahlentheorie / Primzahlen 3: Zahlentheorie / Primzahlen Stefan Lucks Diskrete Strukturen (WS 2009/10) 97 Definition 37 (Teiler, Vielfache, Primzahlen,
MehrDatenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de
Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Wiederholung: Anfragegraph Anfragen dieses Typs können als Graph dargestellt werden: Der
MehrProseminarvortrag. Markov-Ketten in der Biologie (Anwendungen)
Proseminarvortrag Markov-Ketten in der Biologie (Anwendungen) von Peter Drössler 20.01.2010 2 Markov-Ketten in der Biologie (Peter Drössler, KIT 2010) Inhalt 1. Das Wright-Fisher Modell... 3 1.1. Notwendige
MehrApproximationsalgorithmen
Ausarbeitung zum Thema Approximationsalgorithmen im Rahmen des Fachseminars 24. Juli 2009 Robert Bahmann robert.bahmann@gmail.com FH Wiesbaden Erstellt von: Robert Bahmann Zuletzt berarbeitet von: Robert
MehrWissensbasierte Systeme
Analytisch lösbare Optimierungsaufgaben Das Chaos-Spiel gründet auf der folgenden Vorschrift: Man startet von einem beliebigen Punkt aus geht auf einer Verbindung mit einem von drei zufällig gewählten
MehrBionische Methoden der Optimierung
Bionische Methoden der Optimierung Thema: KODIERUNG VON GENETISCHEN ALGORITHMEN UND SIMULATED ANNEALING Autoren: Dipl.-Ing. (FH) Christian Benjamin Ries Dipl.-Ing.
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser 1 Agenda Rendite- und Risikoanalyse eines Portfolios Gesamtrendite Kovarianz Korrelationen
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
Mehr15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten
15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten Autoren Rene Beier, MPI Saarbrücken Berthold Vöcking, RWTH Aachen In zwei Monaten startet die nächste Rakete
Mehr5 Flächenberechnung. 5.1 Vierecke Quadrat
98 5 Flächenberechnung Wussten Sie schon, dass (bezogen auf die Fläche) Ihr größtes Organ Ihre Haut ist? Sie hat durchschnittlich (bei Erwachsenen) eine Größe von ca. 1,6 bis 1,9 m 2. Wozu brauche ich
MehrVerbesserungsheuristiken
Verbesserungsheuristiken Bestandteile der Lokalen Suche Für schwierige Optimierungsaufgaben haben Verbesserungsheuristiken eine große praktische Bedeutung. Sie starten mit Ausgangslösungen, die von z.b.
MehrDynamische Optimierung im Dienstleistungsbereich
Dynamische Optimierung im Dienstleistungsbereich Univ.-Prof. Dr. Jochen Gönsch Universität Duisburg-Essen Mercator School of Management Lehrstuhl für Betriebswirtschaftslehre, insb. Service Operations
MehrVier Gewinnt Nicolas Schmidt Matthias Dietsche Bernhard Weiß Benjamin Ruile Datum: 17.2.2009 Tutor: Prof. Schottenloher Spieltheorie
Vier Gewinnt Nicolas Schmidt Matthias Dietsche Bernhard Weiß Benjamin Ruile Datum: 17.2.2009 Tutor: Prof. Schottenloher Spieltheorie Präsentation Agenda I. Einführung 1. Motivation 2. Das Spiel Vier Gewinnt
MehrKombination von Optimierung und Robustheit in der Simulation mechanischer Systeme
Kombination von Optimierung und Robustheit in der Simulation mechanischer Systeme Markus Könning 1 1 Robert Bosch GmbH, CR/ARD4, 71701 Schwieberdingen Zusammenfassung Die Optimierung und Robustheitsbewertung
MehrVorlesung Evolutionäre Algorithmen
Vorlesung Evolutionäre Algorithmen Dr. Nicole Drechsler, AG Rechnerarchitektur Raum 3480, Tel. 7391, nd@tzi.de Vorschlag für Prüfungskriterien: Bearbeitung einer praktischen (Programmier-) Aufgabe Fachgespräch
MehrSeminarvortrag. Euler-Approximation. Marian Verkely TU Dortmund
Seminarvortrag Euler-Approximation Marian Verkely TU Dortmund 03.12.14 1 / 33 Inhaltsverzeichnis 1 Motivation 2 Simulierte Prozesse 3 Euler-Approximation 4 Vasicek-Prozess: Vergleich analytische Lösung
MehrBiologische Optimierung
Biologische Optimierung verfasst von Markus Zizler Mai 2007 Fakultät für Physik Universität Regensburg Prof. Dr. Ingo Morgenstern Inhaltsverzeichnis 1 Biologischer Hintergrund 2 1.1 Evolution...................................
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Dynamische Programmierung Einführung Ablaufkoordination von Montagebändern Längste gemeinsame Teilsequenz Optimale
MehrOptimierung von Produktionsprozessen und Methoden der Qualitätssicherung
Übersicht Kursangebot: Optimierung von Produktionsprozessen und Methoden der Qualitätssicherung Unser Angebot richtet sich an Produktionsbetriebe, die ihre Techniker mit effizienten Methoden zur Optimierung
MehrFaktorisierung ganzer Zahlen mittels Pollards ρ-methode (1975)
Dass das Problem, die Primzahlen von den zusammengesetzten zu unterscheiden und letztere in ihre Primfaktoren zu zerlegen zu den wichtigsten und nützlichsten der ganzen Arithmetik gehört und den Fleiss
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrChristian Blume, Wilfried Jakob. GLEAM General Learning Evolutionary Algorithm and Method Ein Evolutionärer Algorithmus und seine Anwendungen
Christian Blume, Wilfried Jakob GLEAM General Learning Evolutionary Algorithm and Method Ein Evolutionärer Algorithmus und seine Anwendungen Schriftenreihe des Instituts für Angewandte Informatik / Automatisierungstechnik
MehrAutomatische Generierung von Bildoperationsketten mittels genetischer Programmierung
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/266398778 Automatische Generierung von Bildoperationsketten mittels genetischer Programmierung
MehrKlassenstufen 7, 8. Aufgabe 1 (6+6+8 Punkte). Magischer Stern:
Department Mathematik Tag der Mathematik 31. Oktober 2009 Klassenstufen 7, 8 Aufgabe 1 (6+6+8 Punkte). Magischer Stern: e a 11 9 13 12 10 b c d Die Summe S der natürlichen Zahlen entlang jeder der fünf
MehrAlgorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke
Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrAndreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
MehrLisa und ihre Freundin haben in den Ferien einen Kochkurs besucht. Nun versuchen sie eine Torte nach einem Rezept im Internet zu backen.
Muster 1 131. Setze die fehlende Malrechnung so ein, dass die Waage im Gleichgewicht ist. 4 9 3 8 8 5 8 5 151. Für welche Zahl steht das Smily am Schluss? 40 - = 32 + =. 3 = : 6 = Für das Smily steht die
MehrProgramm WinEvo - Evolution in Populationen. Informationen zum Simulationsmodell und zur Bedienung
Roland Frank Staatl. Seminar für Didaktik und Lehrerbildung (Gymnasien) Stuttgart 1 Fachdidaktik Biologie Hospitalstraße 22-24 70174 Stuttgart Programm WinEvo - Evolution in Populationen WinEvo.exe Version
MehrAlgorithmische Mathematik und Programmieren
Algorithmische Mathematik und Programmieren Martin Lanser Universität zu Köln WS 2016/2017 Organisatorisches M. Lanser (UzK) Alg. Math. und Programmieren WS 2016/2017 1 Ablauf der Vorlesung und der Übungen
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrMATHE-BRIEF. März 2012 Nr. 23 SPIELTHEORIE
MATHE-BRIEF März 2012 Nr. 23 Herausgegeben von der Österreichischen Mathematischen Gesellschaft http: // www.oemg.ac.at / Mathe Brief mathe brief@oemg.ac.at SPIELTHEORIE Die Spieltheorie beschäftigt sich
MehrAusarbeitung zum Modulabschluss. Graphentheorie. spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme
Universität Hamburg Fachbereich Mathematik Seminar: Proseminar Graphentheorie Dozentin: Haibo Ruan Sommersemester 2011 Ausarbeitung zum Modulabschluss Graphentheorie spannende Bäume, bewertete Graphen,
MehrEvolutionsfaktoren. = Gesamtheit der Gene aller Individuen einer Population bleibt nach dem HARDY-WEINBERG-Gesetz unter folgenden Bedingungen
Evolutionsfaktoren 1 Genpool = Gesamtheit der Gene aller Individuen einer bleibt nach dem HARDY-WEINBERG-Gesetz unter folgenden Bedingungen gleich: keine Mutationen alle Individuen sind für Umweltfaktoren
MehrVorab : Von dem indischen Mathematiker D. R. Kaprekar stammt folgender Zusammenhang :
Seite 1 Algorithmen zur Erzeugung von Kaprekar- Konstanten Autor : Dipl.- Ing. Josef Meiler ; Datum : März 015 Vorab : Von dem indischen Mathematiker D. R. Kaprekar stammt folgender Zusammenhang : a) man
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrModul Entscheidungsunterstützung in der Logistik. Einführung in die Programmierung mit C++ Übung 2
Fakultät Verkehrswissenschaften Friedrich List, Professur für Verkehrsbetriebslehre und Logistik Modul Entscheidungsunterstützung in der Logistik Einführung in die Programmierung mit C++ Übung 2 SS 2016
MehrGrundlagen der Mathemagie
Übungen zur Vorlesung Grundlagen der Mathemagie Helmut Glas und Martin Kreuzer ASG Passau und Universität Passau Lehrerfortbildung Bezaubernde Mathematik Universität Passau, 16.12.2014 1 Die vier Asse
MehrRadizieren mit dem Heron-Verfahren
Mathematik mit Python und OpenOffice Calc Radizieren mit dem Heron-Verfahren Matthias Richter. März 011 1 Idee Das Heron-Verfahren ist ein Algorithmus um die Quadratwurzel einer Zahl x R näherungsweise
MehrGrundlagen von Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 7: Grundlagen von Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2014/15 Ludwig-Maximilians-Universität
MehrBioinformatik. Lokale Alignierung Gapkosten. Silke Trißl / Ulf Leser Wissensmanagement in der. Bioinformatik
Bioinformatik Lokale Alignierung Gapkosten Silke Trißl / Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Ähnlichkeit Lokales und globales Alignment Gapped Alignment Silke Trißl:
MehrTag der Mathematik 2016
Tag der Mathematik 016 Mathematischer Wettbewerb, Klassenstufe 9 10 30. April 016, 9.00 1.00 Uhr Aufgabe 1 Der Mittelwert von 016 (nicht unbedingt verschiedenen) natürlichen Zahlen zwischen 1 und 0 16
MehrStudienarbeit. Evolutionäre Algorithmen Grundlagen, Anwendung und Visualisierung
Studienarbeit Evolutionäre Algorithmen Grundlagen, Anwendung und Visualisierung Dr. rer. nat. Harald Sack Institut für Informatik Sommersemester 2004 Universität Jena Verlegt von Hannes Schrödter Matrikelnummer
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrBerechnung von Formfaktoren
Berechnung von Formfaktoren Oliver Deussen Formfaktorberechnung 1 Formfaktor ist eine Funktion in Abhängigkeit der Geometrie ist unabhängig von reflektierenden oder emittierenden Eigenschaften (ρ) der
MehrNeuronales Lernen in Go Kai Brodmann
Kai Brodmann TU Darmstadt FB Informatik FG Knowledge Engineering Seminar: Knowledge Engineering und Lernen in Spielen Prof. J. Fürnkranz Hohe Komplexität von Go Trotz gesteigerter Bemühungen spielen Computer
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrAuswahl effizienter Regenerationsmodi unter Berücksichtigung von modiabhängigen Objekteigenschaften und Erlösen
Auswahl effizienter Regenerationsmodi unter Berücksichtigung von modiabhängigen Objekteigenschaften und Erlösen Carolin Kellenbrink Felix Herde Leibniz Universität Hannover Wirtschaftswissenschaftliche
MehrProgrammieren in C/C++ und MATLAB
Programmieren in C/C++ und MATLAB Sven Willert Sabine Schmidt Christian-Albrechts-Universität zu Kiel CAU 4-1 Übung 1) Schreiben Sie ein Programm, das die Fläche unter einer Parabel, also das Integral
MehrComputersimulation des Qualitätstests
.1 Computersimulation des Qualitätstests In diesem Kapitel erreichen wir ein erstes entscheidendes Ziel: Wir ermitteln näherungsweise die Wahrscheinlichkeiten und für die Fehler 1. und. Art und zwar ohne
MehrDynamisches Huffman-Verfahren
Dynamisches Huffman-Verfahren - Adaptive Huffman Coding - von Michael Brückner 1. Einleitung 2. Der Huffman-Algorithmus 3. Übergang zu einem dynamischen Verfahren 4. Der FGK-Algorithmus 5. Überblick über
MehrLearning Expressive Linkage Rules using Genetic Programming
Learning Expressive Linkage Rules using Genetic Programming R. Isele and C. Bizer Seminarvortrag von Paul Dubs 29. Januar 2013 Fachbereich 20 Seminar aus maschinellem Lernen Paul Dubs 1 Einleitung Problem
Mehr