Hauptseminar Repräsentationen für Optimierungsalgorithmen
|
|
- Adolph Fischer
- vor 6 Jahren
- Abrufe
Transkript
1 Stefan Bens Hauptseminar Dresden,
2 Inhalt 1. Motivation 2. Einleitung 3. Repräsentationsarten und Eigenschaften 4. Beispiel 5. Zusammenfassung Folie 2
3 Als Repräsentation bezeichnet man die Kodierung der Lösungsmenge einer Optimierungsaufgabe Ein Problem kann mit verschiedenen Repräsentationen dargestellt werden Repräsentationen haben Einfluss auf: Qualität der Lösung Performanz (aus Rothlauf: OptiNet: Ein Optimierungswerkzeug für baumförmige Netzwerkprobleme, 2003) Folie 3
4 Einfaches Beispiel Repräsentation von a: Funktion f(a) mit der Bedingung: a N ; 0 a 99 Binär: 7 Bit für Kodierung aller Lösungskandidaten Bsp.: = 114 Entstehung nicht korrekter Lösungen Zusätzlicher Rechenaufwand Dezimal: Jedes Individuum aus zwei Zahlen zwischen 0 und 9 ist eine korrekte Lösung. Folie 4
5 Exkurs: Evolutionäre Algorithmen Rekombination Mutation Trennung der Repräsentationen von zwei (oder mehr) Individuen an einer zufälligen Stelle Aus einzelnen Teilen Erzeugung neuer Individuen Beispiel: Selektion Folie 5
6 Exkurs: Evolutionäre Algorithmen Rekombination Mutation Selektion Zufällige Änderung in der Repräsentation eines Individuums zur Überwindung lokaler Optima Darf nur kleine Änderungen im Individuum selbst erzeugen Beispiel: => Folie 6
7 Anwendung der Veränderungsoperatoren (wie Rekombination, Mutation) auf die Repräsentation einer Lösung Bestimmung der Qualität der Lösung durch Einsetzen der Lösung selbst in die Optimierungsaufgabe (wie bei Selektion) Folie 7
8 Zerlegung eines Optimierungsproblem f(x) in zwei Teilprobleme: 1. Abbildung der Genotypen auf die Phänotypen f g x g : g p Phänotyp = eine Lösung des Optimierungsproblems Genotyp = Beschreibung der Lösung; die Repräsentation Beispiel: natürliche Zahl 5 Phänotyp 101 Genotyp (binäre Repräsentation) 2. Abbildung der Phänotypen auf die Fitness f p x p : p R Fitness = Kosten, die eine Lösung in dem Optimierungsproblem erzeugt Folie 8
9 Binäre Repräsentation Codierung einer Lösung in einem Bitstring Codierung von ganzzahligen und reellen Zahlen ebenfalls möglich Ganzzahlig: hauptsächlich Verwendung von Gray-Code Vorteil: kleine Änderungen der Repräsentation führen auch zu kleinen Änderungen in der Lösung Reell: Genauigkeit der Lösung wird durch Anzahl Bits und Größe des Lösungsintervalls definiert Wird oft bei genetischen Algorithmen verwendet, bei denen der Mutationsoperator eine untergeordnete Rolle spielt Gut geeignet für kombinatorische Optimierungsprobleme (z.b. Rucksackproblem) Folie 9
10 Ganzzahlige Repräsentation Erweiterung des Alphabets der binären Repräsentationen Vorteil: mit String gleicher Länge lassen sich mehr Individuen kodieren Verhinderung der Erzeugung nicht korrekter Lösungen Oftmals dennoch Nutzung einer binären Repräsentation zur Darstellung ganzer Zahlen Evolutionäre Algorithmen: Verwendung der Standardoperatoren Rekombination und Mutation Folie 10
11 Reellwertige Repräsentation Codierung der Lösung mithilfe reeller Zahlen Findet häufig Verwendung bei mutationsbasierten Algorithmen (z.b. evolutionäre Programmierung) Veränderung einzelner Werte in der Lösung durch Addition mit kleinen Zufallszahlen Bei Algorithmen mit geringer Mutation Darstellung der reellen Werte durch binäre Repräsentationen Folie 11
12 Kombinierte Repräsentation Verwendung mehrerer Variablentypen Beispiel: Entwicklung von Getrieben Zahnräder besitzen Zähne (ganzzahlig) und einen Durchmesser (reellwertig) Repräsentation: Zähne als Binärstring, Durchmesser als Realzahl ( ,5) --> 19 Zähne, 23,5 mm Durchmesser Anwendung der Veränderungsoperatoren auf die einzelnen Teile der Lösung Anzahl Zähne wird durch binäre Operatoren verändert Durchmesser durch reellwertige Operatoren Folie 12
13 Repräsentation mithilfe von Permutation Bisher: in Lösungsvektor Veränderung der Werte der einzelnen Elemente, Positionen der Elemente im Vektor aber unverändert Hier: Veränderung der Positionen der einzelnen Elemente, deren Werte werden beibehalten Wichtig für Reihenfolgenprobleme Bsp.: Scheduling, Travelling Salesman Problem Folie 13
14 Direkte Repräsentation Operatoren zur Erzeugung neuer Lösungskandidaten (z.b. genetische Operatoren) werden direkt auf die Individuen angewendet Keine Abbildung Genotyp Phänotyp nötig Vorteil: Kein Verlust an Informationen durch Codierung Nachteile: Entwicklung geeigneter Operatoren schwierig, in vielen Fällen sind solche Operatoren gar nicht verfügbar Lösung ist problemspezifisch, kann also nicht weiter genutzt werden Folie 14
15 Eigenschaften Redundanz Anzahl Genotypen größer als Phänotypen Ein Individuum kann mehrfach beschrieben werden, dadurch Wahrscheinlichkeit höher, schnell eine optimale Lösung zu finden Durch diese Vergrößerung des Suchraums allerdings auch höherer Rechenaufwand, z.b. mehr Möglichkeiten der Mutationen Existenz von neutraler Mutation: eine Mutation im Genotyp führt zu keiner Änderung des Individuums Folie 15
16 Eigenschaften Redundanz Synonymously redundant representations Genotypen, die ein und dasselbe Individuum beschreiben, haben ähnliche Eigenschaften, unterscheiden sich also kaum Non-synonymously redundant representations Große Unterschiede in den Genotypen, obwohl Phänotypen identisch Folie 16
17 Eigenschaften Redundanz (aus Rothlauf: Representations for Evolutionary Algorithms) Folie 17
18 Eigenschaften Lokalität Beschreibt, welche Individuen durch benachbarte Genotypen beschrieben werden Hohe Lokalität alle benachbarten Genotypen erzeugen benachbarte Phänotypen Beispiel: Gray-Kodierung Geringe Lokalität Größerer Zufallseinfluss bei Problemlösung kleine Änderung des Genotypen (z.b. durch Mutation) kann große Änderung des Individuums erzeugen Folie 18
19 Eigenschaften Lokalität Beispiel: Prüfernummern P = 2233 P = 2231 (aus: Rothlauf: Representations for Genetic and Evolutionary Algorithms, Springer 2006) Folie 19
20 Aus: Optinet: Ein Optimierungswerkzeug für baumförmige Netzwerkprobleme, Rothlauf, 2003 Gegeben: Graph mit 5 Knoten Alle Kanten gewichtet Gesucht: Spannender Baum mit minimalen Kantenkosten Für n Knoten existieren n n-2 spannende Bäume (Cayley 1889) Hier: 5³ = 125 Bäume Folie 20
21 Charakteristischer Vektor Binäre Repräsentation Jeder Kante wird eine Position in einem binären Vektor zugeordnet A-B A-C A-D A-E B-C B-D B-E C-D C-E D-E Nachteile: Kantengewichte unberücksichtigt Erkennung und Reparatur nicht korrekter Lösungen Folie 21
22 Random Keys Permutationsrepräsentation mit reellen Zahlen zwischen 0 und 1 Redundant (synonymously), hohe Lokalität Bildung eines Vektor mit Zufallszahlen zwischen 0 und 1 Anordnung der Elemente der Lösung entsprechend der absteigend sortierten Reihenfolge der Zufallszahlen Beispiel: (0,53 ; 0,21 ; 0,78 ; 0,44) Permutationsvektor: Für eine Lösungsmenge ABCD würde sich ergeben: C A D B Folie 22
23 Network Random Keys Speziell für Baumprobleme Vektor der Länge n(n-1)/2 bei n Knoten (Anzahl der Kanten) Hier: n = 5 -- > Vektor der Länge 10 Kante A-B A-C A-D A-E B-C B-D B-E C-D C-E D-E Pos Wert 0,55 0,73 0,09 0,23 0,4 0,82 0,65 0,85 0,75 0,9 Folie 23
24 Prüfernummern Ganzzahlige Repräsentation Nicht redundant, geringe Lokalität Für einen Baum mit n Knoten: Prüfernummer ist ein String aus (n-2) Elementen Alphabet besteht aus n Symbolen Aus jedem spannenden Baum lässt sich eine Prüfernummer generieren und aus jeder Prüfernummer ein Baum Keine Reparaturmaßnahmen notwendig, da jede Prüfernummer einen korrekten Baum repräsentiert Nachteil: geringe Lokalität erschwert Lösung einfacher Probleme Folie 24
25 Prüfernummern 5 Knoten Prüfernummer besteht aus 3 Elementen Alphabet besteht aus 5 Symbolen, z.b. Zahlen 1 bis 5 Zugehörige Prüfernummer: P = 344 Folie 25
26 Folie 26
27 Weitere Beispiele Truck and Trailer Vehicle Routing Problem Aus: A Hybrid Multiobjective Evolutionary Algorithm For Solving Truck And Trailer Vehicle Routing Problems, Tan et.al., 2006 Ziel: Transport von Anhängern, dabei Minimierung von Anzahl LKW's und Transportdistanz Verwendung einer direkten Repräsentation, Lösungsvektoren haben variable Länge, Nutzung problemspezifischer genetischer Operatoren Vektor beschreibt kompletten Routingplan Besteht aus allen durchzuführenden Routen Route besteht aus Aufträgen, die von einem LKW ausgeführt werden Art des Auftrags wird mit einem ganzzahligen Wert beschrieben (hier 12 verschiedene Auftragsarten) Im Auftrag sind Start- und Zielpunkt enthalten --> Entfernung Folie 27
28 Weitere Beispiele Ansatz von Nakano und Yamada Aus: Conventional Genetic Algorithm for Job Shop Problems, Nakano, Yamada, 1991 Beschreibung von Maschinenbelegungsplänen Binäre Repräsentation einer Vorrangsbeziehung Vorrangsbeziehung bescheibt, ob ein Arbeitsgang A vor einem Arbeitsgang B ausgeführt wird, wenn beide die gleiche Maschine benötigen Maschinenbelegunsplan besteht aus binären Vektoren, die die einzelnen Vorrangsbeziehungen der Arbeitsgänge beschreiben Folie 28
29 Eine ungeeignete Repräsentation führt zu erhöhtem Rechenaufwand! Wahl der geeigneten Repräsentation abhängig vom Optimierungsproblem Verwendung von Repräsentationen mit hoher Lokalität zur Lösung einfacher Probleme Für reihenfolgenabhängige Probleme Nutzung von Permutationsrepräsentationen Kombinatorische Optimierungsprobleme (z.b. Rucksackproblem): binäre Repräsentation Optimierung von reellwertigen Variablen: Reellwertige Repräsentation und Nutzung eines Optimierungsalgorithmus mit Nachbarschaftssuche (z.b. mutationsbasierte EA, TabuSearch) Folie 29
30 Vielen Dank für die Aufmerksamkeit! Fragen? Folie 30
10. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 10. Vorlesung Stochastische Optimierung Genetische Algorithmen 10. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrSynthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
MehrGenetische und Evolutionäre Algorithmen (Vol. 1)
Vortrag über Genetische und Evolutionäre Algorithmen (Vol. ) von Adam El Sayed Auf und Kai Lienemann Gliederung: ) Einführung 2) Grundkonzept 3) Genaue Beschreibung des Genetischen Algorithmus Lösungsrepräsentation
MehrPopulationsbasierte Suche. Evolutionäre Algorithmen (1)
Populationsbasierte Suche Bisherige Meta-Heuristiken: Simulated Annealing Tabu Search Ausgehend von einer Lösung wird gesucht Populationsbasierte Heuristiken Suche erfolgt ausgehend von mehreren Lösungen
MehrOptimale Produktliniengestaltung mit Genetischen Algorithmen
Optimale Produktliniengestaltung mit Genetischen Algorithmen 1 Einleitung 2 Produktlinienoptimierung 3 Genetische Algorithmen 4 Anwendung 5 Fazit Seite 1 Optimale Produktliniengestaltung mit Genetischen
MehrSurvival of the Fittest Optimierung mittels Genetischer Algorithmen
Übung zu Organic Computing Survival of the Fittest Optimierung mittels Genetischer Algorithmen Sabine Helwig Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design) Universität Erlangen-Nürnberg sabine.helwig@informatik.uni-erlangen.de
Mehrx x x x Repräsentation von Lösungen (2) Repräsentation von Lösungen (1)
Repräsentation von Lösungen () Repräsentation von Lösungen () Kontinuierliche Optimierung: x x x x n Binäre Optimierung: n = (,,, ) R x = ( x, x,, x ) {0,} n n Lokale Suche: x i = x i + ε Lokale Suche:
MehrRepräsentation von Lösungen (1)
Repräsentation von Lösungen (1) Kontinuierliche Optimierung: Binäre Optimierung: x x1 x2 x n n = (,,, ) R x = ( x1, x2,, x ) {0,1} n n Lokale Suche: x i = x i + ε Lokale Suche: x i = 1-x i 0.5 0.9 0.2
MehrEvolutionäre / Genetische Algorithmen. Einführung in die Methoden der Künstlichen Intelligenz. Evolutionäre / Genetische Algorithmen (2) Beispiel
Evolutionäre / Genetische Algorithmen Einführung in die Methoden der Künstlichen Intelligenz PD Dr. David Sabel SoSe 0 Anwendungsbereich: Optimierung von Objekten mit komplexer Beschreibung Objekte: Üblicherweise
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Joachim Schauer Betriebliche Optimierung 1 / 31 1 Metaheuristische Verfahren 2 Joachim Schauer Betriebliche Optimierung 2 / 31 Einleitendes Metaheuristische Verfahren
MehrEinführung in die Methoden der Künstlichen Intelligenz. Evolutionäre Algorithmen
Einführung in die Methoden der Künstlichen Intelligenz Evolutionäre Algorithmen Dr. David Sabel WS 2012/13 Stand der Folien: 12. November 2012 Evolutionäre / Genetische Algorithmen Anwendungsbereich: Optimierung
Mehr2. Evolution als Optimierungsprinzip
2. Evolution als Optimierungsprinzip Biologen betrachten Evolution als Mechanismus, der in der Natur Lösungen für spezielle Probleme erzeugt Prinzipien der biologischen Evolution werden zur Lösung von
MehrEinführung in die Methoden der Künstlichen Intelligenz. Evolutionäre Algorithmen
Einführung in die Methoden der Künstlichen Intelligenz Prof. Dr. Manfred Schmidt-Schauß SoSe 2018 Stand der Folien: 9. Mai 2018 Evolutionäre / Genetische Algorithmen Anwendungsbereich: Optimierung von
MehrGenetische und Evolutionäre Algorithmen (Vol. 2)
Vortrag über Genetische und Evolutionäre Algorithmen (Vol. 2) von Adam El Sayed Auf und Kai Lienemann Gliederung: 4) Rückblick 5) Allgemeine Einführung 6) Genauere Beschreibung von Evolutionären Strategien
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 9 und 10: Evolutionäre Standardalgorithmen 1/69 LERNZIELE Die gängigen Standardalgorithmen, aus der Anfangszeit bis heute, werden vorgestellt. Die bekannten Standardalgorithmen
MehrKodierung Genetische Algorithmen und Simulated Annealing
Kodierung Genetische Algorithmen und Simulated Annealing Referenten Dipl.-Ing. (FH) Dipl.-Ing. (FH) 1 Agenda Erklärung des Genetischen Algorithmus f(x)=x² (2-dimensional) Verschiedene Codierungen Binärcode,
MehrGenetische Algorithmen
Genetische Algorithmen Prof. Dr. Ottmar Beucher Dezember 2001 Genetische Algorithmen 1 Optimierungsaufgaben Ein einfaches Beispiel Prinzipielle Formulierung Lösungsansätze Genetische Algorithmen Anwendungen
MehrComputational Intelligence
/ 4 Computational Intelligence Wintersemester 007/008 4. Genetische Algorithmen Stefan Berlik Fachgruppe Praktische Informatik FB, Elektrotechnik und Informatik Universität Siegen 5. November 007 Gliederung
MehrOptimierung. Vorlesung 12
Optimierung Vorlesung 12 Letze Woche Approximieren von ILP durch randomisiertes Runden. Beispiel Set Cove Relaxiertes LP lösen und runden. Probleme: 1. Zielfunktionswert 2. Zulässigkeit 1. Linearität des
MehrAnwendung genetischer Algorithmen zur Lösung des n Dame Problems und zur Optimierung von Autoprofilen
Anwendung genetischer Algorithmen zur Lösung des n Dame Problems und zur Optimierung von Autoprofilen Jana Müller Seminar Das Virtuelle Labor Otto von Guericke Universität Magdeburg Gliederung 1. Motivation
Mehr1. Evolutionsstrategien. 2. Genetische Algorithmen. Evolutionsstrategie / Genetischer Algorithmus. Dr. Markus Olhofer markus.olhofer(at)honda-ri.
Evolutionsstrategie / Genetischer Algorithmus 1. Evolutionsstrategien 200 150 100 (kontinuierliche Parameter) 50 0 10 2. Genetische Algorithmen 5 0-5 -10-10 -5 0 5 10 (diskrete Parameter in kombinatorischen
Mehr2.5 Evolutionäre (Genetische) Algorithmen
KI 1, SS 2011, Kapitel 2, GA 1 2.5 Evolutionäre (Genetische) Algorithmen Das Ziel bzw. die Aufgabe von evolutionären Algorithmen ist eine Optimierung von Objekten mit komplexer Beschreibung, wobei es variable
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 19 1 Joachim Schauer ( Institut für
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 7: Evolutionäre Standardalgorithmen 1/59 PRINZIPIEN EVOLUTIONÄRER ALGORITHMEN Es werden die Grundprinzipien erläutert, wie evolutionäre Algorithmen eine erfolgreiche Optimierung
MehrFundamente der Computational Intelligence
Fundamente der Computational Intelligence Dozent: Günter Rudolph Vertretung: Nicola Beume Wintersemester 2006/07 Universität Dortmund Fachbereich Informatik Lehrstuhl für Algorithm Engineering (LS11) Fachgebiet
MehrEvolutionäre Algorithmen Variation und genetische Operatoren
Evolutionäre Algorithmen Variation und genetische Operatoren Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut
MehrEvolution im Computer
Evolution im Computer Stephan Pirnbaum @spirnbaum Junior-Consultant @buschmais Steffen Gemkow @SteffenGemkow Geschäftsführer @ObjectFab Infinite-Monkey Theorem Man nehme: Unendliche Anzahl Affen Je Affe
MehrEvolutionäre (Genetische) Algorithmen
Evolutionäre (Genetische) Algorithmen Ziel, Aufgabe von evolutionären Algorithmen: Optimierung von Objekten mit komplexer Beschreibung, wobei es Parameter gibt. Die Objekte kodiert man so als Bitstrings,
MehrAllgemeine Betriebswirtschaftslehre Planungs- und Entscheidungstechniken
FernUniversität in Hagen Lehrstuhl für Betriebswirtschaftslehre, insb. Operations Research Prof. Dr. Wilhelm Rödder Allgemeine Betriebswirtschaftslehre Planungs- und Entscheidungstechniken Sandra Rudolph,
MehrEvolutionäre Algorithmen
Evolutionäre Algorithmen Variation und genetische Operatoren Prof. Dr. Rudolf Kruse Christian Moewes {kruse,cmoewes}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
MehrSystempartitionierung Evol. Algorithmen
Systempartitionierung Evol. Algorithmen Hw-Sw-Co-Design Übersicht Grundlagen Evolutionärer Algorithmen Strömungsrichtungen Hybride evolutionäre Algorithmen Systempartitionierung und -exploration 1 Einleitung
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
MehrGenetische Algorithmen. Uwe Reichel IPS, LMU München 8. Juli 2008
Genetische Algorithmen Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 8. Juli 2008 Inhalt Einführung Algorithmus Erweiterungen alternative Evolutions- und Lernmodelle Inhalt 1 Einführung
MehrGenetische Algorithmen
Genetische Algorithmen Von Valentina Hoppe und Jan Rörden Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Gliederung Biologische Evolution Genetischer Algorithmus Definition theoretischer
Mehr12. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 12. Vorlesung Stochastische Optimierung Differential Evolution 12. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrEvolu&onäre Algorithmen Kapitel 4: Operatoren
Evolu&onäre Algorithmen Kapitel 4: Operatoren Sanaz Mostaghim Lehrstuhl für Intelligente Systeme SS 2016 Outline Motivation Ein-Elter-Operatoren Zwei- oder Mehr-Elter-Operatoren Interpolierende und extrapolierende
MehrEvolution und Algorithmen
Kapitel 6 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrKap. 3: Exakte Lösungsverfahren für NPschwierige. Optimierungsprobleme VO Algorithm Engineering
Kap. 3: Exakte Lösungsverfahren für NPschwierige kombinatorische Optimierungsprobleme VO Algorithm Engineering 3.1 Einführung Professor Dr. Petra Mutzel 3.2 Komb. vs. Ganzzahlige Opt. Lehrstuhl für Algorithm
MehrImplementation und Evaluierung innovativer Heuristiken für die Anordnung von Entwurfsentscheidungen
Implementation und Evaluierung innovativer Heuristiken für die Anordnung von Entwurfsentscheidungen Diplomarbeit Thomas Scharler Universität Hamburg, FB Informatik, AB Tech Implementation und Evaluierung
MehrGenetische Algorithmen von der Evolution lernen
Genetische Algorithmen von der Evolution lernen (c) Till Hänisch 2003, BA Heidenheim Literatur zusätzlich zum Lit. Verz. Nils J. Nilsson Artificial Intelligence Morgan Kaufmann, 1998 Ansatz Bisher: Problemlösung
MehrRückblick: divide and conquer
Rückblick: divide and conquer pi = (xi,yi) } p å } ' }d(p,p) p ''=min(, ') F 0/0 p./95 weitere Algorithmentechniken Greedy-Algorithmen dynamische Programmierung Backtracking branch and bound Heuristiken
MehrKap. 7 Optimierung. Überblick. Optimierung: Einführung. Motivation. Beispiele für Optimierungsprobleme. Rundreiseprobleme (TSP)
Kap. 7 Optimierung Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 22. VO 2. TEIL DAP2 SS 2009 9. Juli 2009 Überblick Einführung Einige klassische Optimierungsprobleme,
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
MehrAlgorithmen für schwierige Optimierungsprobleme Vorlesung für den Bereich Bachelor Informatik
Algorithmen für schwierige Optimierungsprobleme Vorlesung für den Bereich Bachelor Informatik Dozent: Prof. Dr. Henning Meyerhenke Paralleles Rechnen, Fakultät für Informatik 1 KIT Universität des Landes
MehrComputational Intelligence 1 / 28. Computational Intelligence Evolutionsstrategien 3 / 28
1 / 28 Gliederung 1 Evolutionsstrategien Selektion Rekombination Mutation Ablauf 2 Genetische Programmierung Repräsentation Genetische Operatoren Ablauf Überblick Evolutionsstrategien 3 / 28 Repräsentation
Mehrb) Nennen Sie vier hinreichende Bedingungen für Evolution. b) Anzahl fortlaufender Einsen von rechts. c) Sind in a) oder b) Plateaus enthalten?
Übungsblatt LV Künstliche Intelligenz, Evolutionäre Algorithmen (), 204 Exercise. Evolution a) Finden Sie zwei Evolutionsbeispiele auÿerhalb der Biologie. Identizieren Sie jeweils Genotyp, Phänotyp, genetische
MehrInformatiCup 2009 EvolutionConsole
InformatiCup 2009 EvolutionConsole Wilhelm Büchner Hochschule 19. März 2010 1 1. Das Team Teammitglieder Ralf Defrancesco KION Information Services GmbH Systemadministrator Daniel Herken Scooter Attack
Mehrb) Nennen Sie vier hinreichende Bedingungen für Evolution. b) Anzahl fortlaufender Einsen von rechts. c) Sind in a) oder b) Plateaus enthalten?
Übungsblatt LV Künstliche Intelligenz, Evolutionäre Algorithmen (1), 2015 Aufgabe 1. Evolution a) Finden Sie zwei Evolutionsbeispiele auÿerhalb der Biologie. Identizieren Sie jeweils Genotyp, Phänotyp,
MehrSeminar "Optimierung mit evolutionären Algorithmen"
Universität Stuttgart Institut für Informatik Abteilung Seminar "Optimierung mit evolutionären Algorithmen" Seminararbeit zu genetischen Algorithmen Betreuer: Dipl. Math. Nicole Weicker Autor: Michael
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 6 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 16. Mai 2018 [Letzte Aktualisierung: 18/05/2018,
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
MehrComputational Intelligence
/ 44 Computational Intelligence Wintersemester 0/04. Evolutionäre Algorithmen II Stefan Berlik Fachgruppe Praktische Informatik Fakultät IV, Department Elektrotechnik und Informatik Universität Siegen
MehrGenetische Algorithmen
Michael Gerhäuser Universität Bayreuth 28.06.2008 1 Motivierende Beispiele 2 Grundbegriffe der biologischen Evolution 3 Formalisierung der Grundbegriffe 4 Modellierung mit Markov-Ketten 5 Konvergenzanalyse
MehrTeil II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006
Teil II Optimierung Gliederung 5 Einführung, Klassifizierung und Grundlagen 6 Lineare Optimierung 7 Nichtlineare Optimierung 8 Dynamische Optimierung (dieses Jahr nur recht kurz) (9 Stochastische Optimierungsmethoden
MehrGenetische Algorithmen
Genetische Algorithmen Shawn Keen Zusammenfassung Eine weitere Herangehensweise an das maschinelle Lernen ist die Nachahmung evolutionärer Prozesse. Hier wollen wir uns mit den sogenannten Genetischen
Mehr2. Von der Evolution zur Optimierung
2. Von der Evolution zur Optimierung Die Prinzipien der biologischen Evolution werden auf die Optimierung übertragen. Am Beispiel wird ein erster evolutionärer Algorithmus zur Optimierung konstruiert und
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in Netzwerken
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen Teil II Evolutionsfenster durch Mutation und sexuelle Rekombination Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Evolutionäre Algorithmen
MehrKapitel 3: Sortierverfahren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Das Travelling Salesperson Problem 2 Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie
Mehr21. Greedy Algorithmen. Aktivitätenauswahl, Fractional Knapsack Problem, Huffman Coding Cormen et al, Kap. 16.1, 16.3
581 21. Greedy Algorithmen Aktivitätenauswahl, Fractional Knapsack Problem, Huffman Coding Cormen et al, Kap. 16.1, 16.3 Aktivitäten Auswahl 582 Koordination von Aktivitäten, die gemeinsame Resource exklusiv
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 22 1 Das Travelling Salesperson Problem
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität Gierige Algorithmen: Berechne Lösung schrittweise In jedem Schritt mache lokal optimale Wahl Daumenregel: Wenn optimale Lösung
MehrGierige Algorithmen Interval Scheduling
Gierige Algorithmen Interval Scheduling IntervalScheduling(s,f). n length[s] 2. A {} 3. j 4. for i 2 to n do 5. if s[i] f[j] then 6. A A {i} 7. j i 8. return A Gierige Algorithmen Interval Scheduling Beweisidee:
Mehrlineare Programmierung
lineare Programmierung Viele Probleme sind durch lineare Gleichungssysteme charakterisiert lineare Programmiermethoden Der Lösungsraum ist häufig auf ganze Zahlen oder gar natürliche Zahlen eingeschränkt!
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 =
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL3 6 Punkte Aufgabe. Die Folge (a n ) n N natürlicher Zahlen a n sei rekursiv definiert durch a 0 = 0, a n = a n + n falls
Mehr1. Inhaltsverzeichnis
1. Inhaltsverzeichnis Inhaltsverzeichnis 1. Einleitung 1.1. Darwins Evolutionstheorie 1.2. Darwins Evolutionstheorie als Inspiration für Evolutionäre Algorithmen 1.3. Die Unterschiede der verschiedenen
MehrFormale Grundlagen der Informatik F3: Berechenbarkeit un
Formale Grundlagen der Informatik F3: Berechenbarkeit und Komplexität Fachbereich Informatik AB Theoretische Grundlagen der Informatik (TGI) Universität Hamburg farwer@informatik.uni-hamburg.de 14. Dezember
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
MehrKonstruktions-Verbesserungsheuristiken. Iterierte lokale Suche (ILS)
Konstruktions-Verbesserungsheuristiken Iterierte lokale Suche (ILS) Idee: 2-Phasen-Suche 1. Phase: Randomisierte Konstruktionsheuristik 2. Phase: Lokale Suche Beispiele: Multi-Start lokale Suche GRASP:
MehrDiskrete Strukturen. Name Vorname Studiengang Matrikelnummer. Hörsaal Reihe Sitzplatz Unterschrift ... Allgemeine Hinweise
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 7 Prof. Dr. Javier Esparza Wintersemester 2008/09 Abschlussklausur 7. Februar 2009 Diskrete Strukturen Name Vorname Studiengang
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
MehrAnwendung: Das Travelling Salesman Problem
Proseminar Genetische und Evolutionäre Algorithmen SS2002 Anwendung: Das Travelling Salesman Problem Matthias Raab 1. Einführung 2. Kodierungen und zugehörige Operatoren 2.1 Adjacency Representation 2.1.1
MehrAlgorithmen und Datenstrukturen
Martin Dietzfelbinger Kurt Mehlhorn Peter Sanders Algorithmen und Datenstrukturen Die Grundwerkzeuge Springer Vieweg 1 Vorspeise: Arithmetik für ganze Zahlen 1 1.1 Addition 2 1.2 Multiplikation: Die Schulmethode
MehrP2P. Architektur zur verteilten Berechnung evolutionärer Algorithmen. Michael Rasenberger
P2P Architektur zur verteilten evolutionärer Algorithmen Michael Rasenberger Inhalt P2P EA Das Ziel Desweiteren Inhalt P2P - eine neue alte Architektur EA und ealib - ein kurzer Einblick Das Ziel & einige
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
MehrMuster. Informatik 3 (Februar 2004) Name: Matrikelnummer: Betrachten Sie den folgenden Suchbaum. A G H J K M N
2 von 15 Aufgabe 1: Suchbäume (14 ) Betrachten Sie den folgenden Suchbaum. A B C D E F G H I J K L M N O P R (a) (1 Punkt ) Geben Sie die Höhe des Knotens F an. (b) (1 Punkt ) Geben Sie die Tiefe des Knotens
MehrDas Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering
Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 22 (20.7.2016) Greedy Algorithmen - Datenkompression Algorithmen und Komplexität Greedy Algorithmen Greedy Algorithmen sind eine Algorithmenmethode,
MehrTechnische Universität Chemnitz. Ein Genetischer Algorithmus zur simultanen Dimensionierung und Strukturierung von Fertigungssystemen
Ein Genetischer Algorithmus zur simultanen Dimensionierung Strukturierung von Fertigungssystemen JENS ARNOLD Fakultät für Informatik D-09107 Chemnitz E-Mail: Jens.Arnold@informatik.tu-chemnitz.de THOMAS
MehrÜbersicht. Aktivitäten-Auswahl-Problem. Greedy Algorithmen. Aktivitäten-Auswahl-Problem. Aktivitäten-Auswahl-Problem. Datenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Übersicht Greedy Algorithmen Einführung Aktivitäten-Auswahl-Problem Huffman Codierung Matthias Zwicker Universität Bern Frühling 2009 2 Greedy Algorithmen Entwurfsstrategie
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 21 (11.7.2018) String Matching (Textsuche) II Greedy Algorithmen I Algorithmen und Komplexität Textsuche / String Matching Gegeben: Zwei
MehrWarum konvergieren Genetische Algorithmen gegen ein Optimum?
1 / 21 Gliederung 1 Das Schematheorem Motivation Begriffe Herleitung Ergebnis Das Schematheorem Das Schematheorem Motivation 3 / 21 Warum konvergieren Genetische Algorithmen gegen ein Optimum? Theoretische
MehrSeminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen
Fachhochschule Wedel - SS 2006 Seminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen Marco Lehmann (wi5909) m@rco-l.de 3. Juli 2006 Gliederung 1.
MehrEvolutionäre Algorithmen - Kapitel 15
Evolutionäre Algorithmen - Kapitel 15 Metaheuristiken Prof. Dr. Rudolf Kruse ÖÙ Û º ºÙÒ ¹Ñ ÙÖ º Fakultät für Informatik Otto-von-Guericke-Universität Magdeburg 9. Juni 2008 R. Kruse (Uni Magdeburg) Metaheuristiken
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
MehrOptimierung und Entwurf mit Evolutionären Algorithmen
Fakultät Informatik, Institut für Angewandte Informatik, Lehrstuhl für Technische Informationssysteme Optimierung und Entwurf mit Evolutionären Algorithmen Dresden, 01.02.2007 Gliederung natürliche Evolution
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Lerneinheit 3: Greedy Algorithmen Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2016 10.5.2016 Einleitung Einleitung Diese Lerneinheit
MehrEvolutionäre Algorithmen
Karsten Weicker Evolutionäre Algorithmen 2., überarbeitete und erweiterte Auflage m Teubner Inhaltsverzeichnis 1 Natürliche Evolution 1 1.1 Entwicklung der evolutionären Mechanismen 2 1.2 Evolutionsfaktoren
Mehr15 Grundlagen der Simulation
15 Grundlagen der Simulation 15.1 Einführung Komplexe Problemstellungen, die einer analytischen Behandlung nur sehr schwer oder gar nicht zugänglich sind Lösung von diskreten (oder analytischen) Optimierungsaufgaben,
MehrKapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen
Kapitel 4 Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen 1 Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal spannende Bäume 5. Kürzeste Pfade 6. Traveling Salesman Problem 7. Flüsse
Mehr