Lösung von Optimierungsproblemen mit Monte Carlo Methoden
|
|
- Albert Bachmeier
- vor 6 Jahren
- Abrufe
Transkript
1 Lösung von Optimierungsproblemen mit Monte Carlo Methoden Am Beispiel des Problem des Handlungsreisenden Vortragende: Alexandra Vosseler
2 Inhaltsverzeichnis I. Einleitung II. Optimierung mit MCM II.i Vom Metropolisalgorithmus zum Problem des Handlungsreisenden II.ii Das Problem des Handlungsreisenden III. Schlusswort 2
3 I. Einleitung Motivation: komplexe Optimierungsprobleme aus diversen Bereichen Quelle [a] Quelle [c] Quelle [b] 3
4 I. Einleitung Lösung dieser Probleme durch: a) deterministische Methoden Rechenaufwand für exakte Lösung explodiert b) stochastische Optimierung (Monte Carlo Methoden) Lösung mit Abweichungen vom Optimum 4
5 II. Optimierung mit Monte Carlo Methoden Monte Carlo Methode Methode zur numerischen Lösung von analytisch schwer oder unlösbaren Problemen P(x) normiertes statistisches Gewicht A(x) Größe A im Zustand x Ω Phasenraum 5
6 Methoden zur Abschätzung der Zielverteilung Verschiedene Vorgehensweisen mit MC: Importance Sampling (unkorrelierte Stichproben) korrelierte Stichproben Optimierung 6
7 Optimierungsalgorithmen Beispiele für Algorithmen zur Optimierung: Genetische Algorithmen Metropolisalgorithmus Simuliertes Abkühlen Schwellenakzeptanz 7
8 II.i vom Metropolisalgorithmus zum Problem des Handlungsreisenden Der Metropolisalgorithmus: 1953 von Metropolis et al. entwickelt Grundidee: Entwicklung eines Markov-Prozesses zur Schätzung der Zielverteilung Quelle [d] 8
9 Iterationsschritte des Metropolisalgorithmus M1: Schlage unverzerrte Störung des aktuellen Zustands x (t) vor, um neue Konfiguration x` zu erhalten. Berechne die Änderung M2: Generiere Zufallszahl U є [0,1], sodass 9
10 Das Konzept der Energielandschaft Abb. 1: Schematische Darstellung der Energielandschaft eines komplexen Systems [e] 10
11 random walk auf einem Potential random walk im Phasenraum mit kanon. Ensemble V(x) pot. Energie im Zustand x Quelle: [f ] 11
12 Eine Erweiterung des Metropolisalgorithmus: simuliertes Abkühlen naturanaloge Optimierungsmethode, Vorbild: Eisenhüttenwesen Unterschied zu Metropolis: anstelle konstanter Temperatur langsames Absenken der Temperatur Anwendung auf reale Optimierungs- probleme 12
13 II.i Das Problem des Handlungsreisenden Quelle [g] 13
14 Das Problem des Handlungsreisenden kombinatorisches Optimierungsproblem NP-äquivalent (nondeterministicpolynomial time) Beweis 1972: Hamiltonkreisproblem nicht mehr durch direkte Anwendungen motiviert, sondern als Modell zur Entwicklung neuer Optimierungsverfahren 14
15 zu lösendes Problem Quelle [h] 15
16 Das Problem des Handlungsreisenden (N-1)! mögliche Routen, beginnend bei einer bestimmten Stadt primitivste deterministische Lösung mit 3 GHz Prozessor: N=13: N=100: Rechenzeit ~ wenige Minuten Rechenzeit ~ Jahre bisher: Optimum für N max =85900 gefunden (mit dem Programm Concorde) 16
17 Die kürzeste Tour durch Frankreichs 13 größte Städte simuliertes Abkühlen Schritt 1: Erstelle Anfangskonfiguration; wähle Parameter Temperatur 17
18 Simuliertes Abkühlen: Schritt 2 Erstelle neue Tour, berechne Energiedifferenz s i-1 s i s i+1 s j-1 s j s j+1 s i-1 s j s j-1 s i+1 s i s j+1 Vergleiche aktuelle π(x (t) ) und Probekonfiguration π(x ) Behalte x und setze x = x (t+1), wenn die neue Tour energetisch günstiger oder maximal um T ungünstiger ist als die aktuelle Quelle [i] 18
19 Simuliertes Abkühlen: Schritt 3 führe eine vorgegebene Anzahl von derartigen Iterationsschritten durch dann: verringere den Parameter Temperatur um ΔT Wiederhole diesen Prozess solange, bis T 0 19
20 Ergebnis für die 13 größten Städte Frankreichs 20
21 III. Schlusswort Annäherung an gesuchtes Optimum durch geschickte Wahl von Parametern eines Algorithmus Verbesserung im Vergleich zu deterministischen Methoden aber: falsche Wahl von Schätzern kann auch zu Verschlechterungen führen 21
22 Quellen Literatur: [1] Jun S. Liu, Monte Carlo Strategies in Scientific Computing, Springer [2] K. H. Hoffmann, M. Schreiber, Computational Statistical Physics From Billiards to Monte Carlo, Springer [3] Bolhuis et al., Transition Path Sampling: Throwing Ropes Over Rough Mountain Passes, in the Dark, Annual Review of Physical Chemistry, Volume 53, 2002 [4] C. J. Luchsinger, Angewandte Stochastik Universität Basel 22
23 Quellen (2. Teil) Abbildungen: [a] leiterbahnen_sxc.jpg [b] Daimler, Mercedeswerk Marienfelde [c] [d] [e] aus [3] S.318 (Anhang) [f] aus [3] S.294 [g] [h] _problem [i] np/tsp/roundtrip.htm 23
Hauptseminar. Monte-Carlo-Methoden, stochastische Schätzungen und deren Unsicherheit. Robert John 2.11.2011
Hauptseminar Monte-Carlo-Methoden, stochastische Schätzungen und deren Unsicherheit Robert John 1 Inhalt Herkunft Stochastische Schätzung Monte-Carlo-Methode Varianzreduktion Zufallszahlen Anwendungsgebiete
MehrCOMPUTERSIMULATIONEN. Ein Überblick
COMPUTERSIMULATIONEN Ein Überblick Ziel: Vorhersage der makroskopischen Eigenschaften eines Systems. Geht das? Newton: Ja: F=m a gibt an, wie sich das System mit der Zeit entwickelt Laplace: Im Prinzip
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrMonte Carlo Simulation des 2-D Ising Modells
Monte Carlo Simulation des -D Ising Modells Seminararbeit am Institut für theoretische Physik an der TU Braunschweig Von Thomas Schart WS 004/05 1 Inhaltsverzeichnis: 1. Einleitung...3. Das Ising Modell...6
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und
MehrMarkov-Ketten-Monte-Carlo-Verfahren
Markov-Ketten-Monte-Carlo-Verfahren Anton Klimovsky 21. Juli 2014 Strichprobenerzeugung aus einer Verteilung (das Samplen). Markov- Ketten-Monte-Carlo-Verfahren. Metropolis-Hastings-Algorithmus. Gibbs-Sampler.
MehrMonte Carlo Simulation
Monte Carlo Simulation M. Alexander Thomas 1. Juni 26 Zusammenfassung Die Monte Carlo Methode ist ein in vielen Bereichen nicht mehr wegzudenkendes Hilfsmittel zur Berechung und Simulation wissenschaftlicher
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
MehrMathematik des Hybriden Monte-Carlo. Marcus Weber. Zuse Institute Berlin
Mathematik des Hybriden Monte-Carlo Marcus Weber Zuse Institute Berlin Statistische Thermodynamik Ziel: Am Computer ein Ensemble samplen. Messung im Gleichgewicht (zeitunabhängige Verteilung π der Systemzustände
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
MehrVon den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren
Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren Michael Unrau HS WS 08/09 14 November 2008 HS 08/09 Monte-Carlo Methoden 14 November 2008 1 / 24
MehrMonte-Carlo-Simulation
Modellierung und Simulation Monte-Carlo-Simulation Universität Hamburg Johannes Schlundt 7. Januar 2013 Monte-Carlo-Simulation Johannes S. 1/31 Inhalt Motivation Geschichtliche Entwicklung Monte-Carlo-Simulation
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
MehrMonte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 014 Inhaltsverzeichnis Inhaltsverzeichnis 1 Was sind Monte Carlo Simulationen? 3 Zufallszahlen 3
MehrLogistik: Rundreisen und Touren
Logistik: Rundreisen und Touren 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Von Universitätsprofessor Dr. Wolfgang
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
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
MehrPR Statistische Genetik und Bioinformatik
PR Statistische Genetik und Bioinformatik Johanna Bertl Institut für Statistik und OR, Universität Wien Oskar-Morgenstern-Platz 1/6.344, 1090 Wien, Tel.: 01-4277-38617 johanna.bertl@univie.ac.at, homepage.univie.ac.at/johanna.bertl
MehrInvestition und Risiko. Finanzwirtschaft I 5. Semester
Investition und Risiko Finanzwirtschaft I 5. Semester 1 Gliederung Ziel Korrekturverfahren: Einfache Verfahren der Risikoberücksichtigung Sensitivitätsanalyse Monte Carlo Analyse Investitionsentscheidung
MehrMonte Carlo Methoden
Monte Carlo Methoden im Verstärkungslernen [Spink] Bryan Spink 2003 Ketill Gunnarsson [ ketill@inf.fu-berlin.de ], Seminar zum Verstärkungslernen, Freie Universität Berlin [ www.inf.fu-berlin.de ] Einleitung
MehrAufabe 7: Baum-Welch Algorithmus
Effiziente Algorithmen VU Ausarbeitung Aufabe 7: Baum-Welch Algorithmus Florian Fest, Matr. Nr.0125496 baskit@generationfun.at Claudia Hermann, Matr. Nr.0125532 e0125532@stud4.tuwien.ac.at Matteo Savio,
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
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
MehrNicht-rekombinierbare Binomialbäume und ihre Anwendung in der Finanzmathematik Betreuer: Lars Grüne
Nicht-rekombinierbare Binomialbäume und ihre Anwendung in der Finanzmathematik Betreuer: Lars Grüne Michaela Baumann Universität Bayreuth Dornbirn, 12. März 2015 Motivation Ein Kunde möchte bei einer Bank
MehrENTSCHEIDUNGSUNTERSTÜTZUNG IN DER CHEMIEANLAGENPLANUNG
ENTSCHEIDUNGSUNTERSTÜTZUNG IN DER CHEMIEANLAGENPLANUNG Richard Welke, Karl-Heinz Küfer, Anton Winterfeld, Fraunhofer ITWM, Norbert Asprion, BASF SE 7. Symposium Informationstechnologien für Entwicklung
MehrSOFT COMPUTING TOOLS FÜR DIE ANALYSE KOMPLEXER BETRIEBLICHER PROBLEME
SOFT COMPUTING TOOLS FÜR DIE ANALYSE KOMPLEXER BETRIEBLICHER PROBLEME Christina Klüver COBASC-Research Group www.cobasc.de Universität Duisburg-Essen VERFAHREN Zellularautomaten Evolutionäre Algorithmen
MehrInhaltsverzeichnis 12.01.2015. 1. Grundbegriffe. 2. Einführung in die statistische Mechanik. 3. Normalmoden. 4. Molekulardynamik
Inhaltsverzeichnis 1. Grundbegriffe 2. Einführung in die statistische Mechanik 3. ormalmoden 4. Molekulardynamik 5. Monte -Carlo Simulationen 6. Finite-Elemente Methode 1 Casino in Monte Carlo, Monaco
MehrAlles zu seiner Zeit Projektplanung heute
Alles zu seiner Zeit Projektplanung heute Nicole Megow Matheon Überblick Projektplanung Planen mit Graphentheorie Maschinenscheduling Ein 1 Mio. $ Problem Schwere & leichte Probleme? Zeitplanungsprobleme?
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
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
MehrPraktikum Algorithmische Anwendungen WS 2006/2007
Praktikum Algorithmische Anwendungen WS 2006/2007 Traveling Salesman Problem Team A_gelb_Ala0607 Roman Pyro 11042289 ai821@gm.fh-koeln.de Markus A. Müller 11043150 ai820@gm.fh-koeln.de René Hilger 11043210
MehrNP-Vollständigkeit. Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984)
NP-Vollständigkeit Krautgartner Martin (9920077) Markgraf Waldomir (9921041) Rattensberger Martin (9921846) Rieder Caroline (0020984) 0 Übersicht: Einleitung Einteilung in Klassen Die Klassen P und NP
MehrInformatik Aufgaben. 1. Erstelle ein Programm zur Berechnung der Summe der Zahlen von 1 bis n, z.b. n = 100.
Informatik Aufgaben 1. Erstelle ein Programm zur Berechnung der Summe der Zahlen von 1 bis n, z.b. n = 100. 2. Erstelle ein Programm, das die ersten 20 (z.b.) ungeraden Zahlen 1, 3, 5,... ausgibt und deren
MehrDieter SÜSS und Klaus MACHATA
Globaler Optimierungsalgorithmus für überlagerungsfreie Darstellung von Objekten in der neuen Elektronischen Unfallsteckkarte des Kuratorium für Verkehrssicherheit Dieter SÜSS und Klaus MACHATA Zusammenfassung
Mehr2.5.2 Selbstorganisierte Karten: das Modell von Kohonen. Weil es beim Perzeptron keine Wechselwirkung in der Verarbeitungsschicht
2.5.2 Selbstorganisierte Karten: das Modell von Kohonen Weil es beim Perzeptron keine Wechselwirkung in der Verarbeitungsschicht zwischen den einzelnen Neuronen gibt, spielt deren räumliche Anordnung keine
Mehr38. Algorithmus der Woche Zufallszahlen Wie kommt der Zufall in den Rechner?
38. Algorithmus der Woche Zufallszahlen Wie kommt der Zufall in den Rechner? Autor Tim Jonischkat, Universität Duisburg-Essen Bruno Müller-Clostermann, Universität Duisburg-Essen Algorithmen sind clevere
MehrKennfeldverbreiterung eines Radialverdichters für Abgasturbolader durch multidisziplinäre CFD-FEM-Optimierung mit FINE /Turbo
2011 Kennfeldverbreiterung eines Radialverdichters für Abgasturbolader durch multidisziplinäre CFD-FEM-Optimierung mit FINE /Turbo Th. Hildebrandt, L. Gresser, M. Sievert Inhaltsverzeichnis 01 02 03 04
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
MehrPhoton Mapping. Proseminar How to make a P I X A R movie. Inhaltsverzeichnis. Andreas Schmidt 2011
Photon Mapping Proseminar How to make a P I X A R movie Andreas Schmidt 2011 Inhaltsverzeichnis Zusammenfassung...2 Motivation...2 Photon Tracing Pass...3 Aussenden der Photonen...3 Russisches Roulette...3
MehrLebenslauf. von Mario Ullrich
Lebenslauf von Mario Ullrich Mathematisches Institut Friedrich Schiller Universität Jena Ernst-Abbe-Platz 2 07743 Jena, Germany Tel.: (+49) 3641 946111 E-mail: ullrich.mario@gmail.com Persönliche Angaben
MehrDie k kürzesten Wege in gerichteten Graphen
Die k kürzesten Wege in gerichteten Graphen Marc Benkert Wintersemester 001/00 1 Einführung 1.1 Problemstellung In einem gerichteten, gewichteten Graphen G = (V, E) sollen die k kürzesten Wege zu zwei
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
MehrDatenstrukturen und Algorithmen SS07
Datenstrukturen und Algorithmen SS07 Datum: 27.6.2007 Michael Belfrage mbe@student.ethz.ch belfrage.net/eth Programm von Heute Online Algorithmen Update von Listen Move to Front (MTF) Transpose Approximationen
MehrDie Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen
Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Marco A. Harrendorf Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Karlsruhe Institut für Technologie (KIT) 25.11.2011
MehrOptimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg
Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei
MehrKlausur zur Vorlesung Methoden der empirischen Kapitalmarktforschung
Universität Augsburg Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Finanz und Bankwirtschaft Matrikelnummer Klausur zur Vorlesung Methoden der empirischen Kapitalmarktforschung Prof. Dr. Marco Wilkens
MehrZusammenfassung der 8. Vorlesung
Zusammenfassung der 8. Vorlesung Beschreibung und und Analyse dynamischer Systeme im im Zustandsraum Steuerbarkeit eines dynamischen Systems Unterscheidung: Zustandssteuerbarkeit, Zustandserreichbarkeit
MehrMaximizing the Spread of Influence through a Social Network
1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrSpin-Modelle und Monte-Carlo Simulationen
Spin-Modelle und Monte-Carlo Simulationen Ralf Gamillscheg Technische Universität Graz 12. 1. 2006 Ralf Gamillscheg (TUG) Monte Carlo Simulationen 12. 1. 2006 1 / 22 Einleitung Spins uä. Statistische Physik
MehrQuelle: (1) Brixner, Physik. Blätter, 2001. Kohärente Kontrolle von chemischen Reaktionen mittels Lasern
Quelle: (1) Brixner, Physik. Blätter, 2001 Kohärente Kontrolle von chemischen Reaktionen mittels Lasern Gliederung 1. Motivation 2. Einfache Kontrollschemata 3. Optimale Kontrolle und Lernschleife 4. Ausblick
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
MehrMining top-k frequent itemsets from data streams
Seminar: Maschinelles Lernen Mining top-k frequent itemsets from data streams R.C.-W. Wong A.W.-C. Fu 1 Gliederung 1. Einleitung 2. Chernoff-basierter Algorithmus 3. top-k lossy counting Algorithmus 4.
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Typische Prüfungsfragen Die folgenden Fragen dienen lediglich der Orientierung und müssen nicht den tatsächlichen Prüfungsfragen entsprechen. Auch Erkenntnisse aus den
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
MehrComputational Finance
Computational Finance Kapitel 2.2: Monte Carlo Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4 / WiWi-Gebäude
MehrHowTo: Einrichtung von L2TP over IPSec VPN
HowTo: Einrichtung von L2TP over IPSec VPN [Voraussetzungen] 1. DWC-1000/2000 mit Firmware Version: 4.4.1.2 und höher mit aktivierter VPN-Lizenz 2. DSR-150N,250N,500N,1000N,1000AC mit Firmware Version
MehrKomplexitätstheorie Einführung und Überblick (Wiederholung)
Literatur C. Papadimitriou UC Berkeley Zum Komplexitätsbegriff Strukturelle Komplexität Average Case Analyse Effiziente Algorithmen Logische Komplexität Beschreibungssprachen: SQL Kolmogorov Komplexität
MehrProjekt 2. Ising Modell: Monte Carlo Sampling auf dem Gitter, Phasenübergänge (Kurt Langfeld) 2.1 Das Ising Modell. 2.1.
Projekt 2 Ising Modell: Monte Carlo Sampling auf dem Gitter, Phasenübergänge (Kurt Langfeld) 2.1 Das Ising Modell 2.1.1 Allgemeines Das Ising Modell realisiert eine sehr vereinfachte Vorstellung von einem
MehrMonaco Kontrollierbare IMRT-Planung. Dr. Gustav Meedt Neuruppin, 27.3.2008
Monaco Kontrollierbare IMRT-Planung Dr. Gustav Meedt Neuruppin, 27.3.2008 Monaco Integriertes IMRT Planungssystem Monaco Monaco Kontrolle in IMRT? Kontrolle in IMRT Verschreibung Optimierung Applikation
MehrKomplexität und Komplexitätsklassen
Dr. Sebastian Bab WiSe 12/13 Theoretische Grundlagen der Informatik für TI Termin: VL 21 vom 21.01.2013 Komplexität und Komplexitätsklassen Die meisten Probleme mit denen wir zu tun haben sind entscheidbar.
MehrEntwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words
Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words André Viergutz 1 Inhalt Einführung. Einordnung der Arbeit in die zugrunde liegenden Konzepte Das Modell der Fields
MehrIn-Silico-Toxikologie Modellbasierte Molekül-Simulationen
Modellbasierte Molekül-Simulationen Dr. Marcus Weber Arbeitsgruppenleiter Computational Drug Design Zuse-Institut Berlin (ZIB) Mitglied im MATHEON Geschäftsführer molconcept GmbH In-Vivo In-Vitro In-Silico
MehrTeil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29
1 29 Teil III: Routing - Inhalt I Literatur Compass & Face Routing Bounded & Adaptive Face Routing Nicht Ω(1) UDG E. Kranakis, H. Singh und Jorge Urrutia: Compass Routing on Geometric Networks. Canadian
MehrDas Lastverteilungsproblem
Das Lastverteilungsproblem Approximationsalgorithmen Referent Franz Brauße Veranstaltung Proseminar Theoretische Informatik Universität Trier, FB IV Dozent Prof. Dr. Henning Fernau 23.02.2012 Übersicht
MehrStatistische Methoden der Datenanalyse
Aktuelle Probleme der experimentellen Teilchenphysik (Modul P23.1.2b) Statistische Methoden der Datenanalyse Ulrich Husemann Humboldt-Universität zu Berlin Wintersemester 2010/2011 Vorstellung Vorlesung:
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
MehrBewertung von Forwards, Futures und Optionen
Bewertung von Forwards, Futures und Optionen Olaf Leidinger 24. Juni 2009 Olaf Leidinger Futures und Optionen 2 24. Juni 2009 1 / 19 Überblick 1 Kurze Wiederholung Anleihen, Terminkontrakte 2 Ein einfaches
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrEfficient Monte Carlo Simulation of Tunnel Currents in MOS Structures
Efficient Monte Carlo Simulation of Tunnel Currents in MOS Structures D. Grgec, M.I. Vexler, C. Jungemann, B. Meinerhagen Grg-P/02-1 Presentation Outline Introduction: quantum effects in MOS structures
MehrProbabilistisches Tracking mit dem Condensation Algorithmus
Probabilistisches Tracking mit dem Condensation Algorithmus Seminar Medizinische Bildverarbeitung Axel Janßen Condensation - Conditional Density Propagation for Visual Tracking Michael Isard, Andrew Blake
Mehr12. Vorlesung Spieltheorie in der Nachrichtentechnik
12. Vorlesung Spieltheorie in der Nachrichtentechnik Vorlesung: Eduard Jorswieck Übung: Rami Mochaourab Sommersemester 2010 Evolutionäre Spieltheorie Hines (1987): Game theory s greatest success to date
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie
MehrInformationsgehalt von Messungen von IR-Bildsensor und FTIR Spektrometer für die Bestimmung von CO2 und CO Säulengehalten über Vegetationsfeuern
Informationsgehalt von Messungen von IR-Bildsensor und FTIR Spektrometer für die Bestimmung von CO2 und CO Säulengehalten über Vegetationsfeuern M.HESS, F.SCHREIER und A.DOICU Institut für Methodik der
MehrGitter-Monte-Carlo-Simulation des quantenmechanischen Pfadintegrals
Gitter-Monte-Carlo-Simulation des quantenmechanischen Pfadintegrals Joshua Berlin, Marc Wagner berlin@th.physik.uni-frankfurt.de, mwagner@th.physik.uni-frankfurt.de Goethe-Universität Frankfurt am Main
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 Organisatorisches Vorlesung: Übungsbetreuung: Übungen: Programmierübungen: Alexander Wolff (E29) Jan Haunert (E27) Markus Ankenbrand Titus Dose Alexej
MehrCredit Metrics. Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc.
Wurde bei J.P.Morgan entwickelt. Credit Metrics Wird in erster Linie für die Evaluierung von Bond Portfolios verwendet. (Siehe Crouhy et al. (2000), J.P.Morgan Inc. (1997)) Basiert auf ein Bonität-Einstufungssystem
MehrCommercial Banking. Kreditportfoliosteuerung
Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung
MehrAutomatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung
Prof. Dr. Gerhard Arminger Dipl.-Ök. Alexandra Schwarz Bergische Universität Wuppertal Fachbereich Wirtschaftswissenschaft Fach Statistik Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten
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.
MehrSpezifische Wärmekapazität
Versuch: KA Fachrichtung Physik Physikalisches Grundpraktikum Erstellt: L. Jahn B. Wehner J. Pöthig J. Stelzer am 01. 06. 1997 Bearbeitet: M. Kreller J. Kelling F. Lemke S. Majewsky i. A. Dr. Escher am
MehrApproximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling
Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani
MehrDie Monte-Carlo-Methode mit Pseudound Quasi-Zufallszahlen
Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Die Monte-Carlo-Methode mit Pseudound Quasi-Zufallszahlen Marco A. Harrendorf Karlsruhe Institut für Technologie, Bachelor Physik Vortrag
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Problem: Auswertung der Zustandssumme Wie können Q, und berechnet werden? Q = (1/V) n exp{- ß U(r 1, r 2,..., r N )} dr 1 dr 2...dr N (1) = (1/Q) (1/V N ) U(r 1, r
MehrPotenziale einer in-silico-unterstützten Bewertung von HAMR
Potenziale einer in-silico-unterstützten Bewertung von HAMR Dr. Marcus Weber, AG-Leiter Computational Drug Design Konrad-Zuse-Zentrum für Informationstechnik Berlin www.zib.de/weber Eintrag von toxischen
MehrNumerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
MehrDipl.-Wi.-Inform. (FH) Robert Siegfried
Dipl.-Wi.-Inform. (FH) Robert Siegfried Analyse von multikanonischen Monte Carlo Simulationen für Anwendungen aus dem Gebiet der optischen Nachrichtentechnik Masterarbeit Hochschule Mittweida (FH) University
MehrAnalyse und Simulation von Untergrundereignissen für den LFV-Zerfall mit dem ATLAS Experiment am LHC
Analyse und Simulation von Untergrundereignissen für den LFV-Zerfall mit dem ATLAS Experiment am LHC Bericht über ein Praktikum am CERN im Juli/August 2008 Andreas Reiserer Gliederung Der Zerfall τ-produktion
MehrValue at Risk Einführung
Value at Risk Einführung Veranstaltung Risk Management & Computational Finance Dipl.-Ök. Hans-Jörg von Mettenheim mettenheim@iwi.uni-hannover.de Institut für Wirtschaftsinformatik Leibniz Universität Hannover
MehrInstitut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) SS 2002. Aufgabe 7
Rheinisch Westfälische Technische Hochschule Institut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) SS 2002 Prof. Dr. Wolfgang Dahmen Dr. Karl Heinz Brakhage Aufgabe 7 Bearbeitungszeit:
MehrModellbildung und Simulation
Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das
MehrSortierverfahren für Felder (Listen)
Sortierverfahren für Felder (Listen) Generell geht es um die Sortierung von Daten nach einem bestimmten Sortierschlüssel. Es ist auch möglich, daß verschiedene Daten denselben Sortierschlüssel haben. Es
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel Seite 1 von 24 Zufallszahlen am Computer 3 Gleichverteilte Zufallszahlen 3 Weitere Verteilungen 3 Quadratische Verteilung 4 Normalverteilung
MehrSpringer Fachmedien Wiesbaden 2015 J. Roth et al. (Hrsg.), Übergänge konstruktiv gestalten, Konzepte und Studien zur Hochschuldidaktik und
Springer Fachmedien Wiesbaden 2015 J. Roth et al. (Hrsg.), Übergänge konstruktiv gestalten, Konzepte und Studien zur Hochschuldidaktik und Lehrerbildung Mathematik, DOI 10.1007/978-3-658-06727-4_2 x
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
MehrFotios Filis. Monte-Carlo-Simulation
Fotios Filis Monte-Carlo-Simulation Monte-Carlo-Methoden??? Spielcasino gibt Namen Monte Carlo war namensgebend für diese Art von Verfahren: Erste Tabellen mit Zufallszahlen wurden durch Roulette-Spiel-Ergebnisse
MehrBinäre lineare Optimierung mit K*BMDs p.1/42
Binäre lineare Optimierung mit K*BMDs Ralf Wimmer wimmer@informatik.uni-freiburg.de Institut für Informatik Albert-Ludwigs-Universität Freiburg Binäre lineare Optimierung mit K*BMDs p.1/42 Grundlagen Binäre
MehrFC1 - Monte Carlo Simulationen
FC1 - Monte Carlo Simulationen 16. Oktober 2007 Universität Paderborn - Theoretische Physik Autor: Simone Sanna, Stephan Blankenburg Datum: 16. Oktober 2007 FC1 - Monte Carlo Simulationen 3 1 Das Monte
MehrVerteilte Lösung von simulationsbasierten Optimierungsproblemen Entwicklung einer maßgeschneiderten Evaluierungssoftware
Verteilte Lösung von simulationsbasierten Optimierungsproblemen Entwicklung einer maßgeschneiderten Evaluierungssoftware Kamil Szczesny, Van Vinh Nguyen Lehrstuhl für Informatik im Bauwesen, Ruhr-Universität
MehrFachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß
Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche
Mehr