Genetische Algorithmen
|
|
- Hella Morgenstern
- vor 6 Jahren
- Abrufe
Transkript
1 Genetische Algorithmen Von Valentina Hoppe und Jan Rörden Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert
2 Gliederung Biologische Evolution Genetischer Algorithmus Definition theoretischer Hintergrund wichtige Merkmale Der rtneat Algorithmus Beispiele NERO 2.0 Travelling Salesman Problem Anwendungsbereiche Fazit
3 Grundlagen: Biologische Evolution
4 Erbgut Lebewesen bestehen aus Zellen; in diesen befinden sich Chromosomen, dort ist das Erbgut gespeichert Bauplan für das Individuum Chromosome sind in Genome unterteilt, die bestimmte Teileigenschaften festlegen keine beliebigen Zustände (z.b. Augenfarben)
5 Evolutionsmechanismen Selektion: natürliche Auslese; Angepasstheit wird als Fitness bezeichnet Mutation: Allele (=Ausprägung) von Genen verändern sich positive oder negative Folgen für die Fitness Rekombination (Crossover): neue Merkmalskombinationen durch Austausch von Allelen zweier Chromosomen genetische Variabilität einer Population
6 Entsprechung im Code Erbgut: alle relevanten Variablen Selektion/Fitness wird durch Nutzer- Einstellungen beurteilt Mutation: zufällige Veränderung von Variablen Rekombination: 2 Individuen tauschen einen Satz von Variablen aus ALLE Ergebnisse müssen trotzdem den Regeln entsprechen!
7 Definition: Was macht genetische Algorithmen aus?
8 Was ist ein genetischer Algorithmus? Grundidee: Man betrachtet nicht nur eine Lösung (Populationen) sondern mehrere, die durch eine Bewertung, Mutation und Rekombination zu neuen und besseren Lösungen führen. Dieser Algorithmus ist an die biologische Evolution angelehnt.
9 Aufbau eines genetischen Algorithmus 1. Wird eine Anfangspopulation erstellt 2. Die wird zur aktuellen Population 3. Jedes Individuum der Population wird durch die Fitnessfunktion bewertet 4. Die besten werden in der Selektion ausgewählt und sind die Elternpaare für die Nachfolgepopulation 5. Nachkommen werden durch Rekombination erzeugt und dann mutiert 6. Falls die Lösung mit den neuen Nachkommen ausreicht, wird der Algorithmus beendet, falls nicht wird alles von Schritt 2 an wiederholt
10 Pseudocode Wähle problemspezifische Individuencodierung Initialisiere Individuum der Startpopulation zufällig do { Bewerte Individuum mit Bewertungs-/Fitnessfunktion Selektiere Elternpaare nach Heiratsschema Erzeuge Nachkommen durch Rekombination Mutiere die erzeugten Nachkommen Ersetze Individuen der akt. Generation nach Ersetzungsschema } while Abbruchbedingung trifft nicht zu
11 Individuencodierung Eine geeignete Kodierung der Variablen ist sehr wichtig, da sonst der Algorithmus nicht erfolgreich ist. Erste Population muss so gewählt werden, dass der Suchraum gut abgedeckt wird werden zufällig erzeugt Je mehr Individuen, desto schneller ist das Ergebnis.
12 Bewertungs-/Fitnessfunktion Bewertungsfunktion = Optimierungskriterium Es misst die Qualität des Individuums bzw. wie weit es vom Optimum entfernt ist. Fitnessfunktion legt fest mit welcher Wahrscheinlichkeit ein Individuum an der nächsten Rekombination teilnimmt.
13 Heirats-Schema Auswählung der Individuen, die an Rekombination teilnehmen sollen. Am meisten verwendet: Roulette-Wheel-Schema Auswählung der Eltern durch eine Wahrscheinlichkeit, die abhängig von der Bewertung ist Mit zunehmender Generation soll die Güte der Population steigen Fitnessfunktion = Bewertungsfunktion
14 Rekombination / Crossover Mit je 2 Eltern, die zu 2 Nachkommen führen. Daten über den Suchraum werden mit den ausgewählten Individuen aus dem Heirats-Schema gemischt neue Individuen mit Orientierungssinn entstehen Dient dazu Suchraum schneller und zielgerichteter zu durchsuchen.
15 Crossover-Verfahren One-point-crossover: Eine Bruchstelle wird zufällig ausgewählt, dort werden die Chromosomen der beiden Eltern- Individuen gekreuzt. z.b. Eltern: e1 = Bruchstelle: b = 3 e2 = Kinder: k1 = k2 = Es gibt noch einen two-point-crossover. Er enthält eine weitere Bruchstelle.
16 Mutation Wird verwendet um Suchvorgang zu beschleunigen. Hilft dabei, dass die Population mit zunehmender Generation nicht gleich bleibt.
17 Ersetzungsschema Entscheidet darüber welche Individuen der vorherigen Population durch Individuen der Folgegeneration ersetzt werden. Ersetzungsschemata: Generational Replacement : alle Eltern- Individuen werden durch die besten Kinder ersetzt. Elitismus : Survival of the fittest
18 Vor- und Nachteile Vorteile Schnellstes evolutionäres Optimierungsverfahren Parallelisierbar, da Verwendung mehrerer Individuen möglich ist Guter Ansatz um ein globales Optimum zu bestimmen Kann erweitert werden
19 Vor- und Nachteile Nachteile Man kann die genaue Dauer nicht im Vorfeld bestimmen Parameterabhängig Sehr rechenintensiv
20 Unterschiede zu anderen Verfahren GA ist im Vergleich zur Genetischen Programmierung relativ unflexibel, da nur die Parameter der Lösungskandidaten geändert werden. Mutationen werden nur als zusätzliche Option verwendet, nicht so wie bei den Evolutionsstrategien. GA verwendet binäre Informationen; Evolutionsstrategien hingegen reelle Zahlen GA führt schon bei der Auswahl der Eltern eine Selektion durch; Evolutionsstrategien machen das erst bei den Nachkommen.
21 Theorie: der rtneat Algorithmus
22 rtneat real-time Neuro-Evolution of Augmenting Topologies Veränderungen sofort sichtbar keine Generationen ; Selektion findet permanent statt! gute und schlechte Aktionen werden vom Spieler bewertet Belohnung/Bestrafung hilft, gute und schlechte Agenten zu identifizieren
23 rtneat Besonderheit: startet mit der kleinstmöglichen Komplexität größtmögliche Flexibilität auch mit kleinen Populationen funktionsfähig (30 Individuen ) auf verschiedenen Plattformen und Sprachen verfügbar (C++, Java, Matlab...)
24 Beispiele: NERO 2.0 und das Travelling Salesman Problem
25 NERO 2.0 Neuro-Evolving Robotic Operatives state-of-the-art machine learning technology zeigen, was möglich ist Videospiel, aber wissenschaftlicher Hintergrund und wiss. Verwendung
26 NERO 2.0 Interface Regler für gute/schlechte Bewertung Vorgabe für Zeit auf dem Feld (= ein Selektions-Zyklus) Anzeigen für: Fitness, Species, Brain ID, Neural Net Complexity, Champ, Fitness Rank verschiedene Graphen, z.b.: graphische Darstellung des Gehirns
27 NERO 2.0 Modi Sandbox Trainingsmodus simples Umfeld verschiedene Arenen mit steigender Komplexität zwei verschiedene Spielmodi vortrainierte Teams (verschiedene Schwerpunkte, siehe Benennung)
28 NERO 2.0 Darstellung eines Genoms abgespeichert in einer.txt-datei kann einfach eingesehen werden lesbar Struktur der einzelnen Individuen kann betrachtet werden wie sind die unterschiedlichen Verhaltensweisen auf das Genom zurückzuführen? manipulierbar
29 Travelling Salesman Problem ein zentrales Lager, mehrere Adressen in der Stadt, die angefahren werden müssen jede Adresse darf nur einmal besucht werden welcher Weg ist der kürzeste?
30 TSP: Umsetzung in Java Chromosom als Abfolge der durchnummerierten Stationen nach jeder Mutation/Kombination müssen noch alle Stationen enthalten sein 100 Generationen, keine identischen Durchläufe
31 Anwendungsbereiche
32 Wo werden genetische Algorithmen bisher angewendet? Optimierung Konstruktion von komplexen Bauteilen; z.b. beim Brückenbau Erstellung von Phantombildern Flugzeugbau Logistik
33 Fazit
34 Möglicherweise nicht das optimale Ergebnis eignet sich das Problem für diese Strategie? besonders, wenn viel Wissen über das Problem vorhanden ist nicht die erste Wahl geringer Formalisierungs- und Modellierungsaufwand des Problems nötig benötigen kein großes Wissen über Struktur des Problems sehr flexibel, vor allem bei großem Suchraum eignet sich besonders, wenn globales Optimum zu aufwendig ist
35 Quellen
36 Genetische Algorithmen Von Valentina Hoppe und Jan Rörden Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert 1
37 Gliederung Biologische Evolution Genetischer Algorithmus Definition theoretischer Hintergrund wichtige Merkmale Der rtneat Algorithmus Beispiele NERO 2.0 Travelling Salesman Problem Anwendungsbereiche Fazit 2
38 Grundlagen: Biologische Evolution 3
39 Erbgut Lebewesen bestehen aus Zellen; in diesen befinden sich Chromosomen, dort ist das Erbgut gespeichert Bauplan für das Individuum Chromosome sind in Genome unterteilt, die bestimmte Teileigenschaften festlegen keine beliebigen Zustände (z.b. Augenfarben) 4
40 Evolutionsmechanismen Selektion: natürliche Auslese; Angepasstheit wird als Fitness bezeichnet Mutation: Allele (=Ausprägung) von Genen verändern sich positive oder negative Folgen für die Fitness Rekombination (Crossover): neue Merkmalskombinationen durch Austausch von Allelen zweier Chromosomen genetische Variabilität einer Population 5
41 Entsprechung im Code Erbgut: alle relevanten Variablen Selektion/Fitness wird durch Nutzer- Einstellungen beurteilt Mutation: zufällige Veränderung von Variablen Rekombination: 2 Individuen tauschen einen Satz von Variablen aus ALLE Ergebnisse müssen trotzdem den Regeln entsprechen! 6
42 Definition: Was macht genetische Algorithmen aus? 7
43 Was ist ein genetischer Algorithmus? Grundidee: Man betrachtet nicht nur eine Lösung (Populationen) sondern mehrere, die durch eine Bewertung, Mutation und Rekombination zu neuen und besseren Lösungen führen. Dieser Algorithmus ist an die biologische Evolution angelehnt. 8
44 Aufbau eines genetischen Algorithmus 1. Wird eine Anfangspopulation erstellt 2. Die wird zur aktuellen Population 3. Jedes Individuum der Population wird durch die Fitnessfunktion bewertet 4. Die besten werden in der Selektion ausgewählt und sind die Elternpaare für die Nachfolgepopulation 5. Nachkommen werden durch Rekombination erzeugt und dann mutiert 6. Falls die Lösung mit den neuen Nachkommen ausreicht, wird der Algorithmus beendet, falls nicht wird alles von Schritt 2 an wiederholt 9
45 Pseudocode Wähle problemspezifische Individuencodierung Initialisiere Individuum der Startpopulation zufällig do { Bewerte Individuum mit Bewertungs-/Fitnessfunktion Selektiere Elternpaare nach Heiratsschema Erzeuge Nachkommen durch Rekombination Mutiere die erzeugten Nachkommen Ersetze Individuen der akt. Generation nach Ersetzungsschema } while Abbruchbedingung trifft nicht zu 10
46 Individuencodierung Eine geeignete Kodierung der Variablen ist sehr wichtig, da sonst der Algorithmus nicht erfolgreich ist. Erste Population muss so gewählt werden, dass der Suchraum gut abgedeckt wird werden zufällig erzeugt Je mehr Individuen, desto schneller ist das Ergebnis. 11
47 Bewertungs-/Fitnessfunktion Bewertungsfunktion = Optimierungskriterium Es misst die Qualität des Individuums bzw. wie weit es vom Optimum entfernt ist. Fitnessfunktion legt fest mit welcher Wahrscheinlichkeit ein Individuum an der nächsten Rekombination teilnimmt. 12
48 Heirats-Schema Auswählung der Individuen, die an Rekombination teilnehmen sollen. Am meisten verwendet: Roulette-Wheel-Schema Auswählung der Eltern durch eine Wahrscheinlichkeit, die abhängig von der Bewertung ist Mit zunehmender Generation soll die Güte der Population steigen Fitnessfunktion = Bewertungsfunktion 13
49 Rekombination / Crossover Mit je 2 Eltern, die zu 2 Nachkommen führen. Daten über den Suchraum werden mit den ausgewählten Individuen aus dem Heirats-Schema gemischt neue Individuen mit Orientierungssinn entstehen Dient dazu Suchraum schneller und zielgerichteter zu durchsuchen. 14
50 Crossover-Verfahren One-point-crossover: Eine Bruchstelle wird zufällig ausgewählt, dort werden die Chromosomen der beiden Eltern- Individuen gekreuzt. z.b. Eltern: e1 = Bruchstelle: b = 3 e2 = Kinder: k1 = k2 = Es gibt noch einen two-point-crossover. Er enthält eine weitere Bruchstelle. 15
51 Mutation Wird verwendet um Suchvorgang zu beschleunigen. Hilft dabei, dass die Population mit zunehmender Generation nicht gleich bleibt. 16
52 Ersetzungsschema Entscheidet darüber welche Individuen der vorherigen Population durch Individuen der Folgegeneration ersetzt werden. Ersetzungsschemata: Generational Replacement : alle Eltern- Individuen werden durch die besten Kinder ersetzt. Elitismus : Survival of the fittest 17
53 Vor- und Nachteile Vorteile Schnellstes evolutionäres Optimierungsverfahren Parallelisierbar, da Verwendung mehrerer Individuen möglich ist Guter Ansatz um ein globales Optimum zu bestimmen Kann erweitert werden 18
54 Vor- und Nachteile Nachteile Man kann die genaue Dauer nicht im Vorfeld bestimmen Parameterabhängig Sehr rechenintensiv 19
55 Unterschiede zu anderen Verfahren GA ist im Vergleich zur Genetischen Programmierung relativ unflexibel, da nur die Parameter der Lösungskandidaten geändert werden. Mutationen werden nur als zusätzliche Option verwendet, nicht so wie bei den Evolutionsstrategien. GA verwendet binäre Informationen; Evolutionsstrategien hingegen reelle Zahlen GA führt schon bei der Auswahl der Eltern eine Selektion durch; Evolutionsstrategien machen das erst bei den Nachkommen. 20
56 Theorie: der rtneat Algorithmus 21
57 rtneat real-time Neuro-Evolution of Augmenting Topologies Veränderungen sofort sichtbar keine Generationen ; Selektion findet permanent statt! gute und schlechte Aktionen werden vom Spieler bewertet Belohnung/Bestrafung hilft, gute und schlechte Agenten zu identifizieren 22
58 rtneat Besonderheit: startet mit der kleinstmöglichen Komplexität größtmögliche Flexibilität auch mit kleinen Populationen funktionsfähig (30 Individuen ) auf verschiedenen Plattformen und Sprachen verfügbar (C++, Java, Matlab...) 23
59 Beispiele: NERO 2.0 und das Travelling Salesman Problem 24
60 NERO 2.0 Neuro-Evolving Robotic Operatives state-of-the-art machine learning technology zeigen, was möglich ist Videospiel, aber wissenschaftlicher Hintergrund und wiss. Verwendung 25
61 NERO 2.0 Interface Regler für gute/schlechte Bewertung Vorgabe für Zeit auf dem Feld (= ein Selektions-Zyklus) Anzeigen für: Fitness, Species, Brain ID, Neural Net Complexity, Champ, Fitness Rank verschiedene Graphen, z.b.: graphische Darstellung des Gehirns 26
62 NERO 2.0 Modi Sandbox Trainingsmodus simples Umfeld verschiedene Arenen mit steigender Komplexität zwei verschiedene Spielmodi vortrainierte Teams (verschiedene Schwerpunkte, siehe Benennung) 27
63 NERO 2.0 Darstellung eines Genoms abgespeichert in einer.txt-datei kann einfach eingesehen werden lesbar Struktur der einzelnen Individuen kann betrachtet werden wie sind die unterschiedlichen Verhaltensweisen auf das Genom zurückzuführen? manipulierbar 28
64 Travelling Salesman Problem ein zentrales Lager, mehrere Adressen in der Stadt, die angefahren werden müssen jede Adresse darf nur einmal besucht werden welcher Weg ist der kürzeste? 29
65 TSP: Umsetzung in Java Chromosom als Abfolge der durchnummerierten Stationen nach jeder Mutation/Kombination müssen noch alle Stationen enthalten sein 100 Generationen, keine identischen Durchläufe 30
66 Anwendungsbereiche 31
67 Wo werden genetische Algorithmen bisher angewendet? Optimierung Konstruktion von komplexen Bauteilen; z.b. beim Brückenbau Erstellung von Phantombildern Flugzeugbau Logistik 32
68 Fazit 33
69 Möglicherweise nicht das optimale Ergebnis eignet sich das Problem für diese Strategie? besonders, wenn viel Wissen über das Problem vorhanden ist nicht die erste Wahl geringer Formalisierungs- und Modellierungsaufwand des Problems nötig benötigen kein großes Wissen über Struktur des Problems sehr flexibel, vor allem bei großem Suchraum eignet sich besonders, wenn globales Optimum zu aufwendig ist 34
70 Quellen
Seminararbeit zum Thema Genetische Algorithmen
Seminararbeit zum Thema Genetische Algorithmen Seminar in Intelligent Management Models in Transportation und Logistics am Institut für Informatik-Systeme Lehrstuhl Verkehrsinformatik Univ.-Prof. Dr.-Ing.
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
MehrStructurally Evolved Neural Networks for Forecasting
Structurally Evolved Neural Networks for Forecasting - Strukturierte neuronale Netze für Vorhersagen Institut für Informatik - Ausgewählte Kapitel aus dem Bereich Softcomputing Agenda Grundlagen Neuronale
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
MehrGenetische Algorithmen
Genetische Algorithmen Projektgruppe 431 Metaheuristiken Bianca Selzam Inhaltsverzeichnis 1 Einleitung......................................................... 1 2 Grundlagen aus der Biologie.......................................
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
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
MehrGenetic Algorithms. Seminar KE und Lernen in Spielen. Bearbeitet von: Felix Becher. Leiter des Seminars: Prof. Dr. Johannes Fürnkranz 06-07-27
Genetic Algorithms Seminar KE und Lernen in Spielen Bearbeitet von: Felix Becher Leiter des Seminars: Prof. Dr. Johannes Fürnkranz Gliederung Evolutionstheorie Genetische Algorithmen Vor- und Nachteile
MehrAufbau und Operatoren evolutionärer Verfahren
Aufbau und Operatoren evolutionärer Verfahren Darstellung der Gene im Chromosom (Codierung) Basisalgorithmus Partnerwahl Erzeugung von Nachkommen (Rekombination und Mutation) Bewertung Überlebensregeln
MehrGenetische Algorithmen und Evolutionäre Strategien
Genetische Algorithmen und Evolutionäre Strategien von Adam El Sayed Auf und Kai Lienemann Eine Ausarbeitung zum Seminar Intelligente Algorithmen im Wintersemester 2003/2004 an der Universität Bielefeld
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
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
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
MehrEvolutionäre Algorithmen Software
Evolutionäre Algorithmen Software 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
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
MehrEvolutionäre Algorithmen. SS 2015 Woche 01
Evolutionäre Algorithmen SS 2015 Woche 01 Inhalt Organisation der Übung Wiederholung Die Komponenten eines EA Zwei Minimal-Beispiele Besprechung des Übungsblatts Das Team Vorlesung Prof. Dr.-Ing. habil.
MehrÜberblick. Lineares Suchen
Komplexität Was ist das? Die Komplexität eines Algorithmus sei hierbei die Abschätzung des Aufwandes seiner Realisierung bzw. Berechnung auf einem Computer. Sie wird daher auch rechnerische Komplexität
MehrBachelorarbeit. Christian Maschmann Genetische Lernverfahren zur Optimierung einer Multiagentensimulation für marktwirtschaftliche Vorgänge
Bachelorarbeit Christian Maschmann Genetische Lernverfahren zur Optimierung einer Multiagentensimulation für marktwirtschaftliche Vorgänge Fakultät Technik und Informatik Department Informatik Faculty
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
MehrSynthese Eingebetteter Systeme. 16 Abbildung von Anwendungen: Optimierung mit DOL
12 Synthese Eingebetteter Systeme Sommersemester 2011 16 Abbildung von Anwendungen: Optimierung mit DOL 2011/06/24 Michael Engel Informatik 12 TU Dortmund unter Verwendung von Foliensätzen von Prof. Lothar
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.
MehrImplementierung von PartikelSchwarm-Optimierung und Vergleich. mit einer Evolutionsstrategie
Fachbereich Informatik Fachgebiet Neuroinformatik Implementierung von PartikelSchwarm-Optimierung und Vergleich mit einer Evolutionsstrategie Schriftliche Prüfungsarbeit für die Bachelor-Prüfung des Studiengangs
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
MehrOptimierung mit Genetischen Algorithmen und eine Anwendung zur Modellreduktion
METHODEN at 4/2004 Optimierung mit Genetischen Algorithmen und eine Anwendung zur Modellreduktion Optimization with Genetic Algorithms and an Application for Model Reduction Maik Buttelmann und Boris Lohmann
MehrEine Klasse beschreibt Objekte mit gleichen Attributen und Methoden.
Grundwissen Informatik Objekt Attribut Methoden Als Objekte bezeichnet man alle Gegenstände, Dinge, Lebewesen, Begriffe oder Strukturen unserer Welt ( Autos, Räume, Bakterien, Lehrer, Schüler, Kunden,
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
MehrEvolutionäre Algorithmen
Evolutionäre Algorithmen Genetische Programmierung Prof. Dr. Rudolf Kruse Christian Moewes {kruse,cmoewes}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut
MehrDAAD RISE Weltweit Forschungspraktikum in Taiwan
X 8.11. 2015 DAAD RISE Weltweit Forschungspraktikum in Taiwan Advanced Institute of Manufacturing with High-Tech Innovations (AIM-HI) National Chung Cheng University (CCU), Chiayi Medical Image Registration
MehrEvaluation von Optimierungsalgorithmen zur Tourplanung im Hamburger Hafen
Diplomarbeit Evaluation von Optimierungsalgorithmen zur Tourplanung im Hamburger Hafen von Cheng Wang November 2011 Betreut von Prof. Dr. Sibylle Schupp Rainer Marrone Technische Universität Hamburg-Harburg
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
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
MehrGenetische Algorithmen
Technische Universität Dortmund Fakultät für Mathematik Lehrstuhl III: Angewandte Mathematik und Numerik Genetische Algorithmen Wirtschaftsmathematisches Projekt zur Numerik im WS 2013/14 Qendresa Mehmeti,
MehrBachelorarbeit. Sven Lund Optimierung von Neuronalen Netzen mit Hilfe Genetischer Algorithmen
Bachelorarbeit Sven Lund Optimierung von Neuronalen Netzen mit Hilfe Genetischer Algorithmen Fakultät Technik und Informatik Studiendepartment Informatik Faculty of Engineering and Computer Science Department
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II. Aufgaben und Lösungen
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II Aufgaben und Lösungen SS 2005 Aufgaben Aufgabe 41 Ein Betrieb stellt zwei Produkte P 1 und P 2 her, die die
MehrProposal zur Masterarbeit. Kombination der neuroevolutionären Methoden EANT mit Q-Learning und CMA-ES
Proposal zur Masterarbeit Kombination der neuroevolutionären Methoden EANT mit Q-Learning und CMA-ES Tchando Kongue Einleitung Neuroevolutionäre Algorithmen sind Methoden, die durch die Benutzung von genetischen
MehrModellierung biologischer. Christian Maidorfer Thomas Zwifl (Seminar aus Informatik)
Modellierung biologischer Prozesse Christian Maidorfer Thomas Zwifl (Seminar aus Informatik) Überblick Einführung Arten von Modellen Die stochastische Pi-Maschine Warum Modelle Die Biologie konzentriert
MehrSchwierige Probleme in der Informatik Informationen für die Lehrperson
Schwierige Probleme in der Informatik Informationen für die Lehrperson Thema, Adressaten,... Das Thema dieses Moduls sind NP-vollständige Probleme, also schwierige Probleme in der Informatik. GraphBench
MehrPraktikum: Mediensicherheit und Forensik
Praktikum: Mediensicherheit und Forensik Kontakt: Martin.Steinebach@SIT.Fraunhofer.de Fraunhofer Slide 1 Vorgehensweise Es gibt keine regelmäßigen Treffen für alle, sondern: Je Thema gibt es ein Team und
MehrÜbersicht. 20. Verstärkungslernen
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI Lernen 18. Lernen aus Beobachtungen 19. Lernen in neuronalen & Bayes
MehrEvolutionäre Algorithmen. Abstract
Evolutionäre Algorithmen Michael Herrmann Arno Mittelbach mherrmann@gmx.org mail@arno-mittelbach.de Abstract Erste Versuche evolutionäre Algorithmen für die Programmierung von Agenten für Spiele mit unvollständigen
MehrModusOne Client. ModusOne Client
ModusOne Client ModusOne Client 2008-2012 Lexmark International Technology S.A. Alle Rechte vorbehalten. Datum: 5-11-2012 Version: 5.2.0 ModusOne ist ein in den USA und anderen Ländern eingetragenes Warenzeichen
MehrUmstellung PC-VAB auf S PA-Zahlungsverkehr
Umstellung PC-VAB auf S PA-Zahlungsverkehr ACHTUNG: Bevor Sie mit den Arbeiten beginnen, führen Sie bitte unbedingt eine Datensicherung über Datei Gesamtbestand sichern Datensicherung auf lokalen Datenträger
MehrGrundlagen der Vererbung beim Hund
Grundlagen der Vererbung beim Hund Züchterstammtisch: 10. August 2013 Referentin: Diana Ringpfeil Tätigkeit: Tierärztin Mail: Ringpfeil@arcor.de Referent: Kay Rostalski Diana Ringpfeil, Tierärztin, Kay
MehrGrundideen der Gentechnik
Grundideen der Gentechnik Die Gentechnik kombiniert Biotechnik und Züchtung. Wie in der Züchtung wird die Erbinformation eines Lebewesen verändert. Dabei nutzte man in den Anfängen der Gentechnik vor allem
MehrGenetische Algorithmen in Komposition und Computermusik
Genetische Algorithmen in Komposition und Computermusik Georg Holzmann Dez. 2003 Seminararbeit für Computermusik 1 Institut für Elektronische Musik und Akustik, Graz Einleitung Meist werden komplexe Systeme
MehrRealisierung von CI- Regelalgorithmen auf verschiedenen Hardwareplattformen
Realisierung von CI- Regelalgorithmen auf verschiedenen Hardwareplattformen Prof.Dr.-Ing. K.-D. Morgeneier FH Jena, FB Elektrotechnik und Informationstechnik www.fh-jena.de Gliederung 2. Einführung 3.
MehrEndTermTest PROGALGO WS1516 A
EndTermTest PROGALGO WS1516 A 14.1.2016 Name:................. UID:.................. PC-Nr:................ Beachten Sie: Lesen Sie erst die Angaben aufmerksam, genau und vollständig. Die Verwendung von
MehrIntegration Evolutionärer Algorithmen in das MFOS
Integration Evolutionärer Algorithmen in das MFOS Knut Willems Diplomarbeit 4. Januar 2007 Thema gestellt von Prof. Dr. W.-M. Lippe Institut für Informatik Fachbereich Mathematik und Informatik Westfälische
MehrKünstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen
MehrUm Ihnen ein fehlerfreies Arbeiten mit unserem ECCOSoft eanv Portal zu ermöglichen, empfehlen wir Ihnen folgende Einstellungen:
Um Ihnen ein fehlerfreies Arbeiten mit unserem ECCOSoft eanv Portal zu ermöglichen, empfehlen wir Ihnen folgende Einstellungen: 1. Internet Explorer Einstellungen Internetoptionen Sicherheit: Mittelhoch
MehrSeriendruck mit der Codex-Software
Seriendruck mit der Codex-Software Seriendruck mit der Codex-Software Erstellen der Seriendruck-Datei in Windach Sie können aus der Adressverwaltung von Windach eine sogenannte Seriendruck-Datei erstellen,
MehrGrundlagen der Informatik. Prof. Dr. Stefan Enderle NTA Isny
Grundlagen der Informatik Prof. Dr. Stefan Enderle NTA Isny 2 Datenstrukturen 2.1 Einführung Syntax: Definition einer formalen Grammatik, um Regeln einer formalen Sprache (Programmiersprache) festzulegen.
MehrDigitale Klangsynthese mit Hilfe Genetischer Algorithmen
Digitale Klangsynthese mit Hilfe Genetischer Algorithmen Diplomarbeit im Fachbereich Informatik und Mathematik der Hochschule fü r Technik und Wirtschaft Dresden von Jörg Hentschel Dresden, November 2002
MehrDokumentation. Ein elfbeiniger Roboter lernt laufen - Simulierte Evolution macht's möglich -
Dokumentation Ein elfbeiniger Roboter lernt laufen - Simulierte Evolution macht's möglich - Teammitglieder: Dylan Baar Andy Grabow Jesko Nordlohne Chavdar Papazov Betreuer: Dipl.-Inform. Ingo Boersch Inhaltsverzeichnis
MehrVererbungsgesetze, Modell
R Vererbungsgesetze, Modell 65564.00 Betriebsanleitung Das Model besteht aus einem Satz von 204 Symbolkarten und 3 Kreuzungs- und Nachkommenslinien. 81 der Symbolkarten zeigen Erscheinungsbilder (Phänotypen),
MehrV_Sim - software to calculate inbreeding coefficients
V_Sim - software to calculate inbreeding coefficients Ein Programm zur Berechnung von Inzuchtkoeffizienten und Abstammungskoeffizienten. Von Holger Krause Zweck des Programms Der Verwandtschaft-Simulator
MehrPraktikum: Mediensicherheit und Forensik
Praktikum: Mediensicherheit und Forensik Kontakt: Martin.Steinebach@SIT.Fraunhofer.de Fraunhofer Slide 1 Vorgehensweise Es gibt keine regelmäßigen Treffen für alle, sondern: Je Thema gibt es ein Team und
MehrOptimality and evolutionary tuning of the expression level of a protein. Erez Dekel & Uri Alon Nature Vol 436, July 2005
Optimality and evolutionary tuning of the expression level of a protein Erez Dekel & Uri Alon Nature Vol 436, July 2005 Wie Zellen Denken Übersicht Hintergrund Mathematische Formulierung (cost-benefit-theory)
MehrEvolution & Genetik (Beispiel Hämoglobin) Prof. Dr. Antje Krause FH Bingen 06721 / 409 253 akrause@fh-bingen.de
Evolution & Genetik (Beispiel Hämoglobin) Prof. Dr. Antje Krause FH Bingen 06721 / 409 253 akrause@fh-bingen.de DNA (Desoxyribonukleinsäure) 5 3 CGATGTACATCG GCTACATGTAGC 3 5 Doppelhelix Basen: Adenin,
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrVortrag. Suchverfahren der Künstlichen Intelligenz. Sven Schmidt (Technische Informatik)
Vortrag Suchverfahren der Künstlichen Intelligenz Sven Schmidt (Technische Informatik) Suchverfahren der Künstlichen Intelligenz Grundlagen Zustandsraumrepräsentation Generische Suche Bewertung von Suchstrategien
MehrWissensbasierte Systeme
WBS3 Slide 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 3: Algorithmische Grundlagen der KI WBS3 Slide 2 Suchstrategien Warum sind Suchstrategien so wichtig in Wissensbasierten Systemen?
MehrEin Erfahrungsbericht beim Einsatz von generierenden Ansätzen im Vergleich zu generischen Lösungen
Ein Erfahrungsbericht beim Einsatz von generierenden Ansätzen im Vergleich zu generischen Lösungen Tom Krauß Agenda Begriffsdefinition Verfahren Praktische Beispiele Vergleich und Bewertung Begriffsklärung
MehrVirtueller Seminarordner Anleitung für die Dozentinnen und Dozenten
Virtueller Seminarordner Anleitung für die Dozentinnen und Dozenten In dem Virtuellen Seminarordner werden für die Teilnehmerinnen und Teilnehmer des Seminars alle für das Seminar wichtigen Informationen,
MehrIHK-Reutlingen SERIENDRUCK MIT WORD 2003. Y. u. J. THOMALLA, Horb
IHK-Reutlingen SERIENDRUCK MIT WORD 2003 Y. u. J. THOMALLA, Horb INHALT 1 GRUNDLAGEN...1 1.1 GRUNDAUFBAU VON SERIENBRIEFEN...1 1.2 SERIENDRUCK IM ÜBERBLICK...1 1.3 EINSTELLUNGEN ZUM SERIENDRUCK...2 2 DATENQUELLEN
MehrEinführung in QtiPlot
HUWagner und Julia Bek Einführung in QtiPlot 1/11 Einführung in QtiPlot Mit Bezug auf das Liebig-Lab Praktikum an der Ludwig-Maximilians-Universität München Bei Fragen und Fehlern: jubech@cup.lmu.de Inhaltsverzeichnis
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
MehrBegleittext zum Foliensatz Erbgänge beim Menschen
Für ein besseres Verständnis der Folien werden vorab einige Begriffe definiert: Gen Genom Allel Ein Gen ist die physikalische und funktionelle Einheit der Vererbung. Biochemisch ist es eine geordnete Abfolge
MehrProblemorientierte Programmiersprachen Nachteile von Programmen in Maschinensprache sehr aufwendig bei komplexeren Aufgabenstellungen fehleranfällig
Problemorientierte Programmiersprachen Nachteile von Programmen in Maschinensprache sehr aufwendig bei komplexeren Aufgabenstellungen fehleranfällig schwer verständlich nicht portabel, d.h. nicht auf Rechner
MehrAlgorithmen & Datenstrukturen 1. Klausur
Algorithmen & Datenstrukturen 1. Klausur 7. Juli 2010 Name Matrikelnummer Aufgabe mögliche Punkte erreichte Punkte 1 35 2 30 3 30 4 15 5 40 6 30 Gesamt 180 1 Seite 2 von 14 Aufgabe 1) Programm Analyse
MehrInformatik. Studiengang Chemische Technologie. Michael Roth WS 2012/2013. michael.roth@h-da.de. Hochschule Darmstadt -Fachbereich Informatik-
Informatik Studiengang Chemische Technologie Michael Roth michael.roth@h-da.de Hochschule Darmstadt -Fachbereich Informatik- WS 2012/2013 Inhalt Teil VII Einstieg in Java I Michael Roth (h_da) Informatik
MehrSport und Technik - Anwendungen moderner Technologien in der Sportwissenschaft. Habilitationsschrift
Sport und Technik - Anwendungen moderner Technologien in der Sportwissenschaft Habilitationsschrift zur Erlangung des akademischen Grades Doctor philosophiae habilitatus (Dr. phil. habil.) genehmigt durch
MehrKapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:
MehrCRM-Klassifizierung Arbeiten mit Klassifizierungsmerkmalen und Selektionen
CRM-Klassifizierung Arbeiten mit Klassifizierungsmerkmalen und Selektionen Über die Klassifizierung bietet BüroWARE die Möglichkeit Adressen eine beliebige Anzahl an Merkalen zuzuweisen. Die Merkmale bieten
MehrProgrammiertechnik II
Analyse von Algorithmen Algorithmenentwurf Algorithmen sind oft Teil einer größeren Anwendung operieren auf Daten der Anwendung, sollen aber unabhängig von konkreten Typen sein Darstellung der Algorithmen
Mehr13. Binäre Suchbäume
1. Binäre Suchbäume Binäre Suchbäume realiesieren Wörterbücher. Sie unterstützen die Operationen 1. Einfügen (Insert) 2. Entfernen (Delete). Suchen (Search) 4. Maximum/Minimum-Suche 5. Vorgänger (Predecessor),
MehrTerminologie der Formalgenetik zur Identifizierung genetischer Modulatoren
Terminologie der Formalgenetik zur Identifizierung genetischer Modulatoren Stefan-Marcel Loitsch, Christian von Mallinckrodt, Tim Hirche, Thomas OF Wagner Pneumologie und Allergologie, Medizinische Klinik
MehrBedienungsanleitung. Stand: 26.05.2011. Copyright 2011 by GEVITAS GmbH www.gevitas.de
GEVITAS-Sync Bedienungsanleitung Stand: 26.05.2011 Copyright 2011 by GEVITAS GmbH www.gevitas.de Inhalt 1. Einleitung... 3 1.1. Installation... 3 1.2. Zugriffsrechte... 3 1.3. Starten... 4 1.4. Die Menü-Leiste...
MehrCross-Kanal-Werbewirkung die Welt ist keine Badewanne
Cross-Kanal-Werbewirkung die Welt ist keine Badewanne Burkhardt Funk Hamburg, 20.02.2013 Eine kurze Geschichte der Werbewirkungsmodelle BAYESIAN FORECASTING ATTRIBUTION MODELS USER JOURNEY IMPACT- RESPONSE
MehrAccess Verbrecherdatenbank Teil 1
Access Verbrecherdatenbank Teil 1 Allgemeines In dieser Übung erstellst du mit Microsoft Access eine Verbrecherdatenbank. Dabei lernst du die wesentlichen Elemente einer Datenbank wie Tabellen, Formulare
MehrProgrammierkurs: Delphi: Einstieg
Seite 1 von 6 Programmierkurs: Delphi: Einstieg Aus Wikibooks Inhaltsverzeichnis 1 Einstieg Einstieg Was ist Delphi Borland Delphi ist eine RAD-Programmierumgebung von Borland. Sie basiert auf der Programmiersprache
MehrVergleichende Analyse von Genetischen Algorithmen und der Particle Swarm Optimization für den Evolutionären Strukturtest
Vergleichende Analyse von Genetischen Algorithmen und der Particle Swarm Optimization für den Evolutionären Strukturtest Arbeit zur Erlangung des akademischen Grades Diplom-Informatiker an der Technischen
MehrStatistische Untersuchungen zu endlichen Funktionsgraphen
C# Projekt 1 Name: Statistische Untersuchungen zu endlichen Funktionsgraphen Aufgabe: Basierend auf dem Abschnitt 2.1.6. Random mappings, Kap.2, S 54-55, in [1] sollen zunächst für eine beliebige Funktion
MehrDie Anwendung von Evolutionsstrategien zur adaptiven, echtzeitfahigen Trajektorienplanung von Manipulatorarmsystemen DISSERTATION zur Erlangung des Grades eines Doktor-Ingenieurs der Fakultat fur Elektrotechnik
MehrDer Unified Process ist ein generischer Prozeß zur objektorientierten Software- Erstellung
Unified Process Eine Einführung von Hannes Fischer Fischer Software Elfenstr. 64 70567 Stuttgart Deutschland Copyright 2000 Hannes Fischer Unified Process Wie wird heute gearbeitet? Der Unified Process
MehrTutoren Jan Ebbe Pat Mächler Valentino Rugolo Sascha Scherrer. Grundlagen der Programmierung (CS101) - Blatt 8 Theorie [4 Punkte] - Praxis [12 Punkte]
UNIVERSITÄT BASEL Dozent Prof. Dr. Thomas Vetter Departement Informatik Bernoullistrasse 16 CH 4056 Basel Assistenten Bernhard Egger Andreas Forster Tutoren Jan Ebbe Pat Mächler Valentino Rugolo Sascha
MehrWiederholung: Informationssicherheit Ziele
Wiederholung: Informationssicherheit Ziele Vertraulichkeit: Schutz der Information vor unberechtigtem Zugriff bei Speicherung, Verarbeitung und Übertragung Verschlüsselungsverfahren Integrität: Garantie
MehrNeuronale Netze, Fuzzy Control, Genetische Algorithmen. Prof. Jürgen Sauer. 5. Aufgabenblatt: Neural Network Toolbox 1
Neuronale Netze, Fuzzy Control, Genetische Algorithmen Prof. Jürgen Sauer 5. Aufgabenblatt: Neural Network Toolbox 1 A. Mit Hilfe der GUI vom Neural Network erstelle die in den folgenden Aufgaben geforderten
MehrLebensstil-Umweltfaktoren-Gene: Vom Wesen der Epigenetik
Lebensstil-Umweltfaktoren-Gene: Vom Wesen der Epigenetik Karl Heinimann, MD PhD Medizinische Genetik Universitätskinderspital beider Basel karl.heinimann@unibas.ch 14. Internationales Seminar DESO St.
MehrEntwurf von Algorithmen - Kontrollstrukturen
Entwurf von Algorithmen - Kontrollstrukturen Eine wichtige Phase in der Entwicklung von Computerprogrammen ist der Entwurf von Algorithmen. Dieser Arbeitsschritt vor dem Schreiben des Programmes in einer
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrSOFTWARE FÜR PRG-APPLIKATIONEN
SOFTWARE FÜR PRG-APPLIKATIONEN Autor: Frank Bergmann Letzte Änderung: 04.12.2014 09:09 1 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis... 2 2 Allgemeines... 3 3 Installation und Programmaufruf... 3 4 Einstellungen...
MehrKundenspezifische Preise im Shop WyRu Online-Shop
Kundenspezifische Preise im Shop WyRu Online-Shop Team WyRu Christian Wyk / Günter Rubik SCS Bürocenter B1, A-2334 Vösendorf Internet http://www.wyru.at Kundenspezifische Preise sind ein Feature des WyRu
MehrTextdokument-Suche auf dem Rechner Implementierungsprojekt
Textdokument-Suche auf dem Rechner Implementierungsprojekt Referent: Oliver Petra Seminar: Information Retrieval Institut für Computerlinguistik Ruprecht-Karls-Universität Heidelberg 19.01.2015 Überblick
Mehr6.3 Serienbriefe über Microsoft Excel und Word
6.3 Serienbriefe über Microsoft Excel und Word Handelt es sich um eine große Anzahl von Kontakten, die an einem Mailing teilnehmen soll, kann es vorteilhaft sein, den Serienbrief über Microsoft Excel und
MehrInhalt des Vortrags. o genetische Grundlagen. o Wie findet man Erbfehler? o Zusammenfassung. Was ist ein Haplotyp?
Inhalt des Vortrags o genetische Grundlagen Was ist ein Haplotyp? o Wie findet man Erbfehler? basierend auf Phänotypen: Zwergwuchs basierend auf Genotypen: Braunvieh Haplotyp II o Zusammenfassung einige
MehrIhre Interessentendatensätze bei inobroker. 1. Interessentendatensätze
Ihre Interessentendatensätze bei inobroker Wenn Sie oder Ihre Kunden die Prozesse von inobroker nutzen, werden Interessentendatensätze erzeugt. Diese können Sie direkt über inobroker bearbeiten oder mit
MehrÜbung zur Vorlesung Einführung in die Computerlinguistik und Sprachtechnologie
Übung zur Vorlesung Einführung in die Computerlinguistik und Sprachtechnologie Wintersemester 2009/10, Prof. Dr. Udo Hahn, Erik Fäßler Übungsblatt 3 vom 19.11.2009 Abgabe bis 26.11.2009, 14:30 Uhr; per
MehrSEP 325. Notwendigkeit. häufige Situation: Programm funktioniert im Prinzip fehlerfrei, aber nicht mit gewünschter Performanz
Optimierungen SEP 325 Notwendigkeit häufige Situation: Programm funktioniert im Prinzip fehlerfrei, aber nicht mit gewünschter Performanz Symptome des Mangels an Performanz: OutOfMemoryError wird geworfen
Mehr