Genetische Algorithmen. Uwe Reichel IPS, LMU München 8. Juli 2008
|
|
- Pamela Kaiser
- vor 6 Jahren
- Abrufe
Transkript
1 Genetische Algorithmen Uwe Reichel IPS, LMU München 8. Juli 2008
2 Inhalt Einführung Algorithmus Erweiterungen alternative Evolutions- und Lernmodelle Inhalt 1
3 Einführung Motivation Evolution als erfolgreiche und robuste Optimierungsmethode bei großen Suchräumen mit komlexen schwer zu modellierenden Interdependenzen von Objektmerkmalen Vermeidung lokaler Minima in der Fehlerfunktion durch Streuung der Suche leichte Parallelisierbarkeit Evolution (nach Darwin) Varianz im Genpool je besser angepasst (je fitter) ein Individuum, desto höher die Wahrscheinlichkeit, mit der es seine Gene an die nächste Generation weitergibt (Gründe: Attraktivität, Lebensdauer) Optimierung des Genpools im Laufe der Generationen Einführung 2
4 Terminologie Population: Sammlung von Hypothesen (=Individuen) Generation: Population zum Iterationsschritt i Fitness: Güte einer Hypothese Selektion: Auswahl von Hypothesen in Abhängigkeit ihrer Fitness Mutation: zufällige Veränderung einer Hypothese Crossover: zufälliger Austausch von Hypothesen-Bestandteilen zwischen Hypothesenpaaren Beispiel: Hypothese: Initialisierung eines Neuronalen Netzes N (bzgl. Architektur, Aktivierungsfunktion, Trainingsverfahren, Lernregel, etc.) Fitness: Performanz von N auf Testdaten Mutation: zufällige Veränderung von Bestandteilen von N Crossover: zufälliger Austausch von Bestandteilen zwischen zwei Netzen Einführung 3
5 Algorithmus Repräsentation von Hypothesen als Bit-Strings zur einfacheren Verarbeitung Beispiel: Neuronales Netz mit modifizierbaren Parametern: Anzahl der Schichten: Aktivierungsfunktion: purelin 00 satlin 01 logsig 10 tansig 11 Individuen: 100: 2-schichtig, purelin 010: 1-schichtig, logsig Algorithmus 4
6 Genetische Operatoren Mutation wähle zufällig ein Individuum aus wähle zufällig eine Position im Bit-String setze das Bit an dieser Position um z.b Crossover wähle zufällig zwei Individuen H 1 und H 2 aus Bit-Austausch zwischen diesen Individuen in Abhängigkeit einer Crossover-Maske Crossover-Maske: Bitstring (z.b. 1 Bit-Austausch zwischen H 1 und H 2 an der entsprechenden Position) Algorithmus 5
7 Ein-Punkt-Crossover (Ende der 1-Sequenz zufällig gewählt): H H Maske H H Zwei-Punkt-Crossover (Beginn und Ende der 1-Sequenz zufällig gewählt): H H Maske H H Algorithmus 6
8 Uniformes Crossover (zufällige Bitwerte Crossover-Maske): H H Maske H H Algorithmus 7
9 Algorithmus Initialisere Population P := Menge zufällig generierter Hypothesen Evaluiere: für alle h P: berechne Fitness(h) while([max h Fitness(h)] < Fitness schwelle) Erzeuge neue Generation P s : Select: übernehme probabilistisch eine Teilmenge von P in P s. Übernahmewahrscheinlichkeit für Hypothese h i : P r(h i ) = P Fitness(h i ) j Fitness(h j ) Crossover innerhalb einer Teilmenge von P s Mutate innerhalb einer Teilmenge von P s Update: P P s Evaluiere (s.o.) endwhile Return arg max h P [Fitness(h)] Algorithmus 8
10 Erweiterungen Parallelisierung z.b. Tanese, 1989, Cohoon et al., 1987 Aufteilung der Population in voneinander separierten Gruppen von Individuen (Deme) Simulierung voneinander unabhängiger Evolutionsprozesse in jedem dieser Deme. Austausch über Migration längerfristige Erweiterung des Suchraums, abnehmende Gefahr einer schlechten lokalen Optimierung Erweiterungen 9
11 Simulated Anealing Abkühlung im Laufe der Evolution zu Beginn: große gegen Ende: nur noch feine Änderungen zwischen den Generationen möglich Änderungen möglich erreicht durch: Herabsetzung des Anteils der für Crossover und Mutation zugelassenen Individuen Restriktion von Crossover auf Paare ähnlicher Individuen Restriktion der Mutation auf nur noch kleine Änderungen Erweiterungen 10
12 Alternative Evolutions- und Lernmodelle Lamarck sche Hypothese Erfahrung eines Individuums wird in den Genpool aufgenommen und an die nächste Generation weitergegeben biologisch widerlegt, aber nutzbringend für genetische Algorithmen (z.b. Grefenstette, 1991) z.b. Miteinbezug von Vebindungsgewichten in die Repräsentation von Neuronalen Netzen Alternative Evolutions- und Lernmodelle 11
13 Baldwin-Effekt Evolution bevorzugt lernfähige Individuen Grund: Individuen können durch Lernen ihre Fitness erhöhen Lernfähige Individuen sind weniger stark abhängig von ihrem (unflexiblen) genetischen Code. größere Variabilität im Genpool möglich abnehmende Gefahr einer schlechten lokalen Optimierung Studien mit neuronalen Netzen mit lernbaren vs. genetisch festgelegten Gewichten (Hinton et al., 1987) Alternative Evolutions- und Lernmodelle 12
13 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
MehrDatenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de
Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Wiederholung: Anfragegraph Anfragen dieses Typs können als Graph dargestellt werden: Der
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
MehrGenetische Algorithmen
Genetische Algorithmen Projektgruppe 431 Metaheuristiken Bianca Selzam Inhaltsverzeichnis 1 Einleitung......................................................... 1 2 Grundlagen aus der Biologie.......................................
MehrComputational Intelligence
Vorlesung Computational Intelligence Stefan Berlik Raum H-C 80 Tel: 027/70-267 email: berlik@informatik.uni-siegen.de Inhalt Überblick Rückblick Optimierungsprobleme Optimierungsalgorithmen Vorlesung Computational
MehrSeminararbeit zum Thema Genetische Algorithmen
Seminararbeit zum Thema Genetische Algorithmen Seminar in Intelligent Management Models in Transportation und Logistics am Institut für Informatik-Systeme Lehrstuhl Verkehrsinformatik Univ.-Prof. Dr.-Ing.
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
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
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
MehrOptimierung und Fertigung eines Bogenmittelteils aus einer Magnesiumlegierung
363 Optimierung und Fertigung eines Bogenmittelteils aus einer Magnesiumlegierung Jürgen Edelmann-Nusser 1 (Projektleiter), Sándor Vajna 2 & Konstantin Kittel 2 1 Universität Magdeburg, Institut für Sportwissenschaft
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
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
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
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
MehrEinführung in neuronale Netze
Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze
MehrSoftcomputing Biologische Prinzipien in der Informatik. Neuronale Netze. Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003
Softcomputing Biologische Prinzipien in der Informatik Neuronale Netze Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003 Überblick Motivation Biologische Grundlagen und ihre Umsetzung
MehrProtokoll zum Informatik Praktikum. Themenbereich: Neuronale Netze
Protokoll zum Informatik Praktikum Themenbereich: Neuronale Netze (1) Gegenstand des Praktikums (2) Beschreibung des Netzwerks (3) Der genetische Lernalgorithmus (4) Codierung der Lerndaten und Kapazität
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
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
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
MehrInformationen aus der Nutzungsphase
Sonderforschungsbereich 653 Leibniz Universität Hannover Informationen aus der Nutzungsphase Garbsen, 15. Januar 2015 Prof. Dr.-Ing. R. Lachmayer Leibniz Universität Hannover Vision Gentelligente Bauteile
MehrWas bisher geschah. Lernen: überwachtes Lernen. biologisches Vorbild neuronaler Netze: unüberwachtes Lernen
Was bisher geschah Lernen: überwachtes Lernen korrigierendes Lernen bestärkendes Lernen unüberwachtes Lernen biologisches Vorbild neuronaler Netze: Neuron (Zellkörper, Synapsen, Axon) und Funktionsweise
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
MehrFoto: Kate Whitley, www.biotechnologie.de
Foto: Kate Whitley, www.biotechnologie.de Inhalt o Was kann die genomische ZWS nicht? o QTL: Erfahrungen aus genomweiten Studien o Begriffklärung [Re-]Sequenzierung o Hochdurchsatzsequenzierung technische
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
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrVergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN)
Exposé zur Bachelorarbeit: Vergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN) Fakultät: Informatik, Humboldt-Universität zu Berlin Lijuan Shi 09.05.2013 Betreuer: Prof. Dr.
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
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
MehrSimulation neuronaler Netzwerke mit TIKAPP
Überblick Michael Hanke Sebastian Krüger Institut für Psychologie Martin-Luther-Universität Halle-Wittenberg Forschungskolloquium, SS 2004 Überblick Fragen 1 Was sind neuronale Netze? 2 Was ist TIKAPP?
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
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
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.
MehrHochschule Regensburg. Spezielle Algorithmen (SAL) Lehrbeauftragter: Prof. Sauer
Hochschule Regensburg Übung 44_ Multilayer-Perzeptron: Entwurf, Implementierung Bacpropagation Spezielle Algorithmen (SAL) Lehrbeauftragter: Prof. Sauer Name: Vorname: Multilayer-Perzeptrons (MLPs) sind
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,
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.
MehrOSCI-Transport 1.2 Korrigenda 05/2011 Status: Entwurf OSCI Leitstelle
OSCI-Transport 1.2 Korrigenda 05/2011 Status: Entwurf OSCI Leitstelle Bremen, 3. Februar 2011 OSCI-Transport 1.2 Korrigenda vom 3.5.2011 Seite 2 Inhaltsverzeichnis 1 Einleitung... 3 1.1 Anlass der Korrigenda...
MehrAbbildungsverzeichnis. Tabellenverzeichnis. Algorithmenverzeichnis. Abkürzungsverzeichnis. Symbolverzeichnis
Carolin Kellenbrink Ressourcenbeschränkte Projektplanung für flexible Projekte Mit einem Geleitwort von Prof. Dr. Stefan Helber 4^ Springer Gabler Abbildungsverzeichnis Tabellenverzeichnis Algorithmenverzeichnis
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
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
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
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
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
MehrDistributed Space Partitioning Trees
Distributed Space Partitioning Trees Management von ortsbezogenen Diensten Fachbereich Informatik FernUniversität Hagen Ortsbezogene Dienste Ein ortsbezogener Dienst ist eine Anwendung, die: - auf geographischen
MehrNeuronale Netze mit mehreren Schichten
Neuronale Netze mit mehreren Schichten Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Neuronale Netze mit mehreren
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
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
MehrRekonstruktion 3D-Datensätze
Rekonstruktion 3D-Datensätze Messung von 2D Projektionsdaten von einer 3D Aktivitätsverteilung Bekannt sind: räumliche Anordnung der Detektoren/Projektionsflächen ->Ziel: Bestimmung der 3D-Aktivitätsverteilung
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
MehrCould a robot be creative - and would we know?
Could a robot be creative - and would we know? By Margaret Boden Philip Meckseper Tina Mahler Margaret Boden Research Professor of Cognitive Science at the University of Susse Association for Artificial
MehrPopulationsstruktur. Einführung in die Populationsgenetik (7) Populationsstruktur. Genfluß. Das Insel-Modell. Genfluß und Populationsstruktur
Einführung in die Populationsgenetik (7) Genfluß und Populationsstruktur 008 David G Heckel Astrid T Groot Gerhard chöfl Populationsstruktur Ideal: Eine große, panmiktische Population. Realität: Die meisten
MehrVerwaltetes Lernen. Modelle des Instruktionsdesigns (ID)
Verwaltetes Lernen Modelle des Instruktionsdesigns (ID) Instruktionstheorie Wegbereiter: Bruner Begründer: Gagné, Ausubel und Scandura Gagné Setzt bisherige Lerntheorien in Relation zueinander Behavioristischer
MehrProgrammieren was ist das genau?
Programmieren was ist das genau? Programmieren heisst Computerprogramme herstellen (von griechisch programma für Vorschrift). Ein Computerprogramm ist Teil der Software eines Computers. Als Software bezeichnet
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.
MehrVorhersage von Energieverbrauch
HOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG Fakultät Informatik Vorhersage von Energieverbrauch Ausarbeitung im Fach Neuronale Netze Prof. Dr. Oliver Bittel Sommersemester 2008 von Max Nagl
MehrComputer Graphik II Tesselierung impliziter Kurven und Flächen
Computer Graphik II impliziter Kurven und Flächen 1 impliziter Flächen Problem: Nullstellenmenge kann nicht explizit berechnet werden! Lösung: ApproximaCon der Fläche auf Zellen Beispiel 2D: f p ( )
MehrMotivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.
Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später
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
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Training des XOR-Problems mit einem Künstlichen Neuronalen Netz (KNN) in JavaNNS 11.04.2011 2_CI2_Deckblatt_XORbinaer_JNNS_2
MehrModerne Methoden der KI: Maschinelles Lernen
Moderne Methoden der KI: Maschinelles Lernen Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Sommer-Semester 2009 1. Einführung: Definitionen Grundbegriffe Lernsysteme Maschinelles Lernen Lernen: Grundbegriffe
MehrWie erblich sind Epilepsien? Konzepte für die Interaktion von Genen und Umwelt
Wie erblich sind Epilepsien? Konzepte für die Interaktion von Genen und Umwelt Ingo Helbig Klinik für Neuropädiatrie UKSH Kiel www.epilepsiegenetik.de Aufbau Aufbau - Warum? Aufbau - Warum? - Der Stand
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
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
MehrData Mining in SAP NetWeaver BI
Martin Kießwetter, Dirk Vahl kam p Data Mining in SAP NetWeaver BI Galileo Press Bonn Boston 2.1 Was ist Data Mining? 17 2.2 Data Mining, KDD und Business Intelligence 20 2.3 KDD-Prozessmodelle 22 2.4
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 22. Constraint-Satisfaction-Probleme: Kantenkonsistenz Malte Helmert Universität Basel 14. April 2014 Constraint-Satisfaction-Probleme: Überblick Kapitelüberblick
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
MehrPIWIN I. Praktische Informatik für Wirtschaftsmathematiker, Ingenieure und Naturwissenschaftler I. Vorlesung 3 SWS WS 2007/2008
PIWIN I Kap. 7 Objektorientierte Programmierung - Einführung 1 PIWIN I Praktische Informatik für Wirtschaftsmathematiker, Ingenieure und Naturwissenschaftler I Vorlesung 3 SWS WS 2007/2008 FB Informatik
Mehr22. Algorithmus der Woche Partnerschaftsvermittlung Drum prüfe, wer sich ewig bindet
22. Algorithmus der Woche Partnerschaftsvermittlung Drum prüfe, wer sich ewig bindet Autor Volker Claus, Universität Stuttgart Volker Diekert, Universität Stuttgart Holger Petersen, Universität Stuttgart
MehrINAUGURAL-DISSERTATION zur Erlangung der Doktorwürde
INAUGURAL-DISSERTATION zur Erlangung der Doktorwürde der Naturwissenschaftlich-Mathematischen Gesamtfakultät der Ruprecht-Karls-Universität Heidelberg vorgelegt von Dipl.-Phys. Tillmann Schmitz aus Kiel
MehrReaktive Sicherheit. II. Passwörter. Dr. Michael Meier. technische universität dortmund
Reaktive Sicherheit II. Passwörter Dr. Michael Meier technische universität dortmund Fakultät für Informatik Lehrstuhl VI, Informationssysteme und Sicherheit 20. Oktober 2009 Grundlegendes Grundlegendes
MehrWas heißt Kryptographie I? Understanding Cryptography Christof Paar und Jan Pelzl
Was heißt Kryptographie I? Understanding Cryptography Christof Paar und Jan Pelzl Die Autoren Dr.-Ing. Jan Pelzl Prof. Dr.-Ing. Christof Paar Gliederung Historischer Überblick Begrifflichkeiten Symmetrische
Mehr2. Lernen von Entscheidungsbäumen
2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
MehrChristoph Fischer. DFKI Intelligente Netze. Optimierte Kanalauswahl in lokalen Funknetzen mittels SINR-basierter Algorithmen
DFKI Intelligente Netze Optimierte Kanalauswahl in lokalen Funknetzen mittels SINR-basierter Algorithmen Agenda 1. Motivation 2. Problemstellung 3. Anforderungen 4. Automatisierter Kanalwechsel 5. Funktionstest
MehrUniversität Potsdam Naturwissenschaftliche Fakultät Informatik. Bildverarbeitung mit Hilfe von genetischen Algorithmen
Universität Potsdam Naturwissenschaftliche Fakultät Informatik Projekt Bildverarbeitung mit Hilfe von genetischen Algorithmen Betti Österholz oesterholz@fib-development.org 2. Mai 2004 Copyright (C) 2004
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
MehrAnfrage Erweiterung 03.11.2011 Jan Schrader
Anfrage Erweiterung 03.11.2011 Jan Schrader Vocabulary Mismatch Problem Anfrage und Dokument passen nicht zusammen obwohl Dokument zur Anfrage relevant Grund: Synonymproblem verschiedene Menschen benennen
MehrMeeting C++ C++11 R-Value Referenzen
Meeting C++ Detlef Wilkening http://www.wilkening-online.de 09.11.2012 Inhalt Motivation L-Values und R-Values R-Value Referenzen Move Semantik std::move Funktionen mit R-Value-Referenz Parametern Fazit
MehrGenomische Selektion in der Pflanzenzüchtung
Genomische Selektion in der Pflanzenzüchtung Chris-CarolinCarolin Schön 30. März 2012 Hybridzüchtung Population 1 Population 2 Kreuzungen 10.000000 Linieni Prüfung 1 Umwelt Kreuzungen 10.000000 Linen 2.000
MehrNeuronale Netze (I) Biologisches Neuronales Netz
Neuronale Netze (I) Biologisches Neuronales Netz Im menschlichen Gehirn ist ein Neuron mit bis zu 20.000 anderen Neuronen verbunden. Milliarden von Neuronen beteiligen sich simultan an der Verarbeitung
MehrSozio- Technische Systeme
Soziotechnische Informationssysteme 12. The Wisdom of Crowds Smart Crowds 1 Motivation Smart Crowd = Human Cloud Direkte Wertschöpfung in (sozialen) Netzen Monetär oder ideell Auftraggeber Worker Crowd
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrMAC Message Authentication Codes
Seminar Kryptographie SoSe 2005 MAC Message Authentication Codes Andrea Schminck, Carolin Lunemann Inhaltsverzeichnis (1) MAC (2) CBC-MAC (3) Nested MAC (4) HMAC (5) Unconditionally secure MAC (6) Strongly
MehrClusteranalyse und Genetische Algorithmen
Duale Hochschule Baden-Württemberg Standort Stuttgart, Campus Horb Florianstraße 15 72160 Horb am Neckar TIT 2008/NS 6. Semester Data-Mining Prof. Peter Schubert Data-Mining Algorithmen Clusteranalyse
MehrMehr Bewegung im Alltag
Mehr Bewegung im Alltag wie geht das und was bringt das? AB Sport und Gesundheit Institut für Sportwissenschaft Was ist Gesundheit?? ein Zustand des vollständigen körperlichen, geistigen und sozialen Wohlergehensund
MehrWiederholung: Informationssicherheit Ziele
Wiederholung: Informationssicherheit Ziele Vertraulichkeit: Schutz der Information vor unberechtigtem Zugriff bei Speicherung, Verarbeitung und Übertragung Verschlüsselungsverfahren Integrität: Garantie
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
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
MehrHollanders Theorie über Konformität, Status und Idiosynkrasie-Kredit. Referat von Varinia Bernau
Hollanders Theorie über Konformität, Status und Idiosynkrasie-Kredit Referat von Varinia Bernau Gliederung I. Einleitung II. III. IV. Hollanders Theorie über Konformität, Status und Idiosynkrasie-Kredit
MehrKontrollstrukturen, Pseudocode und Modulo-Rechnung
Kontrollstrukturen, Pseudocode und Modulo-Rechnung CoMa-Übung III TU Berlin 29.10.2012 CoMa-Übung III (TU Berlin) Kontrollstrukturen, Pseudocode und Modulo-Rechnung 29.10.2012 1 / 1 Themen der Übung 1
MehrDas in diesem Werk enthaltene Programm-Material ist mit keiner Verpflichtung oder Garantie irgendeiner Art verbunden.
Zusatzmaterial zum Buch "Algorithmen kompakt und verständlich" Das in diesem Werk enthaltene Programm-Material ist mit keiner Verpflichtung oder Garantie irgendeiner Art verbunden. Der Autor übernimmt
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
MehrDie Programmiersprache C
Die Programmiersprache C höhere Programmiersprache (mit einigen Assembler-ähnlichen Konstrukten) gut verständliche Kommandos muss von Compiler in maschinenlesbaren Code (Binärdatei) übersetzt werden universell,
MehrStudiendesign/ Evaluierungsdesign
Jennifer Ziegert Studiendesign/ Evaluierungsdesign Praxisprojekt: Nutzerorientierte Evaluierung von Visualisierungen in Daffodil mittels Eyetracker Warum Studien /Evaluierungsdesign Das Design einer Untersuchung
MehrDie beste Infrastruktur ist nur so schnell, wie der Code der darauf läuft. Fallbeispiel Wettervorhersage
Die beste Infrastruktur ist nur so schnell, wie der Code der darauf läuft Fallbeispiel Wettervorhersage VPE Swiss Workshop, HSR 24. Januar 2013 David Müller, Tobias Gysi Vision trifft Realität. Supercomputing
MehrAnwendungen der Wirtschaftsinformatik. Univ. Ass. Sylvia STAUDINGER
Anwendungen der Wirtschaftsinformatik Univ. Ass. Sylvia STAUDINGER Oktober 2001 Inhaltsverzeichnis 1 Informatikgrundlagen 3 1.1 Programmiersprachen....................... 3 1.1.1 Low-level Sprachen....................
MehrVirtualisierung in Netzen Möglichkeiten und Probleme
Virtualisierung in Netzen Möglichkeiten und Probleme Dieter Kranzlmüller, Martin Metzker Munich Network Management Team Ludwig-Maximilians-Universität München (LMU) & Leibniz-Rechenzentrum der Bayerischen
MehrDie Evolutionsfaktoren nach Darwin
Die Evolutionsfaktoren nach Darwin 1. Mutationen a) Genmutation ( auf der DNA, Basenmutationen ) b) Genommutationen (Änderung der Gesamtchromosomenzahl ) c) Chrom.-mutationen(Duplik.,Deletion,Inversion,
MehrMethoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen
Methoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen Christian Scheideler SS 2009 16.07.2009 Kapitel 2 1 Übersicht Notation Paging Selbstorganisierende Suchstrukturen Finanzielle
MehrComputational Intelligence I Künstliche Neuronale Netze
Computational Intelligence I Künstliche Neuronale Nete Universität Dortmund, Informatik I Otto-Hahn-Str. 6, 44227 Dortmund lars.hildebrand@uni-dortmund.de Inhalt der Vorlesung 0. Organisatorisches & Vorbemerkungen.
Mehr