Grundläggande Idéer Algoritmens komponenter Numerisk optimering Genetisk Programmering. Genetiska Algoritmer
|
|
- Isak Bengtsson
- för 5 år sedan
- Visningar:
Transkript
1 Genetiska Algoritmer
2 1 Grundläggande Idéer Exempel
3 Parallell optimering inspirerad av biologisk evolution
4 Parallell optimering inspirerad av biologisk evolution Population av hypoteser Urvalprocess Lokal variation
5
6 Population av individer
7 Population av individer Urval av de bäst fungerande individerna
8 Population av individer Urval av de bäst fungerande individerna Variation skapar nya individer
9 Population av individer Urval av de bäst fungerande individerna Variation skapar nya individer Nya generationer skapas iterativt
10 1 Grundläggande Idéer Exempel
11 Hur kodas hypoteserna?
12 Hur kodas hypoteserna? Kromosomer Binära strängar
13 Hur kodas hypoteserna? Kromosomer Binära strängar Egenskap 1 Egenskap 2 Egenskap 3 4
14 Hur kodas hypoteserna? Kromosomer Binära strängar Egenskap 1 Egenskap 2 Egenskap 3 4 Genotyp Den faktiska lagringen (kromosomerna) Fenotyp Individens egenskaper (tolkningen)
15 Exempel: Optimalt val av kanter i en graf
16 Exempel: Optimalt val av kanter i en graf Kanterna kodas som en bit-sträng
17 Exempel: Optimalt val av kanter i en graf Kanterna kodas som en bit-sträng
18 Måste allt lagras som bit-strängar?
19 Måste allt lagras som bit-strängar? Varianter: Andra heltal än 0/1
20 Måste allt lagras som bit-strängar? Varianter: Andra heltal än 0/1 Reella tal
21 Måste allt lagras som bit-strängar? Varianter: Andra heltal än 0/1 Reella tal Variabel längd
22 Måste allt lagras som bit-strängar? Varianter: Andra heltal än 0/1 Reella tal Variabel längd Trädstrukturer
23 Fitness-funktionen Mått på hur bra hypotesen är
24 Fitness-funktionen Mått på hur bra hypotesen är f : kromosom R
25 Fitness-funktionen Mått på hur bra hypotesen är f : kromosom R Exempel:
26 Fitness-funktionen Mått på hur bra hypotesen är f : kromosom R Exempel: Total väglängd i en graf
27 Fitness-funktionen Mått på hur bra hypotesen är f : kromosom R Exempel: Total väglängd i en graf Felet vid funktionsanpassning
28 Fitness-funktionen Mått på hur bra hypotesen är f : kromosom R Exempel: Total väglängd i en graf Felet vid funktionsanpassning Prestanda för en simulerad robot
29 Fitness-funktionen Mått på hur bra hypotesen är f : kromosom R Exempel: Total väglängd i en graf Felet vid funktionsanpassning Prestanda för en simulerad robot Antal vunna partier (spel)
30 Fitness-funktionen Mått på hur bra hypotesen är f : kromosom R Exempel: Total väglängd i en graf Felet vid funktionsanpassning Prestanda för en simulerad robot Antal vunna partier (spel) Evalueringen av fitnessfunktionen är ofta den beräkningskrävade delen av en genetisk algoritm
31 Urval
32 Urval Grundidé: Behåll individer med hög fitness
33 Urval Grundidé: Behåll individer med hög fitness Roulette selection Sannolikheten att överleva proportionell mot f
34 Urval Grundidé: Behåll individer med hög fitness Roulette selection Sannolikheten att överleva proportionell mot f Ranking selection Urval baserat på ordningsnummer istället för fitness-värde.
35 Urval Grundidé: Behåll individer med hög fitness Roulette selection Sannolikheten att överleva proportionell mot f Ranking selection Urval baserat på ordningsnummer istället för fitness-värde. Tournament selection Slumpmässiga par bildas och den med högst fitness överlever
36 Urval Grundidé: Behåll individer med hög fitness Roulette selection Sannolikheten att överleva proportionell mot f Ranking selection Urval baserat på ordningsnummer istället för fitness-värde. Tournament selection Slumpmässiga par bildas och den med högst fitness överlever Elitism Garanterad överlevnad för de bäst rankade individerna
37 Mutationer Små slumpmässiga ändringar Korsningar Blandning av individernas egenskaper
38 Mutationer
39 Mutationer Gör slumpmässiga ändringar i kromosomerna
40 Mutationer Gör slumpmässiga ändringar i kromosomerna Vald kodning spelar stor roll
41 Korsningar
42 Korsningar Välj två individer med hög fitness Byt delar av kromosomerna med varandra
43 Korsningar Välj två individer med hög fitness Byt delar av kromosomerna med varandra One-point crossover
44 Korsningar Välj två individer med hög fitness Byt delar av kromosomerna med varandra One-point crossover Multi-point crossover
45 Tillämpning på vanliga optimeringsproblem
46 Tillämpning på vanliga optimeringsproblem Antag att vi söker max f(x, y)
47 Tillämpning på vanliga optimeringsproblem Antag att vi söker max f(x, y) Kodning: kromosom med två reella tal
48 Tillämpning på vanliga optimeringsproblem Antag att vi söker max f(x, y) Kodning: kromosom med två reella tal Varje individ är en punkt i planet
49 Tillämpning på vanliga optimeringsproblem Antag att vi söker max f(x, y) Kodning: kromosom med två reella tal Varje individ är en punkt i planet Mutation Spridning parallellt med koordinataxlarna
50 Tillämpning på vanliga optimeringsproblem Antag att vi söker max f(x, y) Kodning: kromosom med två reella tal Varje individ är en punkt i planet Mutation Spridning parallellt med koordinataxlarna Korsning Nya punker med x från en förälder och y från en annan
51 Exempel: Optimerad kodgenerering vid kompilering
52 Exempel: Optimerad kodgenerering vid kompilering ACOVEA Analysis of Compiler Options via Evolutionary Algorithms
53 Exempel: Optimerad kodgenerering vid kompilering ACOVEA Analysis of Compiler Options via Evolutionary Algorithms System för att hitta de optimala kompilatorinställningarna för ett givet C-program
54 Exempel Genetisk programmering
55 Exempel Genetisk programmering Användning av GA för att skapa program automatiskt
56 Exempel Genetisk programmering Användning av GA för att skapa program automatiskt Hur representeras programmen?
57 Exempel Genetisk programmering Användning av GA för att skapa program automatiskt Hur representeras programmen? Hur mäter man fitness?
58 Exempel Genetisk programmering Användning av GA för att skapa program automatiskt Hur representeras programmen? Hur mäter man fitness? Hur gör man mutationer?
59 Exempel Genetisk programmering Användning av GA för att skapa program automatiskt Hur representeras programmen? Hur mäter man fitness? Hur gör man mutationer? Hur gör man korsningar?
60 Exempel Representation av programmen
61 Exempel Representation av programmen Vanliga språk är inte lämpliga
62 Exempel Representation av programmen Vanliga språk är inte lämpliga Träd med operatorer
63 Exempel Representation av programmen Vanliga språk är inte lämpliga Träd med operatorer Instruktionslista
64 Exempel Exempel Funktionsanpassning
65 Exempel Exempel Funktionsanpassning Representation av programmet + * abs 17 x x
66 Exempel Exempel Funktionsanpassning Representation av programmet + * abs 17 x x Mutationer
67 Exempel Exempel Funktionsanpassning Representation av programmet + * abs 17 x x Mutationer Korsningar
68 Exempel Målfunktion Target
69 Exempel Funnen lösning 1 Target GP
70 Exempel / * * / + * + X * * * + X X X X X * * + X 0 1 / X X X 0.8
71 Exempel / * * / + * + X * * * + X X X X X * * + X 0 1 / Bloating Ansamlandet av onödiga delar i kromosomer med variabel längd X X X 0.8
Genetiska algoritmer. Henrik Hansson (hhn00001@student.mdh.se) Rapport, CDT212 Mälardalens Högskola
Genetiska algoritmer Henrik Hansson (hhn00001@student.mdh.se) Rapport, CDT212 Mälardalens Högskola 1 Sammanfattning Genetiska algoritmer har rötter i 60-talet och efterliknar evolutionsteorin på så sätt
Läs merGenetiska Algoritmer. 10 mars 2014
Genetiska Algoritmer Johan Sandberg Jsg11008@student.mdh.se 10 mars 2014 Niklas Strömberg Nsg11001@student.mdh.se 1 SAMMANFATTNING Genetiska algoritmer är en sorts sökalgoritm som är till för att söka
Läs merGenetisk programmering i Othello
LINKÖPINGS UNIVERSITET Första versionen Fördjupningsuppgift i kursen 729G11 2009-10-09 Genetisk programmering i Othello Kerstin Johansson kerjo104@student.liu.se Innehållsförteckning 1. Inledning... 1
Läs merRegression med Genetiska Algoritmer
Regression med Genetiska Algoritmer Projektarbete, Artificiell intelligens, 729G43 Jimmy Eriksson, jimer336 770529-5991 2014 Inledning Hur många kramar finns det i världen givet? Att kunna estimera givet
Läs merSymboler och abstrakta system
Symboler och abstrakta system Warwick Tucker Matematiska institutionen Uppsala universitet warwick@math.uu.se Warwick Tucker, Matematiska institutionen, Uppsala universitet 1 Vad är ett komplext system?
Läs merGenetiska Algoritmer
Linköpings Universitet Intutionen för datavetenskap Artificiell Intelligens HKGBB0 HT-2003, oktober Genetiska Algoritmer Som problemlösning Anna Skoglund annsk334@student.liu.se 0 Abstract Genetiska algoritmer
Läs mergenetiska algoritmer
Introduktion till genetiska algoritmer CT3620 Vetenskapsmetodik 2005-10-21 Ylva egerfeldt ydt01001@student.mdh.se SAMMANFATTNING enna rapport är tänkt som en introduktion till genetiska algoritmer. Först
Läs merGenetiska algoritmer
GA Genetiska algoritmer Warwick Tucker Matematiska institutionen Uppsala universitet warwick@math.uu.se 1 Reseproblem Reseproblem Du önskar att resa inom Europa genom att besöka London, Paris, Rom, Stockholm
Läs merFördjupningsuppgift 729G43 Linköpings Universitet alelo408. Genetisk börshandel. Att hitta mönster i börsmarknaden med genetiska algoritmer
Genetisk börshandel Att hitta mönster i börsmarknaden med genetiska algoritmer Alexander Löfstrand HT 2017 1. Inledning 1.1. Bakgrund Börsmarknaden är full av möjligheter att tjäna pengar, men även på
Läs merKapitel 13. Genetiska algoritmer
Kapitel 13. Genetiska algoritmer Som vi tidigare sett, är det i allmänhet svårt att finna det globala minimet för en funktion av många variabler. Det betyder också att det inte är lätt att hitta på en
Läs merHKGBB0, Artificiell intelligens
HKGBB0, Artificiell intelligens Kortfattade lösningsförslag till tentan 3 november 2005 Arne Jönsson 1. Vad karaktäriserar dagens AI-forskning jämfört med den AI-forskning som bedrevs perioden 1960-1985.
Läs merGenetiska algoritmer. vem raggar på vem? Petter Bergqvist, kogvet 2
Genetiska algoritmer vem raggar på vem?, kogvet 2 petbe082@student.liu.se petbe082@student.liu.se 2(13) Jag har valt att skriva om genetiska algoritmer för att jag finner metoden ytterst intressant, att
Läs merMångfald inom en art. Genotyp. Genpool. Olika populationer. Fig En art definieras som
Mångfald inom en art Population och art. Vad är skillnaden? Vad är en art? Genetisk variation Genetiskt olika populationer Tillämpningar av genetisk variation Etiska problem En art En art definieras som
Läs merEVOLUTIONENS DRIVKRAFTER ARTBILDNING
EVOLUTIONENS DRIVKRAFTER ARTBILDNING Evolutionen på 60 sek https://www.youtube.com/watch?v=oiwde6opvz U Vad är evolutionen (8 min)? https://www.youtube.com/watch?v=ghhojc4oxh8 Hur fungerar evolutionen
Läs merMångfald inom en art. Genotyp. Genpool. Olika populationer. Fig En art definieras som
Mångfald inom en art Population och art. Vad är skillnaden? Vad är en art? Genetisk variation Genetiskt olika populationer Tillämpningar av genetisk variation Etiska problem En art En art definieras som
Läs merLinjärprogramming. EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin
Linjärprogramming EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin 1 Kursmål Formulera korttidsplaneringsproblem för vatten- och värmekraftsystem. 2 Tillämpad matematisk programming Korttidsplanering
Läs merPedagogisk planering Bi 1 - Individens genetik
Centralt innehåll Genetik Arvsmassans uppbyggnad samt ärftlighetens lagar och mekanismer. Celldelning, dnareplikation och mutationer. Genernas uttryck. Proteinsyntes, monogena och polygena egenskaper,
Läs merGenJam En musikalisk genetisk algoritm?
GenJam En musikalisk genetisk algoritm? Kognitionsvetenskapliga programmet Abstract GenJam är en modell av en jazzmusiker som lär sig att improvisera. Det är en interaktiv genetisk algoritm som interagerar
Läs merAnpassningar: i variabla miljöer & Livshistorier och evolutionär fitness Kap. 9&10
Anpassningar: i variabla miljöer & Livshistorier och evolutionär fitness Kap. 9&10 Jätte-stora röda sammetskvalstret Förutsättningar för naturligt urval som leder till evolution: * Avkommeproduktion >
Läs merTensta Gymnasium Per Anderhag 2005 Biologi A Naturligt urval Selektionstryck på Björkmätare 1
Naturligt urval Selektionstryck på Björkmätare 1 Laborationen bygger på den evolution som skett på nattfjärilen björkmätare (Biston betularia) i England. Fjärilen sitter på trädstammar och finns i två
Läs merDynamisk programmering. Dynamisk programmering. Dynamisk programmering. Dynamisk programmering
Betrakta ett lagerhållningsproblem i flera tidsperioder. Vi har tillverkning och försäljning av produkter i varje tidsperiod. Dessutom kan vi lagra produkter mellan tidsperioder, för att utnyttja stordriftsfördelar
Läs mer2D Potentialen i en nervcell definieras normalt som skillnaden i spänning mellan dess axon och dendrit.
2D1432 Artificiella Neuronnät och andra lärande system Lösningsförslag till Tentamen 2003-03-06 Inga hjälpmedel. Uppgift 1 Vilka av följande påståenden är sanna? Korrigera de som är fel. 1. Potentialen
Läs merOptimala koder. Övre gräns för optimala koder. Gränser. Övre gräns för optimala koder, forts.
Datakompression fö 3 p.3 Datakompression fö 3 p.4 Optimala koder Övre gräns för optimala koder En prefixkod kallas optimal om det inte existerar någon annan kod (för samma alfabet och sannolikhetsfördelning)
Läs merOptimala koder. Det existerar förstås flera koder som har samma kodordsmedellängd. Enklaste fallet är att bara byta 0:or mot 1:or.
Datakompression fö 3 p.1 Optimala koder En prefixkod kallas optimal om det inte existerar någon annan kod (för samma alfabet och sannolikhetsfördelning) som har lägre kodordsmedellängd. Det existerar förstås
Läs merKarl Holm Ekologi och genetik, EBC, UU. ebc.uu.se. Nick Brandt. Populationsgenetik
Karl Holm Ekologi och genetik, EBC, UU karl.holm@ ebc.uu.se Nick Brandt Populationsgenetik Kursens upplägg Föreläsningar 24/4, 10:15-16:00 Friessalen Introduktion, HWE 27/4, 10:15-16:00 Inavel 28/4, 10:15-16:00
Läs merBERÄKNINGSMETODER FÖR DEN FRAMTIDA TÅGPLANEPROCESSEN
BERÄKNINGSMETODER FÖR DEN FRAMTIDA TÅGPLANEPROCESSEN Att ta fram avtalstider Sara Gestrelius Martin Aronsson DAGENS PROCESS JNB 1. JNB publiceras. 2. Deadline for ansökningar. 3. Utkast till tågplan. 4.
Läs merAn#bio#karesistens Kan det vara e2 sä2 a2 undervisa om naturligt urval?
An#bio#karesistens Kan det vara e2 sä2 a2 undervisa om naturligt urval? Gustav Bohlin Visuellt Lärande och Kommunika#on Medie- och Informa#onsteknik Ins#tu#onen för Teknik och Naturvetenskap E2 ökande
Läs merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER Datum: 28 maj 2014 Tid: 14.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merFöreläsning 9: NP-fullständighet
Föreläsning 9: NP-fullständighet Olika typer av problem: 1. Beslutsproblem: A(x) =Ja. 2. Optimeringsproblem: A(x) =m Vanligen max/min. 3. Konstruktionsproblem: A(x) =En struktur. Vanligen lösningen till
Läs merIntroduktion till programmering SMD180. Föreläsning 9: Tupler
Introduktion till programmering Föreläsning 9: Tupler 1 1 Sammansatta datatyper Strängar Sekvenser av tecken Icke muterbara Syntax: "abcde" Listor Sekvenser av vad som helst Muterbara Syntax: [1, 2, 3]
Läs merEVOLUTIONÄR LEVELDESIGN LEVELDESIGN MED GENETISKA ALGORITMER
EVOLUTIONÄR LEVELDESIGN LEVELDESIGN MED GENETISKA ALGORITMER Examensarbete Systemarkitekturutbildningen Daniel Johansson Rasmus Nygren 2012:KSAI02 Systemarkitekturutbildningen är en kandidatutbildning
Läs merDen evolutionära scenen
Den evolutionära scenen Det finns en del att förklara Där allt händer Skapande Evolutionsteorin Gibboner Orangutang Gorilla Människa Schimpans Bonobo Naturligt urval Artbildning Livet har en historia Gemensamt
Läs merBättre krossmaskiner kan tas fram genom optimering av en given krossprocess utifrån bergmaterialets fragmenteringsuppträdande
OPTIMAL FRAGMENTERING Bättre krossmaskiner kan tas fram genom optimering av en given krossprocess utifrån bergmaterialets fragmenteringsuppträdande 4/14/2011 1 PRESENTATIONSÖVERSIKT Bakgrund Syfte Metod
Läs merHI1024 Programmering, grundkurs TEN
HI1024 Programmering, grundkurs TEN2 2016-12-22 KTH STH Flemingsberg 8.15-13.00 Tillåtna hjälpmedel: Kursboken C PROGRAMMING A Modern Approach K. N. King helt utan anteckningar Alternativt C från början
Läs merSF2715 Tillämpad kombinatorik, 6hp
SF75 Tillämpad kombinatorik, 6hp Fortsättningskurs i matematik 7 mars 7 maj 009 Kursledare: Jakob Jonsson Upplägg 6 hp = p enligt gamla systemet 8 dubbeltimmar med teori och problemlösning Kursbok och
Läs merOptimeringslära 2013-11-01 Kaj Holmberg
Tekniska Högskolan i Linköping Optimering för ingenjörer Matematiska Institutionen Lösning till tentamen Optimeringslära 23-- Kaj Holmberg Uppgift a: Problemet skrivet i standardform är: Lösningar min
Läs merMetriska rum, R och p-adiska tal
Metriska rum, R och p-adiska tal Tony Johansson 1MA239: Specialkurs i Matematik II Uppsala Universitet VT 2018 När vi säger avståndet mellan punkt X och punkt Y där X och Y är punkter i planet (säg) är
Läs merFöreläsning 1. Introduktion. Vad är en algoritm?
Några exempel på algoritmer. Föreläsning 1. Introduktion Vad är en algoritm? 1. Häll 1 dl havregryn och ett kryddmått salt i 2 1 2 dl kallt vatten. Koka upp och kocka gröten ca 3minuter. Rör om då och
Läs merLinköpings Universitet Sonnerfjord HKGBB0, Artificiell Intelligens danso393 Fördjupningsuppgift Vt 2007. Genetiska algoritmer i flygtrafikledning
Genetiska algoritmer i flygtrafikledning Sammanfattning: I denna fördjupningsuppgift i artificiell intelligens ges en inblick i genetiska algoritmer i flygtrafikledningsdomänen. Arbetet har genomförts
Läs merTräd. Sats. Grafer. Definition. En fullständig graf har en båge mellan varje par av noder. Definition
Grafdefinitioner Träd N = {i}: noder (hörn) = {(i, )}, i N, N: bågar (kanter) Graf: G = (N, ) efinitioner Väg: Sekvens av angränsande bågar. ykel: Väg som startar och slutar i samma nod. En enkel väg innehåller
Läs merAgent som lär sig. Maskininlärning. Genetiska algoritmer. Typer av återkoppling. ! Introduktion. ! Genetiska algoritmer!
Maskininlärning gent som lär sig! Introduktion Yttre standard/återkoppling! Genetiska algoritmer! Exempelinlärning! eslutsträdsinlärning! Version Space-inlärning Återkoppling Kritiserare Mål Inlärningselement
Läs merTDDC74 Programmering: Abstraktion och modellering Datortenta , kl 14-18
TDDC74 Programmering: Abstraktion och modellering Datortenta - 017-10-7, kl 14-18 Läs alla frågorna först och bestäm dig för i vilken ordning du vill lösa uppgifterna. Uppgifterna är inte nödvändigtvis
Läs merOptimeringslära Kaj Holmberg. Lösningar/svar. Iteration 2: x 2 s
Tekniska Högskolan i Linköping Optimering av realistiska sammansatta s Matematiska Institutionen Lösning till tentamen Optimeringslära 2014-01-15 Kaj Holmberg Lösningar/svar Uppgift 1 1a: (Detta problem
Läs merOptimeringslara = matematik som syftar till att analysera och. Optimeringslara ar en gren av den tillampade matematiken.
Optimal = basta mojliga. Optimeringslara = matematik som syftar till att analysera och nna det basta mojliga. Anvands oftast till att nna ett basta handlingsalternativ i tekniska och ekonomiska beslutsproblem.
Läs merSimulering av evolutionär anpassing En studie om hur arters anpassningsförmåga varierar med mutationsfrekvens.
Simulering av evolutionär anpassing En studie om hur arters anpassningsförmåga varierar med mutationsfrekvens. Christian Lie NV3C Polhemsgymnasiet Göteborg 1 Innehållsförteckning: Sammanfattning Inledning
Läs merSammanfattning Arv och Evolution
Sammanfattning Arv och Evolution Genetik Ärftlighetslära Gen Information om ärftliga egenskaper. Från föräldrar till av komma. Tillverkar proteiner. DNA (deoxiribonukleinsyra) - DNA kan liknas ett recept
Läs merProgrammering eller Datalogiskt tänkande
Programmering eller Datalogiskt tänkande I förskolan handlar programmering om att få en begynnande förståelse vad det kan innebära. Barnen ges ett kreativt utrymme och har möjlighet att forma sin egen
Läs merKällkodning. Egenskaper hos koder. Några exempel
Källkodning Källkodning innebär att vi avbildar sekvenser av symboler ur en källas alfabet på binära sekvenser (kallade kodord). Mängden av alla kodord kalls för en kod. (Man kan förstås tänka sig att
Läs merFaktorisering med hjälp av kvantberäkningar. Lars Engebretsen
Faktorisering med hjälp av kvantberäkningar Lars Engebretsen 003-11-18 Bakgrund Vanliga datorer styrs av klassiska fysikens lagar. Vanliga datorer kan simuleras av turingmaskiner i polynomisk tid. Kanske
Läs merEvolution. Hur arter uppstår, lever och försvinner
Evolution Hur arter uppstår, lever och försvinner Aristoteles 384-322 f.kr Idéhistoria Carl von Linné 1707-1778 Georges de Buffon 1707-1788 Jean Babtiste Lamarck 1744-1829 Idéhistoria Cuvier Malthus Lyell
Läs merTräd. Sats. Grafer. Definition. En fullständig graf har en båge mellan varje par av noder. Definition
Grafdefinitioner Träd N = {i}: noder (hörn) = {(i, j)}, i N, j N: bågar (kanter) Graf: G = (N, ) efinitioner Väg: Sekvens av angränsande bågar. ykel: Väg som startar och slutar i samma nod. En enkel väg
Läs merGenetik. - cellens genetik - individens genetik. Kap 6
Genetik - cellens genetik - individens genetik Kap 6 Vad bestämmer hur en organism (cell) ser ut och fungerar? Generna (arvsanlagen) och miljön Hur går det till? En gen är en ritning för hur ett protein
Läs merTNSL05 Optimering, Modellering och Planering. Föreläsning 4
TNSL05 Optimering, Modellering och Planering Föreläsning 4 2018-11-14 2 Kursmål: idag Studenten ska efter avslutad kurs kunna: Analysera och formulera optimeringsmodeller inom ekonomiska tillämpningsområden
Läs merHI1024 Programmering, grundkurs TEN
HI1024 Programmering, grundkurs TEN2 2014-10-27 KTH STH Haninge 13.15-18.00 Tillåtna hjälpmedel: En A4 handskriven på ena sidan med egna anteckningar Kursboken C PROGRAMMING A Modern Approach K. N. King
Läs merDigitalitet. Kontinuerlig. Direkt proportionerlig mot källan. Ex. sprittermometer. Elektrisk signal som representerar ljud.
Analog Digitalitet Kontinuerlig Direkt proportionerlig mot källan Ex. sprittermometer Elektrisk signal som representerar ljud Diskret Digital Representation som siffror/symboler Ex. CD-skiva Varje siffra
Läs merTentamen Datastrukturer (DAT036)
Tentamen Datastrukturer (DAT036) Det här är inte originaltesen. Uppgift 6 var felaktigt formulerad, och har rättats till. Datum och tid för tentamen: 2011-12-16, 8:30 12:30. Ansvarig: Nils Anders Danielsson.
Läs merEvolution. Hur arter uppstår, lever och försvinner
Evolution Hur arter uppstår, lever och försvinner Aristoteles 384-322 f.kr Idéhistoria Carl von Linné 1707-1778 Georges de Buffon 1707-1788 Jean Babtiste Lamarck 1744-1829 De fem rikena Växter Djur Svampar
Läs merFöreläsning 5: Kardinalitet. Funktioners tillväxt
Föreläsning 5: Kardinalitet. Funktioners tillväxt A = B om det finns en bijektion från A till B. Om A har samma kardinalitet som en delmängd av naturliga talen, N, så är A uppräknelig. Om A = N så är A
Läs merHardy-Weinberg jämnvikt Processer som minskar genetisk variation: Inavel Genetisk drift
Populationsgenetik Hardy-Weinberg jämnvikt Processer som minskar genetisk variation: Inavel Genetisk drift Processer som ökar genetisk variation: Mutationer Migration Miljömässiga förändringar Balancen
Läs merEulercykel. Kinesiska brevbärarproblemet. Kinesiska brevbärarproblemet: Metod. Kinesiska brevbärarproblemet: Modell. Definition. Definition.
Eulercykel Definition En Eulercykel är en cykel som använder varje båge exakt en gång. Definition En nods valens är antalet bågar som ansluter till noden. Kinesiska brevbärarproblemet En brevbärartur är
Läs merInteraktion med den genetiska algorithmen GenJam
Interaktion med den genetiska algorithmen GenJam - Linköpings Universitet HT 2012 Innehållsförteckning Innehållsförteckning... 1 Inledning... 2 Ordtabell... 2 Vad är en Genetisk Algorithm... 2 IGA, Interaktiv
Läs merTAOP86/TEN 1 KOMBINATORISK OPTIMERING MED
Matematiska institutionen Optimeringslära TENTAMEN TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED MILJÖTILLÄMPNINGAR för IT Datum: 16 mars 010 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kaj Holmberg: Kombinatorisk
Läs merEvolution, del 1: Evolution och naturlig selektion. Jessica Abbott Forskare Evolutionär Ekologi
Evolution, del 1: Evolution och naturlig selektion Jessica Abbott Forskare Evolutionär Ekologi Kanada Peterborough liftlocks Johnson Hall University of Guelph Lund Ekologihuset Erik Svensson Ischnura elegans
Läs merGenetik II. Jessica Abbott
Genetik II Jessica Abbott Nukleosid Sockergrupp + kvävebas Kvävebaser: Puriner (adenin, guanin) Pyrimidiner (cytosin, thymin i DNA, uracil i RNA) Basparning A=T G C Packning av DNA i eukaryot cellkärna
Läs merFARLIGA TANKAR EVOLUTIONEN
FARLIGA TANKAR EVOLUTIONEN Charles Darwin (1809-1882) NÄR VI ÄR KLARA MED DETTA AVSNITT SKALL DU KUNNA: Ge en beskrivning av hur evolutionsteorin växt fram Visa skillnader och likheter mellan riktat och
Läs merDatatyper och kontrollstrukturer. Skansholm: Kapitel 2) De åtta primitiva typerna. Typ Innehåll Defaultvärde Storlek
De åtta primitiva typerna Java, datatyper, kontrollstrukturer Skansholm: Kapitel 2) Uppsala Universitet 11 mars 2005 Typ Innehåll Defaultvärde Storlek boolean true, false false 1 bit char Tecken \u000
Läs merTDIU01 - Programmering i C++, grundkurs
TDIU01 - Programmering i C++, grundkurs Sammanfattning period 1 Eric Elfving Institutionen för datavetenskap 1 oktober 2013 Översikt Ett C++-programs uppbyggnad Variabler Datatyper Satser Uttryck Funktioner
Läs merEVOLUTIONÄR ALGORITM FÖR VÄGPLANERING I DATORSPEL
EVOLUTIONÄR ALGORITM FÖR VÄGPLANERING I DATORSPEL Examensarbete i informationsteknologi med inriktning mot Dataspelsutveckling Grundnivå 30 högskolepoäng Vårtermin 2017 Jakob Larsson Handledare: Mikael
Läs mer0XVLNVNDSDQGHJHQRP *HQHWLVN 3URJUDPPHULQJ
0XVLNVNDSDQGHJHQRP *HQHWLVN 3URJUDPPHULQJ ) UGMXSQLQJVDUEHWHL$, 0XVLNVNDSDQGHRFK*HQHWLVN3URJUDPPHULQJ 6DPPDQIDWWQLQJ I detta arbete har jag valt att undersöka hur musik kan skapas genom ett system grundat
Läs merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER Datum: 28 augusti 2015 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merN = {i}: noder (hörn) Graf: G = (N, B) Definitioner. Väg: Sekvens av angränsande bågar. Cykel: Väg som startar och slutar i samma nod.
Polyeder 0 x, 0 x, 0 x, x + x + x, x + x + x Grafdefinitioner N = {i}: noder (hörn) = {(i, j)}, i N, j N: bågar (kanter) Graf: G = (N, ) efinitioner Väg: Sekvens av angränsande bågar. ykel: Väg som startar
Läs merTDDC74 Programmering: Abstraktion och modellering Tentamen, onsdag 19 oktober 2016, kl 14 18
TDDC74 Programmering: Abstraktion och modellering Tentamen, onsdag 19 oktober 2016, kl 14 18 Läs alla frågorna först, och bestäm dig för i vilken ordning du vill lösa uppgifterna. Skriv tydligt och läsligt.
Läs merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS Datum: 1 mars 01 Tid: 8.00-1.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merSkrivning för biolog- och molekylärbiologlinjen, genetik 5p.
Skrivning för biolog- och molekylärbiologlinjen, genetik 5p. Namn: Adress: Resultat: Betyg: Hjälpmedel: Miniräknare. Formelblad med tabell. Skrivtid: 9.00-13.00. Beräkningar och svar ska vara motiverade.
Läs merTDDC30 Programmering i Java, Datastrukturer och Algoritmer Lektion 5. Laboration 4 Lådplanering Exempel på layout, ett GUI-baserat program Frågor
TDDC30 Programmering i Java, Datastrukturer och Algoritmer Lektion 5 Laboration 4 Lådplanering Exempel på layout, ett GUI-baserat program Frågor 1 Laboration 5 - Introduktion Syfte: Öva på självständig
Läs merTrädstrukturer och grafer
Översikt Trädstrukturer och grafer Trädstrukturer Grundbegrepp Binära träd Sökning i träd Grafer Sökning i grafer Programmering tillämpningar och datastrukturer Varför olika datastrukturer? Olika datastrukturer
Läs merSamband och förändringar Olika proportionella samband, däribland dubbelt och hälften.
MATEMATIK Matematiken har en flertusenårig historia med bidrag från många kulturer. Den utvecklas såväl ur praktiska behov som ur människans nyfikenhet och lust att utforska matematiken som sådan. Matematisk
Läs merGrundläggande C-programmering del 2 Pekare och Arrayer. Ulf Assarsson
Grundläggande C-programmering del 2 Pekare och Arrayer Ulf Assarsson Läromoment: Pekare Absolutadressering (portar): typedef, volatile, #define Arrayer av pekare, arrayer av arrayer Hemuppgifter: v2. Föregående
Läs merTDDB56 DALGOPT Algoritmer och Optimering Tentamen , 8 13
Linköpings Tekniska Högskola 00-08-0 Institutionen för Datavetenskap David Broman / Jan Maluszynski / Kaj Holmberg TDDB6 DALGOPT Algoritmer och Optimering Tentamen 00-08-0, 8 Examinator Jan Maluszynski
Läs merSpeciell användning av heltalsvariabler. Heltalsprogrammering. Antingen-eller-villkor: Exempel. Speciell användning av heltalsvariabler
Heltalsprogrammering Speciell användning av heltalsvariabler max z = då c j x j j= a ij x j b i j= x j 0 x j heltal i =,..., m j =,..., n j =,..., n ofta x j u j j =,..., n Oftast c, A, b heltal. Ibland
Läs merGenetiskt Programmerad Musik
Genetiskt Programmerad Musik Function Set: play_two, add_space, play_twice, shift_up, shift_down, mirror, play_and_mirror Terminal Set: Notes: C-4, C#4, D-4, D#4, E-4, F-4, F#4, G-4, G#4, A-5, A#5, B-5
Läs merFöreläsning 1. Introduktion och sökning i graf. Vad är en algoritm?
Föreläsning 1. Introduktion och sökning i graf Vad är en algoritm? Först: Vad är ett problem? Består av indata och ett mål. Indata: [En beskrivning av en struktur.] Mål: [Kan vara Ja/Nej, ett tal eller
Läs merHI1024 Programmering, grundkurs TEN2 2015-10-30
HI1024 Programmering, grundkurs TEN2 2015-10-30 KTH STH Haninge 8.15-13.00 Tillåtna hjälpmedel: En A4 handskriven på ena sidan med egna anteckningar Kursboken C PROGRAMMING A Modern Approach K. N. King
Läs merLABORATION 4 OBJEKTORIENTERAD PROGRAMMERING I C++ I
LABORATION 4 OBJEKTORIENTERAD PROGRAMMERING I C++ I Vt 2002 Mål: Lära sig: Filhantering Stränghantering Vektorer Funktioner Programstruktur Tid: Läroboken: 6 timmars handledd laborationstid. Beräknad klar
Läs merProgrammering II (ID1019) :00-11:00
ID1019 Johan Montelius Programmering II (ID1019) 2015-06-11 08:00-11:00 Instruktioner Du får inte ha något materiel med dig förutom skrivmateriel. Mobiler etc, skall lämnas till tentamensvakten. Svaren
Läs merDatastrukturer och Algoritmer D0041D
Luleå Tekniska Universitet 19 mars 2014 Laborationsrapport Laboration 3 Datastrukturer och Algoritmer D0041D Primms Algoritm Namn E-mail Magnus Björk magbjr-3@ltu.student.se Handledare Felix Hansson Primms
Läs merPaneler - VCPXX.2. Programmeringsmanual för VCP-paneler. Revision 2
Paneler - VCPXX.2 Programmeringsmanual för VCP-paneler Revision 2 Innehållsförteckning Innehållsförteckning... 2 1 Symbolfiler för kommunikation via IndraLogic... 3 2 Uppsättning i IndraWorks... 6 3 Programmering
Läs merGENETISK PROGRAMMERAD MUSIK OCH
GENETISK PROGRAMMERAD MUSIK OCH UTVECKLINGEN AV AUTO FITNESS RATERS Abstract Kan datorer skapa egen musik? Kan datorer lära sig vad som är bra musik? Med hjälp av Genetisk programmering och neurala nät
Läs merIntroduktion till programmering och Python Grundkurs i programmering med Python
Introduktion till programmering och Python Hösten 2009 Dagens lektion Vad är programmering? Vad är en dator? Filer Att tala med datorer En första titt på Python 2 Vad är programmering? 3 VAD ÄR PROGRAMMERING?
Läs merEvolution. Hur arter uppstår, lever och försvinner
Evolution Hur arter uppstår, lever och försvinner Aristoteles 384-322 f.kr Idéhistoria Carl von Linné 1707-1778 Georges de Buffon 1707-1788 Jean Babtiste Lamarck 1744-1829 1. Eukaryoter Tre domäner 2.
Läs merString [] argv. Dagens Agenda. Mer om arrayer. Mer om arrayer forts. String [] argv. argv är variabelnamnet. Arrayer och Strängar fortsättning
Dagens Agenda String [] argv String [] argv Arrayer och Strängar fortsättning Booleska operatorer if, for, while satser Introduktion till algoritmer public static void main(string [] argv) argv är variabelnamnet
Läs merProvmoment: Ladokkod: Tentamen ges för: tentamen TX091X TNBAS12. Namn: (Ifylles av student) Personnummer: (Ifylles av student)
Biologi A basår Provmoment: Ladokkod: Tentamen ges för: tentamen TX091X TNBAS12 7,5 högskolepoäng Namn: (Ifylles av student) Personnummer: (Ifylles av student) Tentamensdatum: on 24 oktober 2012 Tid: 9.00-13.00
Läs merNymfkakaduans färgvariationer och mutationer
Nymfkakaduans färgvariationer och mutationer Fjädrarnas pigment skapar fåglarnas färger genom att reflektera eller absorbera ljus. Papegojfåglar är kända för att ha många vackra färger, men kakaduorna
Läs merTentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN OPTIMERING FÖR INGENJÖRER för M/EMM Datum: oktober 0 Tid:.00-9.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merAlgoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övning 7 Anton Grensjö grensjo@csc.kth.se 14 oktober 2015 Anton Grensjö ADK Övning 7 14 oktober 2015 1 / 28 Översikt Kursplanering Ö6: Algoritmkonstruktion F19:
Läs merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN OPTIMERING FÖR INGENJÖRER Datum: oktober 08 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken
Läs merGenetiska algoritmer hur påverkar dess parametrar evolutionen? ANDERS SANDSTRÖM och MARKUS ÖSTBERG
Genetiska algoritmer hur påverkar dess parametrar evolutionen? ANDERS SANDSTRÖM och MARKUS ÖSTBERG Examensarbete Stockholm, Sverige 2011 Genetiska algoritmer hur påverkar dess parametrar evolutionen? ANDERS
Läs merFöreläsning 12+13: Approximationsalgoritmer
Föreläsning 12+13: Approximationsalgoritmer Många av de NP-fullständiga problemen är från början optimeringsproblem: TSP, Graph Coloring, Vertex Cover etc. Man tror att P NP och att det alltså inte går
Läs merDigitalt lärande och programmering i klassrummet
Digitalt lärande och programmering i klassrummet Innehåll Vad är programmering och varför behövs det? Argument för (och emot) programmering Programmering i styrdokumenten Kort introduktion till programmering
Läs merTalföljer och cirklar: Algoritmer, geometri och mönster 2 av 4
Talföljer och cirklar: Algoritmer, geometri och mönster 2 av 4 Lektionen handlar om hur algoritmer kan användas för att skapa geometriska mönster. Lektionsförfattare: Måns Jonasson Till läraren En digital
Läs mer