Genetiska algoritmer. vem raggar på vem? Petter Bergqvist, kogvet 2
|
|
- Mattias Jonsson
- för 7 år sedan
- Visningar:
Transkript
1 Genetiska algoritmer vem raggar på vem?, kogvet 2 petbe082@student.liu.se
2 2(13)
3 Jag har valt att skriva om genetiska algoritmer för att jag finner metoden ytterst intressant, att kunna med hjälp av en idé om livet självt kunna utveckla algoritmer eller program, det är en kittlande tanke. Jag har valt att skriva om hur olika urvalsmetoder i en algoritm kan påverka hur fort man når målet, vi kommer att se att det är en skillnad som kan vara betydlig. Anledning till att jag valt att göra som jag har gjort är att de genetiska algoritmer som jag hittills sett har haft ett snävt sätt att simulera evolution, jag vill bredda detta lite och applicera några av de naturliga fortplantningssätten för att se hur utvecklingen då fortgår. Darwins evolutionlära är en teori som beskriver arternas uppkomst och utveckling. Man förknippar ofta evolution med Charles Darwin och även om inte Darwin vart först med sådana idéer så är det han som blivit känd för eftervärlden för detta. (Fogel, 1995:31) Evolutionsteorin går i korthet ut på att de individer som har bäst överlevnadsförmåga är även de som kommer att fortplanta sig, och på detta sättet kommer de positiva egenskaperna att fortleva och de svaga att dö ut (URL:1). Detta leder till att de enskilda individerna blir starkare och att arten i sig blir starkare. Grunden för hela evolutionsteorin är att alla individer inte är lika. Att de har olika arvsanlag gör de har olika egenskaper och att de därmed har olika förutsättningar för att överleva. Vissa individer har egenskaper som är bättre anpassade för den miljö de lever och de kommer därmed att klara sig bättre och ha större chans att fortplanta sig. Dessa positiva egenskaper kommer att fortleva till deras avkomma och de kommer att ha större chans att fortleva. (URL:3) petbe082@student.liu.se 3(13)
4 Genetisk programmering tar Darwins idéer om att den bäst anpassade överlever och implementerar det på en beräkningsbar nivå. Styrkan hos genetiska algoritmer (GA) och dess släktingar kommer av det faktum att tekniken är robust och pålitlig och kan hantera problem i olika områden. Genetiska algoritmer kommer inte att hitta den mest optimala lösningen, men den kommer att hitta en lösning om det finns en lösning och den lösningen kommer att vara godtagbart snabb. Det finns tekniker för avgränsade områden som är både snabbare och mer precisa än genetiska algoritmer men de har även ett väldigt begränsat handlingsområde, och det är där de tekniker inte kan agera som genetiska algoritmer visar sin styrka. (Beasley m fl, 1993) De första spåren av evolution i datorn kan spåras tillbaka till slutet av 40-talet då Turing i sin uppsats Intelligent machines spekulerade om möjligheterna att låta automatgenerera datorprogram som skulle bestå av tiotusentals små bitar. Han gjorde även en direkt kopppling mellan dess program och sökning. Turing identifierade tre angreppssätt på hur sökning skulle kunna användas för att skapa dessa program varav en kallades genetical or evolutionary search. (Fogel, 1995:55) På 1950 och 60-talen kan man se flera forskare som oberoende av varandra studerade hur evolutionen kan nyttjas som optimeringverktyg för problem man stötte på så presenterade Rechenberg något han kallade evolutionsstrategier, en metod där han optimerade värdena och formen för en vingprofil. Denna metod startade med endast två individer i en population, en förfader och en avkomma, där avkomman var en muterad version av förfadern. Korsning och populationer med många individer kom först senare i denna metod. Fogel, Owens och Walsh utvecklade något de kallade evolutionär programmering, en teknik där de jämförde lösningsförslag med ett slutmål och lät förslagen muteras för att sen börja om igen. Fältet kom att utvecklas då John Holland på 1960-talet uppfanns de genetiska petbe082@student.liu.se 4(13)
5 algoritmerna. Skillnaden mellan genetiska algoritmer och evolutionära strategier och programmering vad att Hollands mål inte var att designa algoritmer för att lösa specifika problem utan att på ett högre plan studera den anpassning som sker i naturen och utveckla sätt att som man kan importera dessa principer i en dator. I sin bok från 1975 Adaption in Natural and artificial systems presenterade Holland en genetisk algoritm som just var en abstraktion från naturen. Hollands algoritm är metod för hur "kromosomer" kan ärvas i en population och genom att nyttja naturligt urval i form av korsning, mutation och rekombination. Hollands bidrag med en populationsbaserad algoritm med nyss nämna urvalsmetoder var ett betydande bidrag till forskningen. Rechenbergs evoltionsstrategier, evolutionär programmering och genetiska algoritmer blev ryggraden i vad som kom att kallas evolutionär beräkning (evolutionary computation). Även ett antal biologer har nyttjat evolutionär beräkning för att göra kontrollerade experiment om hur evolutionen kan tänkas agera på riktigt. (Mitchell, 1996:2-) Idén med att låta maskiner lära sig genom simulerad evolution har blivit föreslagen många gånger. Cannon föreställde sig naturlig evolution som en lärprocess, väldigt lika i både utförande och konsekvens som det en individ genomgår följt av slumpvis trial-and-error. Även Turing såg sådana samband. Campbell sade t ex in all processes leading to expansions of knowledge, a blind-variation-and-selective-survivial process is involved. (Fogel, 1995:55) Genetisk programmering är en utökning den genetiska algoritm som Holland beskrev i sin bok Adaption in natural and artificial systems (Holland, 1975) I dagens forskning används ofta termen genetiska algoritmer för att beskriva något som ligger ganska långt från Hollands originalidé (Mitchell, 1996:3). Genetiska algoritmer används inom en mängd områden som Mitchell och Forrest nämner som exempel (1993): petbe082@student.liu.se 5(13)
6 Optimering, GA kan användas för optimeringsuppgifter, så som numeriska optimeringar som kombinatoriska optimeringar som t ex kretsdesign etc. Automatisk program, GA har använts för att utveckla program för specifika ändamål och för att designa beräkningsbara strukturer, t ex cellulär automata. Maskin och robotinlärning, GA har använts i många maskininslärningssituationer, t ex klassificering och förutsägelseuppgifter för ett dynamiskt system. GA har även använts för att designa neurala nätverk. Ekonomiska modeller, GA har använts för att modellera processer av innovation, utvecklingen av budstrategier och uppkomsten av ekonomiska marknader. Sociala system, GA har använts för att studera evolutionära aspekter av sociala system, så som utvecklingen av samarbete. Denna lista är inte uttömmande men ger en liten fingervisning om vilka områden som vi idag ser att GA används. Som vi ser så har arbetsfältet för GA breddats betydligt sen starten och intresset ökar ständigt. (Mitchell, 1996). Fogel (Fogel, 1995:73-74) beskrev en standardmall som de flest genetiska algoritmer är utformade efter. 1. Problemet måste definieras och varje lösning måste kunna bestämmas med en enskild funktion. 2. En population med slumpmässiga individer skapas intitalt. Varje individ är en möjlig lösning på problemet. 3. Alla individer utvärderas med hjälp av fitnessfunktionen från steg Med fitnessvärdet så ges varje individ en grad av möjlighet till reproduktion. petbe082@student.liu.se 6(13)
7 5. När alla individer utvärderats så sker en reproduktion, med de till buds stående tillvägagångssätten. De sämsta individerna dödas. 6. När en ny generation skapats så början hela processen om från steg 3. Denna process är sedan itererad över flera gånger, där varje iteration kallas för "generation". Efter flera generationer så har man en eller flera individer med ett högt fitnessvärde. (Mitchell, Forrester, 1993) Förståelsen för betydelsen av de genetiska operatorerna är idag relativt god. Mutation introducerar förändringar i populationen, rekombination flyttar om redan existerande kromsomer hos individerna och selektion plockar ut de individer som anses vara bäst (enligt fitnessfunktionen). Mutation och rekombination utforskar och utökar sökrymden medan selektionen utnyttjar den nyss utökade sökrymden. En god balans mellan dessa operatorer är således av yttersta vikt för att algoritmen ska bli lyckad. (Bäck, 1994) I genetiska algoritmer så har länge rekombination setts som det viktigaste sätter att förändra individer, detta det snabbt utforskar problemrymden. (Beasley m fl, 1993) Att välja rätt individer som ska få fortleva är av yttersta vikt. En vanlig selektionsmetod inom GA är något som kallas fitness-proportinate selection, där antalet gånger en enskild individ beräknas fortplanta sig är lika med dess fitnessvärde delat med fitnessgenomssnittet i populationen. Detta brukar biologer även kalla viability selection. (Mitchell, 1996:11). Sexuell reproduktion är det vanligaste sättet att reproducera sig bland däggdjur. I sexuell reproduktion så ska det ske ett urval av individer, i arter med två kön så spelar skönhetstävlingar en stor roll. Med petbe082@student.liu.se 7(13)
8 skönhetstävlingar menar jag att det ena könet visar upp sina positiva egenskaper för att övertyga det andra könet om att de är bäst lämpade att få redproducera sig, oftast är det hanarna som tävlar med varandra. I många arter har hanarna utvecklat vissa attribut som endast är till för dessa tävlingar, t ex vinkarkrabbans överdimensionerade klo. Klon har ingen funktion för krabbans överlevnad utan bara en symbol för att visa att krabban minsann är så stark att den kan slösa mycket energi på att bygga en helt meningslös klo. (Fogel, 1995:42) Korsning (eller crossover som det kallas) är när man tar två individer och låter vissa kromosomer byta plats med varandra, på så vis skapar man en avkomma av dessa individer som ärver egenskaper från sina föräldrar. Korsning appliceras inte på alla individer i en population utan endast på ett fåtal, de individer som inte korsas dupliceras helt enkelt. (Beasley m fl, 1993) Nu har jag inga kön alls i mitt experiment utan alla individer får ses som tvekönade där könet ej är bestämt. Det är hur dessa korsningar läggs upp och genomförs som jag ska studera lite närmare i kommande delar av rapporten. Rekombination (eller inversion som det kallas på engelska) är när en sträng kromosomer byter ordning eller helt skiftar riktning. (Mitchell, Forrest, 1993) Mutation är ändringar i en individ arvsmassa, i mitt fall i en individs egenskaper. Så mutationen verkar på en enskild individ och denna avkomma stoppas sedan in i populationen. I en population där det endast sker befruktning mellan två individer behövs mutation för att säkerställa utvecklingen. Annars skulle utvecklingen avstanna och alla individer skulle likriktas och inavel skulle ske. Detta i en liten population med få individer, en sådan population blir i regel sämre att stå emot petbe082@student.liu.se 8(13)
9 förändringar (t ex sjukdomar eller ändrade levnadsfördhållanden). (URL:3) Mutation appliceras på avkomma efter rekombination eller korsning och ändrar endast en liten del av kromosomerna i en begränsad utsträckning. (Beasley m fl, 1933) Fortplantning (som en delmängd av korsning) kan ske på två olika sätt, dels genom asexuell reproduktion, dels med sexuell reproduktion. Asexuell reproduktion är kloning och är enligt gängse evolutionär teori ett effektivare sätt att producera avkomma än sexuell. På detta sättet slipper honan föda hanar som ändå inte kan själv kan föda några barn, och kan därmed helt producera döttrar. Honan undviker även att hennes barns DNA ska blandas ut med någon annans och kanske försämras. Asexuella honor slipper även lägga tid och energi på att hitta en lämplig partner. Exempel på djur som tillämpar asexuell reproduktion är t ex bladlöss, björnbär och backlök. (URL:2) Kloning eller asexuell reproduktion är helt i linje med originaltanken med GA och kloning i detta fallet utökar domänen för GA. Med kloning så blir man helt beroende av mutation för att få en utveckling i populationen. Det finns även försök gjorda där kloning visat sig vara ett mycket bra sätt att lösa t ex Travelling salesman problem. (Chatterjee m fl, 1996) Kloning eller asexuell fortplantning är i princip en korsning utan korsning, där en individ får chansen att fortleva helt utan genetisk förändring (Beasley m fl, 1993). Jag har dock i mitt experiment valt att göra detta val explicit för att se hur detta går. I mitt experiment har jag valt att modifiera de urvalsmodeller som finns för genetiska algoritmer, de som jag har tittat på har varit helt inriktade på att hela tiden utgå från att de med bäst fitnessvärde ska para sig. Detta anser jag är ett lite snålt synsätt, det kan finnas situationer då andra matchningssätt kan vara mer petbe082@student.liu.se 9(13)
10 lämpade för att snabbare uppnå ett visst resultat. Jag har valt ut fyra sätt som man kan para ihop individer på och experimenterat med dessa:. Slumpat, individerna slumpas ihop till par, ingen hänsyn tas till fitness-värdet. Avelshingst, den bästa individen får para sig med flera individer.. Alpha-par, de två bästa individerna får para sig med varandra, de nästbästa får para sig med varandra osv.. Kloning, varje individ delar sig sig i barn som muterar sig. Jag har även valt ut två olika scenarior för dessa matchningssätt:. Egenskapsjakt, här så vill jag bara få en så snabb ökning av individernas egenskaper som möjligt.. Rumsorientering, här vill jag på snabbast möjligast sätt hitta vägen runt i ett rum. Egenskapsjakt är en ren kapplöpning med tiden om att utveckla så bra egenskaper som möjligt. Individerna har fyra egenskaper (strength, dexterity, resistance och intelligence) och fitnessfunktionen räknar bara ihop de här fyra egenskaperna, den individ som har det högsta värdet är helt enkelt bäst utvecklad. Rumsorientering är lite annorlunda till uppbyggnaden, här gäller det att ta sig runt ett rum och för varje ruta som individen går rätt ökar dess fitness med ett. De delar av en individ som är rätt muteras inte utan det är endast från det ställe där individen gick fel som muteras. Individens riktning har kännetecknats av en siffra mellan -1 och 1, där -1 varit vänster, 0 rakt fram och 1 höger. Mutationen har i egenskapsjakten varit en slump på +-2 på varje egenskap och i rumsorienteringen +1, när värdet blivit 2 så görs det om som att individen vänder sig om, och blir därmed -1. Mutationsgraden har varit 50% i bägge scenariorna. petbe082@student.liu.se 10(13)
11 Jag har valt att implementera mina experiment i PHP, detta då det är språk jag är mycket van vid och det är ett snabbt språk att utveckla då det är otypat etc. Då jag är en stark anhängare av NIH (Not Invented Here) och fri mjukvara har jag valt att bygga vidare på ett redan existerande arbete (URL:4). Detta är en PHP-klass där en grund för GA redan är utvecklad. För den mer kapplöpningsliknande egenskapsjakten så ser vi klart och tydligt att avelshingsten utvecklades bäst (ju högre poäng/staplar, desto bättre). Detta kan bero på hur själva experimentet är utformat, par med höga snittvärden kommer helt sonika att få avkomma med högre värden och så vidare. Man hade kunnat utforma testet på annat sätt, t ex att i vissa generationer säga att intelligence är mer värt än t ex strength, och i andra generationer något annat. Detta hade kunnat användas för att simulera olika former av kultur- eller samhällsskiftningar som ställer olika krav på olika generationer. I rumsorienteringen blir det inte lika viktigt att jaga höga siffror utan att utvecklas efter miljön mer och här lyckas klonen bäst av alla (ju lägre siffror/staplar desto bättre). Detta kan bero på att en bra DNA inte blandas ut med sämre DNA utan behålls intakt (dock muteras avkomman). petbe082@student.liu.se 11(13)
12 I resultaten så ser man ganska tydliga skillnader mellan de olika implementationerna. Detta har troligtvis att göra med att de löser helt olika problem och då bäst nyttjar olika selektionsmetoder på olika sätt. Jag tycker att genetiska algoritmer är ett mycket intressant ämne, att man nyttjar en teori om livets fortgång för att få program att skriva sig själva. Dock så känns det lite som brute-force på något sätt då det är väldigt lite eller ingen alls heurestik inblandad, algortimen använder ingen kunskap som den själv kan ta reda på utan kör bara på i samma bana hela tiden. Jag tycker att man borde kunna göra någon form metagenetiska algoritmer, algoritmer som kan dra någon sorts slutssats av problemet i fråga. Att kunna skapa någon form av domänspecifik kunskap vore inte helt fel. För säg att en dammsugarobot letar sig runt efter väggen i ett rum, kommer den in i ett annat rum så måste den göra om allt igen. Det borde finnas något sätt att att utnyttja att den faktiskt redan besökt ett rum, rum har ju faktiskt några saker som kännetecknar och binder samman dem. Idén för ett rum är samma oavsett om det är långt eller smalt. Jag tycker även att mutationen på något sätt borde kunna muteras, t ex är det dumt att mutera fram sådana individer/egenskaper som tidigare visat sig dö ut väldigt snabbt. T ex att evolutionen lär sig vad som funkar och därmed viktar mutationen. Att i mitt fall med egenskapsjakten så viktas " " till lägre chans att uppträda och att "+" viktas till högre chans. detta skulle påskynda evolutionen men skulle ändå inte leda den in i en återvändsgränd. För om världen ändras och det blir individer med så låg fitness som möjligt som överlever så kommer även mutationen att viktas om. Men i en ensidig eller likartad värld kommer lösningen att uppträda tidigare. Ceptilis avhandling hittade jag tyvärr nu på slutet och har inte kunnat läsa mer än det som finns tillgängligt på nätet, men den ser mycket intressant ut. Han nämner bland annat detta med kloning och hur bladlöss använder detta för att säkra sin fortlevnad. Se URL:2. petbe082@student.liu.se 12(13)
13 Fogel, David B. Evolutionary computation : toward a new philosophy of machine intelligence (1995) IEEE Press Mitchell, Melanie. An Introduction to Genetic Algorithms (1996) MIT Press Bäck, Thomas. Selective Pressure in Evolutionary Algorithms: A Characterization of Selection Mechanisms (1994) IEEE Beasley, David. Bull, R David. Martin, R Ralph. An overview of Genetic Algorithms (1993) Mitchell, Melanie. Forrest, Stephanie. Genetic algorithms and artifical life (1993) Chatterjee, Sangit. Carrera, Cecilia. Lynch, Lucy A. Genetic algorithms and traveling salesman problems. (1996) European Journal of Operational Research 93 (1996) (URL:1) /10/25 20:00 (URL:2) Ceplitis, Alf. (2000) The balance between sex and asex: evolutionary genetic studies of reproductive variation in Allium vineale, Department of Genetic, Lund University (URL:3) /10/24 18:00 (URL:4) /05/22 15:00 petbe082@student.liu.se 13(13)
Genetiska 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 merGenetiska 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 merGrundläggande Idéer Algoritmens komponenter Numerisk optimering Genetisk Programmering. Genetiska Algoritmer
Genetiska Algoritmer 1 Grundläggande Idéer 2 3 4 Exempel Parallell optimering inspirerad av biologisk evolution Parallell optimering inspirerad av biologisk evolution Population av hypoteser Urvalprocess
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 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 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 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 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 merEvolution, del 2: Evolutionsprocesser och förändringar i det genetiska materialet. Jessica Abbott Forskare Evolutionär Ekologi
Evolution, del 2: Evolutionsprocesser och förändringar i det genetiska materialet Jessica Abbott Forskare Evolutionär Ekologi Naturlig selektion Alleler som ger bättre överlevnad och/eller reproduktionsförmåga
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 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 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 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 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 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 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 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 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 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 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 merArtificiell Musik? AI som kompositör 2001-10-18
Artificiell Intelligens HKGBB0 Kognitionsvetenskapliga programmet, HT 2001 Institutionen för Datavetenskap, Linköpings universitet Artificiell Musik? AI som kompositör 2001-10-18 "Musik ska byggas utav
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 merGenetik en sammanfattning
Genetik en sammanfattning Pär Leijonhufvud $\ BY: 3 februari 2015 C Innehåll Inledning 2 Klassisk genentik 2 Gregor Mendel munken som upptäckte ärftlighetens lagar....... 2 Korsningsrutor, ett sätt att
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 merDenna pdf-fil är nedladdad från Illustrerad Vetenskaps webbplats (www.illvet.com) och får ej lämnas vidare till tredjepart.
Käre användare! Denna pdf-fil är nedladdad från Illustrerad Vetenskaps webbplats (www.illvet.com) och får ej lämnas vidare till tredjepart. Av hänsyn till innehåller den inga foton. Med vänlig hälsning
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 merArtbildning och utdöende
Artbildning och utdöende Arter Vad är en art? Enkla svaret: Två individer ur olika arter, kan inte få fertil avkomma Lite mer komplicerat: "Art" är en människans definition. Det finns exempel på arter
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 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 merTentamen: Programutveckling ht 2015
Tentamen: Programutveckling ht 2015 Datum: 2015-11-04 Tid: 09:00-13:00 Sal: Ansvarig: Resultat: Hjälpmedel: Maxpoäng: Betygsgränser: Anslås inom 3 veckor. Inga 40 p 20 p för G, 32 p för VG. Iakttag följande:
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 merGenetisk variation är livsviktig för vitaliteten och ganska snabbt även en förutsättning för överlevnaden hos en art.
Naturens behov av genetisk variation Genetisk variation är livsviktig för vitaliteten och ganska snabbt även en förutsättning för överlevnaden hos en art. Då vi benämner en art i naturen som utrotningshotad
Läs merVi skall under ett antal veckor jobba med evolutionsundervisning. Arbetet kommer att se lite olika ut.
Evolution åk9 ht 13 Evolution i åk9 ht13 Vi skall under ett antal veckor jobba med evolutionsundervisning. Arbetet kommer att se lite olika ut. Du kommer att få lyssna till din lärare som föreläser om
Läs merTentamen i Zoo Systematik och Morfologi Torsdagen den 18 januari 2007 Kl
Namn: Kod:. 1 MIUN Sundsvall Institution NAT SA Tentamen i Zoo Systematik och Morfologi Torsdagen den 18 januari 2007 Kl 8.00 13.00 Poäng: Max: VG (70%): Kom ihåg att läsa frågorna noggrant och att svara
Läs merGenetik, Gen-etik och Genteknik
Genetik, Gen-etik och Genteknik Syfte och innehåll Att utveckla kunskap om det genetiska arvet och genteknikens möjligheter. Arbetssätt Vi kommer att varva föreläsningar, diskussioner, arbetsuppgifter
Läs merALGORITMER, OPTIMERING OCH LABYRINTER
ALGORITMER, OPTIMERING OCH LABYRINTER Text: Marie Andersson, Learncode AB Illustrationer: Li Rosén Foton: Shutterstock Har du någonsin lagat mat efter recept eller monterat ihop en möbel från IKEA? Då
Läs merEVOLUTIONEN = LIVETS UTVECKLING. Utveckling pågår
EVOLUTIONEN = LIVETS UTVECKLING Utveckling pågår ALLT LEVANDE PÅ JORDEN HAR ETT GEMENSAMT URSPRUNG. DET BETYDER ATT ALLA ORGANISMER BAKTERIER, SVAMPAR, VÄXTER OCH DJUR ÄR SLÄKT MED VARANDRA. ORGANISMER
Läs merTotalt finns det alltså 20 individer i denna population. Hälften, dvs 50%, av dem är svarta.
EVOLUTION Tänk dig att det på en liten ö i skärgården finns 10 st honor av den trevliga insekten långvingad muslus. Fem av dessa är gula med svarta fläckar och fem är helsvarta. Det är samma art, bara
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 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 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 merEvolution, del 3: Arter och artbildning. Jessica Abbott Forskare Evolutionär Ekologi
Evolution, del 3: Arter och artbildning Jessica Abbott Forskare Evolutionär Ekologi Vad är en art? Linné: endast klassificering Darwin: finns arter på riktigt när en art kan ändras med tiden? Artbegrepp
Läs merZA4816. Flash Eurobarometer 238 (Europeans' Attitudes Towards Animal Cloning) Country Specific Questionnaire Sweden
ZA4816 Flash Eurobarometer 238 (Europeans' Attitudes Towards Animal Cloning) Country Specific Questionnaire Sweden FLASH EUROBAROMETER ON CONSUMER ATTITUDES TOWARDS ANIMAL CLONING GENERAL BACKGROUND KNOWLEDGE
Läs merHandledare: Mikael Goldmann
2012-02- 23 Jacob Rydh Robert Hedin Sudoku Solver Projektspecifikation Handledare: Mikael Goldmann Introduktion Vi ska studera och utforma olika algoritmer för att lösa Sudoku puzzel. Vi kommer testa olika
Läs merGenetisk testning av medicinska skäl
Genetisk testning av medicinska skäl NÄR KAN DET VARA AKTUELLT MED GENETISK TESTNING? PROFESSIONELL GENETISK RÅDGIVNING VAD LETAR MAN EFTER VID GENETISK TESTNING? DITT BESLUT Genetisk testning av medicinska
Läs merBeräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692
Beräkning med ord -hur en dator hanterar perception 2010-10-03 Erik Claesson 880816-1692 Innehåll Inledning... 3 Syfte... 3 Kan datorer hantera perception?... 4 Naturligt språk... 4 Fuzzy Granulation...
Läs merDe antika grekerna (Platon, Aristoteles) trodde inte på evolution
1. Vad är evolution? / historisk bakgrund MORALENS EVOLUTION: FÖRELÄSNING 2 2. Altruism och själviskhet 3. Evolutionära förklaringar av hjälpsamhet - Släktselektion - Ömsesidighet Från runt mitten av 1800-talet
Läs merInför nationella proven i Biologi
Inför nationella proven i Biologi Natur och samhälle Hur människan påverkar naturen lokalt och globalt: t.ex. växthuseffekt, nedskräpning miljöfarliga ämnen, övergödning, försurning Under sommaren drabbas
Läs merVad man bör tänka på när man har en liten ras? Erling Strandberg, professor vid institutionen för husdjursgenetik, SLU, Uppsala
Vad man bör tänka på när man har en liten ras? Erling Strandberg, professor vid institutionen för husdjursgenetik, SLU, Uppsala Norsk Buhund är en ganska liten ras i Sverige. För en liten ras finns det
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 merSläktskap mellan människa och några ryggradsdjur
Övning: Släktskap mellan människa och några ryggradsdjur sid 1 Övning Släktskap mellan människa och några ryggradsdjur En manuell jämförelse mellan hemoglobinets aminosyrasekvenser hos några organismer
Läs merAnvända kunskaper i biologi för att granska information, kommunicera och ta ställning i frågor som rör hälsa, naturbruk och ekologisk hållbarhet.
Arvet och DNA Lokal pedagogisk planering årkurs 9 Syfte Naturvetenskapen har sitt ursprung i människans nyfikenhet och behov av att veta mer om sig själv och om sin omvärld. Kunskaper i biologi har stor
Läs merVad händer i ett genetiskt laboratorium?
12 utveckla nya metoder eller låta sådana prover delta i kvalitetskontrollprogram, såvida inte patienten har uttryckt att man inte vill att ens prov ska vara del av sådan verksamhet. Som alla andra sparade
Läs merBevarande och uthålligt nyttjande av en hotad art: flodkräftan i Sverige
Bevarande och uthålligt nyttjande av en hotad art: flodkräftan i Sverige Lägesrapport 2015-12-08 Här kommer den 4:e lägesrapporten från forskningsprojektet Bevarande och uthålligt nyttjande av en hotad
Läs merProgrammeringsuppgift Game of Life
CTH/GU STUDIO TMV06a - 0/0 Matematiska vetenskaper Programmeringsuppgift Game of Life Analys och Linär Algebra, del A, K/Kf/Bt Inledning En cellulär automat är en dynamisk metod som beskriver hur komplicerade
Läs merGenetik - Läran om det biologiska Arvet
Genetik - Läran om det biologiska Arvet Uppgift Arv eller miljö Våra egenskaper formas både av vårt arv och den miljö vi växer upp i. Hurdan är du och hur ser du ut? Vad beror på arv och vad beror på miljö?.
Läs merCrafoordpriset i biovetenskaper 2015
RAFOORDPRISE I BIOVEENSKAPER 2015 POPULÄRVEENSKAPLI INFORMAION rafoordpriset i biovetenskaper 2015 rafoordpriset i biovetenskaper 2015 går till genetikerna Richard Lewontin, USA, och omoko Ohta, Japan,
Läs merObjektorienterad programmering Föreläsning 8. Copyright Mahmud Al Hakim Agenda (halvdag)
Objektorienterad programmering Föreläsning 8 Copyright Mahmud Al Hakim mahmud@webacademy.se www.webacademy.se Agenda (halvdag) Objektorienterad programutveckling Algoritmer Algoritmkonstruktionerna Relationer
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 merTeoretisk del. Facit Tentamen TDDC (6)
Facit Tentamen TDDC30 2014-08-29 1 (6) Teoretisk del 1. (6p) "Snabba frågor" Alla svar motiveras väl. a) Vad är skillnaden mellan synligheterna public, private och protected? (1p) Svar:public: Nåbar för
Läs merSystematik - indelningen av organismvärlden. Kap 3 sid i boken
Systematik - indelningen av organismvärlden Kap 3 sid 74-78 i boken Minsta levande enheten? Cellen Encelliga organismer Flercelliga organismer celler Eukaryota celler - med cellkärna Prokaryota celler
Läs merSystematik - indelningen av organismvärlden. Kap 2 s34-38, kap 3 sid i boken
Systematik - indelningen av organismvärlden Kap 2 s34-38, kap 3 sid 74-78 i boken Minsta levande enheten? Cellen -encelliga organismer -flercelliga organismer Rita en cell med olika celldelar (organeller)
Läs merVad är en art? morfologiska artbegreppet
Vad är en art? Vad är en art? Du tycker kanske att det är uppenbart vad som är olika arter? En hund är en annan art än en katt det ser man ju på långt håll. De flesta arter är så pass olika att man på
Läs merKAN SKADLIGA GENER UTROTAS?
KAN SKADLIGA GENER UTROTAS? Den bärande idén bakom omfattande s.k. genetiska hälsoprogram är att det är möjligt att befria en hundstam från skadliga gener. En diskussion kring utformning av program för
Läs merGenetik. Gregor Mendel onsdag 12 september 12
Gregor Mendel 1822-1884 1 Mendel valde ärtor för att undersöka hur arvet förs vidare från föräldrar till avkomma, alltså hur exempelvis utseende ärvs mellan generationer. Med ärtorna kunde han styra sina
Läs merBiologi. Ämnesprov, läsår 2016/2017. Delprov A1. Årskurs. Elevens namn och klass/grupp
Ämnesprov, läsår 2016/2017 Biologi Delprov A1 Årskurs 9 Elevens namn och klass/grupp Prov som återanvänds av Skolverket omfattas av sekretess enligt 17 kap. 4 offentlighets- och sekretesslagen. Detta prov
Läs merSimulera evolutionen Ett spel för att lära ut principerna kring evolutionen med hjälp av olika föremål.
bioscience explained 134567 John A. Barker Formerly of the Department of Education and Professional Studies King s College, London Simulera evolutionen Ett spel för att lära ut principerna kring evolutionen
Läs merNEUROEVOLUTION MED TÄVLINGSINRIKTAD SAMEVOLUTION I FLERA MILJÖER MED ÖKANDE KOMPLEXITET
M a l sk ap a d a v H e nr ik NEUROEVOLUTION MED TÄVLINGSINRIKTAD SAMEVOLUTION I FLERA MILJÖER MED ÖKANDE KOMPLEXITET NEUROEVOLUTION WITH COMPETITIVE COEVOLUTION IN MULTIPLE SCENES OF INCREASING COMPLEXITY
Läs merMinMax Algoritmen Implementation och optimering. Joakim Östlund 15 juni 2004
MinMax Algoritmen Implementation och optimering Joakim Östlund 15 juni 2004 1 Samanfattning MinMax är en algoritm som kan användas i turbaserade spel för att skapa en virituell motståndare. Algoritmen
Läs merÖversikt. Experimentell metodik. Mer exakt. Människan är en svart låda. Exempel. Vill visa orsakssamband. Sidan 1
Översikt Experimentell metodik Vad är ett kognitionspsykologiskt experiment? Metod Planering och genomförande av experiment Risker för att misslyckas Saker man måste tänka på och tolkning av data 2 Människan
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
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 merConways Game of life: Att simulera några av livets egenskaper genom en datorprogram
Conways Game of life: Att simulera några av livets egenskaper genom en datorprogram Mario Natiello Centre for Mathematical Sciences Lund University Sweden Conways Game of life: Att simulera några av livets
Läs merAllmänt. Uppgift. Genetikens dilemma En debatterande uppgift i Genetik. Ekenässkolan Åk 9 Vt-19
Genetikens dilemma En debatterande uppgift i Genetik. Ekenässkolan Åk 9 Vt-19 Allmänt Nu är det dags att debattera! Under ett par veckor kommer du ges möjlighet att finslipa dina argument för att i vecka
Läs mer729G75: Programmering och algoritmiskt tänkande. Tema 1, föreläsning 1 Jody Foo
729G75: Programmering och algoritmiskt tänkande Tema 1, föreläsning 1 Jody Foo Föreläsningsöversikt Kursinfo / Om kursen Algoritmer Objektorienterad programmering i praktiken terminologi använda objekt
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 merRegressionstestning teori och praktik
Regressionstestning teori och praktik Lic. Emelie Engström emelie.engstrom@cs.lth.se Software Engineering Research Group LUND UNIVERSITY Sweden SWELL the Swedish Research School in Software Verification
Läs merCS - Computer science. Datateknik Informationsbehandling Datalogi Datavetenskap (ÅA 2008)
CS - Computer science Datateknik Informationsbehandling Datalogi Datavetenskap (ÅA 2008) Vad datateknik INTE är: Att studera datorer Att studera hur man skriver datorprogram Att studera hur man använder
Läs merArv och utveckling Arvet
ARV OCH UTVECKLING ARVET Arv och utveckling Arvet Vad kan hända när mutationer drabbar könsceller? Elevboken, Förstår du?, uppgift 6, sida 337. Biologisk mångfald och vad som gynnar respektive hotar den.
Läs merDYNAMISK SVÅRIGHETSGRAD MED GENETISK ALGORITM. En jämförelse mellan två tekniker för att snabba upp processen
DYNAMISK SVÅRIGHETSGRAD MED GENETISK ALGORITM En jämförelse mellan två tekniker för att snabba upp processen Examensarbete inom huvudområdet Datalogi Grundnivå 30 högskolepoäng Vårtermin 2012 Jesper Larsson
Läs merFöreläsning 11. Giriga algoritmer
Föreläsning 11 Giriga algoritmer Föreläsning 11 Giriga algoritmer Användning Växelproblemet Kappsäcksproblemet Schemaläggning Färgläggning Handelsresandeproblemet Uppgifter Giriga algoritmer (Greedy algorithms)
Läs merTillämpbarheten av Learning Backtracking Search Optimization Algoritmen vid Lösning av Sudokuproblemet
Tillämpbarheten av Learning Backtracking Search Optimization Algoritmen vid Lösning av Sudokuproblemet The Application of the Learning Backtracking Search Optimization Algorithm when Applied to the Sudoku
Läs merAntibiotikaresistens uppkomst och spridning
Antibiotikaresistens uppkomst och spridning Antibiotikaresistenskonsekvensen känner vi till Antibiotika är inte längre effektivt! Vad är det som har hänt? Bakterierna har förändrats så att de inte längre
Läs merAtt kunna i området sex och relationer, gener, gmo
Att kunna i området sex och relationer, gener, gmo 1. Vilka två syften tjänar sex hos människan? Alltså: Varför har vi sex? Två eller flera anledningar. Människan har sex dels för att föröka sig, genom
Läs merFMCK Malmö Boris Magnusson. Markering av Endurobana
FMCK Malmö Boris Magnusson Markering av Endurobana Markering av en Endurobana finns beskrivet i tävlingsreglementet, paragrafer 4.16-17-18 (se nedan) men dessa är ganska kortfattade. Detta PM är ett försöka
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 merDarwin NO-biennal i Falun april 2015 Från släktträd till databaser. Workshop med koppling till evolution systematik arter
NO-biennal i Falun 28-29 april 2015 Från släktträd till databaser Workshop med koppling till evolution systematik arter Nationellt resurscentrum för biologi och bioteknik (Bioresurs), Uppsala universitet
Läs merSanningar och myter Genmodifiering, förädling, GMO många benämningar på samma sak?
Sanningar och myter Genmodifiering, förädling, GMO många benämningar på samma sak? Är de växter vi ser här genetiskt identiska med de som fanns där för 10000 år sedan?! Är de naturliga?! Olof Olsson Department
Läs merObjektorienterad programmering, allmänt
Objektorienterad programmering, allmänt Sven-Olof Nyström Uppsala Universitet 17 juni 2005 1 Vilka egenskaper vill vi att program ska ha? Förslag (en partiell lista): De ska... gå snabbt att skriva vara
Läs merViktiga egenskaper hos ett program (Meyer): Objektorienterad programmering, allmänt. Vilka egenskaper vill vi att våra program ska ha?
Viktiga egenskaper hos ett program (Meyer): Objektorienterad programmering, allmänt Sven-Olof Nyström Uppsala Universitet 17 mars 2005 1. Korrekthet 2. Robusthet 3. Utökbarhet 4. Återanvändbarhet 5. Kompatibilitet
Läs merValutakurser. Gå till Arkiv Programunderhåll Valutakurser.
Valutakurser I Visma Administration 1000 måste du själv välja att arbeta med valuta och språk. Det gör du genom att välja Arkiv Företagsunderhåll Valuta/språk. I dialogrutan som visas markerar du både
Läs merGODKÄND BETYGSKRITERIER BIOLOGI
BETYGSKRITERIER BIOLOGI GODKÄND Växter känna till växtens grundproblem och hur växten tacklar problemen jämfört med djuren känna till att växterna har utvecklats successivt från enkla alger till blomväxter
Läs merMed hopp om framtiden transposoner, DNA som flyttar sig själv
Med hopp om framtiden transposoner, DNA som flyttar sig själv Jessica Bergman Populärvetenskaplig sammanfattning av Självständigt arbete i biologi VT 2008 Institutionen för biologisk grundutbildning, Uppsala
Läs merGenetik. Ur kursplanen. Genetik
Genetik - Får dinosaurier fågelungar? Genetik Far! Får fårfår? Nej! Får fårinte får. -Får får lamm! Bild ur Genesis nr 2 1997 Nej! Dinosaurier får dinosaurier! Ur kursplanen Centralt innehåll: Evolutionens
Läs merTDDC30. Objektorienterad programmering i Java, datastrukturer och algoritmer. Föreläsning 6 Jonas Lindgren, Institutionen för Datavetenskap, LiU
TDDC30 Objektorienterad programmering i Java, datastrukturer och algoritmer. Föreläsning 6 Jonas Lindgren, Institutionen för Datavetenskap, LiU På denna föreläsning: Sortering Selectionsort, Bubblesort,
Läs merUppdelning av ett artificiellt neuralt nätverk
Uppdelning av ett artificiellt neuralt nätverk Kandidatarbete utfört av: Björn Eklund Spelprogrammering årskurs 2009 Blekinge Tekniska Högskolan bjorneklund86@gmail.com Handledare: Stefan Johansson Blekinge
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 merAnalys och design. Objekt. Klass. med hjälp av CRC. Klassdiagram
Analys och design med hjälp av CRC 83 Klassdiagram Objekt Ett objekt är en individuellt identifierbar entitet som kan vara konkret eller abstrakt. Ett objekt har tillstånd, beteende och identitet. Reellt,
Läs merEn fråga som ibland dyker upp är den om illamående och kräkningar. Kan man med någon omvårdnadsintervention göra det lättare för patienten.
Sökexempel - EBM Sjuksköterskor En fråga som ibland dyker upp är den om illamående och kräkningar. Kan man med någon omvårdnadsintervention göra det lättare för patienten. Även om man bör börja med att
Läs merOlika celltyper Indelningen av organismvärlden. Kap 2 s34-38, kap 3 sid i boken
Olika celltyper Indelningen av organismvärlden Kap 2 s34-38, kap 3 sid 74-78 i boken Den minsta levande enheten? Cellen - encelliga organismer - flercelliga organismer Rita en cell med olika celldelar
Läs mer