INF-MAT Lokalsøk og meta-heuristikker i kombinatorisk optimering
|
|
- Arild Hovland
- 7 år siden
- Visninger:
Transkript
1 INF-MAT-5380 Lokalsøk og meta-heuristikker i kombinatorisk optimering Leksjon 1
2 Mål med kurset Studenten skal etter kurset ha en grunnleggende forståelse av hvordan moderne heuristiske metoder basert på lokalsøk og metaheuristikker kan brukes for å finne approksimerte løsninger for beregningsmessig harde kombinatoriske optimeringsproblemer. INF-MAT Geir Hasle - Leksjon 1 2
3 Innhold Leksjoner motivasjon diskrete optimeringsproblemer begrepsapparat lokalsøk meta-heuristikker Eksempelproblem TSP, TSPTW, CVRP Ryggsekkproblemet INF-MAT Geir Hasle - Leksjon 1 3
4 Plan (1) Leksjon 1 (22.11) motivasjon diskrete optimeringsproblemer begrepsapparat lokalsøk Leksjon 2 (23.11) eksempler på DOP mer om lokalsøk begrepsdefinisjoner hovedproblem i lokalsøk Leksjon 3 (24.11) tilfeldig søk simulert størkning terskelakseptanseteknikker Leksjon 4 (25.11) tabusøk Leksjon 5 (26.11) styrt lokalsøk (Guided Local Search) INF-MAT Geir Hasle - Leksjon 1 4
5 Plan (2) Leksjon 6 (29.11) genetiske algoritmer evolusjonsmetoder øvrige populasjonsorienterte metoder Leksjon 7 (30.11) kategorisering av metaheuristikker konstruktive heuristikker multi-start baserte metaheuristikker GUT (Grand Unifying Theory)? hyperheuristikker Leksjon 8 (1.12) Repetisjon Leksjon 9 (2.12) Åpent Muntlig eksamen (14.12) INF-MAT Geir Hasle - Leksjon 1 5
6 Litteraturliste (1) C. R. Reeves (editor): Modern Heuristic Techniques for Combinatorial Problems. ISBN Blackwell I.H. Osman, J.P. Kelly (editors): Meta-Heuristics: Theory & Applications. Kluwer E. Aarts, J.K. Lenstra: Local Search in Combinatorial Optimization. ISBN Wiley S. Voss, S. Martello, I.H: Osman, C. Roucairol (editors): Meta-Heuristics: Advances and Trends in Local Search Paradigms for Optimization. Kluwer D. Corne, M. Dorigo, F. Glover (editors): New Ideas in Optimization. ISBN McGraw-Hill F. Glover, G.A. Kochenberger: Handbook of Metaheuristics, ISBN , Kluwer 2003 INF-MAT Geir Hasle - Leksjon 1 6
7 Litteraturliste (2) H. H. Hoos, T. Stützle: Stochastic Local Search Foundations and Applications ISBN: Elsevier S. Voss, D. Woodruff (eds): Optimization Software Class libraries. ISBN Kluwer G. Polya: How to solve it. A New Aspect of Mathematical Method. Princeton Science Library 1957 Z. Michalewicz, D. B. Fogel: How to Solve It: Modern Heuristics. Springer. M. R. Garey, D. S. Johnson: Computers and Intractability. A Guide to the Theory of NP- Completeness INF-MAT Geir Hasle - Leksjon 1 7
8 Litteraturliste (3) M. Pirlot: General local search methods. EJOR 92 (1996) J. Hurink: Introduction to Local Search. Technical Note, University of Twente. M. Gendreau, J-Y. Potvin: Metaheuristics in Combinatorial Optimization. Working Paper CRT, Univ. of Montreal M. Gendreau: An Introduction to Tabu Search. CRT, July 2002 INF-MAT Geir Hasle - Leksjon 1 8
9 Pensum høst 2004 Forelesningene Dokumentert ved kopi av slides INF-MAT Geir Hasle - Leksjon 1 9
10 Leksjon 1 - Oversikt Om emnet INF-MAT 5380 Motivasjon: problemer i Operasjonsanalyse og AI Optimeringsproblemer Definisjon Diskret optimeringsproblem Eksempler Kompleksitetsteori Løsningsmetoder eksakte approksimative, heuristiske Skisse av lokalsøk INF-MAT Geir Hasle - Leksjon 1 10
11 Motivasjon: Operasjonsanalyse WW-II Britiske militære Vitenskapsmenn og ingeniører fra flere fagfelt Analyse og beslutningsstøtte Utplassering av radarstasjoner Styring av konvoier Bombetokter Anti-ubåt kampanjer Minelegging Operational Analysis/Operations Research INF-MAT Geir Hasle - Leksjon 1 11
12 I dag: OR/Management Science Vitenskapelig tilnærming til beslutninger som gjelder bestemmelse om hvordan et system skal designes og opereres, vanligvis under betingelser som krever allokering av knappe ressurser [Winston: Operations Research Applications and Algorithms] INF-MAT Geir Hasle - Leksjon 1 12
13 Operasjonsanalyse Kvantitative metoder for beslutningsstøtte Flere disipliner matematisk modellering optimering sannsynlighetsregning spillteori køteori simulering Diskrete optimeringsproblemer er sentrale INF-MAT Geir Hasle - Leksjon 1 13
14 Operasjonsanalyse - metode problemformulering systemobservasjon matematisk modellering verifisering prediksjon valg organisering implementering evaluering INF-MAT Geir Hasle - Leksjon 1 14
15 Eksempel: Valg av prosjekter Du leder en stor bedrift Medarbeiderne har foreslått et antall prosjekter, hvert med kjent: gevinst kostnad Du har et fast budsjett Hvilke prosjekter skal du satse på for å få størst mulig gevinst? Strategisk/taktisk beslutning Optimeringsproblem Ryggsekk-problemet INF-MAT Geir Hasle - Leksjon 1 15
16 Eksempel: - Ruteplanlegging Du driver budfirma med egen bil Du har fått inn hente- og bringeoppdrag spredt rundt i byen for utførelse i morgen Hvilken rekkefølge av stopp skal du velge for å bli ferdig med runden så tidlig som mulig? Operativ beslutning Optimeringsproblem Handelsreisende-problemet INF-MAT Geir Hasle - Leksjon 1 16
17 Kunstig intelligens (Artificial Intelligence AI) Studiet av hvordan man får datamaskiner til å gjøre ting som mennesker for tiden er bedre til å gjøre [Elaine Rich: Artificial Intelligence] INF-MAT Geir Hasle - Leksjon 1 17
18 Kunstig intelligens - problemstillinger spill teorembevis ekspertsystemer medisin design ingeniør generell problemløsning persepsjon (kunstig syn) naturlig språkforståelse robotikk INF-MAT Geir Hasle - Leksjon 1 18
19 Kunstig intelligens Intelligens kan simuleres ved symbolmanipulerings-systemer Intelligens krever kunnskap Viktige AI-teknikker søk representasjon og bruk av kunnskap abstraksjon Diskret optimering er ofte en mulig formulering for delproblemer INF-MAT Geir Hasle - Leksjon 1 19
20 Kunstig intelligens alternativ definisjon AI er studiet av teknikker for å løse eksponensielt harde problemer i polynomiell tid ved å utnytte kunnskap om problemdomenet [Elaine Rich] INF-MAT Geir Hasle - Leksjon 1 20
21 Eksempel: Sjakk Du spiller sjakk med en venn Du har en god måte å vurdere stillinger på Du ønsker å se noen trekk framover for å velge et godt trekk i nåværende stilling Optimeringsproblem Diskrete valg Kombinatorisk eksplosjon Tilnærminger INF-MAT Geir Hasle - Leksjon 1 21
22 Optimeringsproblem - Matematisk formulering Beslutningsvariable med domener Målfunksjon Føringer (beskrankninger) f ( x1 K xn ) ( 1 K n) ( K ) min,, f x,, x = 0 j = 1, K, k j g x,, x 0 j = 1, K, l j 1 x R i = 1, K, n Matematisk program min f ( x) i x S n INF-MAT Geir Hasle - Leksjon 1 22
23 Viktig spesialtilfelle: Lineærprogrammeringsproblem - LP Programmering planlegging Kontinuerlige beslutningsvariable x j j= 1, K,n Målfunksjon Objektfunksjon, objektiv Kostnadsfunksjon Maksimering eller minimering I LP: lineær funksjon ζ= cx + L+ c x = cx 1 1 n n j j j1 = n INF-MAT Geir Hasle - Leksjon 1 23
24 LP (forts.) Føringer (beskrankninger) I LP: Lineære likheter, ulikheter n ax 1 1+ L+ anxn = b ax j j = b j= 1 INF-MAT Geir Hasle - Leksjon 1 24
25 LP på standardform n j1 = j n max ζ= c x slik at j1 = j ij j i j ax b i= 1, K,m x 0 j= 1, K,n n antall beslutningsvariable m antall føringer INF-MAT Geir Hasle - Leksjon 1 25
26 Løsning av LP Simpleksmetoden Meget effektiv i praksis Verste fall: eksponensiell tidskompleksitet Alternative metoder garanterer polynomiell vekst LP er et effektivt løsbart problem Verktøy Anvendelser Nytte INF-MAT Geir Hasle - Leksjon 1 26
27 Lineær heltallsprogrammering n j1 = j n max ζ= c x slik at j1 = j ij j i j ax b i= 1, K,m x 0 j= 1, K,n n j1 = j i n max ζ= c x slik at x j1 = j ij j i j ax b i= 1, K,m 0 j = 1, K,n { K n} + x N i I 1,, Blandete heltallsprogrammer (Mixed Integer Programs MIP) Rene heltallsprogrammer (Pure Integer Programs IP, PIP) 0-1 programmer { K } i I 1,,n { K } i I= 1,,n i { } x 0,1 INF-MAT Geir Hasle - Leksjon 1 27
28 (Lineær) Heltallsprogrammering Mange oppgaver i den virkelige verden kan modelleres som LP med heltallighetsføringer Diskrete valg, sekvensering, kombinatorikk, logikk Tids- og ressursplanlegging, operasjonsanalyse LP med heltallsføringer kalles Heltallsprogrammer Heltallsprogrammer er generelt langt vanskeligere å løse beregningsmessig enn ordinære LP Ofte øker regnetiden til eksakte metoder eksponensielt med størrelsen av problemet Men ikke alltid... INF-MAT Geir Hasle - Leksjon 1 28
29 Eksempel optimeringsproblem: Handelsreisende-problemet (TSP) Tillatt løsning: verdi: 184 INF-MAT Geir Hasle - Leksjon 1 29
30 Problemer (problemtyper) og instanser Eksempel: TSP En type av konkrete problemer (instanser) En instans er gitt ved: n: antall byer A: nxn-matrise av reisekostnader INF-MAT Geir Hasle - Leksjon 1 30
31 Definisjon Diskret Optimeringsproblem Et Diskret (kombinatorisk) OptimeringsProblem (DOP) er enten et minimerings- eller maksimeringsproblem spesifiseres av et sett probleminstanser INF-MAT Geir Hasle - Leksjon 1 31
32 Definisjon DOP-instans En DOP-instans er et par ( S, f ) der S= { s} er mengden av tillatte (interessante) løsninger og f:s R er kostnadsfunksjonen. Målet er å finne en globalt optimal * * løsning: s S: f (s ) f (s), s S * f * = f(s ) (globalt) optimal kostnad * S { * = s S:f(s) = f } (globalt) optimale løsninger INF-MAT Geir Hasle - Leksjon 1 32
33 Eksempel 1: En TSP-instans 3 byer: 1, 2, ( S, f ) min f ( s) s S { } { } S = (1, 2, 3), (1, 3, 2), (2,1, 3), (2, 3,1), (3,1, 2), (3, 2,1) s, K, s f (s ) = = 20 M 1 f (s ) = = INF-MAT Geir Hasle - Leksjon 1 33
34 Eksempel 2: Ryggsekkproblem-instans Ryggsekk med kapasitet artikler (prosjekter,...) 1,...,10 ( S, f ) max f ( s) s S Verdi Størrelse { K } { K } S = ,, s,,s f(s ) M 1 f(s ) = 117 M f(s 530 = ) = * f = f(s 530) = 117 { } * S = INF-MAT Geir Hasle - Leksjon 1 34
35 Kommentarer DOP-definisjon S er sjelden gitt eksplisitt S ofte delmengde av brukbare løsninger i større rom av mulige løsninger (s,f(s)) sjelden gitt eksplisitt ofte fins kompakt representasjon av instans (kandidat)løsning ofte gitt ved verdier på beslutningsvariable r r (x 1,v 1 ),..., (x n,v n ) (valuering x v) ofte polynomielle algoritmer for å sjekke brukbarhet (medlemskap i S) og kostnad/verdi for kandidatløsninger INF-MAT Geir Hasle - Leksjon 1 35
36 Anvendelser DOP Beslutninger der man har diskrete alternativer Synteseproblemer planlegging design Operasjonsanalyse, Kunstig intelligens Logistikk, design, planlegging, robotikk INF-MAT Geir Hasle - Leksjon 1 36
37 Løsningsmetoder for DOP Eksakte metoder generer og test, eksplisitt enumrering matematisk programmering implisitt enumrering Approksimasjonsmetoder med garantier heuristikker INF-MAT Geir Hasle - Leksjon 1 37
38 Kompleksitetsteori Regnetid for en type problemer beste algoritme uansett instans utvikling ift problemstørrelse Eksponensiell vekst er grusom Parallellitet og utvikling i regnekraft hjelper lite Effektiv løsbarhet knyttes til polynomielle algoritmer Verste fall, pessimistisk teori En instans er nok til å dømme et problem som ikkeeffektivt løsbar INF-MAT Geir Hasle - Leksjon 1 38
39 Kombinatorisk eksplosjon - antall rekkefølger ! ! ! ! INF-MAT Geir Hasle - Leksjon 1 39
40 Klasser av problemtyper Kompleksitetsklasser P NP NP-komplett NPC P NP NP P Cook s formodning: \ LP P SAT NPC TSP NPC Knapsack NPC Kachian (1979) Cook (1971) Karp (1972) INF-MAT Geir Hasle - Leksjon 1 40 P NP
41 Motivasjon for heuristiske løsningsmetoder for DOP Kompleksitetsteori, NP-komplette problemer Kompleksitetsteori ser på beslutningsproblemer Nær sammenheng mellom beslutningsproblem og optimeringsproblem Optimering minst like hardt som beslutning NP-komplett beslutningsproblem -> NP-hardt optimeringsproblem For NP-harde DOP fins antakelig ikke eksakt metode der regnetiden er begrenset av polynom Ulike valg eksakt metode (enumerativ) approksimasjonsmetode (polynomisk tid) heuristisk metode (ingen a priori garanti) NB! Ikke alle DOP er NP-harde! INF-MAT Geir Hasle - Leksjon 1 41
42 Videre motivasjon - heuristikker I den virkelige verden: er det som oftest krav til respons er optimering kun ett aspekt utelukker ofte problemstørrelse og responskrav eksakt optimeringsmetode p.g.a. beregningskompleksitet Heuristiske metoder robust valg I den virkelige verden trengs ofte ikke den optimale løsning Mennesker er ikke optimerere men tilfredsstillere (satisficers) Herb Simon Eksakte metoder kan være bedre valg Kulturer matematikere vs. pragmatikere/ingeniører OR vs. AI INF-MAT Geir Hasle - Leksjon 1 42
43 Eksakte metoder for DOP DOP har ofte et endelig antall løsninger Eksakte metoder garanterer å finne optimal løsning Responstid? Eksakte metoder er gode for begrenset problemstørrelse kanskje gode for de instanser som er aktuelle ofte grunnlag for approksimasjonsmetoder ofte gode for forenklete problemer INF-MAT Geir Hasle - Leksjon 1 43
44 Heuristikk En teknikk som forbedrer effektiviteten til en søkeprosess, oftest ved å ofre kompletthet Garantier for løsningskvalitet vs. tid kan sjelden gis Generelle heuristikker (f. eks. i Branch & Bound for IP) Spesielle heuristikker utnytter kunnskap om problemet Begrep innført i How to solve it [Polya 1957]. Guide for løsning av matematiske problemer INF-MAT Geir Hasle - Leksjon 1 44
45 Lokalsøk for DOP Heuristisk metode Iterativ metode Små endringer av gitt løsning Ingredienser: Nabolag Søkestrategi Initiell løsning Stoppkriterium INF-MAT Geir Hasle - Leksjon 1 45
46 Leksjon 1: Oppsummering Kursinformasjon Motivasjon Operasjonsanalyse Kunstig intelligens Optimeringsproblemer (diskrete) Matematisk program Constrained Optimization Problem Definisjon Diskret OptimeringsProblem (DOP) Anvendelser Kompleksitetsteori Eksakte metoder, approksimasjonsmetoder Heuristikker Skisse av lokalsøk INF-MAT Geir Hasle - Leksjon 1 46
47 Neste gang: Leksjon 2 Litt repetisjon Eksempler på DOP Mer om lokalsøk Begrepsdefinisjoner Hovedproblem i lokalsøk INF-MAT Geir Hasle - Leksjon 1 47
!!!" " # $ Leksjon 1
!!!"" # $ Leksjon 1 %# Studenten skal etter seminaret ha en grunnleggende forståelse av hvordan moderne heuristiske metoder basert på lokalsøk og metaheuristikker kan brukes for å finne approksimerte løsninger
DetaljerEpost: Tlf. SINTEF Mob
Del A: Diskret optimering og heuristiske metoder Leksjon Sjefsforsker Geir Hasle SINTEF Anvendt matematikk, Oslo!" Epost: Geir.Hasle@sintef.no Tlf. SINTEF 22 06 78 87 Mob. 930 58 703 TMA 498 - Geir Hasle
Detaljer!"!#$ INF-MAT Geir Hasle - Leksjon 2 2
Leksjon 2 !"!#$ Kursinformasjon Motivasjon Operasjonsanalyse Kunstig intelligens Optimeringsproblemer (diskrete) Matematisk program COP Definisjon DOP Anvendelser Kompleksitetsteori Eksakte metoder, approksimasjonsmetoder
DetaljerINF-MAT-5380
INF-MAT-5380 http://www.uio.no/studier/emner/matnat/ifi/inf-mat5380/ Leksjon 2 Leksjon 1: Oppsummering Kursinformasjon Motivasjon Operasjonsanalyse Kunstig intelligens Optimeringsproblemer (diskrete) Matematisk
DetaljerINF-MAT-5380 http://www.uio.no/studier/emner/matnat/ifi/inf-mat5380/
INF-MAT-5380 http://www.uio.no/studier/emner/matnat/ifi/inf-mat5380/ Leksjon 8 Diskrete optimeringsproblemer (DOP) Finnes overalt operasjonsanalyse kunstig intelligens mønstergjenkjenning geometri økonomi
DetaljerINF oktober Stein Krogdahl. Altså: Hva kan ikke gjøres raskt (med mindre P = NP)
INF 4130 22. oktober 2009 Stein Krogdahl Dagens tema: Mer om NP-kompletthet Altså: Hva kan ikke gjøres raskt (med mindre P = NP) Også her: Dette har blitt framstilt litt annerledes tidligere år Pensum
DetaljerTilfeldig søk Simulert størkning Terskelakseptanseteknikker. INF-MAT Geir Hasle - Leksjon 4 2
Leksjon 4 !!"# Tilfeldig søk Simulert størkning Terskelakseptanseteknikker INF-MAT 5380 - Geir Hasle - Leksjon 4 2 $!"% Inspirert av statistisk mekanikk - nedkjøling Metaheuristikk lokalsøk tilfeldig nedstigning
DetaljerINF-MAT 5380 - Geir Hasle - Leksjon 3 2
Leksjon 3 !"#$ Eksempler på DOP Alternative representasjoner Definisjon nabolag, -operator Lokalsøk Definisjon lokalt optimum Eksakt nabolag Prosedyre for lokalsøk Traversering av nabolagsgraf Kommentarer,
DetaljerDel A: Diskret optimering og heuristiske metoder Leksjon 4. Sjefsforsker Geir Hasle SINTEF Anvendt matematikk, Oslo
Del A: Diskret optimering og heuristiske metoder Leksjon 4 Sjefsforsker Geir Hasle SINTEF Anvendt matematikk, Oslo!"# Tilfeldig søk Simulert herding Terskelakseptanse Record-to-Record-Travel TMA 4198 -
DetaljerINF-MAT-5380
INF-MAT-5380 http://www.uio.no/studier/emner/matnat/ifi/inf-mat5380/ Leksjon 4 Leksjon 3 - Oversikt Tilfeldig søk Simulert størkning Terskelakseptanse INF-MAT 5380 - Geir Hasle - Leksjon 4 2 SA - Oppsummering
DetaljerINF-MAT-5380
INF-MAT-5380 http://www.uio.no/studier/emner/matnat/ifi/inf-mat5380/ Leksjon 3 Leksjon 2 - Oppsummering Eksempler på DOP Alternative formuleringer Definisjon nabolag, -operator Lokalsøk Definisjon lokalt
DetaljerINF-MAT-5380
INF-MAT-5380 http://www.uio.no/studier/emner/matnat/ifi/inf-mat5380/ Leksjon 5 Leksjon 4 - Oversikt Tabusøk INF-MAT 5380 - Geir Hasle - Leksjon 5 2 Tabusøk - Sammendrag Inspirert fra matematisk optimering
DetaljerINF-MAT-5380
INF-MAT-5380 http://www.uio.no/studier/emner/matnat/ifi/inf-mat5380/ Leksjon 7 GA - Oppsummering Viktige karakteristika populasjon av løsninger domeneuavhengighet enkoding mangel på utnyttelse av struktur
DetaljerKompleksitet og Beregnbarhet
Kompleksitet og Beregnbarhet 16. September, 2019 Institutt for Informatikk 1 Dagens plan Avgjørelsesproblemer. P EXPTIME NP Reduksjoner NP-kompletthet Uavgjørbarhet UNDECIDABLE DECIDABLE PSPACE NPC NP
DetaljerHeuristisk søk 1. Prinsipper og metoder
Heuristisk søk Prinsipper og metoder Oversikt Kombinatorisk optimering Lokalt søk og simulert størkning Populasjonsbasert søk Traveling sales person (TSP) Tromsø Bergen Stavanger Trondheim Oppdal Oslo
Detaljer!"# $%&' P NP NP \ P. Finnes overalt. Er som regel ikke effektivt løsbare. Eksempler på NP-harde problemer
Leksjon 8 !"# $%&' Finnes overalt operasjonsanalyse kunstig intelligens mønstergjenkjenning geometri Er som regel ikke effektivt løsbare kompleksitetsteori P NP NP \ P NP-harde problemer vi kan antakelig
DetaljerDiscrete Optimization Methods in Maritime and Road-based Transportation
Discrete Optimization Methods in Maritime and Road-based Transportation Forskningsprosjekt med støtte fra Norges Forskningsråd Samarbeidspartnere Norges Teknisk-Naturvitenskapelige Universitet Institutt
DetaljerIntroduksjon til operasjonsanalyse
1 Introduksjon til operasjonsanalyse Asgeir Tomasgard 2 Operasjonsanalyse Operasjonsanalyse er å modellere og analysere et problem fra den virkelige verden med tanke på å finne optimale beslutninger. I
DetaljerOptimeringsmetoder innen operasjonsanalyse en oversiktsstudie
FFI-rapport 2008/00123 Optimeringsmetoder innen operasjonsanalyse en oversiktsstudie Maria F. Fauske Forsvarets forskningsinstitutt (FFI) 15. januar 2008 FFI-rapport 2008/00123 1068 ISBN 978-82-464-1314-3
DetaljerKompleksitet. IN algoritmer og datastrukturer Plenumstime / repetisjon
Kompleksitet IN2010 - algoritmer og datastrukturer Plenumstime / repetisjon Dagens agenda Kompleksitet - hva er det? Avgjørelsesproblemer Kompleksitetsklassene P og NP Reduksjoner - å redusere et problem
DetaljerOversikt. Heuristisk søk 1. Kombinatorisk optimering Lokalt søk og simulert størkning Populasjonsbasert søk. Prinsipper og metoder
Oversikt Heuristisk søk Kombinatorisk optimering Lokalt søk og simulert størkning Populasjonsbasert søk Prinsipper og metoder Pål Sætrom Traveling sales person (TSP) Kombinatorisk optimering Trondheim
DetaljerKontinuasjonseksamen i tdt4125 Algoritmekonstruksjon, videregående kurs
Norges teknisk naturvitenskapelige universitet Institutt for datateknikk og informasjonsvitenskap Side 1 av 7 Eksamenforfattere: Ole Edsberg Kvalitetskontroll: Magnus Lie Hetland Kontakter under eksamen:
DetaljerINF Algoritmer og datastrukturer
INF2220 - Algoritmer og datastrukturer Institutt for informatikk, Universitetet i Oslo INF2220, forelesning 13: Dynamisk programmering (Ifi, UiO) INF2220 H2017, forelesning 13 1 / 30 Dagens plan Dynamisk
DetaljerStyrt lokalsøk (Guided Local Search, GLS)
Leksjon 6 !!"# Styrt lokalsøk (Guided Local Search, GLS) Martin Stølevik, SINTEF INF-MAT 5380 - Geir Hasle - Leksjon 6 2 $!%&!'%!($')! *+ GENET (neural network) Prosjekt for løsing av Constraint Satisfaction
DetaljerINF-MAT-5380
INF-MAT-5380 http://www.uio.no/studier/emner/matnat/ifi/inf-mat5380/ Leksjon 6 Leksjon 5 - Oversikt Styrt lokalsøk (Guided Local Search, GLS) INF-MAT 5380 - Geir Hasle - Leksjon 6 2 Guided Local Search
DetaljerDel A: Diskret optimering og heuristiske metoder Leksjon 7
Del A: Diskret optimering og heuristiske metoder Leksjon 7 Sjefsforsker Geir Hasle SINTEF Anvendt matematikk, Oslo! Viktige karakteristika populasjon av løsninger domeneuavhengighet enkoding mangel på
DetaljerINF Algoritmer: Design og effektivitet
INF 4130 Algoritmer: Design og effektivitet Velkommen Forelesere: Stein Krogdahl, steinkr at ifi.uio.no Petter Kristiansen pettkr at ifi.uio.no Lærebok: Algorithms: Sequential, Parallel, and Distributed,
DetaljerINF Stein Krogdahl. NB: Det som under forelesningen ble kalt et vitne er nå omdøpt til et sertifikat.
INF 4130 15. oktober 2009 Stein Krogdahl NB: Det som under forelesningen ble kalt et vitne er nå omdøpt til et sertifikat. Dagens tema: NP-kompletthet Eller: hvilke problemer er umulig å løse effektivt?
DetaljerAnalyse av Algoritmer
Analyse av Algoritmer Lars Vidar Magnusson 10.1.2014 Asymptotisk notasjon (kapittel 3) Kompleksitetsklasser Uløselige problem Asymptotisk Notasjon Asymptotisk analyse innebærer å finne en algoritmes kjøretid
DetaljerLP. Leksjon 4. Kapittel 4: effektivitet av simpleksmetoden
LP. Leksjon 4 Kapittel 4: effektivitet av simpleksmetoden hvordan måle effektivitet? verste tilfelle analyse, Klee-Minty kuben gjennomsnittsanalyse og i praksis 1 / 18 Status Hvor langt er vi kommet i
DetaljerNP-komplett, hva nå?
NP-komplett, hva nå? Anta vi har klart å vise at problemet vårt er NP-komplett eller NP-hardt. Hva betyr det? Såfremt P NP (de fleste tror det) har ikke problemet noen polynomisk algoritme. Hva skal vi
DetaljerHybrid med lokalsøk: Memetic algorithms
Leksjon 7 ! Viktige karakteristika populasjon av løsninger domeneuavhengighet enkoding mangel på utnyttelse av struktur iboende parallellitet skjema, vokabular robusthet gode mekanismer for intensifisering
DetaljerNP-kompletthet. «Hvordan gjøre noe lett for å vise at noe annet er vanskelig»
NP-kompletthet «Hvordan gjøre noe lett for å vise at noe annet er vanskelig» Gjennomgang Øving 12, maks flyt Oppskrift på et NPkomplett problem 1. Vise at problemet er veldig lett å sjekke 2. Vise at problemet
Detaljeringen Fase I nødvendig konvergerer dersom LP er begrenset og konsistent skifter mellom primal og dual pivotering MoD233 - Geir Hasle - Leksjon 8 2
Leksjon 8 Ofte behov for å løse mange relaterte LP Regnetid kan spares ved å bruke informasjon fra tidligere løsninger Parametrisk analyse homotopi-metoden Den Parametriske Selv-duale Simpleksmetoden ingen
DetaljerModerne optimering mer enn å derivere!!
Faglig pedagogisk dag 2000, 4. januar Moderne optimering mer enn å derivere!! Geir Dahl, Prof. matematikk, Matematisk inst. og Inst. for informatikk aksjer - eksempel på LP (lineær programmering) noen
DetaljerMaks Flyt og NPkompletthet
Maks Flyt og NPkompletthet Flyt - Intro Mange av oppgavene om flyt handler om å se at Dette kan vi løse som et flytproblem. Resten er som regel kortsvarsoppgaver, og går på grunnleggende forståelse av
DetaljerLP. Leksjon 9: Kapittel 13: Nettverk strøm problemer, forts.2
LP. Leksjon 9: Kapittel 13: Nettverk strøm problemer, forts.2 Vi tar siste runde om (MKS): minimum kost nettverk strøm problemet. Skal oppsummere algoritmen. Se på noen detaljer. Noen kombinatorisk anvendelser
DetaljerVELKOMMEN TIL MAT-INF1100(L) Knut Mørken knutm@ifi.uio.no Rom 1033, Niels Henrik Abels hus
VELKOMMEN TIL MAT-INF1100(L) Knut Mørken knutm@ifi.uio.no Rom 1033, Niels Henrik Abels hus Forelesere Knut Mørken og Martin Reimers, Matematisk institutt, 10. etg i Niels Henrik Abels hus Arbeider med
DetaljerLast ned Operasjonsanalyse; kort og godt - Morten Helbæk. Last ned
Last ned Operasjonsanalyse; kort og godt - Morten Helbæk Last ned Forfatter: Morten Helbæk ISBN: 9788215020822 Antall sider: 176 Format: PDF Filstørrelse: 22.92 Mb Boken er egnet for studenter som tar
DetaljerLast ned Operasjonsanalyse - Morten Helbæk. Last ned
Last ned Operasjonsanalyse - Morten Helbæk Last ned Forfatter: Morten Helbæk ISBN: 9788215020822 Antall sider: 176 Format: PDF Filstørrelse:28.96 Mb Boken er egnet for studenter som tar innføringskurs
DetaljerForelesning 29: Kompleksitetsteori
MAT1030 Diskret Matematikk Forelesning 29: Kompleksitetsteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo Forelesning 29: Kompleksitetsteori 13. mai 2009 (Sist oppdatert: 2009-05-17
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 29: Kompleksitetsteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo 13. mai 2009 (Sist oppdatert: 2009-05-17 22:38) Forelesning 29: Kompleksitetsteori
DetaljerIN2010: Forelesning 11. Kombinatorisk søking Beregnbarhet og kompleksitet
IN2010: Forelesning 11 Kombinatorisk søking Beregnbarhet og kompleksitet KOMBINATORISK SØKING Oversikt Generering av permutasjoner Lett: Sekvens-generering Vanskelig: Alle tallene må være forskjellige
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 10: Mengdelære Dag Normann Matematisk Institutt, Universitetet i Oslo 17. februar 2010 (Sist oppdatert: 2010-02-17 12:40) Kapittel 5: Mengdelære MAT1030 Diskret Matematikk
DetaljerKapittel 5: Mengdelære
MAT1030 Diskret Matematikk Forelesning 10: Mengdelære Dag Normann Matematisk Institutt, Universitetet i Oslo Kapittel 5: Mengdelære 17. februar 2010 (Sist oppdatert: 2010-02-17 12:41) MAT1030 Diskret Matematikk
Detaljer)RUVNQLQJVPHWRGLNNLQQHQ.XQVWLJLQWHOOLJHQV
.XQVWLJLQWHOOLJHQV01),7 )RUHOHVQLQJ Emner: )RUVNQLQJVPHWRGLNNLQQHQ.XQVWLJLQWHOOLJHQV - Revidert definisjon - AI som empirisk vitenskap - Kognitiv vitenskap som metodisk tilnærming - Epistemologiske problemer
DetaljerLP. Leksjon 1. Kapittel 1 og 2: eksempel og simpleksmetoden
LP. Leksjon 1. Kapittel 1 og 2: eksempel og simpleksmetoden Dette emnet gir en innføring i lineær optimering og tilgrensende felt. hva er LP (lin.opt.=lin.programmering) mer generelt: matematisk optimering
DetaljerKompleksitetsteori reduksjoner
Kompleksitetsteori reduksjoner En slags liten oversikt, eller huskeliste, for kompleksitetsteorien i INF 4130. Ikke ment å være verken fullstendig eller detaljert, men kanskje egnet til å gi noen knagger
DetaljerForelesning 30: Kompleksitetsteori
MAT1030 Diskret Matematikk Forelesning 30: Kompleksitetsteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo Forelesning 30: Kompleksitetsteori 19. mai 2009 (Sist oppdatert: 2009-05-19
DetaljerStudieplan: Matematikk og statistikk - bachelor
Studieplan: Matematikk og statistikk - bachelor Navn: Bokmål: Matematikk og statistikk - bachelor Nynorsk: Matematikk og statistikk - bachelor Engelsk: Mathematics and Statistics - bachelor Oppnådd grad:
DetaljerMAT 1120: Obligatorisk oppgave 1, H-09
MAT 110: Obligatorisk oppgave 1, H-09 Innlevering: Senest fredag 5. september, 009, kl.14.30, på Ekspedisjonskontoret til Matematisk institutt (7. etasje NHA). Du kan skrive for hånd eller med datamaskin,
DetaljerHeuristiske søkemetoder II
Heuristiske søkemetoder II Lars Aurdal Intervensjonssenteret Lars.Aurdal@labmed.uio.no 4. september 23 Plan Hva er en heuristisk søkealgoritme? Hvorfor heuristiske søkealgoritmer framfor tilbakenøsting?
DetaljerStyrt lokalsøk (Guided Local Search, GLS)
Del A: Diskret optimering og heuristiske metoder Leksjon 6 Sjefsforsker Geir Hasle SINTEF Anvendt matematikk, Oslo!"# Styrt lokalsøk (Guided Local Search, GLS) TMA 4198 - Geir Hasle - Leksjon 6 2 1 $ %&'%($
DetaljerLP. Leksjon 7. Kapittel 13: Nettverk strøm problemer
LP. Leksjon 7. Kapittel 13: Nettverk strøm problemer Skal studere matematiske modeller for strøm i nettverk. Dette har anvendelser av typen fysiske nettverk: internet, vei, jernbane, fly, telekommunikasjon,
DetaljerStudieplan 2005/2006
Studieplan 2005/2006 Erfaringsbasert mastergradsstudium i anvendt informatikk Beskrivelse Som første lærested i Norge tilbyr Høgskolen i en Erfaringsbasert mastergrad i anvendt informatikk. Studiet gjennomføres
DetaljerNotat for oblig 2, INF3/4130 h07
Notat for oblig 2, INF3/4130 h07 Dag Sverre Seljebotn 15. oktober 2007 Jeg har skrivd et noe langt notat for oblig 2 som interesserte kan se på. Merk at dette er kun for å gi et par tips (for oppgave 3
DetaljerOverview. Heuristic search 1. Target function and optimization. Minimum vertex cover
Overview Heuristic search Combinatorial optimization Local search and simulated annealing Population-based search Principles and methods Pål Sætrom Traveling sales person (TSP) Combinatorial optimization
DetaljerVELKOMMEN TIL MAT-INF1100 og MAT-INF1105. Knut Mørken Rom Ø368, Fysikkbygget
VELKOMMEN TIL MAT-INF1100 og MAT-INF1105 Knut Mørken knutm@ifi.uio.no Rom Ø368, Fysikkbygget Lærere Knut Mørken og Martin Reimers, Matematisk institutt Arbeider med beregningsorientert matematikk. En anvendelse
DetaljerINF 4130. 8. oktober 2009. Dagens tema: Uavgjørbarhet. Neste uke: NP-kompletthet
INF 4130 8. oktober 2009 Stein Krogdahl Dagens tema: Uavgjørbarhet Dette har blitt framstilt litt annerledes tidligere år Se Dinos forelesninger fra i fjor. I år: Vi tenker mer i programmer enn i Turing-maskiner
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF-MAT 3370 Lineær optimering Eksamensdag: 3. juni 2008 Tid for eksamen: 14.30 17.30 Oppgavesettet er på 5 sider. Vedlegg: Ingen
DetaljerLP. Leksjon 6: Kap. 6: simpleksmetoden i matriseform, og Seksjon 7.1: følsomhetsanalyse
LP. Leksjon 6: Kap. 6: simpleksmetoden i matriseform, og Seksjon 7.1: følsomhetsanalyse matrisenotasjon simpleksalgoritmen i matrisenotasjon eksempel negativ transponert egenskap: bevis følsomhetsanalyse
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF-MAT 3370 Lineær optimering Eksamensdag: 1. juni 2010 Tid for eksamen: 09.00 12.00 Oppgavesettet er på 5 sider. Vedlegg: Ingen
DetaljerIntroduksjon til Algoritmeanalyse
Introduksjon til Algoritmeanalyse 26. August, 2019 Institutt for Informatikk 1 Hvordan skal vi tenke i IN2010? Effektive løsninger Hvordan skalérer problemet og løsningen? 2 Terminologi Betegnelse Problem
DetaljerTuringmaskiner en kortfattet introduksjon. Christian F Heide
7. november 016 Turingmaskiner en kortfattet introduksjon Christian F Heide En turingmaskin er ikke en fysisk datamaskin, men et konsept eller en tankekonstruksjon laget for å kunne resonnere omkring blant
DetaljerKontinuasjonseksamen i tdt4125 Algoritmekonstruksjon, videregående kurs
Norges teknisk naturvitenskapelige universitet Institutt for datateknikk og informasjonsvitenskap Side 1 av 7 Eksamenforfattere: Ole Edsberg Kvalitetskontroll: Magnus Lie Hetland Kontakter under eksamen:
DetaljerMotivation. The gap between theory and practice NTNU
Motivation The gap between theory and practice There are two main communities of parallel algorithm designers: the theoreticians and the practitioners. Theoreticians have been developing algorithms with
DetaljerProgrambeskrivelse for revidert versjon av bachelorprogrammet Matematikk, informatikk
Programbeskrivelse for revidert versjon av bachelorprogrammet Matematikk, informatikk og teknologi (MIT) Tabell 1 Revidert versjon av Matematikk, informatikk og teknologi Programnavn: Vertsinstitutt: Navn
DetaljerEKSAMEN I EMNE TIØ4120 OPERASJONSANALYSE, GK. Torsdag 2. desember 2010 Tid: kl
Side 1 av 5 NTNU Institutt for industriell økonomi og teknologiledelse Faggruppe for bedriftsøkonomi og optimering Faglig kontakt under eksamen: Navn: Bjørn Nygreen Tlf.: 958 55 997 / (93607) EKSAMEN I
DetaljerTrianguleringer og anvendelser
INF-MAT5370 Trianguleringer og anvendelser Fra seilflysimulatoren Silent Wings Bakgrunn for kurset: Kurset ble til til mens vi vi (foreleserne) arbeidet med oppdrag for industrien på SINTEF. Samtlige deler
DetaljerKapittel 4: effektivitet av simpleksmetoden
LP. Leksjon 4 Kapittel 4: effektivitet av simpleksmetoden hvordan måle effektivitet? verste tilfelle analyse, Klee-Minty kuben gjennomsnittsanalyse og i praksis LP. Leksjon 4: #1 of 14 Status Hvor langt
DetaljerMagnus Lie Hetland. Problemløsningsguide, Algoritmer og datastrukturer
Magnus Lie Hetland Problemløsningsguide, 2018 Algoritmer og datastrukturer 2018-11-18 18:46:46 Magnus Lie Hetland Oversikt Om du står overfor en type problem du har løst mange ganger, eller noe som ligner
DetaljerKorteste vei problemet (seksjon 15.3)
Korteste vei problemet (seksjon 15.3) Skal studere et grunnleggende kombinatorisk problem, men først: En (rettet) vandring i en rettet graf D = (V, E) er en følge P = (v 0, e 1, v 1, e 2,..., e k, v k
DetaljerInformasjon om studieprogrammet Beregningsorientert informatikk
Informasjon om studieprogrammet Beregningsorientert informatikk Beregningsorientert informatikk kombinerer kunnskaper og ferdigheter i matematikk og informatikk, og legger spesielt vekt på utvikling av
DetaljerSimulering av optimal sengefordeling mellom avdelinger i sykehus Fredrik A. Dahl og Lene Berge Holm
Simulering av optimal sengefordeling mellom avdelinger i sykehus Fredrik A. Dahl og Lene Berge Holm Operasjonsanalyse-gruppen i Ahus/HØKH Bakgrunn Dahl: operasjonsanalyse i Forsvaret Lurås: modellering
DetaljerTDT4105 Informasjonsteknologi, grunnkurs
1 TDT4105 Informasjonsteknologi, grunnkurs For BMAT, MTEL, MTENERG, MTING, MTIØT, MTMART og MTPROD Førsteamanuensis Roger Midtstraum Kontor: 206 i IT-bygget (Gløshaugen) Epost: roger@idi.ntnu.no Tlf: 735
DetaljerModellering og simulering av pasientforløp
Modellering og simulering av pasientforløp Martin Stølevik, SINTEF martin.stolevik@sintef.no, tlf 22067672 1 Innhold Bakgrunn Beslutningsstøtte Pasientforløp Modellering Simulering Veien videre 2 Hvorfor?
DetaljerTuringmaskiner en kortfattet introduksjon. Christian F Heide
13. november 2014 Turingmaskiner en kortfattet introduksjon Christian F Heide En turingmaskin er ikke en fysisk datamaskin, men et konsept eller en tankekonstruksjon laget for å kunne resonnere omkring
DetaljerQuo vadis prosessregulering?
Quo vadis prosessregulering? Morten Hovd PROST industrimøte Granfos, 24. Januar 2001 PROST Industrimøte, Granfos, 24. januar 2001 Hvor står vi? Et subjektivt bilde PROST Industrimøte, Granfos, 24. januar
DetaljerStudieplan 2009/2010
Studieplan 2009/2010 Fleskibel erfaringsbasert master i anvendt informatikk Beskrivelse Høgskolen i Molde tilbyr erfaringsbasert masterstudium i anvendt informatikk med fleksible undervisningsformer som
DetaljerINF2220: Time 8 og 9 - Kompleksitet, beregnbarhet og kombinatorisk søk
INF0: Time 8 og 9 - Kompleksitet, beregnbarhet og kombinatorisk søk Mathias Lohne mathialo Rekursjonseksempel Eksempel Finn kjøretid for følgende program: (Ex11 b) 1 float foo(a) { n = Alength; 3 4 if
DetaljerNumerisk lineær algebra
Numerisk lineær algebra Arne Morten Kvarving Department of Mathematical Sciences Norwegian University of Science and Technology 29. Oktober 2007 Problem og framgangsmåte Vi vil løse A x = b, b, x R N,
DetaljerMNFIT-272 Kunstig intelligens Forelesning 4.
MNFIT-272 Kunstig intelligens Forelesning 4. Emner: Søkesystemer - styring og kontroll av søk - søkesystemer i praksis Produksjonssystemer - regelbasert søking - som generell problemløsningsmodell - praktiske
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Deleksamen i: MAT-INF 1100 Modellering og beregninger. Eksamensdag: Onsdag 9. oktober 2013. Tid for eksamen: 15:00 17:00. Oppgavesettet
DetaljerLæreplan i Programmering og modellering - programfag i studiespesialiserende utdanningsprogram
2.12.2016 Læreplan i - programfag i studiespesialiserende utdanningsprogram Formål Programmering er et emne som stadig blir viktigere i vår moderne tid. Det er en stor fordel å kunne forstå og bruke programmering
DetaljerPrototype for automatisert oppsett av bemanningsplan
Prototype for automatisert oppsett av bemanningsplan Voksenåsen konferansehotell, 2009-09-15 IKT 1 BeAct Prosjektbeskrivelse Fokus: Turnusplanlegging og relaterte oppgaver. Mål: Lage en prototyp av et
DetaljerKompleksitetsanalyse Helge Hafting 25.1.2005 Opphavsrett: Forfatter og Stiftelsen TISIP Lærestoffet er utviklet for faget LO117D Algoritmiske metoder
Helge Hafting 25.1.2005 Opphavsrett: Forfatter og Stiftelsen TISIP Lærestoffet er utviklet for faget LO117D Algoritmiske metoder Innhold 1 1 1.1 Hva er en algoritme?............................... 1 1.2
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 10: Mengdelære Roger Antonsen Institutt for informatikk, Universitetet i Oslo 24. februar 2009 (Sist oppdatert: 2009-02-25 08:27) Kapittel 5: Mengdelære MAT1030 Diskret
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: 2. juni 2006 Tid for eksamen: 09.00 12.00 Oppgavesettet er på 5 sider. Vedlegg: INF-MAT 3370/INF-MAT 4370 Lineær
DetaljerLP. Leksjon 5. Kapittel 5: dualitetsteori. motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former
LP. Leksjon 5 Kapittel 5: dualitetsteori motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former 1 / 26 Motivasjon Til ethvert LP problem (P) er det knyttet et
DetaljerINF Algoritmer og datastrukturer
INF2220 - Algoritmer og datastrukturer Institutt for informatikk, Universitetet i Oslo INF2220, forelesning 11: Huffman-koding & Dynamisk programmering (Ifi, UiO) INF2220 H2015, forelesning 11 1 / 32 Dagens
DetaljerMAT1030 Forelesning 10
MAT1030 Forelesning 10 Mengdelære Roger Antonsen - 24. februar 2009 (Sist oppdatert: 2009-02-25 08:27) Kapittel 5: Mengdelære Oversikt Vi har nå innført de Boolske operasjonene, union snitt komplement
DetaljerFFI RAPPORT. LINEÆRPROGRAMMERING OG MIXED INTEGER PROGRAMMERING I STRUKTURANALYSER Grunnlag og erfaringer. SUNDFØR Hans Olav FFI/RAPPORT-2006/00241
FFI RAPPORT LINEÆRPROGRAMMERING OG MIXED INTEGER PROGRAMMERING I STRUKTURANALYSER Grunnlag og erfaringer SUNDFØR Hans Olav FFI/RAPPORT-2006/00241 LINEÆRPROGRAMMERING OG MIXED INTEGER PROGRAMMERING I STRUKTURANALYSER
DetaljerSpesifikasjon av Lag emne
Dagens forelesning o Kort repetisjon av kravspesifikasjon med UML Fra krav til objekter Hva skal systemet gjøre? UML: Bruksmønstermodeller (Use Cases) o Objektdesign Ansvarsdrevet OO: CRC og UML Sekvensdiagrammer
DetaljerMAT1030 Diskret matematikk
MAT1030 Diskret matematikk Forelesning 23: Grafteori Dag Normann Matematisk Institutt, Universitetet i Oslo 16. april 2008 Oppsummering En graf består av noder og kanter Kanter ligger inntil noder, og
DetaljerOppsummering. MAT1030 Diskret matematikk. Oppsummering. Oppsummering. Forelesning 23: Grafteori
Oppsummering MAT1030 Diskret matematikk Forelesning 23: Grafteori Dag Normann Matematisk Institutt, Universitetet i Oslo 16. april 2008 En graf består av noder og kanter Kanter ligger inntil noder, og
DetaljerDagens plan. INF Algoritmer og datastrukturer. Koding av tegn. Huffman-koding
Grafer Dagens plan INF2220 - Algoritmer og datastrukturer HØSTEN 2007 Institutt for informatikk, Universitetet i Oslo Avsluttende om grådige algoritmer (kap. 10.1.2) Dynamisk programmering Floyds algoritme
DetaljerRundt og rundt og. Trettende forelesning
Nettverksalgoritmer. Anvendelser og generaliseringer. Sirkulasjonsproblemet/ lineær programmering. (Kap. 29.1-29.2) Rundt og rundt og Trettende forelesning 1 Merk: Ikke sikkert alt dette blir gjennomgått
DetaljerSTK Oppsummering
STK1100 - Oppsummering Geir Storvik 6. Mai 2014 STK1100 Tre temaer Deskriptiv/beskrivende statistikk Sannsynlighetsteori Statistisk inferens Sannsynlighetsregning Hva Matematisk verktøy for å studere tilfeldigheter
DetaljerINF3170 Forelesning 1
INF3170 Forelesning 1 Introduksjon og mengdelære Roger Antonsen - 26. januar 2010 (Sist oppdatert: 2010-01-26 14:58) Dagens plan Innhold Velkommen til INF3710 Logikk 1 Litt praktisk informasjon...................................
DetaljerINF2810: Funksjonell Programmering. Oppsummering og eksamensforberedelser
INF2810: Funksjonell Programmering Oppsummering og eksamensforberedelser Erik Velldal & Stephan Oepen Universitetet i Oslo 18. mai 2017 I dag 2 Kort oppsummering Praktisk om eksamen Hvem vant konkurransen
Detaljer