!"!#$ INF-MAT Geir Hasle - Leksjon 2 2
|
|
- Gunhild Fosse
- 7 år siden
- Visninger:
Transkript
1 Leksjon 2
2 !"!#$ Kursinformasjon Motivasjon Operasjonsanalyse Kunstig intelligens Optimeringsproblemer (diskrete) Matematisk program COP Definisjon DOP Anvendelser Kompleksitetsteori Eksakte metoder, approksimasjonsmetoder Heuristikker Skisse av lokalsøk INF-MAT Geir Hasle - Leksjon 2 2
3 !% Eksempler på DOP Mer om lokalsøk Begrepsdefinisjoner Hovedproblem i lokalsøk INF-MAT Geir Hasle - Leksjon 2 3
4 &'!(!)#*!+*, Handelsreisende-problemet med tidsvinduer (TSPTW) Komplett graf med n noder (byer) {,, n} Kjent reisekostnad mellom byer c ij Hver by har åpningstid og betjeningstid [ e,l ] i i s i Handelsreisende skal foreta rundtur Løsning kan representeres ved permutasjon S er mengden av alle (lovlige) permutasjoner f er summen av reisekostnader ( ) n f π = c + c i= π(i), π (i+ ) π(n), π() π INF-MAT Geir Hasle - Leksjon 2 4
5 '-!)#*!!$ min f (x) slik at g (x) = 0, i =,, m i h (x) 0, j =,,n j x vektor av diskrete beslutningsvariable INF-MAT Geir Hasle - Leksjon 2 5
6 '-!)#*.#/*0'!.#*2 Gitt x = x,, x ( ) n ( ) ( ) { } { } n = k n nk D = D,,D v, v,, v, v f : D D R n { } i = = (k) (k) (k) C c,,c, k, n c D ( k ) D ( k ) j πj min f (x v) slik at v c, j =, i, k (k) j π () (k) (k) j k k n INF-MAT Geir Hasle - Leksjon 2 6
7 )#*!&'! '$0' n personer n oppgaver c i, j det koster å la person i utføre oppgave j finn minimal kost tilordning: x i, j hvis person i utfører oppgave j = 0 ellers hvordan gis en probleminstans? hvordan kan løsning representeres? hva er mengden S? dårlig case for lokalsøk... INF-MAT Geir Hasle - Leksjon 2 7 n j= n i= n n min c x s.a. i= j= i,j i,j i,j i,j x = i =,,n x = j =,,n
8 )#*!&'!+*,! x i, j ai hvis by j følger rett etter by i = 0 ellers ankomsttid node i n j= n i= n n min c x s.a. i= j= i,j i,j i i i i,j i,j x = i =,,n x = j =,,n e a l i =,,n ( ) a x a + s + c j i,j i i i,j Hvordan gis en probleminstans? Hvordan kan løsning representeres? Hva er mengden S? Er modellen riktig? INF-MAT Geir Hasle - Leksjon 2 8
9 )#*!&'!34$$0' n artikler {,...,n} tilgjengelig, vekt c i verdi v i et utvalg skal pakkes i ryggsekk med kapasitet C bestem utvalg av artikler som maksimerer verdi x i n j= hvis artikkel i er med i ryggsekken = 0 ellers i n max v x s.a. c x i= i i i C hvordan gis en probleminstans? hvordan kan løsning representeres? hva er mengden S? INF-MAT Geir Hasle - Leksjon 2 9
10 5-!!'6$7 Eksakte metoder Systematisk generering (Eksplisitt enumrering, generer og test) Implisitt enumrering dele opp i enklere problemer løse enklere problem eksakt Triviell løsning Inspeksjon av probleminstansen Konstruktiv, metode gradvis oppbygging ved grådig heuristikk Løse enklere problem fjerne/modifisere føringer modifisere objektfunksjon INF-MAT Geir Hasle - Leksjon 2 0
11 &'!+* Tidligere løsning: (84) Triviell løsning: (288) Grådig konstruksjon: (60) INF-MAT Geir Hasle - Leksjon 2
12 &'!34$$0' Verdi Størrelse Ryggsekk med kapasitet 0 0 artikler (prosjekter,...),...,0 Triviell løsning: tom ryggsekk, verdi 0 Grådig løsning, prøv artiklene etter verdi: ( ), verdi 85 bedre forslag? INF-MAT Geir Hasle - Leksjon 2 2
13 8!!'6$9!-!!0!'6$7 Modifikasjon av gitt løsning gir naboløsning En viss type operasjon på løsningen gir et sett med naboer, et nabolag Evaluering av naboer objektfunksjon tillatt? INF-MAT Geir Hasle - Leksjon 2 3
14 &'!+* Operator: 2-opt Hvor mange naboer? INF-MAT Geir Hasle - Leksjon 2 4
15 &'!34$$ Verdi Størrelse Anta vi ser på løsning verdi 73 Naturlig operator: Flip en bit, dvs. hvis artikkelen er i ryggsekken, ta den ut hvis artikkelen ikke er i ryggsekken, ta den med Noen naboer: verdi verdi 52, ikke tillatt verdi 47 INF-MAT Geir Hasle - Leksjon 2 5
16 )!0'$ La (S,f) være en DOP-instans. En nabolagsfunksjon er en avbildning N : S 2 S som for gitt løsning s S definerer et nabolag av løsninger N( s) som på et vis er i nærheten av t N( s) sies å være nabo til s S s INF-MAT Geir Hasle - Leksjon 2 6
17 0'$ Oftest defineres nabolagene ved en gitt type operasjon på løsningen Oftest enkle operasjoner fjerning av element tillegg av element bytte av to eller flere elementer i løsning Flere nabolag - kvalifiseres med operator N σ ( s), σ Σ INF-MAT Geir Hasle - Leksjon 2 7
18 '60'$62 Utgangspunkt i initiell løsning Iterativt søk i nabolag etter bedre løsning Sekvens av løsninger sk + Nσ( sk ), k = 0, Strategi for hvilken løsning i nabolaget som aksepteres som neste løsning Stoppkriterier Hva skjer når nabolaget ikke inneholder bedre løsning? INF-MAT Geir Hasle - Leksjon 2 8
19 )!'! La (S,f) være en DOP-instans og la N være en nabolagsfunksjon. En løsning er lokalt optimal (minimal) med hensyn på N dersom: f ( sˆ ) f ( t), t N( sˆ ) ŝ Vi betegner mengden av lokalt optimale løsninger med Ŝ NB! Lokal optimalitet er relativt til nabolag INF-MAT Geir Hasle - Leksjon 2 9
20 &'!+* Operator/Nabolag: 2-opt Lokalt optimal (2-optimal) løsning INF-MAT Geir Hasle - Leksjon 2 20
21 )!&!0'$ La (S,f) være en DOP-instans og la N være en nabolagsfunksjon. N er eksakt dersom: Ŝ S * Med flere ord: N er eksakt dersom lokale optima for nabolaget N også er globale optima. INF-MAT Geir Hasle - Leksjon 2 2
22 '60'$62 Alternative søkestrategier Aksepter første forbedrende løsning ( First Accept ) Søk hele nabolag gå til beste forbedrende løsning ( Steepest Descent, Hill Climbing Iterative Improvement ) alltid gå til beste løsning i nabolag ( Best Neighbor ) Andre strategier? INF-MAT Geir Hasle - Leksjon 2 22
23 :';+:+999$42 */ strategy is First Accept or Best Accept current=init_solution(s) incumbent:=current local_optimum:=false while not local_optimum do od */ best solution until now (current,incumbent,local_optimum):= Search_the_Neighborhood (current,n(s),f,strategy,incumbent) if local_optimum return incumbent INF-MAT Geir Hasle - Leksjon 2 23
24 +:;;$0 :9$099$49:02 best_neighbor:=current for t in Neighbors do if f(t) < f(best_neighbor) then best_neighbor:=t if f(t) < f(incumbent) then if strategy= First Accept then return (t,t,false) else incumbent:=t */ strategy is Best Accept fi fi od return (best_neighbor,incumbent,best_neighbor=current) INF-MAT Geir Hasle - Leksjon 2 24
25 #0- First Accept og Steepest Descent stopper i lokale optima Dersom nabolaget N er eksakt, er lokalsøk med disse strategiene (eksakte) optimeringsalgoritmer Lokalsøk kan betraktes som traversering i en rettet graf ( nabolagsgrafen ), der nodene er medlemmene i S og N definerer topologien (nodene merket med kostnad) og f definerer topografien INF-MAT Geir Hasle - Leksjon 2 25
26 '6!-$!-! 0'$$! sk + Nσ( sk ), k = 0, N σ ( s ) 0 N σ ( s ) s s s 0 s 0 s s 2 Et flytt er prosessen å velge en gitt løsning i nabolaget til nåværende løsning som nåværende løsning for neste iterasjon INF-MAT Geir Hasle - Leksjon 2 26
27 '6!'!! Nσ( s k ) s k + s k s k INF-MAT Geir Hasle - Leksjon 2 27
28 '!$!$'0'! Kostnad Løsningsrom INF-MAT Geir Hasle - Leksjon 2 28
29 &'!(!''6 Simpleksalgoritmen for Lineærprogrammering (LP) Simpleks Fase I gir initiell (brukbar) løsning Fase II gir iterativ forbedring mot optimal løsning (hvis slik finnes) Nabolaget defineres av simpleks-polytopen Strategien er Iterative Improvement Flyttene bestemmes av pivoteringsregler Nabolaget er eksakt, dvs. Simpleks er en optimeringsalgoritme (for visse pivoteringsregler) INF-MAT Geir Hasle - Leksjon 2 29
30 '6 Gammel idé, utvikling siste par tiår Populær metode for praktisk problemløsning av harde problemer Generell metode, tilpasningsvennlig Anytime -metode, kan avbrytes når som helst etter at initiell løsning er funnet Ofte effektive Effektivitet avhengig av initiell løsning og nabolag Nabolag bør velges ut fra problemstruktur Eksakte metoder er å foretrekke dersom de er effektive nok INF-MAT Geir Hasle - Leksjon 2 30
31 '6 Hovedutfordring: finne gode nabolag størrelse vs. kvalitet Andre utfordringer initiell(e) løsning(er) effektiv evaluering av flytt (inkrementell evaluering) håndtering av føringer søkestrategi stoppkriterier ytelse Ytelse ofte bedre enn enkle, grådige heuristikker og heuristikker med ytelsesgaranti Hvordan evaluerer vi ytelsen? INF-MAT Geir Hasle - Leksjon 2 3
32 '6<' Lokalt optimum kan være langt fra globalt optimum Grådig metode (Iterative improvement) Blind metode, ingen bruk av informasjon under søk Ofte sterkt avhengig av initiell løsning og nabolag Manglende ytelsesgaranti INF-MAT Geir Hasle - Leksjon 2 32
33 &-'$!-! 6-!$!!$!-!$2 Øvre grenser Heuristikker Optimal verdi Nedre grenser Relaksasjoner LP Lagrange INF-MAT Geir Hasle - Leksjon 2 33
34 5-$!!''6 Hva skal vi gjøre for å unngå at lokalsøk stopper i lokalt optimum? INF-MAT Geir Hasle - Leksjon 2 34
35 %!#$ Eksempler på DOP Alternative representasjoner Definisjon nabolag, -operator Lokalsøk Definisjon lokalt optimum Eksakt nabolag Prosedyre for lokalsøk Traversering av nabolagsgraf Kommentarer, ulemper, hovedutfordring INF-MAT Geir Hasle - Leksjon 2 35
36 !!#- Tilfeldig søk Simulert størkning Terskelakseptanseteknikker INF-MAT Geir Hasle - Leksjon 2 36
37 Leksjon 2
INF-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
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
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,
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
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 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-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
Detaljer!!!" " # $ 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
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
DetaljerINF-MAT Lokalsøk og meta-heuristikker i kombinatorisk optimering
INF-MAT-5380 Lokalsøk og meta-heuristikker i kombinatorisk optimering http://www.uio.no/studier/emner/matnat/ifi/inf-mat5380/ Leksjon 1 Mål med kurset Studenten skal etter kurset ha en grunnleggende forståelse
DetaljerLøsningsforslag: Deloppgave om heuristiske søkemetoder, ALGKON 2003, kontinuasjonseksamen
Løsningsforslag: Deloppgave om heuristiske søkemetoder, ALGKON 2003, kontinuasjonseksamen 1. september 2003 Deloppgave a I denne oppgaven skal vi ta for oss isomorfismer mellom grafer. To grafer G og H
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
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
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
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
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?
DetaljerLøsningsforslag: Deloppgave om heuristiske søkemetoder ALGKON 2001, ordinær eksamen
Løsningsforslag: Deloppgave om heuristiske søkemetoder ALGKON 21, ordinær eksamen 14. september 23 Innledning En klikk i en graf G er en komplett subgraf av G. Det såkalte maksimum-klikk problemet består
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
DetaljerDel A: Diskret optimering og heuristiske metoder Leksjon 2
Del A: Dskret optmerg og heurstske metoder Leksjo 2 Sjefsforsker Ger Hasle SINTEF Avedt matematkk, Oslo! Kursformasjo Motvasjo Operasjosaalyse Kustg tellges Optmergsproblemer (dskrete) Matematsk program
DetaljerOversikt. Branch-and-bound. Hvordan løse NP-hard kombinatorisk optimering? Eks: Eksakt Min Vertex cover. Mulige løsninger representert som søketre
Oversikt Branch-and-bound Pål ætrom Branch and bound Prinsipper Min Vertex cover B & B eksempler Median string TP Hvordan løse NP-hard kombinatorisk optimering? Kombinatorisk opt. Løsningsrom, C Målfunksjon
DetaljerLøsningsforslag: Deloppgave om heuristiske søkemetoder ALGKON 2002, kontinuasjonseksamen
Løsningsforslag: Deloppgave om heuristiske søkemetoder ALGKON 2002, kontinuasjonseksamen 14. september 2003 Innledning Vi skal betrakte det såkalte maksimum-kutt problemet (maximum cut problem). Problemet
DetaljerDynamisk programmering
Dynamisk programmering Metoden ble formalisert av Richard Bellmann (RAND Corporation) på 50-tallet. Programmering i betydningen planlegge, ta beslutninger. (Har ikke noe med kode eller å skrive kode å
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
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
DetaljerHeuristiske søkemetoder I: Simulert størkning og tabu-søk
Heuristiske søkemetoder I: Simulert størkning og tabu-søk Lars Aurdal Norsk regnesentral lars@aurdalweb.com Heuristiske søkemetoder I:Simulert størkning ogtabu-søk p.1/141 Hva er tema for disse forelesningene?
DetaljerPlenumsregning 1. Kapittel 1. Roger Antonsen januar Velkommen til plenumsregning for MAT1030. Repetisjon: Algoritmer og pseudokode
Plenumsregning 1 Kapittel 1 Roger Antonsen - 17. januar 2008 Velkommen til plenumsregning for MAT1030 Torsdager 10:15 12:00 Gjennomgang av ukeoppgaver Gjennomgang av eksempler fra boka Litt repetisjon
DetaljerLøsningsforslag: Deloppgave om heuristiske søkemetoder, ALGKON 2003, ordinær eksamen
Løsningsforslag: Deloppgave om heuristiske søkemetoder, ALGKON 2003, ordinær eksamen 14. september 2003 Deloppgave a 50-års jubileet for simulert størkning: I juni 1953 publiserte fire amerikanske fysikere,
DetaljerLP. Leksjon 8: Kapittel 13: Nettverk strøm problemer, forts.1
LP. Leksjon 8: Kapittel 13: Nettverk strøm problemer, forts.1 Vi fortsetter studiet av (MKS): minimum kost nettverk strøm problemet. Har nå en algoritme for beregning av x for gitt spenntre T Skal forklare
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
DetaljerKap. 4: Ovenfra-ned (top-down) parsering
Kap. 4: Ovenfra-ned (top-down) parsering Dette bør leses om igjen etter kapittelet: First og Follow-mengder Boka tar det et stykke uti kap 4, vi tok det først (forrige foilbunke) LL(1)-parsering og boka
DetaljerMAT1030 Diskret matematikk
MAT1030 Diskret matematikk Plenumsregning 1: Kapittel 1 Roger Antonsen Matematisk Institutt, Universitetet i Oslo 17. januar 2008 Velkommen til plenumsregning for MAT1030 Torsdager 10:15 12:00 Gjennomgang
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
DetaljerMAT1030 Plenumsregning 1
MAT1030 Plenumsregning 1 Kapittel 1 Mathias Barra - 16. januar 2009 (Sist oppdatert: 2009-02-02 14:21) Plenumsregning 1 Velkommen til plenumsregning for MAT1030 Fredager 12:15 14:00 Vi vil gjennomgå utvalgte
DetaljerLøsningsforslag: Deloppgave om heuristiske søkemetoder ALGKON 2002, ordinær eksamen
Løsningsforslag: Deloppgave om heuristiske søkemetoder ALGKON 00, ordinær eksamen 1. september 003 Innledning Vi skal betrakte det såkalte grafdelingsproblemet (graph partitioning problem). Problemet kan
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
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
DetaljerHeuristiske søkemetoder III
Heuristiske søkemetoder III Lars Aurdal Intervensjonssenteret Lars.Aurdal@labmed.uio.no 14. september 2003 Plan Eksempel: Bildebehandling, segmentering: Hva er segmentering? Klassisk metode, terskling.
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
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Plenumsregning 1: Kapittel 1 Mathias Barra Matematisk institutt, Universitetet i Oslo 16. januar 2009 (Sist oppdatert: 2009-02-02 14:21) Plenumsregning 1 MAT1030 Diskret Matematikk
DetaljerBygg et Hus. Steg 1: Prøv selv først. Sjekkliste. Introduksjon. Prøv selv
Bygg et Hus Introduksjon I denne leksjonen vil vi se litt på hvordan vi kan få en robot til å bygge et hus for oss. Underveis vil vi lære hvordan vi kan bruke løkker og funksjoner for å gjenta ting som
DetaljerINF Algoritmer og datastrukturer
INF2220 - Algoritmer og datastrukturer HØSTEN 2009 Institutt for informatikk, Universitetet i Oslo INF2220, forelesning 6: Grafer Bjarne Holen (Ifi, UiO) INF2220 H2009, forelesning 6 1 / 31 Dagens plan:
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
DetaljerVelkommen til plenumsregning for MAT1030. MAT1030 Diskret matematikk. Repetisjon: Algoritmer og pseudokode. Eksempel fra boka. Eksempel
Velkommen til plenumsregning for MAT1030 MAT1030 Diskret matematikk Plenumsregning 1: Kapittel 1 Roger Antonsen Matematisk Institutt, Universitetet i Oslo 17. januar 2008 Torsdager 10:15 12:00 Gjennomgang
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 33: Repetisjon Dag Normann Matematisk Institutt, Universitetet i Oslo 26. mai 2008 Innledning Onsdag 21/5 gjorde vi oss ferdige med det meste av den systematiske
DetaljerInnledning. MAT1030 Diskret matematikk. Kapittel 11. Kapittel 11. Forelesning 33: Repetisjon
Innledning MAT1030 Diskret matematikk Forelesning 33: Repetisjon Dag Normann Matematisk Institutt, Universitetet i Oslo 26. mai 2008 Onsdag 21/5 gjorde vi oss ferdige med det meste av den systematiske
DetaljerDynamisk programmering
Dynamisk programmering Metoden ble formalisert av Richard Bellmann (RAND Corporation) på 5-tallet. Programmering i betydningen planlegge, ta beslutninger. (Har ikke noe med kode eller å skrive kode å gjøre.)
DetaljerINF5110, onsdag 19. februar, Dagens tema: Parsering ovenfra-ned (top-down)
INF5110, onsdag 19. februar, 2014 Dagens tema: Kapittel 4 Parsering ovenfra-ned (top-down) Vi har med alle foilene til kap. 4 her, også de som ble gjennomgått mot slutten av forelesning 7. februar Pensum
DetaljerDagens plan: INF Algoritmer og datastrukturer. Grafer vi har sett allerede. Det første grafteoretiske problem: Broene i Königsberg
Dagens plan: INF2220 - Algoritmer og datastrukturer HØSTEN 2009 Institutt for informatikk, Universitetet i Oslo INF2220, forelesning 6: Grafer Definisjon av en graf Grafvarianter Intern representasjon
DetaljerKap. 4 del I Top Down Parsering INF5110 v2006. Stein Krogdahl Ifi, UiO
Kap. 4 del I Top Down Parsering INF5110 v2006 Stein Krogdahl Ifi, UiO 1 Innhold First og Follow-mengder Boka ser på én parseringsmetode først, uten å se på First/Follow-mengder. Vi tar teorien først To
DetaljerINF5110 V2012 Kapittel 4: Parsering ovenfra-ned
INF5110 V2012 Kapittel 4: Parsering ovenfra-ned (top-down) Tirsdag 7. februar Stein Krogdahl, Ifi, UiO Oppgaver som gjennomgås i morgen, onsdag: -Spørsmålene på de to siste foilene fra onsdag 1/2 (Bl.a.
DetaljerForelesning 33. Repetisjon. Dag Normann mai Innledning. Kapittel 11
Forelesning 33 Repetisjon Dag Normann - 26. mai 2008 Innledning Onsdag 21/5 gjorde vi oss ferdige med det meste av den systematiske repetisjonen av MAT1030. Det som gjensto var kapitlene 11 om trær og
DetaljerBygg et Hus. Introduksjon. Steg 1: Prøv selv først. Skrevet av: Geir Arne Hjelle
Bygg et Hus Skrevet av: Geir Arne Hjelle Kurs: Computercraft Tema: Tekstbasert, Minecraft Fag: Programmering, Teknologi Klassetrinn: 5.-7. klasse, 8.-10. klasse, Videregåe skole Introduksjon I denne leksjonen
DetaljerPlenumsregning 1. MAT1030 Diskret Matematikk. Repetisjon: Algoritmer og pseudokode. Velkommen til plenumsregning for MAT1030
MAT1030 Diskret Matematikk Plenumsregning 1: Kapittel 1 Mathias Barra Matematisk institutt, Universitetet i Oslo Plenumsregning 1 16. januar 2009 (Sist oppdatert: 2009-02-02 14:21) MAT1030 Diskret Matematikk
DetaljerEKSAMEN med løsningsforslag
EKSAMEN med løsningsforslag Emnekode: ITF20006 Emne: Algoritmer og datastrukturer Dato: Eksamenstid: 20. mai 2009 kl 09.00 til kl 13.00 Hjelpemidler: 8 A4-sider (4 ark) med egne notater Kalkulator Faglærer:
DetaljerINF5110 V2013 Stoff som i boka står i kap 4, men som er generelt stoff om grammatikker
INF5110 V2013 Stoff som i boka står i kap 4, men som er generelt stoff om grammatikker 29. januar 2013 Stein Krogdahl, Ifi, UiO NB: Ikke undervisning fredag 1. februar! Oppgaver som gjennomgås 5. februar
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
DetaljerLøsningsforslag for eksamen i fag TDT4120 Algoritmer og datastrukturer Tirsdag 9. desember 2003, kl
TDT4120 2003-12-09 Stud.-nr: Antall sider: 1/7 Løsningsforslag for eksamen i fag TDT4120 Algoritmer og datastrukturer Tirsdag 9. desember 2003, kl. 0900 1500 Faglig kontakt under eksamen: Arne Halaas,
DetaljerINF-MAT5370. Trianguleringer i planet (Preliminaries)
INF-MAT5370 Trianguleringer i planet (Preliminaries) Øyvind Hjelle oyvindhj@simula.no, +47 67 82 82 75 Simula Research Laboratory, www.simula.no August 23, 2009 Innhold Notasjon og terminologi Graf-egenskaper
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
DetaljerINF 3/ oktober : Avslutte Branch and Bound 23.6: Trær og strategier for spill med to spillere
INF 3/4130 18. oktober 2007 Dagens forelesning: Kapittel 23 i hovedboka 23.5: Avslutte Branch and Bound 23.6: Trær og strategier for spill med to spillere Oblig 2 har ligget ute en stund. Frist 26 oktober.
DetaljerMer kodegenerering: Tilleggsnotat fra AHU Om Javas Byte-kode INF april 2009
Mer kodegenerering: Tilleggsnotat fra AHU Om Javas Byte-kode INF5110 30. april 2009 Stein Krogdahl, Ifi UiO Tirsdag 5. mai: Forelesning Torsdag 7. mai: Forelesning Tirsdag 12. mai: FRI Torsdag 14. mai:
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,
DetaljerKap.4 del 2 Top Down Parsering INF5110 v2005. Arne Maus Ifi, UiO
Kap.4 del 2 Top Down Parsering INF5110 v2005 Arne Maus Ifi, UiO LL(1) tabell for uttrykks-grammatikk Har fjernet venstrerekursjon: Har fjernet venstre-rekursjon: Alternativ def. av LL(1) grammatikker Sier
DetaljerKapittel 5 - Advanced Hypertext Model Kapittel 6 - Overview of the WebML Development Process
INF 329 Web-teknologier Kapittel 5 - Advanced Hypertext Model Kapittel 6 - Overview of the WebML Development Process Navn: Bjørnar Pettersen bjornarp.ii.uib.no Daniel Lundekvam daniell.ii.uib.no Presentasjonsdato:
DetaljerKapittel 1 og 2: eksempel og simpleksmetoden
LP. Leksjon 1 Kapittel 1 og 2: eksempel og simpleksmetoden et eksempel fra produksjonsplanlegging simpleksalgoritmen, noen begreper algoritmen LP. Leksjon 1: #1 of 14 Eksempel: produksjonsplanlegging Produkter:
DetaljerMAT Oblig 1. Halvard Sutterud. 22. september 2016
MAT1110 - Oblig 1 Halvard Sutterud 22. september 2016 Sammendrag I dette prosjektet skal vi se på anvendelsen av lineær algebra til å generere rangeringer av nettsider i et web basert på antall hyperlinker
DetaljerIN2010: Algoritmer og Datastrukturer Series 2
Universitetet i Oslo Institutt for Informatikk S.M. Storleer, S. Kittilsen IN2010: Algoritmer og Datastrukturer Series 2 Tema: Grafteori 1 Publisert: 02. 09. 2019 Utvalgte løsningsforslag Oppgave 1 (Fra
DetaljerDatastrukturer. Stakker (Stacks) Hva er en datastruktur? Fordeler / Ulemper. Generelt om Datastrukturer. Stakker (Stacks) Elementære Datastrukturer
Hva er en datastruktur? Datastrukturer Elementære Datastrukturer En datastruktur er en systematisk måte å lagre og organisere data på, slik at det er lett å aksessere og modifisere dataene Eksempler på
DetaljerLP. Kap. 17: indrepunktsmetoder
LP. Kap. 17: indrepunktsmetoder simpleksalgoritmen går langs randen av polyedret P av tillatte løsninger et alternativ er indrepunktsmetoder de finner en vei i det indre av P fram til en optimal løsning
DetaljerMAT1030 Plenumsregning 3
MAT1030 Plenumsregning 3 Ukeoppgaver Mathias Barra - 30. januar 2009 (Sist oppdatert: 2009-02-02 14:26) Plenumsregning 3 Oppgave 2.7 - Horners metode (a) 7216 8 : 7 8+2 58 8+1 465 8+6 3726. Svar: 3726
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF 110 Algoritmer og datastrukturer Eksamensdag : Lørdag 8. desember 2001 Tid for eksamen : 09.00-15.00 Oppgavesettet er på
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
DetaljerPlan: Parameter-overføring Alias Typer (Ghezzi&Jazayeri kap.3 frem til 3.3.1) IN 211 Programmeringsspråk
Plan: Parameter-overføring Alias Typer (Ghezzi&Jazayeri kap.3 frem til 3.3.1) Funksjonelle språk (Ghezzi&Jazayeri kap.7 frem til 7.4) Neste uke: ML Ark 1 av 16 Forelesning 16.10.2000 Parameteroverføring
DetaljerINF oktober Stein Krogdahl. Kap 23.5: Trær og strategier for spill med to spillere
INF 4130 1. oktober 2009 Stein Krogdahl Dagens program: Første time: Kap 23.5: Trær og strategier for spill med to spillere Andre time, gjesteforelesning: Rune Djurhuus: Om sjakkspillende programmer (Ikke
DetaljerGrunnleggende Grafteori
Grunnleggende Grafteori 2. September, 2019 Institutt for Informatikk 1 Dagens plan Terminologi og definisjoner Hvordan representere grafer i datamaskinen Traversering Dybde-først-søk Bredde-først-søk Topologisk
DetaljerLP. Leksjon Spillteori
LP. Leksjon Spillteori Kapittel 11: spillteori matrisespill optimale strategier von Neumann s minmax teorem forbindelse til LP nyttig LP modellering av (visse) minmax and maxmin problemer 1 / 11 Eksempel:
DetaljerHeuristiske søkemetoder I
Heuristiske søkemetoder I Lars Aurdal Intervensjonssenteret Lars.Aurdal@labmed.uio.no 14. september 2003 Plan Hva slags søkemetoder snakker vi om? Kombinatoriske strukturer. Sett. Lister. Grafer. Søkealgoritmer
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
DetaljerUNIVERSITETET I OSLO
Side 1 UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF2810 Eksamensdag: 7. juni Tid for eksamen: 14.30 Oppgavesettet er på 5 sider Vedlegg Relevante prosedyrer Tillatte
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:
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
DetaljerKodegenerering, del 2: Resten av Kap. 8 pluss tilleggsnotat (fra kap. 9 i ASU ) INF5110 V2007
Kodegenerering, del 2: Resten av Kap. 8 pluss tilleggsnotat (fra kap. 9 i ASU ) INF5110 V2007 Stein Krogdahl, Ifi UiO NB: Innfører noen begreper som først og fremst har mening om man skal gå videre med
DetaljerKapittel 5: dualitetsteori
LP Leksjon 5 Kapittel 5: dualitetsteori motivasjon det duale problemet svak og sterk dualitet det duale til LP problemer på andre former LP Leksjon 5: #1 of 17 Motivasjon Til ethvert LP problem (P) er
Detaljer6. oktober Dagens program: Første time: Andre time, gjesteforelesning: Uavgjørbarhet. Stein Krogdahl. (Ikke pensum, egne foiler legges ut)
Dagens program: Første time: INF 4130 6. oktober 2011 Stein Krogdahl Kap 23.5: Spilltrær og strategier for spill med to spillere Andre time, gjesteforelesning: Rune Djurhuus: Om sjakkspillende programmer
DetaljerINF2810: Funksjonell programmering: Mer om Scheme. Rekursjon og iterasjon.
INF2810: Funksjonell programmering: Mer om Scheme. Rekursjon og iterasjon. Stephan Oepen & Erik Velldal Universitetet i Oslo 25. januar, 2013 På blokka 2 Forrige uke Introduksjon og oversikt Funksjonell
DetaljerTrianguleringer i planet.
Trianguleringer i planet. Preliminaries Notasjon og teminologi Graf-egenskaper med trianguleringer i planet Enkle trianguleringsalgoritmer 1 Punkter og domener. Vi starter med et sett punkter i planet
DetaljerOppgaver til INF 5110, kapittel 4, med svarforslag Gjennomgått torsdag 14. febr Disse foilene er justert 15/2, kl. 11
Oppgaver til INF 5110, kapittel 4, med svarforslag Gjennomgått torsdag 14. febr. 2008. Disse foilene er justert 15/2, kl. 11 Oppgave 1 (Mye repetisjon): Gitt gram.: exp exp op exp (exp) num op + - * /
DetaljerINF2810: Funksjonell Programmering. En metasirkulær evaluator, del 2
INF2810: Funksjonell Programmering En metasirkulær evaluator, del 2 Stephan Oepen & Erik Velldal Universitetet i Oslo 03. mai 2013 Tema 2 Forrige uke SICP 4.1. Structure and interpretation of computer
DetaljerDagens stoff er hentet fra kapittel 9 i læreboka, samt kapittel 20.5 (som vi «hoppet over» sist)
Dynamisk programmering Undervises av Stein Krogdahl 5. september 2012 Dagens stoff er hentet fra kapittel 9 i læreboka, samt kapittel 20.5 (som vi «hoppet over» sist) Kapittel 9 er lagt ut på undervisningsplanen.
DetaljerINF1020 Algoritmer og datastrukturer GRAFER
GRAFER Dagens plan: Avsluttende om grådige algoritmer Huffman-koding (Kapittel 10.1.2) Dynamisk programmering Floyds algoritme for korteste vei alle-til-alle (Kapittel 10.3.4) Ark 1 av 16 Forelesning 22.11.2004
DetaljerINF2810: Funksjonell Programmering. En metasirkulær evaluator, del 2
INF2810: Funksjonell Programmering En metasirkulær evaluator, del 2 Stephan Oepen & Erik Velldal Universitetet i Oslo 03. mai 2013 Tema 2 Forrige uke SICP 4.1. Structure and interpretation of computer
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
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
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i IN 115 og IN 110 Algoritmer og datastrukturer Eksamensdag: 14. mai 1996 Tid for eksamen: 9.00 15.00 Oppgavesettet er på 8 sider.
DetaljerINF2810: Funksjonell Programmering. En Scheme-evaluator i Scheme, del 2
INF2810: Funksjonell programmering INF2810: Funksjonell Programmering En Scheme-evaluator i Scheme, del 2 Erik Velldal Universitetet i Oslo 7. mai 2015 Tema Forrige uke SICP 4.1. Structure and interpretation
DetaljerMAT1030 Diskret Matematikk
MAT1030 Diskret Matematikk Forelesning 26: Trær Roger Antonsen Institutt for informatikk, Universitetet i Oslo 5. mai 2009 (Sist oppdatert: 2009-05-06 22:27) Forelesning 26 MAT1030 Diskret Matematikk 5.
DetaljerNorsk informatikkolympiade runde
Norsk informatikkolympiade 2017 2018 1. runde Sponset av Uke 46, 2017 Tid: 90 minutter Tillatte hjelpemidler: Kun skrivesaker. Det er ikke tillatt med kalkulator eller trykte eller håndskrevne hjelpemidler.
Detaljer