Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

1 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,

Podobne prezentacje


Prezentacja na temat: "1 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,"— Zapis prezentacji:

1 1 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno SZTUCZNA INTELIGENCJA ARTIFICIAL INTELLIGENCE WYKŁAD 2 SZUKANIE HEURYSTYCZNE Dr hab. inż. Barbara Dębska, prof. PWSZ KROSNO

2 2 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Główne procedury szukania Ślepe Heurystyczne WgłąbWszerz Niedeterministycze Monte Carlo Symulowane wyżarzanie Algorytmy genetyczne Best FS Zachłanne GS Przy stałych kosztach UCS A* IDA* Iteracyjnie pogłębiane Minimax B&B Rozgałęziaj i ograniczaj Algorytm wspinaczki

3 3 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Szukanie heurystyczne Metody szukania heurystycznego Algorytmy iteracyjne Wspinaczka Monte Carlo Symulowane wyżarzanie Definicja funkcji heurystycznej Najpierw najlepszy Przesuwanka Szukanie zachłanne Szukanie A* Klasyfikacja algorytmów szukania Szukanie z więzami

4 4 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Metody szukania heurystycznego Przykład szczególny: w sklepie z wieloma kasami dobrą regułą jest: stań przy kasie z najkrótszą kolejką. Ale... (1) jeśli stoi przy niej osobnik z furą zakupów; (2) lub nie ma przy niej kasjera; (3) lub przyjmują tylko gotówkę a chcesz na kredyt, to nie jest najlepsza decyzja. Ślepe szukanie nie używa informacji o możliwej strukturze drzewa lub celów; taka informacja może przyczynić się do optymalizacji procesu szukania. Największym problemem w rzeczywistych zastosowaniach jest eksplozja kombinatoryczna liczby możliwych dróg. Szukanie heurystyczne wykorzystuje informacje, które poprawiają efektywność procesu szukania. Używają heurystyk, reguł kciuka by określić, którą część drzewa decyzji rozwijać najpierw. Heurystyki to reguły lub metody, które prawie zawsze gwarantują podjęcie lepszej decyzji.

5 5 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Definicja Funkcji Heurystycznej Funkcja h : R, gdzie to zbiór dozwolonych stanów, R to liczby rzeczywiste, odwzorowuje stany s ze zbioru na wartości h(s) służące do oceny względnych kosztów lub zysków rozwijania dalszej drogi przez węzeł odpowiadający s. Węzeł A ma 3 potomków. h(s1)=0.8, h(s2)=2.0, h(s3)=1.6 Wartości h oznaczają koszty utworzenia węzła; najtaniej jest utworzyć węzeł s1 i ten z punktu widzenia danej heurystyki jest najlepszym kandydatem.

6 6 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Najpierw najlepszy (BestFS) Jest kilka wariantów tej metody. Kombinacja szukania w głąb (DFS) i szukania wszerz (BFS). DFS znajduje dobre rozwiązania taniej niż BFS, BFS nie wpada w zamknięte pętle ani ślepe zaułki. Metoda najpierw najlepszy (BestFS) pozwala połączyć korzyści z obu metod.

7 7 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BestFS - przykład Dla przesuwanki użyteczna funkcja heurystyczna mierzy ile kwadratów zajmuje końcowe pozycje.

8 8 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BFS1: szukanie zachłanne W innych problemach: oceny podobieństwa. Szukanie zachłanne (Greedy Search, GS) to jedna z najprostszych strategii BestFS. Funkcja heurystyczna h(n) – ocenia pozostałe koszty dotarcia do celu (np. odległość od celu). Szukanie zachłanne: ocenianych kosztów dotarcia do celu. Najpierw rozwijany jest węzeł najbliższy. W problemach szukania drogi możliwe są różne metryki: (1) Najkrótsza odległość Euklidesowa; (2) Odległość Manhattan, poruszanie się tylko po prostych poziomych i pionowych.

9 9 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BestFS1: przykład zastosowania algorytmu GS do szukania trasy (500) (278) (376) (211) (198) (101) (239)

10 10 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno UCS - stałe koszty UCS, Uniform Cost Search – szukanie przy stałych kosztach. Metoda: Rozwijaj węzły o najniższym koszcie; jeśli koszt przekroczy próg cofnij się i idź inną drogą. Jeśli koszt wszystkich dróg jest jednakowy, to zastosuj zwykłe BS. Przykład: koszty są po lewej stronie.

11 11 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Programowanie dynamiczne. Wniosek: szukając najlepszej drogi do celu wystarczy rozpatrywać tylko najkrótszą drogę do P BestFS2: szukanie A * Metoda A * łączy obydwie funkcje heurystyczne, h(n) oraz g(n) w jednej funkcji heurystycznej oceniającej koszty najtańszego rozwiązania przechodzącego przez węzeł n, tzn. f(n) = g(n) + h(n). Zasada programowania dynamicznego: Najlepsza droga do celu G przez pośredni węzeł P to najlepsza droga od startu S do P połączona z najlepszą drogą z P do G. GS minimalizuje koszty dojścia do celu h(n), nie jest to algorytm zupełny ani optymalny. Alternatywą jest minimalizacja g(n) kosztów dojścia do danego węzła – jest to metoda kompletna, optymalna, ale mało efektywna.

12 12 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BestFS2: algorytm A * Rozpocznij od węzła początkowego i twórz nowe węzły {n} dopóki cel nie zostanie osiągnięty; Posortuj nowe węzły {n} korzystając z funkcji f (n)= g(n) + h(n); Odrzuć ścieżki zapętlone. Wybierz najlepszy węzeł n' Zostaw tylko najtańszą ścieżkę do n'. Jeśli n' jest celem skończ; Jeśli nie, rozwijaj dalsze węzły {n}, łącznie z n'

13 13 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno BestFS2: A * Własności: Ponieważ wybierana jest najtańsza droga do danego węzła n żadna inna droga nie może obniżyć całkowitego kosztu (monotoniczność). h(n) powinno być wiarygodną oceną kosztów dojścia do celu – zaniżenie wszystkich koszów nie przeszkadza. Algorytm A * jest w tym przypadku optymalny. IDA *, czyli A * iteracyjnie pogłębiane. Stosuj algorytm szukania w głąb. Oceniaj całkowite koszty f (n)= g(n) + h(n) heurystyką A *. Jeśli f (n) > T cofaj się; T jest tu zmiennym progiem. Jeśli nie znaleziono rozwiązania zwiększ T i powtarzaj. Wady: powtarza część ścieżek, ale i tak końcowe szukanie zajmuje najwięcej czasu. Zalety: niewielka pamięć, jak DS, tylko szybsze.

14 14 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno

15 15 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Heurystyki dla 8-ki Algorytmy szukania heurystycznego testuje się często na problemie przesuwanki. Dla 8-ki jest 9!/2 lub możliwych stanów, (dla 15-ki 653 mld). W procesie szukania dobra funkcja heurystyczna zmniejsza liczbę rozpatrywanych stanów < 50. Dwie funkcje, które nigdy nie przeceniają kosztów: 1. h1 = liczba płytek na złych pozycjach – każdą trzeba przesunąć przynajmniej raz. 2. h2 = suma odległości od celu, metryka Manhattan; każdy ruch zmniejsza odległość od celu o 1; Tutaj: h1=8, h2 = 18

16 16 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Przykład. Algorytm A* dla 8-ki: Operacje: f(n) = g(n) + h(n) g(n) = odległość od startu do stanu n. h(n) = liczba elementów na złym miejscu. Przestrzeń stanów utworzona w czasie heurystycznego szukania rozwiązania dla 8-ki.

17 17 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Przeszukiwanie metodą minimax Metoda będzie wyjaśniona na przykładzie części drzewa gry dwuosobowej takiej jak szachy. Korzeń drzewa – reprezentuje pozycję początkową w której ruch ma gracz A, a wartości reprezentują siłę jego pozycji. 999 – oznacza zwycięstwo gracza A; 0 – oznacza zwycięstwo gracza B. ( ) – wartości pośrednie odzwierciedlają względne szanse zwycięstwa gracza A w odpowiedniej pozycji Dla gracza A trzeba wybrać ten jedyny możliwy ruch który maksymalizuje jego szanse zwycięstwa. Najlepsze ruchy ustala się analizując drzewo gry od liści. Jeśli bieżący wierzchołek ojca reprezentuje ruch gracza A, to z wierzchołkiem tym wiąże się maksimum z wartości jego wierzchołków potomnych, a jeśli reprezentuje on ruch gracza B, to bierze się minimum tych wartości.

18 18 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno max min max max Propagacja optymalnej ścieżki w metodzie minimax

19 19 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno B&B, rozgałęziaj i ograniczaj. Dopóki lista nie jest pusta lub nie osiągnięto węzła celu: Znajdź m węzłów dla którego f(n, m) = najmniejsze rozwiń je tworząc wszystkie węzły potomne jeśli któryś z nich jest celem zakończ dla każdego węzła potomnego n': oceń węzeł funkcją f(n') usuń powtórki Jeśli za wiele węzłów wybierz m najlepszych. Wybierz na każdym kroku kilka najlepszych węzłów, rozwijaj dopóki wystarczy pamięci - (beam search, szukanie wiązką). Utwórz listę składającą się korzenia

20 20 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Algorytm wspinaczki Hill-climbing, czyli wspinaczka – idzie w kierunku wzrastającej wartości funkcji heurystycznej. Równoważny szukaniu najpierw najlepszy, ale tu zastosowany do optymalizacji parametrów ciągłych, rozwija jedną ścieżkę poszukiwań. Przełamuje impasy (identyczne koszty kilku dróg) w sposób losowy. Pseudokod algorytmu wspinaczki: Oceń stan początkowy; jeśli nie jest to cel wykonaj: Utwórz nowy stan; Jeśli nowy stan jest stanem celu zakończ. Jeśli nowy stan jest bliżej stanu celu przyjmij go; w przeciwnym przypadku zignoruj go. Jeśli nie można utworzyć nowych stanów zatrzymaj się.

21 21 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Wady algorytmu wspinaczki: W niektórych problemach mogą pomóc wielokrotne starty z przypadkowych punktów. Lokalne minima. Plateaux, czyli równiny. Wąskie grzbiety.

22 22 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Monte Carlo i Symulowane Wyżarzanie Powoli studzone kryształy osiągają konfiguracje o minimalnej energii. W MC stosuje się operatory dające stopniowo malejące zmiany - coraz mniejsze skoki parametrów. Szukanie przypadkowe, nazywane algorytmem British Museum, wybiera przypadkowo węzły. W metodzie Monte Carlo (MC) rozwija się losowo wybrany węzeł. Odpowiada to przypadkowemu tworzeniu różnych fragmentów grafu. Jeśli jest funkcja heurystyczna to można zastosować metodę symulowanego wyżarzania (SA).

23 23 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno SYMULOWANE WYŻARZANIE Cel: szukanie globalnie optymalnych rozwiązań. Trzeba czasami iść pod górkę... Akceptuj nowe węzły nawet jeśli ich ocena jest gorsza z prawdopodobieństwem: gdzie: E=f(O)-f(N) ocenia zmiany jakości rozwiązania z O do N. Jest to rozkład energii Boltzmana w układach termodynamicznych - właśnie taki rozkład energii znajdujemy w przyrodzie. Parametr T pełni rolę temperatury Dla dużego T wszystkie zmiany są akceptowalne i jest to czyste MC, dla małego T mamy zmiany wartości rozwiązania tylko jeśli się poprawia.

24 24 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Zasada przeprowadzania wyżarzania symulowanego została zaczerpnięta z metalurgii: kawałek metalu jest ogrzewany (atomy są wzbudzone termicznie), a następnie pozostawiany do powolnego ostygnięcia. Powolne i regularne chłodzenie się metalu pozwala atomom na obniżenie poziomu swej energii do momentu znalezienia się w stanie metastabilnym (o minimalnej energii). (Gwałtowne ochłodzenie zamroziłoby je na przypadkowych pozycjach, na których aktualnie by się znajdowały). Otrzymana w rezultacie struktura metalu jest silniejsza i bardziej stabilna. Poprzez symulowanie procesu wyżarzania za pomocą programu komputerowego jesteśmy w stanie znaleźć rozwiązania trudnych i złożonych zadań. Zamiast minimalizowania energii bloku metalu (czy maksymalizowania jego wytrzymałości) program minimalizuje lub maksymali- zuje funkcje celu związane z problemem. PROCES SYMULOWANEGO WYŻARZANIA

25 25 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Niska temp. Wysokie uporządkowanie Wysoka temp. Brak uporządkowania studzenie

26 26 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Algorytm SA Określ parametry problemu, koszty operacji itp. Zdefiniuj funkcję energii (heurystyczną). Wybierz początkową temperaturę i schemat chłodzenia. Np. T=100 i co 100 iteracji obniżana jest o 10. Utwórz przypadkowo początkowy węzeł S (np. jakieś nieoptymalne rozwiązanie) lub użyj danego. Twórz przypadkowo nowe węzły modyfikując lub rozwijając istniejące - duże zmiany są początkowo dopuszczalne. Obniżaj temperaturę powoli akceptując tylko zmiany korzystne.

27 27 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno X1. x=x o – stan początkowy 2. T=T o – temperatura początkowa 3. Jeżeli T>T K 3.1 wylosuj x z otoczenia x 3.2 oblicz J(x) 3.3 oblicz =J(x)-J(x) 3.4 gdy 0 ustaw x=x przejdź do gdy >0 wylosuj liczbę rand (0,1) jeżeli rand e - /T ustaw x=x 3.6 ustaw T=r T o ile liczba prób dla danego T przekroczyła zadaną liczbę N lub liczba sukcesów (redukcji J( )) przekroczyła M

28 28 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno PRZYKŁAD: szeregowanie zadań Rozważając problem szeregowania zadań stajemy przed dylematem jak podzielić n operacji (pogrupowanych w zadania) na m procesorów tak, aby zachowując ograniczenia optymalizować zadane kryterium uszeregowania. Przyjęte ograniczenia: Żadna operacja nie może być wykonywana na więcej niż jednym komputerze Żaden procesor nie może jednocześnie wykonywać więcej niż jedną operację Inne – np.: kolejnościowe lub czasowe: p[l, j] – czas wykonania zadania j na procesorze l Zadania zależne – podlegają ograniczeniom kolejnościowym. Kolejność jest zadawana w postaci grafu zależności.

29 29 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Dokonać uszeregowania dziewięciu zadań na dwóch identycznych procesorach, korzystając z poniższego grafu określającego zależność pomiędzy zadaniami. Indeksy obok węzłów oznaczają numer zadania i czas jego wykonania

30 30 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Kolejne wywołanie algorytmu SA

31 31 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Podróż dookoła świata – problem komiwojażera

32 32 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Podróż dookoła świata. Przypadkowa permutacja miast, zaczynając od startu: S 1 = [Wwa, Dub, Bei, Tok, Los, NY, Sai, Par, Chi, Bom, Cai] T = 100, Koszt = 370 Kolejne przypadkowe rozwiązanie (T = 90; Koszt: 340) S 2 =[Wwa, Los, Bei, Tok, Dub, NY, Sai, Par, Chi, Bom, Cai] (zamiana Dublin : Los Angeles) Kolejne przypadkowe rozwiązanie (T = 90; Koszt: 377) S 3 =[Wwa, Los, Bei, Tok, Dub, NY, Par, Chi, Sai, Bom, Cai] (zamiana Saigon : Chicago, przyjęta chociaż gorzej) Kolejne przypadkowe rozwiązanie (T = 10; Koszt: 188) (zamiana tylko jeśli koszt się obniża). Wady: wiele iteracji.

33 33 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Porównanie różnych metod dla 8-ki.

34 34 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno


Pobierz ppt "1 Wykład 2 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,"

Podobne prezentacje


Reklamy Google