Pobierz prezentację
Pobieranie prezentacji. Proszę czekać
OpublikowałAsia Szulc Został zmieniony 10 lat temu
1
Koło Naukowe
2
Wprowadzenie Organizujemy koło naukowe Institut Informatyki Ekonomicznej / KTI Cele i działania poszerzanie zainteresowań znalezienie interesujących tematów do pracy promowanie współpracy pomiędzy kadrą akademicką a studentami chcącymi poszerzać swoją wiedzę Jest wiele proponowanych tematów, ale… 2
3
Moje ulubione Sztuczna inteligencja Softcomputing (gł. algorytmy ewolucyjne) Optymalizacja wielokryterialna Optymalizacja kombinatoryczna Optymalizacja dynamiczna 3
4
Algorytmy ewolucyjne 4 operatory genetyczne Pula rodzicielska Populacja Następne pokolenie
5
Algorytmy ewolucyjne 5
6
6
7
7
8
Można sobie wyhodować antenkę (przy użyciu techniki zwanej Programowaniem Genetycznym) 8
9
Optymalizacja wielokryterialna Wiele kryteriów, które trzeba zoptymalizować Moc obliczeniowa vs. koszt Zwrot z inwestycji vs. ryzyko Wytrzymałość elementu vs. waga Algorytmy ewolucyjne (i inne bazujące na populacjach) dobrze się do tego nadają 9
10
Optymalizacja wielokryterialna 10 Problemy z ograniczeniami Mogą być rozwiązywane przy pomocy metod optymalizacji wielokryterialnej Miara złamania ograniczeń jako jedno z kryteriów IDEA: Infeasibility-Driven Evolutionary Algorithm
11
Optymalizacja kombinatoryczna 11 Chcecie podróżować szybko i tanio? pewnie, ale to sprzeczne wymagania (na ogół) … …no i problem komiwojażera nie jest prosty na szczęście, rozwiązania suboptymalne są niezłe źródło: http://gtresearchnews.gatech.edu/reshor /rh-f04/tsp.html
12
Optymalizacja kombinatoryczna 12 Można też rozwiązywać trudniejsze problemy Q3AP jest klasy O((n!) 2 ) dla n = 20, mamy (20!) 2 5.91 10 36 możliwych rozwiązań a w procesorze jest tylko 2.5 10 9 tranzystorów (i to w 10- rdzeniowym Xeonie Westmere-EX !) a jego wydajność, to około 38 GFLOPS 3.8 10 10 operacji zmiennopozycyjnych na sekundę (szacowana wydajność X5365) komputery elektroniczne znamy od jakichś (niecałych) 3.15 10 9 sekund ( 100 lat) (3.8 10 10 ) (3.15 10 9 ) 1.2 10 20 << 5.91 10 36
13
Optymalizacja dynamiczna 13 Cel(e) i ograniczenia zmienne w czasie Typowa sytuacja w rzeczywistych problemach Algorytm musi dostosowywać się do nowej sytuacji Ewolucja nie przewiduje przyszłości… … ale można ją wesprzeć predykcją Source: P. Filipiak, K. Michalak, P. Lipiński Infeasibility Driven Evolutionary Algorithm with ARIMA-Based Prediction Mechanism Lecture Notes in Computer Science, volume 6936, pp. 345-352. Springer, 2011.
14
Zastosowania Finanse reguły inwestycyjne optymalizacja portfela scoring kredytowy 14 9:50 10:10 10:30 10:50 11:10 11:30 11:50 12:10 12:30 12:50 13:10 13:30 13:50 14:10
15
Zastosowania Robotyka inverse kinematics 15
16
Czy muszę znać to wszystko żeby zacząć? Nie! Można się tego nauczyć stopniowo Ale, trzeba chcieć się uczyć i pracować Jak zacząć? struktury formalne dopiero powstają ale, jak ktoś się chce przyłączyć, to wystarczy napisać krzysztof.michalak@ue.wroc.pl będą spotkania dla uczestników Pytania… 16
17
Czy trzeba umieć biegle programować? Nie, a przynajmniej nie od samego początku Ale, ta umiejętność będzie przydatna Więc, trzeba chcieć się uczyć i pracować Czy można się zajmować innymi tematami? Jak najbardziej Ale, przedstawiłem te, w których mogę najwięcej pomóc Będę się starał skupiać na AI / Softcomputing Inne tematy będą proponowane przez inne osoby Pytania… 17
18
A co będzie jak mi się nie uda? Nic groźnego No i wcale tak być nie musi Będzie dużo pracy na różnych poziomach trudności Nie ma złych ocen ani innych nieprzyjemności To żaden wstyd spróbować i odpuścić Ale to jest wstyd nie doceniać swoich możliwości :P A tak czy tak, można się nauczyć paru rzeczy I mieć trochę dobrej zabawy przy okazji Inne pytania? Pytania… 18
Podobne prezentacje
© 2024 SlidePlayer.pl Inc.
All rights reserved.