Algoritmi euristici ed evolutivi per l ottimizzazione
|
|
- Lelio Luciani
- 2 anni fa
- Visualizzazioni
Transcript
1 Algoritmi euristici ed evolutivi per l ottimizzazione Dipartimento di Matematica e Informatica Università degli Studi di Perugia Via Vanvitelli, Perugia 17 febbraio 2009 / GALN 2009
2 Sommario Introduzione 1 Introduzione
3 Sommario Introduzione 1 Introduzione
4 Algoritmi ispirati da fenomeni naturali La Natura offre una vastissima gamma di esempi di capacità di ottimizzazione Da un lato i meccanismi evolutivi naturali portano alla creazione di individui particolarmente adatti al loro habitat Dall altro esseri viventi estremamente semplici sono in grado insieme di svolgere compiti complessi (intelligenza collettiva ) Molti modelli sono stocastici e danno luogo ad algoritmi randomizzati Ovviamente solo alcuni aspetti naturali sono realmente interessanti dal punto di vista algoritmico
5 Sommario Introduzione 1 Introduzione
6 Cenni Storici Studiati in maniera approfondita per la prima volta da Holland (1975) Delineati a grandi linee già nell articolo di Turing Computing Machinery and Intelligence (1950) Molto utilizzati e studiati sia dal punto di vista teorico che applicativo Usando una rappresentazione binaria si potrebbero applicare a qualsiasi problema di ottimizzazione Si basano sulla teoria darwiniana dell evoluzione
7 Selezione naturale Principio darwiniano della selezione naturale: sopravvivenza del più adatto Riproduzione: formazione di nuovi individui che ereditano il patrimonio genetico dai genitori Mutazioni genetiche casuali: indispensabili per l evoluzione della specie Scopo : ottenere popolazioni di individui adatti all ambiente
8 Ingredienti per gli algoritmi genetici Rappresentazione Individui rappresentati mediante il loro patrimonio genetico (genotipo) Cromosoma: stringa di lunghezza fissa L Ogni simbolo (gene) è preso da un alfabeto finito di elementi (alleli) Possibile presenza di vincoli: non tutte le stringhe rappresentano cromosomi validi
9 Ingredienti per gli algoritmi genetici Fitness Definizione di una funzione fitness f Individui con alta fitness sono i più adatti all ambiente: hanno maggiori probabilità di sopravvivere e di riprodursi Scopo dell AG: trovare l individuo (o gli individui) con la fitness maggiore La fitness potrebbe essere diversa dalla funzione da massimizzare (essere una trasformata monotona crescente)
10 Ingredienti per gli algoritmi genetici Popolazione La popolazione viene inizializzata in qualche modo (ad esempio con N individui generati a caso) Il numero di individui è mantenuto fisso La popolazione è manipolata per un certo numero di generazioni mediante Selezione Riproduzione Mutazione
11 Ingredienti per gli algoritmi genetici Selezione La selezione avviene in modo probabilistico in base alla fitness Si estraggono N elementi secondo la distribuzione di probabilità π i = f (i) j f (j) Si creano N 2 coppie Tanti altri possibili schemi di selezione
12 Ingredienti per gli algoritmi genetici Riproduzione/Crossover Ogni coppia di elementi produce due nuovi figli Ogni figlio eredita parte del patrimonio da ognuno dei due genitori Lo schema più usato e più semplice è il crossover ad un punto Si sceglie un punto I a caso tra 1 e L Un figlio prende i geni da 1 a I-1 da un genitore e il resto dall altro L altro figlio al contrario
13 Esempio di crossover ad un punto Genitore 1=ABBBCDAC Genitore 2=BAAAADDA Scelgo il punto 4 Genitore 1 ABBBCDAC Genitore 2 BAAAADDA Figlio 1 ABBAADDA Figlio 2 BAABCDAC
14 Ingredienti per gli algoritmi genetici Crossover Sono possibili molti altri operatori di crossover (a due punti, ecc.) Particolare attenzione nel caso di presenza di vincoli Altro schema diffuso: selezione a caso tra i due genitori Genitore 1 ABBBCDAC Genitore 2 BAAAADDA Figlio 1 AABAADAA Figlio 2 BBABCDDC
15 Ingredienti per gli algoritmi genetici Mutazione Si sceglie a caso una o più posizioni dei cromosomi figli e si alterano casualmente Figlio 1 AABAADAA Figlio 2 BBABCDDC Figlio 1 ABBCADDA Figlio 2 DAABCDAC Particolare attenzione nel caso di presenza di vincoli
16 Uno schema di algoritmo genetico init_population() for i:=1 to max_gen evaluation() selection() crossover() mutation() replacement() end return best element
17 Parametri Introduzione p c probabilità con cui applicare il crossover p m probabilità con cui applicare la mutazione N dimensione popolazione max_gen numero di generazioni...
18 Applicazioni Introduzione Esistono un numero impressionante di applicazioni degli algoritmi genetici Si possono usare sia per l ottimizzazione di funzioni a variabile reale sia per ottimizzazione combinatorica Gli algoritmi genetici sono anche stati implementati per problemi decisionali (ad esempio SAT)
19 AG e TSP Introduzione Un cromosoma è un elenco di L = n città (senza duplicati) La fitness è una qualsiasi funzione monotona decrescente della lunghezza del percorso Il problema è come scegliere gli operatori di crossover (e mutazione) Dai due genitori (123456) e (532146) si potrebbero generare i due figli (123146) e (532456) che non sono permutazioni
20 AG e TSP Possibili soluzioni Introduzione Riparare cromosomi non validi Eliminare cromosomi non validi Accettare (ma penalizzare) cromosomi non validi Usare operatori di crossover ad hoc Cambiare rappresentazione
21 AG per ottimizzazioni numeriche Per massimizzare una funzione di una o più variabili reali (soggetta a vincoli) non conviene usare una rappresentazione binaria con crossover e mutazione classici I cromosomi sono invece numeri in virgola mobile Un operatore di crossover aritmetico è la media pesata dei genitori Un operatore di mutazione è la mutazione non uniforme x k = x k + (t, x k ) ove è un numero casuale che garantisce che x k cada nell intervallo di definizione ha maggiore probabilità di assumere valori vicini allo 0
22 Giustificazioni teoriche Esistono giustificazioni teoriche per spiegare il buon comportamento degli AG La più semplice giustificazione usa il cosiddetto Teorema dello schema Uno schema per cromosomi binari è una stringa di 0, 1, ( rappresenta 0 o 1) Il teorema dice che buoni schemi tendono ad essere sempre più presenti nella popolazione
23 Sommario Introduzione 1 Introduzione
24 Cenni storici Introduzione Ideata da Dorigo nei primi anni 90 a partire da studi sul comportamento di colonie di formiche reali Utilizzato in molti problemi di ottimizzazione combinatorica Si basa sul concetto di stigmergia
25 Stigmergia Introduzione Le formiche quando si muovono rilasciano sul terreno il feromone Nella ricerca del cibo tendono a seguire percorsi con maggior quantità di feromone Avendo trovato il cibo, quando rientrano al nido rilasciano una quantità maggiore di feromone Il feromone evapora
26 Feromone assente
27 All inizio le formiche si muovono a caso
28 Quelle che scelgono il percorso più breve arrivano (ovviamente) prima al cibo
29 Tornando indietro rinforzano la traccia che sarà seguita da altre formiche
30 Formiche artificiali Grafo Scopo ideale : trovare il massimo della funzione f : S R Gli elementi di S sono assimilabili a percorsi in un grafo (N, A) N è l insieme degli stati A è l insieme delle transizioni ammissibili (opzionale) c rs è il costo della transizione r s Ω è l insieme dei vincoli del problema (restrizioni sui possibili percorsi)
31 Formiche artificiali Formiche e terreno Ogni formica parte da uno stato iniziale ha una condizione di terminazione del percorso crea un elemento di S un componente alla volta ha una memoria in cui tiene traccia del proprio percorso Colonia di m formiche Il terreno consiste in una funzione τ : A R τ rs è la quantità di feromone depositata sulla transizione r s
32 Formiche artificiali Movimento delle formiche La formica si muove sul grafo in maniera probabilistica p s r = τ α rsη β rs z τ α rzη β rz η rs è una funzione euristica: indica quanto è promettente passare da r a s α e β sono parametri di importanza
33 Formiche artificiali Aggiornamento del feromone Il feromone può essere aggiornato step by step : durante la costruzione della soluzione in maniera differita : una volta costruita la soluzione τ rs τ rs + τ rs (la quantità è proporzionale alla bontà della soluzione) dal demone : si aggiornano solo i feromoni delle componenti che partecipano alle migliori soluzioni Il feromone evapora: τ rs (1 ρ)τ rs
34 Descrizione di un semplice algoritmo ACO init_phero() while not criterion for i = 1 to m init_ant(i) while not terminate(i) choose_component(i) update_state(i) update_phero_step(i) end update_phero_delayed(i) end update_phero_daemon() end
35 Applicazioni Introduzione TSP QAP Job shop scheduling AntNet Vehicle routing Colorazione di grafi...
36 ACO e TSP Introduzione Componenti: archi tra città Vincolo: ogni formica deve visitare tutte le città una sola volta η ij = 1 d ij (d ij distanza euclidea) Aggiornamento del feromone k ij = 1 L +
37 Varianti Introduzione Ant System: prime versioni di ACO, aggiornamento solo differito Ant Colony System: scelta del componente: con probabilità q quello che massimizza τ α rsη β rs, altrimenti a caso con prob. proporzionale a τ α rsη β rs aggiornamento del feromone mediante demone (migliori soluzioni) aggiornamento del feromone step by step con diminuzione (per favorire l esplorazione) Max Min Ant System: feromone limitato in [τ min, τ max ] e aggiornato mediante demone (global best e iteration best) Hypercube Framework: feromone limitato in [0, 1]
38 Sommario Introduzione 1 Introduzione
39 Cenni storici Introduzione Ideata da Kennedy e Eberhart nel 1995 Si ispira al comportamento degli stormi di uccelli, banchi di pesci, sciami di insetti Modelli inizialmente studiati in ambiti diversi dall ottimizzazione Computer Graphics Modelli comportamentali di gruppi di animali Adatto ad ottimizzazione numerica
40 Sciami Introduzione Il comportamento di uno stormo è molto complesso Coordinamento senza leader, subentrano fattori di comunicazione e di imitazione Un modello semplice usa le seguente regole 1 Separazione: evitare collisione con i vicini (repulsione a corto raggio) 2 Allineamento: puntare verso la posizione media dello stormo 3 Coesione: puntare verso la posizione media dei vicini (attrazione a lungo raggio)
41 Particelle Introduzione La particella i al tempo t assume una posizione Xi t R D e una velocità Vi t R D Esiste una funzione di fitness f : S R, ove S R D, che valuta la bontà della posizione delle particelle Ogni particella ha una memoria in cui tiene traccia della migliore posizione raggiunta Ogni particella conosce la migliore posizione correntemente assunta dai suoi vicini (comunicazione tra particelle) Perciò è in grado di ricordare la migliore posizione raggiunta dai suoi vicini
42 Aggiornamento velocità e posizione P t i migliore posizione raggiunta dalla particella i B t i migliore posizione raggiunta da particelle dai vicini di i velocità V t+1 ij = V t ij + φ 1 r 1 (P t ij X t ij ) + φ 2r 2 (B t ij X t ij ) posizione X t+1 ij = X t ij + V t+1 ij
43 Aggiornamento velocità e posizione Interpretazione Il termine (Pij t Xij t ) è chiamato termine cognitivo Il termine (Bij t Xij t ) è chiamato termine sociale φ 1, φ 2 sono parametri di importanza (in letteratura è diffuso l uso di φ 1 = φ 2 = 2) r 1, r 2 sono numeri casuali in [0, 1] le velocità sono vincolate nell intervallo [ V max, V max ]
44 Vicinato Introduzione Esistono vari metodi per definire quando due particelle possono comunicare Si forma un grafo di vicinanza Si distinguono topologie statiche e dinamiche Tra le topologie statiche troviamo Global best: grafo completo Local best: anello (grado K = 2) grafi con grado uniforme K > 2
45 Uno schema di algoritmo PSO init_swarm() for t:= 1 to max_gen update_best_positions() for i:=1 to m update_velocity(i) update_position(i) end end return best element
46 Varianti Introduzione Fattore di inerzia su V t ij V t+1 ij Coefficienti di costrizione ove V t+1 ij χ = = ωv t ij + φ 1 r 1 (P t ij X t ij ) + φ 2r 2 (B t ij X t ij ) = χ(v t ij + φ 1 r 1 (P t ij X t ij ) + φ 2r 2 (B t ij X t ij )) 2 φ 2 + φ 2 4φ φ = φ 1 + φ 2 > 4 Fully Informed Particle Swarm: il fattore sociale è la media delle posizioni di tutti i vicini
47 Applicazioni numeriche L ambito naturale di applicazione del PSO è l ottimizzazione numerica E stato applicato in svariati problemi, dall apprendimento delle reti neurali, all analisi di immagini e di video, dalla progettazione di reti elettriche, al controllo automatico,... Esistono versioni in grado di lavorare anche con problemi multi obiettivo
48 Ottimizzazione combinatorica E possibile discretizzare PSO Dalla velocità Vij t è possibile calcolare un valore S(Vij t) in [0, 1] che è usato come probabilità che Xij t sia 1 (anzichè 0): PSO binario In maniera analoga è possibile generare posizioni appartenenti ad insiemi discreti: PSO multivalore
49 Sommario Introduzione 1 Introduzione
50 Altri algoritmi euristici ed evolutivi Programmazione genetica Strategie evolutive Algoritmi memetici Simulated annealing Metodi di ricerca locale...
51 Conclusioni Introduzione Sono stati presentati tre metodi euristici per l ottimizzazione Si tratta di metodi che non garantiscono l ottimalità delle soluzioni trovate Producono (spesso) ottime soluzioni Sono (sovente) (molto) più efficienti dei metodi classici
52 Bibliografia Introduzione Z. Michalewicz, 1999, Genetic Algorithms + Data Structures = Evolution Programs, Springer Verlag. D. E. Goldberg, 1989, Genetic Algorithms in Search, Optimization and Machine Learning, Kluwer Academic Publishers, Boston, MA. D. Whitley, A genetic algorithm tutorial. Statistics and Computing 4, 65-85, 1994
53 Bibliografia Introduzione M. Dorigo, T. Stützle, 2004., MIT Press M. Dorigo, C. Blum, Ant colony optimization theory: A survey. Theoretical Computer Science Volume 344, Issues 2-3, Pages , 2005 O. Cordon, F. Herrera, T. Stützle, A Review on the Ant Colony Optimization Metaheuristic: Basis, Models and New Trends. Mathware and Soft Computing, 9(2 3): , 2002
54 Bibliografia Introduzione M. Clerc.. ISTE, 2006 J. Kennedy and R. C. Eberhart. Swarm Intelligence. Morgan Kaufmann R. Poli, J. Kennedy, T. Blackwell, Particle Swarm Optimisation: an overview, Invited review paper for the first issue of the Swarm Intelligence Journal, 1(1):33 57, June, 2007
Intelligenza collettiva Swarm intelligence. Swarm Intelligence. Intelligenza collettiva emergente in gruppi di agenti (semplici).
Swarm Intelligence Intelligenza collettiva Swarm intelligence Andrea Roli a.roli@unich.it Dipartimento di Scienze Università degli Studi G. D Annunzio Chieti-Pescara Intelligenza collettiva emergente in
Ant Colony Optimization (ACO) e Swarm Intelligence
Università degli Studi di Milano Facoltà di scienze Matematiche, Fisiche e Naturali Ant Colony Optimization (ACO) e Swarm Intelligence Seminario per il corso di Sistemi Intelligenti Prof. N. Alberto BORGHESE
Ricerca Operativa A.A. 2007/2008
Ricerca Operativa A.A. 2007/2008 9. Cenni su euristiche e metaeuristiche per ottimizzazione combinatoria Motivazioni L applicazione di metodi esatti non è sempre possibile a causa della complessità del
Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini
Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56122 PISA ALGORITMI GENETICI (GA) Sono usati per risolvere problemi di ricerca
Page 1. Evoluzione. Intelligenza Artificiale. Algoritmi Genetici. Evoluzione. Evoluzione: nomenclatura. Corrispondenze natura-calcolo
Evoluzione In ogni popolazione si verificano delle mutazioni. Intelligenza Artificiale In un ambiente che varia, le mutazioni possono generare individui che meglio si adattano alle nuove condizioni. Questi
Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini
Introduzione agli Algoritmi Genetici Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56122 PISA ALGORITMI GENETICI (GA) Sono usati per risolvere problemi di ricerca
Intelligenza Artificiale. Introduzione al calcolo evolutivo
Intelligenza Artificiale Introduzione al calcolo evolutivo Marco Piastra Calcolo evolutivo - 1 Calcolo evolutivo ed IA Universe Borg Vogons Earth etc Biotop Society Stones & Seas etc Art Science Politics
Computazione Naturale AA. 2011-2012
Computazione Naturale AA. 2011-2012 Prof. Mario Pavone CdL Magistrale in Informatica Dip. Matematica ed Informatica mpavone@dmi.unict.it http://www.dmi.unict.it/mpavone/ INDICE Obiettivi formativi Cos
Algoritmi Genetici. e programmazione genetica
Algoritmi Genetici e programmazione genetica Algoritmi Genetici Algoritmi motivati dall analogia con l evoluzione biologica Lamarck: le specie trasmutano nel tempo Darwin e Wallace: variazioni consistenti
Intelligenza Artificiale Ing. Tiziano Papini
Intelligenza Artificiale Ing. Tiziano Papini Email: papinit@dii.unisi.it Web: http://www.dii.unisi.it/~papinit Constraint Satisfaction metodi riparativi Intelligenza Artificiale - CSP Tiziano Papini -
SVILUPPO DI UN SISTEMA DI SORVEGLIANZA MEDIANTE ROBOT MOBILI.
SVILUPPO DI UN SISTEMA DI SORVEGLIANZA MEDIANTE ROBOT MOBILI. 1. ABSTRACT In questo progetto si intende costruire un sistema di sorveglianza mediante l uso di robot mobili. L idea base è quella di usare
Parte I. Prima Parte
Parte I Prima Parte Capitolo 1 Introduzione generale 1.1 Il problema dell assegnazione Corsi-Borsisti Il problema dell assegnazione delle borse dei corsi ai vari studenti può essere riassunto nei punti
Barriere assorbenti nelle catene di Markov e una loro applicazione al web
Università Roma Tre Facoltà di Scienze M.F.N Corso di Laurea in Matematica a.a. 2001/2002 Barriere assorbenti nelle catene di Markov e una loro applicazione al web Giulio Simeone 1 Sommario Descrizione
Breve introduzione al Calcolo Evoluzionistico
Breve introduzione al Calcolo Evoluzionistico Stefano Cagnoni Dipartimento di Ingegneria dell Informazione, Università di Parma cagnoni@ce.unipr.it 1 Introduzione Il mondo fisico ed i fenomeni naturali
Quadratic assignment Problem: The Hospital Layout
Università degli Studi di Modena e Reggio Emilia Corso di Laurea Magistrale in Ingegneria Gestionale Metodi di ottimizzazione per la logistica e la produzione Quadratic assignment Problem: The Hospital
Il giardino nella macchina: la vita artificiale. 2003 Mauro Annunziato
Il giardino nella macchina: la vita artificiale 2003 Mauro Annunziato La fondazione della vita artificiale Chris Langton ( 89) Artificial Life (Alife) : programmi che autonomamente si evolvono all interno
Algoritmi genetici Ing. Valerio Lacagnina
Variazione genetica e selezione naturale Gli Algoritmi Genetici (AG), proposti nel 1975 da J.H. Holland, sono un modello computazionale idealizzato dall evoluzione naturale darwinista. Ogni individuo ha
Ricerca informata. Scelta dell euristica
Ricerca informata Scelta dell euristica SMA* (Simplified Memory-Bounded A*) SMA* espande sempre la foglia migliore finché la memoria è piena A questo punto deve cancellare un nodo in memoria SMA* cancella
Intelligenza collettiva Swarm intelligence
Intelligenza collettiva Swarm intelligence Andrea Roli andrea.roli@unibo.it DEIS Alma Mater Studiorum Università di Bologna Intelligenza collettiva p. 1 Swarm Intelligence Intelligenza collettiva p. 2
Il Metodo Branch and Bound
Il Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 4 Novembre 2014 Ricerca Operativa 2 Laurea Magistrale in Ingegneria Gestionale
3. Gli algoritmi di ottimizzazione.
Marcello Salmeri - Progettazione Automatica di Circuiti e Sistemi Elettronici Capitolo 3-3. Gli algoritmi di ottimizzazione. I grafi. La teoria dei grafi è un comodo strumento per la definizione e la formalizzazione
TSP con eliminazione di sottocicli
TSP con eliminazione di sottocicli Un commesso viaggiatore deve visitare 7 clienti in modo da minimizzare la distanza percorsa. Le distanze (in Km) tra ognuno dei clienti sono come segue: 7-8 9 7 9-8 79
TECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE INTRODUZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Introduzione alla simulazione Una simulazione è l imitazione
Approccio evolutivo e analisi delle serie storiche
Corso di Laurea Magistrale in Sviluppo Economico e dell Impresa Prova finale di Laurea Approccio evolutivo e analisi delle serie storiche Relatore prof. Pizzi Claudio Laureando Begotto Massimo Matricola
TSP con eliminazione di sottocicli
TSP con eliminazione di sottocicli Un commesso viaggiatore deve visitare 7 clienti in modo da minimizzare la distanza percorsa. Le distanze (in Km) tra ognuno dei clienti sono come segue: 3 5 7-8 9 57
Riproduzione Crossover Mutazione
Algoritmi Genetici Sono algoritmi di ricerca basati sui principi evolutivi della selezione naturale e della genetica, che implicano la sopravvivenza degli elementi migliori e lo scambio di informazioni
Politecnico di Milano. Reti Wireless. Seminari didattici. Dalla teoria alla soluzione. Ilario Filippini
Politecnico di Milano Reti Wireless Seminari didattici Dalla teoria alla soluzione Ilario Filippini 2 Approccio euristico 3 Obiettivo dell approccio euristico 4 Tipi di euristiche Dalla teoria alla soluzione
DIPARTIMENTO DI STUDI UMANISTICI
DIPARTIMENTO DI STUDI UMANISTICI Corso di Laurea Interdipartimentale in Scienze della Formazione Primaria( Ind.Primaria) A.A 2013/2014 REPORT SULL ELABORAZIONE DI UN AGENTE ARITIFICIALE TEORIA E METODOLOGIA
Dott.ssa Lorella Gabriele PhD in Psicologia della Programmazione e Intelligenza Artificiale Dipartimento di Fisica Università della Calabria
Dott.ssa Lorella Gabriele PhD in Psicologia della Programmazione e Intelligenza Artificiale Dipartimento di Fisica Università della Calabria La robotica è una scienza che si occupa di studiare e sviluppare
SISTEMI DI CONDOTTE: Il dimensionamento idraulico
SISTEMI DI CONDOTTE: Il dimensionamento idraulico Carlo Ciaponi Università degli Studi di Pavia Dipartimento di Ingegneria Idraulica e Ambientale Posizione del del problema Rete da progettare di cui è
ALGORITMI EURISTICI PER PROBLEMI DI TAGLIO BIDIMENSIONALE
ALMA MATER STUDIORUM - UNIVERSITA DI BOLOGNA FACOLTA DI INGEGNERIA Corso di Laurea in INGEGNERIA INFORMATICA Insegnamento: OTTIMIZZAZIONE COMBINATORIA ALGORITMI EURISTICI PER PROBLEMI DI TAGLIO BIDIMENSIONALE
Implementazione del gioco del Bantumi Corso di Intelligenza Artificiale 2012
Implementazione del gioco del Bantumi Corso di Intelligenza Artificiale 2012 Nicola Febbrari Università degli Studi di Verona Facoltà MM.FF.NN. nicola.febbrari@studenti.univr.it 22 gennaio 2013 1 Introduzione
Università di Bergamo Facoltà di Ingegneria. Intelligenza Artificiale. Paolo Salvaneschi A1_1 V1.1. Introduzione
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A1_1 V1.1 Introduzione Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale
Modelli di Sistemi di Produzione:
Modelli di Sistemi di Produzione: programma dettagliato - giugno 2007 1. Algoritmi Metaeuristici 1.1 Algoritmi costruttivi ed algoritmi di ricerca locale/metaeuristici 1.2 Algoritmo di ricerca locale 1.3
Agenda degli incontri
PROGETTO DI FORMAZIONE LEARNING BY DOING Descrizione Percorso Un percorso di formazione per supportare i docenti a formare in modo esplicito le competenze trasversali dei loro allievi. E ormai noto che
Cercare il percorso minimo Ant Colony Optimization
Cercare il percorso minimo Ant Colony Optimization Author: Luca Albergante 1 Dipartimento di Matematica, Università degli Studi di Milano 4 Aprile 2011 L. Albergante (Univ. of Milan) PSO 4 Aprile 2011
Intelligenza Artificiale. Metodi di ricerca
Intelligenza Artificiale Metodi di ricerca Marco Piastra Metodi di ricerca - 1 Ricerca nello spazio degli stati (disegno di J.C. Latombe) I nodi rappresentano uno stato Gli archi (orientati) una transizione
Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestione della produzione e della supply chain Logistica distributiva Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Problemi di Distribuzione: Il problema del Vehicle Rou:ng
2) Codici univocamente decifrabili e codici a prefisso.
Argomenti della Lezione ) Codici di sorgente 2) Codici univocamente decifrabili e codici a prefisso. 3) Disuguaglianza di Kraft 4) Primo Teorema di Shannon 5) Codifica di Huffman Codifica di sorgente Il
INDICE INTRODUZIONE... 1. Capitolo 1: RETI WIRELESS... 5. 1.1 Reti Wireless... 5. 1.2 Lo standard IEEE 802.11... 10. 1.3 Le Vanet...
Indice INDICE INTRODUZIONE... 1 Capitolo 1: RETI WIRELESS... 5 1.1 Reti Wireless... 5 1.2 Lo standard IEEE 802.11... 10 1.3 Le Vanet... 14 1.4 LTE (Long Term Evolution)... 19 1.5 5G... 21 Capitolo 2: RETI
L'incidenza del costo del trasporto
L'incidenza del costo del trasporto TRASPORTO di Emanuele Papini Dott. Emanuele Papini, Business Developer, AntOptima SA &( È possibile gestire processi logistici in tempo reale, gestire le informazioni
Progetto e analisi di algoritmi
Progetto e analisi di algoritmi Roberto Cordone DTI - Università degli Studi di Milano Polo Didattico e di Ricerca di Crema Tel. 0373 / 898089 E-mail: cordone@dti.unimi.it Ricevimento: su appuntamento
Tesi di Laurea Specialistica. Elaborazione di dati bioinformatici attraverso l uso di Particle Swarm Optimization
Università degli Studi di Genova Facoltà di Scienze Matematiche Fisiche e Naturali Corso di Laurea Specialistica in Informatica Anno Accademico 2009/2010 Tesi di Laurea Specialistica Elaborazione di dati
DEFINIZIONE DEGLI INTERVENTI OTTIMALI DI RIQUALIFICAZIONE DI RETI DI DISTRIBUZIONE IDRICA ESISTENTI
L. BORNATICI, C. CIAPONI, S. PAPIRI Definizione degli interventi ottimali di riqualificazione di reti di distribuzione idrica esistenti DEFINIZIONE DEGLI INTERVENTI OTTIMALI DI RIQUALIFICAZIONE DI RETI
Ottimizzazione e modelli ad agenti
e modelli ad Dipartimento di Economia Ca Foscari - Venezia Vittorio Veneto, 24 Maggio 2011 Metodi moderni per l ottimizzazione. 1 Esempi e definizione del problema. 2 Grandi problemi, grandi idee... 3
Regressione non lineare con un modello neurale feedforward
Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale
Approcci esatti per il job shop
Approcci esatti per il job shop Riferimenti lezione: Carlier, J. (1982) The one-machine sequencing problem, European Journal of Operational Research, Vol. 11, No. 1, pp. 42-47 Carlier, J. & Pinson, E.
Sistemi di Controllo per l Automazione Industriale
10 marzo 2015 Ing. foglietta.chiara@gmail.com Università degli Studi di Cassino e del Lazio Meridionale Agenda Eventi Esempi di Eventi 2 Ing. Università degli Studi Roma TRE Email: foglietta.chiara@gmail.com
Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale
Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione
IL PROBLEMA DELLO SHORTEST SPANNING TREE
IL PROBLEMA DELLO SHORTEST SPANNING TREE n. 1 - Formulazione del problema Consideriamo il seguente problema: Abbiamo un certo numero di città a cui deve essere fornito un servizio, quale può essere l energia
Distributed P2P Data Mining. Autore: Elia Gaglio (matricola n 809477) Corso di Sistemi Distribuiti Prof.ssa Simonetta Balsamo
Distributed P2P Data Mining Autore: (matricola n 809477) Corso di Sistemi Distribuiti Prof.ssa Simonetta Balsamo A.A. 2005/2006 Il settore del Data Mining Distribuito (DDM): Data Mining: cuore del processo
ANALISI DEI DATI PER IL MARKETING 2014
ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it LA CLASSIFICAZIONE CAP IX, pp.367-457 Problema generale della scienza (Linneo, ) Analisi discriminante Cluster Analysis
Problemi complessi : come trovare una soluzione soddisfacente?
Informatica nel futuro, sfide e prospettive - evento scientifico per i 40 anni di ated Manno, 7 ottobre 2011 Problemi complessi : come trovare una soluzione soddisfacente? Marino Widmer Università di Friburgo
40 Algoritmi sui Grafi
Università degli Studi di Napoli Parthenope Corso di Laurea in Informatica A.A 2014/15 PROGETTO PROGRAMMAZIONE III 40 Algoritmi sui Grafi Relatore: Prof. Raffaele Montella Studente: Diego Parlato Matricola:
A. Beghi, L. Cecchinato, M. Rampazzo
Supervisione e Controllo di Sistemi HVAC per una Gestione Efficiente degli Edifici df A. Beghi, L. Cecchinato, M. Rampazzo Seminario: Efficienza Energetica negli Edifici Aula Magna A. Lepschy Dipartimento
3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Scopo: Stimare l onere computazionale per risolvere problemi di ottimizzazione e di altra natura
la scienza della rappresentazione e della elaborazione dell informazione
Sistema binario Sommario informatica rappresentare informazioni la differenza Analogico/Digitale i sistemi di numerazione posizionali il sistema binario Informatica Definizione la scienza della rappresentazione
Laboratory for innovation MUSP. Macchine utensili e sistemi di produzione. Laboratorio MUSP www.musp.it
Laboratory for innovation MUSP Macchine utensili e sistemi di produzione www.musp.it Sommario La schedulazione della produzione Gli obiettivi nella schedulazione Le problematiche legate alla schedulazione
Reti di Calcolatori IL LIVELLO RETE
Reti di Calcolatori IL LIVELLO RETE D. Talia RETI DI CALCOLATORI - UNICAL 3-1 Il Livello RETE Servizi del livello Rete Organizzazione interna Livello Rete basato su Circuito Virtuale Livello Rete basato
Indice. Nota degli autori. 1 Capitolo 1 Introduzione alla ricerca operativa
XI Nota degli autori 1 Capitolo 1 Introduzione alla ricerca operativa 1 1.1 Premessa 1 1.2 Problemi di ottimizzazione 6 1.3 Primi approcci ai modelli di ottimizzazione 13 1.4 Uso del risolutore della Microsoft
Intelligenza Artificiale. Lezione 14. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 14 0
Intelligenza Artificiale Lezione 14 Intelligenza Artificiale Daniele Nardi, 2003 Lezione 14 0 Sommario Russell & Norvig Capitolo 4, Paragrafi 3 4 IDA* SMA* Ricerca Hill-climbing Simulated annealing Intelligenza
Il problema del commesso viaggiatore
ITTS Vito Volterra Progetto ABACUS Ottimizzazione combinatoria Il problema del commesso viaggiatore Studente: Davide Talon Esame di stato 2013 Anno scolastico 2012-2013 Indice 1. Introduzione........................................
EMERGENCE OF SELF ORGANIZATION AND SEARCH FOR OPTIMAL ENTERPRISE STRUCTURE: AI EVOLUTIONARY METHODS APPLIED TO AGENT BASED PROCESS SIMULATION
EMERGENCE OF SELF ORGANIZATION AND SEARCH FOR OPTIMAL ENTERPRISE STRUCTURE: AI EVOLUTIONARY METHODS APPLIED TO AGENT BASED PROCESS SIMULATION remond@di.unito.it Department of Computer Science University
Algoritmi e strutture dati. Codici di Huffman
Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per
Algoritmi e Complessità
Algoritmi e Complessità Università di Camerino Corso di Laurea in Informatica (tecnologie informatiche) III periodo didattico Docente: Emanuela Merelli Email:emanuela.merelli@unicam.it Lezione 2 Teoria
Obiettivo Principale: Spiegare come la stessa cosa possa essere realizzata in molti modi diversi e come, a volte, ci siano modi migliori di altri.
6 LEZIONE: Algoritmi Tempo della lezione: 45-60 Minuti. Tempo di preparazione: 10-25 Minuti (a seconda che tu abbia dei Tangram disponibili o debba tagliarli a mano) Obiettivo Principale: Spiegare come
Modelli di Programmazione Lineare. PRTLC - Modelli
Modelli di Programmazione Lineare PRTLC - Modelli Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali Come ricavare una stima dell ottimo Rilassamento continuo - generazione
Introduzione all Analisi dei Segnali
Tecniche innovative per l identificazione delle caratteristiche dinamiche delle strutture e del danno Introduzione all Analisi dei Segnali Prof. Ing. Felice Carlo PONZO - Ing. Rocco DITOMMASO Scuola di
Sono casi particolari di MCF : SPT (cammini minimi) non vi sono vincoli di capacità superiore (solo x ij > 0) (i, j) A : c ij, costo di percorrenza
Il problema di flusso di costo minimo (MCF) Dati : grafo orientato G = ( N, A ) i N, deficit del nodo i : b i (i, j) A u ij, capacità superiore (max quantità di flusso che può transitare) c ij, costo di
Contenuto e scopo presentazione. Vehicle Scheduling. Motivazioni VSP
Contenuto e scopo presentazione Vehicle Scheduling 08/03/2005 18.00 Contenuto vengono introdotti modelli e metodi per problemi di Vehicle Scheduling Problem (VSP) Scopo fornire strumenti di supporto alle
Svantaggi della Commutazione di Circuito. Commutazione di Pacchetto. Struttura di un Pacchetto
Università degli studi di Salerno Laurea in Informatica I semestre / Commutazione di Pacchetto Prof. Vincenzo Auletta auletta@dia.unisa.it http://www.dia.unisa.it/professori/auletta/ Svantaggi della Commutazione
Seconda Prova di Ricerca Operativa. Cognome Nome Numero Matricola A 1/12 A 2/12
A / A / Seconda Prova di Ricerca Operativa Cognome Nome Numero Matricola Nota: LA RISOLUZIONE CORRETTA DEGLI ESERCIZI CONTRADDISTINTI DA UN ASTERISCO È CONDIZIONE NECESSARIA PER IL RAGGIUNGIMENTO DELLA
Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 22: 1 Giugno 2010. Meccanismi Randomizzati
Strumenti della Teoria dei Giochi per l Informatica AA 2009/10 Lecture 22: 1 Giugno 2010 Meccanismi Randomizzati Docente Vincenzo Auletta Note redatte da: Davide Armidoro Abstract In questa lezione descriveremo
Note su quicksort per ASD 2010-11 (DRAFT)
Note su quicksort per ASD 010-11 (DRAFT) Nicola Rebagliati 7 dicembre 010 1 Quicksort L algoritmo di quicksort è uno degli algoritmi più veloci in pratica per il riordinamento basato su confronti. L idea
Funzioni esponenziali e logaritmiche. Mauro Saita. e-mail maurosaita@tiscalinet.it Versione provvisoria. Febbraio 2014
Funzioni esponenziali e logaritmiche. Mauro Saita. e-mail maurosaita@tiscalinet.it Versione provvisoria. Febbraio 2014 Indice 1 Esponenziali 1 1.1 Funzioni esponenziali con dominio Z.......................
Obiettivo Principale: Aiutare gli studenti a capire cos è la programmazione
4 LEZIONE: Programmazione su Carta a Quadretti Tempo della lezione: 45-60 Minuti. Tempo di preparazione: 10 Minuti Obiettivo Principale: Aiutare gli studenti a capire cos è la programmazione SOMMARIO:
Sicurezza dei sistemi e delle reti Introduzione
Sicurezza dei sistemi e delle reti Introduzione Damiano Carra Università degli Studi di Verona Dipartimento di Informatica Riferimenti! Cap. 8 di Reti di calcolatori e Internet. Un approccio topdown, J.
Tecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com
Principi di Schedulazione in tempo reale
Principi di Schedulazione in tempo reale 1 Task in tempo reale Un task t i è una sequenza di processi in tempo reale τ ik ciascuno caratterizzato da q un tempo d arrivo r ik (r=release time, oppure a=arrival
Tipologie di macchine di Turing
Tipologie di macchine di Turing - Macchina di Turing standard - Macchina di Turing con un nastro illimitato in una sola direzione - Macchina di Turing multinastro - Macchina di Turing non deterministica
Network complessi e modelli. Rossano Gaeta Università degli Studi di Torino
Network complessi e modelli Rossano Gaeta Università degli Studi di Torino Sommario Introduzione Proprietà network complessi Modelli matematici per la rappresentazione Grafi regolari Grafi random Small
Implementazione parallela di algoritmi genetici per la stima di HMM
Università degli Studi di Trieste Implementazione parallela di algoritmi genetici per la stima di HMM Relatore Enzo Mumolo Candidato Nicola Timeus 14 marzo 2014 Motivazioni Pattern recognition mediante
Varianti Macchine di Turing
Varianti Macchine di Turing Esistono definizioni alternative di macchina di Turing. Chiamate Varianti. Tra queste vedremo: MdT a più nastri e MdT non deterministiche. Mostriamo: tutte le varianti ragionevoli
ALMA MATER STUDIORUM - UNIVERSITÀ DI BOLOGNA FORMULAZIONE AGLI ELEMENTI FINITI DI PROBLEMI DI IDENTIFICAZIONE PARAMETRICA
ALMA MATER STUDIORUM - UNIVERSITÀ DI BOLOGNA FACOLTÀ DI INGEGNERIA CORSO DI LAUREA SPECIALISTICA IN INGEGNERIA CIVILE DISTART Scienza delle Costruzioni TESI DI LAUREA in Teoria delle Strutture FORMULAZIONE
I GA sono metodi adattativi che possono essere usati per risolvere problemi di ricerca
Capitolo 1 Algoritmi Genetici I GA sono metodi adattativi che possono essere usati per risolvere problemi di ricerca e ottimizzazione. Sono basati sui processi genetici degli organismi biologici. Imitando
Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso
Progetto di Reti di Telecomunicazione Modelli in Programmazione Lineare Problemi di flusso Flusso di costo minimo È dato un grafo direzionato G = (N, A). Ad ogni arco (i, j) A è associato il costo c ij
Laboratorio di Programmazione II Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona
e e Laboratorio di Programmazione II Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario e ed implementazione in Java Visita di un grafo e e Concetti di base Struttura
ESEMPIO P.L. : PIANIFICAZIONE DI INVESTIMENTI
ESEMPIO P.L. : PIANIFICAZIONE DI INVESTIMENTI PROBLEMA: un azienda deve scegliere fra due possibili investimenti al fine di massimizzare il profitto netto nel rispetto delle condizioni interne e di mercato
Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera
Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi
RETI DI CALCOLATORI. Crittografia. La crittografia
RETI DI CALCOLATORI Crittografia La crittografia La crittografia è la scienza che studia la scrittura e la lettura di messaggi in codice ed è il fondamento su cui si basano i meccanismi di autenticazione,
Elementi di Informatica e Programmazione
Elementi di Informatica e Programmazione Il concetto di Algoritmo e di Calcolatore Corsi di Laurea in: Ingegneria Civile Ingegneria per l Ambiente e il Territorio Università degli Studi di Brescia Cos
Cristian Randieri. www.intellisystem.it
Cristian Randieri www.intellisystem.it Gli algoritmi genetici (GA = Genetic Algorithms) furono proposti inizialmente da J.H. Holland nel 1975. Da allora sono stati oggetto di molti studi e recentemente
Intelligenza Computazionale
Intelligenza Computazionale A.A. 2009/10 Docente: Francesco Masulli masulli@disi.unige.it L'Intelligenza Computazionale (o Soft Computing o Natural Computing): insieme di metodologie di elaborazione dell'informazione
Progettare una basi di dati vuole dire progettare la struttura dei dati e le applicazioni
LA PROGETTAZIONE DI BASI DI DATI Progettare una basi di dati vuole dire progettare la struttura dei dati e le applicazioni La progettazione dei dati è l attività più importante Per progettare i dati al
Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale
Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale di Francesco Maria Milizia francescomilizia@libero.it Model Checking vuol dire cercare di stabilire se una formula è vera
Università del Salento
Università del Salento Dipartimento di Matematica DAI SISTEMI DI DISEQUAZIONI LINEARI.. ALLA PROGRAMMAZIONE LINEARE Chefi Triki La Ricerca Operativa Fornisce strumenti matematici di supporto alle attività
www.andreatorinesi.it
La lunghezza focale Lunghezza focale Si definisce lunghezza focale la distanza tra il centro ottico dell'obiettivo (a infinito ) e il piano su cui si forma l'immagine (nel caso del digitale, il sensore).
TEORIA sulle BASI DI DATI
TEORIA sulle BASI DI DATI A cura del Prof. Enea Ferri Cos è un DATA BASE E un insieme di archivi legati tra loro da relazioni. Vengono memorizzati su memorie di massa come un unico insieme, e possono essere
Problemi di soddisfacimento di vincoli. Formulazione di problemi CSP. Colorazione di una mappa. Altri problemi
Problemi di soddisfacimento di vincoli Maria Simi a.a. 2014/2015 Problemi di soddisfacimento di vincoli (CSP) Sono problemi con una struttura particolare, per cui conviene pensare ad algoritmi specializzati
Funzioni in C. Violetta Lonati
Università degli studi di Milano Dipartimento di Scienze dell Informazione Laboratorio di algoritmi e strutture dati Corso di laurea in Informatica Funzioni - in breve: Funzioni Definizione di funzioni