پاورپوینت روش شاخه و حد branch and bound

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 17 اسلاید

 قسمتی از متن .ppt : 

Branch and Bound

1

روش شاخه و حد branch and bound

Branch and Bound

2

مشابه روش backtracking از جستجو در درخت فضای حالت استفاده می کند.

روش خاصی برای پیمایش درخت استفاده نمی کند.

تنها برای مسائل بهینه سازی استفاده می شود.

انواع: جستجوی اول بهترین

جستجوی سطحی

Branch and Bound

3

مثال: مسأله کوله پشتی 1- 0 با روش اول سطح

M=16

Branch and Bound

4

کالاها را به صورت غیرنزولی بر اساس مقادیر pi / wi مرتب می کنیم.

گره سطح k : گرهی که موجب تجاوز مجموع وزن از مرز M می شود.

در سطح i پیش بینی از حداکثر ارزش قابل دستیابی, برابر با مجموع ارزش به دست آمده به علاوه ارزش کالاهای باقی مانده تا سطح k-1 به علاوه مقدار قابل انتخاب از کالای k ام (با فرض این که بتوان بخشی از آن را انتخاب کرد) می باشد.

در هر مرحله همه گره های آن سطح ایجاد می شوند و اگر bound ≤ maxprofit : گره غیر وعده گاه است.

totweight = weight+  wj

bound = (profit+  pj )+(M-totweight)(pk / wk)

j=i+1

k-1

j=i+1

k-1

ارزش اولین k-1

کالای انتخاب شده

ظرفیت باقی مانده

برای کالای k ام

ارزش واحد وزن

کالای k ام

پاورپوینت روش شاخه و حد branch and bound

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 17 اسلاید

 قسمتی از متن .ppt : 

Branch and Bound

1

روش شاخه و حد branch and bound

Branch and Bound

2

مشابه روش backtracking از جستجو در درخت فضای حالت استفاده می کند.

روش خاصی برای پیمایش درخت استفاده نمی کند.

تنها برای مسائل بهینه سازی استفاده می شود.

انواع: جستجوی اول بهترین

جستجوی سطحی

Branch and Bound

3

مثال: مسأله کوله پشتی 1- 0 با روش اول سطح

M=16

Branch and Bound

4

کالاها را به صورت غیرنزولی بر اساس مقادیر pi / wi مرتب می کنیم.

گره سطح k : گرهی که موجب تجاوز مجموع وزن از مرز M می شود.

در سطح i پیش بینی از حداکثر ارزش قابل دستیابی, برابر با مجموع ارزش به دست آمده به علاوه ارزش کالاهای باقی مانده تا سطح k-1 به علاوه مقدار قابل انتخاب از کالای k ام (با فرض این که بتوان بخشی از آن را انتخاب کرد) می باشد.

در هر مرحله همه گره های آن سطح ایجاد می شوند و اگر bound ≤ maxprofit : گره غیر وعده گاه است.

totweight = weight+  wj

bound = (profit+  pj )+(M-totweight)(pk / wk)

j=i+1

k-1

j=i+1

k-1

ارزش اولین k-1

کالای انتخاب شده

ظرفیت باقی مانده

برای کالای k ام

ارزش واحد وزن

کالای k ام

پاورپوینت روش حریصانه (greedy)

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 20 اسلاید

 قسمتی از متن .ppt : 

greedy method

1

روش حریصانه (greedy)

در هرمرحله از مراحل اجرای الگوریتم باید بخشی از جواب را به دست آوریم.

این روش جزو روشهای بهینه سازی است.

هدف یافتن یک جواب قابل قبول است که تابع هدف یا رابطه ارزش جواب را ماکزیمم یا می نیمم کند و جواب بهینه را ایجاد کند.

greedy method

2

خصوصیات کلی روش حریصانه

الف) نتیجه نهایی الگوریتم حریصانه مجموعه ای از داده ها است که ممکن است ترتیب آنها نیز اهمیت داشته باشد.

ب) جواب نهایی باید تابع هدف را بهینه (ماکزیمم یا می نیمم) نماید.

ج) در روشهای حریصانه آینده نگری وجود ندارد و به وضعیت جاری بیشتر توجه می شود. بنابراین بهینگی در هر مرحله محلی می باشد.عناصر داده را به طور متوالی گرفته و از بین آنها بدون توجه به انتخابهای قبلی یا بعدی بهترین را بر اساس معیارهای خاصی انتخاب می کند.

د) تصمیم در مورد انتخاب یا رد یکی از داده های ورودی به عنوان مولفه از جواب قطعی و غیر قابل برگشت است.

ه) الگوریتم حریصانه مانند برنامه سازی پویا اغلب برای مسائل بهینه سازی به کار می رود با این تفاوت که در برنامه سازی پویا از خاصیت بازگشتی برای تقسیم یک نمونه به نمونه های کوچکتر استفاده می شود, در حالیکه در الگوریتم حریصانه هیچ تقسیمی انجام نمی شود وبرای تولید جواب از دنباله عناصر انتخابی استفاده می شود که هریک از آنها در هر لحظه بهترین انتخاب به نظر می رسد و انتظار می رود که بتوان یک جواب بهینه نهایی را به دست آورد.

greedy method

3

اجزاء الگوریتم حریصانه

الگوریتم حریصانه با یک مجموعه تهی آغاز می شود و عناصر پشت سر هم به این مجموعه اضافه می شوند.

یک روال انتخاب عنصر بعدی را برای اضافه کردن به مجموعه انتخاب می کند. این انتخاب براساس یک معیار حریصانه که به طور محلی بهترین جواب را در هر لحظه انتخاب می کند, شکل می گیرد.

یک بررسی امکان سنجی تعیین می کند که آیا با تکمیل مجموعه جدید امکان دستیابی به جواب برای یک نمونه مسأله وکود دارد یا خیر.

یک بررسی جواب تعیین می کند که آیا مجموعه جدید یک جواب برای نمونه مسأله می باشد یا خیر.

greedy method

4

الگوریتم Dijkstra برای مسأله کوتاهترین مسیرهای تک مبدأیی

هدف: تعیین کوتاهترین مسیرها از یک گره بخصوص به تمام گره های دیگر در یک گراف جهت دار و وزن دار.

v1

v5

v2

v4

v3

1

1

7

4

6

3

5

2

پاورپوینت روش حریصانه (greedy)

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 20 اسلاید

 قسمتی از متن .ppt : 

greedy method

1

روش حریصانه (greedy)

در هرمرحله از مراحل اجرای الگوریتم باید بخشی از جواب را به دست آوریم.

این روش جزو روشهای بهینه سازی است.

هدف یافتن یک جواب قابل قبول است که تابع هدف یا رابطه ارزش جواب را ماکزیمم یا می نیمم کند و جواب بهینه را ایجاد کند.

greedy method

2

خصوصیات کلی روش حریصانه

الف) نتیجه نهایی الگوریتم حریصانه مجموعه ای از داده ها است که ممکن است ترتیب آنها نیز اهمیت داشته باشد.

ب) جواب نهایی باید تابع هدف را بهینه (ماکزیمم یا می نیمم) نماید.

ج) در روشهای حریصانه آینده نگری وجود ندارد و به وضعیت جاری بیشتر توجه می شود. بنابراین بهینگی در هر مرحله محلی می باشد.عناصر داده را به طور متوالی گرفته و از بین آنها بدون توجه به انتخابهای قبلی یا بعدی بهترین را بر اساس معیارهای خاصی انتخاب می کند.

د) تصمیم در مورد انتخاب یا رد یکی از داده های ورودی به عنوان مولفه از جواب قطعی و غیر قابل برگشت است.

ه) الگوریتم حریصانه مانند برنامه سازی پویا اغلب برای مسائل بهینه سازی به کار می رود با این تفاوت که در برنامه سازی پویا از خاصیت بازگشتی برای تقسیم یک نمونه به نمونه های کوچکتر استفاده می شود, در حالیکه در الگوریتم حریصانه هیچ تقسیمی انجام نمی شود وبرای تولید جواب از دنباله عناصر انتخابی استفاده می شود که هریک از آنها در هر لحظه بهترین انتخاب به نظر می رسد و انتظار می رود که بتوان یک جواب بهینه نهایی را به دست آورد.

greedy method

3

اجزاء الگوریتم حریصانه

الگوریتم حریصانه با یک مجموعه تهی آغاز می شود و عناصر پشت سر هم به این مجموعه اضافه می شوند.

یک روال انتخاب عنصر بعدی را برای اضافه کردن به مجموعه انتخاب می کند. این انتخاب براساس یک معیار حریصانه که به طور محلی بهترین جواب را در هر لحظه انتخاب می کند, شکل می گیرد.

یک بررسی امکان سنجی تعیین می کند که آیا با تکمیل مجموعه جدید امکان دستیابی به جواب برای یک نمونه مسأله وکود دارد یا خیر.

یک بررسی جواب تعیین می کند که آیا مجموعه جدید یک جواب برای نمونه مسأله می باشد یا خیر.

greedy method

4

الگوریتم Dijkstra برای مسأله کوتاهترین مسیرهای تک مبدأیی

هدف: تعیین کوتاهترین مسیرها از یک گره بخصوص به تمام گره های دیگر در یک گراف جهت دار و وزن دار.

v1

v5

v2

v4

v3

1

1

7

4

6

3

5

2

پاورپوینت روش حریصانه (greedy)

لینک دانلود و خرید پایین توضیحات

دسته بندی : پاورپوینت

نوع فایل :  .ppt ( قابل ویرایش و آماده پرینت )

تعداد اسلاید : 20 اسلاید

 قسمتی از متن .ppt : 

greedy method

1

روش حریصانه (greedy)

در هرمرحله از مراحل اجرای الگوریتم باید بخشی از جواب را به دست آوریم.

این روش جزو روشهای بهینه سازی است.

هدف یافتن یک جواب قابل قبول است که تابع هدف یا رابطه ارزش جواب را ماکزیمم یا می نیمم کند و جواب بهینه را ایجاد کند.

greedy method

2

خصوصیات کلی روش حریصانه

الف) نتیجه نهایی الگوریتم حریصانه مجموعه ای از داده ها است که ممکن است ترتیب آنها نیز اهمیت داشته باشد.

ب) جواب نهایی باید تابع هدف را بهینه (ماکزیمم یا می نیمم) نماید.

ج) در روشهای حریصانه آینده نگری وجود ندارد و به وضعیت جاری بیشتر توجه می شود. بنابراین بهینگی در هر مرحله محلی می باشد.عناصر داده را به طور متوالی گرفته و از بین آنها بدون توجه به انتخابهای قبلی یا بعدی بهترین را بر اساس معیارهای خاصی انتخاب می کند.

د) تصمیم در مورد انتخاب یا رد یکی از داده های ورودی به عنوان مولفه از جواب قطعی و غیر قابل برگشت است.

ه) الگوریتم حریصانه مانند برنامه سازی پویا اغلب برای مسائل بهینه سازی به کار می رود با این تفاوت که در برنامه سازی پویا از خاصیت بازگشتی برای تقسیم یک نمونه به نمونه های کوچکتر استفاده می شود, در حالیکه در الگوریتم حریصانه هیچ تقسیمی انجام نمی شود وبرای تولید جواب از دنباله عناصر انتخابی استفاده می شود که هریک از آنها در هر لحظه بهترین انتخاب به نظر می رسد و انتظار می رود که بتوان یک جواب بهینه نهایی را به دست آورد.

greedy method

3

اجزاء الگوریتم حریصانه

الگوریتم حریصانه با یک مجموعه تهی آغاز می شود و عناصر پشت سر هم به این مجموعه اضافه می شوند.

یک روال انتخاب عنصر بعدی را برای اضافه کردن به مجموعه انتخاب می کند. این انتخاب براساس یک معیار حریصانه که به طور محلی بهترین جواب را در هر لحظه انتخاب می کند, شکل می گیرد.

یک بررسی امکان سنجی تعیین می کند که آیا با تکمیل مجموعه جدید امکان دستیابی به جواب برای یک نمونه مسأله وکود دارد یا خیر.

یک بررسی جواب تعیین می کند که آیا مجموعه جدید یک جواب برای نمونه مسأله می باشد یا خیر.

greedy method

4

الگوریتم Dijkstra برای مسأله کوتاهترین مسیرهای تک مبدأیی

هدف: تعیین کوتاهترین مسیرها از یک گره بخصوص به تمام گره های دیگر در یک گراف جهت دار و وزن دار.

v1

v5

v2

v4

v3

1

1

7

4

6

3

5

2