ワーシャルフロイド法をJuliaで(強引に)アニメーション
はじめに 競プロとかやってると、たまに聞くワーシャルフロイド法 コードは短くて悩むところないけど、これで「抜け」ないんだっけ？ とか思ったりするので、一度動画にしてみる。 Julia言語にはGraphPlotなるものがあるのでそれの練習 ワーシャルフロイド法 WikipediaとかもあるけどJuliaでは for k ∈ 1:n , i ∈ 1:n , j ∈ 1:n Dist[i,j]=min(Dist[i,j],Dist[i,k]+Dist[k,j]) end Dist #Distは有向グラフをマトリクスにしたもの 短いです 解説 ググれば素晴らしい解説があると思いますが簡単に 負の閉路のない(クルクル回るとマイナス無限になったりしない)有向(無向)グラフで、最短の経路を求めるには ある中継点を通った方が直通より短ければ、直通の距離をそれに書き換える。 それを各中継点で全通り調べると、
焼きなまし法と粒子群最適化法の探索挙動を可視化してみた - クマガリウムぶろぐ
目次 目次 0. はじめに 1. 最適化アルゴリズム 1.1 山登り法 1.2 焼きなまし法 1.3 粒子群最適化（Particle Swarm Optimazation: PSO） 2 ベンチマークを用いた探索挙動の可視化 2.1 Sphere function 2.2 Ackley function 2.3 Rastrigin function 2.3 Himmelblau's function 3. おわりに 4. 参考 0. はじめに 以前書いたブログ（超個体型データセンターにおける群知能クラスタリングの利用構想 - クマガリウムぶろぐ）の構想実現を進めるために、最適化アルゴリズムの基本的なところを理解するため、山登り法をはじめ、焼きなまし法や粒子群最適化法の探索挙動を可視化した結果を簡単にまとめてみます。 ※このあたりお詳しい人がいたらコメント、補足など大歓迎 1. 最適化アルゴ
chokudai先生の焼きなまし講座
コルン @colun 焼きなましは正直あんまり使ったことがなかったのだけれども、この間、大学院の後輩の焼きなましに関する説明を聞いてからは、根本的に焼きなまし法は凸凹している広域の探索には向かないんだなと思った。 2013-12-26 23:44:26 コルン @colun 距離や近傍の定義……「ある既知の一点に良さそうなものがある時に、べつの未知の一点に良さそうなものがある確率が高くなる時、近傍と推定される。まったく無関係である時、その２つの点は遠いと推定される」と僕は思う。 2013-12-27 00:17:21
遺伝的アルゴリズムを用いてコンテナの配置を最適化する論文：「Genetic Algorithm for Multi-Objective Optimization of Container Allocation in Cloud Architecture」 - Fire Engine
ふとタイトルが目に入ってきて気になって読んでみた。私自身そんなにコンテナ技術を触ってないけど、前から遺伝的アルゴリズムが気になっていた。 ちょいちょい知識が足りずに理解しきれないところ出てきたけど、とりあえず最後まで読んだのでざっくりまとめを書いてみる。 読んだ論文 Genetic Algorithm for Multi-Objective Optimization of Container Allocation in Cloud Architecture pdfはダウンロードできなかったけど、ここからOnlineで読めた。 所感 先に論文を読んだ所感を書いておく。 コンテナのリソース割り当ての最適化問題を遺伝的アルゴリズム（GA）を使って解くというコンセプトが面白かった。Related Workとして多くの論文が挙げられていた（Table 1およびTable2）ので、この辺りは追っていく
誰でもできる焼きなまし法 - gasin’s blog
マラソン系コンテストに興味のある競プロer向けです。 前置き（注意） 焼きなまし法の概要 山登り法の概要 山登り法のパーツ 初期状態 スコア計算の関数 遷移関数 焼きなまし法のパーツ 温度関数 遷移確率関数 例 焼きなまし、その後 高速化 初期状態の吟味 温度関数、状態遷移関数の調整 遷移関数の調整 焼きなましの繰り返し 焼きなましの資料集（日本語） 前置き（注意） この記事で書くのは僕の感覚的なことです。 背景にある理論とかそういうのは僕はわからないです。 ただまぁ多分感覚でなんとかなります（多分）。 焼きなまし法の概要 山登り法にランダム性を入れて局所解に陥りにくくしたもの スコアが改善されたら無条件遷移だが、悪化のときも確率的に遷移する ランダム性を時間経過に応じて小さくしていくことで収束させていく ややこしそうに見えますが、実際にはやることは超単純です（後述）。 極論、山登り法さえ
ビームサーチの基礎知識と機械学習への3つの活用事例
深さ優先探索と幅優先探索 深さ優先探索 幅優先探索 ビームサーチ 機械学習への応用 Google Alloの返答 学習時にビームサーチの幅を持たせて学習 3D形状の学習への応用 まとめ 参考文献 ビームサーチ（Beam Search）は、探索アルゴリズムの一種でメモリをそれほど必要としない最良優先探索です。 機械学習の分野でも、翻訳やチャットボットの返答などに応用されています。本記事では、ビームサーチのアルゴリズムを理解してどのように応用されているのかを解説します。 機械学習を活用したシステムを構築する際にも、探索空間が広い場合などには応用可能なので、使いこなせるようにしておくと役に立ちます。 深さ優先探索と幅優先探索 いきなりビームサーチの解説に入る前に、理解しやすいようにグラフ探索アルゴリズムを紹介します。 深さ優先探索 深さ優先探索は、その名の通り可能な限り突き進んで、行けなくなった
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
モンテカルロ法によるゲームAIの可能性
極小頂点被覆列挙問題を解く