Решение оптимизационных задач в системе GAMS пакетом CPLEX.

Эти модели имеют свои достоинства и недостатки. Лекция посвящена вопросам оценки качества получаемых моделей с точки зрения

разрыва двойственности и симметрии в получаемых решениях.

Первый час лекции будет посвящен теоретическому вопросу оценки качества моделей. Второй час лекции будет посвящен решению оптимизационных задач небольшой размерности в среде GAMS пакетом CPLEX .

в понедельник до 17.00

во вторник до 12.30

Рассматриваются кодовые криптосистемы (криптосистемы МакЭлиса, Нидеррайтера, их модификации), связь APN-функций и циклических кодов, а также вопросы аутентификации и распределения секретов.

В лекции предполагается установить связь между МДР-кодами и наборами ортогональных латинских кубов; вывести оценки, связывающие длину, мощность алфавита и кодовое расстояние; рассмотреть некоторые конструкции МДР-кодов с большими расстояниями; сделать обзор последних результатов по данной тематике.

Основной задачей экспериментатора и аналитика в этих условиях является выбор оптимальной частоты измерения того или иного параметра для того чтобы составить адекватную модель динамики живой системы.

Анализ динамики статистических характеристик массивов данных живых систем приводит к однозначному выводу о том, что классические монотонные распределения Гаусса, Пуассона весьма грубо описывают

неравновесные открытые множества. Отсюда следует необходимость разработки и применения других методов матанализа этих множеств.

центральное место будут занимать методы имитации отжига, локального поиска с запретами и генетические алгоритмы. Основное внимание будет уделено теоретическим аспектам, проблемам адаптации указанных схем к условиям конкретных задач и перспективным направлениям дальнейших исследований.

В первой части рассказывается об основных идеях и подходах при построении приближенных схем для NP-трудных задач оптимизации. Приводятся примеры использования рассматриваемых методов. Во второй части рассказывается и иллюстрируется на примерах, как доказать, что для выбранной задачи нельзя построить приближенную схему, если P не совпадает с NP.

Неформально основную проблему можно сформулировать следующим образом: является ли некоторая замеченная особенность в массиве данных "случайной", или это закономерность, которая может быть использована для обобщения и прогнозирования?

Такого рода вопросы возникают в задачах интеллектуального анализа данных, в частности: распознавания образов, регрессионного и кластерного анализа, прогнозирования временных рядов.

коллективном принятии решений. Описываются методы кластерного анализа, использующие деревья решений и их ансамбли. Приводятся примеры из области анализа изображений.