Twój wynik: Metody Metaheurystyczne
Twój wynik
Wszystkie ({{dataStorage.userResults.answersTotal}})
Prawidłowe ({{dataStorage.userResults.answersGood}})
Błędne ({{dataStorage.userResults.answersBad}})
Pytanie 1
Jakie zagadnienie dotyczy planowania czasu rozpoczęcia i zakończenia różnych zadań w celu zoptymalizowania określonego kryterium, takiego jak czas trwania całego procesu?
Vehicle routing problem
Change-making problem
Bin packing problem
Job scheduling problem
Pytanie 2
W którym problemie optymalizacyjnym architekt projektujący budynek musi tak dobrać materiały, aby zapewnić bezpieczeństwo konstrukcji, ale jednocześnie zminimalizować koszty?
Antenna array synthesis
Economic load dispatch problem
Quadratic knapsack problem
Portfolio optimization problem
Pytanie 3
Jaki problem optymalizacyjny polega na przypisywaniu kolorów wierzchołkom grafu planarnego w taki sposób, aby sąsiadujące wierzchołki miały różne kolory?
Workflow scheduling in cloud computing environment
Waste collection problem
Planar graph colouring problem
Multiple-choice knapsack problem
Pytanie 4
W jakim problemie optymalizacyjnym chodzi o rozszerzenie problemu plecaka, w którym przedmioty mają różne warianty do wyboru?
Multiple-choice knapsack problem
Change-making problem
Economic dispatch problem
Quadratic assignment problem
Pytanie 5
Jakie zagadnienie dotyczy optymalizacji harmonogramu projektu uwzględniającej koszty, wykorzystanie siły roboczej i czas, przy jednoczesnym minimalizowaniu kosztów?
Economic load dispatch problem
Quadratic knapsack problem
Job scheduling problem
Time–cost–labor utilization tradeoff problem
Pytanie 6
W którym problemie optymalizacyjnym chodzi o optymalne rozdzielenie mocy w elektrowniach w celu minimalizacji kosztów produkcji przy spełnieniu określonych wymagań dotyczących dostaw energii?
Waste collection problem
Portfolio optimization problem
Vehicle routing problem
Economic dispatch problemWaste collection problem
Pytanie 7
W jakim problemie optymalizacyjnym chodzi o przypisywanie lokalizacji obiektów do lokalizacji w celu minimalizacji sumy kosztów przypisania, z uwzględnieniem kwadratowych kosztów?
Job-shop scheduling problem
Quadratic assignment problem
Waste collection problem
Bin packing problem
Pytanie 8
Jakie zagadnienie dotyczy optymalizacji harmonogramu wykonywania zadań w chmurze obliczeniowej, uwzględniającej zasoby i czas wykonania?
Planar graph colouring problem
Portfolio optimization problem
Antenna array synthesis
Workflow scheduling in cloud computing environment
Pytanie 9
W którym problemie optymalizacyjnym projektant anten musi stosować metaheurystyki do optymalnego rozmieszczenia anten w układzie antenowym?
Antenna array synthesis
Change-making problem
Job scheduling problem
Job scheduling problem
Pytanie 10
Jaki problem optymalizacyjny polega na planowaniu tras i harmonogramu odbioru odpadów w sposób, który minimalizuje koszty i czas zbierania?
Job-shop scheduling problem
Time–cost–labor utilization tradeoff problem
Waste collection problem
Economic dispatch problem
Pytanie 11
W jakim problemie optymalizacyjnym chodzi o optymalizację alokacji kapitału w różne aktywa finansowe w celu maksymalizacji zwrotu przy określonym poziomie ryzyka?
Economic load dispatch problem
Portfolio optimization problem
Change-making problem
Quadratic knapsack problem
Pytanie 12
Jakie zagadnienie dotyczy planowania efektywnego przesyłania danych do wielu odbiorców w sieci komunikacyjnej?
Multicast routing problem
Change-making problem
Bin packing problem
Planar graph colouring problem
Pytanie 13
W którym problemie optymalizacyjnym chodzi o znalezienie najmniejszej liczby monet potrzebnych do uzyskania określonej sumy pieniędzy?
Job scheduling problem
Change-making problem
Quadratic knapsack problem
Economic load dispatch problem
Pytanie 14
W jakim problemie optymalizacyjnym chodzi o przypisywanie lokalizacji obiektów do lokalizacji w celu minimalizacji sumy kosztów przypisania, z uwzględnieniem kwadratowych kosztów?
Economic dispatch problem
Quadratic assignment problem
Waste collection problem
Multiple-choice knapsack problem
Pytanie 15
Jaka złożoność obliczeniowa charakteryzuje problem, w którym rozwiązanie można zweryfikować w czasie wielomianowym?
NP (nondeterministic polynomial)
P (deterministic polynomial)
NP trudny (NP - hard)
NP zupełny (NP - Complete)
Pytanie 16
Jaka złożoność obliczeniowa charakteryzuje problem, w którym rozwiązanie można znaleźć w czasie wielomianowym?
P (deterministic polynomial)
NP zupełny (NP - Complete)
NP (nondeterministic polynomial)
NP trudny (NP - hard)
Pytanie 17
Które z poniższych przykładów jest problemem NP zupełnym?
Mnożenie macierzy
Sortowanie
Problem plecakowy
Sprawdzenie wszystkich podzbiorów sumujących się do zera
Pytanie 18
Jaki problem, będący jednym z najtrudniejszych w klasie NP, obejmuje pytanie, czy istnieje przyporządkowanie wartości logicznych zmiennym tak, aby spełnić dany zestaw klauzul?
SAT (Boolean Satisfiability Problem)
TSP (Travelling Salesman Problem)
Problem plecakowy
Problem plecakowy
Pytanie 19
Który z typów problemów obejmuje problem plecakowy?
Przeszukiwawcze
Decyzyjne
Optymalizacyjne
Zarówno A, jak i C
Pytanie 20
Która metoda optymalizacji globalnej unika powtarzania ruchów zakazanych?
Simulated Annealing
Tabu Search
Particle swarm optimization
Dynamic programming
Pytanie 21
W jakiej metodzie optymalizacji globalnej cząstki poruszają się w przestrzeni poszukiwań w celu znalezienia optymalnego rozwiązania?
Particle swarm optimization
Genetic algorithms
Simulated Annealing
Ant colony optimization
Pytanie 22
Która heurystyczna metoda optymalizacji polega na iteracyjnym przeszukiwaniu przestrzeni rozwiązań w celu znalezienia lepszego rozwiązania?
Genetic algorithms
Guided local search
Ant colony optimization
Iterative local search
Pytanie 23
W jakiej metodzie optymalizacji globalnej temperatura jest stopniowo zmniejszana, aby unikać pułapek lokalnych maksimów, imitując proces hartowania stali?
Simulated Annealing
Genetic algorithms
Tabu Search
Particle swarm optimization
Pytanie 24
Który z algorytmów optymalizacji globalnej jest inspirowany zachowaniem roju pszczół w poszukiwaniu pożywienia?
Firefly algorithm
Cuckoo search
Ant colony optimization
Artificial bee colony
Pytanie 25
Który z poniższych opisów najlepiej odzwierciedla działanie algorytmu Cuckoo Search w kontekście optymalizacji globalnej?
Algorytm, który inspirowany jest strategią ptaka kukułki, zastępującej jaja obcego gatunku w cudzym gnieździe.
Algorytm, który unika powtarzania ruchów zakazanych (tabu) i przemieszcza się w przestrzeni poszukiwań, podążając za liderem roju.
Metoda optymalizacji, w której cząstki poruszają się w przestrzeni poszukiwań, przyciągając się nawzajem w celu optymalizacji rozwiązania.
Technika optymalizacyjna oparta na procesach ewolucyjnych, takich jak krzyżowanie i mutacja, w celu generowania nowych rozwiązań.
Pytanie 26
Która z poniższych metod ocenia tylko pełne rozwiązania?
lgorytm A*
Algorytmy zachłanne
Metoda sympleksowa
Dziel i zwyciężaj
Pytanie 27
Która z poniższych metod działa na bazie częściowych lub niepełnych rozwiązań?
Przeszukiwanie wyczerpujące
Algorytmy wyliczeniowe
Algorytmy zachłanne
Metoda sympleksowa
Pytanie 28
Które z poniższych stwierdzeń są prawdziwe w odniesieniu do algorytmów zachłannych?
Zawsze znajdują rozwiązanie optymalne.
Mogą utknąć w lokalnym optimum.
Są skuteczne w przypadku problemów, w których istnieje duża różnorodność w przestrzeni rozwiązań.
Są często stosowane w przypadku problemów NP trudnych.
Pytanie 29
W metodzie sympleksowej, w każdym kroku algorytmu, wybierana jest zmienna, która zostanie zastąpiona inną zmienną. Jakie jest kryterium wyboru tej zmiennej?
Kryterium Blanda
Kryterium najmniejszego przyrostu funkcji celu
Kryterium losowe
Kryterium największego przyrostu funkcji celu
Pytanie 30
W algorytmie zachłannym, w każdym kroku algorytmu, wybierane jest rozwiązanie, które poprawia wartość funkcji celu. Jaki jest sposób wyboru takiego rozwiązania?
Wybiera się rozwiązanie z maksymalną wartością funkcji celu
Można stosować różne metody, np. wybierać rozwiązanie z maksymalną wartością funkcji celu, minimalną wartością funkcji celu, itp.
Wybiera się rozwiązanie z minimalną wartością funkcji celu
Wybiera się rozwiązanie z wartością funkcji celu równą 0
Pytanie 31
W metodzie podziału i ograniczeń, przestrzeń poszukiwań rozwiązań jest reprezentowana jako drzewo. Jakie są dwa podstawowe pojęcia związane z tym drzewem?
Węzeł i przyrost funkcji celu
Węzeł i wierzchołek
Węzeł i granica
Pytanie 32
W algorytmie A*, w każdym kroku algorytmu, wybierane jest wierzchołek, który będzie następnym krokiem. Jaki jest sposób wyboru tego wierzchołka?
ybiera się wierzchołek, dla którego suma drogi pomiedzy wierzchołkiem początkowym a tym wierzchołkiem i przewidywanej przez heurystykę drogi od tego wierzchołka do wierzchołka docelowego jest minimalna
Wybiera się wierzchołek, dla którego suma drogi pomiedzy wierzchołkiem początkowym a tym wierzchołkiem jest maksymalna
Wybiera się wierzchołek, dla którego suma drogi pomiedzy wierzchołkiem początkowym a tym wierzchołkiem i rzeczywistej drogi od tego wierzchołka do wierzchołka docelowego jest minimalna
Wybiera się wierzchołek, dla którego suma drogi pomiedzy wierzchołkiem początkowym a tym wierzchołkiem jest minimalna
Pytanie 33
Która z poniższych metod jest najczęściej stosowana w przypadku problemów komiwojażera?
Algorytm zachłonny
Metoda sympleksowa
Programowanie dynamiczne
Metoda podziału i ograniczeń
Pytanie 34
W przypadku problemów liniowych, metoda sympleksowa działa w czasie:
wielomianowym
stałym
logarytmicznym
eksponencjonalnym
Pytanie 35
W metodzie podziału i ograniczeń, w każdym kroku algorytmu, rozważane są wszystkie możliwe rozwiązania:
Nie zawsze
Zależy od złożoności problemu
Tak
Nie
Pytanie 36
Czym charakteryzuje się heurystyka?
Stosuje metodę praktyczną, nie gwarantującą otrzymania doskonałego rozwiązania
Oferuje jedno optymalne rozwiązanie
Zapewnia doskonałe rozwiązania
Bazuje wyłącznie na teorii
Pytanie 37
Jakie podejście prezentuje metaheurystyka w rozwiązywaniu problemów?
Koncentruje się na rozwiązaniu grupy problemów
Dostarcza optymalnych rozwiązań dla wszystkich problemów
Skupia się na jednym konkretnym problemie
Opiera się wyłącznie na teoretycznych założeniach
Pytanie 38
Co jest zaletą metaheurystyk?
Są mniej skuteczne od klasycznych metod
Dostarczają wystarczająco dobrych rozwiązań dla NP-trudnych problemów
Zapewnia idealne rozwiązania dla wszystkich problemów
Szybkość znalezienia rozwiązania nie jest istotna
Pytanie 39
Jakie są główne przyczyny trudności w rozwiązaniu niektórych problemów?
Mała przestrzeń poszukiwań
Brak zmian w problemach
Zmieniające się problemy i ich skomplikowanie
Modelowanie problemu w sposób dokładny
Pytanie 40
Co obejmuje etap modelowania problemu?
Problem i jego reprezentacja
Rozwiązanie
Wzór matematyczny
Zadania do rozwiązania
Pytanie 41
Dlaczego modelowanie problemu jest istotne?
Określa jedynie wielkość przestrzeni poszukiwań
Decyduje o przestrzeni poszukiwań i sposobie kodowania reprezentacji
Wyznacza jedynie teoretyczny zbiór rozwiązań
Nie ma wpływu na sposób szukania rozwiązania
Pytanie 42
Jakie są elementy reprezentacji w problemie TSP?
Lista miast
Ciąg binarny
Sześciocyfrowa dokładność
Liczby naturalne
Pytanie 43
Jaki jest cel w problemie TSP?
Brak określonego celu
Znalezienie najkrótszej trasy między punktami
Znalezienie najdłuższej trasy między punktami
Maksymalizacja odległości między punktami
Pytanie 44
Co jest funkcją oceny w problemie TSP?
Nie istnieje w tym problemie
Zwraca liczbę miast
Podaje numer miasta
Zwraca długość trasy dla danego rozwiązania
Pytanie 45
Co umożliwia funkcja oceny w problemie TSP?
Porównanie długości tras dla różnych rozwiązań
Brak możliwości porównania rozwiązań
Porównanie różnych modeli
Porównanie efektywności różnych metod
Pytanie 46
Czym charakteryzuje się funkcja oceny w problemie TSP?
Nie ma wpływu na wybór najlepszej trasy
Określa liczbę miast
Zwraca wartość opisującą jakość rozwiązania
Jest nieistotna w rozwiązaniu problemu
Pytanie 47
Jaka jest główna różnica między heurystyką a metaheurystyką?
Heurystyka działa wyłącznie na bazie teorii
Metaheurystyka nie jest praktyczna w rozwiązywaniu problemów.
Heurystyka koncentruje się na rozwiązaniu grupy problemów, a metaheurystyka na jednym konkretnym problemie
Metaheurystyka zapewnia zawsze optymalne rozwiązania
Pytanie 48
Czym charakteryzuje się iteracyjne wspinanie w kontekście optymalizacji?
Wykonywaniem kroków w kierunku najszybszego spadku wartości funkcji celu
Utrzymywaniem aktualnego rozwiązania bez zmian
Sprawdzaniem losowych przekształceń w rozwiązaniu
Poszukiwaniem rozwiązania poprzez zastosowanie funkcji losowej
Pytanie 49
Czym jest Symulowane Wyżarzanie w kontekście optymalizacji?
Zmianą rozwiązania bez uwzględnienia prawdopodobieństwa
Stałym poszukiwaniem rozwiązania optymalnego
Metodą iteracyjną wykorzystującą jedynie przekształcenia losowe
Iteracyjnym podejściem, które uwzględnia prawdopodobieństwo zaakceptowania gorszego rozwiązania
Pytanie 50
Co to jest Lista Tabu w metodzie Przeszukiwania z Tabu?
Zapamiętuje zmiany, aby uniknąć powtórzeń lub zbyt podobnych zmian
Nie ma wpływu na proces podejmowania decyzji
Zawiera informacje o najmniejszych zmianach w rozwiązaniu
Jest używana jedynie jako pamięć długotrwała
Pytanie 51
Jaka jest główna wada iteracyjnego wspinania?
Zależność wyniku od wyboru punktu początkowego
Brak informacji o aktualnym rozwiązaniu
Wpadanie w minimum lokalne i brak informacji o odległości od minimum globalnego
Zbyt duża liczba kroków w poszukiwaniu rozwiązania
Pytanie 52
Czym charakteryzuje się symulowane wyżarzanie w kontekście optymalizacji?
Iteracyjnym podejściem, które zawsze akceptuje lepsze rozwiązanie
Uwzględnieniem prawdopodobieństwa akceptacji gorszego rozwiązania
Wykorzystaniem funkcji losowej do generowania rozwiązania
Zastosowaniem tylko najlepszego rozwiązania
Pytanie 53
Jakie korzyści niesie ze sobą lista tabu w przeszukiwaniu z tabu?
Pozwala na wykonywanie identycznych kroków w poszukiwaniu rozwiązania
Jest używana jedynie jako pamięć krótkotrwała
Utrzymuje jedynie informacje o najgorszych zmianach w rozwiązaniu
Zapobiega powtórzeniom i zbyt podobnym zmianom
Pytanie 54
Czym jest dywersyfikacja w kontekście przeszukiwania z tabu?
Skupianiem się jedynie na pojedynczym rozwiązaniu
Próbowaniem modyfikacji rozwiązań, które nie były wcześniej badane przez wiele iteracji
Wykorzystywaniem jedynie pamięci długotrwałej w procesie optymalizacji
Badaniem tylko jednego rodzaju zmian w rozwiązaniu
Pytanie 55
Jakie są parametry przeszukiwania z tabu?
Wyłącznie kodowanie rozwiązania i określenie jakości rozwiązania
Kodowanie rozwiązania i określenie miary otoczenia
Tylko lista tabu i kryterium zatrzymania
Lista tabu i sposób określania/generowania otoczenia
Pytanie 56
Czym charakteryzuje się temperatura w symulowanym wyżarzaniu?
Nie ma wpływu na przebieg procesu
Określa jedynie możliwość zaakceptowania gorszego rozwiązania
Jest stała przez cały proces optymalizacji
Początkowo wysoka, później maleje, wpływając na akceptację gorszych rozwiązań
Pytanie 57
Czym charakteryzuje się K-opt w algorytmie lokalnej optymalizacji?
Usuwa k krawędzi i zastępuje je innymi krawędziami w celu utworzenia innego prawidłowego cyklu
Nie zmienia cyklu, lecz dodaje nowe krawędzie
Sprawdza każdą krawędź i wybiera najkrótszą ścieżkę
Usuwa krawędzie z dokładnością do ich długości
Pytanie 58
Co to oznacza, że iteracyjne wspinanie może wpadać w minimum lokalne?
Zawsze osiąga najlepsze możliwe rozwiązanie
Zawsze znajduje się w maksimum globalnym
Znalezienie rozwiązania, które nie jest najlepsze globalnie, ale najlepsze w otoczeniu
Brak możliwości poprawy znalezionego rozwiązania
Pytanie 59
Jak działa proces iteracyjnego wspinania w kontekście optymalizacji?
Wybiera losowe rozwiązanie i sprawdza, czy jest lepsze od obecnego
Wykonuje kroki w kierunku najszybszego wzrostu wartości funkcji celu
Wykonuje kroki w kierunku najwolniejszego spadku wartości funkcji celu
W każdej iteracji losuje nowe rozwiązanie i je akceptuje
Pytanie 60
Czym jest fenotyp w algorytmach ewolucyjnych?
Zakodowana informacja o osobniku
Punkt w przestrzeni kodów genetycznych
Informacja o zachowaniu osobnika
Zapis genotypu
Pytanie 61
Co oznacza proces dobierania w algorytmach ewolucyjnych?
Losowe wybieranie osobników z populacji
Losowa mutacja genów
Wybór jednostek najlepiej przystosowanych do środowiska
Tworzenie nowych jednostek
Pytanie 62
Czym jest mutacja w algorytmach ewolucyjnych?
Proces dobierania najlepszych jednostek
Tworzenie nowej populacji osobników
Losowa zmiana jednego genu
Proces oceny przystosowania jednostek
Pytanie 63
Co to jest genotyp w kontekście algorytmów ewolucyjnych?
Informacja o zachowaniu osobnika
Funkcja określająca stopień przystosowania osobnika do środowiska
Zakodowana informacja o osobniku
Zapis genotypu
Pytanie 64
Jakie są zastosowania algorytmów ewolucyjnych?
Wspomaganie nawigacji
Harmonogramowanie zadań
Wspomaganie podejmowania decyzji
Wszystkie z wymienionych
Pytanie 65
Co to jest reprodukcja w algorytmach ewolucyjnych?
Proces oceny przystosowania
Proces tworzenia nowych jednostek
Proces łączenia się jednostek
Proces mutacji
Pytanie 66
Jakie są operatory genetyczne w algorytmach ewolucyjnych?
Wszystkie wymienione
Krzyżowanie
Mutacja
Dobór
Pytanie 67
Co oznacza ocena w algorytmach ewolucyjnych?
Mutacja genów
worzenie populacji tymczasowej
Proces oceny przystosowania jednostek w populacji
Tworzenie nowej populacji
Pytanie 68
Czym jest kryterium minimalnej szybkości poprawy w algorytmach ewolucyjnych?
Algorytm jest zatrzymywany po osiągnięciu określonej liczby generacji
Monitorowanie rozwiązań generowanych przez algorytm
Algorytm zatrzymuje się po przekroczeniu maksymalnego kosztu
Algorytm jest zatrzymywany, gdy w kilku kolejnych iteracjach nie uda się poprawić wyniku
Pytanie 69
Co to jest sukcesja w algorytmach ewolucyjnych?
Proces wyboru nowej populacji bazowej
Proces tworzenia nowych jednostek
Proces mutacji
Proces oceny przystosowania
Pytanie 70
Jaki jest główny cel mutacji w algorytmach ewolucyjnych?
Usunięcie najgorszych jednostek
Poprawa szybkości przystosowania jednostek
Utworzenie identycznych kopii jednostek
Zwiększenie różnorodności w populacji
Pytanie 71
Co to jest krzyżowanie w algorytmach ewolucyjnych?
Modyfikacja jednego genu
Ocena funkcji przystosowania
Mieszanie genów co najmniej dwóch osobników
Tworzenie nowych jednostek
Pytanie 72
Co to jest kryterium zadowalającego poziomu funkcji przystosowania w algorytmach ewolucyjnych?
Znalezienie osobnika, którego wartość funkcji przystosowania jest większa od wartości minimalnej
Algorytm zatrzymuje się po przekroczeniu maksymalnego kosztu
Monitorowanie rozwiązań generowanych przez algorytm
Proces mutacji
Pytanie 73
Co oznacza krzyżowanie uśredniające w algorytmach ewolucyjnych?
Wartość każdego genu chromosomów potomnych to liczba pomiędzy największą i najmniejszą wartością genów chromosomów rodzicielskich
Oddziaływanie na wartości genów chromosomów
Mieszanie genów co najmniej dwóch osobników
Zwiększenie populacji
Pytanie 74
Jakie są metody selekcji wykorzystywane w reprodukcji w algorytmach ewolucyjnych?
Tylko reprodukcja turniejowa
Tylko reprodukcja progowa
Reprodukcja rangowa, progowa, ruletkowa i turniejowa
Tylko reprodukcja rangowa
Pytanie 75
Co oznacza sukcesja z częściowym zastępowaniem w algorytmach ewolucyjnych?
Nie istnieje coś takiego
Ma zapewnić przeżycie najlepszego osobnika
W częściowym zastępowaniu nową populację bazową staje się populacja potomna
Nowa populacja bazowa wybierana jest spośród dotychczasowej populacji bazowej oraz populacji potomnej
Pytanie 76
Co charakteryzuje strategię (1 + 1)?
Generowanie wielu chromosomów na krok i mutacja X^t
Losowe wybieranie chromosomów Y^t
Przechodzenie do kolejnego kroku wybierając Y^t
Generowanie jednego chromosomu na krok i mutacja X^t
Pytanie 77
Co wprowadza strategia (μ + λ) w stosunku do strategii (1 + 1)?
Samoczynną adaptację zasięgu mutacji
Regułę selekcji ⅕
Zwiększenie liczby chromosomów w każdym kroku
Usunięcie operatora krzyżowania
Pytanie 78
Co charakteryzuje strategię z pamięcią?
Brak pamięci w strategii ewolucyjnej
Każdy osobnik ma zapamiętane poprzednie generacje
Każdy osobnik ma pamięć z wartościami innych osobników
Posiadanie pamięci przez każdego osobnika
Pytanie 79
Co to oznacza, że strategia używa przeszukiwania z tabu w algorytmach ewolucyjnych?
Stałe zamykanie wybranych rozwiązań
Zabranianie osobnikom oddalania się od siebie
Ograniczenie ruchu osobników na planszy
Wprowadzenie zakazu odwiedzania pewnych rozwiązań przez określony czas
Pytanie 80
Co oznacza podział na podpopulacje w algorytmach ewolucyjnych?
Podział jednej populacji na mniejsze grupy
Wydzielanie osobników na podstawie ich cech
Stałe łączenie wybranych osobników w pary
Stosowanie różnych metod selekcji dla osobników
Pytanie 81
Jaka jest funkcja sąsiedztwa w modelu dyfuzyjnym?
Pomoc w dyfuzji informacji między osobnikami
Ograniczenie interakcji między jednostkami
Nakładanie się sąsiedztw dla zwiększenia populacji
Wybór jednostek, które są z siebie najbardziej oddalone
Pytanie 82
Jakie elementy są brane pod uwagę w strategii z płcią w algorytmach ewolucyjnych?
Reguły zabraniające łączenia się osobników
Stałe unikanie krzyżowania się osobników tej samej płci
Wszystkie osobniki łączą się tylko raz
Uwzględnienie relacji rodzinnych
Pytanie 83
Jakie są warstwy systemu odpornościowego?
Skóra, odporność nieswoista, limfocyty, antygeny
Skóra, czynniki fizjologiczne, odporność nieswoista, odporność swoista
Skóra, czynniki fizjologiczne, limfocyty, antygeny
Skóra, odporność nieswoista, odporność swoista, limfocyty
Pytanie 84
Jakie cechy posiada odporność swoista w systemie immunologicznym?
Jest układem przechowującym informacje o rozpoznanych wcześniej antygenach
Jest układem eliminującym komórki obce od ciała
Jest układem przechowującym informacje o rozpoznanych wcześniej antygenach oraz adaptacyjnym, który rozpoznaje nowo pojawiające się antygeny
Jest układem adaptacyjnym, który rozpoznaje nowo pojawiające się antygeny
Pytanie 85
Jakie są operatory w algorytmie hybrydowym z operatorem wiekowania w sztucznych systemach immunologicznych?
Klonowania, mutacja punktowa, mutacja wielopunktowa
Wiekowanie, eliminacja rozwiązań, przeszukiwanie lokalne
Mutacja punktowa, hipermutacja, wiekowanie
Selekcja, klonowanie, mutacja probabilistyczna
Pytanie 86
Co oznacza kolorowanie grafu w kontekście sztucznych systemów immunologicznych?
Reprezentacja komórek immunologicznych w postaci listy obiektów
Przykład działania odporności swoistej
Minimalna liczba kolorów potrzebna do pokolorowania grafu
Przydzielanie kolorów wierzchołkom, tak aby sąsiadujące wierzchołki miały różne kolory
Pytanie 87
Czym jest selekcja negatywna w algorytmach sztucznych systemów immunologicznych?
Wykrywanie zmian w danych spowodowanych wirusami komputerowymi
Eliminacja komórek, które rozpoznają własne struktury
Generacja populacji początkowej przeciwciał
Przeliczenie stopnia przystosowania przeciwciał
Pytanie 88
Co reprezentuje wiekowanie w hybrydowym algorytmie immunologicznym w sztucznych systemach immunologicznych?
Generacja populacji początkowej przeciwciał
Eliminacja komórek, które rozpoznają własne struktury
Przeliczenie stopnia przystosowania przeciwciał
Symulacja śmierci komórek systemu immunologicznego