Wyniki 1-10 spośród 92 dla zapytania: authorDesc:"Mirosław Gajer"

O historii i niezbyt świetlanej przyszłości tradycyjnych żarówek

Czytaj za darmo! »

Historia dobrze znanej wszystkim tradycyjnej żarówki rozpoczęła się wraz z wynalazkiem (dokonanym przez Tomasa Alvę Edisona), który datowany jest na 19 października 1879 roku. Zaledwie rok później, 1 października 1880 roku, Edison wraz z kilkoma innymi naukowcami założył już pierwszą fabrykę żarówek. W tym samym roku patent na żarówkę zgłosił brytyjski uczony Joseph Wilson Swan, jednak pierwszeństwo tego wynalazku, wraz z prawami patentowymi, zostało przyznane Edisonowi, który - jak się okazało - wyprzedził Swana o trzy miesiące. Z kolei w 1883 roku Swan uzyskał dodatkowy patent na opracowaną przez siebie metodę produkcji udoskonalonych włókien żarówkowych o znacznie większej trwałości [1]. W kontekście rozważań nad historią wynalazku żarówki i jej zastosowaniami, interesując[...]

Harmonogramowanie współpracy elektrowni solarnej z elektrownią szczytowo-pompową


  Światowa produkcja energii elektrycznej oraz energii występującej pod innymi postaciami (paliwa stałe, ciekłe i gazowe oraz energia cieplna) oparta jest w większości na wykorzystaniu naturalnych paliw kopalnych, do których zalicza się pokłady węgla kamiennego i brunatnego, a także złoża ropy naftowej i gazu ziemnego. Całkowite światowe zasoby wymienionych surowców kopalnych podlegają różnego rodzaju oszacowaniom, które znacznie się różnią w przypadku poszczególnych opracowań. Na przykład w pracy [2] można znaleźć następujące dane co do wielkości całkowitych zasobów poszczególnych surowców kopalnych: węgiel kamienny - 8000 mld ton, węgiel brunatny i torf - 2000 mld ton, ropa naftowa - 350 mld ton, gaz ziemny - 300 mld ton. Jak widać, do wydobycia pozostaje jeszcze ponad 10 000[...]

Analiza wpływu procesu uczenia na tempo ewolucji w przypadku wielomodalnej funkcji celu

Czytaj za darmo! »

Ewolucja oraz uczenie się są dwoma głównymi procesami rozpatrywanymi w ramach badań nad systemami sztucznej inteligencji. Jest od dawna znanym faktem, że proces uczenia może prowadzić do przyspieszenia bądź spowolnienia przebiegu zmian ewolucyjnych, jednak wciąż brak jest solidnej teorii opisującej w sposób ilościowy rozważane zjawiska. Pewne rezultaty zostały uzyskane jedynie w przypadku monotonicznej funkcji celu. W artykule pokazano, w oparciu o przeprowadzone eksperymenty numeryczne polegające na poszukiwaniu rozwiązania optymalnego, że również w przypadku wielomodalnej funkcji celu zastosowanie uczenia prowadzi do istotnego przyspieszenia tempa ewolucji. Abstract. The evolution and learning are two main processes that are examined in the domain of artificial intelligence systems.[...]

Zastosowanie algorytmu ewolucyjnego do minimalizacji strat występujących w liniach przesyłowych


  Algorytmy ewolucyjne stanowią technikę obliczeniową, która może być wykorzystywana z dużym powodzeniem do rozwiązywania wszelkich zagadnień natury optymalizacyjnej [2]. Znane są liczne przykłady wykorzystania algorytmów ewolucyjnych w zagadnieniach analizy różnego typu złożonych systemów, gdzie pozwalają one na dokonanie optymalnego wyboru zestawu parametrów mających kluczowy wpływ na pracę systemu. Algorytmy ewolucyjne są także wykorzystywane do zadań związanych z syntezą różnego typu układów, ponieważ pozwalają na optymalne ustalenie postaci ich wewnętrznej struktury [1, 3, 4, 9, 12]. Można też podać wiele przykładów zastosowania algorytmów ewolucyjnych w dziedzinach takich jak elektrotechnika, elektronika czy elektroenergetyka, m.in. do rozwiązywania zagadnienia optymalnego[...]

Badanie wpływu procesu uczenia na zachowanie się systemów ewolucyjnych z monotoniczną funkcją dopasowania


  Obecnie coraz powszechniejsze zastosowania w różnych dziedzinach nauki i techniki znajdują systemy sztucznej inteligencji [1]. Do tej szerokiej klasy niekonwencjonalnych systemów obliczeniowych zaliczane są, między innymi, różnego typu sztuczne sieci neuronowe [2], algorytmy genetyczne i systemy ewolucyjne [3] oraz systemy wnioskowania rozmytego [4]. Powszechnie spotykane są też różnego rodzaju hybrydy powstałe z połączenia rozważanego typu systemów, gdzie na przykład algorytmy genetyczne stosowane są do uczenia sztucznych sieci neuronowych, których zmienne wejściowe mogą być dodatkowo poddawane fuzyfikacji [5]. Wzajemne połączenie technik obliczeniowych, sztucznych sieci neuronowych, algorytmów genetycznych i logiki rozmytej ma prowadzić w konsekwencji do opracowania tzw. inteligentnych systemów obliczeniowych [6], stanowiących rozwinięcie tradycyjnych systemów ekspertowych [7]. Do nieco mniej popularnych, ale również znajdujących coraz szersze zastosowania technik sztucznej inteligencji, zalicza się także tzw. algorytmy rojowe, w celu opracowania których inspirację czerpano z obserwacji zachowań kolonii owadów (głównie mrówek i pszczół) [8]. Inną niezwykle interesującą klasę systemów obliczeniowych, zaliczanych do obszaru sztucznej inteligencji, stanowią tzw. algorytmy immunologiczne, których działanie jest bardzo podobne do zasad funkcjonowania systemu odpornościowego organizmów żywych [9]. W wymienionych systemach zaliczanych do dziedziny sztucznej inteligencji dwoma zasadniczymi procesami są ewolucja zachodząca w obrębie populacji oraz zdolność do uczenia się osobników. Pomimo że w przypadku systemów biologicznych skale czasowe, w których rozpatrywane są procesy ewolucyjne (zachodzą na przestrzeni życia wielu pokoleń osobników tworzących populację) oraz proces uczenia (odbywa się w czasie życia poszczególnych osobników), bardzo różnią się swym zakresem, to jednak okazuje się, że oba procesy mogą wzajemnie oddziaływać[...]

 Strona 1  Następna strona »