Übersicht. Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 1
|
|
- Simon Hase
- vor 5 Jahren
- Abrufe
Transkript
1 Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI Lernen VII Kommunizieren, Wahrnehmen und Handeln Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 1
2 Einfacher Problemlösungsagent 1. Schritt: Zielformulierung 2. Schritt: Problemformulierung 3. Schritt: Problemlösen durch Suche Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 2
3 Wissen und Problemtypen - Probleme mit Einfach-Zuständen: Agent weiß genau, in welchem Zustand er ist (zugängliche Umgebung) und was seine Aktionen tun (deterministische Umgebung). - Probleme mit Mehrfach-Zuständen (teilweise unzugängliche oder indeterministische Umgebung): Agent weiß nicht genau seinen Zustand in Umgebung oder die Effekte seiner Aktionen. - Zufall-Probleme (Kontingenz-Probleme) (teilweise unzugängliche und indeterministische Umgebung): Agent kann nur lokale Informationen erkennen. - Explorations-Probleme: Agent muss erst lernen, welche Zustände es gibt und was seine Aktionen bewirken. Probleme mit Einfach & Mehrfach-Zuständen lassen sich mit Suchverfahren lösen, die Sequenz von Aktionen liefern; Kontingenzprobleme erfordern stattdessen Aktionsbäume. Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 3
4 Begriffsdefinitionen für Einfach-Probleme Problem: Menge von Informationen, die der Agent für seine Entscheidung nutzt, was zu tun ist. Datentyp Problem hat 4 Komponenten: (Anfangszustand, Operatoren, Zieltest, Pfad-Kosten) Anfangszustand: Aktueller Zustand, in dem sich der Agent befindet Operator (Aktion): liefert zu Zustand erreichbare Nachfolgezustände. Zustandsraum: alle vom Anfangszustand erreichbaren Zustände. Pfad: Folge von hintereinander ausführbaren Operatoren Zieltest: auf einen Zustand anwendbarer Test, der das Ziel erkennt. Pfad-Kosten (g): akkumulierte Kosten eines Pfades Lösung: Pfad vom Anfangszustand zu einem Ziel. Bei Mehrfachproblemen müssen nur Einzelzustände durch Zustandsmengen ersetzt werden. Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 4
5 Beispiel: Strassenkarte von Rumänien Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 5
6 Performanzmaß Gesamtkosten: Suchkosten + Pfadkosten in Robotik auch: Offline-Kosten + Online-Kosten. Bemerkung: oft schwierig zu verrechnen. Beispiel: Wie lange soll man seine Reiseroute planen? versus Wieviel kostet die Umsetzung des Planes? Genauere Planung kann mehr Zeit kosten als sie erspart! Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 6
7 Problemlösende Agenten Klasse der zielorientierten Agenten Beispiel: Agent ist in einer fremden Stadt und will zurück 1. Ziel-Formulierung: Heimatstadt erreichen. 2. Problem-Formulierung: Aktionen entsprechen dem Fahren von einer Stadt zur nächsten. 3. Wissen: Karte mit Städten 4. Vorgehensweise: Suche: Überprüfen verschiedener Aktionssequenzen, ob sie zum Ziel führen. Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 7
8 Aufbau eines Suchbaumes Anfangszustand: Agent ist in Arad. Operator (Aktion): erreichbaren Nachbarstädte einer Stadt Zustandsraum: alle vom Anfangszustand erreichbaren Zustände. Pfad: z.b.: Arad Sibiu Fagaras Zieltest: Ist Agent in Bukarest? Pfad-Kosten (g): Summe der Operatorkosten (Entfernung) des Pfades Lösung: Arad Sibiu Fagaras Bucharest (Optimalität???) Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 8
9 Auswahl von Zuständen und Aktionen "The real art of problem solving is in deciding what goes into the description of the states and operators and what is left out." Abstraktion erforderlich. Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 9
10 Beispielprobleme Spielprobleme: 8-Puzzle 8-Damen-Problem Staubsauger-Welt Missionare und Kannibalen Reale Probleme: Wegeplanung Problem des Handelsreisenden VLSI-Layout (Cell Layout und Channel Routing) Roboter Navigation Montage-Reihenfolge-Planung Proteine: Aminosäuren-Sequenz für bestimmte 3-D-Faltung Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 10
11 8 - Puzzle Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 11
12 8-Damen-Problem Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 12
13 Zustandsraum für Staubsaugagenten Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 13
14 Suchbaum für Staubsaugagenten Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 14
15 Suchbaum für Staubsaugagenten ohne Sensoren Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 15
16 Missionare & Kannibalen - Problem (Beispiel) Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 16
17 Suche am Beispiel der Weg-Suche in Rumänien Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 17
18 Partieller Suchbaum für Pfadsuche Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 18
19 Suchalgorithmus Idee: Suchbaum, in dem jeweils ein Knoten expandiert wird. Datenstruktur für Knoten: (Zustand, Elter-Knoten, Operator, Tiefe, Pfadkosten) Suchgrenze: Menge der Knoten, die auf Expansion warten. Implementierung als Schlange mit den Operatoren: make-queue: (Elemente) -> Schlange empty?: (Schlange) -> Bool remove-front: (Schlange) -> [erstes] Element queuing-fn: (Elemente, Schlange) -> Schlange Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 19
20 Allgemeiner Suchalgorithmus Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 20
21 Evaluationskriterien von Suchstrategien Evaluationskriterien: Vollständigkeit Laufzeitkomplexität Speicherplatzkomplexität Lösungs-Optimalität Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 21
22 Suchstrategien Uninformierte (blinde) vs informierte (heuristische) Suche 6 Strategien zur uninformierten Suche: - Breitensuche - Kostensuche - Tiefensuche - Begrenzte Tiefensuche - Iterative Tiefensuche - Bidirektionale Suche Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 22
23 Breitensuche Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 23
24 Beispiel Kostensuche Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 24
25 Tiefensuche Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 25
26 Beispiel für iterative Tiefensuche Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 26
27 Iterative Tiefensuche Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 27
28 Bidirektionale Suche Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 28
29 Vergleich verschiedener Suchstrategien Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 29
30 Mehrfachbesuch von Knoten Bsp.: In Gitter-ähnlichen lohnt sich das Vermeiden von Mehrfachbesuchen von Knoten! (grün: alle in 2 Schritte erreichbaren Knoten) Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 30
31 Vermeidung des Mehrfachbesuchs 3 Strategien mit steigender Effektivität und Aufwand: 1. Kehre nicht zu dem Zustand zurück, aus dem man gekommen ist. 2. Vermeide Zyklen im Pfad ( prüfe, ob neuer Zustand schon in dem bisherigen Pfad enthalten ist). 3. Vermeide, einen Zustand mehrfach zu generieren ( erfordert Speicherung aller Zustände; Speicherkomplexität: b d ; problematisch für Tiefensuche) Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 31
32 Graphsuche (vermeidet Mehrfachbesuche) Closed: Liste aller besuchten Knoten; jeder weitere Besuch wird ignoriert; falls ein zweiter Besuch auf kürzerem Pfad möglich ist (z.b. bei Tiefensuche; nicht bei Kostensuche), dann müssen zusätzlich Pfadkosten gemerkt werden. Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 32
Einfacher Problemlösungsagent. Übersicht. Begriffsdefinitionen für Einfach-Probleme
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
MehrWissensbasierte Systeme 3. Problemlösen durch Suche
Wissensbasierte Systeme 3. Problemlösen durch Suche Problemlösende Agenten, Problemformulierungen, Suchstrategien Michael Beetz Plan-based Robot Control 1 Inhalt 3.1 Problemlösende Agenten 3.2 Problemformulierungen
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 6. Klassische Suche: Datenstrukturen für Suchalgorithmen Malte Helmert Universität Basel 7. März 2014 Klassische Suche: Überblick Kapitelüberblick klassische Suche:
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune {rudolf.kruse,christian.braune}@ovgu.de Institut für Intelligente Kooperierende Systeme Fakultät für Informatik Otto-von-Guericke-Universität
MehrÜbungsblatt 2 Lösungen
Grundlagen der Künstlichen Intelligenz Prof. Dr. M. Bennewitz, Prof. Dr. W. Burgard, Dr. M. Ragni N. Abdo, Dr. J. Boedecker, M. Göbelbecker, J. Hess Sommersemester 2013 Universität Freiburg Institut für
MehrWissensbasierte Systeme. Kombinatorische Explosion und die Notwendigkeit Heuristischer Suche. Heuristiken und ihre Eigenschaften
1 Michael Beetz Technische Universität München Wintersemester 2004/05 Kombinatorische Explosion und die Notwendigkeit Heuristischer Suche 2 3 der Eigenschaften der 4 : 8-Puzzle 5 Heuristiken und ihre Eigenschaften
Mehr3. Problemlösen durch Suche
3. Problemlösen durch Suche Problemlösende Agenten sind zielorientierte Agenten. Zielformulierung Fokussierung des möglichen Verhaltens unter Berücksichtigung der aktuellen Situation Problemformulierung
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 3: Suchverfahren Informierte Suche 1/78 WIEDERHOLUNG Bislang uninformierte Strategien BFS, DFS, Iteratives Vertiefen, Bidirektionale Suche Wichtige Begriffe: Suchraum,
Mehr8.1 Blinde Suche. Grundlagen der Künstlichen Intelligenz. Klassische Suche: Überblick. 8. Klassische Suche: Breitensuche und uniforme Kostensuche
Grundlagen der Künstlichen Intelligenz 17. März 2014 8. Klassische Suche: Breitensuche und uniforme Kostensuche Grundlagen der Künstlichen Intelligenz 8. Klassische Suche: Breitensuche und uniforme Kostensuche
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 9. Klassische Suche: Baumsuche und Graphensuche Malte Helmert Universität Basel 13. März 2015 Klassische Suche: Überblick Kapitelüberblick klassische Suche: 5. 7.
MehrÜbersicht. Informierte (heuristische) Suche. Algorithmus Bester-Zuerst-Suche. Bester-Zuerst-Suche
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen --- Vorlesung vom 24.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation (IS) 3. Uninformierte
MehrGrundlagen der KI + Reasoning Agents
Grundlagen der KI + Reasoning Agents Prof. Thielscher Welche heuristischen Suchverfahren gibt es? Erläutern Sie A* am Beispiel. Aufbau und Schlussfolgerungen von Bayesschen Netzen. Thielscher drängt auf
MehrA O T. Grundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz Problemlösen und Suche 27.10.2005 rijnesh J Jain bjj@dai-labor.de Agententechnologien in betrieblichen Anwendungen und der Telekommunikation Lernziele: Wir diskutieren,
MehrZustände und Knoten. Vorgänger Information: Tiefe = 4 ΣKosten=4 Expandiert: ja. Zustand Aktion: right. Aktion: down
Zustände und Knoten Zustände: Schnappschüsse der Welt Knoten: Datenobjekte, welche Zustände repräsentieren und weitere Information enthalten Vorgängerknoten (im Baum 1) Nachfolgerknoten (im Baum b) mit
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 4: Suchverfahren Informierte Suche 1/132 INFORMIERTE SUCHSTRATEGIEN (ISS) Benutzt neben der Definition des Problems auch problemspezifisches Wissen. Findet Lösungen effizienter
MehrÜbersicht. 5. Spiele. I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI
MehrBeispiele. mit. Beispiel 2.3. Suche einen Weg von nach. Tiefensuche bzw. Breitensuche.
2. Suchverfahren Uninformierte Suchverfahren Beispiel 2.4. Ein Weinhändler hat drei Krüge, einen von 9 Liter, einen von 7 Liter und einen von 4 Liter Inhalt. Auf den Krügen sind keine Litermarkierungen
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen --- Vorlesung vom 19.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation (IS) 2. Intelligente
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 4: Suchverfahren Informierte Suche 1/135 WIEDERHOLUNG BISLANG... Uninformierte Strategien: bearbeiten den Suchraum systematisch, aber ohne problemspezifisches Wissen ab.
MehrStartzustand. Mögliche heuristische Funktionen:
Informierte Suchverfahren Für größere Suchbäume sind Breiten- und Tiefensuche nicht effizient genug. Vielversprechender sind Ansätze, bei denen Problemwissen zur Steuerung des Suchprozesses eingesetzt
MehrInformierte Suchverfahren
Informierte Suchverfahren Für größere Suchbäume sind Breiten- und Tiefesuche nicht effizient genug. Vielversprechender sind Ansätze, bei denen Problemwissen zur Steuerung des Suchprozesses eingesetzt wird.
MehrBeweise aus dem Fach Grundzüge der Künstlichen Intelligenz
Beweise aus dem Fach Grundzüge der Künstlichen Intelligenz Alexander Pacha TU Wien - Matr. Nr.: 0828440 alexander.pacha@tuwien.ac.at 1 Begriserklärungen Für die folgenden Beweise werden zuerst folgende
MehrZustandsraumsuche: Blinde und Heuristische Suche. Blinde und Heuristische Suche
Zustandsraumsuche: Blinde und Heuristische Suche Einführung in die KI Übungsstunde am 01.11.04 Benmin Altmeyer 1 Heute im Angebot Was ist Suche? Suche als Probemlösung Zustandsraumsuche Vollständigkeit
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen --- Vorlesung vom 21.4.2009 --- Informierte Suche Suche mit Vorwissen Ingo J. Timm, René Schumann Professur für Wirtschaftsinformatik und Simulation (IS) Wiederholung
MehrRationale Agenten Rationalität
Rationale Agenten Rationalität des Agentenverhaltens hängt ab von Performanzmaß (auf dem Ergebnis der Agentenfunktion) vorgegebenem Wissen des Agenten über die Umgebung ausführbaren Aktionen aktueller
MehrÜbersicht. Künstliche Intelligenz: 6. Spiele Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
MehrWissensrepräsentation und Problemlösung
Wissensrepräsentation und Problemlösung Vorlesung an der Technischen Universität Chemnitz Wintersemester 2004/2005 Prof. Dr. Werner Dilger Wissensrepräsentation und Problemlösung Seite 2 Inhalt Wissensrepräsentation
MehrEinführung in Suchverfahren
Einführung in Suchverfahren Alfred Kranstedt 0.0.0 Seminar Intelligente Algorithmen Was ist heute Thema?. Was ist ein Suchproblem? Definitionen, Darstellungen etc.. Suchstrategien Blinde Suche Heuristische
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Suchprobleme bestehen aus Zuständen
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse. raune. Doell {kruse,cbraune,doell}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
Mehr10.1 Blinde Suche Blinde Suche. Grundlagen der Künstlichen Intelligenz Breitensuche: Einführung BFS-Tree. 10.
Grundlagen der Künstlichen Intelligenz 13. März 2015 10. Klassische Suche: Grundlagen der Künstlichen Intelligenz 10. Klassische Suche: Malte Helmert Universität asel 13. März 2015 10.1 linde Suche 10.2
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 2: Suchverfahren Uninformierte Suche 1/143 STARKE UND SCHWACHE KI-HYPOTHESE Schwache KI-Hypothese Maschinen (Computer, Roboter,... ) können agieren, alsob sie intelligent
MehrIntelligente Systeme. Suche
Intelligente Systeme Suche Michael Schroeder www.biotec.tu-dredsen.de/schroeder Lehrbuch Folien basieren auf Russell und Norvig: Künstliche Intelligenz: Ein Moderner Ansatz. Dank an Prof. Fürnkranz für
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
MehrGraph Suchalgorithmus Uninformierte Suche Informierte Suche. Pfadsuche. Mario Mohr. GWV-Tutorium 2013/ Januar 2014
Pfadsuche Mario Mohr GWV-Tutorium 2013/14 17. Januar 2014 4 Informierte Suche Heuristik Best-first A* 1 Graph 2 Suchalgorithmus 3 Uninformierte Suche Breadth-first Loop detection & multiple-path pruning
MehrKünstliche Intelligenz
Künstliche Intelligenz 3. Suche Dr. Claudia Schon schon@uni-koblenz.de Institute for Web Science and Technologies 1 Diese Folien basieren auf den Folien von PD Dr. Matthias Thimm, Universität Koblenz-Landau,
Mehr2 Problemlösen und Suche
2 Problemlösen und Suche 4. Vorlesung: Suchprobleme und Suchalgorithmen; heuristische Suche Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2008/2009 Kernfragen der Vorlesung 1. Wie lässt sich Wissen
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 5. Klassische Suche: Beispiele von Zustandsräumen Malte Helmert Universität Basel 7. März 2014 Suchprobleme: Überblick Kapitelüberblick klassische Suche: 3. 5. Einführung
Mehr2 Problemlösen und Suche
Universität Bielefeld Was ist Problemlösen? Problemlösen und Suche. Vorlesung: Suchprobleme und Suchalgorithmen; heuristische Suche Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 003/00 Unter Problemlösen
MehrÜbungsblatt 2 Lösungen
rundlagen der Künstlichen Intelligenz Prof. Dr. J. Boedecker, Prof. Dr. W. Burgard, Prof. Dr. F. Hutter, Prof. Dr. B. Nebel M. Krawez, T. chulte ommersemester 08 Universität Freiburg Institut für Informatik
MehrHeuristische Suche. Uninformierte (blinde) Suchverfahren. erzeugen systematisch neue Knoten im Suchbaum und führen jeweils den Zieltest durch;
Heuristische Suche Uninformierte (blinde) Suchverfahren erzeugen systematisch neue Knoten im Suchbaum und führen jeweils den Zieltest durch; verwenden keine problemspezifische Zusatzinformation. Informierte
MehrSo suchen Sie zuerst nach der Breite
Künstliche Intelligenz 3. Suche Dr. Claudia Schon schon@uni-koblenz.de Institute for Web Science and Technologies 1 Diese Folien basieren auf den Folien von PD Dr. Matthias Thimm, Universität Koblenz-Landau,
Mehr3. Übung Künstliche Intelligenz
Prof. Dr. Gerd Stumme, Robert Jäschke Fachgebiet Wissensverarbeitung 3. Übung Künstliche Intelligenz 21.11.2007 Wintersemester 2007/2008 1 Suche Berechnen Sie mit dem Greedy -Suchalgorithmus den Weg von
MehrInhalt. Kognitive Systeme 1. Expansion eines impliziten Suchraums Netz aller möglichen Schritte. Impliziter Suchraum. Uninformierte Suche
Inhalt Uninformierte Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 04.11.2009 1 Implizite Suchgraphen 2 Tiefensuche 3 Breitensuche 4
MehrKognitive Systeme 1. Uninformierte Suche. Dr.-Ing. Bernd Ludwig
Kognitive Systeme 1 Uninformierte Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 04.11.2009 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kognitive
MehrVortrag. Suchverfahren der Künstlichen Intelligenz. Sven Schmidt (Technische Informatik)
Vortrag Suchverfahren der Künstlichen Intelligenz Sven Schmidt (Technische Informatik) Suchverfahren der Künstlichen Intelligenz Grundlagen Zustandsraumrepräsentation Generische Suche Bewertung von Suchstrategien
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche Prof. Dr. Manfred Schmidt-Schauß SoSe 08 Stand der Folien: 9. pril 08 Einführung Blind Search n-damen Missionare
MehrEinführung in Heuristische Suche
Einführung in Heuristische Suche Beispiele 2 Überblick Intelligente Suche Rundenbasierte Spiele 3 Grundlagen Es muss ein Rätsel / Puzzle / Problem gelöst werden Wie kann ein Computer diese Aufgabe lösen?
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune C. Doell {kruse,cbraune,doell}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
Mehr9.1 Tiefensuche. Grundlagen der Künstlichen Intelligenz. 9.1 Tiefensuche. 9.2 Iterative Tiefensuche. 9.3 Blinde Suche: Zusammenfassung
Grundlagen der Künstlichen Intelligenz 21. März 2014 9. Klassische Suche: Tiefensuche und iterative Tiefensuche Grundlagen der Künstlichen Intelligenz 9. Klassische Suche: Tiefensuche und iterative Tiefensuche
MehrUniversität Koblenz-Landau Fachbereich Informatik Klausur KI-Programmierung WS 2007/2008. Jun.-Prof. Dr. B. Beckert. 21.
Name, Vorname: Matrikel-Nr.: Studiengang: Universität Koblenz-Landau Fachbereich Informatik Klausur KI-Programmierung WS 2007/2008 Jun.-Prof. Dr. B. Beckert 21. Februar 2008 Informatik (Diplom) Computervisualistik
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 9. Klassische Suche: Tiefensuche und iterative Tiefensuche Malte Helmert Universität asel 21. März 2014 Tiefensuche Iterative Tiefensuche linde Suche: Zusammenfassung
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche PD Dr. David Sabel SoSe 0 Stand der Folien:. pril 0 Einführung Blind Search n-damen Missionare & Kannibalen Modellierung
MehrWissensbasierte Systeme
WBS5 Slide 1 Wissensbasierte Systeme Vorlesung 5 vom 17.11.2004 Sebastian Iwanowski FH Wedel WBS5 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien
MehrÜbersicht. 7. Prädikatenlogik 1. Stufe
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern 6. Logisch schließende Agenten 7. Prädikatenlogik 1. Stufe 8. Entwicklung einer Wissensbasis 9. Schließen in der Prädikatenlogik
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2008/2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln 8-Damen-Problem Gegeben: Schachbrett
MehrÜbersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit)
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern 7. Logische Agenten 8. Prädikatenlogik 1. Stufe 9. Schließen in der Prädikatenlogik 1. Stufe 10. Wissensrepräsentation IV
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 14. Klassische Suche: IDA Malte Helmert Universität Basel 31. März 2014 Klassische Suche: Überblick Kapitelüberblick klassische Suche: 3. 5. Einführung 6. 9. Basisalgorithmen
MehrWissensbasierte Suche
Wissensbasierte Suche Jürgen Dorn Inhalt uninformierte Suche wissensbasierte Suche A* und IDA* Algorithmus Suche in Und/Oder-Graphen Jürgen Dorn 2003 Wissensbasierte Suche 1 Suche Suche in (expliziten
MehrMotivation für Suchverfahren. Einführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Motivation für Suchverfahren Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche Prof. Dr. Manfred Schmidt-Schauß SoSe 06 Beispiele: Spiele: Suche nach dem besten
Mehr13.1 Einführung Einführung. Grundlagen der Künstlichen Intelligenz Gierige Bestensuche 13.3 A Weighted A. 13.
Grundlagen der Künstlichen Intelligenz 31. März 2014 13. Klassische Suche: Gierige Bestensuche, A, Weighted A Grundlagen der Künstlichen Intelligenz 13. Klassische Suche: Gierige Bestensuche, A, Weighted
MehrSmart Graphics: Methoden 2 Suche
Smart Graphics: Methoden 2 Suche Vorlesung Smart Graphics LMU München Medieninformatik Butz/Boring Smart Graphics SS2007 Methoden: Suche Folie 1 Themen heute Smart Graphics Probleme als Suchprobleme Suchverfahren
MehrLösungshinweise zu Blatt 8 und Blatt 9 GIN2-SS04
Lösungshinweise zu Blatt 8 und Blatt 9 GIN2-SS04 er Baum zum Zustandsgraphen UI UI 0 1 2 3 4 UI 5 6 7 8 UI UI UI UI UI 9 0 1 2 3 4 5 6 7 9 K30 K31 K32 K33 K35 K36 K37 K38 K39 K41 K42 K43 K44 K45 8 K34
Mehr2. Erläutern Sie, wie sich ein Agent von einem typischen Transformationsprogramm unterscheidet.
1 Rationale Agenten 1. Was ist ein Agent? Beispiele? 2. Erläutern Sie, wie sich ein Agent von einem typischen Transformationsprogramm unterscheidet. 3. Zeichnen Sie ein Blockdiagramm, das die Interaktion
MehrHeuristische Suchverfahren
Heuristische Suchverfahren Suchprozesse sind ein wichtiger Bestandteil unterschiedlicher Problemlöseverfahren z.b. Bestimmung der Konfliktmenge in Produktionssystemen Suche nach resolvierbaren Klauseln
MehrEinführung in die Künstliche Intelligenz SS 18 Prof. Dr. J. Fürnkranz, Prof. Dr. K. Kersting
Einführung in die Künstliche Intelligenz SS 8 Prof. Dr. J. Fürnkranz, Prof. Dr. K. Kersting Beispiellösung für das. Übungsblatt (5.05.208) Aufgabe Agenten-Umgebung a) Eine beispielhafte PEAS-Beschreibung
MehrSmart Graphics: Search 1
Smart Graphics: Search 1 Lecture Smart Graphics Andreas Butz 23.11.2010 1 Über den Studiengang und das Forschungsgebiet Medieninformatik informieren Studenten, Interessenten sowie deren Familie und Freunde
MehrTechnische Universität Berlin Fakultät IV - Elektrotechnik und Informatik. Schriftlicher Test - Teilklausur 1
Technische Universität Berlin Fakultät IV - Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen WS 2012/2013 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher Test -
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Moewes G. Ruß {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrEinführung in die Methoden der Künstlichen Intelligenz. Klausurvorbereitung Überblick, Fragen,...
Einführung in die Methoden der Künstlichen Intelligenz Klausurvorbereitung Überblick, Fragen,... PD Dr. David Sabel SoSe 2014 Stand der Folien: 18. Juli 2014 Klausur Termin: Donnerstag 31. Juli um 9.15h
MehrKapitel 3: Problemformulierungen in der KI. oder das Problem ist die halbe Lösung
Kapitel 3: Problemformulierungen in der KI oder das Problem ist die halbe Lösung Lernziele: eine Struktur für die Definition eines problemlösenden Agenten kennen die wichtige Rolle von Abstraktionen in
MehrTechnische Universität Berlin Fakultät IV - Elektrotechnik und Informatik. Schriftlicher Test - Teilklausur
Klausur Künstliche Intelligenz: Grundlagen und Anwendungen, WiSe 2009 Seite 2 von 16 Technische Universität Berlin Fakultät IV - Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen
MehrI. II. I. II. III. IV. I. II. III. I. II. III. IV. I. II. III. IV. V. I. II. III. IV. V. VI. I. II. I. II. III. I. II. I. II. I. II. I. II. III. I. II. III. IV. V. VI. VII. VIII.
Mehrals Bewertungsfunktion g(n) eines Knotens n wird der tatsächliche Weg vom Startzustand zu diesem Knoten benutzt
5 Suche 12. Vorlesung: Bestensuche; Goal Trees best-first search einfache Bestensuche: als Bewertungsfunktion g(n) eines Knotens n wird der tatsächliche Weg vom Startzustand zu diesem Knoten benutzt Bewertungsfunktion
MehrWas versteht man unter Intelligenz
Was versteht man unter Intelligenz keine allgemein gültige Definition! unterschiedliche Definitionsansätze (Medizin,Philosophie,etc.) Persönliche Definition: Das aktive Wahrnehmen von Äußeren Einflüssen,
MehrAufgabe 1 (Allgemeines)
Klausur... Einführung in die Künstliche Intelligenz 1SS08 Aufgabe 1 (Allgemeines) (4 Punkte) a) In der Künstlichen Intelligenz unterscheidet man symbolische und subsymbolische Verfahren. Beschreibe diese
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 16. Klassische Suche: A : Optimalität, Teil II Malte Helmert Universität Basel 4. April 2014 Klassische Suche: Überblick Kapitelüberblick klassische Suche: 3. 5.
MehrGrundlagen der KI 1. Einführung
Grundlagen der KI 1. Einführung Organisatorisches, KI in Freiburg, Motivation, Geschichte, Herangehensweisen, Beispiele Wolfram Burgard 1 Vorlesungsunterlagen Die Vorlesung orientiert sich an: Artificial
MehrKünstliche Intelligenz. Andreas Breckheimer
Künstliche Intelligenz Andreas Breckheimer Was versteht man unter Intelligenz Keine Allgemein gültige Definition! Verschiedene Wissenschaften geben Definitionsansätze (Medizin,Philosophie,etc.) Persönliche
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 4. Einführung: Umgebungen und Problemlösungsverfahren Malte Helmert Universität Basel 2. März 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
MehrÜbersicht. Künstliche Intelligenz: 13. Unsicherheiten Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen 13. Unsicherheiten 14. Probabilistisches Schließen 15. Probabilistisches
MehrKünstliche Intelligenz
Künstliche Intelligenz Übungsblatt #1 Modellierung & Suche Prof. Dr. J. Fürnkranz, Dr. G. Grieser Aufgabe 1.1 Wir betrachten folgende Welt: Welt: Die Welt der Staubsauger-Akteure besteht aus Räumen, die
MehrTeil 3. Suchverfahren
Teil 3 Suchverfahren Überblick Suchproblem Allgemeines Suchverfahren Nicht informierte Suche Informierte Suche Iterative Suche Spiele Beispiel 1 Beispiel 1 Beispiel 1 SUCHPROBLEME Problemlösen durch Suche
Mehr6. Spiele Arten von Spielen. 6. Spiele. Effizienzverbesserung durch Beschneidung des Suchraums
6. Spiele Arten von Spielen 6. Spiele Kombinatorische Spiele als Suchproblem Wie berechnet man eine gute Entscheidung? Effizienzverbesserung durch Beschneidung des Suchraums Spiele mit Zufallselement Maschinelles
Mehr12. AuD Tafelübung T-C3
12. AuD Tafelübung T-C3 Simon Ruderich 2. Februar 2011 Kollisionen (Primär)Kollision Stelle mit normal eingefügtem Element schon belegt (gleicher Hashwert) tritt bei verketteten Listen und Sondierung auf
MehrPro Informatik 2009: Objektorientierte Programmierung Tag 18. Marco Block-Berlitz, Miao Wang Freie Universität Berlin, Institut für Informatik
Tag 18 Marco Block-Berlitz, Miao Wang Freie Universität Berlin, Institut für Informatik 09.09.2009 Agenda Tag 16 Datenstrukturen Abstrakte Datentypen, ADT Folge: Stack, Queue, Liste, ADT Menge: Bäume:
MehrSequentielle Entscheidungsprobleme. Übersicht. MDP (Markov Decision Process) MDP und POMDP. Beispiel für sequentielles Planungsproblem
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen 13. Unsicherheiten 14. Probabilistisches Schließen 15. Probabilistisches
MehrReinforcement Learning
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Reinforcement Learning Uwe Dick Inhalt Problemstellungen Beispiele Markov Decision Processes Planen vollständige MDPs Lernen unbekannte
MehrÜbersicht. 9. Schließen in der Prädikatenlogik 1. Stufe
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern 6. Logisch schließende Agenten 7. Prädikatenlogik 1. Stufe 8. Entwicklung einer Wissensbasis 9. Schließen in der Prädikatenlogik
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Graphen 9/1 Begriffsdefinitionen Ein Graph besteht aus Knoten und Kanten. Ein Knoten(Ecke) ist ein benanntes Objekt. Eine Kante verbindet zwei Knoten. Kanten haben ein Gewicht
MehrÜbersicht. 16. Treffen einfacher Entscheidungen
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen 14. Unsicherheiten 15. Probabilistische Inferenzsysteme 16. Treffen
MehrDer intelligente Hamster
Der intelligente Hamster + Johannes Arz 1/17 Gliederung 1. Motivation 2. Modellbildung 3. Das Hamster-Modell 4. Grundlagen der Künstlichen Intelligenz 5. Das Problem der Wasserkrüge 6. Das Labyrinth und
MehrIntelligente Systeme
Intelligente Systeme Spiele Prof. Dr. R. Kruse C. Braune {rudolf.kruse,christian,braune}@ovgu.de Institut für Intelligente Kooperierende Systeme Fakultät für Informatik Otto-von-Guericke Universität Magdeburg
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen 13. Übung minimale Spannbäume, topologische Sortierung, AVL-Bäume Clemens Lang Übungen zu AuD 4. Februar 2010 Clemens Lang (Übungen zu AuD) Algorithmen und Datenstrukturen
MehrSeminararbeit. Thema : Suchverfahren. Autor : Sven Schmidt
Seminararbeit Thema : Suchverfahren Autor : Sven Schmidt ii4765, FH-Wedel Inhalt 1. Grundlagen 1.1. Problemlösen als Suche 1.2. Generische Suche 1.3. Bewertung von Suchstrategien 2. Uninformierte Suchverfahren
MehrWissensbasierte Systeme
WBS3 Slide 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 3: Algorithmische Grundlagen der KI WBS3 Slide 2 Suchstrategien Warum sind Suchstrategien so wichtig in Wissensbasierten Systemen?
MehrWissensbasierte Systeme
WBS4 Slide 1 Wissensbasierte Systeme Vorlesung 4 vom 03.11.2004 Sebastian Iwanowski FH Wedel WBS4 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien
Mehr