dientdannzurklassikationneuerproblemstellungenunddamitzurbestimmungeinerspeziellsten
|
|
- Benedict Hausler
- vor 8 Jahren
- Abrufe
Transkript
1 LernenvonAbstraktionshierarchienzurOptimierungderAuswahl vonmaschinellabstrahiertenplanen RalphBergmannundWolfgangWilke FBInformatik-AG-Richter UniversitatKaiserslautern MitHilfevon\Multistrategy"Ansatzen,dieerklarungsbasiertesundinduktivesLernenintegrieren,ist esmoglich,dieperformanzvonplanungssystemensignikantzuverbessern.dabeikonnengelosteplanungsproblemezunachstmiteinemwissensintensivenverfahrenabstrahiertundgeneralisiertwerden. DurchdenindiesemBeitragimVordergrundstehendeninduktiveninkrementellenLernalgorithmusist esdannweiterhinmoglich,diegesamtheitdesdeduktivgeneriertenwissensineinerabstraktionshier Kaiserslautern Zusammenfassung Postfach3049 ImBereichdesMaschinellenLernenssindbislangeinigeAnsatzeuntersuchtworden,umdurchLernen archieanzuordnen.dabeiwirddie,imallgemeinenunentscheidbare,\spezieller-als-relation"zwischen dieleistungsfahigkeitvonplanungssystemenzuerhohen.daeinesderzentralenproblemebeiderpla- 1EinleitungundMotivation anwendbarenabstraktenproblemlosung. generalisiertenplanen,induktivausdengegebenenplanungsfallengelernt.dieseabstraktionshierarchie nungdiehohekomplexitatdersuchprozesseist,isteinesderhauptanliegen,geeigneteswissenzurge- dientdannzurklassikationneuerproblemstellungenunddamitzurbestimmungeinerspeziellsten daeinepureerklarungsbasiertelernstrategiehaugdaranscheitert,dadiesuchenachanwendbaren KontrollregelnaufwendigerwerdenkannalsdieSucheimProblemraumselbst.DieserEekt,wurdevon Ellman,1989]zumsogenannten\Speedup-Learning"oderzur\KnowledgeCompilation"[Fisheretal., Korf,1985;Tadepalli,1991]oderPlanskelette[FriedlandundIwasaki,1985;Bergmann,1992a]ausBeispielenoderProblemloseversuchengelerntwerdenkonnen.EshatsichjedochbeialldiesenAnsatzengezeigt, Minton[Minton,1990]auchals\Utility"Problembezeichnet. 1992]eingesetzt,mitdenenKontrollregeln[Mintonetal.,1989],Makro-Operatoren[Fikesetal.,1972; zielteneinschrankungdersuchemaschinellzuakquirieren.dainplanungsdomaneninderregelhinrei- chendesdomanenwissenvorhandenist,werdenhaugerklarungsbasierteverfahren[mitchelletal.,1986; denenverschiedenelernverfahrengeeignetkombiniertwerden,sodasicheinsynergieeektzeigt.desweiterenwurdeimmerdeutlicher,daaucheinestarkereintegrationvonlernverfahrenmitdenzugehorigedigmas[kolodner,1993;althoetal.,1992]erforderlichist. Problemloseverfahren[Plazaetal.,1993;AamodtundPlaza,1994]alsAusweitungdasfallbasiertenPara- vorgestellt,indemerklarungsbasierteslernen,abstraktion,undinduktiveslernenkombiniertwerden. HierdurchkonnenausgelostenPlanungsproblemengeneralisierteabstraktePlaneerlerntwerden,diedie KomplexitatzurLosungneuerPlanungsproblemesignikantreduzieren.HierbeiwerdendiededuktivabstrahiertenPlanedurchdieinduktiveKomponenteineinerAbstraktionshierarchieangeordnet.Indieser HierarchiesindabstraktereunddamitvielseitigeranwendbareAbstraktionenhoherangeordnetalsspeziellere.SpeziellereAbstraktionenbewirkenjedoch,fallssiefureingegebenesProblemanwendbarsind,eine starkereeinschrankungdessuchraumesalsabstraktionenaufeinenhoherenniveau.ausdiesemgrund IndiesemSinnewirddasPARIS-System(PlanAbstractionandRenementinanIntegratedSystem) InjungsterZeitwurdennuneinige\Multistrategy"Ansatze[MichalskiundTecuci,1991]verfolgt,bei isteserstrebenswert,immereinespeziellsteanwendbareabstraktionzurproblemlosungheranzuziehen. onsgrades,mussenimmeralleverfugbarenabstraktionenbeimproblemlosenuberpruftwerden,wasbei OhnedieInformationuberdieOrdnungderAbstraktionenbzgl.ihresAllgemeinheits-oderAbstrakti-
2 groenmengendasutility-problemzurfolgehat.genaudieswirddurchdieinduzierteabstraktionshierarchieverhindert,dadiesezurklassikationderproblemstellungunddamitzurezientenauswahleines speziellstenanwendbarenabstraktenplanesherangezogenwerdenkann. ImfolgendenwirdnunderSchwerpunktdiesesBeitragesaufdieDarstellungdesinduktivenLernalgorithmuszumAufbauendesKlassikationsbaumsgelegt.DadieserjedochnurinKombinationmitder Planabstraktions-undGeneralisierungsmethodikverstandlichist,werdendiehiervonerforderlichenBestandteilezuersteingefuhrt.AufdievollstandigeDarstellungdesintegriertenSystemesPARISmuhier jedochverzichtetwerden.furnahereinformation,auchinbezugaufexperimentelleperformanzresultate seihierauf[bergmann,1993]verwiesen. 2IntegrationvonAbstraktionundGeneralisierung ImfolgendenAbschnittwirdnunzunachstdiePABS-Planabstraktionsmethodikbeschrieben.DabeihandeltessichumeinwissensintensivesLernverfahren,dasAbstraktion[Tenenberg,1986;Michalski,1993]mit erklarungsbasiertemlernen[mitchelletal.,1986;ellman,1989]verbindet.zielistesdabei,ausvorliegendengelostenplanungsproblemenabstrakte,generalisierteplanezulernen,diedannfurdielosungneuer Planungsproblemekomplexitatsreduzierendeingesetztwerdenkonnen. 2.1Grundbegrie ImfolgendensollzunachstdiegrundlegendeTerminologielinearerPlanungkurzskizziertwerden,dahierauf ofterzuruckgegrienwird. EinePlanungsweltWisteinSTRIPS-System,bestehendauseinerMengeReineMengevonessentiellen Satzen[Lifschitz,1987],einerstatischenTheorieTzurAbleitungzusatzlicherFaktenundeinerMengeOp vonoperatorendie,wieublich,durchvorbedingung,add-unddeletelistebeschriebensind.einzustands derplanungsweltwistnun,eineuntermengederessentiellensatzerausw.diemenges=2rbezeichne denraumallermoglichenzustandeinw.einplanungsproblemistnundurcheinzustandspaar(si;sg) bestimmt,welchesdenstartzustandsowiedenzielzustandbeschreibt. EinPlanPisteineSequenzvonOperatoren(o1;:::;on)mitoi2Opfuri=1;:::;n.AlsPlanungsfall wirdnuneinplanungsproblemzusammenmiteinemplanangesehen,derdiesesproblemlost. 2.2ModellderPlanabstraktion ImfolgendenwirdnunzunachstdasformaleModellderPlanabstraktionnach[Bergmann,1992b]eingefuhrt. HierzuwerdenzweidisjunktePlanungswelten,sowieeinegenerischeAbstraktionstheorievorausgesetzt: Denition1DiekonkreteWeltWkisteinePlanungswelt,die`reale'ZustandeundOperatorenbeschreibt. PlanungsproblemewerdenimmerinderTerminologiederkonkretenWeltdeniertunddiegewunschten LosungensindPlanederkonkretenWelt. Denition2DieabstrakteWeltWaisteinePlanungswelt,die`virtuelle'{wirsagenabstrakte{Zustande undoperatorenbeschreibt.dieseoperatorensindfaktischnichtausfuhrbar,liefernjedochnutzlicheeinheitenzurallgemeinenbeschreibungeinerklassevonmoglichenproblemen. WirhabennunalsozweiunterschiedlicheEbenenzurBeschreibungvonPlanungsfallenmitvollkommen getrennterterminologie.hierinunterscheidetsichdervorgestellteansatzzurabstraktiondeutlichvon klassischenverfahrenz.b.imhierarchischenplanen(z.b.[sacerdoti,1974;knoblock,1993]). UmeinenBezugzwischendenbeidenBeschreibungsweltenherzustellen,wirdweiterhineinegenerische Abstraktionstheorievorausgesetzt. Denition3EinegenerischeAbstraktionstheorieTgisteineMengevonRegelnderForm: (K1^K2^ :::^Kn,wobei einessentiellersatzausderabstraktenweltist( 2Ra)undK1^K2^:::^Kneine KonjunktionvonSatzenderkonkretenWeltWk. DieseTheorieerlaubtes,auseinemgegebenenkonkretenZustand,dieMengeallerpotentiellmoglichen abstraktenzustandezubestimmen. Planabstraktionbedeutetnun,einengegebenenPlanpkinderkonkretenWeltWkineinenkorrespondierendenPlanpaderabstraktenWeltWaabzubilden.DiegenaueDenitionderPlanabstraktion
3 erfolgtmithilfezweierabbildungen:derzustandsabstraktionsabbildungunddersequenzabstraktionsabbildung.durchdiezustandsabstraktionsabbildungwerdendiekonkretenzustandsbeschreibungensk2sk Abbildung1:KonkreteundabstraktePlanungsweltmitdenAbbildungen(a;b) Abstrakte Welt: sa 0 sa 1 sa n Zustandsabstraktionsabbildung Welt: sk 0 sk 1 sk 2 sk 3 a a a sk m Sequenzabstraktionsabbildung b (0) = 0, b (1) = 2, b (n) = m konkretenplanungsweltab,diedurcheinenkonkretenplanpkundeinenstartzustandsk0induziertwerden. ab.dieabbildungbbildetdieindizesderabstraktenplanungszustandeaufdieindizesderzustandeder Abbildungordnungserhaltend. abstrakteendzustandsanaufdenkonkretenendzustandskmabgebildetwird.daruberhinausistdiese DieSequenzabstraktionsabbildunghingegenordnetdenabstraktenZustandsindizesentsprechendekonkreteZustandsindizeszu,wobeiderabstrakteStartzustandsa0aufdenkonkretenStartzustandsk0undder konkretenzustandederkonkretenplanungsweltaufdieabstraktenzustandederabstraktenplanungswelt unterbeachtungdergenerischentheorietgindieabstraktenzustandsbeschreibungensa2saabgebildet. DieserBegriderPlanabstraktionwirdinAbbildung1veranschaulicht:DieAbbildungabildetdie nungswelten,kannjedochnichtgarantiertwerden,dasicheinabstrakterplanauchimmerverfeinernlat. DennochstellenabstraktePlaneeineguteHeuristikdar.EinegenauereAnalysediesesSachverhaltskann InderRegelwerdendabeivoneinemabstraktenOperatormehrerekonkreteOperatorenuberbruckt. in[knoblock,1993]gefundenwerden. raumeinschrankungaufderkonkretenebenedarstellen.imallgemeinen,d.h.furbeliebigeabstraktepla- derregelmehrereabstrakteplanegibt.hierbeistellenverschiedeneabstrakteplaneverschiedenesichtweisenoderabstraktionsgradedar.dieterminologiediesersichtenmujedochindervorliegendenabstrakten Planungsweltvorgegebensein. BeidieserDenitionvonPlanabstraktionistzubeachten,daeszueinemgegebenenkonkretenPlanin 2.3GeneralisierungvonPlanen NebenderAbstraktionistauchdieGeneralisierungeineMoglichkeitgegebenePlanungsfallefureingroeresSpektrumneuerSituationenanwendbarzumachen.DeduktiveLernverfahrenzurPlangeneralisierung sindschonlangebekannt(z.b.[fikesetal.,1972])undsindimwesentlicheneinevariantedeserklarungsbasiertenlernens[ellman,1989],wobeidiegegebenenoperatorbeschreibungenalshintergrundtheorigungbestimmt,diegewahrleistet,dadiegegebeneoperatorfolge(mitggf.generalisiertenparametern) HierbeiwirdunterBerucksichtigungderInteraktionenderOperatorendesPlanseineallgemeinsteBedin- verwendetwerden.in[bergmann,1992a]isteinsolchesgeneralisierungsverfahrenausfuhrlichbeschrieben. DerWertderabstraktenPlanefurdiePlanungbestehtnunimwesentlichendarin,dasieeineSuch- <o1(z1);:::;on(zn)>istdiefolgevongeneralisiertenoperationenundreinemengevonrelationen.x;y Hierbeibezeichnensi(x)denInitialzustandundsg(y)denZielzustanddesgeneralisiertenPlanes. weiterhinanwendbarist.hierzuwerdenbestimmtekonstanteninderproblembeschreibungundimplan durchvariablenersetzt,wobeizusatzlichgefordertwird,dadiesevariableninbestimmtenrelationen undzielzustandinbeziehungsetzen. undzibezeichenvariablen,diedieparameterderoperationenmithilfederrelationenmitdeminitial- zueinanderstehen.dieserelationenmengewirddurchdaslernverfahrenautomatischausderbeschreibungderplanungsweltunddemplanungsfallgeneriert.einresultierendergeneralisierterplanhatdabei diefolgendegestalt: Denition4(si(x);sg(y);<o1(z1);:::;on(zn)>;R(x;y;z1;:::;zn))isteingeneralisierterPlan.
4 zisoinstantiiert,daallerelationeninrerfulltsind,solostderplan<o1((z1));:::;on((zn))>das siertenplane`korrekt'sindindemsinne,dawenneseinesubstitutiongibt,diedievariablenx;yund Planungsproblem(si((x));sg((y))). ponentemiteinerentsprechendenplanungskomponentedar. DasPARIS-SystemstellteineIntegrationderaufAbstraktionundGeneralisierungbasierendenLernkom- 2.4DasPARIS-System EinewesentlicheEigenschaftdiesesdeduktivenGeneralisierungsprozessesistesnun,dadiegenerali- PhasewerdendieabstraktenPlaneerklarungsbasiertgeneralisiert.AlsResultatliefertdasLernverfahren anderfolgendenphasen.indererstenphasewirddieausfuhrungdeskonkretenplanssimuliert.inder einenbeliebigenfolgezustandfuhren.inderviertenphasewerdenallekonsistentenpfadeinderabstrakten zweitenphasewirddiegenerischetheorieangewandt,umdiedurchdieausfuhrungdesplansentstandenenzustandsbeschreibungenderkonkretenweltaufabstraktezustandsbeschreibungenabzubilden.das Wilke,1993]beschriebenundsollhiernurkurzskizziertwerden.DasVerfahrenbestehtausfunfaufein- ZielderdrittenPhaseistes,alleabstraktenOperatorenzunden,dievoneinemabstraktenZustandin DasLernverfahren,daAbstraktionundGeneralisierungintegriert,istausfuhrlichin[Bergmann,1992b; Planungsweltgesucht,dievomabstraktenStartzustandzumabstraktenZielzustandfuhren.Inderletzten blemsherangezogenwerden.hierzumuzunachstgepruftwerden,obeingeneralisierterabstrakterplan PlaneinderabstraktenWelt. zueinemgegebenenkonkretenplandiemengeallergeneralisiertenabstraktenplane1{alsogeneralisierte ;R(x;y;z1;:::;zn))istfureinPlanungsproblem(~si;~sg)mit~si;~sg2Skanwendbar,falls: ineinerkonkretensituationanwendbarist.eingeneralisierterabstrakterplanistgenaudannanwendbar, wenndiefolgendebedingunggilt: Denition5EingeneralisierterPlaninderabstraktenWelt(si(x);sg(y);<O1(z1);:::;on(zn)> InderPlanungskomponentekonnendieseGeneralisierungennunzurLosungeinesneuenPlanungspro- 1985].EineausfuhrlicheBeschreibungdiesesProzesseskannin[Bergmann,1993]gefundenwerden. InstantiierungderimabstraktengeneralisiertenPlanvorkommendenVariablen.Istdiesgeschehen,sokann derresultierendeabstrakteplanundzueinemkonkretenplanverfeinertwerden[friedlandundiwasaki, Dasbedeutet,daeinegeeigneteAbstraktiondesPlanungsproblemsgefundenwerdenmuundeine esgibteinesubstitution,diedievariablenx;yundzisobelegt,daallerelationeninrerfullt DieSchnittstellezwischenderLernkomponenteundderPlanungskomponenteistalsodieMengeder esgibteinezustandsabstraktionsabbildunga,sodagilt:si((x))=a(~si),sg((y))=a(~sg) sindund werden.imfolgendenwirdnuneinansatzvorgestelltmitdemeinesinnvolleanordnunginduktivgelernt werdenkann. 3OrganisationabstrakterPlaneineinerAbstraktionshierar- geeignetenplanaufezienteweiseauszuwahlen.hierzumussendieabstraktenplanegeeignetorganisiert abstraktenplane.hierbeibestehtjedochdasproblem,auseinermengeabstrakterplaneuberhaupteinen DiebislangvorgestellteMethodezumwissensintensivenLernenvonabstraktenPlanenistinderLage,fur AnsatzzumLerneneinerKlassikationshierarchievonabstraktenPlanenvorgestellt. 3.1EineKlassikationshierarchiefurabstraktePlane neuerplanungsproblemekomplexitatsreduzierendeingesetztwerdenkonnen.imfolgendenwirdnunein einengegebenenplanungsfalleinemengevongultigenabstraktenplanenzugenerieren,diezurlosung aufeinerhoherenabstraktionsebenezerlegteingegebenesplanungsproblemineinegeringerezahlvon DiegelerntenabstraktenPlanekonnenaufverschiedenenAbstraktionsebenenangesiedeltsein.EinPlan lisierterabstrakterplangemeint. 1ImfolgendenwirdderEinfachheithalbernurvoneinemabstraktenPlangesprochen.Dabeiistjedochimmereingenera-
5 Teilproblemen,wahrendeinspeziellererabstrakterPlanmehrere,aberwenigerkomplexeTeilproblemeerzeugt.Insgesamtlatsichjedochsagen,dadieKomplexitatzurVerfeinerungeinesspeziellerenabstrakten Plansniedrigerist,alsdieKomplexitatzurVerfeinerungeinesPlansaufeinerhoherenAbstraktionsebene. Desweiterenisteserforderlich,dieGesamtmengedergelerntenAbstraktionenineinergeeignetenArt undweisezuorganisieren,umdenzugriwahrenddesproblemlosenszuoptimieren.andernfallslauft mangefahr,allegelerntenregelnimmervollstandigdurchsuchenzumussenundsomitamutility-problem [Minton,1990]zuscheitern.AlseinAnsatzzurLosungdiesesProblemswurdevon[YooundFisher,1991] vorgeschlagen,gelernteregelnineinerklassikationshierarchieanzuordnen.ineinersolchenhierarchiesind dieregelnaneinemknotenimmergenerelleralsdieregelnandessennachfolgern.wennalsoeineregel aneinemknotenanwendbarist,soistfolglichauchdieregelandemubergeordnetenknotenanwendbar. Umgekehrtfolgtdaraus,dafallseineRegelaneinemKnotennichtanwendbarist,daauchkeineder RegelnandenNachfolgerknotenanwendbarist.ZumFindenderspeziellstenanwendbarenRegelkann nunderbaumsolangedurchlaufenwerden,wieesnochnachfolgerknotengibt,dieanwendbarsind.hat einknotenkeineanwendbarennachfolger,soisteine(abernichtnotwendigerweisedieeinzige)speziellste anwendbareregelgefunden. UmdiesesPrinzipzumPlanenmitabstraktenPlaneneinzusetzen,mussendiePlanenachihremAbstraktionsgradangeordnetwerden,sodaeineAbstraktionshierarchiezurKlassikationentsteht.Auch hierbeigilt:isteinabstrakterplannichtanwendbar,sosindauchalleseinespezialisierungennichtmehr anwendbar.hierbeikonkretisiertsichdiebedingung,wanneinabstrakterplanspezielleristalseinanderer abstrakterplanwiefolgt: Denition61v2(1istspeziellerals2)gdwfurallekonkretenZustandspaaresi;sg2Sk gilt,dafalls1fur(si;sg)anwendbarist,auch2fur(si;sg)anwendbarist. WerdennundieabstrakterenPlanehoherineinerKlassikationshierarchieangeordnetalsdiespeziellerenPlane,sokannman,fallsmanbeimDurchlaufendiesesBaumesaufeinennichtanwendbarenPlan stot,alleweiterenplaneimnachfolgendenteilbaumignorieren,dasiekeinesfallsmehranwendbarsein konnen.hierdurchkanndersuchaufwandimvergleichzueinerlinearenanordnungerheblichreduziert werden.dasistdaszentraleanliegendieseslernansatzes.desweiterenwirdvorausgesetzt,dainder BeschreibungderabstraktenPlanungswelteinuniversellerabstrakterOperatorvorgegebenist,derimmer anwendbaristundalleeekte(aufderhochstenabstraktionsebene)erreicht.diesgarantiert,daesimmer einemanwendbarenabstraktenplangibt,dergenauausdiesemeinenoperatorbesteht.jedochbewirkt dieserplankeinesuchraumeinschrankungbeiderplanung,garantiertjedoch,dazumindestprinzipiellalle Planungsproblemegelostwerdenkonnen. EinProblem,dassichjedochbeiderKonstruktioneinersolchenKlassikationshierarchiestellt,istda diebedingung,obeingelernterabstrakterplanspezielleristalseinandererabstrakterplanimallge- meinennichtentscheidbarist,dadiezustandsraumeskundsaunendlichseinkonnen.auchdiepabs- PlanabstraktionsmethodikkannnichtzurUberprufungdieserBedingungherangezogenwerden,dasichzum einendieabstraktenplaneinderselbenweltwabendenundzumanderendieseplanebereitsgeneralisiert sind. 3.2InduktivesLernenderKlassikationshierarchie Daesnunalsonichtmoglichist,eineKlassikationshierarchiezuerstellen,derbezuglichderv-Halbordnung korrektist,versuchenwirnundieseordnung{unddamitdiehierarchie{induktivausdenplanungsfallen zulernen.hierzuwirdzunachstauseinemneuenkonkretenplanungsfall(sij;sgj)diemengeallergultigen abstraktenplanebj=f1;:::;kggeneriert.jederderabstraktenplaneinbjistnunanwendbarfur diesenplanungsfallundumgekehrt,istjederabstrakteplan,derfurdiesenkonkretenplanungsfallanwendbarist,auchinbjenthalten.diesogewonnenemengebjistnuneintrainingsbeispielfureineninduktiven Lernalgorithmus,dernunHypothesenfureinemoglichev-Relationzwischenallenbishervorgekommenen abstraktenplanenbildet.manbeachtehierbei,dadiev-relationselbstfurdieabstraktenplane,diein deneinzelnentrainingsbeispielenbjvorkommen,nichtbekanntist.aufgrunddessen,dadieabstraktionskomponentejedochimmerallegultigenabstraktenplanefureinengegebenenkonkretenplanungsfallliefert, istsichergestellt,dafalls2bjgilt,dadannauchfuralle0mit0wgilt,da02bj. DiesewichtigeInformationkannnunimfolgendenausgenutztwerden,umeineKlassikationshierarchie induktivinkrementellzulernen. HierbeisollzujedemZeitpunkt{alsonachjederSequenzvonPlanungsproblemenP= ((si1;sg1);:::;(sin;sgn))undzugehorigenabstraktenplanmengenb=(b1;:::;bn){einklassikations-
6 baumentstehen,deralleabstraktenplaneausbeinordnetundfurallebislanggesehenenplanungsprobleme Pbzgl.derv-Relationkorrektist. BaumeinemneuenTrainingsbeispielwiderspricht.Istalsoz.B.ineinemaktuellenBaum1v2 v=vsksk. (si;sg)2pgilt:falls1fur(si;sg)anwendbarist,auch2fur(si;sg)anwendbarist.beachte: stimmtwird,sollalsokorrektbzgl.derfolgendenabgeschwachtenvp-relationsein. Denition71vP2(1istfurPspeziellerals2)gdwfurallekonkretenZustandspaare AufgrundderEigenschaftderTrainingsbeispieleistesnunmoglichzuuberprufen,obderaktuelle DerBaum,deralsHypothesefurdiev-RelationzueinemZeitpunktdurchdenLernalgorithmusbe- Weltgeradesobeschriebenist,daesfurjedenPlanungsfallmehrereabstraktePlanegibt. HierbeiwerdenkonkretePlanungsfalleF1;:::;F5angenommen.Wirnehmenweiteran,dadieabstrakte angeordnetundkommtineinemneuentrainingsbeispielbjderplan1vor,nichtjedoch2,soliegtein dargestellt.mansiehthierschonandertabelle,daderabstrakteplan1furallekonkretenplanungsfalle UmdiebislangvorgestelltenUberlegungenzuverdeutlichen,wirdnuneineinfachesBeispielvorgefuhrt. WiderspruchvorundderBaummuumgestaltetwerden.GenaudiesistdieAufgabedesLernalgorithmus. 3.3EinBeispiel DiegenaueZuordnungderabstraktenPlane1;:::;5zudenkonkretenFallenistinTabelle1 F1XX F2XXX F3XXX F4X onshierarchiebeieinergegebenenbeispielmengeinfragekommen.hierzuwollenwirannehmen,dadie gultigist. ImfolgendensollaneinemkleinenBeispielerlautertwerden,welcheHypothesenfureineKlassikati- Tabelle1:AnwendbarkeitderabstraktenPlanefurdiekonkretenFalle F5X X konkretenplanungsfallef1;f2undf5gegebensind,sodadreitrainingsbeispielefurdenlernalgorithmus XX zurverfugungstehen,namlich:b1=f1;2g,b2=f1;2;3g,b3=f1;4;5g. annimmt,daeseinenabstraktestenplangibt,derfurjedesproblemanwendbarist.vondiesensechs manfest,daesinsgesamt6verschiedenemoglichehierarchienunddamitv-relationengibt,wennman HierarchiensindvierinAbbildung2dargestellt. Betrachtetmannun,welcheHierarchienfurdieseBeispielekorrektsind(bzgl.vfF1;F2;F5g),sostellt Abbildung2:MoglicheKlassikationsbaumefurF1F2F Baum(a) 1 Baum(c) Baum(b) 1 Baum(d) 5 4
7 Trainingsbeispiel,alsoeineMengevonabstraktenPlanen.DerAlgorithmuspatdanndieHierarchiean dasneuetrainingsbeispielan,sodadieneuehierarchiesowohlkorrektbzgl.desneuenbeispielsist,als auchkorrektbzgl.allervorherigenbeispielebleibt.diebereitsabgearbeitetentrainingsbeispielewerden wederimbaumnochauerhalbgespeichert. gorithmusarbeitetvollstandiginkrementell,d.h.erhateineaktuellehierarchieundbekommteinneues 3.4DerLernalgorithmus IndiesemAbschnittwirdnunderLernalgorithmuserlautertsowieseineKorrektheitbegrundet.DerAl- einemsolchenmehrfachknotenwirddannkeineaussageuberdieordnungderplaneindiesemknoten Ordnungendadurchreektierenkann,daaneinemKnotenmehrereabstraktePlanestehenkonnen.An alsbesserbetrachtetals\ache"wiez.b.baum(a). plexitatsgrundennichtallemitgefuhrtwerden,daansonstendiehypothesenmengezugroware.deshalb fuhrtderalgorithmuseinearthill-climbing[langleyetal.,1987]durchundhaltnurdie\vielversprechensten"ordnungenfest.ordnungen,die\tief"sind,wiez.b.baum(c)inabbildung2,werdendabei DerAlgorithmusfuhrtnunzujedemZeitpunktimmergenaueinenBaummit,derjedochmehrere WiebereitsimvorherigenAbschnittzusehenwar,gibtesinderRegelfureineFolgevonTrainingsbeispielenmehreremoglichekorrekteOrdnungenundsomitkorrekteBaume.DiesekonnenaberausKom- denknotenki(i=1:::m).jedemknotenisteinemengevonabstraktenplanenapizugeordnet.eine derdurchdenalgorithmusverwalteteklassikationsbaumunddessenkorrektheitdeniertwerden. Denition8EineKlassikationshierarchiefurabstraktePlaneisteinBaummitderWurzelK0und sichdieordnungspezialisieren,sobalddiesaufgrundderbeispieleerforderlichist.imfolgendensollnun gemacht.imverlaufdeslernprozesseskannundwirdsichjedocheinsolchermehrfachknotenteilenund Klassikationshierarchieistbzgl.einerBeispielmengeB=fB1;:::;Bngkorrekt,falls: 8j=1::n8i=0::m(APi\Bj=;oderAPiBj),d.h.furalleTrainingsbeispieleundjedenKnotenim DerinkrementelleAlgorithmusbearbeiteteinneuesBeispielinzweiSchritten.Zunachstwirdgetestet,ob 8j=1::n8i;l=0::mwennKlNachfolgervonKiundAPlBjdannauchAPiBj,d.h.furalleTrainingsbeispielegilt,dawenndiePlaneeinesKnotensfureinBeispielgultigsind,dannsindauchdie PlanedesVorgangerknotensgultig.DieseBedingungfordertdieKorrektheitdesBaumesbzgl.vP. nichterlaubt,daineinemknotenfureinbeispieleinabstrakterplangiltundeinandererabstrakter Plannichtgilt. BaumsindentwederimmeralleabstraktenPlanefureinBeispielgultigoderaberkeiner.Esistalso korrigiert(prozedurupdate).ineinemzweitenschrittwerdendannalleneuenabstraktenplane,die deraktuellebaumauchfurdasneuebeispielkonsistentist.fallsdiesnichtderfallist,wirdderbaum bislangnochnichtimbaumvorgekommensind,aufkonsistenteweisehinzugenommen.diesertoplevel- ENDEinsortieren(K0;BRest;Bneu) BEGIN AlgorithmusLearnHierarchy(K0,Bneu),deralsEingabedenaktuellenBaumsowiedasneueBeispiel erhalt,istimfolgendendargestellt. PROZEDURLearnHierarchy(K0;Bneu) 3.4.1UberprufenundErhaltenderKorrektheitderHierarchie IFBRest6=;THEN BRest:=Bneu Smi=0APi Update(K0;Bneu;true;K0) K2,diefurdasaktuelleBeispielgelten,undallePlane,diedemneuenunterenKnoten(K22)zugewiesen werden.hierzuwirdder\gemischte"knoteninzweineueknotengeteilt,wieinabbildung3verdeutlicht wird.dieabstraktenplane,diedemneuenoberenknoten(k21)zugewiesenwerden,sindalleplaneaus entwederallefurdasaktuellebeispielgeltenoderaberallenichtgelten.liegtjedochderfallvor,da einknotensowohlgultigealsauchungultigplaneenthalt,somuderbaumandieserstelle\repariert" Vorordnung)durchlaufenwerden.Hierbeiwirdzunachstgepruft,obdieabstraktenPlaneaneinemKnoten UmbeimEintreeneinesneuenBeispielszuuberprufen,obderaktuelleBaumkorrektist,mudieser(in
8 KnotenmitungultigenPlanen;R/FisteingemischterKnoten Abbildung3:AufteileneinesMehrfachknotens:RbezeichneteinenKnotenmitgultigenPlanen,Feinen K 1 R K 1 R K R K 2 R\F K 22 F dadurch,dader(fehlerhafte)knoten,dessenplanegultigsind,herausgenommenwirdundalsnachfolger diekorrektheitsbedingungverletztundderbaummukorrigiertwerden.diesekorrekturerfolgtnun werden,sindalledieplaneausk2,diefurdasaktuellebeispielnichtgelten.wiemansichleichtuberlegen kann,erzeugtdieseoperationeinenkorrektenteilpfadk1;k21;k22inbezugaufdasneuebeispielund erforderteinentestdarauf,obdieabstraktenplaneaneinemknotenfurdasaktuellebeispielgultigsind, obwohldieabstraktenplaneaneinemvorgangerknotenungultigsind.istdiesderfall,soistebenfalls erhaltdiekorrektheitbezuglichallervorherigenbeispiele. IneinemweiterenSchrittmununderzweiteTeilderKorrektheitsbedingunguberpruftwerden.Diese K 3 K dieerstepassendestelleistinabbildung4beispielhaftdargestellt.hieristderknotenk4gultig,obwohl deserstenvorgangerseingefugtwird,dessenplanewiedergultigsind.diese\hochziehen"desknotensan 3 Stelle.BeimBetrachtenneuerTrainingsbeispieleistesjedochmoglich,daderKnotentrotzdemweiter KnotennochweiterobenimBaumanzuhangen,z.B.anderWurzel.DawiraberdenBaumsoverandern mochten,daernochmoglichstoptimal(alsonichtach)ist,wahlenwirhierimmerdietiefstemogliche Abbildung4:Hochzieheneines(Teil)-Knoten K 1 R K 1 R K 2 R K 2 R KorrektheitfurallefruherenBeispiele.DerformaleBeweisfurdieseEigenschaftmuhierleiderausPlatzgrundenunterbleiben. dak2dererstevorgangerknotenist,dessenplanewiedergultigsind.prinzipiellwareesauchmoglichden dervorgangerk3ungultigist.folglichwirdderknotenk4entferntundalsnachfolgervonk2angehangt, nachobenwandert. K 3 F K 4 R K 3 F K 4 R K 5 F AlgorithmusrealisiertimWesentlichendiebeidenOperationenzurErzeugungderKorrektheitdesBaumes, ImfolgendenistdervollstandigeAlgorithmusfurdiebeschriebeneUpdateProzedurangegeben.Dieser DiesesHochziehendesKnotenskorrigiertdenBaumfurdasaktuelleBeispielunderhaltebenfallsdie K 5 F diejedochetwasineinanderverzahntsind. PROZEDURUpdate(Ki;Bneu;OkFlag;Kappend) BEGIN IFOkFlagTHEN(*VorherigerKnotenwarvollstandigerfullt*) IFAPiBneuTHEN(*Knotenistvollstandigerfullt*) ELSEIFAPi\Bneu=;THEN(*KnotenKiistvollstandigunerfullt*) FORALLKjNachfolgervonKiDO IFEsexistierenkeineNachfolgervonKiTHENRETURN Update(Kj;Bneu;true;Ki)
9 IFEsexistierenkeineNachfolgervonKiTHENRETURN FORALLKjNachfolgervonKiDO Update(Kj;Bneu;false;Kappend) ELSE(*KnotenenthahlterfullteundunerfullteElemente*) TeileKnotenKiinzweineueKnotenKuundKnmit: a)vorgangervonkiwirdvorgangervonku b)knwirdnachfolgervonku c)allenachfolgervonkiwerdennachfolgervonkn d)apu:=api\bneu e)apn:=api APu IFEsexistierenkeineNachfolgervonKiTHENRETURN FORALLKjNachfolgervonKnDO Update(Kj;Bneu;false;Ku) ELSE(*Vorgangerknotenwarvollstandigunerfullt*) IFAPi\Bneu=;THEN(*KnotenKiistvollstandigunerfullt*) IFEsexistierenkeineNachfolgervonKiTHENRETURN FORALLKjNachfolgervonKiDO Update(Kj;Bneu;false;Kappend) ELSE(*KienthalterfullteElemente*) 1.ErzeugeeinenKnotenKneualsNachfolgervonKappendmit: APneu:=APi\Bneu 2.SetzeAPi:=APi Bneu IFAPi=;THEN(*leerenKnotenentfernen*) 1.EntferneKi 2.DieNachfolgervonKiwerdendieNachfolgervonK0isVorganger 3.FORALLKjNachfolgervonKiDO Update(Kj;Bneu;false;Kappend) END 3.4.2EinfugendesneuenBeispiels NachdemnunalsodieKlassikationshierarchiebzgl.desneuenBeispieleskorrektist,mussennunnoch alleabstraktenplanedesneuenbeispiels,dienochnichtimbaumenthaltensind,hinzugefugtwerden. DiesesEinfugenkannnunimPrinzipaneinerbeliebigenStellegeschehen,solangedieHierarchiedanach nochkorrektist.diestelledeseinfugensistjedochentscheidenddafur,daeinguter(moglichsttiefer) Baumentsteht.WirverwendennunzumBestimmeneinesgutenEinfugepunkteseineHeuristik,dieuns einenmoglichsttiefenbaumerzeugensoll.hierzuverfolgenwireinenpfad,ausgehendvonderwurzel desbaumes,solangewiealledieabstraktenplanefurdasaktuellebeispielnochgultigsindoderein Blattknotenerreichtwurde.IsteinesolcheStelleimBaumgefunden,wirdeinneuerKnotenangehangt undihmdieneuenabstraktenplanezugewiesen.alskriteriumdafur,welcherpfadweiterverfolgtwird,falls mehrerenachfolgerknotenanwendbareplanenbesitzen,wirddieanzahlderplaneandennachfolgerknoten herangezogen.wirwahlendennachfolgerknoten,derdiemeistenplanebesitzt,daansolchenknoten nochdergrotefreiraumfurdieanordnungderplanedurchspaltungdesknotensbestehtundsomitdie MoglichkeiteinerungunstigenAnordnungminimiertwird. 3.5EinBeispiellaufdesLernalgorithmus UmdiesenLernalgorithmusaneinemBeispielzuverdeutlichen,wirderfurdieBeispieleinTabelle1angewandt.Hierbeiwollenwirannehmen,dadiePlanungsfalleinderReihenfolgeF2;F5;F1;F4;F3vorgegeben werden.abbildung5zeigtdieresultierendefolgevonklassikationsbaumen.nachdemdaserstebeispiel F2bearbeitetwurde,wirdgenaueinKnotenerzeugt,deralleabstraktenPlane(1;2;3)diesesBeispielsenthalt.BeidemzweitenBeispiel(F5)stelltnundieupdateProzedurfest,daderbisherigeKnoten, sowohlanwendbareplane(namlich1)enthalt,alsauchnichtanwendbareplane(1und2).deshalb wirdderknotenzunachstgeteilt(siehebaumb1).danachwerdenbeimeinsortierendiefehlendenplane 4und5zusammenaneinemKnotenangehangt(sieheBaumb2).DasBearbeitendesBeispielsF1 fuhrtnunweiterdazu,daderknotenmit2und3gesplittetwird(baumc).weitereplanekommen
10 a) b ) b 1 2 ) sind.dasbeispielf4bewirktnunlediglichnocheinsplitteneinesknotens(siehebaumd),wahrenddas nunnichtmehrhinzu,dabereitsalleplaneausdem(undallenfolgenden)beispielimbaumvorhanden Abbildung5:BeispielfolgevonKlassikationshierarchien c) d) e) undabstrakterplanungswelt,sowiediegenerischetheorieentwickeltworden.einefallbasisvon116ver- schiedenenplanungsfallenwurdesodannautomatischgeneriert. InderTrainingsphasewurdedasPARIS-SysteminzweiverschiedenenTestlaufenmit Domane[PaulokatundWess,1993]{angewendet.HierzusindentsprechendeBeschreibungvonkonkreter- ZurexperimentellenBewertungdesvorgestelltenAnsatzes,wurdedieseraufeinenTeilbereichderArbeits- planung,namlichaufdieplanungderfertigungvonrotationssymmetrischendrehteilen{diecabplan- 4ExperimentelleUntersuchung letztebeispielf3denbaumnunuberhauptnichtmehrverandert trainiert. dabeijeweilseinezeitlimitvon200cpu-sekundenangesetzt.istdiesesuberschrittenworden,sogaltdas wurdenjeweilsdieproblemlosezeitengemessen.alsvergleichsbasiswurdenzusatzlichalleplanungsproblemedurchreinesuche,alsoohneheuristischesuchraumeinschrankung,gelost.furdieproblemlosungwurde Danachwurdeversucht,alle116PlanungsproblememitdemsotrainiertenSystemzulosen.Hierbei allenplanungsfallen Problemalsnichtgelost.DieErgebnissediesesExperimentssindinAbbildung6dargestellt.DiedurchschnittlicheProblemlosezeitistinAbhangigkeitderProblemkomplexitat(LangederLosung)aufgetragen. einerzufalligenauswahlvon10%derfalle wachst.probleme,dieeinelosungverlangendielangerals8schritteist,konntennichtmehrinnerhalbder Eszeigtsich,dafurPlanungdurchSuchedieProblemlosezeitexponentiellmitderProblemkomplexitat Operatoren)bedarf. derabstrakteplanungsweltfurdiearbeitsplanungeinerweiterendierenzierung(zusatzlicheabstrakte SuchraumeswiederzumTragenkam.DieskannalsIndizdafurangesehenwerden,dadieModellierung auchhierungelost.eineanalysediesessachverhalteshatgezeigt,dabeidenkomplexenproblemen,ein odermehrereabstrakteoperatorenzueinersequenzvonmehrals6konkretenoperatorenverfeinertwerdenmuten.deshalbwurdendieteilproblemeindiesenfallensogro,dadieexponentiellenaturdes einelosungvonwenigerals17operatorenverlangen,gelostwerden.komplexereproblembliebenjedoch Zeitschrankegelostwerden.DurchVerfeinerungvonabstraktenPlanenhingegenkonntenalleProblem,die (Planen)undLernenimSinnedesfallbasiertenSchlieens[Plazaetal.,1993]vorgestellt.Ausgelosten dessystemsausreichen.hierinzeigtsichdiehoheallgemeinheitderabstraktengeneralisiertenplane. 5Zusammenfassung IndiesemPapierwurdedasPARIS-SystemalsBeispieleinerintegiertenArchitekturzumProblemlosen EineweitereBeobachtungausdieserUntersuchungist,dabereits10%derPlanungsfallezumTraining
11 Loesungszeit[sec] Lernen:10%Faelle ReineSuche ProblemKomplexitaet[Loesungslaenge] Lernen:100%Faelle4 2 2 Knoblock,1993;VelosoundCarbonell,1993]kannPARISdomanenspezischeAbstraktionenbilden,die nungssystemes.imunterschiedzuahnlichenarbeitenimrahmenvonprodigy[mintonetal.,1989; DieVerwendungdiesesgelerntenWissensfuhrtzurSteigerungvonKompetenzundPerformanzdesPla- densuchraumgezieltereinschrankenkonnenalsabstrips-artigeabstraktionen.hierfurmumanjedoch PlanungsproblemenwerdenabstraktegeneralisiertePlaneakquiriertundineinerHierarchieangeordnet. Abbildung6:ExperimentelleErgebnisse:PlanungdurchSuchevs.PlanungmitabstraktenPlanen Abstraktionshierarchie,diedenZugriaufanwendbareabstraktePlaneoptimiert.HierbeiwurdeimwesentlicheneineHalbordnungerworben,dieapriorinichtbekanntwarundnurindirektausderStrukturder Trainingsbeispieleabgeleitetwerdenkonnte.BeidemdargestelltenVerfahrenbestehenstarkeBezugezu DerSchwerpunktdiesesPapiersliegtjedochaufdeminkrementellenLernalgorithmuszumBildeneiner MethodischbietetderAnsatzeinewesentlichengereIntegrationvonGeneralisierungundAbstrakti- AnalogiekomponentealsauchderEBL-AnsatzinPRODIGYverlangenhingegen,daderBasisplanerdie vorliegendenproblemebereitsselbstandiglosenkann. dienichtdurchdassystemgelostwurden,sondernz.b.durcheinenmenschlichenexperten.sowohldie denpreiseinerzusatzlichenwissensakquisitionvondomanenspezischenabstraktenoperatorenbezahlen. onalsdiesbisherinprodigyerreichtwurde.daruberhinauskannparisausplanungsfallenlernen, Abstraktionengibt. MitanderenWorten,dervorgestellteAlgorithmusclustertkonkretePlanungsfalleso,daesgemeinsame straktenplaneandenknotensindnunimmereinegemeinsameabstraktionderzugehorigenplanungsfalle. Knotenzugeordnetist,isthierbeiimmereineTeilmengederPlanungsfalledesVorgangerknotens.Dieab- werdenindirektkonkreteplanungsfalleinhierarchischeclusterangeordnet.sogibteszujedemknotenin derhierarchieimmeraucheinclustervonplanungsfallen.diemengederplanungsfalle,diedabeieinem ClusterungsalgorithmenfurBegrisbildungsaufgaben[Gennarietal.,1989].DurchdiegelernteHierarchie Danksagung [Althoetal.,1992]K.-D.Altho,StefanWess,B.Bartsch-Sporl,D.Janetzko,F.Maurer,undA.Voss.FallbasiertesSchliesseninExpertensystemen:WelcheRollespielenFallefurwissensbasierteSysteme?KI{KunstlicheIntelligenz,92(4), dieserarbeit. Literatur [AamodtundPlaza,1994]A.AamodtundE.Plaza.Case-basedreasoning:Foundationalissues,methodologicalvariations, DaruberhinausbietetdasguteArbeitsklimainderArbeitsgruppevonProf.RichterdiebesteVoraussetzungfurdenFortschritt DieAutorenmochtensichbeiManuelaVelosoundJaimeCarbonellfurwertvolleDiskussionenundAnregungenbedanken. December1992. andsystemapproaches.aicommunications,1994.tobepublished.
12 [Bergmann,1992a]R.Bergmann.Knowledgeacquisitionbygeneratingskeletalplans.InF.Schmalhofer,G.Strube,undTh. Wetter,(Herausgeber),ContemporaryKnowledgeEngineeringandCognition,Seiten125{133,Heidelberg,1992.Springer. [Bergmann,1992b]R.Bergmann.Learningplanabstractions.InH.J.Ohlbach,(Herausgeber),GWAI-9216thGerman WorkshoponArticialIntelligence,volume671ofSpringerLectureNotesonAI,Seiten187{198,1992. [Bergmann,1993]R.Bergmann.Integratingabstraction,explanation-basedlearningfrommultipleexamplesandhierarchical clusteringwithaperformancecomponentforplanning.inenricplaza,(herausgeber),proceedingsoftheecml-93 WorkshoponIntegratedLearningArchitectures(ILA-93),Vienna,Austria,1993. [Ellman,1989]T.Ellman.Explanation-basedlearning:Asurveyofprogramsandperspectives.ACMComputingSurveys, 21(2):163{222,1989. [Fikesetal.,1972]R.E.Fikes,P.E.Hart,undN.J.Nilsson.Learningandexecutinggeneralizedrobotplans.Articial Intelligence,3:251{288,1972. [Fisheretal.,1992]D.Fisher,D.Subramanian,undP.Tadepalli.Anoverviewofcurrentresearchonknowledgecompilation andspeeduplearning.inp.tadepalli,(herausgeber),proceedingsoftheml'92workshoponknowledgecompilationand SpeedupLearning,UniversityofAberdeen,Scotland,1992. [FriedlandundIwasaki,1985]P.E.FriedlandundY.Iwasaki.Theconceptandimplementationofskeletalplans.Journalof AutomatedReasoning,Seiten161{208,1985. [Gennarietal.,1989]J.H.Gennari,P.Langley,undD.Fisher.Modelsofincrementalconceptformation.ArticialIntelligence,40:11{61,1989. [Knoblock,1993]C.Knoblock.Generatingabstractionhierarchies:Anautomatedapproachtoreducingsearchinplanning. KluwerAcademicPublishers,1993. [Kolodner,1993]JanetL.Kolodner.Case-basedreasoning.MorganKaufmann,1993. [Korf,1985]R.E.Korf.Macro-operators:Aweakmethodforlearning.ArticalIntelligence,26:35{77,1985. [Langleyetal.,1987]P.Langley,J.Gennari,undW.Iba.Hillclimbingtheoriesoflearning.InProceedingsoftheFourth InternationalWorkshoponMachineLearning,Seiten312{323,Irvine,CA,1987. [Lifschitz,1987]V.Lifschitz.Onthesemanticsofstrips.InReasoningaboutActionsandPlans:Proceedingsofthe1986 Workshop,Seiten1{9,Timberline,Oregon,1987. [MichalskiundTecuci,1991]R.S.MichalskiundG.Tecuci,(Herausgeber).ProceedingsoftheFirstInternationalWorkshop onmultistrategylearning(msl-91),fairfax,va,georgemasonuniversity,1991. [Michalski,1993]R.Michalski.Inferentialtheoryoflearningasaconceptualbasisformultistrategylearning.Machine Learning,(11):111{151,1993. [Mintonetal.,1989]S.Minton,J.G.Carbonell,C.A.Knoblock,D.R.Kuokka,O.Etzioni,undY.Gil.Explanation-based learning:aproblemsolvingperspective.articialintelligence,40:63{118,1989. [Minton,1990]S.Minton.Quantitativresultsconcerningtheutilityofexplanation-basedlearning.ArticalIntelligence, 42:363{391,1990. [Mitchelletal.,1986]T.M.Mitchell,R.M.Keller,undS.T.Kedar-Cabelli.Explanation-basedgeneralization:Aunifying view.machinelearning,1(1):47{80,1986. [PaulokatundWess,1993]JurgenPaulokatundStefanWess.FallauswahlundfallbasierteSteuerungbeidernichtlinearen hierarchischenplanung.ina.horz,(herausgeber),beitragezum7.workshopplanenundkongurieren,number723in ArbeitspapierederGMD,Seiten109{120,1993. [Plazaetal.,1993]E.Plaza,A.Aamodt,A.Ram,W.VandeVelde,undM.vanSommeren.Integratedlearningarchitectures. InB.Brazdil,(Herausgeber),EuropeanConferenceonMachineLearning:ECML-93,volume667ofLectureNotesin ArticialIntelligence,Seiten429{441,Berlin,1993.Springer. [Sacerdoti,1974]E.D.Sacerdoti.Planninginahierarchyofabstractionspaces.ArticialIntelligence,5:115{135,1974. [Tadepalli,1991]P.Tadepalli.Aformalizationofexplanation-basedmacro-operatorlearning.InMorganKaufmann,(Herausgeber),ProceedingsoftheInternationalJoinConferenceonArticalIntelligence-91,Seiten616{622,1991. [Tenenberg,1986]J.Tenenberg.Planningwithabstraction.InMcDermott,(Herausgeber),Proceedingsofthe6thNational ConferenceonArticalIntelligence,Seiten76{80,Philadelphia,PA,1986. [VelosoundCarbonell,1993]M.M.VelosoundJ.G.Carbonell.Towardsscalingupmachinelearning:Acasestudywith derivationalanalogyinprodigy.instevenminton,(herausgeber),machinelearningmethodsforplanning,chapter8, Seiten233{272.MorganKaufmann,1993. [Wilke,1993]W.Wilke.EntwurfundImplementierungeinesAlgorithmuszumwissensintensivenLernenvonPlanabstraktionennachderPABS-Methode.Projektarbeit,UniversitatKaiserslautern,1993. [YooundFisher,1991]J.YooundD.Fisher.Conceptformationoverexplanationsandproblem-solvingexperience.In J.MylopoulosundR.Reiter,(Herausgeber),ProceedingsoftheTwelfthInternationalConferenceonArticialIntelligence, volume2,seiten630{637,sanmateo,ca,1991.morgankaufmann.
3.2 Implizite Funktionen
3.2 Implizite Funktionen Funktionen können explizit als y = f(x 1, x 2,..., x n ) oder implizit als F(x 1, x 2,..., x n ;y) = 0 gegeben sein. Offensichtlich kann man die explizite Form immer in die implizite
MehrExtrema von Funktionen mit zwei Variablen
Extrema von Funktionen mit zwei Variablen Es gilt der Satz: Ist an einer Stelle x,y ) f x x,y ) = und f y x,y ) = und besteht außerdem die Ungleichung f xx x,y )f yy x,y ) f xy x,y ) >, so liegt an dieser
MehrZusammenfassung Schlüsselwörter Summary Keywords Einführung
VERGLEICHZWISCHENINTRAVENÖSERUND VERSCHIEDENENTRANSCUTANEN LASERBLUTBESTRAHLUNGEN COMPARISONBETWEENINTRAVENOUSAND DIFFERENTTYPESOFTRANSCUTANEOUSLASER BLOOD IRRADIATION Zusammenfassung Anhandvon100MessungenwirdderEinflussvonvierverschiedenenFormenvon
Mehrdurchprogramslicingundconstraintsolving ValidierungsoftwaregesteuerterMesysteme MichaelGoldapp LINEASGmbH Braunschweig Physikalisch-TechnischeBundesanstalt UlrichGrottker TechnischeUniversitat GregorSnelting
MehrEntwurfundImplementierungeinerfunktionalenC-Variante mitspeziellerunterstutzungshape-invarianter SingleAssignmentC Array-Operationen
EntwurfundImplementierungeinerfunktionalenC-Variante mitspeziellerunterstutzungshape-invarianter SingleAssignmentC Array-Operationen derchristian-albrechts-universitat zurerlangungdesdoktorgrades dertechnischenfakultat
MehrThema aus dem Bereich Analysis Differentialrechnung I. Inhaltsverzeichnis
Thema aus dem Bereich Analysis - 3.9 Differentialrechnung I Inhaltsverzeichnis 1 Differentialrechnung I 5.06.009 Theorie+Übungen 1 Stetigkeit Wir werden unsere Untersuchungen in der Differential- und Integralrechnung
MehrAnalysis Aufstellen ganzrationaler Funktionen (Steckbriefaufgaben)
Analysis (Steckbriefaufgaben) Alexaner Schwarz August 18 1 Aufgabe 1: Bestimme jeweils en Funktionsterm. a) Der Graph einer ganzrationalen Funktion ritten Graes hat einen Tiefpunkt bei T(/) un einen Wenepunkt
MehrAbleitungen von Funktionen
Kapitel 8 Ableitungen von Funktionen 8. Der Begriff der Ableitung Aufgabe 8. : Prüfen Sie mit Hilfe des Differenzenquotienten, ob folgende Funktionen an den gegebenen Stellen x 0 differenzierbar sind.
Mehra) Wir verwenden Partialbruchzerlegung (PBZ). Der Nenner des Integranden ist x 4 + x 2 = x 2 (x 2 + 1)
Aufgabe 1 a) Wir verwenden Partialbruchzerlegung (PBZ). Der Nenner des Integranden ist x 4 + x 2 = x 2 (x 2 + 1) und hat somit bei x = eine doppelte und bei x = ±i zwei nicht-reelle Nullstellen. Damit
MehrSymmetrien Regel: Eine Funktion ist achsensymmetrisch, wenn. Beispiel: f(x)=2x 5-15x 3 +2x 2 =>Grad(f) KA: Ergebnis 1P, Schreibweise 1P
Ganzrationale Funktionen Definition: Eine Funktion ist ganzrational, wenn diese auf Summen von x-potenzen mit positiven Exponenten mit Faktoren besteht z.b. f(x)=2x 5-15x 3 +2x 2 Beispiel: f(x)=2x 5-15x
MehrHD Austria-fähige TV-Geräte von Samsung
HD Austria-fähige TV-Geräte von Samsung ORF-zertifizierte TV-Geräte: Marke Serie Modell Samsung SMART TV LED-Serie 8 UE40D8080YSXZG Samsung SMART TV LED-Serie 8 UE46D8080YSXZG Samsung SMART TV LED-Serie
MehrExtrema (Funktionen mit zwei Variablen)
Extrema (Funktionen mit zwei Variablen) Vorzeigeaufgaben: WS04/05 Aufgabe 4 HS11 Aufgabe 4 a) + b) Empfohlene Bearbeitungsreihenfolge: WS05/06 Aufgabe 5 b) WS06/07 Aufgabe 4 HS10 Aufgabe 1 b) + c) HS1
MehrStetigkeit und Dierenzierbarkeit im R n
Stetigkeit und Dierenzierbarkeit im R n 1 Stetigkeit Wir übertragen den Stetigkeitsbegri auf mehrstellige reellwertige Funktionen. Denition 1. Sei M R n. Eine Funktion f : M R heiÿt stetig in a M gdw.
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
PHY3 Herbstsemester 04 Olaf Steinkamp Physik-Institut der Universität Zürich Winterthurerstrasse 90 CH-8057 Zürich olafs@physik.uzh.ch Büro: 36-J- Tel.: 044-635.57.63 Vorlesungsprogramm Einführung, Messunsicherheiten,
Mehr3.* Klausur Pflichtteil
EI M5 2010-11 MATHEMATIK 3.* Klausur Pflichtteil In diesem Teil sind weder GTR noch die Formelsammlung erlaubt. Um den Wahlteil zu erhalten, gib bitte diesen Pflichtteil bearbeitet ab. 1. Aufgabe light
Mehr6.1 Zerlegungen Ober- und Unterintegrale Existenz des Integrals
Kapitel 6 Das Riemann-Integral In diesem Abschnitt wollen wir einen Integralbegriff einführen. Dieser Integralbegriff geht auf Riemann 1 zurück und beruht auf einer naheliegenden Anschauung. Es wird sich
Mehrб
1 3 0 0 0 6 0 1 0 6 0 5 0 6 0 3 0 4 0 5 0 6 0 0 0 2 0 2 0 9 0 4 0 8 0 5 0 2 0 0 0 8 0 1 0 6 0 8 0 6 0 1 0 8 0 7 0 8 0 6 0 4 0 2 0 5 0 5 0 6 0 7 0 5 0 8 0 2 0 7 0 8 0 3 0 2 0 3 0 4 0 8 0 0 0 6 0 6 0 1 0
Mehr( )
1 3 0 4 0 6 0 9 0 9 0 9 0 7 0 8 0 1 0 2 0 7 0 1 0 6 0 9 0 0 0 5 0 6 0 9 0 6 0 0 0 5 0 2 0 0 0 4 0 3 0 0 0 3 0 1 0 1 0 4 0 3 0 8 0 2 0 1 0 0 0 3 0 3 0 0 0 6 0 6 0 6 0 5 0 6 0 3 0 6 0 6 а 0 3 0 5 0 8 0 2
MehrFrühjahr sin35.8 = tanα tanβ sinα cosβ. cosα sinβ. sinαcosβ cosβcosa. cosαcosβ sinβcosa. cosαcosβ. sinαcosβ+sinβcosa
Frühjahr 7. a) Von einem Dreieck ABC kenne wir die Höheh b =4.7 und die Winkelβ =.4 undγ =5.8. Berechnen Sie die Längen der Seiten. α = 8 β γ=4.8 h b = asinγ a = h b = csinα h b sinγ = 4.7 h b sinα = 4.7
MehrProf. Dr. Rolf Linn
Prof. Dr. Rolf Linn 6.4.5 Übungsaufgaben zu Mathematik Analysis. Einführung. Gegeben seien die Punkte P=(;) und Q=(5;5). a) Berechnen Sie den Anstieg m der Verbindungsgeraden von P und Q. b) Berechnen
Mehr15 2,835. 63843 Niedernberg, Nordring/Industriegebiet, Telefon (0 60 28) 9 70 70, Telefax (0 60 28) 97 07 20
Aluminium-Flachstange kg/mtr 10 x 2 0,054 3 0,081 4 0,108 5 0,135 6 0,162 8 0,216 12 x 3 0,097 5 0,162 6 0,200 8 0,259 15 x 2 0,081 3 0,121 4 0,162 5 0,202 6 0,243 8 0,324 10 0,405 20 x 2 0,108 3 0,162
MehrUZ) O ) 0 ) T - co. co o ; CÖQ N SD. CD o. m (D. e r. c z r Z, 3. o ' z r. z r. z j" co co' e r. z r. q ' H K. 3 Ql CD <3 ID. 2Io
Ö J K J E] z T -. = - tft ( ( ) H «n - ö UZ) ) ) STATGÄU (*««K je ö _ ) J "S f J f l * L... -k S; ) " f-k «$» K S r l S ', «! S Ä f ^. - f!4* ( Tj g - - S - - _ ^ _ g -. ) * B ^ e. «- P *» - ^ -K d ^ -
Mehrx 11 x 31. x 3n x 21. x 1n x 2n ( 1 k 2 und (x k k2) k = ( 1 x k1 des R n ist konvergent, wenn alle Komponentenfolgen x kn = 0
Mathemati für Naturwissenschaftler II 33 32 Folgen Seien (x = x,x 2, und (y = y,y 2, zwei Folgen in den reellen Zahlen ( x ( y = x ( y, x2 y 2, bildet dann eine Folge im R 2 und dies lässt sich natürlich
MehrA.23 Verschieben, Strecken, Spiegeln
A.23 Verschieben 1 A.23 Verschieben, Strecken, Spiegeln A.23.01 Verschieben ( ) Funktionen kann man in x-richtung und in y-richtung verschieben. Verschiebung in positive x-richtung: x (x a) Man verschiebt
MehrName, Klasse, Jahr Schwierigkeit Mathematisches Thema Frederieke Sperke x Funktionsanpassung
Frederieke Sperke 12 16.11.2009 x Funktionsanpassung Verbinde die Strecken zwischen den Punkten A(-4/1) und B(-3/-3)mit der Strecke zwischen den Punkten C(4/2) und D(3/-1) knickfrei und exakt miteinander.
MehrSubstitutionsverfahren
Substitutionsverfahren 1 Motivation Wir stehen vor folgendem Problem: In unserem Betrieb kann unsere einzige Maschine Produkt A in zwei Stunden und Produkt B in einer Stunde produzieren. Die Maschine läuft
MehrKosteneinsparung durch Anwendung zerstörungsfreier Prüfverfahren für Betonbauteile beim Bauen im Bestand
BAUFORSCHUNG FÜR DIE PRAXIS, BAND 101 Martin Krause Kosteneinsparung durch Anwendung zerstörungsfreier Prüfverfahren für Betonbauteile beim Bauen im Bestand Fraunhofer IRB Verlag Die vorliegende Arbeit
MehrChapter 1 : þÿ O n l i n e b e t a t h o m e c h a p t e r
Chapter 1 : þÿ O n l i n e b e t a t h o m e c h a p t e r þÿ W e t t a n b i e t e r I n t e r w e t t e n h a t a m M o n t a g s e i n e n J a h r e s b e r i c h t u n d e i n e I n d e r. V i r t
MehrArbeitsbereichMathematikderTUHamburg-Harburg Kasernenstrae12,D-21073Hamburg NumerischeSoftware. http://www.tu-harburg.de/mat
FrederikFuhrmann,UweKleisundWolfgangMackens PartielleDierentialgleichungenund ArbeitsbereichMathematikderTUHamburg-Harburg Kasernenstrae12,D-21073Hamburg NumerischeSoftware http://www.tu-harburg.de/mat
MehrVerkäufer/-in im Einzelhandel. Kaufmann/-frau im Einzelhandel. belmodi mode & mehr ein modernes Unternehmen mit Tradition.
Eine gute Mitarbeiterführung und ausgeprägte sind dafür Das ist sehr identisch des Verkäufers. Eine gute Mitarbeiterführung und ausgeprägte sind dafür Das ist sehr identisch des Verkäufers. Eine gute Mitarbeiterführung
MehrDifferenzialrechnung für Funktionen mit mehreren unabhängigen Variablen. Graphentheorie
Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Graphentheorie Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Def.: eine Funktion n f :D mit D,x (x,...x
Mehr2.5 Aufgabe Aufgabe Aufgabe Aufgabe 8
4 7 3 / 4 m 5 / 8 x (81) = 4 α f(x) = 3x 2 6x + 9 f(x) = x 2 10x + 9 (x + 2y) 2 =? ( 36m2 ) 9m 5n 2 (5x+y) (2+6) 4 / 7 7 / 7 336 = 4 7 x = 7 7 x 4 7 = 336 : 7 4 Kehrbruch! x = 588 3 / 4 m 5 / 8 x 5 / 8
MehrQuadratische Gleichungen. Üben. Lösung. Quadratische Gleichungen. Klasse. Schwierigkeit. Art. math. Thema. Nr. Löse mit der Lösungsformel:
1a Löse mit der sformel: a) x 2 + 6x + 5 = 0 b) y 2 + 6y + 7 = 0 c) z 2 13z 48 = 0 1a a) a = 1, b = 6, c = 5 2 6 ± 6 4 1 5 x 1/ 2 = ; x1 5 ; x2 = 1 2 1 b) x 1 = 3 2 ; x 2 = 3+ 2 c) x1 = - 3 ; x2 = 16 1b
MehrSommersemester 2015. Montag Dienstag Mittwoch Donnerstag Freitag. CAD P Happel. S1.8b. Grundlagen der ET V. Feige. Grundlagen der ET Ü.
Bachelor 2.Semester WirtschaftsIngenieur Gruppe 1 P Happel Beginn 8:30 Uhr Bachelor 2.Semester WirtschaftsIngenieur Gruppe 2 P Bachelor 2.Semester WirtschaftsIngenieur Gruppe 3 P Happel Bachelor 2.Semester
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof. Dr. Erich Walter Farkas Kapitel 8. Funktionen von mehreren Variablen Kapitel 8.3 Anwendungen der partiellen Differentiation (Teil 1): Kettenregel und Linearisierung
MehrSSL-Lehrveranstaltungen der FH Kärnten, Studiengang Soziale Arbeit, Standort Feldkirchen, im SoSe 2014 (vorbehaltlich Änderungen):
SSL-Lehrveranstaltungen der FH Kärnten, Studiengang Soziale Arbeit, Standort Feldkirchen, im SoSe 2014 (vorbehaltlich Änderungen): Gerontologie Termine Vollzeit: Di 11.03.2014 12:45-14:15 E 3.201 Audimax
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
Mehr1 Clean Forest Park Hangenen Fang
C C / RVR Sv AG 8 M p 0 0 0 @... E Iv v RVR Sv AG C Pk N öp: R W Nk,? S ü 00 J Pp «Nk» L ü Wä. Up v R J k v T Z U- K, Iv, Mä Sy k. C C Z: M p k-k: A W v Wä G E Pp K D Zv ö, G p R K ä. D E ü Up V N R J
MehrMathematik IT 3 (Analysis)
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof. Dr. L. Cromme Mathematik IT 3 (Analysis für die Studiengänge Informatik, IMT und ebusiness im Wintersemester 015/016 Geben
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.3 Anwendungen (Teil 1): Kettenregel und Linearisierung
Mathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.3 Anwendungen (Teil 1): Kettenregel und Linearisierung www.math.ethz.ch/education/bachelor/lectures/fs2015/other/mathematik2
MehrGraph der Funktion f(x,y) mit ebenen Schnitten
3D-Funktion Graph der Funktion f(x,y) mit ebenen Schnitten Die Figur 3D-Funktion-Lsg2.ggb zeigt den Graphen einer Funktion f(x,y) zweier Veränderlicher mit ebenen Schnitten y=y 0 bzw. x=x 0 parallel zur
MehrNürnberg. Augsburg. München
IT T OIT-- @ ß 77 T -13- Fx-111 : F 121 : 121 -: 221 : 221 32 73 T -3- Tx: - I ö - L L T ä F ö F : x : - y - OIT (ß -F O- -- O: 3 : 1 ( y Jö J 2 OIT 3 L! T F: ß: : : : : I 1 x 22 ( x ö 1 - : F * F : @
MehrStefan Lucks Krypto und Mediensicherheit (2009) 5: Blockchiffren. 5: Blockchiffren. (n bit) (n bit) VERschlüsseln ENTschlüsseln
5: Blockchiffren Klartexte 000000 111111 000000 111111 000000 111111 000000 111111 000000 111111 000000 111111 Chiffretexte (n bit) (n bit) VERschlüsseln ENTschlüsseln 74 5.1: Abstrakte Blockchiffren Familie
MehrHöhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 8. Übungsblatt. ). 12x 3 Die Hessematrix von f ist gegeben durch H f (x, y) =
Karlsruher Institut für Technologie (KIT Institut für Analysis Priv-Doz Dr P C Kunstmann Dipl-Math D Roth SS 0 7060 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 8 Übungsblatt
Mehr7.2.1 Zweite partielle Ableitungen
72 72 Höhere Ableitungen 72 Höhere Ableitungen Vektorwertige Funktionen sind genau dann differenzierbar, wenn ihre Koordinatenfunktionen differenzierbar sind Es ist also keine wesentliche Einschränkung,
MehrChapter 1 : þÿ b e t a r a f c h a p t e r
Chapter 1 : þÿ b e t a r a f c h a p t e r þÿ. j a c k p o t s p i e l a u t o m a t e n B e t a t h o m e l i v e O n l i n e G a m b l i n g P o k e r A u s t r a l i a.. B o r u s s i a M & # 3 9 ;
MehrAufbau von wissenschaftlichen Arbeiten am. Lehrstuhl für Thermische Verfahrenstechnik. Markus Lichti
1. Jour-fixe am 29.1.2014 Aufbau von wissenschaftlichen Arbeiten am Lehrstuhl für Thermische Verfahrenstechnik Markus Lichti Technische Universität Kaiserslautern Lehrstuhl für Thermische Verfahrenstechnik
MehrEinfache Ausdrücke Datentypen Rekursive funktionale Sprache Franz Wotawa Institut für Softwaretechnologie wotawa@ist.tugraz.at
Inhalt SWP Funktionale Programme (2. Teil) Einfache Ausdrücke Datentypen Rekursive funktionale Sprache Franz Wotawa Institut für Softwaretechnologie wotawa@ist.tugraz.at Interpreter für funktionale Sprache
MehrDieser Weg wird (k)ein leichter sein. M-Unterricht auf dem Weg zur Zentralmatura
Dieser Weg wird (k)ein leichter sein M-Unterricht auf dem Weg zur Zentralmatura Dr. Anita Dorfmayr AG-Tagung, St. Pölten, 2.3.2015 Schulversuch am BG/BRG Tulln SRP in zwei Klassen 2014 Beurteilungen: Sehr
MehrEinführung in die Quadratischen Funktionen
Einführung in die Quadratischen Funktionen Problemstellung: In einer Fabrikhalle soll ein Pausenraum neu eingerichtet werden. Die dazu bestellten flexiblen Trennwände sind zusammen 15 m lang. Das Aufstellen
MehrParallelesProgrammierenmitJava HeinzKredel AkitoshiYoshiday tingassoziiertabermitdemprogrammiersystemjavastehenallehilfs- mittelfurdienutzungdiesertechnikeninbeliebigenanwendungenzur ParalleleProgrammierungwirdoftmitHighPerformanceCompu-
MehrNur im Abo! Abo! Abo Steuerungstechnik rcesfür die Automatisierung. altunce in Produktion un. Logistik. ent digitalen Fabrik.
Jv 0! A N! N A v 40 N! A N A! 40 40 A ü N S 0 N S A 40 ü A R xä S ü ü -S A S R R - 0 ARV W v 4 S v F vr S 40 F S 0 6 SR v 06 Sä A v S S v F S 9B/30 U B 83 6 6 Hx A 0 R v 0S6 BF R F F 6 /v A06 S ü B vä
MehrFH- Kurs Mathematik Übungsaufgaben für 2. Klausur
Aufgabe 1: Gegeben ist die Funktion f mit 1 f x = x x x + x R 8 3 2 ( ) = ( 3 9 + 27);. a) Untersuchen sie das Schaubild K von f auf Schnittpunkte mit den Koordinatenachsen, Hoch- und Tiefpunkte. Zeichnen
MehrVorlage zur Dokumentation der täglichen Arbeitszeit
Monat/Jahr: Januar 2016 Fr, 01 0:00 Sa, 02 0:00 So, 03 0:00 Mo, 04 0:00 Di, 05 0:00 Mi, 06 0:00 Do, 07 0:00 Fr, 08 0:00 Sa, 09 0:00 So, 10 0:00 Mo, 11 0:00 Di, 12 0:00 Mi, 13 0:00 Do, 14 0:00 Fr, 15 0:00
MehrExtremwertrechnung in mehreren Veränderlichen
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann SS 2014 14.05.2014 Höhere Mathematik II für die Fachrichtung Informatik 3. Saalübung (14.05.2014) Extremwertrechnung
MehrChapter 1 : þÿ W i e e i n z a h l e n a u f b e t a t h o m e c h a p t e r
Chapter 1 : þÿ W i e e i n z a h l e n a u f b e t a t h o m e c h a p t e r þÿ h o m e d r o h t K l a g e i n D e u t s c h l a n d & m i d d o t ; S c h l e s w i g - H o l s t e i n h a t s i c h &
MehrChapter 1 : þÿ b e t a t h o m e g e h t n i c h t c h a p t e r
Chapter 1 : þÿ b e t a t h o m e g e h t n i c h t c h a p t e r þÿ V e r w e i l e n s p i n s b e i a v a l o n v e r t r a u l i c h b e h a n d e l t w e r d e n b e t a t h o m e n o. n o. A b s o
MehrPraktische Optimierung
Praktische Optimierung Dozent: Günter Rudolph Vertretung: Nicola Beume Wintersemester 2007/08 Universität Dortmund Fachbereich Informatik Lehrstuhl für Algorithm Engineering (LS11) Fachgebiet Computational
MehrA.22 Schnittwinkel zwischen Funktionen
A.22 Schnittwinkel 1 A.22 Schnittwinkel zwischen Funktionen A.22.01 Berühren und senkrecht schneiden ( ) Wenn sich zwei Funktionen berühren, müssen sie im Berührpunkt den gleichen y-wert haben. Wenn sich
MehrKatalog: Canvas 26-06-2015. Seite 1
Katalog: Canvas 26-06-2015 Seite 1 Index Seite 2 canvas080114g-02 canvas80114g 80x114x3.5 cm canvas80114g 49 canvas080114g-01 canvas80114g canvas80114g 49 canvas080114-17 canvas80114 canvas80114 17 canvas080114-16
MehrFachreferat in der Mathematik
Maximilian-Kolbe-Schule Fachreferat in der Mathematik Näherungsweise Berechnung von Flächen : Das Sehnentrapez Verfahren Christian Schübel, 12 Wd Vortrag am : 20. Mai 1998 Näherungsweise Berechnung von
MehrChapter 1 : þÿ b e t a t h o m e V e r b i n d u n g s c o d e c h a p t e r
Chapter 1 : þÿ b e t a t h o m e V e r b i n d u n g s c o d e c h a p t e r þÿ L i v e w e t t e n U M S A T Z B E D I N G U N G E N, B o n u s 6 x i n S p o r t w e t t e n z u 1, 7 5. H i e r k o m
MehrChapter 1 : þÿ b e t a t h o m e E c k e S t r a t e g i e c h a p t e r
Chapter 1 : þÿ b e t a t h o m e E c k e S t r a t e g i e c h a p t e r þÿ T i p p e r h ä l t m a n b e i b e t - a t - h o m e : M i t 1 0 E i n s a t z b e t r ä g t d e r G e w i n n 1 2. M i t. S
MehrABSTRAKTES MERKWÜRDIG MACHEN: LERNEN MIT #SKETCHNOTES UND DIGITALEN MEDIEN
TAG DER AUFGESCHOBENEN HAUSARBEITEN DATENSCHUTZ RISIKO BEOBACHTUNG 06.07.2016 UNIVERSITÄTSBIBLIOTHEK TU KAISERSLAUTERN ANLEITUNG VERSICHERUNG STEUERUNG ABSTRAKTES MERKWÜRDIG MACHEN: LERNEN MIT #SKETCHNOTES
MehrStatistischeModellierung,Klassikationund LokalisationvonObjekten email:hornegger@informatik.uni-erlangen.de LehrstuhlfurMustererkennung(Informatik5), Martensstrae3,91058Erlangen, JoachimHornegger ZusammenfassungIndieserArbeitwirdeinneuerAnsatzzurmodellbasiertenErkennungundLokalisierungdreidimensionalerObjekttengeometrischenBeschreibungensinddiehiereingesetztenObjektmodelleWahrscheinlichkeitsdichten.DieseerlaubendieBerechnungeinelichkeitstheoretischesMa,dasdieGrundlagefurdieRealisierungsta-
MehrQUADRATISCHE FUNKTIONEN
QUADRATISCHE FUNKTION DARSTELLUNG MIT DER FUNKTIONSGLEICHUNG Allgemeine Form - Vorzeichen von a gibt an, ob die Funktion nach oben (+) oder unten (-) geöffnet ist. Der Wert (Betrag) von gibt an, ob die
Mehr1 Aufgaben. Aufgabe 1: f(x) = x Aufgabe 2: f(x) = x Aufgabe 4: f(x) = 2x 2 + 4
1 Aufgaben Untersuche die folgende Funktionen auf Nullstellen, Schnittpunkte mit den Koordinatenachsen, Extremwerte, y-achsensymmetrie und Punktsymmetrie zum Ursprung (0 0) und zeichnen den Graph der Funktion.
Mehr3 Abbildungen von Funktionsgraphen
27 3 Abbildungen von Funktionsgraphen In Kapitel 1 dieses Workshops haben wir uns mit der Transformation von geometrischen Figuren im Achsenkreuz beschäftigt: mit Verschiebungen, Spiegelungen, Achsenstreckungen
MehrDritte Schularbeit Mathematik Klasse 4B am
Dritte Schularbeit Mathematik Klasse 4B am 10.03.2017 FEHLER VORBEHALTEN. KORREKTUR GRUPPE A Aufgabe 1. (2x2 Punkte) Löse folgende Systeme von zwei Gleichungen in zwei Variablen (a) I : x+y = 9 II : 2x+y
MehrÜbungen: Tangenten an ganzrationale Funktionen Lösungen und Lösungshinweise
Übungen: Tangenten an ganzrationale Funktionen Lösungen und Lösungshinweise Aufgabe 1: Bestimme jeweils die 1. Ableitung der Funktionen. a) f(x) = (2 + x)(x² + 1) / Ausmultiplizieren = 2x² + 2 + x³ + x
MehrChapter 1 : þÿ b e t a t h o m e o f f e n e R e c h n u n g c h a p t e r
Chapter 1 : þÿ b e t a t h o m e o f f e n e R e c h n u n g c h a p t e r þÿ 4 5 k m & n b s p ;. B a i e r, K o h r B o b a d i l l a, K o o, C a i u b y F i n n b o g a s o n. Z u s c h a u e r. 3 4
MehrQuadratische Funktion
Quadratische Funktion sind Funktionen die nur eine Variable enthalten, deren Exponent 2 ist und keine Variable die einen Exponenten enthält, der größer ist als 2. Zum Beispiel die quadratische Funktion
MehrChapter 1 : þÿ b e t a t h o m e C o m p u t e r c h a p t e r
Chapter 1 : þÿ b e t a t h o m e C o m p u t e r c h a p t e r þÿ i c h k a n n m i c h d e n ( n e g a t i v e n ) M e i n u n g e n n i c h t a n s c h l i e s s e n. I m m e r. O d e o n b e t 8 0 0
MehrTabelle1. Kennbuchstaben CR CY Audi 80, Jetta, Golf,Passat. Zylinderzahl 4 4. Hubraum cm³ 1,6 1,6
Kennbuchstaben CR CY Fertigung von bis in folgendem Modell 08.80 07.82, Jetta, Golf,Passat 08.81 07.84 Golf, Jetta 08.81 04.88 08.84 07.86, 90 Zylinderzahl 4 4 Hubraum cm³ 1,6 1,6 Leistung kw(ps) 40(54)
MehrMathematik für Naturwissenschaftler I WS 2009/2010
Kapitel 6. Integralrechnung 6.2 Die Stammfunktion und das unbestimmte Integral 6.3 Zusammenhang zwischen bestimmten Integralen und Stammfunktionen Mathematik für Naturwissenschaftler I WS 2009/2010 Lektion
MehrC Aufgabe 1 [6 Punkte] Bestimmen Sie den Winkel α im Trapez ABCD. 5. = 4 + i, z 2. = i
ETH-Aufnahmeprüfung Herbst 18 Mathematik I (Analysis) D C Aufgabe 1 [6 Punkte] Bestimmen Sie den Winkel α im Trapez ABCD. 5 α. A 1 Aufgabe [1 Punkte] Geben Sie die Lösungsmenge folgender Gleichungen in!
MehrAnsgar Schiffler. Die Polynomdivision. Seite 1 von 5. Aufgabe 1: Es sollen die Nullstellen des Graphens der folgenden Funktion bestimmt werden.
Seite 1 von 5 Aufgabe 1: Es sollen die Nullstellen des Graphens der folgenden Funktion bestimmt werden. Dies ist der Graph der Funktion: y = f(x) =,5x³,5x² + 1,8x +,88 Die erste Nullstelle können Sie durch
MehrKlausur,,Algorithmische Mathematik II
Institut für angewandte Mathematik Sommersemester 017 Andreas Eberle, Matthias Erbar / Behrend Heeren Klausur,,Algorithmische Mathematik II Musterlösung 1 (Unabhängige Zufallsvariablen) a) Wir bezeichnen
MehrVorlage zur Dokumentation der täglichen Arbeitszeit
Monat/Jahr: Januar 2015 Do, 01 Fr, 02 Sa, 03 So, 04 Mo, 05 Di, 06 Mi, 07 Do, 08 Fr, 09 Sa, 10 So, 11 Mo, 12 Di, 13 Mi, 14 Do, 15 Fr, 16 Sa, 17 So, 18 Mo, 19 Di, 20 Mi, 21 Do, 22 Fr, 23 Sa, 24 So, 25 Mo,
MehrSystematische Entwicklung serviceorientierter Workflows: Ein Beitrag zur prozessorientierten Dienstkomposition in Anwendungsdomänen
Systematische Entwicklung serviceorientierter Workflows: Ein Beitrag zur prozessorientierten Dienstkomposition in Anwendungsdomänen Vom Fachbereich Informatik der Technischen Universität Kaiserslautern
MehrGottwald, Künzer, Ritter Wintersemester 2018/19 Mathematik für Wirtschaftswissenschaftler. Test 2
Name: Gottwald, Künzer, Ritter Wintersemester 28/9 Mathematik für Wirtschaftswissenschaftler Test 2 Bearbeitungszeit: 6 Minuten. Erlaubte Hilfsmittel: 4 eigenhändig handgeschriebene Seiten DIN A4. Bewertung:
MehrP-Square Office Crow J1900/4/ 500
P-Square Office Crow J1900/4/ 500 Intel Celeron J1900 Prozessor 4x 2.0GHz (2.41 GHz) 4GB DDR3-1600 RAM 500GB HDD P-Square Office Crow J1900/4/ 500 P-Square Office Crow J1900/4/ 500 Intel Celeron J1900
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
Mehr2 x = 4. f(x) = ± f(x) = 1. x = x 0. (x 4) (x + 2)(x 4) x 4 + f(x) 1 6. x 2 + (x + 2)(x 4) = 3, , (x 4) (x + 2)(x 4) =
(x ) f (x) = (x + )(x ) f (x) = (x ) + f (x) = e x + x = x = y = 0 y = x = f(x) = a f(x) = a x x 0 x x < 0 f(x) = a f(x) = a x x + 0 x x > 0 = f(x) = f(x) = a x x 0 x x + 0 f(x) = a x x 0 f(x) = ± x x
MehrF1 Psychische und Verhaltensstörungen durch psychotrope Substanzen
F1 Psychische und Verhaltensstörungen durch psychotrope Substanzen Triadisches System: Suchterkrankungen werden den psychogenen Erkrankungen zugeordnet. Sucht als psychische Abhängigkeit wurde von Gewöhnung
MehrIn diesem Arbeitsblatt behandeln wir die Grundlagen linearer Funktionen.
In diesem Arbeitsblatt behandeln wir die Grundlagen linearer Funktionen. Zwei mögliche Schreibweisen einer linearen Funktion lauten f ( x) = k x + d y = k x + d Die Bedeutung von k und d wird unten ausgeführt.
MehrSerie 3. z = f(x, y) = 9 (x 2) 2 (y 3) 2 z 2 = 9 (x 2) 2 (y 3) 2, z 0 9 = (x 2) 2 + (y 3) 2 + z 2, z 0.
Analysis D-BAUG Dr Cornelia Busch FS 2016 Serie 3 1 a) Zeigen Sie, dass der Graph von f(x, y) = 9 (x 2) 2 (y 3) 2 eine Halbkugel beschreibt und bestimmen Sie ihren Radius und ihr Zentrum z = f(x, y) =
MehrC Zylinder-Anlenkungen
C001-00 2009-07 Zylinder-Anlenkungen Zylinder Anlenkungen U002-00 2005-10 Inhaltsverzeichnis Gabel-Lagerbock... 2 IKA... 2 IKB... 3 DK... 4 IS... 5 ISS... 6 Bolzen zu Gabel-Lagerbock... 7 KPA (Bolzen für
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrS6 R7 G8 F5 D7 D6 D5 D4 B4 B3 B2 B1 A4 A3 A2 A1
SG 2.7 Beginn 3.BA Abd9 Abd8 Abd7 Abd6 Abd5 Abd4 Abd3 AB15 AB14 AB13AB12AB11AB10AB9 AB8 AB7 AB6 AB5 AB4 AB3 Z15 Y11 S14 R14 R13 Q13 W12 D17 D16 Z14 V12 S13 R12 Q12 D15 Z13 Z12 Z11 V11 S12 Y10 Q11 D14 V10
MehrÜbung 22: Gradient und Richtungsableitung; Extremwertaufgaben für Funktionen mehrerer Veränderlicher
Technische Universität Chemnitz 1. Juli 20 Fakultät für Mathematik Höhere Mathematik I.2 Übung 22: Gradient und Richtungsableitung; Extremwertaufgaben für Funktionen mehrerer Veränderlicher 1. Durch ein
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Präsenzaufgaen zum 8und 9 Lösungshinweise (onhe Garantie auf Fehlerfreiheit Sei f : D R mit D {(x, y R : x, y > } und f(x, y x sin(x y + xy (a
MehrVorwort zur schwedischen Ausgabe... 15 Vorwort zur US-Ausgabe... 19 Danksagung... 23 Eine persönliche Einleitung... 25
Inhalt Vorwort zur schwedischen Ausgabe... 15 Vorwort zur US-Ausgabe... 19 Danksagung... 23 Eine persönliche Einleitung... 25 Teil 1: Hintergrund... 31 1. Der radikale Behaviorismus und grundlegende verhaltensanalytische
MehrAusschreibung zum Deutschen Mannschaftswettbewerb Schwimmen (DMS) 2009 - Landesliga Rheinland-Pfalz -
Ausschreibung zum Deutschen Mannschaftswettbewerb Schwimmen (DMS) 2009 - Landesliga Rheinland-Pfalz - Veranstalter: Vorkampf: Ausrichter: Datum: IG Rheinland-Pfalz (SVR-SWSV) SC Poseidon Koblenz e.v. 1.
MehrLandesliga Nord 2015 / 2016
Landesliga Nord 2015 / 2016 1. Spieltag, So, 02.08.2015, - - SG Neunkirchen/Nahe-Selb. - - - - - - - 2. Spieltag, Mi, 05.08.2015 - - - - - SG Neunkirchen/Nahe-Selb. - - - - 3. Spieltag, So, 09.08.2015,
MehrWangerooge Fahrplan 2016
Fahrplan Dezember 2015 Januar Januar Januar Februar Februar März So, 13.12. 10.15 11.00 12.45 12.30 13.45 14.20 Mo, 14.12. 11.30 13.00 15.30 Di, 15.12. 12.30 13.05 14.45 13.30 15.00 Mi, 16.12. 14.45 16.00
MehrMit smarten Fabriken zur vierten industriellen Revolution
www.smartfactory kl.de Mit smarten Fabriken zur vierten industriellen Revolution Prof. Dr. Ing. Dr. h.c. Detlef Zühlke Direktor Innovative Fabrik Systeme IFS Deutsches Forschungszentrum für Künstliche
MehrVorlesung Mathematik WS 10/11. Friedel Bolle. Vorbemerkung
Prof Dr Friedel Bolle Vorlesung Mathemati WS 0/ Friedel Bolle Prof Dr Friedel Bolle Vorbemerung Weshalb Mathemati für Öonomen? Das werden Sie selbst im Studium erfahren! Viele Probleme werden in der Sprache
MehrQuadratische Funktionen. Stephan Hußmann Vorlesung Wintersemester 2010/2011
Quadratische Funktionen Stephan Hußmann Vorlesung Wintersemester 2010/2011 der Weg über lineare Funktionen 1 Produkte linearer Funktionen a) Wenn man zwei lineare Funktionen addiert, erhält man wieder
Mehr