Einführung in die Künstliche Intelligenz
|
|
- Chantal Sauer
- vor 7 Jahren
- Abrufe
Transkript
1 Einführung in die Künstliche Intelligenz - Verfahren autonomer Wegplanung - D P LS G ML ES S ST EB SA NN ME O PF EA SV FSM Sommersemester 2009 Dr. Marco Block-Berlitz 1
2 Übersicht zum Vorlesungsinhalt 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme 3) Logisches Schließen, Resolution 4) Suche und Spieltheorie 5) Optimierungen und Heuristiken (Spieleprogrammierung) 6) Mustererkennung 7) Neuronale Netze 8) General Game Playing 9) Maschinelles Lernen 10) Evolutionäre Algorithmen und kollektive Intelligenz 11) Entscheidungsbäume, Multitouch 12) Autonome Wegplanung Sommersemester 2009 Dr. Marco Block-Berlitz 2
3 Wo wird Wegplanung benötigt? Autonome Agenten/Systeme Robotik, Fahrzeuge Virtuelle Agenten in Spielen Sommersemester 2009 Dr. Marco Block-Berlitz 3
4 Wegplanung allgemein Wegplanung (pathfinding, pathplanning) kann deterministisch erfolgen, z.b. bei festgelegten Patroulienwegen, oder innerhalb einer bestimmten Region auch zufällig sein, z.b. bei Tierbewegungen. Agentenbasierte Wegplanung mit definiertem Start und Ziel Bei der agentenbasierte Wegplanung gibt es eine Weltrepräsentation, in der sich ein Agent an einer genau definierten Startposition befindet (Orientierung/Geschwindigkeit) und einen Weg zu einer Zielposition finden soll. Sommersemester 2009 Dr. Marco Block-Berlitz 4
5 Agentenbasierte Wegplanung mit Start und Ziel Zur intelligenten und schnellen agentenbasierten Wegplanung müssen wir zwei Konzepte untersuchen und verstehen: Vorlesung: Künstliche Intelligenz Academics versus Spielspaß Quantization Suche mit A*-Varianten Weltrepräsentation Suchraumrepäsentation Localization Sommersemester 2009 Dr. Marco Block-Berlitz 5
6 Pathfinding Suchtechniken Der A*-Algorithmus ist ein Standardverfahren zur Identifizierung eines optimalen Weges in einem gegebenen gerichteten, nicht-negativ gewichteten Graphen. Es gibt verschiedenen Varianten des A*-Algorithmus. Luftlinie nach Ulm: Basel 204 Bayreuth 207 Bern 247 Frankfurt 215 Innsbruck 163 Karlsruhe 137 Landeck 143 Linz 318 München 120 Mannheim 164 Memmingen 47 Nürnberg 132 Passau 257 Rosenheim 168 Stuttgart 75 Salzburg 236 Würzburg 153 Zürich 157 Sommersemester 2009 Dr. Marco Block-Berlitz 6
7 Pathfinding Heuristiken für A*-Algorithmus Null-Heuristik Vorlesung: Künstliche Intelligenz Die Null-Heuristik liefert bei jeder Anfrage einfach den Wert 0 zurück. Zur Erinnerung: Der A*-Algorithmus mit Null-Heuristik entspricht dem Dijkstra- Algorithmus. Euklidische Distanz Die Auswahl der besten Knoten im A*-Algorithmus wird durch die gegebenen Luftlinien ermittelt. In diesem Fall durch die euklidische Distanz Startknoten Zielknoten direkte Verbindung heuristische Entfernung Beispiel aus [1] Sommersemester 2009 Dr. Marco Block-Berlitz 7
8 Pathfinding Heuristiken für A*-Algorithmus Vorlesung: Künstliche Intelligenz Clusterheuristik Knoten im Graphen werden gruppiert und eine Lookup-Tabelle (LT) für die kürzesten Verbindungen untereinander erzeugt. Die Berechnung der Cluster und der LT finden offline statt. Lookup-Tabelle C1 C2 C3 10 C2 C1 C2 C3 X X 7 7 X C Vor- und Nachteile Um den besten Weg durch ein Cluster zu finden, wird dieses meistens erst gefüllt, bevor es zum nächsten geht. Wenn Cluster klein genug sind, ist das kein Problem, aber dadurch wird die LT sehr groß und damit der Vorberechnungsaufwand u.u. sehr lang. C3 8 7 Beispiel aus [1] Sommersemester 2009 Dr. Marco Block-Berlitz 8
9 Pathfinding Quantization Reguläre Grids (Quadrate, Hexaeder,...) Eckpunkt-Graphen Graphen mit Wegpunkten Kreisbasierte Wegpunkt-Graphen Volumenbasierte Wegpunkt-Graphen Navigation- meshes Hierarchische Repräsentationen Precomputing: Transition tables Lazy probabilistic roadmap Rapidly-exploring Random Trees Extended Rapidly-exploring Random Trees Sommersemester 2009 Dr. Marco Block-Berlitz 9
10 Pathfinding Reguläre Grids Oft wird die Welt durch eine regelmäßige Unterteilung beschreiben (Quadrate, Hexaeder,...). Die Zentren werden dabei als Knoten für die Graphrepräsentation verwendet. Bild und Download [2] Sommersemester 2009 Dr. Marco Block-Berlitz 10
11 Pathfinding Grids als Graphen Als Knoten werden die Zentren der Felder verwendet. Die Kanten werden entsprechend über die gegebenen Nachbarschaften definiert. Sommersemester 2009 Dr. Marco Block-Berlitz 11
12 Pathfinding Reguläre Grids Bewegungen von nord, süd, ost und west sind möglich. Das reduziert den Aufwand bei der Ermittlung des besten Weges im A*-Algorithmus Startknoten Zielknoten Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 12
13 Pathfinding Reguläre Grids Diagonale Bewegungen sind erlaubt und verkürzen damit den Gesamtweg. Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 13
14 Pathfinding Grids als Graphen Bei der Optimierung des Weges können weitere Kanten hinzugefügt werden. Zu Beginn wird der Graph klein gehalten, um den Suchaufwand zu reduzieren. Sommersemester 2009 Dr. Marco Block-Berlitz 14
15 Pathfinding Reguläre Grids String-pulling (line-of-sight) wurde angewendet und so der Weg weiter verkürzt. Dabei wird jeder Knoten Pn entfernt, wenn ein direkter Weg zwischen Pn-1 und Pn+1 existiert. Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 15
16 Pathfinding Reguläre Grids Optimierter Weg mit Catmull-Rom-Spline. Alle Punkte werden dabei durchlaufen und Änderungen beieinflussen die Kurve nur lokal. [7] Java-Source-Code zu Catmull-Rom Splines und weiteren, wie z.b. B-Spline, Cubic-Splines oder Bezier Kurven ist hier zu finden in [6]. Formeln und Abbildungen aus [5] Sommersemester 2009 Dr. Marco Block-Berlitz 16
17 Das wollen wir gleich live testen... Sommersemester 2009 Dr. Marco Block-Berlitz 17
18 Pathfinding Optimaler Weg Gegeben sei eine Weltrepräsentation in 2D mit dem Start X und dem Ziel Y. Wir wollen anhand dieses Beispiels die verschiedenen Repräsentationen erläutern und diskutieren. X Y Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 18
19 Pathfinding Eckpunkt-Graphen Knoten werden an den Ecken von Hindernissen plaziert und Kanten entsprechend der Sichtbarkeit gesetzt. Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 19
20 Pathfinding Eckpunkt-Graphen Start- und Zielpositionen werden wie Knoten im Graphen behandelt. Mit den gegebenen Wegpunkten werden oft suboptimale Wege identifiziert. X Y Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 20
21 Pathfinding Eckpunkt-Graphen Zunächst werden die (nahen) erreichbaren Knoten identifiziert und der Weg konstruiert. X Y Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 21
22 Pathfinding Eckpunkt-Graphen Mit Hilfe von String-pulling lassen sich die Wege wieder verkürzen. X Y Problematisch ist die Handhabung bei Agenten mit unterschiedlichen Größen. Es werden also individuelle Graphen benötigt. Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 22
23 Pathfinding Wegpunkte selber festlegen Wegpunkte lassen sich auch vom Programmierer festlegen. So beispielsweise in der Mitte von Räumen oder Hallen, weit entfernt von Ecken und Wänden. Diese Technologie ist auf Grund der einfachen Handhabung in 3D-Spielen sehr beliebt. Leider ist es auch damit nicht einfach optimale Wege zu finden. Academics versus Spielspaß Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 23
24 Pathfinding Wegpunkte selber festlegen Auch hier verwenden wir die gleichen Techniken, um den besten Weg zu finden. Schauen wir uns dazu ein Beispiel an. X Y Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 24
25 Pathfinding Wegpunkte selber festlegen Wenn wir wieder die Optimierung String-pulling anwenden, wird der Weg verkürzt. X Y Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 25
26 Pathfinding Kreisbasierter Wegpunkt-Graph Anstatt die Ecken der Hindernisse als Knoten zu verwenden, wird eine minimale Anzahl von Kreisen aufgespannt (die sich schneiden müssen) und die jeweiligen Zentren verwendet. Vorlesung: Künstliche Intelligenz Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 26
27 Pathfinding Volumenbasierter Wegpunkt-Graph Es können auch andere Volumina als z.b. Kreise verwendet werden. Die Knoten entsprechen jetzt allerdings den Kanten zwischen den Voluminaobjekten. Vorlesung: Künstliche Intelligenz Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 27
28 Pathfinding Dreieckbasiertes Navigationmesh Oft werden Triangulierungen eingesetzt, um Meshes zu konstruieren. Vorlesung: Künstliche Intelligenz Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 28
29 Pathfinding Demo von Paul Tozour Bild und Download [2] Sommersemester 2009 Dr. Marco Block-Berlitz 29
30 Das wollen wir gleich live testen... Sommersemester 2009 Dr. Marco Block-Berlitz 30
31 Pathfinding Probleme der realen Welt Umwelt ist nicht statisch sondern dynamisch. Objekte (Hindernisse) können sich bewegen, was die Wegplanung erschwert. Detailierte Vorberechnung ist dabei eigentlich unmöglich. Orientierung ist wichtig und erhöht damit die Komplexität der Suche. Roboter Ziel Start Sommersemester 2009 Dr. Marco Block-Berlitz 31
32 Pathfinding Lazy probabilistic roadmap Gegeben sind Start- und Zielknoten. In der Initialisierungsphase werden dabei n Knoten zufällig platziert. Zielknoten Startknoten Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 32
33 Pathfinding Lazy probabilistic roadmap Für alle Knoten werden in Abhängigkeit einer vorgegebenen Entfernung (Radius r) die Nachbarschaften festgelegt. Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 33
34 Pathfinding Lazy probabilistic roadmap Im folgenden Schritt wird der A*-Algorithmus wie gewohnt verwendet. Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 34
35 Pathfinding Lazy probabilistic roadmap Daraus ergibt sich ein Weg, der nicht notwendigerweise möglich ist, da er auf Grund der zufällig platzierten Knoten durch Hindernisse verlaufen kann (wie in diesem Beispiel). Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 35
36 Pathfinding Lazy probabilistic roadmap Der Weg wird vom Startknoten aus im Anschluß überprüft und die Knoten identifiziert, die nicht erreichbar sind (ungültige Knoten). Desweiteren werden auch ungültige Kanten identifiziert und entfernt. ungültiger Knoten identifiziert Es werden nur die Knoten und Kanten auf Gültigkeit überprüft, die auf dem Weg des durch den A*- Algorithmus gelieferten Weg verlaufen. Daher auch die Bezeichnung lazy. Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 36
37 Pathfinding Lazy probabilistic roadmap Ungültige Knoten/Kanten werden entfernt, damit wird der durch den A*- Algorithmus konstruierte Weg unterbrochen. Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 37
38 Pathfinding Lazy probabilistic roadmap Wiederhole A*-Algorithmus, Pfadvalidierung, Entfernung ungültiger Knoten/Kanten, bis ein gültiger Weg gefunden ist. Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 38
39 Pathfinding Lazy probabilistic roadmap In diesem Fall wurde eine ungültige Kante identifiziert, da sie durch ein Hinderniss verläuft. ungültige Kante identifiziert Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 39
40 Pathfinding Lazy probabilistic roadmap In diesem Beispiel konnte ein gültiger Weg identifziert werden. Wenn kein gültiger Weg identifiziert werden konnte, werden zusätzliche Knoten zufällig hinzugenommen und der Algorithmus beginnt von vorn. Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 40
41 Pathfinding Geplanter Weg Gefahrener Weg Vorlesung: Künstliche Intelligenz Der konstruierte Weg ist in der Realität so nicht abfahrbar (physikalische Eigenschaften, Trägheit, Geschwindigkeit, Orientierung,...). geplanter Weg gefahrener Weg Beispiel aus [3] Sommersemester 2009 Dr. Marco Block-Berlitz 41
42 Pathfinding Rapidly-exploring Random Trees Vorlesung: Künstliche Intelligenz Vorteil von Rapidly-exploring Random Trees (RRT): Funktionieren im kontinuierlichen Raum, kein künstliches Grid notwendig. 0. Erzeuge einen (Start-)Knoten und füge ihn in den Baum ein 1. Wähle einen zufälligen Punkt T im Suchraum 2. Finde der nächsten Knoten K im Baum zu T 3. Erweitere den Knoten K (mit Hilfe einer der erlaubten Aktionen) in Richtung T, wenn möglich 4. Erzeuge an der neuen Positionen einen Knoten K 5. Füge den Knoten K dem Baum hinzu und aktualisiere die Nachbarschaften Abbildungen aus [8] Sommersemester 2009 Dr. Marco Block-Berlitz 42
43 Pathfinding Rapidly-exploring Random Trees Vorlesung: Künstliche Intelligenz Ohne weitere Vorgaben und Einschränkungen beginnt der Baum in alle Richtungen gleichmäßig zu wachsen. Abbildungen aus [8] Sommersemester 2009 Dr. Marco Block-Berlitz 43
44 Pathfinding Rapidly-exploring Random Trees Damit wird der Suchraum auch gleichmäßig exploriert. Vorlesung: Künstliche Intelligenz Abbildungen aus [4] Sommersemester 2009 Dr. Marco Block-Berlitz 44
45 Pathfinding Rapidly-exploring Random Trees Eine Erweiterung, die über Hindernisse hinwegführt, wird ignoriert: Vorlesung: Künstliche Intelligenz Wenn ein Ziel entdeckt wurde, ermittle den Pfad direkt zum Wurzelknoten: Abbildungen aus [8] Sommersemester 2009 Dr. Marco Block-Berlitz 45
46 Pathfinding Rapidly-exploring Random Trees RRT läßt sich zielorientiert (zur Wegplanung) erweitern: Vorlesung: Künstliche Intelligenz 0. Erzeuge einen (Start-)Knoten und füge ihn in den Baum ein 1. Wähle einen zufälligen Zielpunkt Z im Suchraum mit Wahrscheinlichkeit (p) oder einen zufälligen Punkt im Suchraum mit Wahrscheinlichkeit (1-p) 2. Finde der nächsten Knoten K im Baum zu T 3. Erweitere den Knoten K (mit Hilfe einer der erlaubten Aktionen) in Richtung T, wenn möglich 4. Erzeuge an der neuen Positionen einen Knoten K 5. Füge den Knoten K dem Baum hinzu und aktualisiere die Nachbarschaften Zielorientierte Erweiterung (p): Zufällige Erweiterung (1-p): Abbildungen aus [8] Sommersemester 2009 Dr. Marco Block-Berlitz 46
47 Pathfinding Extended Rapidly-exploring Random Trees ERRT enthält mit den gespeicherten Wegpunkten eine weitere Erweiterung. Vorlesung: Künstliche Intelligenz 0. Erzeuge einen (Start-)Knoten und füge ihn in den Baum ein 1. Wähle einen zufälligen Zielpunkt Z im Suchraum mit Wahrscheinlichkeit (p) oder einen zufälligen Punkt aus einem älteren, bereits bekannten Weg aus der Vergangenheit mit Wahrscheinlichkeit (q) oder einen zufälligen Punkt im Suchraum mit Wahrscheinlichkeit (1-p-q) 2. Finde der nächsten Knoten K im Baum zu T 3. Erweitere den Knoten K (mit Hilfe einer der erlaubten Aktionen) in Richtung T, wenn möglich 4. Erzeuge an der neuen Positionen einen Knoten K 5. Füge den Knoten K dem Baum hinzu und aktualisiere die Nachbarschaften [8] Zielorientierte Erw. (p): Wegorientierte Erw. (q): Zufällige Erw. (1-p-q): Abbildungen aus [8] Sommersemester 2009 Dr. Marco Block-Berlitz 47
48 Pathfinding Rapidly-exploring Random Trees Vorlesung: Künstliche Intelligenz Beispiele für gegebene Situationen und mit RRT konstruierte Wege. Dabei wurden folgende Eigenschaften für die erlaubten Aktionen vorgegeben: - das Fahrzeug hat einen beschränkten Lenkwinkel - das Fahrzeug fährt nur in eine Richtung Winkel kleiner Abbildungen aus [4] Sommersemester 2009 Dr. Marco Block-Berlitz 48
49 Schauen wir uns dazu noch etwas an... Sommersemester 2009 Dr. Marco Block-Berlitz 49
50 Literatur- und Abbildungsquellen [1] [2] [3] [4] [5] [6] [7] [8] [9] Millington I.: Artificial Intelligence for Games, Morgan Kaufmann, Elsevier, 2006 Webseite von Paul Tozour: Rabin S. (Editor): AI Game Programming WISDOM 2, Charles River Media, 2004 Webseite zu RRT: Webseite von Robert Dunlop: Webseite von Tim Lambert: Catmull E., Rom R.: A class of local interpolating splines, In Computer Aided Geometric Design, R. E. Barnhill and R. F. Reisenfeld, Eds. Academic Press, New York, pp , 1974 Veloso M.: CMRoboBits: Probabilistic Path Planning, Carnegie Mellon University, Bruce J., Veloso M.: Real-Time Randomized Path Planning for Robot Navigation, In Proceedings of IROS-2002, Switzerland 2002 Sommersemester 2009 Dr. Marco Block-Berlitz 50
Vorlesung: Künstliche Intelligenz
Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte
MehrComputergrafik/Visualisierung II
Vorlesung Computergrafik/Visualisierung II Hochschule für Technik und Wirtschaft Dresden University of Applied Sciences Prof. Dr. Marco Block-Berlitz Sommersemester 2014 Studiengang Medieninformatik Vorlesungsteil
Mehr12. Graphen Programmieren / Algorithmen und Datenstrukturen 2 Prof. Dr. Bernhard Humm FB Informatik, Hochschule Darmstadt Wintersemester 2012 / 2013
12. Graphen Programmieren / Algorithmen und Datenstrukturen 2 Prof. Dr. Bernhard Humm FB Informatik, Hochschule Darmstadt Wintersemester 2012 / 2013 1 Agenda Kontrollfragen Graphen Graphenalgorithmen 2
Mehr9. Heuristische Suche
9. Heuristische Suche Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S Heuristische Suche Idee: Wir nutzen eine (heuristische)
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
MehrLearning to Optimize Mobile Robot Navigation Based on HTN Plans
Learning to Optimize Mobile Robot Navigation Based on HTN Plans lernen Betreuer: Freek Stulp Hauptseminar Intelligente Autonome Systeme (WiSe 2004/05) Forschungs- und Lehreinheit Informatik IX 8. Dezember
MehrInhaltliche Planung für die Vorlesung
Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrWegeplanung: Wegekartenverfahren
Wegeplanung: Wegekartenverfahren Idee Sichtbarkeitsgraph Voronoi-Diagramm Probabilistische Wegekarten Rapidly-Exploring Random Tree Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Wegekartenverfahren
MehrProgrammierkurs Python II
Programmierkurs Python II Stefan Thater & Michaela Regneri Universität des Saarlandes FR 4.7 Allgemeine Linguistik (Computerlinguistik) Übersicht Topologische Sortierung (einfach) Kürzeste Wege finden
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
MehrSokoban. Knowledge Engineering und Lernen in Spielen. Mark Sollweck Fachbereich 20 Seminar Knowledge Engineering Mark Sollweck 1
Sokoban Knowledge Engineering und Lernen in Spielen Mark Sollweck 29.04.2010 Fachbereich 20 Seminar Knowledge Engineering Mark Sollweck 1 Überblick Sokoban Spielregeln Eigenschaften Lösungsansatz IDA*
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Joachim Schauer Betriebliche Optimierung 1 / 31 1 Metaheuristische Verfahren 2 Joachim Schauer Betriebliche Optimierung 2 / 31 Einleitendes Metaheuristische Verfahren
MehrUberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale Roboter 1
Vorlesung Geometrische Algorithmen Sichtbarkeitsgraphen und kurzeste Wege Sven Schuierer Uberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale
MehrDatenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Übungsblatt 10 Abgabe: Montag, 08.07.2013, 14:00 Uhr Die Übungen sollen in Gruppen von zwei bis drei Personen bearbeitet werden. Schreiben Sie die Namen jedes
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
MehrProgrammierung 2 Studiengang MI / WI
Programmierung 2 Studiengang MI / WI Dipl.-Inf., Dipl.-Ing. (FH) Michael Wilhelm Hochschule Harz FB Automatisierung und Informatik mwilhelm@hs-harz.de Raum 2.202 Tel. 03943 / 659 338 Fachbereich Automatisierung
MehrViertes Übungsblatt - Musterlösung
Universität Karlsruhe Algorithmen für Routenplanung Fakultät für Informatik Sommersemester 2009 ITI Wagner Daniel Delling, Thomas Pajor Viertes Übungsblatt - Musterlösung Aufgabe 1: SHARC-Routing Gegeben
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 11 Prof. Dr. Helmut Seidl, S. Pott,
MehrEinführung (1/3) Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (1) Vorlesungen zur Komplexitätstheorie.
Einführung (1/3) 3 Wir verfolgen nun das Ziel, Komplexitätsklassen mit Hilfe von charakteristischen Problemen zu beschreiben und zu strukturieren Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit
Mehr10.1 Geometrische Wegplanung im Konfigurationsraum
10 Pfadplanung 10.1 Geometrische Wegplanung im Konfigurationsraum Vorausetzungen Roboter bewegt sich in der Ebene, ohne sich zu drehen Hindernisse sind konvexe Polygone Beispiel Grundgedanke Problem wird
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 21 1 Approximationsalgorithmen auf
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
MehrNetzwerkverbindungsspiele
Netzwerkverbindungsspiele Algorithmische Spieltheorie Sommer 2017 Annamaria Kovacs Netzwerkverbindungsspiele 1 / 12 Local Connection Spiel Computer (oder autonome Systeme) sind die Spieler (Knoten). Sie
MehrGraphentheorie. Vorkurs Informatik WS 2016/2017. Dennis Aumiller
Vorkurs Informatik WS 2016/2017 Dennis Aumiller Aumiller@stud.uni-heidelberg.de 14.10.2016 Über das Thema Wo alles begann Leider keine gesonderte Vorlesung dafür oft als Teilthema in anderen Vorlesungen
MehrCell Decomposition & Potential Field
Seminar EXRPR Cell Decomposition & Potential Field Gruppe 2: Thomas Janu Martin Koch Adrian J. Merkl Matthias Schneider Cell Decomposition & Potential Field 20.06.2005 Gruppe 2 Gliederung (1) 1.Cell Decomposition
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrAlgorithmen und Datenstrukturen. Algorithmen und Datenstrukturen. C5.1 Einführung. C5.2 Grundlagen
C. Kürzeste Pfade: Grundlagen C. Kürzeste Pfade: Grundlagen C. Einführung Gabriele Röger C. Grundlagen Universität Basel C. Optimalitätskriterium und Generisches Verfahren G. Röger (Universität Basel)
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen C. Kürzeste Pfade: Grundlagen Gabriele Röger Universität Basel 9. Mai 09 Graphen: Übersicht Repräsentation Exploration Graphen Exploration: Anwendungen Minimale Spannbäume
MehrÜbungsblatt 7 - Voronoi Diagramme
Karlsruher Institut für Technologie Algorithmische Geometrie Fakultät für Informatik Sommersemester 2012 ITI Wagner Martin Nöllenburg/Andreas Gemsa Übungsblatt 7 - Voronoi Diagramme 1 Voronoi-Zellen Sei
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 11. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen Safe
MehrBäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann
Bäume und Wälder Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Ida Feldmann 2-Fach Bachelor Mathematik und Biologie 6. Fachsemester Inhaltsverzeichnis Einleitung 1 1. Bäume
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (2) Spannbäume Kürzeste Wege Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 455 Wiederholung Traversierung eines Graphen via Tiefendurchlaufs
MehrAlgorithmische Geometrie: Delaunay Triangulierung (Teil 2)
Algorithmische Geometrie: Delaunay Triangulierung (Teil 2) Nico Düvelmeyer WS 2009/2010, 2.2.2010 Überblick 1 Delaunay Triangulierungen 2 Berechnung der Delaunay Triangulierung Randomisiert inkrementeller
MehrWintersemester 2004/ Februar 2005
Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 11 FS 14
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 14. Mai
Mehr1.Aufgabe: Minimal aufspannender Baum
1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus
MehrBerechnung von Abständen
3. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 3.4. Es sei G = (V, E) ein Graph. Der Abstand d(v, w) zweier Knoten v, w V ist die minimale Länge eines Weges von v nach w.
MehrAlgorithmen für schwierige Probleme
Algorithmen für schwierige Probleme Britta Dorn Wintersemester 2011/12 30. November 2011 Wiederholung Baumzerlegung G = (V, E) Eine Baumzerlegung von G ist ein Paar {X i i V T }, T, wobei T Baum mit Knotenmenge
MehrEinführung in die AI
1 Einführung in die AI Prof. Georg Gottlob Institut für Informationssysteme Technische Universität Wien Folien zur Vorlesung Konzepte der Artificial Intelligence 3 Zum Begriff Artificial Intelligence AI:
MehrGrundlagen: Algorithmen und Datenstrukturen
Grundlagen: Algorithmen und Datenstrukturen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester H.
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2009 11. Vorlesung Uwe Quasthoff Universität Leipzig Institut für Informatik quasthoff@informatik.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Approximationsalgorithmen auf metrischen Instanzen Minimum Spanning Tree Definition (Spannbaum) Ein Spannbaum in einem Graphen G = (V,E) ist ein kreisfreier Teilgraph
Mehrauf einer Suche basierender problemlösender Agent (Kapitel 3) logischer Planungsagent (Kapitel 10)
11 Planen Zentrale Fragestellung: Wie kann ein Agent die Struktur eines Problems nutzen, um komplexe Aktionspläne zu konstruieren? Bisher zwei Beispiele für planende Agenten: auf einer Suche basierender
Mehr12. Der Algorithmus von Dijkstra. Informatik II für Verkehrsingenieure
. Der Algorithmus von Dijkstra Informatik II für Verkehrsingenieure Problemstellung Gegeben: Graph G =(V, E, len) mit positiver Kantenfunktion len : E! R 0, Knoten s, t V Mögliche Aufgaben Berechne Distanz
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Kürzeste Wege Maike Buchin 4. und 6.7.2017 Einführung Motivation: Bestimmung von kürzesten Wegen ist in vielen Anwendungen, z.b. Routenplanung, ein wichtiges Problem. Allgemeine
MehrUnterteilungskurven und -flächen
Unterteilungskurven und -flächen Martin Peternell TU Wien 30. Fortbildungstagung für Geometrie 2009, Strobl 1 Unterteilungskurven Allgemein Das wiederholte Unterteilen eines Polygons erzeugt in der Grenze
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 20 (23.7.2014) All Pairs Shortest Paths, String Matching (Textsuche) Algorithmen und Komplexität Vorlesungsevaluation Sie sollten alle eine
MehrUniversität Osnabrück Fachbereich Mathematik / Informatik. 9. Übung. Prof. Dr. rer. nat. Oliver Vornberger Nico Marniok, B. Sc. Erik Wittkorn, B. Sc.
Universität Osnabrück Fachbereich Mathematik / Informatik 9. Übung Prof. Dr. rer. nat. Oliver Vornberger Nico Marniok, B. Sc. Erik Wittkorn, B. Sc. 18.06.2013 1 Übersicht 1. Präsentation des letzten Übungsblattes
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
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 7 und 8: Euler- und Hamilton-Graphen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 17. April 2018 1/96 WIEDERHOLUNG Eulersche
MehrADS 2: Algorithmen und Datenstrukturen
ADS 2: Algorithmen und Datenstrukturen Teil I Prof. Peter F. Stadler & Sebastian Will Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität Leipzig 9. April
MehrHeuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem. Gerold Jäger
Heuristiken und exakte Algorithmen für das verallgemeinerte Traveling Salesman Problem Gerold Jäger Martin-Luther-Universität Halle-Wittenberg (in Zusammenarbeit mit Paul Molitor) DFG-Projekt: Toleranzbasierte
MehrAlgorithmen für Routenplanung 7. Sitzung, Sommersemester 2010 Thomas Pajor 28. Mai 2010
Algorithmen für Routenplanung 7. Sitzung, Sommersemester 2010 Thomas Pajor 28. Mai 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrMixed Reality Gaming Where the Action is
Mixed Reality Gaming Where the Action is Grundlagen KI - Vorlesung - 08.01.2008 Motivation KI macht einen wesentlichen Teil des Gameplay aus Früher: Hardware schon mit Grafik, Sound, Spielereingaben usw.
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Minimale Spannbäume Maike Buchin 18.7., 20.7.2017 Einführung Motivation: Verbinde Inseln mit Fähren oder Städte mit Schienen und verbrauche dabei möglichst wenig Länge. Problem:
MehrKap. 6.5: Minimale Spannbäume ff
Kap. 6.: Minimale Spannbäume ff Professor Dr. Karsten Klein Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 20. VO 2. TEIL DAP2 SS 2009 2. Juli 2009 SS08 1 Überblick 6.:
MehrGraphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 25. Oktober 2007 1 / 20 2 / 20 Wir werden Optimierungsprobleme vom folgenden Typ betrachten: gegeben eine Menge X und eine Funktion
MehrHauptseminar Roboternavigation. Kartenaufbau nach Thrun
Hauptseminar Roboternavigation Kartenaufbau nach Thrun Hannes Keil keil@in.tum.de 18. Januar 2002 Überblick Kartenaufbau nach Thrun Überblick 1. Einführung in den Kartenbau 2. Einführung in den Aufbau
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
MehrDas Steinerbaumproblem
Das Steinerbaumproblem Natalie Richert Fakultät für Elektrotechnik, Informatik und Mathematik, Universität Paderborn 4. Februar 008 / 3 Überblick Problembeschreibung Vorstellung von zwei Approimationsalgorithmen
Mehr7. Dynamische Datenstrukturen Bäume. Informatik II für Verkehrsingenieure
7. Dynamische Datenstrukturen Bäume Informatik II für Verkehrsingenieure Übersicht dynamische Datenstrukturen Wozu? Oft weiß man nicht von Beginn an, wieviele Elemente in einer Datenstruktur untergebracht
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrAlgorithmen und Datenstrukturen 2-1. Seminar -
Algorithmen und Datenstrukturen 2-1. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Sommersemster 2010 Outline 1. Übungsserie: 3 Aufgaben, insgesamt 30 28 Punkte A1 Spannbäume (10 8
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 05 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen Grundlagen
MehrGraphalgorithmen II. Sebastian Ehrenfels Sebastian Ehrenfels Graphalgorithmen II / 44
Graphalgorithmen II Sebastian Ehrenfels 4.6.2013 Sebastian Ehrenfels Graphalgorithmen II 4.6.2013 1 / 44 Inhalt 1 Datenstrukturen Union-Find Fibonacci-Heap 2 Kürzeste wege Dijkstra Erweiterungen Bellman-Ford
MehrFlüsse, Schnitte, Bipartite Graphen
Flüsse, Schnitte, Bipartite Graphen Sebastian Hahn 4. Juni 2013 Sebastian Hahn Flüsse, Schnitte, Bipartite Graphen 4. Juni 2013 1 / 48 Überblick Flussnetzwerke Ford-Fulkerson-Methode Edmonds-Karp-Strategie
Mehr3.2 Generischer minimaler Spannbaum-Algorithmus
3.2 Generischer minimaler Spannbaum-Algorithmus Initialisiere Wald F von Bäumen, jeder Baum ist ein singulärer Knoten (jedes v V bildet einen Baum) while Wald F mehr als einen Baum enthält do wähle einen
MehrAlgorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor 21. Mai 2012
Algorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und nationales
MehrGeneral Video Game AI Competition 2017
General Video Game AI Competition 2017 Teilnahme an einem Wettbewerb der künstlichen Intelligenz für Computerspiele Tobias Joppen, Christan Wirth, Prof. J. Fürnkranz 21.04.2017 Fachbereich Informatik Knowledge
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrDatenstrukturen und Algorithmen
Prof. Dr. Erika Ábrahám Datenstrukturen und Algorithmen 1/1 Datenstrukturen und Algorithmen Vorlesung 14: Prof. Dr. Erika Ábrahám Theorie Hybrider Systeme Informatik 2 http://ths.rwth-aachen.de/teaching/ss-14/
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
MehrKlausur. 18. Juli 2008, 10:15-12:15 Uhr. Name:... Matrikelnummer:... Anzahl beschriebener Blätter (ohne Aufgabenblatt):... D(p) : Y = p x X + p y
GRUNDZÜGE DER ALGORITHMISCHEN GEOMETRIE Klausur 18. Juli 2008, 10:15-12:15 Uhr Name:................................... Matrikelnummer:................................... Anzahl beschriebener Blätter (ohne
Mehrin der Versorgungstechnik? Prof. Dr. Michael Krödel
Künstliche Intelligenz (KI) in der Versorgungstechnik? g Was ist KI? Künstliche Intelligenz (KI; engl. artificial i intelligence, AI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung
MehrKlausur zur Vorlesung Künstliche Intelligenz
Klausur zur Vorlesung Künstliche Intelligenz Ulrich Furbach Claudia Obermaier Arbeitsgruppe Künstliche Intelligenz Fachbereich Informatik, Universität Koblenz-Landau 13.03.2009 Name: Vorname: Matrikelnummer:
MehrKapitel 3: Kürzeste Pfade Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege 4. Minimale spannende Bäume 5. Färbungen und Cliquen 6. Traveling Salesman Problem 7. Flüsse in
MehrSpielszenario A 1 F 1 F 2 D 2 D 1 A 2
A F Spielszenario F 2 D 2 D A 2 Künstliche Intelligenz (KI) in Computerspielen Tilo Pfannkuch 9. November 202 2 Roter Faden Künstliche Intelligenz Beispielwelt Aktionsplanung Wegndung Abschluss 3 Roter
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen
Mehr1 Einführung. 2 Grundlagen von Algorithmen. 3 Grundlagen von Datenstrukturen. 4 Grundlagen der Korrektheit von Algorithmen
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 0 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Einführung Grundlagen von Algorithmen Grundlagen
MehrKlausurvorbereitung. 1 Zentrale Begriffe. 2 Bipartite Graphen. 2.1 Begriffe. Vorlesung Graphen und Optimierung Sommersemester 2011 Prof. S.
Vorlesung Graphen und Optimierung Sommersemester 2011 Prof. S. Lange Klausurvorbereitung Hier finden Sie alle Begriffe, Zusammenhänge und Algorithmen, die mit Blick auf die Klausur relevant sind. Um es
MehrSeminar Künstliche Intelligenz Wintersemester 2013/14
Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,
MehrProgrammierung einer KI. SoPra 2017 Jenny Hotzkow
Programmierung einer KI SoPra 2017 Jenny Hotzkow Model View Controller Client KI Integration in die Softwarearchitektur (1) KI Integration in die Softwarearchitektur (2) Command-Pattern // Bestimmung möglicher
MehrBeschleunigung von kräftebasierten Graphzeichenalgorithmen mittels wohlseparierten Paardekompositionen
Bachelorkolloquium Beschleunigung von kräftebasierten Graphzeichenalgorithmen mittels wohlseparierten Paardekompositionen von Johannes Zink Übersicht 1. Grundlagen 1.1 Kräftebasierte Graphzeichenalgorithmen
MehrAlgorithmische Geometrie, SoSe 2005 Skriptmitschrift vom 29. April 2005
Algorithmische Geometrie, SoSe 2005 Skriptmitschrift vom 29. April 2005 Antonia Wittmers Igor Savchenko Konvexe Hüllen Inkrementeller Algorithmus für die konvexe Hülle Dabei heißt inkrementeller Algorithmus,
MehrSynthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
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?
MehrDirk Mattfeld Richard Vahrenkamp. Logistiknetzwerke. Modelle für Standortwahl. und Tourenplanung. 2., aktualisierte und überarbeitete Auflage
Dirk Mattfeld Richard Vahrenkamp Logistiknetzwerke Modelle für Standortwahl und Tourenplanung 2., aktualisierte und überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Vorwort zur 2. Auflage Vorwort
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
Mehr3. Das Reinforcement Lernproblem
3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität
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
MehrBerechnung kürzester Wege
Berechnung kürzester Wege 7. Algorithmus der Woche Informatikjahr 2006 Prof. Dr. Peter Sanders Dipl.-Inform. Johannes Singler 18. April 2006 Berechnung kürzester Wege 7. Algorithmus der Woche, Informatikjahr
MehrVerteilte Systeme. Graphenalgorithmen. Secure Identity Research Group
Verteilte Systeme Graphenalgorithmen Allgemeine Netzwerke Reale Computernetze sind meist keine Ringe Beliebige Netze lassen sich als Graph modellieren:g=(v,e) Knoten V (Prozessen, Stationen) Kanten E (Kanälen,
MehrBasic Movements Chasing and Evading
Basic Movements Chasing and Evading AI for Game Developers Kapitel 2 Vortag Inhalt: 1) Aufgaben eines KI-Systems 2) Predator/Prey behaviour 1) Notwendigkeit 2) Mögliche Verhaltensweisen 3) Ablauf und Ziele
MehrLocal Search Algorithmen 1
Local Search Algorithmen 1 Seminar über Algorithmen Manuel Gellfart 18.05.2012 Fachbereich Mathematik und Informatik 18.05.2012 2 Gliederung 1. Einleitung 2. Theorie 3. Beispiel: Vertex Cover 4. Beispiel:
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 008/09 Blatt
MehrHindernisumfahrung eines autonomen Roboters in einer unbekannten statischen Umgebung. Ronny Menzel
Hindernisumfahrung eines autonomen Roboters in einer unbekannten statischen Umgebung. Ronny Menzel Inhalt Aufgabenstellung Begriffserklärung Hindernisumfahrungsstrategien Anforderungen an die Hindernisumfahrung
Mehr