Schwarmintelligenz. Julia Philipps, Marcel Boeing Künstliche Intelligenz II, C. Neuefeind Sprachliche Informationsverarbeitung, Uni Köln 2012
|
|
- Helge Klein
- vor 6 Jahren
- Abrufe
Transkript
1 Schwarmintelligenz Julia Philipps, Marcel Boeing Künstliche Intelligenz II, C. Neuefeind Sprachliche Informationsverarbeitung, Uni Köln 2012
2 Was ist ein Schwarm? Aggregation von Individuen gleicher Art und Größe dezentralisiert simple Verhaltensweisen, um komplexe Aufgaben zu lösen passt sich der Umwelt an
3 Schwarmkonzept Stigmergie: Kommunikation mit Hilfe der Umwelt Emergenz: sehr komplexe Aufgaben werden durch einfaches Verhalten der Individuen gelöst Ergebnis: Schwarm ist strukturiert, flexibel, skalierbar und robust
4 Allgemeine Verhaltensweise Orientierung am Nachbarn Gleiche Richtung wie Nachbarn Kollision mit Nachbarn vermeiden
5 Evolutionäre Vorteile Schutz vor Fressfeinden vergrößerter Suchradius bei Futtersuche Erhöhte Wahrscheinlichkeit, einen Partner zu finden
6 Schwärme in der Natur
7
8 Boids (C. Reynolds, 1987)
9 Boids 1987 von Craig Reynolds entwickelt Modell simuliert Schwarmverhalten von Tieren Biologisches Vorbild: Vogelschwarm interagierende Partikel = Boids
10 u.a. Einsatz in der Unterhaltungsindustrie z.b.: Batman Returns Half-Life
11 3 Grundregeln: 1. Trennung 2. Angleichung 3. Zusammenhalt
12 Nachbarn außerhalb der Umgebung werden ignoriert Obstacle Avoidance: einem Hindernis wird ausgewichen
13 Particle Swarm Optimization
14 Particle Swarm Optimization Heuristisches Optimierungsverfahren 1995 von J. Kennedy und R. Eberhart vorgestellt Partikel suchen nach Lösung des Optimierungsproblems
15
16 Festlegung der Größe des Partikelschwarms Festlegung des Suchraums Geschwindigkeitsvektor aus kognitiver und sozialer Komponente jeder Partikel kann die Lösung finden
17 Traveling Salesman Problem Gegeben: Punkte Entfernung zwischen den Punkten Gesucht: Kürzeste Route über alle Punkte
18 Traveling Salesman Problem Quelle:
19 Traveling Salesman Problem HABCH: = 360 HACBH: = 339 HCABH: = 359
20 Traveling Salesman Problem Lösungsansätze Alle Möglichkeiten durchlaufen
21 Traveling Salesman Problem Anzahl der möglichen Routen: (n 1)! 2 n= Routen n= n=20
22 Traveling Salesman Problem Lösungsansätze Alle Möglichkeiten durchlaufen
23 Traveling Salesman Problem Lösungsansätze Alle Möglichkeiten durchlaufen
24 Traveling Salesman Problem Lösungsansätze Alle Möglichkeiten durchlaufen Immer den nächsten Nachbarn wählen Kanten nach Länge sortieren Ein Punkt darf nie mehr als zwei Kanten haben Ein Kreis darf nicht geschlossen werden, solange noch nicht angesteuerte Punkte existieren
25 Traveling Salesman Problem Hassler Whitney * 1907, 1989 Prägte den Begriff Traveling Salesman Problem
26 Traveling Salesman Problem Karl Menger * 1902, 1985 Beschrieb das Problem als erster mathematisch
27 Traveling Salesman Problem Ameise Steht vor einem ähnlichen Problem Findet gute Lösung gut optimal
28 Ameisen-Algorithmus
29 Ameisen-Algorithmus
30
31 Ameisen-Algorithmus
32 Ameisen-Algorithmus
33 Ameisen-Algorithmus
34 Ameisen-Algorithmus
35 Ameisen-Algorithmus Quelle: WDR Quarks & Co. - Das Geheimnis des Schwarms ( )
36 Schwarmintelligenz beim Menschen?
37 Video: Quarks & Co.
38 Aristoteles Summierungsthese Die Entscheidung einer großen Gruppe von Menschen kann besser sein, als die eines einzelnen Experten. Weisheit des Einzelnen < Weisheit der Masse
39
40 Weisheit der Massen Forsythie Rhododendron Hibiskus Geranie
41 Weisheit der Massen Forsythie Rhododendron Hibiskus Geranie
42
43 Weisheit der Massen
44 Weisheit der Massen
45 Weisheit der Massen Francis Galton * Naturforscher
46 Weisheit der Massen Prognosemärkte Vorhersage ungewisser Ereignisse politische Wahlergebnisse Terroranschläge Grippeepidemien
47 Weisheit der Massen Begünstigend Diversität Unabhängigkeit Dezentralität Gegenläufig Homogene Gruppe Gegenseitige Beinflussung Starke Zentralität
48 AI-Challenge 2011: Ants Programmierwettbewerb der University of Waterloo (Künstliche Intelligenz) seit 2010 von Google gesponert Kontrolle einer Ameisenkolonie beliebige Programmiersprache Programm auf Server der Homepage hochladen und gegen andere Ameisenkolonien antreten; höchste Punktzahl gewinnt
49 Wie sieht das jetzt genau aus?
50 Gewinnerprogramm von xathis game=328430
51 Strategie Keine globale Strategie Bewegung der Ameisen hängt von der lokalen Umgebung ab Algorithmen zur Pfadfindung für Aufgaben der Ameisen Alphabeta-Algorithmus für Kampftaktik
52 NetLogo Multi-Agenten-Programmiersprache basiert auf Java Bibliothek von Beispielmodellen vorhanden Beispiel: Klick
53 Quellen DORIGO, Marco: Ant system: optimization by a colony of cooperating agents. In: Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE, Vol. 26/1, Brüssel: 1996 HACKHAUSEN, Jörg: Orakel aus dem Internet Prognosebörsen sagen die Zukunft voraus. In: WirtschaftsWoche, Verlagsgruppe Handelsblatt, 2006 KENNEDY, J.; R. EBERHART: Particle swarm optimization. In: Proceedings of IEEE International Conference on Neural Networks, Seiten , Piscataway, NJ, USA, IEEE Press. SUROWIECKI, James: Die Weisheit der Vielen, München: Goldmann 2007
54 Quellen (AI-Challenge) (NetLogo) (Boids-Modell von NetLogo) (Angebot der Uni Hamburg) (Particle Swarm Optimization) (Boids-Modell) (The MacTutor History of Mathematics archive, University of St Andrews, Schottland) (xathis Strategie)
55 Quellen RIEGLER, Mark: 100,000 starlings fill the skies in Poole - 1 Minute: a Vimeo Project. WDR Quarks & Co. - Das Geheimnis des Schwarms (Sendung vom )
11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrSchwarmintelligenz. Hannah Goldschmidt Jana Köllmann
Schwarmintelligenz Hannah Goldschmidt Jana Köllmann Gliederung 1. 2. 3. 4. 5. Was ist Schwarmintelligenz? Algorithmen Robotik Zukunftsausblick Zusammenhang mit KI 1. Was ist Schwarmintelligenz Was ist
MehrGenetische Algorithmen von der Evolution lernen
Genetische Algorithmen von der Evolution lernen (c) Till Hänisch 2003, BA Heidenheim Literatur zusätzlich zum Lit. Verz. Nils J. Nilsson Artificial Intelligence Morgan Kaufmann, 1998 Ansatz Bisher: Problemlösung
MehrDynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
MehrPartikelschwarmoptimierung für diskrete Probleme
Partikelschwarmoptimierung für diskrete Probleme Yushan Liu Fakultät für Mathematik TU München 26. Oktober 2014 Ferienakademie im Sarntal - Kurs 1 Moderne Suchmethoden der Informatik: Trends und Potenzial
MehrLösung der statischen Verkehrsumlegung mit Hilfe der Partikelschwarmoptimierung
Lösung der statischen Verkehrsumlegung mit Hilfe der Partikelschwarmoptimierung Axel Rauschenberger Institut für Bauinformatik, Leibniz Universität Hannover Matthias Bode Institut für Bauinformatik, Leibniz
MehrStaatenbildende Insekten als Vorbilder für. Software-Agenten. Axel Beckert, 7. Juli Seminarvortrag Bionik Sommersemester 2000
Staatenbildende Insekten als Vorbilder für Software-Agenten Seminarvortrag Bionik Sommersemester 2000 Axel Beckert, abe@cs.uni-sb.de 7. Juli 2000 Axel Beckert 1 7. Juli 2000, ACO-Seminar-Vortrag.T E X
MehrPraktikum Algorithmische Anwendungen WS 2006/2007
Praktikum Algorithmische Anwendungen WS 2006/2007 Traveling Salesman Problem Team A_gelb_Ala0607 Roman Pyro 11042289 ai821@gm.fh-koeln.de Markus A. Müller 11043150 ai820@gm.fh-koeln.de René Hilger 11043210
MehrAmeisenalgorithmen in der Verkehrssimulation
Ameisenalgorithmen in der Verkehrssimulation Johannes Renfordt johannes.renfordt@[alumni.]uni-ulm.de Institut für Stochastik, Universität Ulm Johannes Renfordt, 26. Juni 2007: Präsentation Diplomarbeit,
MehrSurvival of the Fittest Optimierung mittels Genetischer Algorithmen
Übung zu Organic Computing Survival of the Fittest Optimierung mittels Genetischer Algorithmen Sabine Helwig Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design) Universität Erlangen-Nürnberg sabine.helwig@informatik.uni-erlangen.de
MehrPSO
Projektgruppe: Metaheurisitiken: Neue Ideen für die Optimierung SS 2003 Lehrstuhl für Systemanalyse (LS XI) Fachbereich Informatik Universität Dortmund PG-Veranstalter: Thomas Beielstein, Karlheinz Schmitt
MehrKünstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen
Künstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Optimierungsprobleme
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?
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
MehrAblauforganisationsmanagementsysteme
Vortrag am 30.5.2011 Christof Sander Ablauforganisationsmanagementsysteme Wie immer geht es um Zeit Gliederung Einführung Anforderungen Simpler Komplexer Erweiterungsmöglichkeiten Quellen 2 Anforderungen
MehrOptimierungsprobleme in der Industrie
Dipl.-Inf. 2006-01-20, TU Darmstadt Gliederung Einleitung Anwendungen, Modelle, Verfahren Einführung, Komplexität, Algorithmen Vorstellung Fazit, Literatur Beteiligte Institutionen www.mrupp.info Diplomarbeit
MehrDokumentation ANTS ON CRACK. Der Ameisenalgorithmus als Lösung für das Problem des Handlungsreisenden
!! Dokumentation ANTS ON CRACK Der Ameisenalgorithmus als Lösung für das Problem des Handlungsreisenden Jonathan Wiens, Nico Smeenk, Benjamin Pfeiffer, Christian Gebauer, Sebastian Große! Berlin,(der(25.10.2011(
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
MehrKapitel 9. Komplexität von Algorithmen und Sortieralgorithmen
1 Kapitel 9 Komplexität von Algorithmen und Sortieralgorithmen Ziele 2 Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
MehrKapitel 9. Komplexität von Algorithmen und Sortieralgorithmen
Kapitel 9 Komplexität von Algorithmen und Sortieralgorithmen Arrays 1 Ziele Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
MehrOptimierung und Simulation
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Optimierung und Simulation Von Dr. Jörg Biethahn O. Professor für
MehrModellierung von Non Player Chareacters
Modellierung von Non Player Chareacters Konzeption Künstlicher Charaktere Games Summer Camp 2006 Cindy Löther Inhalt 1 Einleitung 2 Definitionen 3 Non Player Characters (NPC) 4 Modellierung von NPCs 5
MehrMelanie Kirchner
Projektgruppe KIMAS Kommunikation in MAS 10.09.2003 Melanie Kirchner Projektgruppe KIMAS - Kommunikation in MAS 1/34 Übersicht Motivation Grundlagen Indirekte Kommunikation Direkte Kommunikation Adressaten
MehrSchwarmintelligenz. Lydia Pintscher. Universität Karlsruhe
Schwarmintelligenz Lydia Pintscher Universität Karlsruhe Zusammenfassung Dieses Paper soll die Grundgedanken der Schwarmintelligenz erläutern und wie sie genutzt werden kann um Probleme in einer immer
MehrLFE Medieninformatik Projektarbeit. Flock Mail. Michael Weiler
LFE Medieninformatik Projektarbeit Flock Mail Michael Weiler Agenda Einleitung Spam Statistiken & Filter Schwarmintelligenz Verwandte Arbeiten Design Motivation GUI Visualisierung von emails Implementierung
MehrTheoretische Informatik 1
Theoretische Informatik 1 Boltzmann Maschine David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2014 Übersicht Boltzmann Maschine Neuronale Netzwerke Die Boltzmann Maschine Gibbs
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
MehrSuche in Spielbäumen Projektvorschläge
Suche in Spielbäumen Projektvorschläge Nullsummenspiele sind Spiele mit zwei Spielern, bei denen der Vorteil des einen Spielers dem Nachteil des anderen Spieler entspricht. Im einfachsten Fall binär (Sieg
MehrDas Problem des Handlungsreisenden
Das Problem des Handlungsreisenden 0 Gliederung 1 Problemstellung 2 Historischer Hintergrund 3 Priorität und Komplexität des Problems 3.1 Anwendung im Alltag 3.2 Mögliche Erweiterungen 4 Lösung des Problems
MehrSozialwissenschaftliche Modelle und Daten SoSe 2010
Sozialwissenschaftliche Modelle und Daten SoSe 2010 LS Sozialwissenschaftliche Methodenlehre und Sozialstatistik C. Dudel C. Dudel Sozialwissenschaftliche Modelle und Daten SoSe 2010 1 23 1 Formalia 2
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
Mehr4. Algorithmen und Datenstrukturen I Grundlagen der Programmierung 1 (Java)
4. Algorithmen und Datenstrukturen I Grundlagen der Programmierung 1 (Java) Fachhochschule Darmstadt Haardtring 100 D-64295 Darmstadt Prof. Dr. Bernhard Humm FH Darmstadt, 8./15. November 2005 Einordnung
MehrVerteilte Systeme / Kooperierende Roboter
Verteilte Systeme / Kooperierende Roboter Proseminar Anwendungen und Methoden der Modernen Robotik SoSe 2005 Uni Hamburg Claudius Herder, Justus Winter 4herder@informatik.uni-hamburg.de, 4winter@informatik.uni-hamburg.de
MehrGenetik, Evolution, Intelligenz und anthropologische Diversität: Was wissen wir daru ber?
Genetik, Evolution, Intelligenz und anthropologische Diversität: Was wissen wir daru ber? Diethard Tautz Genetik der evolutionären Anpassung und Selektion Populationsgenetik und Artenstehung Max-Planck
MehrVerteilte Lösung von simulationsbasierten Optimierungsproblemen Entwicklung einer maßgeschneiderten Evaluierungssoftware
Verteilte Lösung von simulationsbasierten Optimierungsproblemen Entwicklung einer maßgeschneiderten Evaluierungssoftware Kamil Szczesny, Van Vinh Nguyen Lehrstuhl für Informatik im Bauwesen, Ruhr-Universität
MehrOptimale Produktliniengestaltung mit Genetischen Algorithmen
Optimale Produktliniengestaltung mit Genetischen Algorithmen 1 Einleitung 2 Produktlinienoptimierung 3 Genetische Algorithmen 4 Anwendung 5 Fazit Seite 1 Optimale Produktliniengestaltung mit Genetischen
MehrSchwärme. als immersive, interaktive Installation. Referent Prof. Dr. Wolfgang Taube. Koreferent Prof. Dr. Bruno Friedmann
Schwärme als immersive, interaktive Installation Referent Prof. Dr. Wolfgang Taube Koreferent Prof. Dr. Bruno Friedmann vorgelegt von Franziska Maugg vorgelegt am 31. Mai 2012 Fachhochschule Furtwangen
MehrEinsatz der Particle Swarm Optimization zur Optimierung universitärer Stundenpläne
Arbeitsbericht Nr. 05/2007 Hrsg.: Matthias Schumann Ole Brodersen, Matthias Schumann Einsatz der Particle Swarm Optimization zur Optimierung universitärer Stundenpläne Arbeitsbericht des Instituts für
Mehr[9] CLERC, M.: Discrete Particle Swarm Optimization. In: New Optimization Techniques in Engineering, 2004, S. 219.
Literatur [1] BANZHAF,W.;NORDIN,P.;KELLER,R.:Genetic Programming, an Introduction. Automatic Evolution of Computer Programs and Its Applications. Dpunkt-Verlag, 2002. [2] BARTZ-BEIELSTEIN, T.;LASARCZYK,
MehrSchwarmintelligenz Ein paradoxes Organisationsmodell?
Schwarmintelligenz in paradoxes Organisationsmodell? Willi Schroll > swarmology.pbwiki.com 14. Juni 2008, Berlin Web 2.0 Schwarmintelligenz 2 Schwarmintelligenz in der Natur ollektive mit emergenten igenschaften
MehrSicherheit im Internet Backbone
Sicherheit im Internet Backbone Anwendungen 1 Jan Henke HAW Hamburg 10. November 2011 Jan Henke (HAW Hamburg) Sicherheit im Internet Backbone 10. November 2011 1 / 20 Gliederung 1 Aktuelle Situation Das
MehrKAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten
MehrAnt Colony Optimization (ACO)
Ant Colony Optimization (ACO) Daniel Blum PG Meta-Heuristiken Universität Dortmund 6. Mai 2003 Inhaltsverzeichnis 1 Biologischer Hintergrund 2 2 Von der Natur zum Algorithmus 2 3 Allgemeines Konzept für
MehrÜbungsblatt 6. Vorlesung Theoretische Grundlagen der Informatik im WS 16/17
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Vorlesung Theoretische Grundlagen der Informatik im WS 16/17 Ausgabe 22. Dezember 2016 Abgabe 17. Januar 2017, 11:00 Uhr
MehrIEEE s. Protokolle und Dienste der Mobilkommunikaton. 30. Juni IEEE s. (Mesh Networks) Lisa Jäger. Motivation. Konzept.
Protokolle und Dienste der Mobilkommunikaton 30. Juni 2016 Wireless Mesh Networks (WMN) WMN: flexibles Datennetz mit einer (teil-)vermaschten Topologie, bei dem alle Knoten untereinander drahtlos kommunizieren
MehrInstitut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) SS 2002. Aufgabe 7
Rheinisch Westfälische Technische Hochschule Institut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) SS 2002 Prof. Dr. Wolfgang Dahmen Dr. Karl Heinz Brakhage Aufgabe 7 Bearbeitungszeit:
MehrKünstliche Intelligenz. Andreas Breckheimer
Künstliche Intelligenz Andreas Breckheimer Was versteht man unter Intelligenz Keine Allgemein gültige Definition! Verschiedene Wissenschaften geben Definitionsansätze (Medizin,Philosophie,etc.) Persönliche
MehrVorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen
Vorlesung Diskrete Strukturen Eulersche und Hamiltonsche Graphen Bernhard Ganter WS 2013/14 1 Eulersche Graphen Kantenzug Ein Kantenzug in einem Graphen (V, E) ist eine Folge (a 0, a 1,..., a n ) von Knoten
MehrVerteilte prädiktive Regelung von UAV-Schwärmen DGLR Workshop UAV-Regelung und Flugführung
Verteilte prädiktive Regelung von UAV-Schwärmen DGLR Workshop UAV-Regelung und Flugführung 27. Februar 2011 Institut für Flugsysteme und Regelungstechnik Dipl.-Ing. Armin Strobel 1 Motivation Definition
MehrEvolutionäre Algorithmen Software
Evolutionäre Algorithmen Software Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Wissens- und Sprachverarbeitung
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
MehrÜbersicht zum Vorlesungsinhalt
Einführung in die Künstliche Intelligenz - Evolutionäre Algorithmen / kollektive Intelligenz - D P LS G ML ES S ST SA NN ME O EA SV Dr. Marco Block-Berlitz 1 Übersicht zum Vorlesungsinhalt 1) Definition
MehrTraveling Salesman Problem (TSP) Präsentation von Burku, Kienzerle, Stollnberger
Traveling Salesman Problem (TSP) Präsentation von Burku, Kienzerle, Stollnberger Inhalt Allgemeine Problembeschreibung Historie Mathematische Beschreibung Algorithmische Komplexität Beispiel Symmetrisches
MehrImplementierung von PartikelSchwarm-Optimierung und Vergleich. mit einer Evolutionsstrategie
Fachbereich Informatik Fachgebiet Neuroinformatik Implementierung von PartikelSchwarm-Optimierung und Vergleich mit einer Evolutionsstrategie Schriftliche Prüfungsarbeit für die Bachelor-Prüfung des Studiengangs
MehrBayessche Netze. Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind
Bayessche Netze Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind Einleitung Sicheres vs. Unsicheres Wissen Kausale Netzwerke Abhängigkeit Verbindungsarten Exkurs:
MehrOptimierung in der angewandten Informatik
Seminar im SS 2014 Optimierung in der angewandten Informatik Vorbesprechung, 07. Februar 2014 Hartmut Schmeck, Pradyumn Shukla, Christian Hirsch, Fakultät für Wirtschaftswissenschaften KIT Universität
MehrKünstliche Intelligenz
Künstliche Intelligenz Intelligente Agenten Claes Neuefeind Sprachliche Informationsverarbeitung Universität zu Köln 26. Oktober 2011 Agenten Konzept des Agenten Rationalität Umgebungen Struktur von Agenten
MehrVorwärtsarbeiten (Schlussfolgern)
Vorwärtsarbeiten (Schlussfolgern) Eine häufig angewandte Problemlösestrategie ist das Vorwärtsarbeiten. Ausgehend vom Problem sollten sich die Schülerinnen und Schüler grundlegende Fragestellungen vor
MehrQuicksort ist ein Divide-and-Conquer-Verfahren.
. Quicksort Wie bei vielen anderen Sortierverfahren (Bubblesort, Mergesort, usw.) ist auch bei Quicksort die Aufgabe, die Elemente eines Array a[..n] zu sortieren. Quicksort ist ein Divide-and-Conquer-Verfahren.
MehrSeminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;
Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt Referent Matthias Rost 1 Einleitung Definitionen Maximaler Dynamischer Fluss Algorithmus von Ford-Fulkerson Techniken zur
MehrImplizite Modellierung zur Objekterkennung in der Fernerkundung
Implizite Modellierung zur Objekterkennung in der Fernerkundung Mitarbeiterseminar 20.01.2011 (IPF) Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften KIT Universität des Landes Baden-Württemberg
MehrKünstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen
MehrKooperativer Speicher: Schwächen und Gegenmaßnahmen
Kooperativer Speicher: Schwächen und Gegenmaßnahmen Cooperative storage: weaknesses and countermeasures Lutz Behnke 2. Dezember 2005 2005 Lutz Behnke 1 /home/sage/texte/haw/master/seminar/coop_storage_failure.sxi
MehrTheoretische Informatik 1
Theoretische Informatik 1 Nichtdeterminismus David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2012 Übersicht Nichtdeterminismus NTM Nichtdeterministische Turingmaschine Die
MehrAtomares und Galaktisches Leben
Atomares und Galaktisches Leben Professor Dr. Hofer, Uni Bielefeld Formen von Leben gibt es in überall in unserem Universum und weit darüber hinaus!! Präsentation an der physikalischen Fakultät der Universität
MehrAlgorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016
Algorithmen für Routenplanung 10. Vorlesung, Sommersemester 2016 Ben Strasser 25. Mai 2016 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrBeschreibung von Agenten für MAS
Beschreibung von Agenten für MAS Daniel Glake 17.11.2015 Grundseminar MI-INF WS-2015 Hochschule für Angewandte Wissenschaften Hamburg Fakultät Technik und Informatik 1 Agenda Agenten und Ihre Umwelt Vergleich
MehrHybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents
Hybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents Betreut von: ao.univ.-prof. Dr. Günther R. Raidl ao.univ.-prof. Dr. Ulrich Pferschy 25. Jänner 2010
MehrS=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J
Greedy-Strategie Definition Paradigma Greedy Der Greedy-Ansatz verwendet die Strategie 1 Top-down Auswahl: Bestimme in jedem Schritt eine lokal optimale Lösung, so dass man eine global optimale Lösung
MehrIntuition: Die Intelligenz einfacher Entscheidungsregeln
Das Herz hat seine Gründe, die der Verstand nicht kennt. Blaise Pascal Intuition: Die Intelligenz einfacher Entscheidungsregeln Wolfgang Gaissmaier gaissmaier@mpib-berlin.mpg.de Kleffner & Ramachandran
MehrSchwarmintelligenz am Beispiel der Ameisen Ameisenalgorithmen und Anwendungen
Wolfgang Weller Schwarmintelligenz am Beispiel der Ameisen Ameisenalgorithmen und Anwendungen Motivation In den Fachjournalen und sogar periodischen Medien trifft man seit einiger Zeit auf den Begriff
MehrGrundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung
Mehr5. Lokale Suchverfahren. Beispiel TSP: k-change Nachbarschaft. Nachbarschaft. k-opt Algorithmus
5. Lokale Suchverfahren Lokale Suche 5. Lokale Suchverfahren Beispiel TSP: k-change Nachbarschaft Optimale Lösungen können oft nicht effizient ermittelt werden. Heuristiken liefern zwar zulässige Lösungen,
Mehr1. Einführung. Was ist ein Algorithmus (eine Datenstruktur)? Welche Probleme kann man damit lösen? Warum betrachten wir (effiziente) Algorithmen?
1. Einführung Was ist ein Algorithmus (eine Datenstruktur)? Welche Probleme kann man damit lösen? Warum betrachten wir (effiziente) Algorithmen? Wie beschreiben wir Algorithmen? Nach welchen Kriterien
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Suchprobleme bestehen aus Zuständen
Mehr\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.
Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )
Mehr1. Einführung. Klaus M. Schmidt. Spieltheorie, Wintersemester 2014/15. LMU München
1. Einführung Klaus M. Schmidt LMU München Spieltheorie, Wintersemester 2014/15 Klaus M. Schmidt (LMU München) 1. Einführung Spieltheorie, Wintersemester 2014/15 1 / 10 1.1 Literatur Mit einem der folgenden
MehrDie Idee für b2b-app-katalog.de kam aus einem Spiel
Die Idee für b2b-app-katalog.de kam aus einem Spiel Qualität, Inovation und orientierung Qualität, Inovation und orientierung Qualität, Inovation und orientierung Qualität, Inovation und orientierung Qualität,
MehrSeminarthemen SS13. Präsentation. Diana Hristova, Lars Lewerenz, Dominik Schön
Dr. Max Mustermann Referat Kommunikation & Marketing Verwaltung Seminarthemen SS13 Präsentation Diana Hristova, Lars Lewerenz, Dominik Schön Prof. Dr. Bernd Heinrich Lehrstuhl für Wirtschaftsinformatik
MehrGrundlagen der Informatik Kapitel 20. Harald Krottmaier Sven Havemann
Grundlagen der Informatik Kapitel 20 Harald Krottmaier Sven Havemann Agenda Klassen von Problemen Einige Probleme... Approximationsalgorithmen WS2007 2 Klassen P NP NP-vollständig WS2007 3 Klasse P praktisch
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
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
MehrLösungsvorschlag Serie 2 Rekursion
(/) Lösungsvorschlag Serie Rekursion. Algorithmen-Paradigmen Es gibt verschiedene Algorithmen-Paradigmen, also grundsätzliche Arten, wie man einen Algorithmus formulieren kann. Im funktionalen Paradigma
Mehr1. Einführung. 1.1 Literatur. Klaus M. Schmidt. Spieltheorie, Wintersemester 2014/15
1. Einführung Klaus M. Schmidt LMU München Spieltheorie, Wintersemester 2014/15 Klaus M. Schmidt (LMU München) 1. Einführung Spieltheorie, Wintersemester 2014/15 1 / 10 1.1 Literatur Mit einem der folgenden
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
MehrKapitel 4: Minimal spannende Bäume Gliederung der Vorlesung
Kapitel : Minimal spannende Bäume Gliederung der Vorlesung. Fallstudie Bipartite Graphen 2. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Wege. Traveling
MehrAnregende, ergänzende Literatur:
Spieltheorie (Winter 2008/09) 1-1 Prof. Dr. Klaus M. Schmidt 1 Einführung Anregende, ergänzende Literatur: Schelling, Thomas C., The Strategy of Conflict, Cambridge (Mass.): Harvard University Press, 1960
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
Mehr3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel
3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36
MehrWarum stossen Tiere im Schwarm nicht zusammen?
Warum stossen Tiere im Schwarm nicht zusammen? In der Klasse der Vögel (Aves) und Fische (Pisces) ist das Phänomen der Aggregationen von Individuen meist gleicher Art und Größe - beobachtbar. Die physiologische
MehrGreenfoot Getting Started With Programming
Greenfoot Getting Started With Programming Axel Schmolitzky Arbeitsbereich Softwaretechnik (SWT) Zentrum für Architektur und Gestaltung von IT-Systemen (AGIS) Department Informatik, Universität Hamburg
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
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
MehrDer neue Umgang mit Risiken in Zeiten der Ungewissheit. Gerd Gigerenzer
Der intuitive Geist ist ein Geschenk und der rationale Geist ein treuer Diener. Wir haben eine Gesellschaft erschaffen, die den Diener ehrt und das Geschenk vergessen hat. Albert Einstein Those who surrender
MehrKapitel 4: Minimale spannende Bäume Gliederung der Vorlesung
Kapitel : Minimale spannende Bäume Gliederung der Vorlesung. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman
MehrTraveling Salesman Problem (TSP)
Traveling Salesman Problem (TSP) Das Traveling Salesman Problem (TSP) ist ein bekanntes Optimierungsproblem. Ein Handlungsreisender soll in einer Rundreise (auch Tour genannt) n vorgegebene Städte besuchen.
MehrVisuellbasierteRobotik StandundPerspektiven einertechnologie. Prof.Dr.G.Sommer. Christian{Albrechts{UniversitatKiel
VisuellbasierteRobotik StandundPerspektiven einertechnologie Prof.Dr.G.Sommer Dipl.{Inform.J.Bruske Dr.K.Daniilidis Dr.J.Pauli Christian{Albrechts{UniversitatKiel TechnologiestiftungSchleswig{Holstein
MehrNeuronale Netze. Seminar aus Algorithmik Stefan Craß,
Neuronale Netze Seminar aus Algorithmik Stefan Craß, 325656 Inhalt Theoretisches Modell Grundlagen Lernansätze Hopfield-Netze Kohonen-Netze Zusammenfassung 2 Inhalt Theoretisches Modell Grundlagen Lernansätze
Mehr