der Künstlichen Intelligenz
|
|
- Annika Winter
- vor 6 Jahren
- Abrufe
Transkript
1 Einführung in die Methoden der Künstlichen --- Vorlesung vom Sommersemester 2009 Ingo J. Timm, René Schumann Professur für Wirtschaftsinformatik und Simulation (IS) Spiele spielen Prof. Timm 1
2 Inhalt der Vorlesung 1. Spiele 2. Optimale Entscheidungen bei Spielen 3. Alpha-Beta Pruning 4. Echtzeit-Entscheidungen mit unvollständigem Wissen 5. Spiele mit Zufallselementen 6. State-of-the-Art t th AtProgramme 7. Zusammenfassung Spieltheorie und Ökonomie Gegenstand der Spieltheorie ist die Analyse von strategischen Entscheidungssituationen Situationen, in denen a) das Ergebnis von den Entscheidungen mehrerer Entscheidungsträger abhängt, so daß ein einzelner das Ergebnis nicht unabhängig von der Wahl der anderen bestimmen kann; b) jeder Entscheidungsträger sich dieser Interdependenz bewußt ist; c) jeder Entscheidungsträger g davon ausgeht, daß alle anderen sich ebenfalls der Interdependenz bewußt sind; d) jeder bei seinen Entscheidungen (a), (b) und (c) berücksichtigt. [Holler & Illing, 1996, S. 1] Prof. Timm 2
3 Beispiel: Gefangenendilemma Spieler 2 nicht gestehen gestehen nicht gestehen 1 Jahr für 1 1 Jahr für 2 10 Jahre für 1 3 Monate für 2 Spieler 1 gestehen 3 Monate für 1 10 Jahre für 2 8 Jahre für 1 8 Jahre für 2 Spiele als Suche Prof. Timm 3
4 Suchstrategien für Spiele Unterschied zu allgemeinen Suchproblemen Unsicherheit: unberechenbarer Gegner Zeitbedarf: approximative Algorithmen perfekte Information unvollständige Information deterministisch Dame, Schach, Go? zufällig Backgammon, Monopoly Bridge, Poker, Scrabble Frühe grundlegende Ergebnisse Algorithmus für perfektes Unsere Terminologie: Spiel von Neumann (1944) deterministisch, voll zugreifbare Informationen Approximation durch Bewertung Zuse (1945), Shannon (1950) Spiele Spiele als Suchprobleme Rechtfertigung: Spiele sind Suchprobleme mit einem Gegenspieler Unsicherheit h itdurch Aktionen des Gegenspielers: mögliche Ereignisse müssen behandelt werden Spiele sind schwer erschöpfend beherrschbar: Durchschnittlicher Verzweigungsfaktor beim Schach: 35 Ca. 50 Züge für jeden Spieler => Knoten im Suchbaum Aber nur erlaubte Positionen Spiele Prof. Timm 4
5 Spiele als Suchprobleme Spiele als Spielwiese für ernsthafte Forschung für Entscheidungsunterstützung Repräsentation der Spiele Suchstrategien für Spiele Erweiterungen: Wie kann man den besten nächsten Zug finden? Äste absägen ( pruning ) Evaluierungsfunktionen für die Approximation der Utility-Funktion Spiele Das Suchproblem 2-Personenspiele Spieler MAX Spieler MIN MAX beginnt; die Spieler ziehen abwechselnd Beispiel: Schach Suchbaum Knoten nur zulässige Positionen Optimale Entscheidungen Prof. Timm 5
6 Das Suchproblem Suchproblem Initialzustand Brett, Positionen, Spieler am Zug Nachfolgerfunktion Liste von (Zug, Zustand)-Paaren Zieltest Stellt fest, ob Spiel zu Ende ist Bewertungsfunktion Resultat des Spiels e.g. +1,0,-1 (Nullsummenspiele) auch: payoff function Optimale Entscheidungen Beispiel: Tic- Tac-Toe Partieller Suchbaum für Tic-Tac-Toe, T T oben der Startzustand, MAX hat den ersten Zug (x) Initialzustand und legale Züge Zahl an Blättern ist Utility-Wert definieren Spielbaum der Endzustände aus Sicht von MAX hat neun mögliche Züge MAX (hohe Wert sind gut für Spiel dauert an, solange keiner der MAX und schlecht für MIN) Spieler drei x oder drei o in einer Zeile, Spalte oder Diagonale hat oder alle Felder ausgefüllt sind Optimale Entscheidungen Prof. Timm 6
7 Optimale Entscheidungen bei Spielen Optimale Strategien Normale Suchprobleme Endzustände liefern Ergebnis (Sieg) MIN hat etwas dagegen Deswegen braucht MAX eine bedingte Strategie Zug am Anfang Züge nachdem MIN gezogen hat Tic-Tac-Toe Zu komplex, um den ganzen Suchbaum zu zeigen, deswegen hier ein absolut triviales Spiel: Spiel endet nach jeweils einem Zug. Optimale Entscheidungen Prof. Timm 7
8 Minimax-Wert Optimale Strategie beim Spielbaum: Bestimmung des min/max Wertes jedes Knotens Minimax-Value(n) Minimax-Algorithmus zur Bestimmung der optimalen Strategie für Max und für die Bestimmung des besten ersten Zugs. Minimax-Entscheidung: maximiert Utility unter der Annahme, daß MIN perfekt spielt, um sie zu minimieren. Minimax-Value(n) = Optimale Entscheidungen Triviales Tic-Tac-Toe a 1 -a 3 sind Züge, die MAX durchführen kann MIN kann mit b 1-3,c 1-3,d 1-3 antworten Ein Zug = 2 Halbzüge = 2-Schichten Spiel Die Δ- Knoten: MAX ist am Zug Die Endzustände haben die Utilitywerte für MAX, die anderen Werte werden durch die Utilityfunktion ihrer Nachfolger berechnet Optimale Entscheidungen Prof. Timm 8
9 Minimax-Algorithmus Erzeugen des Suchbaums des Spiels Bis herunter zu den Spielendesituationen! Bewerten der Blätter des Suchbaums Für jedes Spielende wird der Nutzen bewertet Bewertungen bis zur Wurzel propagieren MAX wählt den maximalen Nutzen MIN wählt den minimalen Nutzen Tiefensuche für ganzen Baum Zeitkomplexität: wenn maximale Tiefe m und b legale Züge an jedem Punkt, dann O(b m ) Speicherkomplexität O(bm), wenn alle Nachfolger berechnet werden Reale Spiele: Zeitkomplexität ist nicht handhabbar! Optimale Entscheidungen Minimax-Algorithmus Minimax Entscheidungen Nutzen maximieren/ minimieren Aktionen werden entsprechend gewählt Annahme: Max/Min spielen immer optimal! Optimale Entscheidungen Prof. Timm 9
10 Optimale Entscheidungen in Spielen mit mehr als zwei Spielern Erweiterung der Minimax Idee möglich Einzelner Wert eines Knotens wird durch Vektor von Werten ersetzt Bsp.: Drei Spieler A,B,C ergibt drei Vektoren pro Knoten {v A,v B,v C } Endzustände: Werte aus Sicht eines jeden Spielers Knoten im Baum Optimale Entscheidungen Beispiel C entscheidet nächsten Zug Zwei Möglichkeiten: {v A =1, v B =2,v C =6}, {v A =4, v B =2,v C =3} Weil 6 > 3, sollte der erste genommen werden d.h., wenn X erreicht wird, wird der Endzustand (1,2,6) sein Allianzen als Problem Optimale Entscheidungen Prof. Timm 10
11 Alpha Beta Pruning Alpha-Beta Pruning Problem von Minimax Suchraum exponentiell in der Anzahl der Züge Abkürzen der Suche Idee des Alpha-Beta- Kürzen: Absägen von Ästen, die die Entscheidung nicht beeinflussen können an jedem Knoten ist der Wertebereich angezeigt Alpha-Beta Pruning Prof. Timm 11
12 Genereller Fall Abkürzen der Suche Alpha-Beta-Kürzen: Absägen von Ästen, die die Entscheidung nicht beeinflussen können Prinzip des Alpha-Beta- Kürzens: wenn m besser als n, werden wir nie zu n kommen. Alpha-Beta Pruning Algorithmus Nur zwei Zeilen Unterschied zu Minimax Effektivität: O(b d/2 ) Knoten werden nur betrachtet, wenn nur die besten Nachfolgeknoten zuerst analysiert werden. Alpha-Beta Pruning Prof. Timm 12
13 Echtzeit-Entscheidungen mit unvollständigem Wissen Entscheidungen unter unvollständigem Wissen Minimax sucht ganzen Suchraum ab Alpha-Beta Pruning hilft, einen signifikanten Teil davon zu kürzen Aber auch hier gilt: ganzer Suchraum bis zu den Endzuständen meistens nicht praktisch Besser: heuristische Evaluierungsfunktion, die nicht-terminale Knoten zu Endzuständen macht (temporär) Minimax oder Alpha-Beta Algorithmen werden über zwei Wege ersetzt heuristische Evaluierungsfunktion statt Utilityfunktion Kürzen; Cutoff-Test statt Zieltest, der entscheidet, wann Eval-funktion angewendet wird Entscheidungen unter unvollständigem Wissen Prof. Timm 13
14 Heuristische Evaluierungsfunktion Ersatz der Utility-Funktion durch eine heuristische Evaluierungsfunktion Frühes Abschneiden von Zweigen Anforderungen an die Evaluierungsfunktion: z. B. Messen des Materialwerts, im Schach: Bauer = 1, Pferd = 3, Turm = 5, Dame = 9, andere (z. B. König ist sicher = 1/2 Bauer Entscheidungen unter unvollständigem Wissen Anforderungen an die Evaluierungsfunktion Übereinstimmung mit Utility- Funktion für die Endzustände Performanz! Darstellung der Gewinnchancen Die Evaluierungsfunktion soll die Möglichkeit des Gewinnens für eine beliebige Position einer Materialbewertungskategorie repräsentieren Beispiel: gewichtete lineare Evaluierungsfunktion: w 1 f 1 + w 2 f w n f n mit: w = Gewichte (Werte für Figuren, z.b. 1 für Bauern, 3 für Pferd) und f = die Anzahl der Spielelemente Entscheidungen unter unvollständigem Wissen Prof. Timm 14
15 Kürzen der Suche durch festes Tiefenlimit, d.h. Cutoff-test für alle Knoten bis Limit erfolgreich Ziel: Evaluierungsfunktion nur auf stabile Positionen anwenden Bsp.: Annahme: Evaluierungsfunktion basiert auf Materialvorteil, Program sucht bis Tiefenlimit, erreicht Position b) Eval-funktion würde für diesen Zustand melden, dass ein Sieg wahrscheinlich ist Weiss kann aber mit einem Zug die Dame schlagen Suche von instabilen Zuständen aus nach stabilen Zuständen Materialfunktion, d.h. Evalfunktion nur dann anwenden, wenn Ruhe eingekehrt ist. Entscheidungen unter unvollständigem Wissen Horizontproblem Horizontproblem (horizon effect) Gegner zieht, Zug zieht erheblichen Schaden nach sich und ist nicht zu verhindern Bsp.: Es sieht so aus, als wenn Schwarz leichte Vorteile hat. Wenn Weiss seinen Bauern in die achte Reihe bringt, gibt es eine Dame und Weiss wird gewinnen Schwarz kann jedoch diesen Schritt herauszögern durch ständiges Schachsetzen. Man nennt das den unausweichlichen Schritt über den Horizont schieben Eine limitierte Tiefensuche kann den Schritt (Bauer zu Dame) nicht vorhersehen Bisher gibt es dafür keine generelle Lösung Entscheidungen unter unvollständigem Wissen Prof. Timm 15
16 Beispiel: Schach Annahme: Evaluierungsfunktion implementiert Vernünftiger Cutoff-Test für stabile Zustände Große Transpositionstabelle (repeated states in einer Hash-table) ca. 1 Mio Knoten/s können generiert und evaluiert werden (auf 2GHz PC) ~200 Mio Züge pro Einheit (3 min) Entscheidungen unter unvollständigem Wissen Test b= 35beim Schach, mit Mio Züge, d.h. 5 Halbzüge evaluieren Mittelmäßiger Schachspieler würde gewinnen Mit Alpha-Beta werden 10 Halbzüge evaluierbar Expertenlevel Mit weiteren Pruning Techniken sind 14 erreichbar Großmeisterlevel Spiele mit Zufallselementen Prof. Timm 16
17 Spiele mit Zufall Unvorhersehbare Ereignisse bringen neue Situationen Wissen und Glück (Würfel) Bsp.: Weiss hat eine 6 und eine 5 ge- würfelt und hat dadurch vier Möglichkeiten: (5-10,5-11), (5-11,19-24), (5-10,10-16), (5-11,11-16) Problem: Weiss kennt nicht die Augen, die Schwarz würfeln wird, also auch nicht, was Schwarz machen wird. Konstruktion eines kompletten Suchbaumes ist nicht möglich --> Chance nodes zusätzlich. Spiele mit Zufallselementen Chance Nodes (CN) CN als Kreise dargestellt Wir können nicht ausrechnen, welches der beste Zug ist Aber: wir können ein Mittel ausrechnen, ein Mittel über alle möglichen Augen, die vorkommen können. Endzustände wie in deterministischen Spielen Chance C: Sei d i ein Wurf und P(d i ) die Wahrscheinlichkeit dazu. Für jeden Wurf wird die Utility für den besten Weg für MIN errechnet, auf summiert und gewichtet Spiele mit Zufallselementen Prof. Timm 17
18 Expectiminimax Wert Expectiminimax Wert Minimax Wert für Spiele mit Chance Nodes Aber: Wert keine richtigen Minimax-Werte Nur: wahrscheinlicher Wert Wahrscheinlichkeit über die Würfelaugen Generalisierung des Minimax-Wertes zu Expectiminimax-Wert Spiele mit Zufallselementen Positionsevaluierung Abschneiden der Suche und Evaluationsfunktion anwenden ist offensichtlich Bei Minimax: ordnungserhaltende Transformation der Blätter macht keinen Unterschied (1,2,3,4) vs (1,20,30,400), Freiheit bei der Wahl der Funktion Bei Zufallsverhalten verliert man diese Freiheit: mit (1,2,3,4) ist A 1 die beste Wahl, mit (1,20,30,400) ist A 2 besser Programm arbeitet anders! Vermeidung: Evaluationsfunktion kann nur eine positive lineare Transformation sein Wichtig bei Situationen, wo Unsicherheit im Spiel ist Spiele mit Zufallselementen Prof. Timm 18
19 Komplexität von Expectiminimax Minimax O(b m ) Expectiminimax O(b m n m ) n ist die Anzahl der Würfeleinsätze viel Extrakosten (z.b. für Backgammon n = 21, b 20), manchmal aber auch b=4000 (Pasch)) Alpha-Beta Pruning Obere Grenze für C? Möglich, wenn obere Grenze für Utilityfunktion gegeben wird Spiele mit Zufallselementen State-of-the-Art Programme Prof. Timm 19
20 State-of-the-art Programme Zwei Ziele bei der Entwicklung von Spielprogrammen: Wahl der Aktionen in komplexen Domänen mit unsicherem Ergebnis Entwicklung von highperformance Systemen für spezielle Spiele Hier: Ausführungen für das leztere (Schach) Konzentration auf Schach extrem ausgeprägt Speed-Schach (5 und 25min) Computer gewinnt gegen Kasparov In normalen Tournament etwas schlechter State-of-the-Art State-of-the-art Programme Schach Deep Blue: 1 Milliarde Positionen in der Sekunde bis Tiefe 14 Othello/Reversi Suchraum kleiner als Schach 5bi bis 15l legale l Züge Computer wesentlich besser als Menschen 1997 Logistello (Buro, 2002) 6:1 gegen WM Backgammon Unsicherheit durch Würfel, dadurch Suche teuer TD-Gammon (Gerry Tesauro) auf Basis von KNN & RL 1 Mio Trainingspiele gegen sich selbst Unter den besten drei der Welt Go b erreicht 360 bei 19x19 Brett, reguläre Suche ist nicht möglich Systeme basieren auf dem wissensbasiertem Ansatz, bis 1997 kein gutes Programm $ Dollar State-of-the-Art Prof. Timm 20
21 Diskussion Optimale Entscheidungen bei Spielen meist nicht effizient Deswegen: Algorithmen machen Annahmen und Approximationen Standardansatz, basierend auf Minimax, Evaluationsfunktionen und Alpha-Beta Pruning ist ein Ansatz dafür Minimax ist optimale Methode für den nächsten Schritt, wenn der Suchbaum gegeben ist und die Evaluierungen der Blätter exakt korrekt sind Realität: nur Schätzungen, in Abb. scheint Minimax keine gute Wahl zu sein Algorithmus entscheidet sich für den rechten Zweig, wobei es wahrscheinlicher ist, daß der linke Zweig in der Realität besser wäre Minimaxannahme: alle rechten Knoten sind besser als 99 links Zusammenfassung Prof. Timm 21
22 Zusammenfassung Spiele spielen für KI ist wie Formel 1 im Motorsport. Hier die wichtigsten Ideen: Ein Spiel kann als Initialzustand, Operatoren, Zieltest (zum Terminieren), und einer Evaluationfunktion definiert werden. In Spielen mit zwei Spielern mit perfekter Information ist der Minimax- Algorithmus den nächst besten Zug bestimmen (einzige Annahme: der Gegner spielt perfekt). Der gesamte Suchbaum wir dabei aufgebaut. Der Alpha-Beta-Algorithmus kalkuliert genauso wie Minimax, ist aber effizienter, weil Zweige aus dem Suchbaum abgeschnitten werden. Normalerweise ist es nicht möglich, den gesamten Suchbaum aufzubauen (auch nicht mit Alpha-Beta), also muß man irgendwann die Suche abbrechen und die Evaluationsfunktion anwenden. Spiele mit Zufall können mit Hilfe einer Minimax-Erweiterung gespielt werden. Hier werden die sog. Chance-Knoten evaluiert (mittlerer Nutzen aller Kinder, gewichtet über die Wahrscheinlichkeit). Prof. Timm 22
Einführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen --- Vorlesung vom 8.5.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation (IS) Ein kleiner
MehrIntelligente Systeme
Intelligente Systeme Spiele Prof. Dr. R. Kruse C. Braune {rudolf.kruse,christian,braune}@ovgu.de Institut für Intelligente Kooperierende Systeme Fakultät für Informatik Otto-von-Guericke Universität Magdeburg
Mehr6. Spiele Arten von Spielen. 6. Spiele. Effizienzverbesserung durch Beschneidung des Suchraums
6. Spiele Arten von Spielen 6. Spiele Kombinatorische Spiele als Suchproblem Wie berechnet man eine gute Entscheidung? Effizienzverbesserung durch Beschneidung des Suchraums Spiele mit Zufallselement Maschinelles
MehrDer Bestimmtheitssatz
2. Spielbäume und Intelligente Spiele Der Minimax-Algorithmus Der Bestimmtheitssatz Satz 2.1. Gegeben sei ein Spiel, das die folgenden Eigenschaften hat: 1. Das Spiel wird von zwei Personen gespielt. 2.
MehrÜbersicht. Künstliche Intelligenz: 6. Spiele Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
MehrSuche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20
Suche in Spielbäumen Suche in Spielbäumen KI SS2011: Suche in Spielbäumen 1/20 Spiele in der KI Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche Einschränkung von Spielen auf: 2 Spieler:
Mehr2. Spiele. Arten von Spielen. Kombinatorik. Spieler haben festgelegte Handlungsmöglichkeiten, die durch die Spielregeln definiert werden.
. Spiele Arten von Spielen. Spiele. Spiele Arten von Spielen Kombinatorik Spieler haben festgelegte Handlungsmöglichkeiten, die durch die Spielregeln definiert werden. Kombinatorische Spiele als Suchproblem
MehrKombinatorische Spiele mit Zufallselementen
Kombinatorische Spiele mit Zufallselementen Die Realität ist nicht so streng determiniert wie rein kombinatorische Spiele. In vielen Situationen spielt der Zufall (Risko) eine nicht zu vernachlässigende
MehrDer Alpha-Beta-Algorithmus
Der Alpha-Beta-Algorithmus Maria Hartmann 19. Mai 2017 1 Einführung Wir wollen für bestimmte Spiele algorithmisch die optimale Spielstrategie finden, also die Strategie, die für den betrachteten Spieler
MehrGrundlagen der Künstlichen Intelligenz Einführung Minimax-Suche Bewertungsfunktionen Zusammenfassung. Brettspiele: Überblick
Grundlagen der Künstlichen Intelligenz 22. Mai 2015 41. Brettspiele: Einführung und Minimax-Suche Grundlagen der Künstlichen Intelligenz 41. Brettspiele: Einführung und Minimax-Suche Malte Helmert Universität
MehrTD-Gammon. Michael Zilske
TD-Gammon Michael Zilske zilske@inf.fu-berlin.de TD-Gammon Ein Backgammon-Spieler von Gerald Tesauro (Erste Version: 1991) TD-Gammon Ein Neuronales Netz, das immer wieder gegen sich selbst spielt und dadurch
MehrÜbersicht. 5. Spiele. I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI
MehrKI und Sprachanalyse (KISA)
Folie 1 KI und Sprachanalyse (KISA) Studiengänge DMM, MI (B. Sc.) Sommer Semester 15 Prof. Adrian Müller, PMP, PSM1, CSM HS Kaiserslautern e: adrian.mueller@ hs-kl.de Folie 2 ADVERSIALE SUCHE Spiele: Multi-Agenten
MehrThinking Machine. Idee. Die Thinking Machine Visualisierung versucht, die Denkprozesse eines Schachcomputers sichtbar zu machen
Thinking Machine (http://www.turbulence.org/spotlight/thinking/) Idee Die Thinking Machine Visualisierung versucht, die Denkprozesse eines Schachcomputers sichtbar zu machen Sie wurde von Martin Wattenberg
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suche bei Spielen
Einführung in die Methoden der Künstlichen Intelligenz Suche bei Spielen Dr. David Sabel WS 2012/13 Stand der Folien: 5. November 2012 Zwei-Spieler-Spiele Ziel dieses Abschnitts Intelligenter Agent für
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suche bei Spielen
Einführung in die Methoden der Künstlichen Intelligenz Suche bei Spielen Prof. Dr. Manfred Schmidt-Schauß SoSe 2016 Stand der Folien: 12. Mai 2016 Zwei-Spieler-Spiele Ziel dieses Abschnitts Intelligenter
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
MehrZwei-Spieler-Spiele. Einführung in die Methoden der Künstlichen Intelligenz. Suche bei Spielen. Schach. Schach (2)
Einführung in die Methoden der Künstlichen Intelligenz Suche bei Spielen PD Dr. David Sabel SoSe 24 Ziel dieses Abschnitts Intelligenter Agent für Zweipersonenspiele Beispiele: Schach, Dame, Mühle,...
MehrPraktikum Algorithmen-Entwurf (Teil 7)
Praktikum Algorithmen-Entwurf (Teil 7) 28.11.2005 1 1 Vier gewinnt Die Spielregeln von Vier Gewinnt sind sehr einfach: Das Spielfeld besteht aus 7 Spalten und 6 Reihen. Jeder Spieler erhält zu Beginn des
Mehr2. Spielbäume und Intelligente Spiele
2. Spielbäume und Intelligente Spiele Arten von Spielen 2. Spielbäume und Intelligente Spiele Kombinatorische Spiele als Suchproblem Wie berechnet man eine gute Entscheidung? Effizienzverbesserung durch
MehrSpiele (antagonistische Suche) Übersicht. Typen von Spielen. Spielbaum. Spiele mit vollständiger Information
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
MehrZwei-Spieler-Spiele. Einführung in die Methoden der Künstlichen Intelligenz. Suche bei Spielen. Schach. Schach (2)
Einführung in die Methoden der Künstlichen Intelligenz Suche bei Spielen Prof. Dr. Manfred Schmidt-Schauß Ziel dieses Abschnitts Intelligenter Agent für Zweipersonenspiele Beispiele: Schach, Dame, Mühle,...
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?
MehrZwei-Spieler-Spiele. Einführung in die Methoden der Künstlichen Intelligenz. Suche bei Spielen. Schach. Schach (2)
Einführung in die Methoden der Künstlichen Intelligenz Suche bei Spielen Prof. Dr. Manfred Schmidt-Schauß Ziel dieses Abschnitts Intelligenter Agent für Zweipersonenspiele Beispiele: Schach, Dame, Mühle,...
MehrAlgorithmen und Datenstrukturen
Algrithmen und Datenstrukturen Prf. Dr. Ralf Möller Universität zu Lübeck Institut für Infrmatinssysteme Tanya Braun (Übungen) swie viele Tutren Suchgraphen für 2-Persnen-Nullsummenspiele Typen vn Spielen
MehrSpiele als Suchproblem
Spiele als Suchproblem betrachten Spiele für zwei Personen, diese sind abwechselnd am Zug Spiel endet in einem aus einer Menge möglicher Terminalzustände deterministische, im Prinzip zugängliche Umgebung
MehrProseminar: Geschichte des Computers Schachprogrammierung Die Digitale Revolution
Die Digitale Revolution Internet 3D-Drucker Quants Singularität 27.02.14 Johannes Polster Das Spiel der Könige Sehr altes Spiel: Entstehung vor 1500 Jahren Weltberühmt Strategisches Spiel Kein Glück, Intelligenz,
MehrÜberblick. Mathematik und Spiel. Ohne Glück zum Sieg. Bedeutung der Strategie. Zwei Hauptaspekte
Überblick Ohne Glück zum Sieg R. Verfürth Fakultät für Mathematik Ruhr-Universität Bochum Bochum / 8. Oktober 2009 Kategorisierung Strategische Spiele Bewertung einer Stellung Aufwand Epilog Literatur
MehrAufgabe 2 - Spiele mit Zyklen Gegeben sei folgendes einfache Spiel:
Theoretischer Teil Aufgabe 1 - Spielbaume Gegeben sei folgender Spielbaum: - Spiele und Lokale Suche Die Spielzustande sind mit Kreisen dargestellt und zu ihrer Unterscheidung mit Buchstaben markiert.
MehrHackenbusch und Spieltheorie
Hackenbusch und Spieltheorie Was sind Spiele? Definition. Ein Spiel besteht für uns aus zwei Spielern, Positionen oder Stellungen, in welchen sich das Spiel befinden kann (insbesondere eine besondere Startposition)
MehrSemesterprojekt Implementierung eines Brettspiels (inklusive computergesteuerter Spieler)
Semesterprojekt Implementierung eines Brettspiels (inklusive computergesteuerter Spieler) Wintersemester 16/17 (Kleine) Einführung zu Künstlicher Intelligenz in Brettspielen Patrick Schäfer patrick.schaefer@hu-berlin.de
MehrIntelligente Systeme
Intelligente Systeme Spiele und Erfüllungsprobleme Prof. Dr. R. Kruse C. Braune {kruse,cbraune}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrEinführung in die Künstliche Intelligenz. 6. Spiele
Einführung in die Künstliche Intelligenz 6. Spiele Prof. Dr. Susanne Biundo-Stephan Institut für Künstliche Intelligenz, Universität Ulm WS 2012/2013 S. Biundo-Stephan (Universität Ulm) 6. Spiele WS 2012/2013
Mehr5. Spiele. offensichtlich eine Form von Intelligenz. Realisierung des Spielens als Suchproblem
5. Spiele Spiele, insbesondere Brettspiele, stellen eines der ältesten Teil- und Anwendungsgebiete der KI dar (Shannon und Turing: 1950 erstes Schachprogramm). Brettspiele stellen eine sehr abstrakte und
MehrSpieltheorie Gemischte Strategien
Spieltheorie Gemischte Strategien Emanuel Kitzelmann Kognitive Systeme Universität Bamberg Übung KogSys I, WS 06/07 E. Kitzelmann (Universität Bamberg) Gemischte Strategien Übung KogSys I, WS 06/07 1 /
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2008/2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln 8-Damen-Problem Gegeben: Schachbrett
MehrWissensbasierte Systeme 5. Brettspiele
Wissensbasierte Systeme 5. Brettspiele Suchstrategien für Spiele, Spiele mit Zufall, Stand der Kunst Michael Beetz Plan-based Robot Control 1 Inhalt 5.1 Brettspiele 5.2 Minimax-Suche 5.3 Alpha-Beta-Suche
MehrKapitel 2: Suche. Problemzerlegung. Interpretation als Und-Oder-Baum bzw. -Graph. Eigenschaften und Verbesserungen von A*
Problemzerlegung Kapitel 2: Suche Teil 2 Ein weiteres Modell zur Formulierung von Suchproblemen ist die Problemzerlegung. Sie arbeitet auf Mengen von (Teil-)Problemen. Der Übergang zwischen zwei Problemmengen
MehrProgrammierkurs Prolog, SS 2000
Programmierkurs Prolog SS 2000 Universitaet Dortmund nach Joachims 1998 Suche Repräsentation von Bäumen Repräsentation von Graphen Suchstrategien DFS, BFS, Iterative Deepening, Locale Heuristiken, Globale
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
MehrWissensbasierte Suche
Wissensbasierte Suche Jürgen Dorn Inhalt uninformierte Suche wissensbasierte Suche A* und IDA* Algorithmus Suche in Und/Oder-Graphen Jürgen Dorn 2003 Wissensbasierte Suche 1 Suche Suche in (expliziten
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Moewes G. Ruß {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrMoGo Seminar Knowledge Engineering und Lernern in Spielen Sommersemester 2010
MoGo Seminar Knowledge Engineering und Lernern in Spielen Sommersemester 2010 08.06.2010 Fachbereich 20 Knowledge Engineering Group Christian Brinker 1 Inhalt Go Probleme für KIs Monte-Carlo-Suche UCT-Suchalgorithmus
MehrZustände und Knoten. Vorgänger Information: Tiefe = 4 ΣKosten=4 Expandiert: ja. Zustand Aktion: right. Aktion: down
Zustände und Knoten Zustände: Schnappschüsse der Welt Knoten: Datenobjekte, welche Zustände repräsentieren und weitere Information enthalten Vorgängerknoten (im Baum 1) Nachfolgerknoten (im Baum b) mit
Mehr6in1 Deluxe Spiele-Koffer. Spielanleitung
6in1 Deluxe Spiele-Koffer Spielanleitung 1 ihr neuer spielekoffer Sehr gehrte Kunden, wir danken Ihnen für den Kauf dieses Spiele- Koffers. Mit diesem eleganten Koffer sind Sie für Spiele-Abende und lange
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 6. Klassische Suche: Datenstrukturen für Suchalgorithmen Malte Helmert Universität Basel 7. März 2014 Klassische Suche: Überblick Kapitelüberblick klassische Suche:
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
MehrSeminar: Randomisierte Algorithmen Auswerten von Spielbäumen Nele Küsener
Seminar: Randomisierte Algorithmen Auswerten von Sielbäumen Nele Küsener In diesem Vortrag wird die Laufzeit von Las-Vegas-Algorithmen analysiert. Das Ergebnis ist eine obere und eine untere Schranke für
MehrKapitel 2: Suche. Teil 2. (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01)
Kapitel 2: Suche Teil 2 (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01) Künstliche Intelligenz, Kapitel 2 Suche 1 Eigenschaften und Verbesserungen von
MehrLearning To Play Chess Using Temporal Differences
Learning To Play Chess Using Temporal Differences Der Vortrag wird von Pham Thi Thu Trang gehalten 17.06.2004 1 Einleitung TD- learning ist zuerst von Samuel (1959) entwickelt und später von Sutton (1988)
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 18. Brettspiele Malte Helmert Universität Basel 24. Mai 2013 Einordnung Einordnung: Brettspiele Umgebung: statisch vs. dynamisch deterministisch vs. nicht-deterministisch
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 4: Suchverfahren Informierte Suche 1/132 INFORMIERTE SUCHSTRATEGIEN (ISS) Benutzt neben der Definition des Problems auch problemspezifisches Wissen. Findet Lösungen effizienter
MehrKnowledge Engineering und Lernen in Spielen. Thema: Opening Book Learning von: Thomas Widjaja
Knowledge Engineering und Lernen in Spielen Thema: Opening Book Learning von: Thomas Widjaja Gliederung Allgemeines Drei Beispielverfahren zum Anpassen eines Opening Books Deep Blue Logistello (Michael
MehrAbschätzung der Suchbaumgröße
Effiziente Algorithmen Lösen NP-vollständiger Probleme 263 Abschätzung der Suchbaumgröße Der Schätzwert für die Suchbaumgröße war 3529. Lassen wir das Programm laufen, ergibt sich, daß 1830 gültige Positionen
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
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen --- Vorlesung vom 21.4.2009 --- Informierte Suche Suche mit Vorwissen Ingo J. Timm, René Schumann Professur für Wirtschaftsinformatik und Simulation (IS) Wiederholung
MehrErste Schritte um Schach zu lernen
Erste Schritte um Schach zu lernen Erstellt durch wikihow Übersetzungen: Schach ist ein sehr beliebtes Spiel und weithin als eines der ältesten noch gespielten Spiele anerkannt. Obwohl die Regeln von Schach
MehrAndroid will doch nur spielen. Ein Spieleframework stellt sich vor
Android will doch nur spielen Ein Spieleframework stellt sich vor 1 Agenda Motivation Eine allgemeine Spieleschnittstelle Reguläre Brettspiele TicTacToe Visualisierung und Steuerung Spieleagenten Weitere
MehrSpieltheorie. Miriam Polzer 16.7.2013. Miriam Polzer Spieltheorie 16.7.2013 1 / 40
Spieltheorie Miriam Polzer 16.7.2013 Miriam Polzer Spieltheorie 16.7.2013 1 / 40 1 Grundlagen 2 Minimax und Alpha-Beta-Pruning 3 Nim-Spiele 4 Josephus-Problem Miriam Polzer Spieltheorie 16.7.2013 2 / 40
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune {rudolf.kruse,christian.braune}@ovgu.de Institut für Intelligente Kooperierende Systeme Fakultät für Informatik Otto-von-Guericke-Universität
MehrDer folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre 1990.
Ein polynomieller Algorithmus für das N-Damen Problem 1 Einführung Der folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre
MehrAufgabe 1: Betrachtet werde das Matrixspiel mit der Auszahlungsmatrix a. 1. Für welche Werte von a gibt es ein Nash sches Gleichgewicht?
Lösungen zu den Übungsaufgaben im Kapitel 7 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe : Betrachtet werde das Matrixspiel mit
MehrIntransitive Würfel Lösungen
Schülerzirkel Mathematik Fakultät für Mathematik. Universität Regensburg Intransitive Würfel Lösungen Hier sind nochmal Efrons Würfel für euch abgebildet: Würfel A Würfel B Würfel C Würfel D Aufgabe (Würfelexperiment
MehrSpieltheorie. Sebastian Wankerl. 16. Juli 2010
Spieltheorie Sebastian Wankerl 16. Juli 2010 Inhalt 1 Einleitung 2 Grundlagen Extensive Form choice functions Strategien Nash-Gleichgewicht Beispiel: Gefangenendillema 3 Algorithmen Minimax Theorem Minimax
MehrTeil 3. Suchverfahren
Teil 3 Suchverfahren Überblick Suchproblem Allgemeines Suchverfahren Nicht informierte Suche Informierte Suche Iterative Suche Spiele Beispiel 1 Beispiel 1 Beispiel 1 SUCHPROBLEME Problemlösen durch Suche
MehrKapitel 3. Adversariale Suche Allgemeines Minimax-Algorithmus α-β-pruning Bewertungsfunktionen Mehrspieler-Spiele Spiele mit Zufallskomponenten
Kapitel 3 Adversariale Suche Allgemeines Minimax-Algorithmus α-β-pruning Bewertungsfunktionen Mehrspieler-Spiele Spiele mit Zufallskomponenten Kapitel 3 Adversariale Suche p. 1 Allgemeines Adversariale
Mehrals Bewertungsfunktion g(n) eines Knotens n wird der tatsächliche Weg vom Startzustand zu diesem Knoten benutzt
5 Suche 12. Vorlesung: Bestensuche; Goal Trees best-first search einfache Bestensuche: als Bewertungsfunktion g(n) eines Knotens n wird der tatsächliche Weg vom Startzustand zu diesem Knoten benutzt Bewertungsfunktion
MehrKnowledge Engeneering und Lernen in Spielen
Knowledge Engeneering und Lernen in Spielen Anomalies of game tree search Tobias Ludwig Übersicht Motivation Übersicht bisheriger Studien Berechnungsmodell KRK Endspiel Evaluationsfunktion MiniMax Algorithmus
MehrGeneral Game Playing
General Game Playing Martin Günther mguenthe@uos.de 17. Juni 2010 1 / 31 1997: Deep Blue schlägt Kasparov Motivation: warum General Game Playing? AAAI General Game Playing Competition 2 / 31 Motivation:
MehrΤαβλι. Das griechische Spiel Ταβλι" besteht aus drei verschiedenen Spielen. 1. πορτες Türen 2. πλακοτο "draufsetzen" 3. φευγα "Geh weg!
Ταβλι Das griechische Spiel Ταβλι" besteht aus drei verschiedenen Spielen. 1. πορτες Türen 2. πλακοτο "draufsetzen" 3. φευγα "Geh weg!" Alle drei Versionen werden hintereinander gespielt. Nach drei Spielen
MehrHerzlich Willkommen. Spielstrategien. gehalten von Nils Böckmann
Herzlich Willkommen Spielstrategien gehalten von Nils Böckmann Agenda 1. Einführung 2. Problemstellung 3. Abgrenzung 4. Zielstellung / grober Überblick 5. Vorstellen der Konzepte 1. Umgebungslogik 2. Spielbäume
MehrBeispiele. mit. Beispiel 2.3. Suche einen Weg von nach. Tiefensuche bzw. Breitensuche.
2. Suchverfahren Uninformierte Suchverfahren Beispiel 2.4. Ein Weinhändler hat drei Krüge, einen von 9 Liter, einen von 7 Liter und einen von 4 Liter Inhalt. Auf den Krügen sind keine Litermarkierungen
MehrHandlungsplanung und Allgemeines Spiel Ausblick: GDL-II. Peter Kissmann
Handlungsplanung und Allgemeines Spiel Ausblick: GDL-II Peter Kissmann Themen Allgemeines Spiel Einführung Game Desciption Language (GDL) Spielen allgemeiner Spiele Evaluationsfunktionen im allgemeinen
MehrSpielanleitung für das Backgammon-Spiel mit freundlicher Genehmigung von
Spielanleitung für das Backgammon-Spiel mit freundlicher Genehmigung von http://www.bkgm.com/rules/german/rules.html Obwohl Backgammon ein Würfelspiel ist, ist es ein Spiel, bei dem geistige Geschicklichkeit
Mehrbzw. die Entscheidugen anderer Spieler (teilweise) beobachten Erweitert das Analysespektrum erheblich Beschreibung des Spiels (extensive Form)
1 KAP 9. Dynamische Spiele Bisher: alle Spieler ziehen simultan bzw. können Aktionen der Gegenspieler nicht beobachten Nun: Dynamische Spiele Spieler können nacheinander ziehen bzw. die Entscheidugen anderer
MehrSamuel's Checkers Program
Samuel's Checkers Program Seminar: Knowledge Engineering und Lernen in Spielen 29.06.2004 Ge Hyun Nam Überblick Einleitung Basis Dame-Programm Maschinelles Lernen Auswendiglernen Verallgemeinerndes Lernen
Mehr10. Vorlesung. 12. Dezember 2006 Guido Schäfer
LETZTE ÄNDERUNG: 5. JANUAR 2007 Vorlesung: Einführung in die Spieltheorie WS 2006/2007 10. Vorlesung 12. Dezember 2006 Guido Schäfer 3 Spiele in extensiver Form Bisher haben wir uns ausschliesslich mit
MehrSchach, Backgammon & Dame
Schach, Backgammon & Dame de Spielanleitung Tchibo GmbH D-22290 Hamburg 92630AB6X6VII 2017-07 Liebe Kundin, lieber Kunde! Drei Klassiker in einem praktischen, dekorativen Holzkasten. Schon seit Jahrhunderten
MehrAlgorithmen. Von Labyrinthen zu. Gerald Futschek
Von Labyrinthen zu Algorithmen Gerald Futschek Wie kommt man aus einem Labyrinth (griechisch: Haus der Doppelaxt, wahrscheinlich Knossos auf Kreta) Labyrinth heraus? Labrys Grundriss des Palastes von Knossos
MehrGrundlagen der KI + Reasoning Agents
Grundlagen der KI + Reasoning Agents Prof. Thielscher Welche heuristischen Suchverfahren gibt es? Erläutern Sie A* am Beispiel. Aufbau und Schlussfolgerungen von Bayesschen Netzen. Thielscher drängt auf
MehrAlgorithmen für die Speicherhierarchie
und : Obere und n [Aggarwal, Vitter 1988] Lehrstuhl für Effiziente Algorithmen Fakultät für Informatik Technische Universität München Vorlesung 22. Oktober 2007 k-wege Merge Verschmelzen und I/O eispiel
MehrMachine Learning Spielen allgemeiner Spiele. Stefan Edelkamp
Machine Learning Spielen allgemeiner Spiele Stefan Edelkamp Themen Allgemeines Spiel Einführung Game Desciption Language (GDL) Spielen allgemeiner Spiele Heuristiken im allgemeinen Spiel und Verbesserungen
MehrInformatik II Übung 9
Informatik II Übung 9 Florian Scheidegger florsche@student.ethz.ch Folien mit freundlicher Genehmigung adaptiert von Gábor Sörös und Simon Mayer gabor.soros@inf.ethz.ch, simon.mayer@inf.ethz.ch Informatik
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen --- Vorlesung vom 24.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation (IS) 3. Uninformierte
MehrNash-Gleichgewichte in 2-Spieler Systemen. Katharina Klost Freie Universität Berlin
Nash-Gleichgewichte in 2-Spieler Systemen Katharina Klost Freie Universität Berlin Seminar über Algorithmen, 29.10.2013 Grundlegende Definitionen A Gewinnmatrix für Spieler 1, B Gewinnmatrix für Spieler
MehrBisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners
1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man
MehrIgel Ärgern Spielanleitung/Spielregeln. Brettspielnetz.de Team Copyright 2017 Spiele von Doris und Frank
Igel Ärgern Spielanleitung/Spielregeln Brettspielnetz.de Team Copyright 2017 Spiele von Doris und Frank Inhalt Igel Ärgern Spielregeln...1 Einleitung und Spielidee...2 Spielablauf...3 Blockierte Igel...4
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 3: Suchverfahren Informierte Suche 1/78 WIEDERHOLUNG Bislang uninformierte Strategien BFS, DFS, Iteratives Vertiefen, Bidirektionale Suche Wichtige Begriffe: Suchraum,
MehrAlgorithmen und Datenstrukturen 1 Kapitel 5
Algorithmen und Datenstrukturen 1 Kapitel 5 Technische Fakultät robert@techfak.uni-bielefeld.de Vorlesung, U. Bielefeld, Winter 2005/2006 Kapitel 5: Effizienz von Algorithmen 5.1 Vorüberlegungen Nicht
MehrÜbersicht. Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
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
MehrWahrscheinlichkeitsrechnung und Statistik
Babeş-Bolyai Universität Fakultät für Mathematik und Informatik Oktober 2018 Im Alltag... Laut den meteorologischen Vorhersagen wird es morgen regnen. Ob ich riskiere und die Wette verlieren werde? Ich
MehrPlanung von Handlungen bei unsicherer Information
Planung von Handlungen bei unsicherer Information Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 20.01.2010 Dr.-Ing. Bernd Ludwig (FAU ER)
MehrSpiele. Programmierpraktikum WS04/05 Lange/Matthes 106
Spiele Programmierpraktikum WS04/05 Lange/Matthes 106 Theorie eines Spiels mathematisch: k-spieler Spiel ist Graph G = (V, E) wobei V partitioniert in V 1,..., V k Knoten v V heissen Konfigurationen oft
MehrKünstliche Intelligenz am Zug: Können Programme gegen menschliche Spieler gewinnen?
Liebe Kinder, mir hat die Vorlesung mit euch viel Spaß gemacht. Da nicht alles, was ich gesagt und vorgeführt habe, auf den Folien zu finden ist, füge ich ein paar erläuternde Sprechblasen hinzu. Hier
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
MehrEine spieltheoretische Betrachtung des Pokerspiels
Eine spieltheoretische Betrachtung des Pokerspiels Seminar TUD Computer Poker Challenge Stefan Lück & Claudio Weck 8. April 2008 Fachbereich Informatik KE S. Lück & C. Weck 1 Agenda Spieltheoretische Grundlagen
MehrSchach Spielanleitung
Schach Spielanleitung 1. Schachbrett Untenstehend sieht man ein Schachbrett inklusive Figuren in Grundstellung. Hierbei handelt es sich immer um die Ausgangsposition. Zu beachten ist, dass jedes Feld seinen
MehrMultiple Alignments. Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann. Webseite zur Vorlesung
Multiple Alignments Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann Webseite zur Vorlesung http://bioinfo.wikidot.com/ Sprechstunde Mo 16-17 in OH14, R214 Sven.Rahmann -at-
Mehr