Deductive and Practical Reasoning Agents
|
|
- Leonard Simen
- vor 6 Jahren
- Abrufe
Transkript
1 Deductive and Practical Reasoning Agents Seminar: Agentensysteme SS10 Veranstalter: Alexa Breuing, Julia Tolksdorf Datum: Vortragende: Andreas Berstermann und Sebastian Wiesendahl 1
2 Deductive Reasoning Agents Von: Andreas Berstermann 2
3 Inhalt Definitionen Deductive Reasoning Agent Agent als Theorembeweiser Staubsaugerroboter Agent-Oriented Programming Agent0 Concurrent MetateM 3
4 Definitionen Deduktion Schlussfolgerung vom Allgemeinen auf das Besondere Schlussfolgern ( reasoning ): bezeichnet kognitive Prozesse, mit denen aus vorhandenem Wissen neues Wissen gewonnen wird 4
5 Beispiel eines Deductive Reasoning Agents Ein Roboteragent, der durch ein Bürogebäude navigieren soll Eine Möglichkeit dies zu Implementieren: eine Repräsentation seiner Umgebung 5
6 Probleme des deduktiven Schließen Das Transduktionsproblem: Übersetzung von der realen Welt in eine präzise,adäquate und symbolische Beschreibung Das Repräsentations-/Begründungsproblem: Problem, die Welt so zu repräsentieren, dass er in ihr schlussfolgern und sie manipulieren kann 6
7 Agenten als Theorembeweiser Interner Zustand als Datenbank von PL1 Formeln die Eigenschaften der Umgebung einfach zu repräsentieren Datenbank ist analog zum Glauben des Menschen Datenbank kann fehlerhaft sein 7
8 Beispiel der Formeln Open (valve221) Temperature (reactor4726, 321) Preasure (tank776, 28) 8
9 Definition der Regeln L Menge der Formeln der Prädikatenlogik 1. Stufe D= 2^L Menge von L Datenbanken DB, DB1, Elemente von D 9 ρ Menge von Deduktionsregeln DB ρ φ: Formel wird geschrieben, wenn φ nur mit den Ableitungsregeln ρ bewiesen werden kann
10 Die bekannten Funktionen see: S Per next: D x Per D action: D Ac 10
11 Aktionsauswahl als Theorembeweis 11
12 Staubsaugeroboter [Russell and Norvig,1995] 12
13 Funktionen Aktionen: - Vorwärts (nur einen Schritt) - Drehen (um 90 nach rechts) - Saugen Austattung: - Sensor(dirt oder null) - Staubsauger 13
14 Funktionen Hauptprädikate: In(x,y) Dirt(x,y) Facing(d) Position des Agenten (x,y) Position des Schmutzes (x,y) Der Agent schaut in Richtung d next-funktion: Für wahrgenommene Informationen wird eine neue Datenbank erstellt alte oder irrelevante Informationen werden gelöscht die neue Position und Ausrichtung muss herausgefunden werden 14
15 Next Funktion Beschreibung alter Informationen: old(db) = {P(t1,..., tn) P {In, Dirt, Facing} and P (t1,, tn) DB } Hinzufügen der Menge der neuen Prädikate: new:d x Per D next (Db, ρ) = (DB\old (DB)) U (new (DB, ρ) 15
16 Deduktionsregeln φ(...) ψ(...): Wenn φ mit Datenbank matcht kann daraus auf ψ geschlossen werden Reingungsfunktion höchste Priorität: In (x,y) ^ Dirt(x,y) Do (suck) 16
17 Regeln zum Bewegen In (0,0)^Facing (north) ^ Dirt(0,0) Do(forward) In (0,1)^Facing (north) ^ Dirt(0,1) Do(forward) In (0,2)^Facing (north) ^ Dirt(0,2) Do(turn) In (0,2)^Facing (east) 17 Do(forward)
18 Agent-Oriented Programming (AOP) Entwickelt von [Shoham,1993] Eigenschaften durch mentale Vorstellungen zu repräsentieren Idee dahinter: menschenähnliche Eigenschaften zu verwenden 18
19 Agent0 Erste Implementierung von AOP s Spezifikation: Menge von Fähigkeiten (capabilities) Menge von Anfangsüberzeugungen (initial beliefs) Menge von Anfangsverpflichtungen (Initial commitments) Menge von Verpflichtungsregeln (commitment rules) 19
20 Verpflichtungsregeln Nachrichtenzustand mentaler Zustand Aktionen 20
21 Nachrichtenzustand Drei Typen: request oder unrequest: zum Durchführen oder Unterlassen von Aktionen Inform: um Informationen weiterzuleiten 21
22 Schleife eines AGENT0 1)Lese: aktuelle Nachrichten aktualisierte Annahmen daraus folgenden Verpflichtungen 2) Führe alle Verpflichtungen, bei dem der Fähigkeitszustand zutrifft aus 3) GOTO 1) 22
23 Concurrent MetateM [Fisher, 1994] direkte Ausführung von logischen Formeln Systembeschreibung: enthält große Anzahl von gleichzeitig agierenden Agenten Kommunikation über Rundmeldungen Verhalten wird durch temporal logic programmiert 23
24 Concurrente MetateM Agenten Schnittstelle: Definiert, wie er mit seiner Umgebung interagieren kann Computational Engine: Definiert die Berechnungsvorschrift 24
25 Schnittstelle Eindeutige Agent ID Menge der akzeptierten Nachrichten (envirement propositions) Menge der Sendemöglichkeiten (component propositions) 25
26 Beispiel für eine Schnittstelle stack (pop,push) [popped, full] stack AgentenID {pop,push} Menge der envirement propositions {popped,full} Menge der component propositions 26
27 Propositional MetateM Logic (PML) 27
28 Beispiel einer PML important (Agents) Jetzt und in Zukunft werden Agenten wichtig sein 28
29 Zyklus 1) Aktualisieren der Historie durch Nachrichtenempfang 2) Vergleich mit feuernden Regeln 3) Neue Konsequenzen und alte Verpflichtungen zusammenbringen Unter diesen Bedingungen den nächsten Zustand erzeugen 4) GOTO 1) 29
30 Beispiel eines Durchlaufes 30
31 Fragen und Diskussion Was versteht man unter Deduktion? (not(friends(us)) U aplogize (you) Zu was wird es nach der PML? Welche Bestandteile besitzt ein Agent in Concurrent MetateM? Welcher Idee steckt hinter AGENT0? 31
32 Mindmap 32
33 Practical Reasoning Agents Von: Sebastian Wiesendahl 33
34 Inhalt Practical Reasoning Intentions - Deliberation Means-Ends Reasoning - Planungsstrategie Implementierung eines Practical Reasoning Agents Procedural Reasoning System 34
35 Practical Reasoning vs. Theoretical Reasoning 35 Practical Reasoning Theorectical Reasoning Wirkt auf Umwelt (actions) Wirkt auf Überzeugungen (beliefs)
36 Practical Reasoning Definition: Das praktisch-logische Denken ist die Sache vom Abwägen miteinander konkurrierender Überlegungen für oder gegen im Wettbewerb stehende Möglichkeiten, wobei die relevanten Überlegungen durch Wünsche/Bewertungen/Bemühungen und dem was der Agent glaubt bzw. wahrnimmt geliefert werden. [Bratman,1990,p.17] 36
37 Practical Reasoning Practical Reasoning besteht aus: 37 Deliberation Means-Ends-Reasoning (Überlegung) (Mittel-Zweck-Planung) Was möchte ich erreichen? Wie möchte ich dieses Ziel Erreichen?
38 Practical Reasoning Ablauf: Aktueller Zustand (state of affairs) Mittel-Zweck-Planung (means-ends-reasoning) Plan 38 Ausführung (execution)
39 Practical Reasoning Rahmenbedingung: Deliberation & Means-Ends-Reasoning sind berechenbare Prozesse: Berechnungsdauer Terminierender Algorithmus 39
40 Inhalt Practical Reasoning Intentions - Deliberation Means-Ends Reasoning - Planungsstrategie Implementierung eines Practical Reasoning Agents Procedural Reasoning System 40
41 Intentions Zusammenfassung: Eine Intention ist beim Practical Reasoning eine Absicht auf einen zu erreichenden Zustand, die solange besteht bis das Ziel erreicht ist, unmöglich oder kein Grund mehr vorliegt diese Absicht weiter zu verfolgen. 41
42 Intentions Rollen der Intentions beim Practical Reasoning: zielen auf Means-Ends Reasoning ab (pro-attitudes, action) bleiben bestehen (Persistenz, try again) beschränken zukünftige Deliberation (Einklang mit aktuellen Zielen) stehen mit Beliefs der Zukunft eng in Beziehung (Glaube an die Erfüllung des Ziels) 42
43 Intentions Deliberation Modellierung: Optionen-generieren-Funktion: options: 2 Bel 2Int 2 Des Bel (PL1) 2 Des 2 Int Aktualisierungfunktion (belief revision function): brf : 2 43 Bel Der Agent hat eine Form der Repräsentation über beliefs, desires und intentions. z.b.: Symbolische Repräsentation Filterfunktion: filter : 2 Annahme: Per 2 Bel 2 Int Bel = Menge aller Beliefs Int = Menge aller Absichten Des = Menge aller Desires Per = Wahrnehmung (Percept)
44 Inhalt Practical Reasoning Intentions - Deliberation Means-Ends Reasoning - Planungsstrategie Implementierung eines Practical Reasoning Agents Procedural Reasoning System 44
45 Means-Ends Reasoning / Planning Zusammenfassung: Means-Ends-Reasoning (Mittel-Zweck-Planung) ist der Prozess des bestimmen eines Ablaufs von Aktionen, wie man ein Ziel unter Berücksichtigung der zur Verfügung stehenden Mittel erreicht. 45
46 Means-Ends Reasoning / Planning Planungsproblem Annotationen: Aktion Aktion : P, D, A P = Menge der Vorbedingungen Planungsproblem:, O, A = Menge der Pos. Nachbed. Ac = Menge mögl. Aktionen O = { P, D, A Ac } D = Menge der Neg. Nachbed. Planungsproblem Plan: = 1,..., n, i Ac = Startzustand = Zielzustand O = Indizierte Menge von Aktionen 46
47 Means-Ends Reasoning / Planning Planungsproblem:, O, und Plan: = 1,..., n, i Ac Abfolge von Zuständen: 0, 1,..., n wobei 0 = und i = i 1 D A i für 1 i n i Plan Akzeptabel: i 1 = P i für alle 1 i n b erfüllt a a = b Korrekt: 47 n =
48 Means-Ends Reasoning / Planning Planner Algorithmus: Output Input 1. goal/intention/task planner 2. enviroment state/beliefs Plan / Rezept 3. possible actions plan : 2 48 Bel 2 Int 2 Ac Plan Bel = Menge alle Zustände Int = Menge aller Ziele Ac = Menge mögl. Aktionen
49 Means-Ends Reasoning / Planning STRIPS (Ende 1960) Erste echte Implementation eines Planning-Algorithmus. Beliefs in PL1: {Clear(A), On(A,B), OnTable(B), OnTable(C), Clear(C)} Current state Goals in PL1: {OnTable(A), OnTable(B), OnTable(C)} Goal state 49
50 Means-Ends Reasoning / Planning Actions in STRIPS: Beispiele: Stack(A,B) Name pre {Clear(B), Holding(A)} und evtl Argumente. Precondition list del {Clear(B), Holding(A)} add {ArmEmpty, On(A,B)} Fakten, die wahr sein müssen. Delete list Fakten, die nach der Aktion ungültig werden. Add list Fakten, die nach der Aktion nun wahr sind. 50 Unstack(x,y) pre {On(x,y), Clear(x), ArmEmpty} del {On(x,y), ArmEmpty} add {Holding(x), Clear(y)}
51 Inhalt Practical Reasoning Intentions - Deliberation Means-Ends Reasoning / Planungsstrategie Implementierung eines Practical Reasoning Agents Procedural Reasoning System 51
52 Practical Reasoning Agent - Implementierung Control Structure: Practical Reasoning (5-8): Input ( aktueller Zustand) Deliberation Means-Ends-Reasoning Commitment strategies - Ziele (9-22): Blind commitment (fanatical) Single-minded-commitment Open-minded-commitment 52
53 Practical Reasoning Agent - Implementierung Meta-Level-Control (16-19): commitment vs. reconsideration 53
54 Inhalt Practical Reasoning Intentions - Deliberation Means-Ends Reasoning / Planungsstrategie Implementierung eines Practical Reasoning Agents Procedural Reasoning System 54
55 Procedural Reasoning System data input from sensors enthält auch das BDIParadigma (beliefs-desire- Agent intention) beliefs plan library interpreter desires intentions action output 55 [Kinny and Georgeff, 1991]
56 Procedural Reasoning System Jam (Blocks World): PRS-Komponenten Zwischenziele moglich Goal (postcondition) Intention Stack Context (precondition) Plan: { } 56 Body (plan) NAME: Stack blocks that are already clear GOAL: ACHIEVE ON $OBJ1 $OBJ2; CONTEXT: BODY: ACHIEVE CLEAR $OBJ1; ACHIEVE CLEAR $OBJ2; ACHIEVE move $OBJ1 $OBJ2; UTILITY: 10; FAILURE: EXECUTE print \n\nstack blocks failed!\n\n ;
57 Mögliche Klausurfragen Aus welchen Elementen setzt sich Practical-Reasoning zusammen? Durch welche Funktionen kann man einen DeliberationsProzess erzielen? Wie findet man Intentions? Welche Commitment-Strategien gibt es? Welche Eigenschaften haben Pläne aus dem Jam Blocks World Beispiel? Wozu dienen diese Eigenschaften? 57
58 Diskussion - Fragestellungen In welchen Fällen findet Practical Reasoning Anwendung? Wann werden ergriffene Intentions irrelevant und wie bekommt der Agent dies mit? In welcher Situation wird ein Agent seiner Aufgabe nicht mehr gerecht? Wobei kann er scheitern? 58
59 Mindmap 59
Deductive Reasoning Agents
Deductive and Practical Reasoning Agents Agentensysteme SS10 Veranstalter: Alexa Breuing, Julia Tolksdorf Vortrag vom 04.05.2010 Vortragende: Andreas Berstermann, Sebastian Wiesendahl Deductive Reasoning
MehrPractical Reasoning Agents. Dominic Hallau // Tim Preuß
Practical Reasoning Intention Means-Ends-Reasoning Implementierung eines Practical Reasoning Agents Procedural Reasoning System überblick Theoretical Reasoning beliefs Practical Reasoning actions practical
MehrDeductive Reasoning Agents
Deductive Reasoning Agents Ein Vortrag von Stefan Wilsky & Jaana Korte 19. April 2007 - Seminar Multiagentensysteme Universität Bielefeld Uridee der KI: Man gibt einem System Symbolische Repräsentation
MehrPractical Reasoning Agents
Practical Reasoning Agents Multiagentensysteme Sommersemester 09 Sabine Klein und Hugo 1. Practical Reasoning 1.1 Definition Practical Reasoning 1.2 Unterschied Means Ends Reasoning / Deliberation 1.3
MehrDeductive Reasoning Agents. Roland Krumme & Florian Schulze
Deductive Reasoning Agents Roland Krumme & Florian Schulze Inhalt Was ist ein Deductive Reasoning Agent? Hauptprobleme Deliberate Agents Staubsauger Welt Agent Oriented Programming Agent0 Concurrent MetateM
MehrDeductive Reasoning Agents
Multiagentensysteme Deductive Reasoning Agents Volkan Aksu & Sebastian Ptock Überblick Einleitung Deductive Reasoning Agents Der Staubsauger-Roboter Agentenorientierte Programmierung (AOP) Concurrent MetateM
MehrPractical Reasoning Agents Multiagentensysteme und intelligente Agenten // SS2006
Practical Reasoning Practical Reasoning ist gleichbedeutend mit deliberation und means-ends-reasoning. Im Gegensatz zum Theoretcial Reasoning, das einzig meinen Glauben über die Welt beeinflusst, läuft
MehrUniversität Koblenz-Landau Fachbereich Informatik Klausur KI-Programmierung WS 2007/2008. Jun.-Prof. Dr. B. Beckert. 21.
Name, Vorname: Matrikel-Nr.: Studiengang: Universität Koblenz-Landau Fachbereich Informatik Klausur KI-Programmierung WS 2007/2008 Jun.-Prof. Dr. B. Beckert 21. Februar 2008 Informatik (Diplom) Computervisualistik
MehrÜbersicht. 7. Prädikatenlogik 1. Stufe
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern 6. Logisch schließende Agenten 7. Prädikatenlogik 1. Stufe 8. Entwicklung einer Wissensbasis 9. Schließen in der Prädikatenlogik
MehrÜbersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit)
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern 7. Logische Agenten 8. Prädikatenlogik 1. Stufe 9. Schließen in der Prädikatenlogik 1. Stufe 10. Wissensrepräsentation IV
MehrBDI-Architektur (Beliefs Desires Intentions)
Seminar: Kognitive Modellierung animierter Agenten Bernhard Jung, Stefan Kopp, Nadine Leßmann BDI-Architektur (Beliefs Desires Intentions) Frank Schönmann SS 2003 fschoenm@techfak.uni-bielefeld.de 1 Inhaltsverzeichnis
MehrMultiagent Interactions
Veranstaltung: Agentensysteme SS0 Veranstalter: Alexa Breuing Julia Tolksdorf Vortragende: Florian Follmer Thomas Schöpping Übersicht Motivation Definitionen Spieltheoretische Ansätze Beispiel: Prisoner
MehrGliederung A O T. Agententechnologien in betrieblichen Anwendungen und der Telekommunikation A O T. Einführung. Was ist Planen? A O T.
Gliederung Grundlagen der Künstlichen Intelligenz Planen 10.11.2005 (nach VL von Dr. Peter Geibel) Brijnesh J Jain, Stefan Fricke bjj@dai-labor.de stefan.fricke@dai-labor.de Agententechnologien in betrieblichen
MehrReaktive und Hybride Agenten
Reaktive und Hybride Agenten Seminar: Agentensysteme SS10 Jens Wittrowski (jens.wittrowski@uni-bielefeld.de) Einleitung / Motivation Probleme mit Agenten, welche eine symbolische / logische Repräsentation
Mehr1. Einführung in Temporallogik CTL
1. Einführung in Temporallogik CTL Temporallogik dient dazu, Aussagen über Abläufe über die Zeit auszudrücken und zu beweisen. Zeit wird in den hier zunächst behandelten Logiken als diskret angenommen
MehrVerifizierende Testverfahren
Spezifikation Um einen Algorithmus zu schreiben, muss das zu lösende Problem genau beschrieben sein. Eine Spezifikation ist Verifizierende Testverfahren vollständig, wenn alle Anforderungen/alle relevanten
MehrSeminar Multiagentensysteme
Seminar Multiagentensysteme - Wiederholung -. Ipke Wachsmuth Alexa Breuing {ipke, abreuing}@techfak.uni-bielefeld.de Seminarliteratur Michael Wooldridge (2002): An Introduction to Multiagent Systems 1
MehrPrädikatenlogik in der Praxis. Richard Cubek (Teil der Master Thesis, 2011)
Richard Cubek (Teil der Master Thesis, 2011 Übersicht Symbolische Repräsentationen in der KI Planning Domain Definition Language (PDDL Anwendungsbeispiel aus der Servicerobotik Symbolische Repräsentationen
MehrEinführung und Intelligente Agenten Vortrag vom Sara Winter, Kai Mismahl, Anja Philippsen
Einführung und Intelligente Agenten Vortrag vom 23. 4. 2009 Sara Winter, Kai Mismahl, Anja Philippsen 1. Einführung 1.1 Fünf Trends - Allgegenwart (ubiquity) Chips und Computer werden fast überall eingesetzt
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
MehrKapitel MK:VI. III. Planning Motivation Wissensrepräsentation Planungsalgorithmen Suche im Zustandsraum Suche im Planraum Komplexität Erweiterungen
Kapitel MK:VI III. Planning Motivation Wissensrepräsentation Planungsalgorithmen Suche im Zustandsraum Suche im Planraum Komplexität Erweiterungen MK:VI-1 Planning LETTMANN 2007-2013 Bemerkungen: Dieses
MehrSTRIPS. Hauptseminar: Kognitive Systeme. Stefanie Sieber Norbert Wächtler
STRIPS Hauptseminar: Kognitive Systeme Stefanie Sieber Norbert Wächtler Was ist STRIPS? STanford Research Institute Problem Solver Formalismus zur Beschreibung von Planungsproblemen Kernidee: Weltzustand
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 28. Aussagenlogik: DPLL-Algorithmus Malte Helmert Universität Basel 2. Mai 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26. Grundlagen 27. Logisches
Mehr1.1 Was ist KI? 1.1 Was ist KI? Grundlagen der Künstlichen Intelligenz. 1.2 Menschlich handeln. 1.3 Menschlich denken. 1.
Grundlagen der Künstlichen Intelligenz 20. Februar 2015 1. Einführung: Was ist Künstliche Intelligenz? Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert Universität Basel 20. Februar 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
Mehr1.1 Motivation. Theorie der Informatik. Theorie der Informatik. 1.1 Motivation. 1.2 Syntax. 1.3 Semantik. 1.4 Formeleigenschaften. 1.
Theorie der Informatik 19. Februar 2014 1. Aussagenlogik I Theorie der Informatik 1. Aussagenlogik I Malte Helmert Gabriele Röger Universität Basel 19. Februar 2014 1.1 Motivation 1.2 Syntax 1.3 Semantik
Mehr1.1 Softwareagenten. Deliberative Softwareagenten. 1.1 Softwareagenten 1
1.1 Softwareagenten 1.1 Softwareagenten 1 Ein Softwareagent ist ein Programmobjekt (siehe objektorientierte Programmierung) innerhalb eines Softwaresystems (Agentenplattform), welches autonom, d. h. ohne
MehrMODEL CHECKING 2 - AUTOMATEN
MODEL CHECKING 2 - AUTOMATEN Sommersemester 2009 Dr. Carsten Sinz, Universität Karlsruhe Model Checking 2 System (Hardware/ Software) Model Checking, Formalisierung, Beweis Übersetzung in Logik Gewünschte
MehrPlanungsstrategien. Sven Tollmien WI 5011
Planungsstrategien Sven Tollmien WI 5011 Agenda Einleitung Grundlagen der Planung Klassische Planung STRIPS Regression Planbasiertes Planen POP Algorithmus Graphenbasiertes Planen Vergleich/Fazit Einleitung
MehrAussagenlogische Testspezifikation
Seminar Spezifikationsbasierter Softwaretest Aussagenlogische Testspezifikation Peer Hausding (10.06.2006) 1 Gliederung Einführung Begriffe Test Modellspezifikation AutoFocus Transformation Spezifikation
MehrAlgorithmen. Von Labyrinthen zu. Gerald Futschek
Von Labyrinthen zu Algorithmen Gerald Futschek Wie kommt man aus einem Labyrinth heraus? Labyrinth (griechisch: Haus der Doppelaxt, wahrscheinlich Knossos auf Kreta) Labrys Grundriss des Palastes von Knossos
MehrAnleitung für Vermieter. Directions for Landlord/Landlady. zum Erstellen eines Accounts und zum Anlegen von Angeboten
Anleitung für Vermieter zum Erstellen eines Accounts und zum Anlegen von Angeboten Stand: August 2016 Directions for Landlord/Landlady for setting up an account and uploading offers Status: August 2016
Mehr2. Übungsblatt Abgabe spätestens in der Vorlesung/Übung am
Grundlagen der Kognitiven Informatik Schmid, Siebers WS 11/12 2. Übungsblatt Abgabe spätestens in der Vorlesung/Übung am 18.12.10 Aufgabe ist es, selbst ein ACT-R Model zu erzeugen. In der Datei add-model.lisp
MehrKünstliche Intelligenz Logische Agenten & Resolution
Künstliche Intelligenz Logische Agenten & Resolution Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Inferenz-Algorithmus Wie könnte ein
Mehr1.3 Charakteristische Eigenschaften von objektorientierten Systemen
1.3 Charakteristische Eigenschaften von objektorientierten Systemen Einkapselung (Encapsulation) Geheimhaltungsprinzip (Information / Implementation hiding) Persistenz (State retention) Objektidentität
MehrAutotest. Automatische Testgenerierung mit Design by Contract. von Simon Greiner am 12. Juli 2007
Autotest Automatische Testgenerierung mit Design by Contract von Simon Greiner am 12. Juli 2007 Autotest 1. Testen 2. Design by Contract 3. Strategien zur Testerstellung 1. Zufallsstrategie 2. Planungsstrategie
MehrEpistemische Logik Einführung
Epistemische Logik Einführung Dr. Uwe Scheffler [Technische Universität Dresden] Oktober 2010 Was ist epistemische Logik? Epistemische Logik ist die Logik von Wissen und Glauben, so wie klassische Logik
MehrDarstellung, Verarbeitung und Erwerb von Wissen
Darstellung, Verarbeitung und Erwerb von Wissen Gabriele Kern-Isberner LS 1 Information Engineering TU Dortmund Wintersemester 2015/16 WS 2015/16 G. Kern-Isberner (TU Dortmund) DVEW WS 2015/16 1 / 169
MehrKybernetik Intelligent Agents- Decision Making
Kybernetik Intelligent Agents- Decision Making Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 03. 07. 2012 Intelligent Agents Environment Agent Intelligent
MehrGrundlagen der Logik
Grundlagen der Logik Denken Menschen logisch? Selektionsaufgabe nach Watson (1966): Gegeben sind vier Karten von denen jede auf der einen Seite mit einem Buchstaben, auf der anderen Seite mit einer Zahl
MehrSimulation als epistemologische Grundlage für intelligente Roboter
1 Simulation als epistemologische Grundlage für intelligente Roboter Andreas Tolk The MITRE Corporation Umut Durak Deutsches Zentrum für Luft- und Raumfahrt e.v. (DLR) Public Release No. 17-0085 2017 The
MehrTHEORY OF MIND. Sozial-kognitive Entwicklung
06.12.2010 THEORY OF MIND Sozial-kognitive Entwicklung Seminar Vertiefung in Entwicklungspsychologie Dozent: Dipl.-Psych. Susanne Kristen Referentin: Sabine Beil Gliederung 1. Definition und Testparadigma
Mehr{P} S {Q} {P} S {Q} {P} S {Q} Inhalt. Hoare-Kalkül. Hoare-Kalkül. Hoare-Tripel. Hoare-Tripel. Hoare-Tripel
Inhalt Hoare-Kalkül Formale Verifizierung Hoare-Kalkül while-sprache Terminierung Partielle / totale Korrektheit 4.0 Hoare-Kalkül entwickelt von C.A.R. (Tony) Hoare (britischer Informatiker), 1969 formales
MehrIntroduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2016
to to May 2016 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
MehrPolicy Learning Teil 2. von Susanne Schilling
Policy Teil 2 von Susanne Schilling Ziele des Ansatzes, den ich vorstellen möchte (von Huang, Selman und Kautz): domänenunabhängige Planung Lernen von allgemeinen Regeln zur Suche im Zustandsraum Regeln
MehrMultiagent Interactions
Multiagent Interactions Ein Vortrag von: Rhena Möller und Svenja Heitländer Für das Seminar Multiagentensysteme SS09 Inhalt Einleitung Was ist Interaktion und wie funktioniert sie? Anwendungen Utility
MehrAnwendungen der Logik: Deklarative bzw. Logik-Programmierung in PROLOG
Logik für Informatik Technische Universität Darmstadt Sommersemester 2003 Fachbereich Mathematik Mathias Kegelmann 8. Juli 2003 Anwendungen der Logik: Deklarative bzw. Logik-Programmierung in PROLOG Übersicht
MehrSeminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume. von Lars-Peter Meyer. im Seminar Methoden wissensbasierter Systeme
Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume von Lars-Peter Meyer im Seminar Methoden wissensbasierter Systeme bei Prof. Brewka im WS 2007/08 Übersicht Überblick maschinelles Lernen
MehrReaktive und Hybride Agenten
Reaktive und Hybride Agenten Seminar: Multiagentensysteme SS07 Veranstalter: Prof. Dr. Ipke Wachsmuth Dipl. Inform. Kirsten Bergmann Vortrag von Daniel Nagel und Alexander Wecker 03.05.2007 Mars Vortrag
MehrAlgorithmen und Programmieren II Programmverifikation {V} P {N}
Algorithmen und Programmieren II Programmverifikation {V} P {N} SS 2012 Prof. Dr. Margarita Esponda ALP II: Margarita Esponda, 11. Vorlesung, 22.5.2012 1 Assertions oder Zusicherungen Das Konzept der Zusicherungen
MehrKönnen Computer programmieren? Bernd Finkbeiner, Universität des Saarlandes
Können Computer programmieren? Bernd Finkbeiner, Universität des Saarlandes Alonzo Church (1903-1995) Given a requirement which a circuit is to satisfy, we may suppose the requirement expressed in some
MehrProgrammierung im Grossen
1 Letzte Aktualisierung: 16. April 2004 Programmierung im Grossen Bertrand Meyer 2 Vorlesung 4: Abstrakte Daten-Typen Übungen 3 Passe die vorhergehende Spezifikation von Stacks (LIFO, Last-In First-Out
MehrHow-To-Do. OPC-Server with MPI and ISO over TCP/IP Communication. Content. How-To-Do OPC-Server with MPI- und ISO over TCP/IP Communication
How-To-Do OPC-Server with MPI and ISO over TCP/IP Content OPC-Server with MPI and ISO over TCP/IP... 1 1 General... 2 1.1 Information... 2 1.2 Reference... 2 2 Procedure for the Setup of the OPC Server...
MehrSeminar Kognitive Robotik. Interne Modelle I Vorwärtsmodelle Vortragender: Rüdiger Timpe
Seminar Kognitive Robotik Interne Modelle I Vortragender: Rüdiger Timpe Quellen Miall/Wolpert: Forward Models for Physiological Motor Control (1996) Blakemore/Wolpert/Frith: Why can't you tickle yourself?
Mehr11.0 Systematisches Programmierung
252-0027 Einführung in die Programmierung 11.0 Systematisches Programmierung Thomas R. Gross Department Informatik ETH Zürich Copyright (c) Pearson 2013 and Thomas Gross 2016 All rights reserved. Uebersicht
Mehr2.3 Spezifikation von Abstrakten Datentypen
Abstrakte Datentypen (ADT) 2.3 Spezifikation von Abstrakten Datentypen Sichtbare Schnittstelle: Typbezeichner Signaturen der Operationen Spezifikation der Operationen Abstraktionsbarriere Implementierung
MehrÜber das Lesen mathematischer Texte Teil 2: Definition, Satz, Beweis
Über das Lesen mathematischer Texte Teil 2: Definition, Satz, Beweis Hagen Knaf Prof. Dr. H. Knaf, Mathematisches Beweisen 1 Struktur mathematischer Texte Ein mathematischer Text enthält neben dem fortlaufenden
MehrGrundlagen der Kognitiven Informatik
Grundlagen der Kognitiven Informatik Wissensrepräsentation und Logik Ute Schmid Kognitive Systeme, Angewandte Informatik, Universität Bamberg letzte Änderung: 14. Dezember 2010 U. Schmid (CogSys) KogInf-Logik
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
MehrFACHHOCHSCHULE MANNHEIM
Objektorientierte Programmierung 11. Vorlesung Prof. Dr. Peter Knauber FACHHOCHSCHULE MANNHEIM Hochschule für Technik und Gestaltung Die 2. lgruppe von KobrA: : le der : e Folie 1 Zur Erinnerung: 1. lgruppe:
MehrWillkommen. Datenbanken und Anbindung
Willkommen Datenbanken und Anbindung Welche stehen zur Wahl? MySQL Sehr weit verbreitetes DBS (YT, FB, Twitter) Open-Source und Enterprise-Version Libs in C/C++ und Java verfügbar Grundsätzlich ist ein
MehrC. A. R. Hoare. An Axiomatic Basis for Computer Programming. Nicolas Schelp. Proseminar Assertions SS 2007
C. A. R. Hoare An Axiomatic Basis for Computer Programming Nicolas Schelp Proseminar Assertions SS 2007 Inhalt Motivation Kurze Biographie Der Hoare-Kalkül Axiome und Inferenzregeln des Hoare-Kalküls Die
MehrUniversität Koblenz-Landau Fachbereich Informatik Klausur Einführung in die Künstliche Intelligenz / WS 2003/2004. Jun.-Prof. Dr. B.
Universität Koblenz-Landau Fachbereich Informatik Klausur Einführung in die Künstliche Intelligenz / Künstliche Intelligenz für IM Name, Vorname: Matrikel-Nr.: Studiengang: WS 2003/2004 Jun.-Prof. Dr.
Mehr4.1 Motivation. Theorie der Informatik. Theorie der Informatik. 4.1 Motivation. 4.2 Syntax der Prädikatenlogik. 4.3 Semantik der Prädikatenlogik
Theorie der Informatik 3. März 2014 4. Prädikatenlogik I Theorie der Informatik 4. Prädikatenlogik I 4.1 Motivation Malte Helmert Gabriele Röger 4.2 Syntax der Prädikatenlogik Universität Basel 3. März
MehrGERICHTETER GEWICHTETER GRAPH DESIGNDOKUMENT
User Requirements GERICHTETER GEWICHTETER GRAPH DESIGNDOKUMENT Softwareentwicklung Praktikum, Übungsbeispiel 1 Gruppe 18 Andreas Hechenblaickner [0430217] Daniela Kejzar [0310129] Andreas Maller [0431289]
MehrLogik für Informatiker Logic for computer scientists
Logik für Informatiker Logic for computer scientists Till Mossakowski Wintersemester 2014/15 Till Mossakowski Logik 1/ 17 Beweismethoden für die Boolesche Logik Till Mossakowski Logik 2/ 17 Beweise Beweismethoden
MehrSemantik von Programmiersprachen SS 2017
Lehrstuhl für Programmierparadigmen Denis Lohner Sebastian Ullrich denis.lohner@kit.edu sebastian.ullrich@kit.edu Semantik von Programmiersprachen SS 2017 http://pp.ipd.kit.edu/lehre/ss2017/semantik Lösungen
MehrSimulation von Wissen Modellierung von Adaptivität
Seite 1//9 Simulation von Wissen Modellierung von Adaptivität >> Achtung : Skript gibt den mündlichen Vortrag nur unvollständig wieder!!!
MehrÜberblick über existierende Agenten- Architekturen in der VKI
Überblick über existierende Agenten- Architekturen in der VKI SR-Systeme Reaktive Planer Deliberativ Verhaltensnetze Kooperierende Problemlöser Subkognitiv "Hybrid" Classifier System Dynamisches-System
MehrShopBot, ein Software-Agent für das Internet
Software-Agenten p.1/20 ShopBot, ein Software-Agent für das Internet Eine Einführung in (Software-)Agenten Madeleine Theile Software-Agenten p.2/20 Aufbau des Vortrags grundlegende Theorie Definition Autonomy,
MehrEinführung Funktionsweise von BLAST Praxis? BLAST. David Dueck
Funktionsweise von 12.07.2007 Funktionsweise von Was ist? Berkeley Lazy Abstraction Software Verification Tool statische Prüfung von Sicherheitseigenschaften Funktionsweise von Welches Problem löst? Einfachste
MehrPlanen als Erfüllbarkeitsproblem
19.01.2007 Seminar Planen und Problemlösen Übersicht 1 Einführung 2 Planen durch Deduktion 3 SAT-Planen 4 Techniken 5 Zusammenfassung 6 Literatur Zustandsraum vs. Axiome Zustandsraumbasiert ( STRIPS):
MehrSemantic Web Technologies I
www.semantic-web-grundlagen.de Semantic Web Technologies I Lehrveranstaltung im WS08/09 PD Dr. Pascal Hitzler M.Sc. Markus Krötzsch Dr. Sebastian Rudolph Logik Grundlagen Einleitung und Ausblick XML und
MehrKnowledge-Based system. Inference Engine. Prof. Dr. T. Nouri.
12.01.2008 Knowledge-Based system Inference Engine Prof. Dr. T. Nouri Taoufik.Nouri@FHN.CH 2 / 30 Inhalt Grundlagen Wozu Inference? Aufbau Knowledge Based System Strategien für Folgerungen Suchstrategien
Mehr2.6 Natürliches Schließen in AL
2.6 Natürliches Schließen in AL Bisher wurde bei der Überprüfung der Gültigkeit von Schlüssen oder Schlussschemata insofern ein semantisches Herangehen verfolgt, als wir auf die Bewertung von Formeln mit
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen Unüberwachtes
MehrInterface. So werden Interfaces gemacht
Design Ein Interface (=Schnittstelle / Definition) beschreibt, welche Funktionalität eine Implementation nach Aussen anzubieten hat. Die dahinter liegende Algorithmik wird aber der Implementation überlassen.
MehrPlanen als heuristische Suche
Yan Yao 1 Planen als heuristische Suche WS 06/07 Hauptseminar Problemlösen & Planen Yan Yao Yan Yao 2 Inhalt Einführung STRIPS-Zustandsmodell Heuristik HSP 2.0 - ein heuristischer Suchplaner Fazit und
MehrKünstliche Intelligenz
Künstliche Intelligenz Logische Agenten Claes Neuefeind Sprachliche Informationsverarbeitung Universität zu Köln 02. November 2011 Logische Agenten Wissensbasierte Agenten Eine Modellwelt Aussagen Logik
Mehr"What's in the news? - or: why Angela Merkel is not significant
"What's in the news? - or: why Angela Merkel is not significant Andrej Rosenheinrich, Dr. Bernd Eickmann Forschung und Entwicklung, Unister GmbH, Leipzig UNISTER Seite 1 Unister Holding UNISTER Seite 2
MehrAbstrakte C-Maschine und Stack
Abstrakte C-Maschine und Stack Julian Tobergte Proseminar C- Grundlagen und Konzepte, 2013 2013-06-21 1 / 25 Gliederung 1 Abstrakte Maschine 2 Stack 3 in C 4 Optional 5 Zusammenfassung 6 Quellen 2 / 25
Mehr12.3 Ein Datenmodell für Listen
Zweiter Versuch: Wir modellieren ein Element der Liste zunächst als eigenständiges Objekt. Dieses Objekt hält das gespeicherte Element. Andererseits hält das Element- Objekt einen Verweis auf das nächste
MehrCTL Model Checking SE Systementwurf CTL Model Checking Alexander Grafe 1
CTL Model Checking SE Systementwurf CTL Model Checking Alexander Grafe 1 Einführung/Historie Model Checking ist... nur reaktive Systeme werden betrachtet vor CTL Model Checking gab es... Queille, Sifakis,
MehrFormale Verifikation von Software. 8. Juli 2015
Formale Verifikation von Software 8. Juli 2015 Überblick Wann ist formale Softwareverifikation sinnvoll? Welche Techniken gibt es? Was ist Model Checking und wie kann man es zur Verifikation einsetzen?
MehrKapitel 1 Einleitung. Definition: Algorithmus nach M. Broy: aus: Informatik: Eine grundlegende Einführung, Band 1, Springer-Verlag, Berlin
Kapitel 1 Einleitung 1.1. Begriff des Algorithmus Eine der ältesten Beschreibungstechniken für Abläufe: Benannt nach dem Mathematiker Al-Khwarizmi (ca. 780...840), der am Hof der Kalifen von Bagdad wirkte.
Mehr1 Inhalt der Vorlesung B-PS1
1 Inhalt der Vorlesung B-PS1 1.1 Tag 1 1.1.1 Vormittag Geschichte der Programmiersprachen Wie viele Programmiersprachen gibt es? https://en.wikipedia.org/wiki/list_of_programming_languages Esoterische
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 7 (21.5.2014) Binäre Suche, Hashtabellen I Algorithmen und Komplexität Abstrakte Datentypen : Dictionary Dictionary: (auch: Maps, assoziative
MehrVon Labyrinthen zu Algorithmen
Von Labyrinthen zu Gerald Futschek Wie kommt man aus einem Labyrinth heraus? Labyrinth (griechisch: Haus der Doppelaxt, wahrscheinlich Knossos auf Kreta) Labrys Grundriss des Palastes von Knossos 1 Fragestellungen
MehrProseminar Logik für Informatiker Thema: Prädikatenlogik (1.Teil)
Proseminar Logik für Informatiker Thema: Prädikatenlogik (1.Teil) Inhaltsverzeichnis 1. Warum eine mächtigere Sprache? 1.1. Einleitung 1.2. Definitionen 2. Prädikatenlogik als formale Sprache 2.1. Terme
MehrMai 2006. Hauptseminar: Nichtrelationale Datenbanken Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln
Hauptseminar: Nichtrelationale Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln Mai 2006 Was ist eine Datenbank? Erweiterung relationaler um eine Deduktionskomponente Diese
MehrOO Programmiersprache vs relationales Model. DBIS/Dr. Karsten Tolle
OO Programmiersprache vs relationales Model Vorgehen bisher Erstellen eines ER-Diagramms Übersetzen in das relationale Datenmodell Zugriff auf das relationale Datenmodell aus z.b. Java ER rel. Modell OO
MehrProgrammieren I. Kapitel 13. Listen
Programmieren I Kapitel 13. Listen Kapitel 13: Listen Ziel: eigene Datenstrukturen erstellen können und eine wichtige vordefinierte Datenstruktur( familie) kennenlernen zusammengehörige Elemente zusammenfassen
MehrLösung zur Klausur. Grundlagen der Theoretischen Informatik im WiSe 2003/2004
Lösung zur Klausur Grundlagen der Theoretischen Informatik im WiSe 2003/2004 1. Geben Sie einen deterministischen endlichen Automaten an, der die Sprache aller Wörter über dem Alphabet {0, 1} akzeptiert,
MehrSeminar zum Thema Künstliche Intelligenz Software-Agenten. Kay Hasselbach mi5482
Seminar zum Thema Künstliche Intelligenz Software-Agenten Kay Hasselbach mi5482 Agenda 1. Einführung 2. Grundlagen 3. Agenten-Strukturen 4. Architekturen 5. Beispiel: RoboCup 6. Quellen Kay Hasselbach
MehrLogik für Informatiker
Logik für Informatiker Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Logik in der Informatik Was ist Logik? 2 Logik in der Informatik Was ist Logik? Mathematisch? 3 Logik in der Informatik
MehrKünstliche Intelligenz
Künstliche Intelligenz Kann man menschliche Intelligenz für Computer und Roboter nachbauen? Ute Schmid Angewandte Informatik/Kognitive Systeme Fakultät Wirtschaftsinformatik und Angewandte Informatik Otto-Friedrich
MehrLabor Compilerbau. Jan Hladik. Sommersemester DHBW Stuttgart. Jan Hladik (DHBW Stuttgart) Labor Compilerbau Sommersemester / 20
Labor Compilerbau Jan Hladik DHBW Stuttgart Sommersemester 2017 Jan Hladik (DHBW Stuttgart) Labor Compilerbau Sommersemester 2017 1 / 20 Resolution in der Prädikatenlogik testet Erfüllbarkeit (indirekt
Mehr19. STL Container Programmieren / Algorithmen und Datenstrukturen 2
19. STL Container Programmieren / Algorithmen und Datenstrukturen 2 Prof. Dr. Bernhard Humm FB Informatik, Hochschule Darmstadt Wintersemester 2012 / 2013 1 Agenda Kontrollfragen STL Container: Übersicht
MehrÜbung zur Vorlesung Programmierung
RWTH Aachen Lehrgebiet Theoretische Informatik Frohn Reidl Rossmanith Sánchez Ströder WS 013/14 Übungsblatt 4 18.11.013 Übung zur Vorlesung Programmierung Aufgabe T8 Ein Stack ist eine Datenstruktur, die
MehrObjektorientierung. Klassen und Objekte. Dr. Beatrice Amrhein
Objektorientierung Klassen und Objekte Dr. Beatrice Amrhein Überblick Konzepte der Objektorientierten Programmierung Klassen und Objekte o Implementierung von Klassen o Verwendung von Objekten 2 Konzepte
Mehr