Inhalt. Kognitive Systeme 1. Expansion eines impliziten Suchraums Netz aller möglichen Schritte. Impliziter Suchraum. Uninformierte Suche
|
|
- Christina Armbruster
- vor 6 Jahren
- Abrufe
Transkript
1 Inhalt Uninformierte Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg Implizite Suchgraphen 2 Tiefensuche 3 Breitensuche 4 Anwendung: Pfadplanung Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 1 / 35 Impliziter Suchraum Karte mit bewerteten Feldern Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 2 / 35 Expansion eines impliziten Suchraums Netz aller möglichen Schritte blau: niedrige Kosten für Betreten des Feldes magenta: hohe Kosten für Betreten des Feldes Frage: Welcher Weg von rot nach grün hat die geringsten Kosten? Mögliche erste Schritte vom roten Punkt aus: Vergleiche Autonavigation: Der Weg mit den geringsten Kosten muß nicht der kürzeste sein! Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 3 / 35 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 4 / 35
2 Expansion eines impliziten Suchraums Expansion der Karte Folgeschritte vom Knoten links oben aus: Aufzählungsverfahren: 1 Suche alle Folgeschritte 2 Wähle einen davon aus 3 Wiederhole das Verfahren Was ist erreicht? Ein Schritt näher am Zielknoten! Ausdehnung des Suchraums nach wenigen Schritten Expansion des nachfolgenden Knotens Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 5 / 35 Expansion der Karte Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 6 / 35 Expansion der Karte Es ist unverständlich, dass der Suchraum in eine Richtung expandiert wird, die vom Ziel wegführt. Die uninformierte Suche verfügt nicht über Weltwissen und kann deshalb nur nichtdeterministisch entscheiden, wie die Expansion fortgesetzt wird. Mehr als ein Nachfolger am Autobahnkreuz Willkürliche Entscheidung für eine Möglichkeit Weitersuchen nach der Entscheidung Wie schnell das Ziel gefunden wird, hängt also davon ab, wie hoch die Wahrscheinlichkeit ist, den richtigen Knoten gewählt zu haben. Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 7 / 35 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 8 / 35
3 Fehlentscheidung Suche in eine andere Richtung In Salzburg geht es nicht mehr weiter. Jetzt bleibt nur noch, am Kreuz Ulm eine andere Richtung einzuschlagen (backtracking). Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 Am Kreuz Ulm gibt es noch eine weitere Möglichkeit. Im schlimmsten Fall muss der Suchraum für alle Nachfolger expandiert werden. 9 / 35 Ziel erreicht Kapitel 3 10 / 35 Unglückliche uninformierte Suche Klappt die nichtdeterministische Auswahl schlecht, wird ein riesiger Teil des Suchraums expandiert. Dann steigt auch die Gefahr, dass das Ergebnis schlecht ist... In diesem Fall wurde sogar die kürzeste Verbindung gefunden. Trotzdem war der Suchaufwand unverhältnismäßig hoch. Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 11 / 35 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 12 / 35
4 Unglückliche uninformierte Suche Zyklen In einem Graphen G = ({v 1,.., v n, {e 1,..., e m ) heißt die Folge W = (v w1,..., v wk ) mit paarweise unterschiedlichen w i {1,..., n Pfad. Ein Pfad heißt Zyklus, wenn v w1 = v wk. Der einfachste Fall ist:... wie eben auch in diesem Beispiel. In einem Graphen mit Zyklen kann das bisher beschriebene Suchverfahren in eine Endlosschleife geraten, wenn immer wieder die Knoten eines Zyklus expandiert werden. Abhilfe: Mitführen einer Liste, in der alle bereits expandierten Knoten gespeichert sind. Ein Knoten wird dann und nur dann expandiert, wenn er nicht in der Liste (closed list) steht. Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 13 / 35 Tiefensuche Pseudocode Tiefensuche SucheWeg(Knoten Ziel, Knoten Aktuell) Wenn Aktuell = Ziel Ziel gefunden Für alle K = noch nicht besuchter Nachfolger von Aktuell SucheWeg(Ziel, K) Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 14 / 35 Komplexität Wir messen die durchschnittlichen Kosten der Entscheidungen der Tiefensuche, welchen Nachfolger sie auswählen soll. Die Laufzeit hängt davon ab, wie sicher der richtige Nachfolger ausgewählt wird, d.h. wie sicher backtracking vermieden wird. Bei jeder Auswahl eines neuen zu expandierenden Knotens steht die Tiefensuche vor folgender Situation: Die Aufrufe von SucheWeg sind wie ein Baum mit unterschiedlicher Zahl von Nachfolgern verschachtelt. Deshalb lässt sich die Tiefensuche auch iterativ formulieren, wenn die zu expandierenden Knoten auf einem Stack gespeichert werden. p q = 1 p Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 15 / 35 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 16 / 35
5 Zwei Beispiele für die Expansion eines Suchraums Durchschnittliche Kosten bei der Tiefensuche p p 3 q p q p ist die Wahrscheinlichkeit, den richtigen Knoten zu expandieren. q ist die Wahrscheinlichkeit, einen falschen Knoten zu expandieren. Die beiden Pfade sind Beispiele für zusammengesetzte Wahrscheinlichkeitsereignisse ( viermal hintereinander expandieren ). p q p 2 q 2 q C L sind die Kosten der Auswahl eines Knotens. C B sind die Kosten für backtracking, wenn die Auswahl falsch war. C R sind die Kosten, unter den verbleibenden Nachfolgern den richtigen zu finden. Erwartungswert der Suchkosten: Erwartete Kosten bei einer Entscheidung av(1) = p C L + q (C L + C B + C R ) 1 Kosten dafür, gleich den richtigen Knoten zu expandieren, mal die Wahrscheinlichkeit dafür 2 Kosten für backtracking und Wahl eines anderen Knotens Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 17 / 35 Durchschnittliche Kosten bei der Tiefensuche Erwartungswert der Suchkosten: Erwartete Kosten bei N aufeinander folgenden Entscheidungen av(n) = p (C L +av(n 1))+q (C L +max(n 1)+C B +C R +av(n 1)) Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 18 / 35 Durchschnittliche Kosten bei der Tiefensuche Die gefundene Rekursionsgleichung hat eine geschlossene Lösung: 1 War die Entscheidung im letzten Schritt richtig, müssen noch die Kosten für die früheren Schritte gefunden werden. 2 War sie falsch, muss der ganze linke Teilbaum abgesucht und eine andere Lösung gefunden werden. Bei Tiefe N betragen die Kosten der kompletten Suche max(n) = (2 N 1)(C L + C R + 2C B ) Denn: Es gibt 2 N 1 richtige Entscheidungen (halbe Zahl der Kanten im Baum) und ebenso viele Suchen nach einem anderen richtigen Nachfolger. Wenn beide Entscheidungen falsch sind, gibt es 2 (2 N 1) backtracking-schritte. Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 19 / 35 av(n) = p N C L + q (2 N 1) (C L + C R + C B ) q N C B Die Suchkosten steigen also exponentiell mit der Tiefe des Suchbaums. Damit steigen sie linear mit der Zahl der Kanten im Suchbaum. Wir haben ungenau gearbeitet: insgeheim wurde unterstellt, dass es nur zwei Nachfolger pro Knoten gibt. Ein allgemeineres Resultat für einen vollständigen Graphen kommt aber auf ein ähnliches Ergebnis. Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 20 / 35
6 Tiefensuche in vollständigen Graphen Ein Graph ist vollständig, wenn es zwischen jedem Paar unterschiedlicher Knoten eine Kante gibt. Als Adjazenzmatrix: N N In einer Zeile stehen Kanten zu einem Nachfolger mit kleiner Nummer vor Kanten zu einem Nachfolger mit größerer Nummer. Ist immer der erste Nachfolger der richtige, müssen nur n 1 O(n) Kanten abgesucht werden. Ist immer der letzte Nachfolger der richtige, müssen n(n 1) i = O(n 2 ) 2 1 i n 1 Kanten abgesucht werden. Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 21 / 35 Tiefensuche in vollständigen Graphen Tiefensuche in vollständigen Graphen Der Erwartungswert liegt zwischen den beiden Extremen. Sind in der Zeile i (maximal i + 1 Nachfolger) schon j Nachfolger erfolglos abgesucht, dann beträgt die Wahrscheinlichkeit, dass der nächste Nachfolger auch der falsche ist i j n 1 j = noch übrige Nachfolger in Zeile i überhaupt noch mögliche Knoten im Graphen Die Wahrscheinlichkeit, dass 1 k i Versuche in der Zeile i scheitern, beträgt also: 0 k i 0 j<k i j n 1 j = i! (n 1 k)! (i k)! (n 1)! Damit beträgt der Erwartungswert, wieviele Nachfolger von Knoten i expandiert werden: i! (n 1 k)! = 1 + ( n 1 k ) n 1 i ) (i k)! (n 1)! 0 k i ( n 1 i Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 22 / 35 Breitensuche im Straßennetz Für den Erwartungswert für den ganzen Graphen, müssen noch die Erwartungswerte für die einzelnen Kanten summiert werden: 1 + ( n 1 k ) n 1 i ) = n 1 + ( n 1 k ) n 1 i ) 0 i<n 1 0 k i ( n 1 i =... = n H n n 0 i<n 1 0 k i Der Erwartungswert der Zahl der zu durchsuchenden Kanten hängt also von der harmonischen Reihe H n ab. H n O(ln n). Der Erwartungswert wächst also wie O(n ln n). ( n 1 i Da ein binärer Baum der Tiefe N 2 N 2 Kanten und 2 N 1 Knoten hat, passt dieses Ergebnis zu der vorher angestellten Analyse. Expansion in beide Richtungen jeweils um eine noch nicht analysierte Autobahnausfahrt Die Suche muss sich an jedem Ende der Expansion den zu expandierenden Knoten merken. Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 23 / 35 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 24 / 35
7 Breitensuche im Straßennetz Breitensuche im Straßennetz Nach einem Autobahnkreuz muss sich die Suche zwei neue Enden merken. Die Suche expandiert alle Pfade parallel. Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 25 / 35 Breitensuche im Straßennetz Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 26 / 35 Breitensuche Pseudocode Breitensuche SucheWeg(Knoten Ziel, Knoten Aktuell) Initialisiere priority queue Der Großteil der Arbeit ist am Ende überflüssig. Die Breitensuche mit b Nachfolgern für jeden Knoten expandiert zu Beginn 1 Knoten (den Startknoten) in Schritt 1 b Knoten (die Nachfolger des Startknotens) bx in Schritt 2 b = b 2 Knoten in Schritt d i=1 bx b d 1 = b d Knoten. i=1 Solange Aktuell!= Ziel & priority nicht leer Für alle K = noch nicht besuchter Nachfolger von Aktuell Füge K in die priority queue ein Aktuell := erstes Element der priority queue Ende Wenn Aktuell = Ziel Erfolg sonst keine Lösung Tiefensuche: LIFO Breitensuche: FIFO Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 27 / 35 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 28 / 35
8 Komplexität der Breitensuche Beginnend beim Schritt 1 bis zum Schritt d werden also d b i = bd+1 1 b 1 i=1 Knoten expandiert. Man kann zeigen: Der Erwartungswert von d verhält sich für n Knoten wie Θ(log n/ log(pn)) (p ist die Wahrscheinlichkeit dafür, dass eine Kante existiert): Komplexität der Breitensuche Abhängigkeit der Zahl expandierter Knoten vom Erwartungswert für den Verzweigungsfaktor b: Der Erwartungswert konvergiert, wenn n groß wird: b = 1.1 b = 1.2 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 29 / 35 Komplexität der Breitensuche Abhängigkeit der Zahl expandierter Knoten vom Erwartungswert für den Verzweigungsfaktor b: b = 1.5 b = 2 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 30 / 35 Fazit aus der Komplexitätsanalyse Praktische Probleme sind mit uninformierter Breitensuche kaum lösbar, da der Speicherbedarf zu groß ist: Tiefe Knoten Zeit Speicher Tage 100 Terabyte Jahre 10 Pentabyte Jahre 1 Exabyte (b = 10, Knoten/Sekunde, 1000 Byte/Knoten) Für Suchprobleme mit exponentiellem Wachstum ist die uninformierte Suche zu dumm. Da jede uninformierte Suche ähnliche Schwierigkeiten (entweder mit dem Rechenbedarf oder mit dem Speicherbedarf) hat, besteht die einzige Rettung im Einbringen von Wissen über die Anwendungsdomäne. Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 31 / 35 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 32 / 35
9 Klasse für Graphen package graph; public abstract class ALGOGraph { protected Hashtable<Integer,ALGOPlacemarkNode> nodes; protected Hashtable<Integer,LinkedList<ALGOEdge>> edges; abstract public void initsearch(algoplacemarknode startnode, ALGOPlacemarkNode targetnode); public Enumeration<ALGOEdge> computeshortestpath(algonode start, ALGONode goal) { return currentsolution.elements(); abstract public boolean solutionfound(); abstract public boolean nosolution(); abstract public void nextstep(); Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 33 / 35 Klasse für Tiefensuche package graph; public class DepthFirstGraph extends ALGOGraph { public void initsearch(algoplacemarknode startnode, ALGOPlacemarkNode targetnode) { ALGOEdge [] succ = getedgesfornode(startnode.getnodeid()); for (int i = 0; i < succ.length; i++) { agenda.insert(new ALGOHeapData(new ALGOPath(succ[i]), -edgecount)); edgecount ++; currentnode = startnode; cuurentnode.putonclosedlist(); this.targetnode = targetnode; public boolean solutionfound() {... public boolean nosolution() {... public void nextstep() {... Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 34 / 35 Klasse für Breitensuche package graph; public class BreadthFirstGraph extends ALGOGraph { public void initsearch(algoplacemarknode startnode, ALGOPlacemarkNode targetnode) { ALGOEdge [] succ = getedgesfornode(startnode.getnodeid()); for (int i = 0; i < succ.length; i++) agenda.insert(new ALGOHeapData(new ALGOPath(succ[i]), edgecount++)); currentnode = startnode; cuurentnode.putonclosedlist(); this.targetnode = targetnode; public boolean solutionfound() {... public boolean nosolution() {... public void nextstep() {... Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kapitel 3 35 / 35
Kognitive Systeme 1. Uninformierte Suche. Dr.-Ing. Bernd Ludwig
Kognitive Systeme 1 Uninformierte Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 04.11.2009 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kognitive
MehrKognitive Systeme 1. Grundlagen und Beispiele zu Suche. Dr.-Ing. Bernd Ludwig
Kognitive Systeme 1 Grundlagen und Beispiele zu Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 29.10.2009 Dr.-Ing. Bernd Ludwig (Lehrstuhl
MehrKognitive Systeme 1. Grundlagen und Beispiele zu Suche. Dr.-Ing. Bernd Ludwig
Kognitive Systeme 1 Grundlagen und Beispiele zu Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 29.10.2009 Dr.-Ing. Bernd Ludwig (Lehrstuhl
MehrInhalt. Kognitive Systeme 1. Beispiel: Routenplanung. Zustände. Definition. Example. Grundlagen und Beispiele zu Suche. Dr.-Ing.
Kognitive Systeme 1 Grundlagen und Beispiele zu Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 29.10.2009 Dr.-Ing. Bernd Ludwig (Lehrstuhl
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
MehrMotivation für Suchverfahren. Einführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Motivation für Suchverfahren Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche Prof. Dr. Manfred Schmidt-Schauß SoSe 06 Beispiele: Spiele: Suche nach dem besten
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
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche PD Dr. David Sabel SoSe 0 Stand der Folien:. pril 0 Einführung Blind Search n-damen Missionare & Kannibalen Modellierung
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche Prof. Dr. Manfred Schmidt-Schauß SoSe 08 Stand der Folien: 9. pril 08 Einführung Blind Search n-damen Missionare
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
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
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:
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (2) Spannbäume Kürzeste Wege Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 455 Wiederholung Traversierung eines Graphen via Tiefendurchlaufs
Mehr8.1 Blinde Suche. Grundlagen der Künstlichen Intelligenz. Klassische Suche: Überblick. 8. Klassische Suche: Breitensuche und uniforme Kostensuche
Grundlagen der Künstlichen Intelligenz 17. März 2014 8. Klassische Suche: Breitensuche und uniforme Kostensuche Grundlagen der Künstlichen Intelligenz 8. Klassische Suche: Breitensuche und uniforme Kostensuche
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 3: Suchverfahren Informierte Suche 1/78 WIEDERHOLUNG Bislang uninformierte Strategien BFS, DFS, Iteratives Vertiefen, Bidirektionale Suche Wichtige Begriffe: Suchraum,
Mehr10. Übungsblatt zu Algorithmen I im SS 2010
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders G.V. Batz, C. Schulz, J. Speck 0. Übungsblatt zu Algorithmen I im SS 00 http//algo.iti.kit.edu/algorithmeni.php
MehrVortrag. Suchverfahren der Künstlichen Intelligenz. Sven Schmidt (Technische Informatik)
Vortrag Suchverfahren der Künstlichen Intelligenz Sven Schmidt (Technische Informatik) Suchverfahren der Künstlichen Intelligenz Grundlagen Zustandsraumrepräsentation Generische Suche Bewertung von Suchstrategien
MehrZustandsraumsuche: Blinde und Heuristische Suche. Blinde und Heuristische Suche
Zustandsraumsuche: Blinde und Heuristische Suche Einführung in die KI Übungsstunde am 01.11.04 Benmin Altmeyer 1 Heute im Angebot Was ist Suche? Suche als Probemlösung Zustandsraumsuche Vollständigkeit
MehrProgramm heute. Algorithmen und Datenstrukturen (für ET/IT) Übersicht: Graphen. Definition: Ungerichteter Graph. Definition: Ungerichteter Graph
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München 7 Fortgeschrittene Datenstrukturen Graphen
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
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
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrMuster. Informatik 3 (Februar 2004) Name: Matrikelnummer: Betrachten Sie den folgenden Suchbaum. A G H J K M N
2 von 15 Aufgabe 1: Suchbäume (14 ) Betrachten Sie den folgenden Suchbaum. A B C D E F G H I J K L M N O P R (a) (1 Punkt ) Geben Sie die Höhe des Knotens F an. (b) (1 Punkt ) Geben Sie die Tiefe des Knotens
MehrEinführung Elementare Datenstrukturen. Der Konstruktor muß den Listenkopf head erzeugen. Der Vorgänger und Nachfolger von head ist head selbst.
Einführung Elementare Datenstrukturen (Folie 28, Seite 15 im Skript) Der Konstruktor muß den Listenkopf head erzeugen. Der Vorgänger und Nachfolger von head ist head selbst. Einführung Elementare Datenstrukturen
MehrEinführung in die Informatik 2
Einführung in die nformatik 2 raphenexploration Sven Kosub A Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr, o.n.v. Sommersemester
Mehr7. Dynamische Datenstrukturen Bäume. Informatik II für Verkehrsingenieure
7. Dynamische Datenstrukturen Bäume Informatik II für Verkehrsingenieure Übersicht dynamische Datenstrukturen Wozu? Oft weiß man nicht von Beginn an, wieviele Elemente in einer Datenstruktur untergebracht
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 4: Suchverfahren Informierte Suche 1/135 WIEDERHOLUNG BISLANG... Uninformierte Strategien: bearbeiten den Suchraum systematisch, aber ohne problemspezifisches Wissen ab.
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen. (20 Graphen) T. Lauer
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (20 Graphen) T. Lauer 1 Motivation Wie komme ich am besten von Freiburg nach Ulm? Was ist die kürzeste Rundreise durch eine gegebene Menge von Städten?
MehrPro Informatik 2009: Objektorientierte Programmierung Tag 18. Marco Block-Berlitz, Miao Wang Freie Universität Berlin, Institut für Informatik
Tag 18 Marco Block-Berlitz, Miao Wang Freie Universität Berlin, Institut für Informatik 09.09.2009 Agenda Tag 16 Datenstrukturen Abstrakte Datentypen, ADT Folge: Stack, Queue, Liste, ADT Menge: Bäume:
Mehr10.1 Blinde Suche Blinde Suche. Grundlagen der Künstlichen Intelligenz Breitensuche: Einführung BFS-Tree. 10.
Grundlagen der Künstlichen Intelligenz 13. März 2015 10. Klassische Suche: Grundlagen der Künstlichen Intelligenz 10. Klassische Suche: Malte Helmert Universität asel 13. März 2015 10.1 linde Suche 10.2
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
MehrAlgorithmen und Datenstrukturen 13
19. Juli 2012 1 Besprechung Blatt 12 Fragen 2 Bäume AVL-Bäume 3 Graphen Allgemein Matrixdarstellung 4 Graphalgorithmen Dijkstra Prim Kruskal Fragen Fragen zu Blatt 12? AVL-Bäume AVL-Bäume ein AVL-Baum
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie Dipl-Math. Wolfgang Kinzner 2.4.2012 Kapitel 1: Grundlagen der algorithmischen Graphgentheorie
MehrWir nennen einen Pfad in einem gerichteten Graphen Zyklus, wenn der Pfad im gleichen Knoten beginnt und endet, d. h.
aaacmxicdvdlsgmxfl1t3/vv69jntaiuyowubbdcwy1lbfuqwkomtwuyzgri7ltgwa9wa7/cr+lo3potpq2c9xegcdjnxu7j8wmpdlru2mktlc4tr6yu5dc3nre2czvfhlgjzrzolfs65vpdpyh4hqvk3oo1p6evedmpzid+c8i1esq6xjtmnzaoitexjkkvbozdl5yrytfofkpu+bhacu+q5dfxyu4updp+pkobwgv3xyne9hrlqh4hk9sytufg2mmorsekf8zfjobhlav0wnuwrjtkppnnez+sq6v0sf9p+yiku/x7rkzdy9lqt5mhxtvz05uif3q+ugfs38zdz1aedznlwqtwndwpjarvvfmrfpuvtiaioeeesvnqfiijkjkpj/se5gxlagllwti/enzhnwvos87bfr+qiv+txnhzc8velveqvwcgvdidazgcd06hbhdwcxvgemitpmpiexhgzqvznhvnoz87uzah5/0djy+sia==
Mehr12. Graphen Programmieren / Algorithmen und Datenstrukturen 2 Prof. Dr. Bernhard Humm FB Informatik, Hochschule Darmstadt Wintersemester 2012 / 2013
12. Graphen Programmieren / Algorithmen und Datenstrukturen 2 Prof. Dr. Bernhard Humm FB Informatik, Hochschule Darmstadt Wintersemester 2012 / 2013 1 Agenda Kontrollfragen Graphen Graphenalgorithmen 2
MehrGraphenalgorithmen I
Graphenalgorithmen I Vortrag im Seminar Hallo Welt! für Fortgeschrittene 7. Juni 211 Graphenalgorithmen I 1/33 Motivation Problem Wie komme ich am schnellsten ins Kanapee? Problem Wie kommt ein Datenpaket
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 217 Patrick Schäfer, Humboldt-Universität zu Berlin Agenda: Graphen, Suchbäume, AVL Bäume Heute: Graphen und Bäume Binäre Suchbäume AVL-Bäume Nächste
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
MehrBäume 1. Thomas Röfer
Bäume Thomas Röfer Preisverleihung Begriffsdefinitionen Eigenschaften Implementierung von Bäumen Durchlaufen von Bäumen Breitensuche/Tiefensuche Huffman-Kodierung Rückblick Sortieren Permutieren nach Dijkstra
MehrSmart Graphics: Methoden 2 Suche
Smart Graphics: Methoden 2 Suche Vorlesung Smart Graphics LMU München Medieninformatik Butz/Boring Smart Graphics SS2007 Methoden: Suche Folie 1 Themen heute Smart Graphics Probleme als Suchprobleme Suchverfahren
Mehr12. AuD Tafelübung T-C3
12. AuD Tafelübung T-C3 Simon Ruderich 2. Februar 2011 Kollisionen (Primär)Kollision Stelle mit normal eingefügtem Element schon belegt (gleicher Hashwert) tritt bei verketteten Listen und Sondierung auf
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen 13. Übung minimale Spannbäume, topologische Sortierung, AVL-Bäume Clemens Lang Übungen zu AuD 4. Februar 2010 Clemens Lang (Übungen zu AuD) Algorithmen und Datenstrukturen
Mehr12. Graphen. Notation, Repräsentation, Traversieren (DFS, BFS), Topologisches Sortieren, Ottman/Widmayer, Kap ,Cormen et al, Kap.
254 12. Graphen Notation, Repräsentation, Traversieren (DFS, BFS), Topologisches Sortieren, Ottman/Widmayer, Kap. 9.1-9.4,Cormen et al, Kap. 22 Königsberg 1736 255 Königsberg 1736 255 Königsberg 1736 255
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 217 Marc Bux, Humboldt-Universität zu Berlin Agenda 1. Graphen und Bäume 2. Binäre Suchbäume 3. AVL-Bäume 4. Algorithmen und Datenstrukturen 2 Agenda
MehrInformatik II Prüfungsvorbereitungskurs
Informatik II Prüfungsvorbereitungskurs Tag 4, 9.6.2017 Giuseppe Accaputo g@accaputo.ch 1 Aufbau des PVK Tag 1: Java Teil 1 Tag 2: Java Teil 2 Tag 3: Algorithmen & Komplexität Tag 4: Dynamische Datenstrukturen,
MehrEin Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist.
Graphen Definition: Ein Graph ist ein Paar (V,E), wobei V eine Menge von Knoten und E eine Menge von Kanten (v,w) mit v,w in V ist. Begriffe: Gerichteter Graph: Alle Kanten haben eine Richtung vom Anfangsknoten
MehrDatenstrukturen Teil 2. Bäume. Definition. Definition. Definition. Bäume sind verallgemeinerte Listen. Sie sind weiter spezielle Graphen
Bäume sind verallgemeinerte Listen Datenstrukturen Teil 2 Bäume Jeder Knoten kann mehrere Nachfolger haben Sie sind weiter spezielle Graphen Graphen bestehen aus Knoten und Kanten Kanten können gerichtet
MehrAlgorithmen und Datenstrukturen
Universität Innsbruck Institut für Informatik Zweite Prüfung 16. Oktober 2008 Algorithmen und Datenstrukturen Name: Matrikelnr: Die Prüfung besteht aus 8 Aufgaben. Die verfügbaren Punkte für jede Aufgabe
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
Mehr(a, b)-bäume / 1. Datenmenge ist so groß, dass sie auf der Festplatte abgespeichert werden muss.
(a, b)-bäume / 1. Szenario: Datenmenge ist so groß, dass sie auf der Festplatte abgespeichert werden muss. Konsequenz: Kommunikation zwischen Hauptspeicher und Festplatte - geschieht nicht Byte für Byte,
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Datenstrukturen: Anordnung von Daten, z.b. als Liste (d.h. in bestimmter Reihenfolge) Beispiel: alphabetisch sortiertes Wörterbuch... Ei - Eibe - Eidotter... als Baum (d.h.
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
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Binärbaum Suchbaum Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 356 Datenstruktur Binärbaum Strukturrepräsentation des mathematischen Konzepts Binärbaum
MehrBeweise aus dem Fach Grundzüge der Künstlichen Intelligenz
Beweise aus dem Fach Grundzüge der Künstlichen Intelligenz Alexander Pacha TU Wien - Matr. Nr.: 0828440 alexander.pacha@tuwien.ac.at 1 Begriserklärungen Für die folgenden Beweise werden zuerst folgende
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 11 (4.6.2014) Binäre Suchbäume II Algorithmen und Komplexität Binäre Suchbäume Binäre Suchbäume müssen nicht immer so schön symmetrisch sein
MehrGraphalgorithmen. Graphen
(Folie 270, Seite 67 im Skript) Graphen (Folie 271, Seite 67 im Skript) Graphen Definition Ein ungerichteter Graph ist ein Paar (V, E), wobei V die Menge der Knoten und E ( V 2) die Menge der Kanten ist.
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Breitensuche, Tiefensuche Wir besprechen nun zwei grundlegende Verfahren, alle Knoten eines Graphen zu
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
MehrAufgabe 1 O-Notation (2+3+5=10 Punkte)
1 Aufgabe 1 O-Notation (2+3+=10 Punkte) Zeigen oder widerlegen Sie die folgenden Aussagen: a) n 2 +log n Θ(n 2 ) Ist die Aussage wahr, so muss gelten: 0 < lim n + n 2 +logn n 2
MehrDatenstrukturen. einfach verkettete Liste
einfach verkettete Liste speichert Daten in einer linearen Liste, in der jedes Element auf das nächste Element zeigt Jeder Knoten der Liste enthält beliebige Daten und einen Zeiger auf den nächsten Knoten
MehrGraphdurchmusterung, Breiten- und Tiefensuche
Prof. Thomas Richter 18. Mai 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 18.05.2017 Graphdurchmusterung,
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
MehrLösungshinweise zu Blatt 8 und Blatt 9 GIN2-SS04
Lösungshinweise zu Blatt 8 und Blatt 9 GIN2-SS04 er Baum zum Zustandsgraphen UI UI 0 1 2 3 4 UI 5 6 7 8 UI UI UI UI UI 9 0 1 2 3 4 5 6 7 9 K30 K31 K32 K33 K35 K36 K37 K38 K39 K41 K42 K43 K44 K45 8 K34
MehrDatenstrukturen sind neben Algorithmen weitere wichtige Bausteine in der Informatik
5. Datenstrukturen Motivation Datenstrukturen sind neben Algorithmen weitere wichtige Bausteine in der Informatik Eine Datenstruktur speichert gegebene Daten und stellt auf diesen bestimmte Operationen
MehrEinführung Elementare Datenstrukturen. Der Konstruktor muß den Listenkopf head erzeugen. Der Vorgänger und Nachfolger von head ist head selbst.
Einführung Elementare Datenstrukturen (Folie 38, Seite 23 im Skript) Der Konstruktor muß den Listenkopf head erzeugen. Der Vorgänger und Nachfolger von head ist head selbst. Einführung Elementare Datenstrukturen
MehrBäume. Listen und Bäume, Graphen und Bäume, elementare Eigenschaften von Binärbäumen, Implementierung, Generische Baumdurchläufe
Bäume Listen und Bäume, Graphen und Bäume, elementare Eigenschaften von Binärbäumen, Implementierung, Generische Baumdurchläufe S. Staab, Informatik für IM II; Folien nach D. Saupe, sowie W. Küchlin, A.
MehrNAME, VORNAME: Studiennummer: Matrikel:
TU Ilmenau, Fakultat IA Institut für Theoretische Informatik FG Komplexitätstheorie und Effiziente Algorithmen Prof. Dr. (USA) M. Dietzfelbinger Klausur Algorithmen und Datenstrukturen SS08, Ing.-Inf.
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 10 (27.5.2016) Binäre Suchbäume II Algorithmen und Komplexität Zusätzliche Dictionary Operationen Dictionary: Zusätzliche mögliche Operationen:
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
Mehr8. Uninformierte Suche
8. Uninformierte Suche Prof. Dr. Ruolf Kruse University of Mageurg Faculty of Computer Science Mageurg, Germany ruolf.kruse@cs.uni-mageurg.e S otationen () otationen: Graph Vorgänger (ancestor) von Knoten
Mehr7. Transitive Hülle. Kante des Graphen. Zusatz-Kante der transitiven Hülle
In Anwendungen ist es oft interessant zu wissen, ob man überhaupt von einem Knoten v zu einem Knoten w gelangen kann, ganz gleich wie lang der Weg auch ist. Gegeben sei dabei ein gerichteter Graph G =
MehrWissensbasierte Systeme
WBS5 Slide 1 Wissensbasierte Systeme Vorlesung 5 vom 17.11.2004 Sebastian Iwanowski FH Wedel WBS5 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien
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?
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 05 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen Grundlagen
MehrAlgorithmen und Datenstrukturen. Bäume. M. Herpers, Y. Jung, P. Klingebiel
Algorithmen und Datenstrukturen Bäume M. Herpers, Y. Jung, P. Klingebiel 1 Lernziele Baumstrukturen und Ihre Verwendung kennen Grundbegriffe zu Bäumen anwenden können Baumstruktur in C anlegen können Suchbäume
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Bäume & Graphen Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz http://www.inf.uni-konstanz.de/algo/lehre/ss08/info2 Sommersemester 2008 Sven Kosub
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Graphen 9/1 Begriffsdefinitionen Ein Graph besteht aus Knoten und Kanten. Ein Knoten(Ecke) ist ein benanntes Objekt. Eine Kante verbindet zwei Knoten. Kanten haben ein Gewicht
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 9. Klassische Suche: Baumsuche und Graphensuche Malte Helmert Universität Basel 13. März 2015 Klassische Suche: Überblick Kapitelüberblick klassische Suche: 5. 7.
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (18 Bäume: Grundlagen und natürliche Suchbäume) Prof. Dr. Susanne Albers Bäume (1) Bäume sind verallgemeinerte Listen (jedes Knoten-Element kann mehr
MehrDatenstrukturen: Mathematische Grundlagen. 26. Juli / 27
Datenstrukturen: Mathematische Grundlagen 26. Juli 2015 1 / 27 Asymptotik Die Groß-Oh Notation: f = O(g) Es gibt eine positive Konstante c > 0 und eine natürliche Zahl n 0 N, so dass f (n) c g(n) für alle
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen
Mehr1 Einführung. 2 Grundlagen von Algorithmen. 3 Grundlagen von Datenstrukturen. 4 Grundlagen der Korrektheit von Algorithmen
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 0 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Einführung Grundlagen von Algorithmen Grundlagen
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrAbschlussklausur Lösung. Bitte in Druckschrift leserlich ausfüllen!
Informatik für Informationsmanager II SS 2006 Universität Koblenz-Landau Institut für Informatik Prof. Dr. Steffen Staab Dr. Manfred Jackel Abschlussklausur 04.08.2006 Lösung Bitte in Druckschrift leserlich
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
MehrSuchbäume. Annabelle Klarl. Einführung in die Informatik Programmierung und Softwareentwicklung
Suchbäume Annabelle Klarl Zentralübung zur Vorlesung Einführung in die Informatik: http://www.pst.ifi.lmu.de/lehre/wise-13-14/infoeinf WS13/14 Action required now 1. Smartphone: installiere die App "socrative
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Listen & Bäume Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 SvenKosub@uni-konstanzde Sprechstunde: Freitag, 14:00-15:00 Uhr, onv Sommersemester
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
MehrInformatik II Prüfungsvorbereitungskurs
Informatik II Prüfungsvorbereitungskurs Tag 4, 23.6.2016 Giuseppe Accaputo g@accaputo.ch 1 Programm für heute Repetition Datenstrukturen Unter anderem Fragen von gestern Point-in-Polygon Algorithmus Shortest
MehrBinäre Suchbäume. Mengen, Funktionalität, Binäre Suchbäume, Heaps, Treaps
Binäre Suchbäume Mengen, Funktionalität, Binäre Suchbäume, Heaps, Treaps Mengen n Ziel: Aufrechterhalten einer Menge (hier: ganzer Zahlen) unter folgenden Operationen: Mengen n Ziel: Aufrechterhalten einer
MehrKapitel 10. Komplexität von Algorithmen und Sortieralgorithmen
Kapitel 10 Komplexität von Algorithmen und Sortieralgorithmen Arrays 1 Ziele Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
MehrAlgorithmen und Datenstrukturen 2-1. Seminar -
Algorithmen und Datenstrukturen 2-1. Seminar - Dominic Rose Bioinformatics Group, University of Leipzig Sommersemster 2010 Outline 1. Übungsserie: 3 Aufgaben, insgesamt 30 28 Punkte A1 Spannbäume (10 8
MehrWintersemester 2004/ Januar Aus der Vorlesung sind Datenstrukturen zur Repräsentation von Wäldern disjunkter Mengen bekannt.
Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim
MehrA O T. Grundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz Problemlösen und Suche 27.10.2005 rijnesh J Jain bjj@dai-labor.de Agententechnologien in betrieblichen Anwendungen und der Telekommunikation Lernziele: Wir diskutieren,
MehrHeuristische Suchverfahren
Heuristische Suchverfahren Suchprozesse sind ein wichtiger Bestandteil unterschiedlicher Problemlöseverfahren z.b. Bestimmung der Konfliktmenge in Produktionssystemen Suche nach resolvierbaren Klauseln
Mehr