Kapitel 3 Ereignisdiskrete Systeme (II)
|
|
- Sara Winter
- vor 5 Jahren
- Abrufe
Transkript
1 Modellierung und Simulation mechatronischer Systeme Kaitel Ereignisdisrete Systeme II Modellierung mit autonomen Automaten Deterministische Automaten Bei den bisher betrachteten Beisielen handelte es sich um deterministische Automaten, d.h. in jedem Zustand war eindeutig beschreibbar, welcher Zustand als nächstes eingenommen wird. Im Automatengrah führt von jedem Knoten genau eine Kante weg. In der Tabelle gibt es für jeden Zustand genau eine Zeile mit genau einem Folgezustand. In der Matrix steht in jeder Salte genau eine. Beisiel: z z z z z z z z+ Z Z Z F SoSe
2 Nichtdeterministische Automaten Bei realen Systemen ist oft nicht eindeutig angebbar, welcher Zustand als nächstes eingenommen wird. Solche Systeme lassen sich als nichtdeterministische Automaten beschreiben. Aus der Zustandsübergangsfuntion wird eine Relation. Im Automatengrah führt von mindestens einem Knoten mehr als eine Kante weg. In der Matrix steht in mind. einer Salte mehr als eine. Eine eindeutige Zustandsfolge ist nicht mehr angebbar. Beisiel: Z Z für z Z für Z für z Z z Z z Z Z Z Z F SoSe 6 Beisiel: Zustände eines Behälters Modellierung als Automatengrah Z Behälter ist voll geleert unter oberen Sensor befüllt über oberen Sensor Z Behälter ist teilgefüllt geleert unter unteren Sensor befüllt über unteren Sensor Z Behälter ist leer Von Zustand Z aus sind zwei Zustandsübergänge möglich nichtdeterministisch SoSe
3 Nichtdeterministische Automaten Nichtdeterminismus wird in ereignisdisreten technischen Systemen verursacht a durch Unenntnis über interne Abläufe: Beisiel: Werstücvorwärmung liner Ofen Ablaufdauer = xx s rechter Ofen Ablaufdauer = xx s beide Öfen belegt liner Ofen fertig, rechter belegt rechter Ofen fertig, liner belegt SoSe Nichtdeterministische Automaten Nichtdeterminismus wird in ereignisdisreten technischen Systemen verursacht b durch leine Schwanungen bei arallelen Abläufen: Beisiel: Werstücvorwärmung liner Ofen Ablaufdauer =, s Ablaufdauer =, s rechter Ofen Ablaufdauer =, s Ablaufdauer =, s beide Öfen belegt liner Ofen fertig, rechter belegt rechter Ofen fertig, liner belegt SoSe
4 Nichtdeterministische Automaten Nichtdeterminismus wird in ereignisdisreten technischen Systemen verursacht b durch Störungen: Beisiel: Werstücvorwärmung liner Ofen Ablaufdauer =, s Ablaufdauer =, s Ablaufdauer =, s Vorwärmung läuft Vorwärmung dauerte weniger als se SoSe Vorwärmung dauerte länger als se Nichtdeterministische Automaten Die Beschreibung eines nichtdeterministischen Automaten über die Zustandsfolge ist nicht hilfreich Für dieses Beisiel: z = Z z = Z z =? Verhaltensvorhersage: Man ann nur sagen, dass es für einen bestimmten endlichen Horizont von Schritten eine endliche Menge von möglichen Zustandsfolgen gibt. Überwachung von technischen Systemen: Man ann nur überwachen, ob die beobachtete Zustandsfolge zu dieser Menge möglicher Zustandsfolgen gehört, oder ob ein unvorhergesehener Fehler aufgetreten ist. SoSe
5 Beisiel Stanze erweitert Das Automatenmodell der Stanze wird ergänzt um die Modellierung von Fehlerfällen: Fehlendes Rohmaterial Fehlerhafte Ablage des fertig bearbeiteten Werstücs Änderung der Festlegung der Zustände: Zustand Beschreibung Die Stanze steht in der Ausgangsosition und es ist noch Blech vorhanden. Die Stanze steht in der Ausgangsosition, aber die Blechrolle ist aufgebraucht. Das Werstüc ist nicht ordnungsgemäß abgelegt. Aus Zustandsüberführungs-Funtion wird -Relation: z' z Beschreibung Stanze ehrt in die Ausgangsosition zurüc Ordnungsgemäßer Transort des Werstücs, aber Blechrolle ist leer Fehlerhafter Transort des Werstüces aus der Stanze in das Lager SoSe Beisiel Stanze erweitert Entsrechend erweiterter Automatengrah: Mögliche Zustandsfolgen in grahischer Darstellung: SoSe
6 6 SoSe Nichtdeterministische Automaten Werden Automaten verwendet zur Beschreibung nichtdeterministischer Systeme, so muss die Modellform modifiziert werden: Darstellung als Matrix: Die Zustandsübergangs-Matrix F enthält in mindestens einer Salte mehr als eine. Damit ann + mehr als eine Komonente i + = enthalten. Da F aber auch in einer Zeile mehr als eine enthalten ann, ann die Matrixmultiliation auf Ergebnisse > führen. Die Matrixoeration + = F wird daher um eine Abrundung auf ergänzt, so dass in + eine Komonente i + > auftritt. Die Folge,,...,, + ist eindeutig. Damit ann aus eindeutig ermittelt werden, welche Zustände das System im Schritt + einnehmen ann. SoSe Beisiel Stanze erweitert Automat der Stanze in Matrixdarstellung, Im Zustand z = Z oder z = Z ist z+ nicht definiert und damit die Gleichung ungültig. Daher werden Selbstschleifen eingefügt.
7 Aufgabe für die Nachbereitung Nichtdeterministischer Automat: Wie lautet F für diesen Automaten? Wie lautet die Folge der ersten Zustandsvetoren, wenn z = z? Ab welchem Schritt ann sich das System in jedem beliebigen Zustand aufhalten? SoSe 6 Nichtdeterministische Automaten Nichtdeterministische Automaten erlauben von einem Zustand ausgehend verschiedene Zustandsübergänge. Sie erlauben eine Aussage darüber, welcher Zustandsübergang als nächstes voraussichtlich vollzogen wird. In vielen technischen Systemen treten manche Zustandsübergänge häufiger auf als andere. Zum Beisiel treten Übergänge in Fehlerzustände i.a. seltener auf als Übergänge in erwünschte Zustände. Dies ann mit Hilfe von Ereignis-Auftritts-Wahrscheinlicheiten = Zustands-Übergangs-Wahrscheinlicheiten modelliert werden. Dies führt auf die stochastischen Automaten. SoSe
8 Stochastische Automaten Bei einem stochastischen Prozess ann aus der Kenntnis des Anfangszustands z nicht eindeutig der nachfolgende Zustand z vorhergesagt werden, weil der Zustandsübergang vom Zufall abhängt. Die Wahrscheinlicheit, dass auf den Zustand z der Zustand z folgt, wird beschrieben durch N z P z z z z, z z Die einzelnen Zustandsübergangs-Wahrscheinlicheiten summieren sich zu eins: N z z z Da sich das System immer in irgendeinem Zustand befindet, gilt: z für alle mit z als Wahrscheinlicheit, dass das System sich im Schritt im Zustand z befindet. SoSe Stochastische Automaten Der stochastische Automat ist beschrieben durch seine Zustandsmenge N z seine Zustandsübergangswahrscheinlicheitsverteilung F und die Wahrscheinlicheitsverteilung des Anfangs-zustandes F : N z N [,] : [, ] z N z F setzt sich aus den einzelnen Zustandsübergangswahrscheinlicheiten zusammen: F z z, P z z z z z z SoSe
9 Stochastische Automaten Der Automat ann jede Zustandsfolge durchlaufen, die in einem Zustand z beginnt, den der Automat mit einer nicht verschwindenden Wahrscheinlicheit annimmt, und bei der aufeinander folgende Zustände z, z+ eine nicht verschwindende Übergangswahrscheinlicheit haben: z P z z z z z, z SoSe Stochastische Automaten Mit welcher Wahrscheinlicheit befindet sich der Automat im Schritt + im Zustand z? P z z Dies ann iterativ bestimmt werden: Der Automat ann mit einer gewissen Wahrscheinlicheit im Schritt im Zustand z gewesen sein: Pz z Aus z ann er mit einer gewissen Wahrscheinlicheit nach z übergehen: Pz z z z Die Wahrscheinlicheit, dass der Automat im Schritt in Zustand z gewesen ist und dann nach z übergeht, ermittelt sich aus dem Produt der Wahrscheinlicheiten: Pz z z z Pz z Da es mehrere Zustände z geben ann, von denen aus der Automat nach z übergegangen sein önnte, wird aufsummiert: n P z z Pz z z z Pz z In Kurzform: z SoSe z N zz z z
10 Stochastische Automaten Matrixdarstellung Der Vetor enthält die Zustandswahrscheinlicheiten z. Für Komonenten i gilt: i Pz i Die Matrix F enthält die Zustandsübergangs-wahrscheinlicheiten z z. Für Komonenten f ij gilt: Pz i z j Damit lässt sich + iterativ berechnen: f ij F,,,,... Ist der Vetor der Anfangs-Zustandswahrscheinlicheiten = beannt, lässt sich + auch diret berechnen: F SoSe Beisiel Stanze erweitert Die nichtdeterministische Beschreibung der Zustandsübergänge z' z Beschreibung Stanze ehrt in die Ausgangsosition zurüc Ordnungsgemäßer Transort des Werstücs, aber Blechrolle ist leer Fehlerhafter Transort des Werstüces aus der Stanze in das Lager wird ergänzt um Zustandsübergangswahrscheinlicheiten: =, d.h. eine Blechrolle reicht für durchschnittlich Teile; =, d.h. bei durchschnittlich von Zylen wird ein Werstüc fehlerhaft transortiert. Daraus ergibt sich = - - =, SoSe
11 SoSe Beisiel Stanze erweitert Daraus ergibt sich die Zustandsübergangsmatrix F,,,, SoSe Beisiel Stanze erweitert In welchen Zuständen ann sich die Stanze im Schritt befinden, und wie wahrscheinlich sind diese Zustände? F Zum Beisiel = : =F =,,,6 T. Das heißt, die Wahrscheinlicheit, dass die Stanze nach Schritten in einem fehlerhaften Zustand steht, liegt bei %. Die folgende Darstellung zeigt die Fehlerwahrscheinlicheiten und aufgetragen über den Schritten :
12 Zusammenfassung Nicht-deterministische Automaten Gründe für Nichtdeterminismus Deterministische vs. nicht-deterministische Automaten Darstellung nicht-deterministischer Automat Beisiele Stochastische Automaten Gründe für stochastische Modellierung Übergang vom nicht-deterministischen zum stochastischen Automaten Darstellung stochastischer Automat Beisiele SoSe 6 Aufgabe für die Nachbereitung Wie lautet die Matrixdarstellung für den Automaten auf der Folie Behälter? Beschreiben Sie diesen Automaten mit Hilfe seiner Zustandsübergangsrelation. SoSe
13 Aufgabe für die Nachbereitung Wie sieht der Automatengrah des Roboters Folie aus, wenn nicht festgelegt ist, welches Werstüc als nächstes gegriffen werden soll? Woran ann man im Automatengrahen diesen Nichtdeterminismus erennen? SoSe Aufgabe für die Nachbereitung Modellieren Sie folgendes System als stochastischen Automaten: Ein Fertigungszylus bestehe aus aufeinanderfolgenden Zuständen, die zylisch durchlaufen werden. Aus jedem dieser Zustände wird beim Auftreten eines Fehlers in den allgemeinen Fehlerzustand gewechselt. Aus dem allgemeinen Fehlerzustand ann in einen anderen Zustand als den Anfangszustand übergegangen werden. Die Wahrscheinlicheit, dass von einem Zustand im Fertigungszylus orret zum nächsten gewechselt wird, betrage %. Die Wahrscheinlicheit des Übergangs vom Fehlerzustand in den Anfangszustand betrage % Rearaturquote. Wie groß ist die Wahrscheinlicheit, dass sich das System nach Schritten im Fehlerzustand befindet? A mit Rearaturrate B mit Rearaturrate % SoSe
Kapitel 2 Ereignisdiskrete Systeme (II)
Systemmodellierung Teil : Ereignisdisrete Systeme Kaitel 2 Ereignisdisrete Systeme II Modellierung mit autonomen Automaten Deterministische Automaten SM Bei den bisher betrachteten Beisielen handelte es
MehrSystemmodellierung Teil 1: Ereignisdiskrete Systeme. Kapitel 2 Ereignisdiskrete Systeme
Systemmodellierung Teil : Ereignisdisrete Systeme Kaitel 2 Ereignisdisrete Systeme Inhalt von Kaitel 2 SM Kaitel 2: Ereignisdisrete Systemmodelle Ereignisbegriff Beisiele Unterscheidung ontinuierlicher
MehrKapitel 3 Ereignisdiskrete Systeme
Modellierung und Simulation mechatronischer Systeme ) Kaitel Ereignisdisrete Systeme Erinnerung: Gliederung der Vorlesung Kaitel : Einführung Begriffe System Prozess Modell Allgemeine Prinziien und Methoden
MehrKapitel 3 Ereignisdiskrete Systeme (III)
Systemmodellierung Teil 1: Ereignisdiskrete Systeme Kapitel 3 Ereignisdiskrete Systeme (III) Modellierung mit E/A-Automaten Modellbildung mit Automaten Verfeinerte Modellbildung Beispiel: Fahrstuhltür
MehrSystemmodellierung. Teil Ereignisdiskrete Systeme
Prüfungsklausur Im Modul Systemmodellierung Teil Ereignisdiskrete Systeme 12. März 2018 Name: Vorname: Matrikelnummer: Zugelassene Hilfsmittel: Taschenrechner, Schreib- und Zeichenwerkzeug (kein roter
MehrÜbungen zur Vorlesung Modellierung WS 2003/2004 Blatt 11 Musterlösungen
Dr. Theo Lettmann Paderborn, den 9. Januar 24 Abgabe 9. Januar 24 Übungen zur Vorlesung Modellierung WS 23/24 Blatt Musterlösungen AUFGABE 7 : Es sei der folgende partielle deterministische endliche Automat
MehrFrank Heitmann 2/47. 1 Ein PDA beginnt im Startzustand z 0 und mit im Keller. 2 Ist der Automat
Formale Grundlagen der Informatik 1 Kapitel 5 Über reguläre Sprachen hinaus und (Teil 2) Frank Heitmann heitmann@informatik.uni-hamburg.de 21. April 2015 Der Kellerautomat - Formal Definition (Kellerautomat
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)
MehrAutomaten und Formale Sprachen SoSe 2013 in Trier
Automaten und Formale Sprachen SoSe 2013 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 2. Juni 2013 1 Automaten und Formale Sprachen Gesamtübersicht Organisatorisches Einführung Endliche
MehrFORMALE SYSTEME. Wiederholung. Beispiel: NFA. Wiederholung: NFA. 4. Vorlesung: Nichtdeterministische Endliche Automaten. TU Dresden, 20.
Wiederholung FORMALE SYSTEME 4. Vorlesung: Nichtdeterministische Endliche Automaten Markus Krötzsch Lehrstuhl Wissensbasierte Systeme Grammatiken können Sprachen beschreiben und sie grob in Typen unterteilen
MehrSystemmodellierung Teil 1: Ereignisdiskrete Systeme. Kapitel 1: Einführung
Systemmodellierung Teil : Ereignisdiskrete Systeme Kaitel : Einführung Was ist das wesentliche Neue in SM Bisher: Statik, Dynamik, " Technische Grundlagen wichtiger mechatronischer Elemente SM: Übergang
MehrFORMALE SYSTEME. Wiederholung. Beispiel: NFA. Wiederholung: NFA. 4. Vorlesung: Nichtdeterministische Endliche Automaten. TU Dresden, 19.
Wiederholung FORMALE SYSTEME 4. Vorlesung: Nichtdeterministische Endliche Automaten Markus Krötzsch Professur für Wissensbasierte Systeme Grammatiken können Sprachen beschreiben und sie grob in Typen unterteilen
MehrGrundlagen der Programmentwurfstechnik Fundamentals of Software Engineering 1
Vorlesung 6 Fundamentals of Software Engineering 1 Sommersemester 2016 Inhaltsverzeichnis 1. Einführung 2. Allgemeine Modellbildung 3. Strukturierte Analyse (SE) 5. Benutzersschnittstellen 6. Softwaretest
MehrAutomaten und Formale Sprachen ε-automaten und Minimierung
Automaten und Formale Sprachen ε-automaten und Minimierung Ralf Möller Hamburg Univ. of Technology Literatur Gottfried Vossen, Kurt-Ulrich Witt: Grundkurs Theoretische Informatik, Vieweg Verlag 2 Danksagung
MehrGrundlagen der Programmentwurfstechnik Fundamentals of Software Engineering
Vorlesung 6 Fundamentals of Software Engineering Inhaltsverzeichnis 1. Einführung 2. Allgemeine Modellbildung 3. Strukturierte Analyse (SE) 5. Benutzersschnittstellen 6. Softwaretest 2 1 Inhaltsverzeichnis
Mehr6.2 Die Varianzanalyse und das lineare Modell
6.2 Die Varianzanalyse und das lineare Modell Man ann die Varianzanalyse auch in einem linearen Modell darstellen. Im univariaten einfatoriellen Fall lautet die Gleichung des linearen Modells in Komponentenschreibweise:
MehrSignalverarbeitung 2. Volker Stahl - 1 -
- 1 - Hidden Markov Modelle - 2 - Idee Zu klassifizierende Merkmalvektorfolge wurde von einem (unbekannten) System erzeugt. Nutze Referenzmerkmalvektorfolgen um ein Modell Des erzeugenden Systems zu bauen
MehrDie mathematische Seite
Kellerautomaten In der ersten Vorlesung haben wir den endlichen Automaten kennengelernt. Mit diesem werden wir uns in der zweiten Vorlesung noch etwas eingängiger beschäftigen und bspw. Ansätze zur Konstruktion
MehrKapitel 4: Irreduzible und aperiodische Markov Ketten 1
Matrielnummer: 1152750 Projetseminar zur Stochasti Kapitel 4: Irreduzible und aperiodische Marov Ketten 1 Für einige besonders interessante Ergebnisse der Marov Theorie, werden zunächst bestimmte Annnahme
MehrAlgorithmen mit konstantem Platzbedarf: Die Klasse REG
Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August
MehrFORMALE SYSTEME. 3. Vorlesung: Endliche Automaten. TU Dresden, 17. Oktober Markus Krötzsch
FORMALE SYSTEME 3. Vorlesung: Endliche Automaten Markus Krötzsch TU Dresden, 17. Oktober 2016 Rückblick Markus Krötzsch, 17. Oktober 2016 Formale Systeme Folie 2 von 31 Wiederholung Mit Grammatiken können
MehrAutomaten und Formale Sprachen SoSe 2007 in Trier. Henning Fernau Universität Trier
Automaten und Formale Sprachen SoSe 2007 in Trier Henning Fernau Universität Trier fernau@informatik.uni-trier.de 1 Automaten und Formale Sprachen Gesamtübersicht Organisatorisches Einführung Endliche
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Dipl.-Math. Sebastian Schwarz WS 018/019 5.10.018 Höhere Mathemati für die Fachrichtung Physi Lösungsvorschläge zum. Übungsblatt
MehrWorterkennung in Texten speziell im Compilerbau 14. April Frank Heitmann 2/65
Grenzen regulärer Sprachen? Formale Grundlagen der Informatik 1 Kapitel 4 Über reguläre Sprachen hinaus und Frank Heitmann heitmann@informatik.uni-hamburg.de Wir haben mittlerweile einiges kennengelernt,
Mehr3. Vorlesung: Endliche Automaten Markus Kr otzsch Lehrstuhl Wissensbasierte Systeme
Wiederholung Mit Grammatiken können wir Sprachen beschreiben und sie grob in Typen unterteilen: FORMALE SYSTEME 3. Vorlesung: Endliche Automaten Markus Krötzsch Lehrstuhl Wissensbasierte Systeme Formale
MehrStochastische dynamische Optimierung
Bisher: Neuer Zustand s 0 auf Stufe n +1istdurchaltenZustands auf Stufe n und Aktion a eindeutig bestimmt. s 0 = z n (s, a) Jetzt: Neuer Zustand s 0 ist zusätzlich vom Zufall abhängig. Genauer: Zufallsvariable,
Mehr5.4 Endliche Automaten
5.4 Endliche Automaten Ein endlicher Automat ist ein mathematisches Modell eines Systems mit Ein- und Ausgaben. Ein solches System befindet sich immer in einem internen Zustand. Beispiele Ein Register
MehrDisMod-Repetitorium Tag 3
DisMod-Repetitorium Tag 3 Markov-Ketten 21. März 2018 1 Markov-Ketten Was ist eine Markov-Kette? Was gehört alles dazu? Darstellung als Graph und als Matrix Stationäre Verteilung und Grenzverteilung Ergodizität
MehrDynaTraffic Modelle und mathematische Prognosen. Simulation der Verteilung des Verkehrs mit Hilfe von Markov-Ketten
DynaTraffic Modelle und mathematische Prognosen Simulation der Verteilung des Verkehrs mit Hilfe von Markov-Ketten Worum geht es? Modelle von Verkehrssituationen Graphen: Kanten, Knoten Matrixdarstellung
MehrModellierung und Simulation mechatronischer Systeme
Name: Vorname: Prüfungsklausur im Fach Modellierung und Simulation mechatronischer Systeme 8. August 2011 Aufgabe 1 In der nachfolgenden Tabelle sind zehn physikalische Größen aufgelistet. Kennzeichnen
MehrDiskrete Ereignissysteme
Distributed Computing HS 22 Prof. C. Stamm / K.-T. Förster T. Langner J. Seidel Prof. R. Wattenhofer Diskrete Ereignissysteme Prüfung Donnerstag 3. Januar 23 9: 2: Uhr Nicht öffnen oder umdrehen bevor
MehrProseminar Spieltheorie - Mehrstufige Spiele -
Proseminar Spieltheorie - Mehrstufige Spiele - Thorsten Tasch 11. Mai 006 Zusammenfassung Wir haben bis jetzt fast ausschließlich Spiele betrachtet, die aus jeweils genau einem Spielzug zweier Spieler
Mehr6 Schaltwerke und endliche Automaten
6 Schaltwerke und endliche Automaten 6.1 Entwicklungsstufen 143 In diesem Abschnitt wird gezeigt, wie das Blockschaltbild aus 1.4 realisiert werden kann. Mithilfe der entwickelten Speicherbausteine und
MehrEreignisdiskrete Systeme
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Ereignisdiskrete Systeme Modellierung und Analyse dynamischer Systeme
MehrVorlesung 18. Spontane Abstrahlung, Multipolentwicklung
Vorlesung 8 Spontane Abstrahlung, Multipolentwiclung Wir betrachten das Wasserstoffatom im P -Zustand. Falls wir ein Wasserstoffatom in Isolation betrachten, ist der P -Zustand stabil. Wie wir aber schon
MehrADS-EI 5.2 Struktur einer Turing-Maschine 120/451 ľernst W. Mayr
Bemerkung: Jede NDTM N (die die Sprache L(N) akzeptiert) kann in eine deterministische Turing-Maschine M konvertiert werden, die ebenfalls genau die Sprache L(N) akzeptiert. Beweisidee: Die Berechnungspfade
Mehr8. Reinforcement Learning
8. Reinforcement Learning Einführung 8. Reinforcement Learning Wie können Agenten ohne Trainingsbeispiele lernen? Auch kennt der Agent zu Beginn nicht die Auswirkungen seiner Handlungen. Stattdessen erhält
Mehr1 Σ endliches Terminalalphabet, 2 V endliche Menge von Variablen (mit V Σ = ), 3 P (V (Σ ΣV )) {(S, ε)} endliche Menge von Regeln,
Theorie der Informatik 9. März 24 7. Reguläre Sprachen I Theorie der Informatik 7. Reguläre Sprachen I Malte Helmert Gabriele Röger Universität Basel 9. März 24 7. Reguläre Grammatiken 7.2 DFAs 7.3 NFAs
MehrDatenstrukturen und Algorithmen (SS 2013)
Datenstrukturen und Algorithmen (SS 2013) Übungsblatt 10 Abgabe: Montag, 08.07.2013, 14:00 Uhr Die Übungen sollen in Gruppen von zwei bis drei Personen bearbeitet werden. Schreiben Sie die Namen jedes
Mehrfür die Wahrscheinlichkeit, dass die Markov-Kette in t Schritten von Zustand i in Zustand j übergeht. Es ist also P (t) = (P t ) ij.
8 Markov-Ketten 8.1 Grundlegendes zu Markov-Ketten Eine Markov-Kette ist ein stochastischer Prozess, der in diskreten Zeitschritten abläuft. Dabei wird jeweils von einem Zustand in einen nächsten übergegangen.
Mehr4. Alternative Temporallogiken
4. Alternative Temporallogiken Benutzung unterschiedlicher Temporallogiken entsprechend den verschiedenen Zeitbegriffen LTL: Linear Time Logic Ähnlich der CTL, aber jetzt einem linearen Zeitbegriff entspechend
Mehrc) {abcde, abcfg, bcade, bcafg} d) {ade, afg, bcde, bcfg} c) {abcabc} d) {abcbc, abc, a} c) {aa, ab, ba, bb} d) {{aa}, {ab}, {ba}, {bb}}
2 Endliche Automaten Fragen 1. Was ergibt sich bei {a, bc} {de, fg}? a) {abc, defg} b) {abcde, abcfg} c) {abcde, abcfg, bcade, bcafg} d) {ade, afg, bcde, bcfg} 2. Was ergibt sich bei {abc, a} {bc, λ}?
MehrDWT 2.3 Ankunftswahrscheinlichkeiten und Übergangszeiten 400/467 Ernst W. Mayr
2. Ankunftswahrscheinlichkeiten und Übergangszeiten Bei der Analyse von Markov-Ketten treten oftmals Fragestellungen auf, die sich auf zwei bestimmte Zustände i und j beziehen: Wie wahrscheinlich ist es,
Mehr2.2 Nichtdeterministische endliche Automaten
2 Endliche Automaten arbeiten und hier kann dann ggf. auch wieder auf die Konstruktion verwiesen werden. Fragen 1. Wie viele Informationen kann man in einem DFA speichern? a) beliebig viele b) endlich
Mehr1 Endliche Automaten mit Ausgabe
1.1 Autokorrektur und Smileys 9 Theorie bedeutet meist, dass die Bestandteile und Eigenschaften von Systemen auf das Elementare reduziert werden, um deren Prinzipien, Zusammenhänge, Möglichkeiten und Grenzen
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 14: Endliche Automaten Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/31 Überblick Erstes Beispiel: ein Getränkeautomat Mealy-Automaten
MehrInformatik III. Christian Schindelhauer Wintersemester 2006/07 3. Vorlesung
Informatik III Christian Schindelhauer Wintersemester 2006/07 3. Vorlesung 02.11.2006 schindel@informatik.uni-freiburg.de 1 Kapitel III Reguläre Sprachen Reguläre Sprachen und Ausdrücke Informatik III
MehrFormale Sprachen. Reguläre Sprachen. Rudolf FREUND, Marian KOGLER
Formale Sprachen Reguläre Sprachen Rudolf FREUND, Marian KOGLER Endliche Automaten - Kleene STEPHEN KLEENE (99-994) 956: Representation of events in nerve nets and finite automata. In: C.E. Shannon und
MehrSoftware Engineering, SoSe 07, WSI, D. Huson, May 7,
Software Engineering, SoSe 07, WSI, D. Huson, May 7, 2007 17 4 Modellierung in UML Nach einer Vorlesung von Prof. Andreas Zeller, Lehrstuhl Softwaretechnik Universität des Saarlandes, Saarbrücken. 4.1
MehrNützlich bei Diskretisierungen von Problemen sind Gaussklammern, die reellen Werten ganzzahlige zuordnen:
Nützlich bei Disretisierungen von Problemen sind Gausslammern, die reellen Werten ganzzahlige zuordnen: Definition 57 (floor, ceiling.. r R : floor(r := r := max{z Z z r} 2. r R : ceiling(r := r := min{z
MehrGrundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Wintersemester 2007 / 2008 Prof. Dr. Heribert Vollmer Institut für Theoretische Informatik 29.10.2007 Reguläre Sprachen Ein (deterministischer) endlicher Automat
MehrReguläre Grammatiken/Sprachen und endliche Automaten
Reguläre Grammatiken/Sprachen und endliche Automaten Bei regulären Grammatiken ist die Form der Grammatikregeln am stärksten eingeschränkt. Trotzdem lassen sich bereits weite Teile einer natürlichen Sprache
MehrMusterlösung zur Probeklausur zur Angewandten Diskreten Mathematik
UNIVERSITÄT ULM Institut für Zahlentheorie und Wahrscheinlicheitstheorie Musterlösung zur Probelausur zur Angewandten Disreten Mathemati Prof Dr Helmut Maier, Hans- Peter Rec Gesamtpuntzahl: 130 Punte,
Mehr1 Eliminieren von ɛ-übergängen
1 Eliminieren von ɛ-übergängen 1.1 Beispiel 1 (a) Ausgangspunkt: Zwei ɛ-übergänge (b) Entfernung eines ɛ-übergangs, Reduktion (c) Entfernen eines ɛ-übergangs, Reduktion Abbildung 1: Elimination von ɛ-übergängen,
Mehr4.2.4 Reguläre Grammatiken
4.2.4 Reguläre Grammatiken Eine reguläre Grammatik ist eine kontextfreie Grammatik, deren Produktionsregeln weiter eingeschränkt sind Linksreguläre Grammatik: A w P gilt: w = ε oder w = Ba mit a T und
Mehr18 E N D L I C H E AU T O M AT E N erstes beispiel: ein getränkeautomat
18 E N D L I C H E AU T O M AT E N 18.1 erstes beispiel: ein getränkeautomat Als erstes Beispiel betrachten wir den folgenden primitiven Getränkeautomaten (siehe Abbildung 18.1). Man kann nur 1-Euro-Stücke
MehrJohann Wolfgang Goethe-Universität
5. Sequentielle Schaltungen Automaten 5. Die Grundform endlicher Automaten 5.2 Automaten mit Ausgabe 5.3 Darstellungsformen endlicher Automaten 5.4 Beispiele endlicher Automaten 5.5 Eigenschaften endlicher
MehrReguläre Sprachen und endliche Automaten
Reguläre Sprachen und endliche Automaten 1 Motivation: Syntaxüberprüfung Definition: Fließkommazahlen in Java A floating-point literal has the following parts: a whole-number part, a decimal point (represented
Mehr$Id: reell.tex,v /11/15 13:12:24 hk Exp $
$Id: reell.tex,v.8 200//5 3:2:24 h Exp $ 4 Die reellen Zahlen 4.3 Das Vollständigeitsaxiom Wir hatten das Supremum einer Menge M R als die leinste obere Schrane von M definiert, sofern eine solche überhaupt
MehrDefinition 78 Ein NPDA = PDA (= Nichtdeterministischer Pushdown-Automat) besteht aus:
4.7 Kellerautomaten In der Literatur findet man häufig auch die Bezeichnungen Stack-Automat oder Pushdown-Automat. Kellerautomaten sind, wenn nichts anderes gesagt wird, nichtdeterministisch. Definition
MehrTeilaufgabe 1.1 (5 BE) Untersuchen Sie mithilfe einer Vierfeldertafel, ob die Ereignisse F und S stochastisch unabhängig sind. "F"
Abschlussprüfung Berufliche Oberschule 2011 Mathemati 12 Nichttechni - S I - Lösung Teilaufgabe 1.0 Die Eisdiele BAVARIA bietet unterschiedliche Eisbecher an. Aus langjähriger Erfahrung weiß der Eigentümer,
MehrKapitel 3: Reguläre Grammatiken und Endliche. Automaten
Kapitel 3: Reguläre Grammatiken und Endliche Automaten Prof.-Dr. Peter Brezany Institut für Softwarewissenschaft Universität Wien, Liechtensteinstraße 22 090 Wien Tel. : 0/4277 38825 E-mail : brezany@par.univie.ac.at
MehrWorterkennung in Texten speziell im Compilerbau 20. April Frank Heitmann 2/64
Grenzen regulärer Sprachen? Formale Grundlagen der Informatik 1 Kapitel 4 Über reguläre Sprachen hinaus und Pumping Lemma Frank Heitmann heitmann@informatik.uni-hamburg.de Wir haben mittlerweile einiges
MehrMinisterium für Schule und Weiterbildung NRW IF GK HT 3 Seite 1 von 8. Unterlagen für die Lehrkraft. Abiturprüfung Informatik, Grundkurs
Seite 1 von 8 Unterlagen für die Lehrkraft Abiturprüfung 201 Informatik, Grundkurs 1. Aufgabenart Aufgabenart Aufgabenstellung aus dem Bereich endliche Automaten und formale Sprachen 2. Aufgabenstellung
MehrSummen, Indices und Multiindices
Summen, Indices und Multiindices 1 Einleitung Möchten wir zwei Zahlen a und b addieren, so schreiben wir für gewöhnlich a + b. Genauso schreiben wir a + b + c, für die Summe von drei Zahlen a, b und c.
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
MehrEndliche Automaten. Endliche Automaten J. Blömer 1/24
Endliche Automaten Endliche Automaten J. Blömer /24 Endliche Automaten Endliche Automaten sind ein Kalkül zur Spezifikation von realen oder abstrakten Maschinen regieren auf äußere Ereignisse (=Eingaben)
MehrEreignisdiskrete Systeme
Ereignisdiskrete Systeme Modellierung und Analyse dynamischer Systeme mit Automaten, Markovketten und Petrinetzen von Jan Lunze Mit 340 Abbildungen, 80 Anwendungsbeispielen und 110 Übungsaufgaben Oldenbourg
Mehr3 Endliche Muster und Konfigurationen
3 Endliche Muster und Konfigurationen Wir gehen von nun an immer davon aus, dass 0 N ist. 3.1 Definition Eine Teilmenge P Q heißt genau dann Ruhemenge oder passiv, wenn für alle l : N Q mit ran(l) P gilt:
MehrEigenwerte und Netzwerkanalyse. Page Rank
A Google versucht die Bedeutung von Webseiten mithilfe des sogenannten zu ermitteln. Der einer Seite basiert ausschließlich auf der Verweisstruktur des Webs. Der Inhalt einer Seite hat dagegen keinen direkten
MehrPr[X t+1 = k] = Pr[X t+1 = k X t = i] Pr[X t = i], also. (q t+1 ) k = p ik (q t ) i, bzw. in Matrixschreibweise. q t+1 = q t P.
2.2 Berechnung von Übergangswahrscheinlichkeiten Wir beschreiben die Situation zum Zeitpunkt t durch einen Zustandsvektor q t (den wir als Zeilenvektor schreiben). Die i-te Komponente (q t ) i bezeichnet
MehrAnhang Referenztabellen
Anhang Referenztabellen I n diesem Anhang finden Sie gebräuchliche Tabellen zur Ermittlung von Wahrscheinlichkeiten für drei wichtige Verteilungen: die Binomialverteilung, die Normalverteilung und die
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 14: Endliche Automaten Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/38 Überblick Erstes Beispiel: ein Getränkeautomat Mealy-Automaten
MehrDisMod-Repetitorium Tag 4
DisMod-Repetitorium Tag 4 Endliche Automaten, Reguläre Sprachen und Kontextfreie Grammatiken 22. März 2018 1 Endliche Automaten Definition DFA Auswertungen Äquivalenzrelationen Verschmelzungsrelation und
MehrMathematik für Biologen
Mathemati für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 16. Dezember 2010 1 Allgemeine Hypothesentests Signifianzniveaus 2 Einseitiger oberer Binomialtest Effetive Fehlerwahrscheinlicheit
MehrTheoretische Informatik für Medieninformatiker
Theoretische Informatik für Medieninformatiker Jan Johannsen Lehrveranstaltung im Sommersemester 27 / 6 Organisatorisches: Jede Lehrveranstaltungsstunde gliedert sich in einen Vorlesungsteil, dessen Länge
MehrKlausur zur Vorlesung Grundbegriffe der Informatik 5. März 2014
Klausur zur Vorlesung Grundbegriffe der Informatik 5. März 2014 Klausurnummer Nachname: Vorname: Matr.-Nr.: Aufgabe 1 2 3 4 5 6 7 max. Punkte 6 8 4 7 5 6 8 tats. Punkte Gesamtpunktzahl: Note: Punkte Aufgabe
MehrEine Herleitung zur Dichtefunktion der Normalverteilung
Eine Herleitung zur Dichtefuntion der Normalverteilung Michael D. Pfeifer (michael.pfeifer@hotmail.com) 1. Februar 16 1 Einführung Die Normalverteilung ist für viele wissenschaftliche Anwendungen wesentlich.
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 10
D-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler Lösungen Serie 10 1. Für a 1 : 1 1 0, a 2 : 1 1, a 3 : 1 1 1, b : 2 2 2 1 und A : (a 1, a 2, a 3 ) gelten welche der folgenden Aussagen? (a) det(a)
MehrDie duale Simplexmethode
Kapitel 0 Die duale Simplexmethode Bei der dualen Simplexmethode ist eine Startlösung oftmals leichter angebbar als bei der Simplexmethode für das ursprüngliche lineare Programm, da man keine Nichtnegativitätsanforderungen
MehrEin deterministischer endlicher Automat (DFA) kann als 5-Touple dargestellt werden:
Sprachen und Automaten 1 Deterministische endliche Automaten (DFA) Ein deterministischer endlicher Automat (DFA) kann als 5-Touple dargestellt werden: M = (Z,3,*,qo,E) Z = Die Menge der Zustände 3 = Eingabealphabet
MehrBasen. Inhaltsverzeichnis
Vortrag zum Seminar zur Funtionentheorie, 15.07.2009 Benjamin Laumen Diese Ausarbeitung beruht auf Kapitel III, Paragraph 4 Unterpunt 1 3 aus dem Buch: Elliptische Funtionen und Modulformen von M. Koecher
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Rolf Socher ISBN 3-446-22987-6 Leseprobe Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-22987-6 sowie im Buchhandel Einführung.. 13 2 Endliche
MehrTheoretische Informatik I (Winter 2018/19) Prof. Dr. Ulrich Hertrampf. 1.5 Tabellen
1.5 Tabellen Welche Sprachklassen haben wir betrachtet? Und mit welchen Mitteln haben wir sie beschrieben? Zunächst haben wir die vier Chomsky-Klassen eingeführt: Typ-0 bis Typ-3 Grammatiken beschreiben
Mehr3 Iterative Lösung von sequentiellen Entscheidungsprozessen
3 Iterative Lösung von sequentiellen Entscheidungsprozessen Die Behandlung bewertete Marov-Kette diente dem Ziel, sequentielle Entscheidungsprozesse, die sich aus Marov-Ketten herleiten lassen, untersuchen
MehrKapitel 4 Ereignisdiskrete Systeme (V)
Systemmodellierung Teil 1: Ereignisdiskrete Systeme Kapitel 4 Ereignisdiskrete Systeme (V) Petrinetze ctnd. Eigenschaften von Petrinetzen (BE-Netze) Konflikt Kontakt Livelock, Deadlock Lebendigkeit Reversibilität
Mehr2.6 Verdeutlichung verwendeter Begriffe
2.6 Verdeutlichung verwendeter Begriffe endlich/finit: die Mengen der Zustände und der Ein- bzw. Ausgabezeichen sind endlich synchron: die Ausgabezeichen erscheinen synchron mit dem Einlauf der Eingabezeichen
MehrFORMALE SYSTEME. 8. Vorlesung: Minimale Automaten. TU Dresden, 6. November Markus Krötzsch Lehrstuhl Wissensbasierte Systeme
FORMALE SYSTEME 8. Vorlesung: Minimale Automaten Markus Krötzsch Lehrstuhl Wissensbasierte Systeme TU Dresden, 6. November 2017 Rückblick Markus Krötzsch, 6. November 2017 Formale Systeme Folie 2 von 26
Mehr1 Σ endliches Terminalalphabet, 2 V endliche Menge von Variablen (mit V Σ = ), 3 P (V (Σ ΣV )) {(S, ε)} endliche Menge von Regeln,
Theorie der Informatik 8. März 25 8. Reguläre Sprachen I Theorie der Informatik 8. Reguläre Sprachen I 8. Reguläre Grammatiken Malte Helmert Gabriele Röger 8.2 DFAs Universität Basel 8. März 25 8.3 NFAs
MehrDeterministische Turing-Maschinen
Deterministische Turing-Maschinen Um 900 präsentierte David Hilbert auf einem internationalen Mathematikerkongress eine Sammlung offener Fragen, deren Beantwortung er von zentraler Bedeutung für die weitere
MehrHTW MST Mathematik 1. Vektorrechnung. Zu Aufgabe 1. Zu Aufgabe Lösungen zu Übungsblatt 5. Lösung: Lösung: = 39
Vektorrechnung Zu Aufgabe 1 Berechnen Sie den Flächeninhalt des Dreiecks, das durch die Vektoren 1 a =, b =, 3 1 c = 6 1 aufgespannt wird! Zu Aufgabe Berechnen Sie das Volumen des durch folgende 3 Vektoren
MehrGOTO simuliert Turingmaschinen
GOTO simuliert Turingmaschinen Wir wissen bisher: LOOP ( GOTO = WHILE TM Jetzt zeigen wir, dass auch WHILE = TM gilt: Die Turingmaschine M =(Z,,,,z 1,, E) berechne f. Wir simulieren M mit einem GOTO-Programm
MehrSei Σ ein endliches Alphabet. Eine Sprache L Σ ist genau dann regulär, wenn sie von einem regulären Ausdruck beschrieben werden kann.
Der Satz von Kleene Wir haben somit Folgendes bewiesen: Der Satz von Kleene Sei Σ ein endliches Alphabet. Eine Sprache L Σ ist genau dann regulär, wenn sie von einem regulären Ausdruck beschrieben werden
MehrWAHRSCHEINLICHKEITSRECHNUNG
WAHRSCHEINLICHKEITSRECHNUNG Mathematischer Teil In der Wahrscheinlichkeitsrechnung haben wir es mit Zufallsexperimenten zu tun, d.h. Ausgang nicht vorhersagbar. Grundbegriffe Zufallsexperiment und Ergebnisse
Mehrsolche Permutationen. Für n von 1 bis 8 ergeben sich folgende Zahlen: [ ]
5A Permutationen Symmetrien geometrischer Figuren beschreibt man mathematisch durch Vertauschungen einer gewissen Anzahl von Punten, welche die Gesamtfigur unverändert lassen Beispiel : Drehungen und Spiegelungen
MehrAufgabe 6: Analytische Geometrie (WTR)
Abitur Mathematik: Nordrhein-Westfalen 2013 Aufgabe 6 a) ÜBERGANGSDIAGRAMM UND ÜBERGANGSMATRIX ERSTELLEN ÜBERGANGSDIAGRAMM Von der Größenklasse K gehen 10 % in die Größenklasse G über 50 % in die Größenklasse
MehrKapitel 12: Markov-Ketten
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse 21.01.2016 Kapitel 12: Markov-Ketten Ab jetzt betrachten wir stochastische Prozesse (X n ) n N0 mit 1. diskreter Zeit N 0 = {0,1,2,...},
MehrHidden Markov Models
Hidden Markov Models Kursfolien Karin Haenelt 09.05002 1 Letzte Änderung 18.07002 Hidden Markov Models Besondere Form eines probabilistischen endlichen Automaten Weit verbreitet in der statistischen Sprachverarbeitung
Mehr