Beschränkungen (Constraints)
|
|
- Sofia Beck
- vor 5 Jahren
- Abrufe
Transkript
1 Einführung in die KI Prof. Dr. sc. HansDieter Burkhard Vorlesung 2. Constraints: Grundbegriffe Constraint Propagierung Anwendungsbeispiele (Bildinterpretation, zeitliches Schließen) Beschränkungen (Constraints) Allgemeine Problemstellung: Einschränkende Bedingungen ( Constraints ) für variable Parameter sollen gleichzeitig erfüllt werden Produktionsplanung mit Anforderungen an Produkt Anforderungen an Verfahren Anforderungen an Kosten, Zeit,... Abhängigkeiten zwischen Parametern Stundenplanung Scheduling Landkarten einfärben,... Constraints 2
2 Lösung durch Suche (Probieren) Mögliches Verfahren: ZustandsraumSuche Sukzessive die Variablen mit zulässigen Werten belegen, Backtracking bei Verletzung von Einschränkungen Zustände: TeilBelegungen der Parameter mit Werten Zustandsübergang: Festlegung eines Parameterwertes (soweit ohne Verletzung von Constraints möglich) Problem der Suchverfahren: Kombinatorische Explosion Verbesserungsmöglichkeiten: Zwischenergebnisse bzgl. Beschränkungen testen Beispiel: ZiegeWolfKohlkopf Constraints 3 Lokale heuristische ZustandsraumSuche Zustände: Belegungen der Parameter mit Werten Zustandsübergang: Änderung eines Parameterwertes Heuristik: Parameterwert so ändern, dass Konflikte minimiert werden Konflikt: Anzahl verletzter Constraints Gute Resultate selbst für schwere Probleme, wenn Lösungen überall im Lösungsraum dicht verteilt sind. Andernfalls z.b. Evolutionäre Algorithmen anwenden. Beispiel: QueensProblem Constraints 4
3 Propagierung von Beschränkungen Beschränkungen nutzen zur Reduktion des Suchraums: geschicktes Kombinieren von Bedingungen Weiterreichen (Propagieren) lokaler Einschränkungen ( ConstraintPropagation ) Willkürliches Einschränken des Suchraumes (mit Möglickeit zum Backtracking) S E N D M O R E = M O N E Y Constraints 5 Beispiel aus Bereich,,Bildverstehen'' Zweidimensionales Abbild (LinienZeichnung) eines 3dimensionalen Körpers interpretieren Constraints 6
4 Bildinterpretation (Beispiel) Reale Szene: 3D Elektronisches Abbild: 2D (PixelMatrix) Filter (Vorverarbeitung) Segmentierung Identifikation von Linien Interpretation von Linien (Beschriftung) Identifikation von Objekten Beziehungen zwischen Objekten SzenenInterpretation (Re)konstruktion von Informationen Constraints 7 Farb und Kantensegmentierung Constraints 8
5 Zweidimensionales Abbild eines 3dimensionalen Körpers unter speziellen Voraussetzungen interpretieren Keine Schatten oder Bruchlinien. Verdeckte Kanten sind nicht sichtbar. Alle Eckpunkte sind Schnittpunkte genau dreier aufeinandertreffender Flächen. (Die Spitze der Cheops Pyramide ist nicht erlaubt.),,allgemeiner Beobachtungspunkt'' wird verlangt: Bei geringen Ortsveränderungen des Beobachters darf kein Schnittpunkt seinen Typ wechseln. Constraints 9 Objekte identifizieren Erkennung eines Objektes durch Interpretation der Linien Konvex Konkav Begrenzung Zuordnungen: LinienMerkmale zu Objekten Constraints 10
6 Interpretationen im Wettstreit Constraints 11 Begrenzungslinien bilden die äußeren Kanten des Objektes. Gekennzeichnet werden sie mit einem Pfeil,, ''. Die Pfeile der Begrenzungslinien sind so gerichtet, daß die Körperfläche immer rechts liegt. Innenlinien sind die Kanten im Inneren des Objektes. Es werden zwei Arten unterschieden: Konvexe Linien: Beide Grenzflächen sind vom Beobachter abgewandt, wie bei einem Würfel. In der Zeichnung sind sie mit einem,,'' versehen. Konkave Linien: Beide Begrenzungsflächen schließen den Beobachtungsstandpunkt ein. Ein Beispiel wäre der Blick in ein geöffnetes Buch. Sie sind mit einem,, '' markiert.
7 Konkav oder konvex? Linieninterpretationen sind abhängig vom Kontext Constraints 13 Würfel Constraints 14
8 Würfel Constraints 15 Würfel Constraints 16
9 Würfel Constraints 17 Würfel Constraints 18
10 4 Typen von Schnittpunkten (aufgrund der Voraussetzungen) Pfeil Gabel TStück Ecke Constraints 19 Beschriftete Schnittpunkte Bei Kanten vier Möglichkeiten,, '',,, '',,, '' und,,''. Folglich: insgesamt =208 Möglichkeiten. Davon aber nur 18 physikalisch möglich (Constraints!) Constraints 20
11 Beschriftungsverfahren Gegebene 2DZeichnung konsistent beschriften, d.h.: Beschriftung der Ecken (Variable) mit Werten aus den zulässigen (18) Typen Constraints: längs einer Kante darf sich der Kantentyp nicht ändern oder: Beschriftung ist eine Belegung der Kanten (Variable) mit Werten aus {,,, } Constraints: an den Ecken dürfen nur zulässige Typen auftreten In komplexeren Bildern weitere Constraints durch Licht/Schatten. Constraints 21 Beschriftungsverfahren Für realistische Bilder existiert stets (mindestens) eine konsistente Beschriftung. Es gibt z.t. aber auch konsistente Beschriftungen bei unrealistischen Bildern. Constraints 22
12 Suchverfahren zur Beschriftung 1. Auswahl einer Ecke, diese beschriften 2. Fortlaufend Nachbarecken beschriften solange dies möglich ist. Dabei Auswahl aus mehreren Alternativen: ausgewählte Ecke ausgewählte Beschriftung der Ecke 3. Beim Auftreten von Widersprüchen: Backtracking zu weiteren Beschriftungsalternativen unter 2. Zweckmäßig: Kein simples,,chronologisches Backtracking'' verwenden Constraints 23 Verfahren von Waltz Initial: Stammvater für Constraint Propagation Die Ecken mit allen möglichen Beschriftungen versehen Zyklus: Solange noch Änderungen möglich sind: Paare von Nachbarecken vergleichen (Constraints: Konsistenz entlang der Linien) Inkonsistente Beschriftungstypen an Ecken entfernen. Abschluss: Beschriftungen festlegen (z.b. Suche über den verbliebenen Beschriftungen). Durch Verringerung der Beschriftungen entstehen neue Inkonsistenzen, die wiederum zum Entfernen von Beschriftungen führen: Constraint Propagation Constraints 24
13 Verfahren von Waltz Constraints 25 Ecktypen Constraints 26
14 Verfahren von Waltz Constraints 27 Verfahren von Waltz Constraints 28
15 Verfahren von Waltz Constraints 29 Verfahren von Waltz Constraints 30
16 Verfahren von Waltz Constraints 31 Verfahren von Waltz Constraints 32
17 Willkürliches Streichen eines Wertes Constraints 33 Verfahren von Waltz Constraints 34
18 Verfahren von Waltz Constraints 35 Verfahren von Waltz Constraints 36
19 Resultat Constraints 37 Backtracking: Streichen anderer Werte Constraints 38
20 Backtracking: Streichen anderer Werte Constraints 39 Verfahren von Waltz Constraints 40
21 Verfahren von Waltz Constraints 41 Verfahren von Waltz Fortsetzung: Willkürliches Streichen oder Suche unter verbliebenen Möglichkeiten Constraints 42
22 2 weitere Resultate Constraints 43 Constraint Propagation Analog in anderen Problemen anwendbar Schritte: A) Wertebereiche einschränken gemäß Constraints B) Wertebereiche willkürlich einschränken (mit Backtracking) C) Suche über verbliebenen Werten A und B können mehrfach und abwechselnd angewendet werden oder in einem gemeinsamen Schritt: Größere Einschränkung des Wertebereichs als durch Constraint verlangt Constraints 44
23 Definitionen: Constraints Gegeben: Variablenmenge V = { v 1,...,v n } (Parameter) mit Wertebereichen Dom(v i ), i=1,...,n. Gesamtbereich: Dom(V) := Dom(v 1 )... Dom(v n ). Belegung β ordnet jedem v i einen Wert aus Dom(v i ) zu: β = [ β(v 1 ),..., β(v n ) ] Dom(v 1 )... Dom(v n ) Constraints 45 Definitionen: Constraints Constraint C definiert die zugelassenen Belegungen über einer VariablenTeilmenge V C = {v C 1,...,v C m} V : C Dom(v C 1)... Dom(v C m) ConstraintNetz C über V ist eine Menge C = {C 1,...,C k }, wobei jedes C j ein Constraint über einer Menge V Cj V ist. Constraints 46
24 Definitionen: Constraints Belegung β = [ β(v 1 ),..., β(v n ) ] erfüllt Constraint C über Menge V C = {v C 1,...,v C m} V, falls [ β(v C 1 ),..., β(v C m) ] C. β heißt lokale konsistente Belegung für C oder lokale Lösung für C. Belegung β erfüllt das ConstraintNetz C = {C 1,..., C k }, falls β alle C j C erfüllt. β heißt global konsistente Belegung für C oder globale Lösung für C. Constraints 47 Definitionen: Constraints v 2 Globale Lösungen für C={C,C } Lokale Lösungen für C C Lokale Lösungen für C C v 1 Constraints 48
25 Bildinterpretation Alternativen: Variable sind Ecken Wertebereiche die Ecktypen Constraints: Konsistenz entlang Linien Lösung: Beschriftete Ecken oder Variable sind Linien Wertebereiche die Linientypen Constraints: Konsistenz gemäß Ecktypen Lösung: Beschriftete Kanten Constraints 49 ConstraintErfüllung (Constraint Satisfaction) Gegeben: ConstraintNetz C = {C 1,..., C k } Gesucht: globale Lösung β Aufgabenarten: existiert Lösung? finde Lösung β? Constraints 50
26 Beispiele Finde zwei natürliche Zahlen x und y, so daß xy=7 unter der Vorausetzung x > y > 2. Als ConstraintProblem: V={x,y} Dom(x)=Dom(y)=IN C 1 Dom(y) C 1 ={y IN: y > 2} C 2 Dom(x) Dom(y) C 2 ={[x,y] IN IN: x > y } C 3 Dom(x) Dom(y) C 3 ={ [x,y] IN IN: xy=7 } C={C 1,C 2,C 3 } Eine lokale Lösung bezüglich C 1 ist x=1 und y=3. Für eine globale Lösung müssen alle drei Bedingungen erfüllt werden. Eine passende Belegung β ist x=4 und y=3. Constraints 51 Beispiele V={x,y,z}, Dom(x)=[0,1], Dom(y)=[0,1], Dom(z)=[0,1] C 1 ={[x,y] : x > y } C 2 ={[y] : y > 0.5 } C 3 ={[x,z] : xz=1 } C 4 ={[x,z] : x < z } für V 1 = {x,y} für V 2 ={y} für V 3 = {x,z} für V 4 ={x,z} Eine lokale Lösung bezüglich C 3 ist [0.5, 0.7, 0.5]. Eine globale Lösung für C={C 1,C 2,C 3,C 4 } existiert nicht: Die gegebenen Voraussetzungen sind inkonsistent. Aus C 1,C 2,C 4 folgt z >x>y> 0.5. C 3 steht dazu im Widerspr. Für C={C 1,C 2,C 3 } ist [ 0.7, 0.6, 0.3] globale Lösung. Constraints 52
27 ConstraintOptimierung (Constraint Optimization) Gegeben: ConstraintNetz C = {C 1,..., C k } Kostenfunktion c: Dom(V) R Gesucht: optimale globale Lösung β Aufgabenarten: c(β ) r? für gegebenes r R modellierbar als zusätzliches Constraint, Behandlung als ConstraintErfüllungsproblem finde c(β ). Behandlung als c(β ) r? mit unterschiedlichen r finde β. Constraints 53 Lösungsverfahren für Constraints. Satz: Es gibt kein universelles Lösungsverfahren für beliebige ConstraintProbleme Beispiel: Diophantische Gleichungen Endliche ConstraintProbleme (Dom(V) endlich) sind oft NPvollständig Constraints 54
28 ConstraintPropagierung Idee: Geeignete Einschränkungen D i der Wertebereiche Dom(v i ) finden ( zusätzliche Constraints ) Geeignet: Es gehen keine Lösungen verloren. Propagierung: Fortlaufende Einschränkungen durch abwechselnde Betrachtung unterschiedlicher Constraints führen für Wertebereiche Dom(v i ) (i=1,..,n) zu Folgen D il... D i5 D i4 D i3 D i2 D i1 Dom(v i ) Suche in D l := D l 1... D l n nach Lösung Probleme z.b.: evtl. unendliche Folge der D l evtl. D l noch zu umfangreich für Suche Constraints 55 ConstraintPropagierung: Einschränkungen Gegeben: ConstraintNetz C={C 1,...,C k } über V={v 1,...,v n } Einschränkung (der Wertebereiche): D = D 1... D n für Teilmengen D i Dom(v i ), i=1,...,n z.b. als Intervall im R n D heißt lokal konsistente Einschränkung bzgl. C j, falls gilt: i {1,...,n} d i D i β=[a 1,...,a i1,d i,a i1,...,a n ] D : β lokale Lsg. für C j D heißt global konsistente Einschränkung, falls gilt: i {1,...,n} d i D i β=[a 1,...,a i1,d i,a i1,...,a n ] D : β globale Lsg. für C D heißt inkonsistent, wenn D keine globale Lösung enthält. Constraints 56
29 Lokal konsistente Einschränkung C D 2 D C D 1 Constraints 57 ConstraintPropagierung: Einschränkungen Ebenfalls Einschränkung Innerhalb einer gegebenen Menge D = D 1... D n gibt es genau eine maximale global konsistente Einschränkung D max/global = D 1 max/global... D n max/global mit D i max/global :={d i D i β=[a 1,...,a i1,d i,a i1,...,a n ] D: β globale Lsg.} Innerhalb einer gegebenen Menge D = D 1... D n gibt es genau eine maximale bzgl. C j lokal konsist. Einschränk. D max/cjlokal = D max/cjlokal 1... D max/cjlokal n mit D max/cjlokal i :={d i D i β=[a 1,..,a i1,d i,a i1,..,a n ] D: β lok. Lsg. für C j } Constraints 58
30 ConstraintPropagierung: Einschränkungen Die Mengen D i max/global (bzw. D i max/cjlokal ) sind die Projektionen der in D enthaltenen globalen (bzw. lokalen) Lösungen auf die Wertebereiche Dom(v i ). Es gilt für beliebiges j=1,...,k : D i max/global D i max/cjlokal. Constraints 59 ConstraintPropagierung: Einschränkungen D 2 D 2 max/c lokal D max/c lokal D D max/c lokal D max/global D max/c lokal 2 D max/globall 2 C C D 1 max/c lokal D max/globall 1 D max/c lokal 1 D 1 Constraints 60
31 ConstraintPropagierung: Einschränkungen Globale Lösung existiert in D gdw. nichtleere global konsistente Einschränkungen von D existieren gdw. D max/global Es gibt keine globale Lösung in D Lokale Lösung für C j existiert in D gdw. nichtleere für C j lokal konsistente Einschränkungen von D existieren gdw. D max/cjlokal Es gibt keine lokale Lösung für C j in D gdw. D max/global = gdw. D max/cjlokal = Constraints 61 ConstraintPropagierung: Einschränkungen Zusammenhang globale Lösung/lokal konsistente Einschränkungen? Falls D max/cjlokal = für ein Constraint C j, (falls D max/cjlokal i = für ein Constraint C j und eine Variable v i ) so gilt D max/global = und es gibt keine globale Lösung in D Umkehrung gilt nicht: Auch wenn für alle Constraints C j gilt: D max/cjlokal, kann D max/global = gelten und es gibt keine globale Lösung in D Constraints 62
32 ConstraintPropagierung: Einschränkungen D 2 D max/c lokal Dmax/global = D max/c lokal 2 D D max/c lokal max/c lokal 2 D C C D 1 max/c lokal D 1 max/c lokal Frage: Wäre D max/cjlokal hinreichend für D max/global und die Existenz globaler Lösungen in D? D 1 Constraints 63 ConstraintPropagierung: Einschränkungen Als maximale global konsistente Einschränkung des ConstraintNetzes C = {C 1,...,C k } wird die maximale global konsistente Einschränkung E=E 1... E n von Dom(V)=Dom(v 1 )... Dom(v n ) bezeichnet. Dabei gilt: E i ={ d i Dom(v 1 ) β=[a 1,..,a i1,d i,a i1,..,a n ] : β globale Lsg. von C} E enthält alle globalen Lösungen, insbesondere gilt: Globale Lösungen existieren gdw. E. Für jeden Constraint C j gilt: : Falls E D für eine Einschränkung D, so E D i max/cjlokal. Constraints 64
33 Schema: ConstraintPropagierung Propagierung: Fortlaufende Einschränkungen durch abwechselnde Betrachtung unterschiedlicher Constraints führen für Wertebereiche Dom(v i ) (i=1,..,n) zu Folgen D il... D i5 D i4 D i3 D i2 D i1 Dom(v i ) Suche in D l := D l 1... D l n nach Lösung Constraints 65 Schema: ConstraintPropagierung 1. Wähle eine Menge D(0) Dom(V) als initiale Einschränkung, s:= Wähle ein (aussichtsreiches) C(s) C. WahlMöglichkeit WahlMöglichkeit 3. Wähle eine neue Einschränkung D(s) D(s1), so dass D(s) eine lokal konsistente Einschränkung bezüglich C(s) ist. Nicht notwendig maximal Möglichkeiten zum Backtracking Constraints 66
34 Schema: ConstraintPropagierung 4. Zwischenauswertung. Es können folgende Fälle auftreten: (a) Globale Lösung wird in D(s) gefunden (z.b. durch Suche). (b) Es ist keine weitere Einschränkung zu erwarten, da kein weiteres C(s) C gefunden werden konnte, so dass D(s) D(s1). (c) D(s) ist global inkonsistent (gemäß Suche, insbesondere bei D(s) = ). Daraus ergeben sich folgende Möglichkeiten zur Weiterarbeit: o Weiter bei 2. mit s:=s1, falls keiner der drei Fälle zutrifft. o Abbruch bei 4a) nicht notwendig chronologisch o Backtracking zu 2. oder 3. eines Schrittes s <s für 4b) oder 4c): Dort alternative Einschränkung wählen. kleinerer Bereich Abbruch, wenn Backtracking nicht aussichtsreich. anderer Bereich Constraints 67 Schema: ConstraintPropagierung Es ergibt sich Folge von Einschränkungen Dom(V) D(0) D(1) D(2) D(3)... D(s)... Dabei D(s) lokal konsistente Einschränkung von D(s1) bzgl. C(s), i.a. aber nicht bzgl. C(s1), C(s2), C(s3),.... Wiederholte (evtl. sogar unbegrenzte) Verwendung der C j aus C kann möglich sein. Constraints 68
35 Schema: ConstraintPropagierung Kein eigentlicher Algorithmus (prinzipielle Unlösbarkeit). Suchverfahren in der gefundenen Einschränkung (4). WahlMöglichkeit in (3): Kleine (nicht maximal konsistente) D(s): Suchverfahren einfacher. evtl. wird Lsg. verfehlt: (nichtchronologisches) Backtracking notwendig. Constraints 69 Schema: ConstraintPropagierung Satz: Voraussetzungen: D(0) = Dom(V ) D(s) jeweils maximale lokale Einschränkung von D(s1) Behauptungen: D(s) enthält stets die maximale global konsistente Einschränkung E von C : E D(s) Falls ein D(s)=, so existiert keine Lösung. Constraints 70
36 Visualisierung: ConstraintGraphen Constraint C j über V j V heißt binär, falls card(v j ) =2. ConstraintNetz C = {C 1,...,C k } aus binären Constraints C j ist darstellbar als Graph mit Knoten: Variable v i (mit Wertebereichen Dom(v i ) ) Kanten: Binäre Constraints Beispiele: LandkartenFärbung Eckenbeschriftungen bei Bildinterpretation Constraints 71 Visualisierung: ConstraintGraphen LandkartenFärbung Constraints 72
37 Vereinfachende Zerlegungen des ConstraintGraphen Nach Einfärbung von SA können andere mit verbleibenden Farben versehen werden Constraints 73 Visualisierung: ConstraintHyper Graphen Knoten: Variable v i HyperKnoten: Constraints C j über V j V Kanten: verbinden Hyperknoten für Constraints C j mit Knoten für Variable v i V j Constraints 74
38 Visualisierung: ConstraintGraphen Jedes ConstraintNetz in binäres ConstraintNetz überführbar. Unäre Constraints ( card(v j ) =1 ) in Dom(v i ) integrieren. Viele Verfahren sind auf binäre ConstraintNetze beschränkt. z.b. Vereinfachende Zerlegungen des ConstraintGraphen. Constraints 75 Übergang zu Binärem ConstraintNetz Gegeben ConstraintNetz C = {C 1,...,C k } mit Constraints C i über V Ci = {v Ci 1,...,v Ci m} C i Dom(v Ci 1)... Dom(v Ci m) Konstruieren binäres ConstraintNetz mit Variablen w 1,...,w k mit Dom(w i ) = C i Dom(v Ci 1)... Dom(v Ci m) d.h. Werte der neuen Variablen w i sind die lokal konsistenten Belegungen der Variablen v Ci 1,...,v Ci m des Constraints C i Constraints 76
39 Übergang zu Binärem ConstraintNetz Variable w 1,...,w k mit Dom(w i ) = C i Dom(v Ci 1)... Dom(v Ci m) x {1,2} y {2,4} z {4,5} xy=z x<y {(1,4,5), (2,2,4)} u v {(1,2), (1,4),(2,4)} Constraints 77 Übergang zu Binärem ConstraintNetz Belegungen der neuen Variablen müssen Gleichheiten der ursprünglichen Variablen respektieren: Binäre Constraints: B v i,j Dom(w i ) Dom(wj) definiert für die Variablen v V Ci V Cj : B v i,j:= { [b i, b j ] b i Dom(w i ) b j Dom(w j ) π v (b i ) = π v (b j ) } dabei bezeichnet π v (b i ) die Projektion von b i an der Stelle von v Constraints 78
40 Übergang zu Binärem ConstraintNetz Belegungen der neuen Variablen müssen Gleichheiten der ursprünglichen Variablen respektieren: x {1,2} y {2,4} z {4,5} xy=z x<y {(1,4,5), (2,2,4)} u π x (u)= π x (v) π y (u)= π y (v) v {(1,2), (1,4),(2,4)} Constraints 79 ConstraintPropagation im AllenKalkül AllenKalkül: Modell für Zeitliches Schließen Mögliche Ausgangspunkte: Zeitpunkte Zeitintervalle Ereignisse/Abläufe Weitere Modelle für zeitliche Abläufe: Situationenkalkül Algorithmische Logik, z.b. CTL* Automaten, PetriNetze,... Constraints 80
41 Beispiel AllenKalkül starts, in, contemporary bezeichnen Beziehungen zwischen Intervallen (aus Dissertation Andrea Miene Bremen, 2003) Constraints 81 AllenKalkül Logisch formaler Zugang für die Repräsentation von zeitlichen Abläufen auf der Basis von ZeitIntervallen Syntax Semantik Ausdrucksmöglichkeiten für Intervalle Beziehungen zwischen Intervallen (Relationen) Stattfinden von Ereignissen (OCCUR) Gültigkeit von Fakten (HOLDS)... Constraints 82
42 AllenRelationen für Zeitintervalle Syntax: Ausdrucksmöglichkeiten für binäre Relationen s(x,y), s i (x,y), f(x,y), f i (x,y), d(x,y), d i (x,y), b(x,y), b i (x,y), o(x,y), o i (x,y), m(x,y), m i (x,y), e(x,y) Logische Ausdrucksmöglichkeiten (AK, PK1,...) Verbindung zu Intervallen (HOLDS, OCCURS,...) Constraints 83 AllenRelationen für Zeitintervalle Semantik(Modelle): Intervallstrukturen Eine Intervallstruktur ist ein Paar [I,{, < }], mit 1. I nichtleere Menge (von Intervallen), 2. partielle Ordnung (transitiv, reflexiv, antisymmetrisch) über I (Teilmengenrelation) 3. < strikte partielle Ordnung (transitiv, irreflexiv) über I (Präzedenz) Präzedenz trifft zu, wenn ein Zeitintervall vollständig vor einem anderem liegt. Ein trennendes Zwischenintervall ist nicht erforderlich. Constraints 84
43 Beabsichtigte Bedeutungen STARTS(x,y) s(x,y) x y z ( z y x < z ) z ( z y z < x ) FINISHES(x,y) f(x,y) x y z ( z y z < x ) z ( z y x < z ) DURING(x,y) d(x,y) x y z ( z y x < z ) z ( z y z < x ) BEFORE(x,y) b(x,y) x < y z ( x < z z < y ) OVERLAPS(x,y) o(x,y) z ( z x z < y ) z ( z x z y ) z ( z y x < z ) MEETS(x,y) m(x,y) x < y z ( x < z z < y ) EQUALS(x,y) e(x,y) ( x y y x ) Constraints 85 Beabsichtigte Bedeutungen STARTS(x,y) s(x,y) x y z ( z y x < z ) z ( z y z < x ) FINISHES(x,y) f(x,y) x y z ( z y z < x ) z ( z y x < z ) DURING(x,y) d(x,y) x y z ( z y x < z ) z ( z y z < x ) BEFORE(x,y) b(x,y) x < y z ( x < z z < y ) OVERLAPS(x,y) o(x,y) z ( z x z < y ) z ( z x z y ) z ( z y x < z ) MEETS(x,y) m(x,y) x < y z ( x < z z < y ) EQUALS(x,y) e(x,y) ( x y y x ) Constraints 86
44 Beabsichtigte Bedeutungen (Inverse) Inverse von STARTS(x,y) s i (x,y) s(y,x) Inverse von FINISHES(x,y) f i (x,y) f(y,x) Inverse von DURING(x,y) d i (x,y) d(y,x) Inverse von BEFORE(x,y) b i (x,y) b(y,x) Inverse von OVERLAPS(x,y) o i (x,y) o(y,x) Inverse von MEETS(x,y) m i (x,y) m(y,x) Constraints 87 Axiomatik für AllenRelationen Für jedes Intervall t und jede der 13 Relationen r gibt es ein Intervall t mit r(t,t ) bzw. r(t,t) : r [( t 1 t 2 : r(t 1,t 2 )) ( t 1 t 2 : r(t 2,t 1 )) ] Axiome zum gegenseitigen Ausschluß der Relationen: o(x,y) m(x,y) usw. Axiome bzgl. der Inversen: s(x,y) s i (y,x) usw. Axiome zur Beschreibung des transitiven Verhaltens: z.b.: m(t 1,t 2 ) d(t 2,t 3 ) o(t 1,t 3 ) d(t 1,t 3 ) s(t 1,t 3 ) (siehe Tabelle, mit con d i s i f i und dur d s f ) Constraints 88
45 Constraints 89 Axiomatik für AllenRelationen Modelle der Axiome sind IntervallStrukturen für eine nichtverzweigende in beiden Richtungen unbeschränkte Zeit. Im Prinzip ist Reduktion möglich auf MEETS: Alle Relationen mittels MEETS definierbar, Axiome für MEETS. Constraints 90
46 Zeitliche Inferenzen Es sind Beziehungen zwischen Intervallen gegeben Weitere Beziehungen sollen abgeleitet werden (z.b. genaue Reihenfolge festlegen) AllenAxiome können als Constraints verwendet werden (insbesondere Tabelle) Constraints 91 Beispiel: (A, B, C, D sind Zeitintervalle) A beginnt während B B beginnt nicht vor C B liegt zeitlich völlig nach D C und D beginnen gleichzeitig Was kann über Beziehungen zwischen A und D gesagt werden? Können dafür Aussagen (Constraints) bzgl. A und B sowie B und D geeignet kombiniert werden? Führen solche Kombinationen zu verschärften Aussagen über die ursprünglichen Constraints? Constraints 92
47 Darstellung als Netz Constraints 93 Eintragen der fehlenden Relationen Constraints 94
48 Auswertung Constraints 95 AllenNetz Ein AllenNetz ist gegeben durch A = [T, C] mit T ist eine Menge von IntervallVariablen und C ist eine Abbildung C : T x T 2 {s,si,,e} {s,s i,,e} = Menge der AllenRelationen.) Dabei gilt für alle t 1,t 2 aus T x Tdie Bedingung: C(t 2,t 1 ) = Inverse der Relationen in C(t 1,t 2 ) C(t 1,t 2 ) gibt die zwischen den Intervallen t 1 und t 2 vorgegebenen Beziehungen an. Ein AllenNetz lässt sich als Graph ( Netz ) mit Knoten T und Kantenbeschriftungen C(t 1,t 2 ) darstellen. Entspricht ConstraintGraph für binäre Constraints. Constraints 96
49 Modell eines AllenNetzes A = [T, C] Voraussetzung: Gegebene Intervallstruktur [I,{, < }] Ein Modell für A = [T, C] ist eine Belegung β: T I mit: Für alle t 1,t 2 T gilt: β(t 1 ), β(t 2 ) stehen in einer durch C zugelassenen Relation d.h. r(β(t 1 ), β(t 2 )) c(t 1,t 2 ) ( r ist eindeutig aufgrund der Axiome) Globale Konsistenz: A = [T, C] ist global konsistent, wenn es ein Modell besitzt (andernfalls: global inkonsistent) Constraints 97 Betrachtung als ConstraintProblem Variable t i für Intervalle Wertbereiche Dom(t i ) : Menge I der Intervalle einer Intervallstruktur [I,{, < }] Constraints: Axiome der AllenRelationen z.b. für o(x,y) m(x,y) C = { [t x,t y ] / o(t x,t y ) m(t x,t y )} Beziehungen gemäß Problemstellung z.b. für A beginnt während B : C = { [t A,t B ] / e(t A,t B ) s(t A,t B ) s i (t A,t B ) d(t A,t B ) f(t A,t B ) o i (t A,t B ) } Constraints 98
50 Lokale Konsistenz Lokale Konsistenz bei AllenNetzen wird bezogen auf die IntervallAxiome zur Beschreibung des transitiven Verhaltens: z.b.: m(t 1,t 2 ) d(t 2,t 3 ) o(t 1,t 3 ) d(t 1,t 3 ) s(t 1,t 3 ) (siehe Tabelle) Ein Netz A = [T, C] ist lokal konsistent an der Stelle {t 1,t 2,t 3 } falls die Einschränkung A/{t 1,t 2,t 3 } = [ {t 1,t 2,t 3 },C/{t 1,t 2,t 3 } ] von A auf {t 1,t 2,t 3 } global konsistent ist. Das Teilnetz A/{t 1,t 2,t 3 } ist ein Teildreieck von A. Constraints 99 Prüfung auf lokale Konsistenz Gegeben: A = [T, C]. Überprüft werden Dreiecke {t 1,t 2,t 3 } auf lokale Konsistenz. Dabei werden die möglichen Beschriftungen der Kanten (t i,t j ) sukzessive verringert bis zur Stabilisierung. Verringerungen ergeben sich aus Inkonsistenzen bzgl. der IntervallAxiome des transitiven Verhaltens. Der Algorithmus benutzt Einen Stack K für aktuell zu prüfende Intervallpaare und Eine Abbildung R: Tx T 2 {s,si,,e} der aktuellen Beschriftungen Constraints 100
51 Prüfung auf lokale Konsistenz Initialisierung: K := Liste der Paare (t 1,t 2 ) T x T, R (t 1,t 2 ) := C (t 1,t 2 ) Äußerer Zyklus: Falls K=[ ] : EXIT(lokal konsistent), sonst: (t 1,t 2 ) := pop(k) und inneren Zyklus ausführen. Innerer Zyklus: Für alle t T die Schritte (a) und (b) ausführen: (a) Falls R(t 1,t) R(t 1,t) (R(t 1,t 2 ) x R (t 2,t ) ) : setze R(t 1,t) := R(t 1,t) (R(t 1,t 2 ) x R (t 2,t ) ), falls dann R(t 1,t) = : EXIT(lokal inkonsistent), andernfalls: push(t 1,t) (einkellern). (b) Falls R(t, t 2 ) R(t 1,t 2 ) ( R(t,t 1 ) x R (t 1,t 2 ) ) : setze R(t, t 2 ):= R(t 1,t 2 ) ( R(t,t 1 ) x R (t 1,t 2 ) ), falls dann R(t, t 2 )= : EXIT(lokal inkonsistent), andernfalls: push(t, t 2 ) (einkellern) Constraints 101 Evaluierung des Verfahrens Der Algorithmus bricht nach maximal O(n 3 ) Schritten ab. (n = Anzahl der Knoten im AllenNetz). O(n 2 ) für äußere Schleife: höchstens 13mal (Anzahl der Relationen) für jedes der n 2 Paare (t 1,t 2 ) T x T, O(n) für innere Schleife. Beim Abbruch wird das korrekte Resultat bzgl. lokaler Konsistenz geliefert. Constraints 102
52 Lokale vs. Globale Konsistenz Dieses Netz ist überall lokal konsistent (und stabil) Constraints 103 Lokale vs. Globale Konsistenz Das TeilNetz hat 2 Modelle, die aber nicht in Konsistenz zum Gesamtnetz stehen. Constraints 104
53 Anwendung des Verfahrens Es gibt lokal konsistente AllenNetze, die nicht global konsistent sind. Verfahren prüft auf lokale Konsistenz Wenn diese nicht vorliegt, ist das Netz auch global inkonsistent Bei lokaler Konsistenz kann unter den verbliebenen Möglichkeiten nach einer globalen Lösung gesucht werden. Constraints 105 Constraints: Weiteres Harte Constraints Weiche Constraints Verbindung mit logischer Programmierung: Constraintlogische Verfahren Constraints 106
Kapitel 3: Constraints
Kapitel 3: Constraints (Dieser Foliensatz basiert teilweise auf Material von Mirjam Minor, Humboldt-Universität Berlin, WS 2000/01) Künstliche Intelligenz, Kapitel 3 Constraints 1 Constraint Satisfaction
MehrKapitel 3: Constraints
Anwendungsbeispiele Stundenplanerstellung Kapitel 3: Constraints (Dieser Foliensatz basiert teilweise auf Material von Mirjam Minor, Humboldt-Universität Berlin, WS 2000/01) Färbeprobleme in Graphen Transportprobleme
Mehr23.1 Constraint-Netze
Grundlagen der Künstlichen Intelligenz 1. April 2015 2. Constraint-Satisfaction-Probleme: Constraint-Netze Grundlagen der Künstlichen Intelligenz 2. Constraint-Satisfaction-Probleme: Constraint-Netze Malte
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 23. Constraint-Satisfaction-Probleme: Constraint-Netze Malte Helmert Universität Basel 13. April 2015 Constraint-Satisfaction-Probleme: Überblick Kapitelüberblick
Mehr2.4 Constraint Satisfaction Suche und Constraints
2.4 Constraint Satisfaction Suche und Constraints Eliminate all other factors, and the one which remains, must be the truth. A. Conan Doyle Constraints sind ein Wissensrepräsentationsformat für das es
MehrModerne Methoden der KI: Maschinelles Lernen
Moderne Methoden der KI: Maschinelles Lernen Prof. Dr.Hans-Dieter Burkhard Vorlesung Sommer-Semester 2008 Konzept-Lernen Konzept-Lernen Lernen als Suche Inductive Bias Konzept-Lernen: Problemstellung Ausgangspunkt:
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/2018
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/2018 23. November 2017 1/40 Satz 4.27 (Multinomialsatz) Seien r, n N 0. Dann gilt für
MehrZusammenhängen und Eigenschaften durch Relationen
Was bisher geschah Modellierung von Aussagen durch Logiken Daten durch Mengen Folgen Sprachen Zusammenhängen und Eigenschaften durch Relationen Definition, Beispiele Operationen auf Relationen: inverse
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Relationen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrLogik I. Symbole, Terme, Formeln
Logik I Symbole, Terme, Formeln Wie jede geschriebene Sprache basiert die Prädikatenlogik erster Stufe auf einem Alphabet, welches aus den folgenden Symbolen besteht: (a) Variabeln wie zum Beispiel v 0,v
MehrGrundlagen der Künstlichen Intelligenz. 9.1 Einführung und Beispiele. 9.2 Constraint-Netze. 9.3 Belegungen und Konsistenz. 9.
Grundlagen der Künstlichen Intelligenz 8. April 201 9. Constraint-Satisfaction-Probleme: Einführung Grundlagen der Künstlichen Intelligenz 9. Constraint-Satisfaction-Probleme: Einführung Malte Helmert
MehrModellierung: Relation (Beziehungen)
Modellierung: Relation (Beziehungen) Hans besitzt das Fahrrad. besitzen Gegenstände x Menschen Gegenstände Fahrrad Kleingeld Villa Menschen Hans Hans Fritz [Villa, Hans] besitzen besitzen(villa, Hans)
MehrSeminar: Algorithmisches in der Geometrie Ausarbeitung zu Vortrag 9. Triangulierungen im Cayley-Graph und Enden von kontextfreien Gruppen
Seminar: Algorithmisches in der Geometrie Ausarbeitung zu Vortrag 9 Triangulierungen im Cayley-Graph und Enden von kontextfreien Gruppen Stefanie Schindler 25. Juni 2010 Zusammenfassung Zunächst machen
MehrDie Prädikatenlogik erster Stufe: Syntax und Semantik
Die Prädikatenlogik erster Stufe: Syntax und Semantik 1 Mathematische Strukturen und deren Typen Definition 1.1 Eine Struktur A ist ein 4-Tupel A = (A; (R A i i I); (f A j j J); (c A k k K)) wobei I, J,
MehrFragen zum Nachdenken: Wie könnte man das Fehlen eines Attribut-Wertes interpretieren?
Attribut-Werte-Paare Eine Eigenschaft kann beschrieben werden durch ein Paar [a,w]. Dabei bezeichnet a das Attribut und w den konkreten Wert aus dem Wertebereich W a des Attributs. Die Eigenschaften eines
MehrTutorium: Diskrete Mathematik
Tutorium: Diskrete Mathematik Vorbereitung der Bonusklausur am 24.11.2016 (Teil 2) 23. November 2016 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler 23. November 2016
MehrMathematik für Informatiker I Mitschrift zur Vorlesung vom
Mathematik für Informatiker I Mitschrift zur Vorlesung vom 18.11.2004 Zur Wiederholung: Das Kartesische Produkt dient dem Ordnen von Mengen. A B = {(a, b) : a A, b B)} Spezialfall A = Äquivalenzrelation
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrVorlesung Diskrete Strukturen Relationen
Vorlesung Diskrete Strukturen Relationen Bernhard Ganter WS 2009/10 Relationen Es seien A und B Mengen. Eine (binäre) Relation zwischen A und B ist eine Teilmenge von A B. Ein wichtiger Spezialfall ist
MehrSeminarvortrag über den Satz von Nielsen-Schreier
Seminarvortrag über den Satz von Nielsen-Schreier Andreas Peter am Karlsruher Institut für Technologie (KIT) 16. April 2010 Zusammenfassung Eine freie Gruppe besteht, grob gesprochen, aus den Wörtern über
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 15: Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische Informatik
Mehr1 Axiomatische Charakterisierung der reellen. 3 Die natürlichen, die ganzen und die rationalen. 4 Das Vollständigkeitsaxiom und irrationale
Kapitel I Reelle Zahlen 1 Axiomatische Charakterisierung der reellen Zahlen R 2 Angeordnete Körper 3 Die natürlichen, die ganzen und die rationalen Zahlen 4 Das Vollständigkeitsaxiom und irrationale Zahlen
MehrTechnische Universität München. Ferienkurs Lineare Algebra 1. Mengenlehre, Aussagen, Relationen und Funktionen. 21. März 2011.
Technische Universität München Ferienkurs Lineare Algebra 1 Mengenlehre, Aussagen, Relationen und Funktionen 21. März 2011 Tanja Geib Inhaltsverzeichnis 1 Aussagen 1 2 Mengenlehre 3 2.1 Grundlegende Definitionen
MehrKapitel MK:IV. IV. Modellieren mit Constraints
Kapitel MK:IV IV. Modellieren mit Constraints Einführung und frühe Systeme Konsistenz I Binarization Generate-and-Test Backtracking-basierte Verfahren Konsistenz II Konsistenzanalyse Weitere Analyseverfahren
MehrSkript und Übungen Teil II
Vorkurs Mathematik Herbst 2009 M. Carl E. Bönecke Skript und Übungen Teil II Das erste Semester wiederholt die Schulmathematik in einer neuen axiomatischen Sprache; es ähnelt damit dem nachträglichen Erlernen
Mehr3. Untergruppen. 3. Untergruppen 23
3. Untergruppen 23 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/42 Graphische Darstellung von Zusammenhängen schon an vielen Stellen
MehrSeminar Mathematische Logik L-Strukturen und Syntax der Prädikatenlogik
Seminar Mathematische Logik L-Strukturen und Syntax der Prädikatenlogik Linda Raabe 7. März 2012 1 L-Strukturen Definition 1.1 (Struktur) Eine Struktur A ist eine nichtleere Trägermenge A zusammen mit
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)
MehrVorlesung Diskrete Strukturen Relationen
Vorlesung Diskrete Strukturen Relationen Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2009/10 1 Bernhard Ganter, TU Dresden Modul Einführung in die Mathematik
Mehr(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)
3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
MehrWas ist Logik? Was ist Logik? Aussagenlogik. Wahrheitstabellen. Geschichte der Logik eng verknüpft mit Philosophie
Was ist Logik? Geschichte der Logik eng verknüpft mit Philosophie Begriff Logik wird im Alltag vielseitig verwendet Logik untersucht, wie man aus Aussagen andere Aussagen ableiten kann Beschränkung auf
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
MehrMathematische Grundlagen der Computerlinguistik
Centrum für Informations- und Sprachverarbeitung (CIS) 23. Juni 2014 Table of Contents 1 2 Ordnung Ähnlich wie Äquivalenzrelationen den Begriff der Gleichheit generalisieren, generalisieren den Begriff
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrOptimierung. Vorlesung 02
Optimierung Vorlesung 02 LPs in kanonischer Form Für i = 1,, m und j = 1,, d seien c j, b i und a ij reele Zahlen. Gesucht wird eine Belegung der Variablen x 1,, x d, so das die Zielfunktion d c j x j
MehrAnmerkungen zu Mengen und Abbildungen
Anmerkungen zu Mengen und Abbildungen Kartesisches Produkt von n Mengen und n-stellige Relationen Sind M 1, M,, M n nichtleere Mengen, so ist ihr kartesisches Produkt erklärt als Menge aller geordneter
MehrEin Constraint c C heißt n-stellig, wenn es von n Variablen abhängt. mit w i D(x i ) für i = 1,...,n.
8. Constraints Definition 8.7. Ein Constraintproblem (constraint satisfaction problem, CSP) besteht aus einer endlichen Menge von ariablen, Western Australia Northern erritory South Australia asmania Queensland
MehrMassive Parallelität : Neuronale Netze
Massive Parallelität : Neuronale Netze PI2 Sommer-Semester 2005 Hans-Dieter Burkhard Massive Parallelität : Neuronale Netze Knoten: Neuronen Neuronen können erregt ( aktiviert ) sein Kanten: Übertragung
MehrDie reellen Zahlen als Dedekindsche Schnitte. Iwan Otschkowski
Die reellen Zahlen als Dedekindsche Schnitte Iwan Otschkowski 14.12.2016 1 1 Einleitung In dieser Ausarbeitung konstruieren wir einen vollständig geordneten Körper aus gewissen Teilmengen von Q, den Dedekindschen
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws13/14
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
MehrEinführung in die Theoretische Informatik
Einführung in die Theoretische Informatik Johannes Köbler Institut für Informatik Humboldt-Universität zu Berlin WS 2013/14 Relationalstrukturen 59 Definition Sei A eine nichtleere Menge, R ist eine k-stellige
MehrAufgabe 3. Sei A eine Menge von Zahlen und neg das Tripel. neg = (A, A, R) A = N A = Z A = R A = R \ {0} mod : N 0 N N 0
Funktionen Aufgabe 1. Finden Sie 3 Beispiele von Funktionen und 3 Beispiele von partiellen Funktionen, die nicht total sind. Es sollten auch mehrstellige Funktionen darunter sein. Aufgabe 2. Zeigen Sie,
MehrEinführung in die Programmierung. Bertrand Meyer. Vorlesung 24: Topological Sort 1: Hintergrund. Topological sort
1 Einführung in die Programmierung Bertrand Meyer Letzte Überarbeitung 23. Januar 2005 2 Vorlesung 24: Topological Sort 1: Hintergrund Topological sort 3 Produzieren Sie eine zu einer gegebenen partiellen
MehrEinführung (1/3) Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (1) Vorlesungen zur Komplexitätstheorie.
Einführung (1/3) 3 Wir verfolgen nun das Ziel, Komplexitätsklassen mit Hilfe von charakteristischen Problemen zu beschreiben und zu strukturieren Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit
MehrDieser Foliensatz darf frei verwendet werden unter der Bedingung, dass diese Titelfolie nicht entfernt wird.
Thomas Studer Relationale Datenbanken: Von den theoretischen Grundlagen zu Anwendungen mit PostgreSQL Springer, 2016 ISBN 978-3-662-46570-7 Dieser Foliensatz darf frei verwendet werden unter der Bedingung,
MehrTheorie der Informatik Übersicht. Theorie der Informatik SAT Graphenprobleme Routing-Probleme. 21.
Theorie der Informatik 19. Mai 2014 21. einige NP-vollständige Probleme Theorie der Informatik 21. einige NP-vollständige Probleme 21.1 Übersicht 21.2 Malte Helmert Gabriele Röger 21.3 Graphenprobleme
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
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
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
Mehr2 Mengen, Abbildungen und Relationen
Vorlesung WS 08 09 Analysis 1 Dr. Siegfried Echterhoff 2 Mengen, Abbildungen und Relationen Definition 2.1 (Mengen von Cantor, 1845 1918) Eine Menge M ist eine Zusammenfassung von wohlbestimmten und wohl
Mehr17 Lineare Abbildungen
Chr.Nelius: Lineare Algebra II (SS2005) 1 17 Lineare Abbildungen Wir beginnen mit der Klärung des Abbildungsbegriffes. (17.1) DEF: M und N seien nichtleere Mengen. Eine Abbildung f von M nach N (in Zeichen:
MehrÜbungen zu Grundbegriffe der Topologie
Übungen zu Grundbegriffe der Topologie A. Čap Wintersemester 2018 (1) Wiederholen Sie die Definition des Durchschnittes i I A i einer beliebigen Familie {A i : i I} von Mengen und zeigen Sie, dass für
Mehr3. Für beliebiges A bezeichnet man die Menge A A manchmal auch mit A 2 (in Worten:
35 4 Paarungen 4. Produktmengen Die Mengen {x, y} und {y, x} sind gleich, weil sie die gleichen Elemente enthalten. Manchmal legt man aber zusätzlich Wert auf die Reihenfolge der Elemente. Die Objekte
MehrGrundlagen der theoretischen Informatik
Grundlagen der theoretischen Informatik Kurt Sieber Fakultät IV, Department ETI Universität Siegen SS 2013 Vorlesung vom 09.04.2013 Inhalt der Vorlesung Teil I: Automaten und formale Sprachen (Kurt Sieber)
MehrLogik für Informatiker
Logik für Informatiker Vorlesung 5: Normalformen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 2. November 2017 1/37 MOTIVATION FÜR AUSSAGENLOGIK Aussagenlogik
MehrMathematische Grundlagen der Computerlinguistik Relationen und Funktionen
Mathematische Grundlagen der Computerlinguistik Relationen und Funktionen Dozentin: Wiebke Petersen 2. Foliensatz Wiebke Petersen math. Grundlagen 20 n-tupel und Cartesisches Produkt Mengen sind ungeordnet,
MehrTableaukalkül für Aussagenlogik
Tableaukalkül für Aussagenlogik Tableau: Test einer Formel auf Widersprüchlichkeit Fallunterscheidung baumförmig organisiert Keine Normalisierung, d.h. alle Formeln sind erlaubt Struktur der Formel wird
MehrGeometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen
Geometrische Objekte im -dimensionalen affinen Raum Bekanntlich versteht man unter geometrischen Objekten Punktmengen, auf die man die üblichen Mengenoperationen wie z.b.: Schnittmenge bilden: - aussagenlogisch:
Mehr2.4 Verallgemeinerte Ungleichungen
2.4 Verallgemeinerte Ungleichungen 2.4.1 Eigentliche Kegel und verallgemeinerte Ungleichungen Ein Kegel K R heißt eigentlicher Kegel, wenn er die folgenden Bedingungen erfüllt: K ist konvex K ist abgeschlossen
MehrTechnische Universität Berlin Fakultät IV - Elektrotechnik und Informatik. Schriftlicher Test - Teilklausur 1
1. Teilklausur GKI Seite 1 von 5 Technische Universität Berlin Fakultät IV - Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen WS 2014/2015 Albayrak, Fricke (AOT) Opper,
MehrGrundbegriffe der Topologie. V. Bangert. (zur Vorlesung Differentialgeometrie, WS 12/13 )
01.10.2012 Grundbegriffe der Topologie V. Bangert (zur Vorlesung Differentialgeometrie, WS 12/13 ) Def. 0.1 Ein topologischer Raum ist eine Menge X zusammen mit einem System O von Teilmengen von X, das
MehrOrdinalzahlen. Sei (X, ) eine total geordnete Menge und a X. Dann
Ordinalzahlen Im Rahmen der Ordnungsrelationen wurden bisher die Begriffe Partialordnung und Totalordnung (lineare Ordnung) erwähnt. Ein weiterer wichtiger Ordnungsbegriff ist die Wohlordnung. Wohlgeordnete
MehrOrdnungsrelationen auf Mengen
Ordnungsrelationen auf Mengen Eine (partielle) Ordnungsrelation oder kurz Ordnung O auf einer Menge M ist eine Relation, die reflexiv, antisymmetrisch und transitiv ist. Beispiel: M = { 1, 2, 3 }, O =
MehrGrundlagen der Theoretischen Informatik
1 Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Wintersemester 2014/15 2 Notation für Wörter w a is die Anzahl der Vorkommen von
Mehr5.9 Permutationsgruppen. Sei nun π S n. Es existiert folgende naive Darstellung: Kürzer schreibt man auch
5.9 Permutationsgruppen Definition 103 Eine Permutation ist eine bijektive Abbildung einer endlichen Menge auf sich selbst; o. B. d. A. sei dies die Menge U := {1, 2,..., n}. S n (Symmetrische Gruppe für
MehrAusnutzen der Netzstruktur
Ausnutzen der Netzstruktur Im Australien-Färbeproblem Tasmanien unabhängig vom Rest färbbar Lösungskomplexität eigentlich O(3 6 +3 1 )=O(3 6 ) statt O(3 7 ) Zerlegbarkeit von Problemen als allgemeine Struktur-Heuristik
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrKAPITEL 6. Algebra Gruppen
KAPITEL 6 Algebra 6.. Gruppen Bekannt sind die Kongruenzklassen, bijektive Abbildungen, Permutationen. Wir hatten in diesen Fällen eine Verknüpfung auf einer Menge. (Addition bzw. Multiplikation bei den
MehrLösungen zu Kapitel 2
Lösungen zu Kapitel 2 Lösung zu Aufgabe 1: Wir zeigen die Behauptung durch vollständige Induktion über n. Die einzige Menge mit n = 0 Elementen ist die leere Menge. Sie besitzt nur sich selbst als Teilmenge,
MehrEinführung in die mathematische Logik
Prof. Dr. H. Brenner Osnabrück SS 2014 Einführung in die mathematische Logik Vorlesung 5 Das Lemma von Zorn Wir möchten im Folgenden zeigen, dass eine widerpruchsfreie Menge Γ L V von Aussagen nicht nur
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/59 Graphische Darstellung von Zusammenhängen schon
Mehri=1 j= 5 2. Verifizieren Sie die Gleichung indem Sie die Ausdrücke ohne Summenzeichen schreiben. j=0
Übungen zur Einführung in die Analysis (Einführung in das mathematische Arbeiten WS 2017 1. Schreiben Sie die folgenden Ausdrücke ohne Verwendung von Summen- bzw. Produktzeichen: 7 2 3 5 k 2k+1, a k, 2
MehrLogische Grundlagen der Mathematik, WS 2014/15
Logische Grundlagen der Mathematik, WS 2014/15 Thomas Timmermann 12. November 2014 Darstellung natürlicher Zahlen durch Mengen 1. Wie können wir natürliche Zahlen durch Mengen darstellen? Idee 0 = und
MehrFinden Sie eine Relation R und eine Menge A so dass
Relationen Aufgabe 1. Überlegen Sie, wie man folgende Relationen R grafisch darstellen könnte und entscheiden Sie, ob die Relationen reflexiv auf A, symmetrisch bzw. transitiv sind. Geben Sie eine kurze
Mehr1 0, x C X (A). = 1 χ A(x).
Aufgabe 1 a) Wir müssen nur zeigen, dass χ A B (x) = χ A (x) χ B (x) für alle x X gilt. (Dass χ A χ B Abbildung von X in {0, 1} ist, ist klar.) Sei also x X beliebig. Fall 1: x A B. Dies bedeutet x A und
MehrZur Zykelschreibweise von Permutationen
Zur Zykelschreibweise von Permutationen Olivier Sète 16. Juni 2010 1 Grundlagen Definition 1.1. Eine Permutation von {1, 2,..., n} ist eine bijektive Abbildung σ : {1, 2,..., n} {1, 2,..., n}, i σ(i).
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 23. Constraint-Satisfaction-Probleme: Pfadkonsistenz Malte Helmert Universität Basel 14. April 2014 Constraint-Satisfaction-Probleme: Überblick Kapitelüberblick Constraint-Satisfaction-Probleme:
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
MehrLogische und funktionale Programmierung
Logische und funktionale Programmierung Vorlesung 11: Logikprogramme Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 19. Dezember 2016 1/55 WIEDERHOLUNG: HORN-KLAUSELN
MehrLogik und Künstliche Intelligenz
Logik und Künstliche Intelligenz Kurze Zusammenfassung (Stand: 14. Januar 2010) Prof. Dr. V. Stahl Copyright 2007 by Volker Stahl. All rights reserved. V. Stahl Logik und Künstliche Intelligenz Zusammenfassung
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
MehrLogik erster Stufe FO
Logik erster Stufe FO Sonderstellung als die Logik für die Grundlegung der Mathematik natürliche Semantik (Tarski) und große Ausdrucksstärke vollständige Beweiskalküle (Gödelscher Vollständigkeitssatz)
MehrMathematik II. Vorlesung 46. Der Gradient
Prof. Dr. H. Brenner Osnabrück SS 2010 Mathematik II Vorlesung 46 Der Gradient Lemma 46.1. Es sei K ein Körper und V ein K-Vektorraum, der mit einer Bilinearform, versehen sei. Dann gelten folgende Aussagen
Mehr4. ggt und kgv. Chr.Nelius: Zahlentheorie (SS 2007) 9
Chr.Nelius: Zahlentheorie (SS 2007) 9 4. ggt und kgv (4.1) DEF: Eine ganze Zahl g heißt größter gemeinsamer Teiler (ggt) zweier ganzer Zahlen a und b, wenn gilt: GGT 0 ) g 0 GGT 1 ) g a und g b GGT 2 )
MehrOrdnungsrelationen auf Mengen. Beispiel einer Ordnungsrelation. Spezielle Elemente von Ordnungen. Spezielle Elemente von Ordnungen
Ordnungsrelationen auf Mengen! Eine (partielle) Ordnungsrelation oder kurz Ordnung O auf einer Menge M ist eine Relation, die reflexiv, antisymmetrisch und transitiv ist. Beispiel: M = { 1, 2, 3 }, O =
MehrOrdnungsrelationen auf Mengen
Ordnungsrelationen auf Mengen Eine (partielle) Ordnungsrelation oder kurz Ordnung O auf einer Menge M ist eine Relation, die reflexiv, antisymmetrisch und transitiv ist. Beispiel: M = { 1, 2, 3 }, O =
MehrDiskrete Strukturen Endterm
Technische Universität München I7 Winter 2013/14 Prof. J. Esparza / Dr. M. Luttenberger LÖSUNG Diskrete Strukturen Endterm Beachten Sie: Soweit nicht anders angegeben, ist stets eine Begründung bzw. der
MehrAnwendungen der Logik, SS 2008, Martin Goldstern
Anwendungen der Logik, SS 2008, Martin Goldstern Total geordnete Körper Ein total geordneter Körper ist ein Körper (K, +,, 0, 1, ) mit einer totalen (=linearen) Ordnung, die mit den Operationen verträglich
MehrAufgaben zur Verbandstheorie
TU Bergakademie Freiberg WS 2005/06 Institut für Diskrete Mathematik & Algebra Prof. Dr. Udo Hebisch Aufgaben zur Verbandstheorie 1. Für ein beliebiges n IN sei X n die Menge aller Teiler von n. Definiert
MehrTechnische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt
Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl-Math. A. Würfl, Dipl-Math. S. König Weihnachtsblatt Aufgabe W.1 Untersuchen Sie nachstehenden
MehrMusterlösung 11.Übung Mathematische Logik
Lehr- und Forschungsgebiet Mathematische Grundlagen der Informatik RWTH Aachen Prof. Dr. E. Grädel, F. Reinhardt SS 2015 Aufgabe 2 Musterlösung 11.Übung Mathematische Logik Geben Sie für die folgenden
MehrMustermann, Erika. Aufgabe 1. Zeichnen Sie die Spur des Weges c : [ π 2, π] R 2, der durch. 2cos(t) 2
Aufgabe. Zeichnen Sie die Spur des Weges c : [ π, π] R, der durch ct := cost sint + definiert ist, in das Koordinatensystem unten auf dieser Seite ein. Für die volle Punktzahl ist nur die korrekte Zeichnung
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
MehrRelationen und Funktionen
Vorkurs Mathematik Dr. Regula Krapf Sommersemester 018 Relationen und Funktionen Definition. Seien M und N Mengen. Eine Relation auf M N ist eine Teilmenge R M N. Falls (x,y) R, so schreibt man auch x
Mehr