als Bewertungsfunktion g(n) eines Knotens n wird der tatsächliche Weg vom Startzustand zu diesem Knoten benutzt
|
|
- Günther Kraus
- vor 5 Jahren
- Abrufe
Transkript
1 5 Suche 12. Vorlesung: Bestensuche; Goal Trees best-first search einfache Bestensuche: als Bewertungsfunktion g(n) eines Knotens n wird der tatsächliche Weg vom Startzustand zu diesem Knoten benutzt Bewertungsfunktion eines Knotens n beim A*-Algorithmus: f(n) = g(n) + h(n) g(n): tatsächlicher Weg des aktuell besten Weges vom Startknoten zum Knoten n h(n): geschätzter Aufwand für den verbleibenden Weg vom Knoten n zum Zielknoten Der geschätzte Aufwand h(n) für den verbleibenden Weg muß den tatsächlichen Aufwand h*(n) unterschätzen oder identisch sein. Nur dann wird der optimale Weg vom Start zum Ziel gefunden.! "
2 Eine ganze Reihe von Kontrollstrukturen für die Suche ist entwickelt worden, die hier in der Übersicht aufgeführt sind. Bei Bedarf siehe auch: Handbook of Artificial Intelligence, Volume 1, Kap. II Search Breitensuche generate and test branch and bound semi-independent control hill climbing A*-Algorithmus Problemreduktion AO*-Algorithmus constraint satisfaction semantische Metaregeln Tiefensuche Tiefensuche Bestensuche Vorwärtssuche: jede Operator-Anwendung erzeugt nur ein neues Objekt (einen neuen Zustand im Problemraum ) ZUSTANDSRAUM-REPRÄSENTATION Rückwärtssuche: 1. Fall: wie oben (jeweils ein neues Unterziel) Bsp.: LOGIC THEORIST 2. Fall: eine Operator-Anwendung erzeugt mehrere Unterziele, die jeweils in Konjunktion zu lösen sind problemunabhängig problemspezifisch! " % PROBLEMREDUKTIONS- REPRÄSENTATION! " '
3 Spezialfall des allgemeinen Suchproblems: Erfüllung eines Ziels, das sich in Teilziele zerlegen läßt. Wenn es mehrere Methoden, die Erfüllbarkeit von (Teil-)zielen zu prüfen, suche eine erfolgreiche. Zwei Knotentypen: ODER-Knoten: alternative Methoden UND-Knoten: simultan zu erfüllende Ziele (Ziel wird durch Konjunktion von Teilzielen ersetzt) SUCCESS-Knoten ( Erfolgsknoten ): Blattknoten, das sind UND- Knoten, die sich nicht weiter in Teilziele aufspalten lassen! " ( Essen ODER-Knoten Geld verdienen Essen stehlen Geld borgen UND-Knoten Arbeit finden Buch schreiben zur Bank gehen Sicherheiten finden Arbeitsamt konsultieren Bewerbung vorbereiten Termin machen Anzug anziehen! " )
4 +, -. / : - ; < = > 7 4? / A 4 /? In Goal Trees formulieren CONSTRAINTS Randbedingungen an die Lösung eines (nonsuccess-)und-knotens, die von den in Konjunktion zusammenzusetzenden Teillösungen des UND-Knotens gemeinsam erfüllt werden müssen. Zum Beispiel könnte gefordert werden: daß die Summe der Kosten der Teillösungen durch einen Wert beschränkt ist daß die Variablenbindungen gleich benannter Variablen in den Teillösungen auch tatsächlich gleich sind, etc.! " * S K C T F M U O C U K M P V M P C M W N X M G D I F K M D G Y F M U C M Z [ S \ ] M X D C M J ^ G G C M U V I N H U K C _ C K ` ` a G V M P C M K M ] X M b V M L D K X M C I c ^ ` ` D E C I U C M d C D E F G G C H I F J C I K L F M K G N H F O C I C K M P Q M P K P R R R! " B
5 f f f f f f ODER-Knoten durch Ziffern, UND-Knoten durch Buchstaben gekennzeichnet SUCCESS-Knoten sind formal UND-Knoten, die keine Tochterknoten haben (Blattknoten) Jeder nonsuccess- UND-Knoten kann einen zugeordneten Ein UND-Knoten ist gelöst, wenn alle CONSTRAINT Tochterknoten so gelöst sind, das ihr haben CONSTRAINT erfüllt ist. (sonst: purer Ein ODER-Knoten ist gelöst, wenn einer UND-ODER- der Tochterknoten gelöst ist. Baum) Der Goal Tree ist gelöst, wenn sein Wurzelknoten gelöst ist.! " e (grossvater?u) (grossvater?x?y) (grossvater?x?y) 1 2?x?z)?z?y)?x?z) (mutter?z?y) hans) klara) hans) klara) hans) klara) (mutter klara peter) FRAGE: Was sind hier die Constraints an den UND-Knoten? daß die Variablenbindungen gleich benannter Variablen in den Teillösungen auch tatsächlich gleich sind! " g
6 Problem: Nach dem bisher Gesagten ist Goal-Tree-Suche nicht ohne weiteres als Spezialfall des allgemeinen Suchalgorithmus search search untersucht nur Alternativen (ODER-Knoten), keine simultan zu erfüllenden Teilziele (UND-Knoten)! Idee: Zu einem gegebenen Goal Tree wird ein Suchraum als Raum von Teillösungen des Goal Trees definiert. Die Töchter eines Knotens sind Fortsetzungen des Knotens, bei denen genau eine weitere Festlegung getroffen wird.! " h U C C i j M D E C I c C C K M C M k l ` F M m F ` G n F V J G D I V L D V I J a P ` K N H C I o L D K X M C M p U K C C I E X P C M E C I U C M L a M M C M p V J U F G k _ X q r X F ` m U C G r X F ` _ I C C G s V C I c ^ ` ` C M R R R! "
7 ! " % ACHTUNG: Es gibt alternative mögliche Extensionen der UND-Knoten, die aber keine echt verschiedenen Pläne erbringen. Die Reihenfolge der Generierung von Teilplänen kann jedoch die Größe des Suchraums beeinflussen!! " '
8 Teillösung eines Knotens n: ein Teilbaum mit Wurzel n, der falls er einen ODER-Knoten m enthält, auch genau einen der Tochterknoten von m enthält Vollständige Lösung eines Knotens n: eine Teillösung von n, die, falls sie einen UND-Knoten m enthält, (1) auch alle Tochterknoten von m enthält und (2) deren Lösungen ferner C(m), dem Constraint an m, genügen Lösung eines gesamten Goal Trees: eine vollständige Lösung seiner Wurzel 0 Fortsetzung s2 (Extension) einer Teillösung s1: falls s2 ein Baum mit allen Knoten von s1 ist und zusätzlich 0 oder mehrere Knoten mit weiteren Festlegungen enthält! " ( Start Ziel Ziel Suchraum t Suchproblem: charakterisiert durch Startzustand und Zielzustandsbeschreibung (goal-state description) t Operatoren: können einen Zustand in einen anderen transformieren t Suchraum: Menge aller Zustände, die man durch Anwendung einer Folge von Teilziele Goal Tree t beschreibt eine Situation, in der ein Ziel durch das Lösen von Teilzielen erreicht werden kann t jedes Teilziel kann aus mehreren Teilen bestehen, die konsistent zu lösen sind t Zwei Knotentypen: ODER: für Alternativen UND: für simultane Teilziele t jeder nonsuccess-und-knoten kann eine Randbedingung an Operatoren erreichen kann die Lösung haben (constraint)! " )
9 Jeder Goal Tree kann in einen normalen Suchraum alternativer Möglichkeiten umformuliert werden! Ein Goal Tree ist ein abstraktes Objekt, das einen Alternativenraum aufspannt und in der Regel nicht explizit im Computer repräsentiert ist. Denkweise für Teillösungen im zugeordneten Suchraum: bisher gemachte Festlegungen noch mögliche Festlegungen (eingeschränkt durch die bisherigen) u v w x y w v z { } ~ v v w v ~ ƒ ~ v u v w v ƒ v ˆ ~ z v z Š x Œ x x ƒ Ž v w v v Œ v v ~ v w x Œ v } ~ v ~ ƒ v w v v Œ v Ž } ~ v ƒ v ~ } ƒ v ~ ƒ v ~ v } ~ v Š Œ z w Ž v w ƒ ~ Ž v ~ v w x Œ v ~ v v Ž z v v w Œ v x Ž ~ } w x! " * ATN-Parsing als Suchproblem Anfängliche Wahl der ersten Regel zieht weitere Festlegungen nach sich (was für eine np? usw.) Grammatik š mit š Regeln œ ž š š! " B
10 Der Suchraum eines Syntax-Parsers kann dadurch eingeschränkt werden, daß Semantikbetrachtungen zur Steuerung des Parsers herangezogen werden. entspricht der Verwendung einer Zustandsbewertungsfunktion für search: Schätzung der Distanz zum nächsten Zielzustand bzw. der Kosten für den nächsten Zielzustand Kostenmaß wäre anzugeben für die semantische Plausibilität von Teil- Parses Effekt: semantisch plausiblere Zerlegungen würden zuerst weiter exploriert werden.! " e eine weitere Anwendung von Goal Trees Spielbaum = Suchraum altenativer Spielverläufe Aufgabe: Finde eine vollständige Gewinnstrategie In Abschnitt 5.4 [Charniak McDermott] findet man Erläuterungen zu Bewertungsfunktion (static board evaluator) look-ahead-depth Minimax search Alpha-Beta-Pruning (Frage jeweils: Was kann bei der Suche unexploriert bleiben, da garantiert irrelevant?) Charniak McDermott, Kapitel 5, Seite Bei weiterem Interesse: Seite ! " g
2 Problemlösen und Suche
2 Problemlösen und Suche 5. Vorlesung: Means-Ends-Analysis, Diskriminationsnetze; Goal Trees Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2011/2012 Problemlösestrategien 5. Vorlesung Methoden
Mehr2 Problemlösen und Suche
Universität Bielefeld Was ist Problemlösen? Problemlösen und Suche. Vorlesung: Suchprobleme und Suchalgorithmen; heuristische Suche Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 003/00 Unter Problemlösen
Mehr3. Übung Künstliche Intelligenz
Prof. Dr. Gerd Stumme, Robert Jäschke Fachgebiet Wissensverarbeitung 3. Übung Künstliche Intelligenz 21.11.2007 Wintersemester 2007/2008 1 Suche Berechnen Sie mit dem Greedy -Suchalgorithmus den Weg von
Mehr2 Problemlösen und Suche
2 Problemlösen und Suche 4. Vorlesung: Suchprobleme und Suchalgorithmen; heuristische Suche Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2008/2009 Kernfragen der Vorlesung 1. Wie lässt sich Wissen
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?
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
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
MehrEinführung in Suchverfahren
Einführung in Suchverfahren Alfred Kranstedt 0.0.0 Seminar Intelligente Algorithmen Was ist heute Thema?. Was ist ein Suchproblem? Definitionen, Darstellungen etc.. Suchstrategien Blinde Suche Heuristische
Mehr9. Heuristische Suche
9. Heuristische Suche Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S Heuristische Suche Idee: Wir nutzen eine (heuristische)
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
Mehr2 Problemlösen und Suche
Universität Bielefeld Kontrollstrategien für die Suche 2 Problemlösen und Suche Kontrollstrategie problemunabhängig (Teil-)Übersicht: Breitensuche 6. Vorlesung: Constraint Satisfaction, Planen wissensgestützte
Mehr2 Problemlösen und Suche
2 Problemlösen und Suche 6. Vorlesung: Constraint Satisfaction, Planen, wissensgestützte Suche Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2012/2013 Kontrollstrategien für die Suche Kontrollstrategie
MehrHeuristische Suchverfahren
Heuristische Suchverfahren Suchprozesse sind ein wichtiger Bestandteil unterschiedlicher Problemlöseverfahren z.b. Bestimmung der Konfliktmenge in Produktionssystemen Suche nach resolvierbaren Klauseln
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
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 4: Suchverfahren Informierte Suche 1/135 WIEDERHOLUNG BISLANG... Uninformierte Strategien: bearbeiten den Suchraum systematisch, aber ohne problemspezifisches Wissen ab.
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
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
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 3: Suchverfahren Informierte Suche 1/78 WIEDERHOLUNG Bislang uninformierte Strategien BFS, DFS, Iteratives Vertiefen, Bidirektionale Suche Wichtige Begriffe: Suchraum,
Mehr6. Spiele Arten von Spielen. 6. Spiele. Effizienzverbesserung durch Beschneidung des Suchraums
6. Spiele Arten von Spielen 6. Spiele Kombinatorische Spiele als Suchproblem Wie berechnet man eine gute Entscheidung? Effizienzverbesserung durch Beschneidung des Suchraums Spiele mit Zufallselement Maschinelles
MehrGeneral Problem Solver Ð GPS (Newell, Simon und Shaw) Hauptaspekt von ãmeans-endsò. 5 Problemlösen und Suche. Methoden der KŸnstlichen Intelligenz
Probemšsestrategien 5 Probemösen und Suche 8. Voresung: Means-Ends-Anaysis, Diskriminationsnetze; Goa Trees Methoden der KŸnstichen Inteigenz Ipke Wachsmuth ÊWS 000/00 8. Voresung Methoden der KŸnstichen
MehrPlanen als heuristische Suche
Yan Yao 1 Planen als heuristische Suche WS 06/07 Hauptseminar Problemlösen & Planen Yan Yao Yan Yao 2 Inhalt Einführung STRIPS-Zustandsmodell Heuristik HSP 2.0 - ein heuristischer Suchplaner Fazit und
MehrSokoban. Knowledge Engineering und Lernen in Spielen. Mark Sollweck Fachbereich 20 Seminar Knowledge Engineering Mark Sollweck 1
Sokoban Knowledge Engineering und Lernen in Spielen Mark Sollweck 29.04.2010 Fachbereich 20 Seminar Knowledge Engineering Mark Sollweck 1 Überblick Sokoban Spielregeln Eigenschaften Lösungsansatz IDA*
MehrSmart Graphics: Search 1
Smart Graphics: Search 1 Lecture Smart Graphics Andreas Butz 23.11.2010 1 Über den Studiengang und das Forschungsgebiet Medieninformatik informieren Studenten, Interessenten sowie deren Familie und Freunde
Mehr6 Logik und Deduktion
$ $ $ $ 6 Logik und Deduktion 16. Vorlesung: Skolemisierung Rückwärtsverkettung und Goal Trees Skolemisierung allgemeines Verfahren, um PL-Formeln für maschinelle Deduktion vorzubereiten Rückwärtsverkettung
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
Mehr2. Spiele. Arten von Spielen. Kombinatorik. Spieler haben festgelegte Handlungsmöglichkeiten, die durch die Spielregeln definiert werden.
. Spiele Arten von Spielen. Spiele. Spiele Arten von Spielen Kombinatorik Spieler haben festgelegte Handlungsmöglichkeiten, die durch die Spielregeln definiert werden. Kombinatorische Spiele als Suchproblem
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
MehrKünstliche Intelligenz
Künstliche Intelligenz 3. Suche Dr. Claudia Schon schon@uni-koblenz.de Institute for Web Science and Technologies 1 Diese Folien basieren auf den Folien von PD Dr. Matthias Thimm, Universität Koblenz-Landau,
MehrWiederholung / berblick. bersicht. Wdh: Allgemeiner Suchalgorithmus. 4 Problemlösen und Suche. Methoden der KŸnstlichen Intelligenz
Wiederhoung / berbick 4 Probemösen und Suche 8. Voresung: Suche: Vermeidung wiederhoter Zustände; Goa Trees; Game Trees Methoden der KŸnstichen Inteigenz Bernhard Jung Ê WS 2001/2002 u VL 7: Agemeine Suchverfahren
MehrÜbungsblatt 2 Lösungen
rundlagen der Künstlichen Intelligenz Prof. Dr. J. Boedecker, Prof. Dr. W. Burgard, Prof. Dr. F. Hutter, Prof. Dr. B. Nebel M. Krawez, T. chulte ommersemester 08 Universität Freiburg Institut für Informatik
MehrSeite 1 von 13 Name: Aufgabe 1: Suchalgorithmen (a) (4 Punkte ) Gegeben ist folgendes Streckennetz:
Seite 1 von 13 Aufgabe 1: Suchalgorithmen (a) (4 ) Gegeben ist folgendes Streckennetz: (12 ) B D A F Z C E Zeigen Sie durch Handsimulation wie mit dem Tiefensuch-Algorithmus ein (nicht notwendig optimaler)
MehrA O T Agententechnologien in betrieblichen Anwendungen und der Telekommunikation
Gliederung Grundlagen der Künstlichen Intelligenz Problemlösen II: Informierte Suche und Constrainterfüllung 7.. rijnesh J Jain, bjj@dai-labor.de Stefan Fricke stefan.fricke@dai-l-abor.de Agententechnologien
MehrGraph Suchalgorithmus Uninformierte Suche Informierte Suche. Pfadsuche. Mario Mohr. GWV-Tutorium 2013/ Januar 2014
Pfadsuche Mario Mohr GWV-Tutorium 2013/14 17. Januar 2014 4 Informierte Suche Heuristik Best-first A* 1 Graph 2 Suchalgorithmus 3 Uninformierte Suche Breadth-first Loop detection & multiple-path pruning
MehrHeuristische Suche. Uninformierte (blinde) Suchverfahren. erzeugen systematisch neue Knoten im Suchbaum und führen jeweils den Zieltest durch;
Heuristische Suche Uninformierte (blinde) Suchverfahren erzeugen systematisch neue Knoten im Suchbaum und führen jeweils den Zieltest durch; verwenden keine problemspezifische Zusatzinformation. Informierte
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.
MehrGroße Lösungsräume. Leon Schmidtchen Hallo Welt Seminar - LS Leon Schmidtchen Große Lösungsräume Hallo Welt Seminar - LS2
Große Lösungsräume Leon Schmidtchen 1.06.201 Hallo Welt Seminar - LS 2!1 Gliederung Motivation Brute Force Backtracking Pruning Leon Schmidtchen Branch & Bound 1.06.201 Hallo Welt Seminar - LS 2 Wann soll
MehrDer Branching-Operator B
Branching 1 / 17 Der Branching-Operator B Unser Ziel: Löse das allgemeine Minimierungsproblem minimiere f (x), so dass Lösung(x). B zerlegt eine Menge von Lösungen in disjunkte Teilmengen. Die wiederholte
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen --- Vorlesung vom 24.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation (IS) 3. Uninformierte
MehrTop-down Bottom-up Divide & Conquer Dynamisches Programmieren Caching (Memoization) Branch-and-Bound Greedy
2.2 Entwurfsparadigmen Top-down Bottom-up Divide & Conquer Dynamisches Programmieren Caching (Memoization) Branch-and-Bound Greedy 1 Top-Down Zerlege das gegebene Problem in Teilschritte Zerlege Teilschritte
MehrDefinition von Planung
Definition von Planung Problembereich: Zustandsraum und Operatoren Planungsproblem: Ausgangs- und Zielzustand Lösung: Folge von Operatoren zur Überführung des Ausgangszustandes in den Zielzustand im Grundansatz
MehrGeneral Video Game AI Competition 2016
General Video Game AI Competition 2016 BFS, MCTS und GA - Einführung Miriam Moneke, Nils Schröder, Tobias Joppen Christan Wirth, Prof. J. Fürnkranz 27.04.2016 Fachbereich Informatik Knowledge Engineering
MehrProgrammierkurs Prolog, SS 2000
Programmierkurs Prolog SS 2000 Universitaet Dortmund nach Joachims 1998 Suche Repräsentation von Bäumen Repräsentation von Graphen Suchstrategien DFS, BFS, Iterative Deepening, Locale Heuristiken, Globale
MehrWissensbasierte Systeme
WBS4 Slide 1 Wissensbasierte Systeme Vorlesung 4 vom 03.11.2004 Sebastian Iwanowski FH Wedel WBS4 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien
MehrSuche. Sebastian Stüker
Institut für Anthropomatik Suche Sebastian Stüker 11.01.2010 Interactive Systems Labs X.Huang/Acero/Hon, Spoken Language Processing : Kapitel 12,13 Konferenzartikel: Hagen Soltau, Florian Metze, Christian
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
MehrSo suchen Sie zuerst nach der Breite
Künstliche Intelligenz 3. Suche Dr. Claudia Schon schon@uni-koblenz.de Institute for Web Science and Technologies 1 Diese Folien basieren auf den Folien von PD Dr. Matthias Thimm, Universität Koblenz-Landau,
MehrEinführung in die Methoden der Künstlichen Intelligenz. Klausurvorbereitung Überblick, Fragen,...
Einführung in die Methoden der Künstlichen Intelligenz Klausurvorbereitung Überblick, Fragen,... PD Dr. David Sabel SoSe 2014 Stand der Folien: 18. Juli 2014 Klausur Termin: Donnerstag 31. Juli um 9.15h
MehrTeil 3. Suchverfahren
Teil 3 Suchverfahren Überblick Suchproblem Allgemeines Suchverfahren Nicht informierte Suche Informierte Suche Iterative Suche Spiele Beispiel 1 Beispiel 1 Beispiel 1 SUCHPROBLEME Problemlösen durch Suche
MehrProgrammierkurs Python II
Programmierkurs Python II Michaela Regneri & Stefan Thater FR 4.7 Allgemeine Linguistik (Computerlinguistik) Universität des Saarlandes Sommersemester 2011 Prüfungsleistungen Klausur am Semesterende -
MehrKapitel 5: Suchverfahren: Backtracking
Kapitel 5: Suchverfahren: Backtracking Prof. Dr. F. Otto (Universität Kassel) Entwurf und Analyse von Algorithmen 278 / 541 Suchverfahren: Backtracking Viele Probleme lassen sich als Suchprobleme formulieren.
MehrSandro Pirkwieser, (Bin Hu, Jakob Puchinger) SS 2010
Lösungsverfahren für Ganzzahlige Optimierung Sandro Pirkwieser, (Bin Hu, Jakob Puchinger) Fortgeschrittene Algorithmen und Datenstrukturen Arbeitsbereich für Algorithmen und Datenstrukturen Institut für
MehrHallo Welt für Fortgeschrittene
Hallo Welt für Fortgeschrittene Große Lösungsräume Maximilian Seitzer Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Große Lösungsräume Worum geht s hier? Für viele wichtige Probleme sind
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen --- Vorlesung vom 21.4.2009 --- Informierte Suche Suche mit Vorwissen Ingo J. Timm, René Schumann Professur für Wirtschaftsinformatik und Simulation (IS) Wiederholung
MehrKapitel 2: Suche. Problemzerlegung. Interpretation als Und-Oder-Baum bzw. -Graph. Eigenschaften und Verbesserungen von A*
Problemzerlegung Kapitel 2: Suche Teil 2 Ein weiteres Modell zur Formulierung von Suchproblemen ist die Problemzerlegung. Sie arbeitet auf Mengen von (Teil-)Problemen. Der Übergang zwischen zwei Problemmengen
MehrKlausur Informatik B April Teil I: Informatik 3
Informatik 3 Seite 1 von 8 Klausur Informatik B April 1998 Teil I: Informatik 3 Informatik 3 Seite 2 von 8 Aufgabe 1: Fragekatalog (gesamt 5 ) Beantworten Sie folgende Fragen kurz in ein oder zwei Sätzen.
MehrUniversität Koblenz-Landau Fachbereich Informatik Klausur KI-Programmierung WS 2007/2008. Jun.-Prof. Dr. B. Beckert. 21.
Name, Vorname: Matrikel-Nr.: Studiengang: Universität Koblenz-Landau Fachbereich Informatik Klausur KI-Programmierung WS 2007/2008 Jun.-Prof. Dr. B. Beckert 21. Februar 2008 Informatik (Diplom) Computervisualistik
MehrWissensbasierte Systeme
WBS3 Slide 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 3: Algorithmische Grundlagen der KI WBS3 Slide 2 Suchstrategien Warum sind Suchstrategien so wichtig in Wissensbasierten Systemen?
MehrAn Overview of the Signal Clock Calculus
An Overview of the Signal Clock Calculus, Jennifer Möwert Inhaltsverzeichnis Synchrone Programmiersprachen Clock Calculus Synchrone Paradigmen SLTS Clocks SIGNAL Definitionen Endochrony Bäume, Jennifer
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
MehrÜbersicht. Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
Mehr2. Spielbäume und Intelligente Spiele
2. Spielbäume und Intelligente Spiele Arten von Spielen 2. Spielbäume und Intelligente Spiele Kombinatorische Spiele als Suchproblem Wie berechnet man eine gute Entscheidung? Effizienzverbesserung durch
Mehr3 Logik und Inferenz. Methoden der Künstlichen Intelligenz. 8. Vorlesung: Unifikation; Vorwärts- und Rückwärtsverkettung, Ipke Wachsmuth WS 2008/2009
3 Logik und Inferenz 8. Vorlesung: Unifikation; Vorwärts- und Rückwärtsverkettung, Goal Trees Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2008/2009 Schlussfolgern durch Theorembeweisen INTERFACE
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:
MehrStartzustand. Mögliche heuristische Funktionen:
Informierte Suchverfahren Für größere Suchbäume sind Breiten- und Tiefensuche nicht effizient genug. Vielversprechender sind Ansätze, bei denen Problemwissen zur Steuerung des Suchprozesses eingesetzt
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
MehrÜbersicht. Informierte (heuristische) Suche. Algorithmus Bester-Zuerst-Suche. Bester-Zuerst-Suche
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Constraint-Probleme 6. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres
MehrInformierte Suchverfahren
Informierte Suchverfahren Für größere Suchbäume sind Breiten- und Tiefesuche nicht effizient genug. Vielversprechender sind Ansätze, bei denen Problemwissen zur Steuerung des Suchprozesses eingesetzt wird.
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
MehrSeminar künstliche Intelligenz
Seminar künstliche Intelligenz Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Stefan Görlich mi5517 25.05.2005 Inhalt 1. Einleitung 1.1 Problemstellung 3 1.2 Zielsetzung 3 1.3 Die Suche in öffentlichen
MehrKlausur Grundlagen der Künstlichen Intelligenz
Klausur Grundlagen der Künstlichen Intelligenz 19.04.2007 Name, Vorname: Studiengang: Hinweise: Überprüfen Sie bitte, ob Sie alle 16 Seiten der Klausur erhalten haben. Bitte versehen Sie vor Bearbeitung
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
MehrHeuristische Suchverfahren Zusammenfassung Folien Kapitel 1-4. Definitionen
Heuristische Suchverfahren Zusammenfassung Folien Kapitel -4 202-2-0, AW Basierend auf den Folien (C) Benno Stein, Theodor Lettmann http://www.uni-weimar.de/cms/medien/webis/teaching/lecture-notes.html#search
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
MehrDisjoint Pattern Database Heuristics Seminar im SS 10
Disjoint Pattern Database Heuristics Seminar im SS 10 04.05.2010 Disjoint Pattern Database Heuristics Rebekka Gohla 1 Einleitung Suche nach Möglichkeiten Probleminstanzen effizient zu lösen Verschiedene
MehrBeweis des Pumping Lemmas
Beweis des Pumping Lemmas Die Sprache L sei eine Typ-2 Sprache, d.h. es gibt eine Typ-2 Grammatik G =(V,, P, S) in CNF, so dass L = L(G) gilt. Wir fixieren eine solche Grammatik G und wählen n = 2 V. Nun
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
MehrTheoretische Grundlagen der Informatik. Vorlesung am 17. Januar INSTITUT FÜR THEORETISCHE INFORMATIK
Theoretische Grundlagen der Informatik 0 17.01.2019 Torsten Ueckerdt - Theoretische Grundlagen der Informatik KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft www.kit.edu Evaluation Ergebnisse
MehrEinführung in die Computerlinguistik
Einführung in Computerlinguistik Parsing Dozentin: Wiebke Petersen W 2004/2005 1 Nachtrag zu den Abschlußeigenschaften kontextfreier prachen Kontextfreie prachen sind abgeschlossen bezüglich der Vereinigung
MehrKapitel 2: Suche. Teil 2. (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01)
Kapitel 2: Suche Teil 2 (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01) Künstliche Intelligenz, Kapitel 2 Suche 1 Eigenschaften und Verbesserungen von
MehrWissensbasierte Systeme 3. Problemlösen durch Suche
Wissensbasierte Systeme 3. Problemlösen durch Suche Problemlösende Agenten, Problemformulierungen, Suchstrategien Michael Beetz Plan-based Robot Control 1 Inhalt 3.1 Problemlösende Agenten 3.2 Problemformulierungen
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
MehrGedächtnisprotokoll Diplomprüfung Praktische Informatik
Gedächtnisprotokoll Diplomprüfung Praktische Informatik Prüfer: Prof. Seidl Themen Algorithmen des Data Mining (nach Prof. Seidl) Artificial Intelligence (nach Prof. Lakemeyer; vereinbarter Prüfungsumfang:
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
MehrUniversität Koblenz-Landau Fachbereich Informatik Klausur Einführung in die Künstliche Intelligenz / WS 2003/2004. Jun.-Prof. Dr. B.
Universität Koblenz-Landau Fachbereich Informatik Klausur Einführung in die Künstliche Intelligenz / Künstliche Intelligenz für IM Name, Vorname: Matrikel-Nr.: Studiengang: WS 2003/2004 Jun.-Prof. Dr.
MehrProbabilistisches Parsing Teil II
Ruprecht-Karls-Universität Heidelberg Computerlinguistisches Seminar SS 2002 HS: Parsing Dozentin: Dr. Karin Haenelt Referentin: Anna Björk Nikulásdóttir 10.06.02 1. Parsingmodelle Probabilistisches Parsing
MehrEarly Chess Programs. Seminar Knowlegde Engineering und Lernen in Spielen SS04. Von: Jürgen Georg Lugsch
Early Chess Programs Seminar Knowlegde Engineering und Lernen in Spielen SS04 Von: Jürgen Georg Lugsch Inhalt Turing s Schachsimulation von 1951 NSS Chess Program von 1958 Greenblatt Chess Program von
MehrEinführung in die Künstliche Intelligenz SS 18 Prof. Dr. J. Fürnkranz, Prof. Dr. K. Kersting
Einführung in die Künstliche Intelligenz SS 8 Prof. Dr. J. Fürnkranz, Prof. Dr. K. Kersting Beispiellösung für das. Übungsblatt (5.05.208) Aufgabe Agenten-Umgebung a) Eine beispielhafte PEAS-Beschreibung
MehrKapitel 2: Suche. Mögliche Ziele einer Suche: Künstliche Intelligenz und Suche. Zustandsraumsuche. finde eine Lösung. finde alle Lösungen
Mögliche Ziele einer Suche: Kapitel 2: Suche finde eine Lösung finde alle Lösungen (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01) finde die kürzeste
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 18.01.2011 INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
MehrIntelligente Systeme
Intelligente Systeme Heuristische Suchalgorithmen Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
MehrDer Alpha-Beta-Algorithmus
Der Alpha-Beta-Algorithmus Maria Hartmann 19. Mai 2017 1 Einführung Wir wollen für bestimmte Spiele algorithmisch die optimale Spielstrategie finden, also die Strategie, die für den betrachteten Spieler
MehrKapitel 2: Suche. Mögliche Ziele einer Suche: Künstliche Intelligenz und Suche. Zustandsraumsuche. finde eine Lösung. finde alle Lösungen
Mögliche Ziele einer Suche: Kapitel 2: Suche finde eine Lösung finde alle Lösungen (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01) finde die kürzeste
MehrKlausur zur Vorlesung Künstliche Intelligenz
Klausur zur Vorlesung Künstliche Intelligenz Ulrich Furbach Claudia Obermaier Arbeitsgruppe Künstliche Intelligenz Fachbereich Informatik, Universität Koblenz-Landau 13.03.2009 Name: Vorname: Matrikelnummer:
MehrGrundlagen der Künstlichen Intelligenz Einführung Minimax-Suche Bewertungsfunktionen Zusammenfassung. Brettspiele: Überblick
Grundlagen der Künstlichen Intelligenz 22. Mai 2015 41. Brettspiele: Einführung und Minimax-Suche Grundlagen der Künstlichen Intelligenz 41. Brettspiele: Einführung und Minimax-Suche Malte Helmert Universität
Mehr10. Hausübung Algorithmen und Datenstrukturen
Prof. Dr. Gerd Stumme, Folke Eisterlehner, Dominik Benz Fachgebiet Wissensverarbeitung 10. Hausübung Algorithmen und Datenstrukturen Sommersemester 2009 Abgabetermin: Montag, 22.06.2009, 10:00 Uhr 15.06.2009
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
MehrKombinatorische Spiele mit Zufallselementen
Kombinatorische Spiele mit Zufallselementen Die Realität ist nicht so streng determiniert wie rein kombinatorische Spiele. In vielen Situationen spielt der Zufall (Risko) eine nicht zu vernachlässigende
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,
MehrKI und Sprachanalyse (KISA)
Folie 1 KI und Sprachanalyse (KISA) Studiengänge DMM, MI (B. Sc.) Sommer Semester 15 Prof. Adrian Müller, PMP, PSM1, CSM HS Kaiserslautern e: adrian.mueller@ hs-kl.de Folie 2 ADVERSIALE SUCHE Spiele: Multi-Agenten
Mehr