Kognitive Systeme Übung 6
|
|
- Robert Fritz Steinmann
- vor 5 Jahren
- Abrufe
Transkript
1 Kognitive Systeme Übung 6 Wissensrepräsentation Planung Quaternionen 1
2 Aufgabe 6.1 Resolution und DPLL 2
3 Aufgabe 6.1.a Geben Sie die Konjunktive Normalform folgender Sätze an. Erstellen Sie hierfür zuerst eine Wahrheitstabelle. α β γ A B C 3
4 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
5 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
6 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
7 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
8 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
9 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
10 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
11 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
12 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
13 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
14 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
15 Aufgabe 6.1.a - Wahrheitstabelle α β γ A B C
16 Aufgabe 6.1.a Konjunktive Normalform Konjunktive Verknüpfung aller Zeilen mit Gesamtwahrheitswert FALSE KNF-Schema: (a b c) (d e f) (x y z) α β γ A B C
17 Aufgabe 6.1.a Konjunktive Normalform Konjunktive Verknüpfung aller Zeilen mit Gesamtwahrheitswert FALSE KNF-Schema: (a b c) (d e f) (x y z) α β γ A B C
18 Aufgabe 6.1.a Konjunktive Normalform Konjunktive Verknüpfung aller Zeilen mit Gesamtwahrheitswert FALSE KNF-Schema: (a b c) (d e f) (x y z) α β γ A B C
19 Aufgabe 6.1.b Gegeben sei folgende Klauselmenge: Leiten Sie folgende Aussagen (falls möglich) durch Widerspruchsbeweis ab. 19
20 Aufgabe 6.1.b Gegeben sei folgende Klauselmenge: Leiten Sie folgende Aussagen (falls möglich) durch Widerspruchsbeweis ab. 20
21 Aufgabe 6.1.b Gegeben sei folgende Klauselmenge: Leiten Sie folgende Aussagen (falls möglich) durch Widerspruchsbeweis ab. 21
22 Aufgabe 6.1.b 22
23 Aufgabe 6.1.b 23
24 Aufgabe 6.1.b 24
25 Aufgabe 6.1.b 25
26 Aufgabe 6.1.b 26
27 Aufgabe 6.1.b 27
28 Aufgabe 6.1.b 28
29 Aufgabe 6.1.b 29
30 Aufgabe 6.1.b Onlinefrage Nr. 1: A kann nicht abgeleitet werden. 30
31 Aufgabe 6.1.c - DPLL Zeigen Sie mit Hilfe des DPLL-Verfahrens, dass folgende Klauselmenge S erfüllbar ist: 31
32 Aufgabe 6.1.c - DPLL 32
33 Aufgabe 6.1.c - DPLL A ist Einheitsklausel, A = TRUE 33
34 Aufgabe 6.1.c - DPLL A ist Einheitsklausel, A = TRUE 34
35 Aufgabe 6.1.c - DPLL A ist Einheitsklausel, A = TRUE D ist rein, D = FALSE 35
36 Aufgabe 6.1.c - DPLL A ist Einheitsklausel, A = TRUE D ist rein, D = FALSE 36
37 Aufgabe 6.1.c - DPLL A ist Einheitsklausel, A = TRUE D ist rein, D = FALSE E ist rein, E = TRUE 37
38 Aufgabe 6.1.c - DPLL A ist Einheitsklausel, A = TRUE D ist rein, D = FALSE E ist rein, E = TRUE 38
39 Aufgabe 6.1.c - DPLL A ist Einheitsklausel, A = TRUE D ist rein, D = FALSE E ist rein, E = TRUE B ist rein, B = TRUE oder C ist rein, C = FALSE 39
40 Aufgabe 6.1.c - DPLL A ist Einheitsklausel, A = TRUE D ist rein, D = FALSE E ist rein, E = TRUE B ist rein, B = TRUE oder C ist rein, C = FALSE Onlinefrage Nr. 2: Es existiert sowohl für C = TRUE als auch C = FALSE ein Modell, das S erfüllt, und das vom DPLL-Algorithmus gefunden wird. 40
41 Aufgabe 6.2 STRIPS & ADL 41
42 Aufgabe 6.2.a - STRIPS Aktionen Load Beladen eines Flugzeuges Unload Entladen eines Flugzeuges Fly Fliegen von einem Flughafen zum anderen Prädikate In(c,p) Fracht c befindet sich in Flugzeug p At(x,a) Fracht/Flugzeug x befindet sich am Flughafen a Aufgabe: Definieren Sie die Aktionen Load, Unload und Fly durch die Liste der Parameter, Vorbedingung und Effekt in STRIPS. 42
43 Aufgabe 6.2.a - STRIPS Aktion (Load(c, p, a), Vorbed.: At(c, a) At(p, a) Fracht(c) Flugzeug(p) Flughafen(a) Effekt: At(c, a) In(c, p)) Aktion (Unload(c, p, a), Vorbed.: In(c, p) At(p, a) Fracht(c) Flugzeug(p) Flughafen(a) Effekt: At(c, a) In(c, p)) Aktion (Fly(p, from, to), Vorbed.: At(p, from) Flugzeug(p) Flughafen(from) Flughafen(to) Effekt: At(p, from) At(p, to)) Beachte: Vorbedingung = Konjunktion positiver Literale Effekt = Konjunktion positiver oder negativer Literale 43
44 Aufgabe 6.2.b - STRIPS Die Fracht C 1 und das Flugzeug P 1 befinden sich am Flughafen Frankfurt (FRA) und soll nach New York (JFK) transportiert und abgeladen werden. Dort soll die Fracht C 2 aufgeladen, nach Frankfurt transportiert und dort abgeladen werden. Geben Sie Initialzustand und Zielzustand des Planungsproblems in STRIPS an. Init (At(C 1, FRA) At(C 2, JFK) At(P 1, FRA) Fracht(C 1 ) Fracht(C 2 ) Flugzeug(P 1 ) Flughafen(FRA) Flughafen(JFK)) Ziel (At(C 1, JFK) At(C 2, FRA)) Geben Sie eine Folge von Aktionen mit Parametern in STRIPS an, welche das genannte Problem löst. [Load(C 1, P 1, FRA), Fly(P 1, FRA, JFK), Unload(C 1, P 1, JFK), Load(C 2, P 1, JFK), Fly(P 1, JFK, FRA), Unload(C 2, P 1, FRA)] 44
45 Aufgabe 6.2.c - ADL Die Fracht C 1 und das Flugzeug P 1 befinden am Flughafen Frankfurt (FRA). Am Flughafen New York (JFK) befindet sich die Fracht C 2. Ziel soll sein, dass sich beide Frachtstücke am gleichen Flughafen befinden. Geben Sie Initialzustand und Zielzustand des Planungsproblems in der Planungssprache ADL an. Init (At(C 1, FRA) At(C 2, JFK) At(P 1, FRA) Fracht(C 1 ) Fracht(C 2 ) Flugzeug(P 1 ) Flughafen(FRA) Flughafen(JFK)) Ziel (( x At(C 1, x) At(C 2, x)) Geben Sie eine Folge von Aktionen mit Parametern in ADL an, welche das oben beschriebene Problem löst. [Load(C 1, P 1, FRA), Fly(P 1, FRA, JFK), Unload(C 1, P 1, JFK)] 45
46 Aufgabe 6.3 Planungsgraph 46
47 Planungsgraph Wiederholung Abwechselnde Schritte Menge der Literale, die zu diesem Zeitpunkt wahr sein könnten Menge der Aktionen, deren Vorbedingungen zu diesem Zeitpunkt erfüllt sein könnten Pseudoaktion für jedes Literal, die es unverändert erhält Mutex-Links Sich gegenseitig ausschließende Literale/Aktionen Zwei Literale schließen sich aus, wenn sie komplementär sind sie nur aus sich gegenseitig ausschließenden Aktionen resultieren können Zwei Aktionen schließen sich aus, wenn ihre Effekte ein komplementäres Literal enthalten durch den Effekt der einen eine Vorbedingung der anderen zerstört wird die Vorbedingungen der einen ein Literal enthalten, das ein Literal aus den Vorbedingungen der anderen ausschließt 47
48 Aufgabe Planungsgraph Einräumen der Spülmaschine durch einen Haushaltsroboter Aktionen: 48
49 Aufgabe Planungsgraph L0 ausgeschaltet geöffnet eingeräumt eingefüllt 49
50 Aufgabe Planungsgraph L0 A0 L1 ausgeschaltet ausgeschaltet Spülma.Öffnen() geöffnet geöffnet geöffnet eingeräumt eingeräumt eingefüllt eingefüllt 50
51 Aufgabe Planungsgraph L0 A0 L1 ausgeschaltet ausgeschaltet Spülma.Öffnen() geöffnet geöffnet geöffnet eingeräumt eingeräumt eingefüllt eingefüllt Öffnen(): Komplementäre Effekte. Geöffnet/Nicht geöffnet: Komplementäre Literale 51
52 Aufgabe Planungsgraph L0 A0 L1 A1 L2 ausgeschaltet ausgeschaltet ausgeschaltet Spülma.Öffnen() geöffnet Spülma.Öffnen() geöffnet geöffnet geöffnet geöffnet Gesch.Einräumen() eingeräumt eingeräumt eingeräumt eingeräumt Spülmi.Einfüllen() eingefüllt eingefüllt eingefüllt eingefüllt 52
53 Aufgabe Planungsgraph L0 A0 L1 A1 L2 ausgeschaltet ausgeschaltet ausgeschaltet Spülma.Öffnen() geöffnet Spülma.Öffnen() geöffnet geöffnet geöffnet geöffnet Gesch.Einräumen() eingeräumt eingeräumt eingeräumt eingeräumt Spülmi.Einfüllen() eingefüllt eingefüllt eingefüllt eingefüllt 53 Aktionen: Komplementäre Effekte. Komplementäre Literale (eingeräumt/nicht eingeräumt; eingefüllt/nicht eingefüllt)
54 Aufgabe Planungsgraph L0 A0 L1 A1 L2 ausgeschaltet ausgeschaltet ausgeschaltet Spülma.Öffnen() geöffnet Spülma.Öffnen() geöffnet geöffnet geöffnet geöffnet Gesch.Einräumen() eingeräumt eingeräumt eingeräumt eingeräumt Spülmi.Einfüllen() eingefüllt eingefüllt eingefüllt eingefüllt Sich ausschließende Vorbedingungen 54
55 Aufgabe Planungsgraph L0 A0 L1 A1 L2 ausgeschaltet ausgeschaltet ausgeschaltet Spülma.Öffnen() geöffnet Spülma.Öffnen() geöffnet geöffnet geöffnet geöffnet Gesch.Einräumen() eingeräumt eingeräumt eingeräumt eingeräumt Spülmi.Einfüllen() eingefüllt eingefüllt eingefüllt eingefüllt Resultate sich ausschließender Aktionen schließen sich aus 55
56 Aufgabe 6.4 Bahnplanung 56
57 Aufgabe Bahnplanung Gegeben Hinderniskonstellation mit einem punktförmigen mobilen Roboter am Startpunkt Eckpunkte mit Distanzen zum Zielpunkt 57
58 Aufgabe 6.4.a - Bahnplanung Gesucht Konfigurationsraum? Hindernisraum? Freiraum? 58
59 Aufgabe 6.4.a - Bahnplanung Konfigurationsraum Hindernisraum Freiraum Roboter als Punkt darstellen Erweitere Hindernisse um Roboterradius d/2 Berechne damit Frei- und Hindernisraum neu 59
60 Aufgabe 6.4.b - Bahnplanung Gesucht Sichtgraph? Sichtverbindungen zwischen Ecken der Hindernisse Auch Ränder sind Verbindungen zwischen den Ecken Verbindungen aller sichtbaren Eckpunkte der Hindernisse mit Start- und Zielpunkt 60
61 Aufgabe 6.4.b - Bahnplanung Gesucht Sichtgraph? Sichtverbindungen zwischen Ecken der Hindernisse Auch Ränder sind Verbindungen zwischen den Ecken Verbindungen aller sichtbaren Eckpunkte der Hindernisse mit Start- und Zielpunkt 61
62 Aufgabe 6.4.b - Bahnplanung Onlinefrage Nr. 3: Der Sichtgraph besitzt 19 Kanten. 62
63 Aufgabe 6.4.c - Bahnplanung Distanzen zwischen den Punkten g(n) : Kosten vom Startknoten zum Knoten n. h(n) : Kosten des direkten Weges vom Knoten n zum Zielknoten. 63
64 Aufgabe 6.4.c - Bahnplanung Distanzen zwischen den Punkten 1. Der Planer expandiert jeweils den Knoten n, bei dem die Evaluationsfunktion h(n) minimal ist. Greedy-Algorithmus 64
65 106 = Weg zwischen zwei Knoten G 57 = h(n) 65
66 106 = Weg zwischen zwei Knoten G 57 = h(n) 66
67 106 = Weg zwischen zwei Knoten G 57 = h(n) 67
68 106 = Weg zwischen zwei Knoten G 57 = h(n) 68
69 106 = Weg zwischen zwei Knoten G 57 = h(n) * 69
70 106 = Weg zwischen zwei Knoten G 57 = h(n) * 70
71 106 = Weg zwischen zwei Knoten G 57 = h(n) * 71
72 106 = Weg zwischen zwei Knoten G 57 = h(n) * Weglänge: 236 Weg: Start - G - D - E - Ziel Planer: Greedy 72
73 Aufgabe 6.4.c - Bahnplanung Distanzen zwischen den Punkten 2. Der Planer expandiert jeweils den Knoten n, bei dem die Evaluationsfunktion f(n) = g(n) + h(n) minimal ist. A*-Algorithmus 73
74 106 = Weg zwischen zwei Knoten A Start B C G 57 = h(n) 163 = f(n) G
75 106 = Weg zwischen zwei Knoten A Start B C G 57 = h(n) 163 = f(n) G
76 106 = Weg zwischen zwei Knoten A B Start C G 57 = h(n) 163 = f(n) G *Start B 60 C 70 G
77 106 = Weg zwischen zwei Knoten A B Start C G 57 = h(n) 163 = f(n) G *Start B 60 C 70 G Laut Aufgabenstellung sollen keine Pfade weiterverfolgt werden, wenn bekannt ist, dass der gleiche Knoten auch durch gleiche oder geringere Kosten erreicht werden kann. Das ist in diesem Pfad der Fall, da C auch direkt von Start aus erreichbar ist (ohne Umweg über A) 77
78 106 = Weg zwischen zwei Knoten A B Start C G 57 = h(n) 163 = f(n) G *Start B 60 C 70 G *Start A 90 B 60 D G
79 106 = Weg zwischen zwei Knoten A B Start C G 57 = h(n) 163 = f(n) G *Start B 60 C 70 G *Start A 90 B 60 D G
80 106 = Weg zwischen zwei Knoten A B Start C G 57 = h(n) 163 = f(n) G *Start B 60 C 70 G *Start A 90 C 70 D 49 E G *Start A 90 B 60 D G
81 106 = Weg zwischen zwei Knoten A B Start C G 57 = h(n) 163 = f(n) G *Start B 60 C 70 G *Start A 90 C 70 D 49 E G *Start A 90 B 60 D G
82 106 = Weg zwischen zwei Knoten A B Start C G 57 = h(n) 163 = f(n) G *Start B 60 C 70 G *Start A 90 C 70 D E G *Start A 90 B 60 D G *B C E G
83 106 = Weg zwischen zwei Knoten A B Start C G 57 = h(n) 163 = f(n) G *Start B 60 C 70 G *Start A 90 C 70 D E G *Start A 90 B 60 D G *B C E G
84 106 = Weg zwischen zwei Knoten A B Start C G 57 = h(n) 163 = f(n) G *Start B 60 C 70 G *Start A 90 C 70 D 49 E G *Start A 90 B 60 D G *B C E G *B D F Ziel
85 106 = Weg zwischen zwei Knoten A B Start C G 57 = h(n) 163 = f(n) G *Start B 60 C 70 G *Start A 90 C 70 D E G *Start A 90 B 60 D G *B C E G *B D F Ziel Weglänge: 115 (Onlinefrage Nr. 4) Weg: Start - B - E - Ziel Planer: A* 85
86 Aufgabe 6.4.d - Bahnplanung Voronoi-Diagramm? Die Ränder der Fläche verlaufen genau in mittlerer Entfernung zwischen den beiden nächstliegenden Hindernissen. 86
87 Aufgabe 6.4.d - Bahnplanung 87
88 Aufgabe 6.5 Quaternionen 88
89 Aufgabe 6.5.a - Quaternionen 89
90 Aufgabe 6.5.b - Quaternionen Onlinefrage Nr. 5: Mit Quaternionen lassen sich nur Rotationen darstellen. 90
91 Prüfung im SS 2018: Dienstag, , um 11:30 Uhr Nachklausur voraussichtlich am
Kognitive Systeme. Mo, Dipl.-Inform. Darko Katic
Kognitive Systeme Übung 6 Wissensrepräsentation Planung Quaternionen Mo, 18.07.2016 Dipl.-Inform. Darko Katic 1 Aufgabe 1 Resolution und DPLL 2 Aufgabe 1.a Geben Sie die Konjunktive Normalform folgender
MehrSymbol A kommt in einer Einheitsklausel vor. Setze A=TRUE. Dies ergibt B C C B E D B C E D B B E C
6.1.c Symbol A kommt in einer Einheitsklausel vor. Setze A=TRUE. Dies ergibt B C C B E D B C E D B B E C Keine Einheitsklauseln. Das Symbol D kommt nur negiert vor, ist also ein reines Symbol. Wähle deshalb
MehrMusterlösung zu Übungsblatt 6
Fakultät für Informatik Übungen zu Kognitive Systeme Sommersemster 2016 M. Sperber (matthias.sperber@kit.edu) T. Nguyen (nguyen@kit.edu) S. Speidel (stefanie.speidel@kit.edu) D. Katic (darko.katic@kit.edu)
MehrTU5 Aussagenlogik II
TU5 Aussagenlogik II Daniela Andrade daniela.andrade@tum.de 21.11.2016 1 / 21 Kleine Anmerkung Meine Folien basieren auf den DS Trainer von Carlos Camino, den ihr auf www.carlos-camino.de/ds findet ;)
MehrÜbung 4: Aussagenlogik II
Übung 4: Aussagenlogik II Diskrete Strukturen im Wintersemester 2013/2014 Markus Kaiser 8. Januar 2014 1/10 Äquivalenzregeln Identität F true F Dominanz F true true Idempotenz F F F Doppelte Negation F
MehrTU9 Aussagenlogik. Daniela Andrade
TU9 Aussagenlogik Daniela Andrade daniela.andrade@tum.de 18.12.2017 1 / 21 Kleine Anmerkung Meine Folien basieren auf den DS Trainer von Carlos Camino, den ihr auf www.carlos-camino.de/ds findet ;) 2 /
MehrHA-Lösung TA-Lösung Diskrete Strukturen Tutoraufgabenblatt 10. Besprechung in KW02/2019
Technische Universität München Winter 2018/19 Prof. J. Esparza / Dr. M. Luttenberger, C. Welzel 2019/01/11 HA-Lösung TA-Lösung Diskrete Strukturen Tutoraufgabenblatt 10 Besprechung in KW02/2019 Beachten
MehrAllgemeingültige Aussagen
Allgemeingültige Aussagen Definition 19 Eine (aussagenlogische) Formel p heißt allgemeingültig (oder auch eine Tautologie), falls p unter jeder Belegung wahr ist. Eine (aussagenlogische) Formel p heißt
MehrKünstliche Intelligenz Logische Agenten & Resolution
Künstliche Intelligenz Logische Agenten & Resolution Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Inferenz-Algorithmus Wie könnte ein
MehrAufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen u, w, y, z:
Aufgabe 1.1 8 (a) Zeichnen Sie einen einfachen Graphen mit der Gradsequenz (1, 2, 2, 2, 3, 4). (b) Ist jeder einfache Graph mit der Gradsequenz (1, 2, 2, 2, 3, 4) zusammenhängend? (c) Hat jeder einfache
MehrAufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen s, u, w, y:
Aufgabe 3.1 8 (a) Zeichnen Sie einen einfachen Graphen mit der Gradsequenz (2, 3, 3, 3, 3, 4). (b) Ist jeder einfache Graph mit der Gradsequenz (2, 3, 3, 3, 3, 4) zusammenhängend? (c) Hat jeder einfache
MehrAufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen s, p, w, y:
Aufgabe 2.1 8 (a) Zeichnen Sie einen einfachen Graphen mit der Gradsequenz (1, 1, 2, 2, 4, 4). (b) Ist jeder einfache Graph mit der Gradsequenz (1, 1, 2, 2, 4, 4) zusammenhängend? (c) Hat jeder einfache
MehrAussagenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Modellierung und Beweise. Aussagenlogik H. Kleine Büning 1/25
Aussagenlogik Übersicht: 1 Teil 1: Syntax und Semantik 2 Teil 2: Modellierung und Beweise Aussagenlogik H. Kleine Büning 1/25 Einführendes Beispiel Falls Lisa Peter trifft, dann trifft Lisa auch Gregor.
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
MehrKlauselmengen. Definition Sei
Klauselmengen Definition 2.38 Sei α = (p 11... p 1k1 )... (p n1... p nkn ) eine in aussagenlogische Formel in KNF. Dann heißen die Mengen {p i1,..., p iki }, 1 i n, der jeweils disjunktiv verknüpften Literale
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 5. Aussagenlogik Normalformen Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Normalformen Definition: Literal Atom (aussagenlogische
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrDiskrete Strukturen Wiederholungsklausur
Technische Universität München (I7) Winter 2013/14 Prof. J. Esparza / Dr. M. Luttenberger LÖSUNG Diskrete Strukturen Wiederholungsklausur Beachten Sie: Soweit nicht anders angegeben, ist stets eine Begründung
MehrEinführung in die Robotik. Jianwei Zhang
- Jianwei Zhang zhang@informatik.uni-hamburg.de Fakultät für Mathematik, Informatik und Naturwissenschaften Technische Aspekte Multimodaler Systeme 26. Juni 2012 J. Zhang 296 Programmierung auf Aufgabenebene
MehrGliederung. Gliederung (cont.) Gliederung (cont.)
- Gliederung Jianwei Zhang zhang@informatik.uni-hamburg.de Fakultät für Mathematik, Informatik und Naturwissenschaften Technische Aspekte Multimodaler Systeme 15. Juni 2010 Allgemeine Informationen Einführung
MehrFormale Systeme, WS 2008/2009 Lösungen zum Übungsblatt 2
UNIVERSITÄT KARLSRUHE (TH) Institut für Theoretische Informatik Prof. Dr. B. Beckert M. Ulbrich Formale Systeme, WS 2008/2009 Lösungen zum Übungsblatt 2 Dieses Blatt wurde in der Übung am 14.11.2008 besprochen.
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 10 4.06.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Organisatorisches Hauptklausur: Montag, 23.07.2012, 16:00-18:00,
MehrLogik. Gabriele Kern-Isberner LS 1 Information Engineering. TU Dortmund Wintersemester 2014/15 WS 2014/15
Logik Gabriele Kern-Isberner LS 1 Information Engineering TU Dortmund Wintersemester 2014/15 WS 2014/15 G. Kern-Isberner (TU Dortmund) Logik WS 2014/15 1 / 125 Übersicht Modallogik 5. Grundlagen 6. Erfüllbarkeit
MehrAussagenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Modellierung und Beweise. Aussagenlogik H. Kleine Büning 1/37
Aussagenlogik Übersicht: 1 Teil 1: Syntax und Semantik 2 Teil 2: Modellierung und Beweise Aussagenlogik H. Kleine Büning 1/37 Modellierungsaufgabe Es gibt drei Tauben und zwei Löcher. Jede Taube soll in
MehrNetzwerkverbindungsspiele
Netzwerkverbindungsspiele Algorithmische Spieltheorie Sommer 2017 Annamaria Kovacs Netzwerkverbindungsspiele 1 / 12 Local Connection Spiel Computer (oder autonome Systeme) sind die Spieler (Knoten). Sie
MehrDisMod-Repetitorium Tag 1
DisMod-Repetitorium Tag 1 Aussagenlogik, Mengen 19. März 2018 1 Organisatorisches 2 Tipps zur Klausur 3 Aussagenlogik Was gehört in die Aussagenlogik, was nicht? Notationen für viele Terme Belegungen,
MehrLogische Äquivalenz. Definition Beispiel 2.23
Logische Äquivalenz Definition 2.22 Zwei aussagenlogische Formeln α, β A heißen logisch äquivalent, falls für jede Belegung I von α und β gilt: Schreibweise: α β. Beispiel 2.23 Aus Folgerung 2.6 ergibt
MehrPolicy Learning Teil 2. von Susanne Schilling
Policy Teil 2 von Susanne Schilling Ziele des Ansatzes, den ich vorstellen möchte (von Huang, Selman und Kautz): domänenunabhängige Planung Lernen von allgemeinen Regeln zur Suche im Zustandsraum Regeln
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrKapitel L:II. II. Aussagenlogik
Kapitel L:II II. Aussagenlogik Syntax der Aussagenlogik Semantik der Aussagenlogik Eigenschaften des Folgerungsbegriffs Äquivalenz Formeltransformation Normalformen Bedeutung der Folgerung Erfüllbarkeitsalgorithmen
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:
MehrLogic in a Nutshell. Christian Liguda
Logic in a Nutshell Christian Liguda Quelle: Kastens, Uwe und Büning, Hans K., Modellierung: Grundlagen und formale Methoden, 2009, Carl Hanser Verlag Übersicht Logik - Allgemein Aussagenlogik Modellierung
MehrBeispiel Aussagenlogik nach Schöning: Logik...
Beispiel Aussagenlogik nach Schöning: Logik... Worin besteht das Geheimnis Ihres langen Lebens? wurde ein 100-jähriger gefragt. Ich halte mich streng an die Diätregeln: Wenn ich kein Bier zu einer Mahlzeit
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrGrundlagen der Logik
Grundlagen der Logik Denken Menschen logisch? Selektionsaufgabe nach Watson (1966): Gegeben sind vier Karten von denen jede auf der einen Seite mit einem Buchstaben, auf der anderen Seite mit einer Zahl
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 7. Aussagenlogik Analytische Tableaus Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Der aussagenlogische Tableaukalkül
MehrDiskrete Strukturen Nachholklausur
Technische Universität München Winter 0/7 Prof. H. J. Bungartz / Dr. M. Luttenberger, J. Bräckle, K. Röhner HA- Diskrete Strukturen Nachholklausur.04.07 Beachten Sie: Soweit nicht anders angegeben, ist
MehrKlausur zur Vorlesung Logik für Informatiker Sommersemester 2017
Prof. Dr. Viorica Sofronie-Stokkermans Dipl.-Inform. Markus Bender AG Formale Methoden und Theoretische Informatik Fachbereich Informatik Universität Koblenz-Landau Klausur zur Vorlesung Logik für Informatiker
MehrErfüllbarkeitstests. Im folgenden: Ein sehr effizienter Erfüllbarkeitstest für eine spezielle Klasse von Formeln in KNF, sogenannte Hornformeln (vgl.
Erfüllbarkeitstests Im folgenden: Ein sehr effizienter Erfüllbarkeitstest für eine spezielle Klasse von Formeln in KNF, sogenannte Hornformeln (vgl. Grundlagen und diskrete Strukturen ) Ein für Formeln
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
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?
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 3 06.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Syntax (Formeln) Semantik Wertebelegungen/Valuationen/Modelle
MehrLogische und funktionale Programmierung
Logische und funktionale Programmierung Vorlesung 2 und 3: Resolution Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 3. November 2017 1/43 HERBRAND-STRUKTUR Sei
MehrAussagenlogik. Formale Methoden der Informatik WiSe 2012/2013 teil 6, folie 1
Aussagenlogik Formale Methoden der Informatik WiSe 22/23 teil 6, folie Teil VI: Aussagenlogik. Einführung 2. Boolesche Funktionen 3. Boolesche Schaltungen Franz-Josef Radermacher & Uwe Schöning, Fakultät
MehrKapitel L:II. II. Aussagenlogik
Kapitel L:II II. Aussagenlogik Syntax der Aussagenlogik Semantik der Aussagenlogik Eigenschaften des Folgerungsbegriffs Äquivalenz Formeltransformation Normalformen Bedeutung der Folgerung Erfüllbarkeitsalgorithmen
MehrLogische Agenten. Einführung in die Wissensverarbeitung 2 VO UE SS Institut für Signalverarbeitung und Sprachkommunikation
Logische Agenten Einführung in die Wissensverarbeitung 2 VO 708.560 + 1 UE 442.072 SS 2013 Institut für Signalverarbeitung und Sprachkommunikation TU Graz Inffeldgasse 12/1 www.spsc.tugraz.at Institut
MehrUberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale Roboter 1
Vorlesung Geometrische Algorithmen Sichtbarkeitsgraphen und kurzeste Wege Sven Schuierer Uberblick 1. Kurzeste Wege 2. Sichtbarkeitsgraphen 3. Berechnung des Sichtbarkeitsgraphen 4. Kurzeste Wege fur polygonale
MehrGliederung A O T. Agententechnologien in betrieblichen Anwendungen und der Telekommunikation A O T. Einführung. Was ist Planen? A O T.
Gliederung Grundlagen der Künstlichen Intelligenz Planen 10.11.2005 (nach VL von Dr. Peter Geibel) Brijnesh J Jain, Stefan Fricke bjj@dai-labor.de stefan.fricke@dai-labor.de Agententechnologien in betrieblichen
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrNormalformen boolescher Funktionen
Normalformen boolescher Funktionen Jeder boolesche Ausdruck kann durch (äquivalente) Umformungen in gewisse Normalformen gebracht werden! Disjunktive Normalform (DNF) und Vollkonjunktion: Eine Vollkonjunktion
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
MehrAussagenlogische Widerlegungsverfahren zum Nachweis logischer Eigenschaften und Beziehungen
Einführung in die Logik - 4 Aussagenlogische Widerlegungsverfahren zum Nachweis logischer Eigenschaften und Beziehungen Widerlegungsverfahren zum Aufwärmen: Bestimmung von Tautologien mittels Quick Falsification
MehrFormale Systeme, WS 2011/2012 Lösungen zu Übungsblatt 1
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter H. Schmitt David Farago, Christoph Scheben, Mattias Ulbrich Formale Systeme, WS 2/22 Lösungen zu Übungsblatt Dieses
MehrDiskrete Strukturen Endterm
Technische Universität München Winter 201/16 Prof. H. J. Bungartz / Dr. M. Luttenberger, J. Bräckle, C. Uphoff Lösung HA-Lösung LÖSUNG Diskrete Strukturen Endterm Beachten Sie: Soweit nicht anders angegeben,
MehrUberblick 1. Problemstellung 2. Kongurationsraum 3. Bewegungsplanung fur einen Punktroboter 4. Minkowski Summen 5. Pseudo-Scheiben 6. Bewegungsplanung
Vorlesung Geometrische Algorithmen Bewegungsplanung fur Roboter (Robot Motion Planning) Sven Schuierer Uberblick 1. Problemstellung 2. Kongurationsraum 3. Bewegungsplanung fur einen Punktroboter 4. Minkowski
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 27. Aussagenlogik: Logisches Schliessen und Resolution Malte Helmert Universität Basel 28. April 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26.
MehrResolution für die Aussagenlogik
Resolution für die Aussagenlogik Der Resolutionskakül ist ein Beweiskalkül, der auf Klauselmengen, d.h. Formeln in KNF arbeitet und nur eine Schlußregel besitzt. Der Resolution liegt die folgende Vorstellung
Mehr7 Logische Agenten. Die Wumpus-Welt. Sensoren: Die Quadrate um den Wumpus herum stinken (Stench)
7 Logische Agenten 12.01.2007 Logische Agenten Logische Agenten / 1 Die Wumpus-Welt Sensoren: Die Quadrate um den Wumpus herum stinken (Stench) In Quadraten um eine Falltür (Pit) herum ist ein Luftzug
MehrFormale Systeme. Prof. Dr. Bernhard Beckert. Winter 2008/2009. Fakultät für Informatik Universität Karlsruhe (TH)
Formale Systeme Prof. Dr. Bernhard Beckert Fakultät für Informatik Universität Karlsruhe (TH) Winter 2008/2009 Prof. Dr. Bernhard Beckert Formale Systeme Winter 2008/2009 1 / 22 Kalküle für die Aussagenlogik
MehrÜbersicht. Wissensbasierte Agenten. Allgemeiner Entwurf eines Agenten (1) Allgemeiner Entwurf eines Agenten (2)
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern 7. Logische Agenten 8. Prädikatenlogik 1. Stufe 9. Schließen in der Prädikatenlogik 1. Stufe 10. Wissensrepräsentation IV
MehrTableaux-Beweise in der Aussagenlogik
Tableaux-Beweise in der Aussagenlogik Wie kann man auf syntaktische Weise eine Belegung mit Wahrheitswerten finden, die einen gegebenen Ausdruck wahr oder falsch macht? Die Frage schliesst Beweise durch
MehrGraphalgorithmen II. Sebastian Ehrenfels Sebastian Ehrenfels Graphalgorithmen II / 44
Graphalgorithmen II Sebastian Ehrenfels 4.6.2013 Sebastian Ehrenfels Graphalgorithmen II 4.6.2013 1 / 44 Inhalt 1 Datenstrukturen Union-Find Fibonacci-Heap 2 Kürzeste wege Dijkstra Erweiterungen Bellman-Ford
MehrMathematische Grundlagen
Prof. Dr. Peter Becker Fachbereich Informatik Mathematische Grundlagen Klausur Sommersemester 2016 16. September 2016, 1:00 14:0 Uhr Name: Vorname: Matrikelnr.: Unterschrift: Aufgabe 1 2 4 5 6 Summe Punkte
MehrErsetzbarkeitstheorem
Ersetzbarkeitstheorem Die Abgeschlossenheit läßt sich auch folgendermaßen formulieren: Ersetzbarkeitstheorem Seien F und G Formeln mit F G. SeienH und H Formeln, so daß H aus H hervorgeht, indem ein Vorkommen
MehrPfadplanung: Potentialfeldmethoden
Pfadplanung: Potentialfeldmethoden Idee Abstossendes und anziehendes Potential Brushfire-Verfahren Gradienten-Planer Prof. Dr. O. Bittel, HTWG Konstanz Autonome Roboter - Potentialfeldmethoden SS 2016
MehrEinige Grundlagen der Komplexitätstheorie
Deterministische Polynomialzeit Einige Grundlagen der Komplexitätstheorie Ziel: NP-Vollständigkeit als ressourcenbeschränktes Analagon zur RE-Vollständigkeit. Komplexitätstheorie untersucht den Ressourcenbedarf
MehrFormale Techniken der Software-Entwicklung
Formale Techniken der Software-Entwicklung Matthias Hölzl, Christian Kroiß 15. April 2014 Sequenzenkalkül Kann man mit den Schlussregeln falsche Aussagen ableiten? Gibt es wahre Aussagen, die man nicht
MehrGlobalübungsaufgabe1 (All Pair Shortest Path):
Prof. aa r. Ir. G. Woeginger atenstrukturen und lgorithmen SS7 Tutoriumslösung - Übung 0 (bgabe 2.07.207) T. Hartmann,. Korzeniewski,. Tauer Globalübungsaufgabe (ll Pair Shortest Path): etrachten Sie den
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 2. Vorlesung: 16. April 2014 Thomas van Dijk basiert auf Folien von Jan-Henrik Haunert Map Matching? Map Matching! Map Matching...als Teil von Fahrzeugnavigationssystemen
MehrComputational Logic Algorithmische Logik Boolesche Algebra und Resolution
Computational Logic Algorithmische Logik Boolesche Algebra und Resolution Ralf Moeller Hamburg Univ. of Technology Boole'sche Algebra Äquivalenzen als "Transformationsgesetze" Ersetzbarkeitstheorem Zentrale
MehrÜbung 15. Zeige, dass man jede Formel äquivalent in eine neue Formel umwandeln kann, die nur die Operatoren und! verwendet.
Logik und Diskrete Strukturen (Sommer 28) Übung 5 Zeige, dass man jede Formel äquivalent in eine neue Formel umwandeln kann, die nur die Operatoren und! verwendet. Zum Beweis muss man nur prüfen, dass
MehrDiskrete Strukturen Endterm
Technische Universität München Winter 016/17 Prof H J ungartz / Dr M Luttenberger, J räckle, K Röhner H- Diskrete Strukturen Endterm eachten Sie: Soweit nicht anders angegeben, ist stets eine egründung
Mehr4. Logik und ihre Bedeutung für WBS
4. Logik und ihre Bedeutung für WBS WBS verwenden formale Sprache L um Wissen zu repräsentieren Grundidee: Problemlösen = Folgern aus in L dargestelltem Wissen Folgern = implizites Wissen explizit machen
MehrSemantik der Aussagenlogik (Kurzform)
Semantik der Aussagenlogik (Kurzform) Eine Interpretation ist eine Abbildung der Aussagevariablen je in {true,false} (entspr. Wahrheit und Falschheit, abk.,) Interpretation zusammengesetzter Formeln definiere
MehrTU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D.
TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Alfons Kemper, Ph.D. Blatt Nr. 9 Hausaufgabe 1 Übung zur Vorlesung Grundlagen: Datenbanken im WS13/14 Henrik Mühe (muehe@in.tum.de)
MehrLogische Agenten. Einführung in die Wissensverarbeitung 2 VO UE SS Institut für Signalverarbeitung und Sprachkommunikation
Logische Agenten Einführung in die Wissensverarbeitung 2 VO 708.560 + 1 UE 442.072 SS 2012 Institut für Signalverarbeitung und Sprachkommunikation TU Graz Inffeldgasse 12/1 www.spsc.tugraz.at Institut
MehrModel Checking mit Büchi Automaten
Ingo Weigelt Softwaretechnik 3 16.05.2007 Übersicht 1 Automaten über unendlichen Wörtern ω-automaten Büchi-Automaten 2 Model Checking mit Büchi Automaten Konstruktion von A Konstruktion von A S Leerheitstest
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
MehrNachklausur Bitte in Druckschrift leserlich ausfüllen!
Übungen zur Vorlesung Informatik für Informationsmanager WS 2005/2006 Universität Koblenz-Landau Institut für Informatik Prof. Dr. Bernhard Beckert Dr. Manfred Jackel Nachklausur 24.04.2006 Bitte in Druckschrift
MehrFormale Grundlagen der Informatik 1 Kapitel 16 Normalformen und Hornformeln
Formale Grundlagen der Informatik 1 Kapitel 16 Normalformen und Frank Heitmann heitmann@informatik.uni-hamburg.de 9. Juni 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/36 Ersetzbarkeitstheorem
Mehr1 Aussagenlogischer Kalkül
1 Aussagenlogischer Kalkül Ein Kalkül in der Aussagenlogik soll die Wahrheit oder Algemeingültigkeit von Aussageformen allein auf syntaktischer Ebene zeigen. Die Wahrheit soll durch Umformung von Formeln
MehrProportional Symbol Maps
Proportional Symbol Maps Florian Simon 8. Dezember, 2009 Proportional Symbol Maps Gegeben: Punkte p 1,..., p n R 2 mit zugeordneten Werten w 1,..., w n R Proportional Symbol Maps Gegeben: Punkte p 1,...,
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.
MehrDie Klassen P und NP. Formale Grundlagen der Informatik 1 Kapitel 11. Die Klassen P und NP. Die Klasse P
Die Klassen Formale Grundlagen der Informatik 1 Kapitel 11 Frank Heitmann heitmann@informatik.uni-hamburg.de P := {L es gibt ein Polynom p und eine p(n)-zeitbeschränkte DTM A mit L(A) = L} = i 1 DTIME(n
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 28. Aussagenlogik: DPLL-Algorithmus Malte Helmert Universität Basel 2. Mai 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26. Grundlagen 27. Logisches
Mehrb= NaN
42 Beispiel: IEEE single precision: 0 10000000 00000000000000000000000 b= + 2 128 127 1.0 2 = 2 0 10000001 10100000000000000000000 b= + 2 129 127 1.101 2 = 6.5 1 10000001 10100000000000000000000 b= 2 129
Mehr10. Übungsblatt zu Algorithmen I im SS 2010
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders G.V. Batz, C. Schulz, J. Speck 0. Übungsblatt zu Algorithmen I im SS 00 http//algo.iti.kit.edu/algorithmeni.php
MehrFormale Systeme. Aussagenlogik: Resolutionskalku l. Prof. Dr. Bernhard Beckert, WS 2018/2019
Formale Systeme Prof. Dr. Bernhard Beckert, WS 2018/2019 Aussagenlogik: Resolutionskalku l KIT I NSTITUT F U R T HEORETISCHE I NFORMATIK www.kit.edu KIT Die Forschungsuniversita t in der Helmholtz-Gemeinschaft
MehrDeduktion in der Aussagenlogik. Semantische Folgerungsbeziehung. Zusammenhang zwischen semantischer und syntaktischer Folgerung
Deduktion in der Aussagenlogik Menge von Ausdrücken der Aussagenlogik beschreibt einen bestimmten Sachverhalt, eine "Theorie" des Anwendungsbereiches Was folgt logisch aus dieser Theorie? Deduktion: aus
MehrKlausur zur Vorlesung Logik für Informatiker Sommersemester 2015
Prof. Dr. Viorica Sofronie-Stokkermans Dipl.-Inform. Markus Bender AG Formale Methoden und Theoretische Informatik Fachbereich Informatik Universität Koblenz-Landau Klausur zur Vorlesung Logik für Informatiker
MehrDeduktion in der Aussagenlogik
Deduktion in der Aussagenlogik Menge von Ausdrücken der Aussagenlogik beschreibt einen bestimmten Sachverhalt, eine "Theorie" des Anwendungsbereiches. Was folgt logisch aus dieser Theorie? Deduktion: aus
Mehr11. Beschreiben Sie die disjunktive und die konjunktive Normalform eines logischen Ausdrucks!
Kapitel 3 Logik Verständnisfragen Sachfragen 1. Was ist eine logische Aussage? 2. Wie ist die Konjunktion und die Disjunktion definiert? 3. Beschreiben Sie das Exklusive Oder, die Implikation und die Äquivalenz!
MehrII. Grundlagen der Programmierung
II. Grundlagen der Programmierung II.1. Zahlenssteme und elementare Logik 1.1. Zahlenssteme 1.1.1. Ganze Zahlen Ganze Zahlen werden im Dezimalsstem als Folge von Ziffern 0, 1,..., 9 dargestellt, z.b. 123
MehrSS 2005 FAU Erlangen 20.6.2005. Eine Wegeplanungs-Strategie. Jeremy Constantin, Michael Horn, Björn Gmeiner
SS 2005 FAU Erlangen 20.6.2005 Voronoi Diagramm Eine Wegeplanungs-Strategie Jeremy Constantin, Michael Horn, Björn Gmeiner Grundseminar: Umgebungsexploration und Wegefindung mit Robotern am Beispiel "Katz
Mehr8.4 Digraphen mit negativen Kantengewichten Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0.
8.4 Digraphen mit negativen Kantengewichten 8.4.1 Grundsätzliches Betrachte Startknoten s und einen Kreis C mit Gesamtlänge < 0. k 4 5 1 s 1 3 2 C k 0 k 3 1 1 1 k 1 k 2 v Sollte ein Pfad von s nach C und
Mehr5.1 Inferenz. Theorie der Informatik. Theorie der Informatik. 5.1 Inferenz. 5.2 Resolutionskalkül. 5.3 Zusammenfassung. Inferenz: Motivation
Theorie der Informatik 9. März 2015 5. Aussagenlogik III Theorie der Informatik 5. Aussagenlogik III 5.1 Inferenz Malte Helmert Gabriele Röger 5.2 Resolutionskalkül Universität Basel 9. März 2015 5.3 Zusammenfassung
MehrAufgabe 13 (Markierungsalgorithmus). Gegeben ist die Formel F = (A D C) (E A) ( ( B D) E) A B (B D)
INTA - Lösungshinweise zum Übungsblatt 4, Version 1.0α. Wenn sie Fehler finden oder Ihnen etwas auch nach dem Gespräch mit ihren Kommilitonen noch unklar ist, dann schicken sie mir bitte eine Email! Aufgabe
Mehr3. Logik 3.1 Aussagenlogik
3. Logik 3.1 Aussagenlogik WS 06/07 mod 301 Kalkül zum logischen Schließen. Grundlagen: Aristoteles 384-322 v. Chr. Aussagen: Sätze, die prinzipiell als ahr oder falsch angesehen erden können. z. B.: Es
MehrInformatik I Tutorium WS 07/08
Informatik I Tutorium WS 07/08 Vorlesung: Prof. Dr. F. Bellosa Übungsleitung: Dipl.-Inform. A. Merkel Tutorium: 2 Tutor: Jens Kehne Tutorium 7: Dienstag,. Dezember 2007 Agenda des heutigen Tutoriums Übersicht
MehrFormale Grundlagen der Informatik 1 Kapitel 15 Normalformen und Hornformeln
Formale Grundlagen der Informatik 1 Kapitel 15 Normalformen und Frank Heitmann heitmann@informatik.uni-hamburg.de 30. Mai 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/42 Zusammenfassung Syntax
Mehr