Uninformierte Suche in Java Informierte Suchverfahren
|
|
- Ida Beckenbauer
- vor 7 Jahren
- Abrufe
Transkript
1 Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
2 Suchprobleme bestehen aus Zuständen (insbesondere einem Ausgangszustand), Nachfolgerfunktionen und Zieltest Bei informierten Suchverfahren existiert zudem noch eine Kostenfunktion, mit der ein einzelner Schritt bewertet wird.
3 Suchbaum/Suchgraph Teilgraph des Suchraums Wurzel ist Suchknoten, der dem Ausgangszustand entspricht. Abhängig von der gewählten Suchstrategie im (theoretischen) Idealfall ein Pfad vom Ausgangszustand zur optimalen Lösung. Im Idealfall kreisfrei (Baum statt Graph)
4 Knoten und Zustände im Suchbaum Zustand: Konfiguration des Problems, z.b. besuchte Städte + Kosten des zurückgelegten Weges Knoten: Buchhaltungs -Datenstruktur, z.b. Kosten des zurückgelegten Weges & aktuelle Stadt Zwei unterschiedliche Knoten können den gleichen Weltzustand beschreiben (der auf unterschiedlichen Wegen erreicht wurde).
5 Suchstrategie informierte Suche: Besucht vielversprechende Knoten im Suchbaum zuerst. Benötigt Zusatzinformationen, um diese Knoten zu identifizieren. uninformierte Suche: Besucht Knoten nach ihrer Reihenfolge im Suchbaum. Kann dabei beliebig schlecht vorgehen.
6 Algorithmus zur Tiefensuche Stack stack stack.push(ausgangsproblem) begin suchelösung : solange (Stack nicht leer) : Problem p = stack.pop() wenn (p ist Lösung) : return Lösung: p sonst: Problem kind = expandiere(p) wenn (kind!= null) : stack.push(p) stack.push(kind) end wenn end solange end sonst end suchelösung
7 Algorithmus zur Tiefensuche Stack stack stack.push(ausgangsproblem) begin suchelösung : solange (Stack nicht leer) : Problem p = stack.pop() wenn (p is t Lös ung ) : return Lösung: p Einzige Bedingung an das Problem: Methode zum Prüfen und zum Expandieren. sonst: Proble m kind = e x pa ndie re ( p) wenn (kind!= null) : stack.push(p) stack.push(kind) end wenn end solange end sonst end suchelösung
8 Algorithmus zur Breitensuche Queue queue queue.enqueue(ausgangsproblem) begin suchelösung : solange (queue nicht leer) : Problem p = queue.dequeue() wenn (p is t Lös ung ) : return Lösung: p Einzige Bedingung an das Problem: Methode zum Prüfen und zum Expandieren. sonst: Proble m[ ] kinde r = e x pa ndie re ( p) für alle elemente kind aus kinder : queue.enqueue(kind) end füralle end solange end sonst end suchelösung
9 8-Damen-Problem Gegeben: Schachbrett mit 8 Zeilen und 8 Spalten Gesucht: Aufstellung von 8 Damen, so dass keine Dame von einer anderen Dame bedroht wird.
10 8-Damen-Problem Gegeben: Schachbrett mit 8 Zeilen und 8 Spalten Gesucht: Aufstellung von 8 Damen, so dass keine Dame von einer anderen Dame bedroht wird.
11 8-Damen-Problem Gegeben: Schachbrett mit 8 Zeilen und 8 Spalten Gesucht: Aufstellung von 8 Damen, so dass keine Dame von einer anderen Dame bedroht wird.
12 8-Damen-Problem Gegeben: Schachbrett mit 8 Zeilen und 8 Spalten Gesucht: Aufstellung von 8 Damen, so dass keine Dame von einer anderen Dame bedroht wird.
13 8-Damen-Problem Gegeben: Schachbrett mit 8 Zeilen und 8 Spalten Gesucht: Aufstellung von 8 Damen, so dass keine Dame von einer anderen Dame bedroht wird.
14 8-Damen-Problem Gegeben: Schachbrett mit 8 Zeilen und 8 Spalten Gesucht: Aufstellung von 8 Damen, so dass keine Dame von einer anderen Dame bedroht wird.
15 8-Damen-Problem Gegeben: Schachbrett mit 8 Zeilen und 8 Spalten Gesucht: Aufstellung von 8 Damen, so dass keine Dame von einer anderen Dame bedroht wird. Für die 8. Dame ist kein Feld mehr frei aber es gibt 92 verschiedene Lösungen zu diesem Problem.
16 8-Damen-Problem Gegeben: Schachbrett mit 8 Zeilen und 8 Spalten Gesucht: Aufstellung von 8 Damen, so dass keine Dame von einer anderen Dame bedroht wird. Wie lässt sich das 8- Damen-Problem als Backtracking-Problem formulieren?
17 Informierte Suche/Best First Search # Damen # Lösungen Zeit/Lösung , , ,4 Da Verzweigung und Tiefe des Suchbaums stark zunehmen, wenn das Spielfeld vergrößert wird, wird das vorgestellte Backtracking-Verfahren schnell ineffizient. Wie könnte sich die Suche beschleunigen lassen?
18 Informierte Suche/Best First Search Wenn Teillösungen bewerten werden können, können zunächst vielversprechende Knoten expandiert werden. Je nach Qualität der Bewertungsfunktion (die abhängig von der Problemstellung ist), lässt sich die Anzahl der zu expandierenden Knoten somit stark beschränken. Wird die Bewertung einer Lösung geschätzt, so handelt es sich bei der Bewertungsfunktion um eine Heuristik.
19 Heuristiken
20 Heuristiken für das 8-Damen-Problem Wie könnte eine Heuristik für das 8-Damen-Problem aussehen, die entscheidet, in welcher Spalte die nächste Dame gesetzt werden soll?
21 Heuristiken für das 8-Damen-Problem Wie könnte eine Heuristik für das 8-Damen-Problem aussehen, die entscheidet, in welcher Spalte die nächste Dame gesetzt werden soll? h(s) =??
22 Heuristiken für das 8-Damen-Problem Wie könnte eine Heuristik für das 8-Damen-Problem aussehen, die entscheidet, in welcher Spalte die nächste Dame gesetzt werden soll? h1(s) = Anzahl freier Felder h2(s) = min. Anzahl freier Felder pro Zeile
23 Bestensuche im 8-Damen-Suchbaum 3 4a 4b 4d 4f h 2 : 2 h 2 : 2 h 2 : 1 h 2 : a b c d e f g h Die Positionen a, b und f würden von h 2 gegenüber Position d bevorzugt.
24 Anforderungen an eine Heuristik Welche Kriterien sollte eine gute Heuristik erfüllen? Sie sollte effizient berechnet werden können wenige bis keine schlechten Knoten expandieren. niemals höhere (bei einem Minimierungsproblem) Kosten schätzen als tatsächlich anfallen.
25 Wegsuche II Wie könnte eine Heuristik aussehen, die benutzt werden kann, um Wege in einem Routenplaner zu berechnen?
26 Naive Heuristik Idee: Es wird stets der Knoten expandiert, der dem Ziel (laut Heuristik) am nächsten liegt. Bewertungsfunktion: f(x) = h(x) Vorteil: Der Algorithmus ist schnell. Problem: Die Lösung ist nicht optimal.
27 Naive Heuristik In diesem Fall würde die Suche den rot markierten Weg wählen (Kosten: 168), während der grün markierte Weg (Kosten: 133) optimal ist. 54
28 Naive Heuristik: zu gierig! Der beschriebene Ansatz ist ein sogenannter Greedy-Algorithmus, der sich gierig dem Ziel nähert und nicht bereit ist, eine einmal getroffene Entscheidung (hier: Zwischenstation) zurückzunehmen. Für manche Probleme sind Greedy-Algorithmen sehr gut geeignet. Wie muss ein solches Problem aussehen?
29 Hill-climbing Problem: Abhängig vom Ausgangszustand kann der Algorithmus in einem lokalen Maximum steckenbleiben.
30 Wegsuche II Wie lässt sich die Heuristik verbessern?
31 Wegsuche II Eine verbesserte Bewertungsfunktion besteht aus zwei Unterfunktionen f(n) = g(n) + h(n) g(n): tatsächliche Kosten des Weges von der Wurzel zu Knoten n. h(n): geschätzte Kosten von n zu einem Zielknoten ( eigentliche Heuristik ) Durch Verwendung dieser Heuristik ließe sich die Wegsuche optimieren wenn der Suchalgorithmus sie sinnvoll einsetzt.
32 Wegsuche II Beispiel: f(s) = g(s) + h(s) S Z Z Z Z S Z Startknoten Zielknoten
33 Wegsuche II Beispiel: f(s) = g(s) + h(s) S g(s) = 0, weil S Startknoten h(s) = 23 Z Z Z Z -> Die beste Lösung über S hat laut Heuristik den Wert 23. S Z Startknoten Zielknoten
34 Wegsuche II Beispiel: f(a) = g(a) + h(a) 5 S g(a) = 5, Kosten des Wegs von S nach A h(a) = 15 A Z Z Z Z -> Die beste Lösung über A hat laut Heuristik den Wert 20. S Z Startknoten Zielknoten
35 Wegsuche II Beispiel: f(b) = g(b) + h(b) g(b) = 2, Kosten des Wegs von S nach A h(b) = unendlich S 2 A B Z Z Z Z -> Die beste Lösung über B hat laut Heuristik den Wert unendlich (keine Lösung). S Startknoten Z Zielknoten
36 Wegsuche II Beispiel: usw... h(c) = 99, h(d) = unendlich -> A ist der beste Knoten. A B C D S Z Z Z Z S Z Startknoten Zielknoten
37 A*
38 Der A*-Algorithmus Initialisiere Listen OPEN, CLOSED und Knoten STARTKNOTEN Füge STARTKNOTEN in OPEN ein solange OPEN nicht leer ist { Knoten n = Knoten aus OPEN mit kleinstem f(n) Füge n in CLOSED ein Wenn n Zielknoten ist return Gefunden! für alle Kindknoten n' von n { Setze Vater-Pointer von n' auf n Berechne f(n') Wenn n' bereits in OPEN und f(n') aus OPEN besser als aktuelles f(n'): verwerfe n' und springe zum nächsten Kindknoten Wenn n' bereits in CLOSED und f(n') in CLOSED besser als aktuelles f(n'): verwerfe n' und springe zum nächsten Kindknoten Entferne evtl. Vorkommen von n' aus OPEN und CLOSED Füge n' in OPEN ein } } return Keine Lösung!
39 Heuristiken Welche Kriterien muss eine Heuristik erfüllen, damit A* die optimale Lösung findet?
40 Heuristiken Welche Kriterien muss eine Heuristik erfüllen, damit A* die optimale Lösung findet? Sie sollte effizient berechnet werden können wenige bis keine schlechten Knoten expandieren. niemals höhere (bei einem Minimierungsproblem) Kosten schätzen als tatsächlich anfallen.
41 Heuristiken Was passiert (in einem Minimierungsproblem), wenn eine Heuristik die Kosten zu hoch schätzt? zu niedrig schätzt?
42 Heuristiken Beispiel falsch schätzender Heuristiken X X tatsächliche Kosten bis zum Knoten tatsächliche Kosten des Weges
43 Heuristiken Beispiel falsch schätzender Heuristiken: zu hoch f(n) = g(n) + h(n) = Was passiert? X X tatsächliche Kosten bis zum Knoten tatsächliche Kosten des Weges
44 Heuristiken Beispiel falsch schätzender Heuristiken: zu hoch f(n) = g(n) + h(n) = Was passiert? Der Suchalgorithmus wird eine andere Lösung weiterverfolgen und ggf. die falsche Lösung liefern X X tatsächliche Kosten bis zum Knoten tatsächliche Kosten des Weges
45 Heuristiken Beispiel falsch schätzender Heuristiken: zu niedrig f(n) = g(n) + h(n) = Was passiert? Der Suchalgorithmus kann ebenfalls einen falschen Weg weiterverfolgen X X tatsächliche Kosten bis zum Knoten tatsächliche Kosten des Weges
46 Heuristiken Beispiel falsch schätzender Heuristiken: zu niedrig f(n) = g(n) + h(n) = Was passiert? Der Suchalgorithmus kann ebenfalls einen falschen Weg weiterverfolgen... stellt jedoch früher oder später diesen Fehler fest! X X tatsächliche Kosten bis zum Knoten tatsächliche Kosten des Weges
47 Heuristiken: Fazit Überschätzt eine Heuristik die tatsächlichen Kosten (in einem Minimierungsproblem), so führt dies u. U. zu sehr schlechten Ergebnissen Unterschätzt eine Heuristik die tatsächlichen Kosten (in einem Minimierungsproblem), so hat dies u. U. Auswirkungen auf die Laufzeit, nicht jedoch auf das Ergebnis.
48 Anforderungen an Heuristiken Eine Heuristik h(n) ist zulässig, wenn für jeden Knoten n im Suchbaum gilt: h(n) h*(n), wobei h* die tatsächlichen Kosten, die für den Weg zum Knoten n anfallen, darstellt. Eine Heuristik h(n) ist monoton, wenn für jeden Knoten n (im Suchbaum) und jeden Nachfolger n' von n gilt: h(n) <= h(n') + c(n,...,n'), wobei c(...) die tatsächlichen Kosten, die für den Weg von n zu n' anfallen, darstellt.
49 Zusammenhang von Heuristiken und Bestensuche Unter der Voraussetzung, dass für ein gegebenes Problem eines zulässige, monotone Heuristik vorliegt, lässt sich dieses Problem von A* optimal lösen.
50 Eigenschaften von A* PRO: Der Algorithmus finden immer die optimale Lösung (falls eine Lösung existiert) KONTRA: Der Speicherbedarf ist sehr hoch, daher eignet sich A* häufig nicht für große Probleme. (Praxis: Kombiniertes Suchverfahren aus A* und klassischer Tiefensuche)
51 Hausaufgaben Lesen Sie in Russel/Norvig, Künstliche Intelligenz Kapitel 4.1 bis einschließlich 4.1.2, Kapitel 4.2 sowie die Abschnitte bis
Uninformierte 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
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?
MehrKünstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen
Künstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Optimierungsprobleme
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
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
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
MehrInhalt. Kognitive Systeme 1. Expansion eines impliziten Suchraums Netz aller möglichen Schritte. Impliziter Suchraum. Uninformierte Suche
Inhalt Uninformierte Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 04.11.2009 1 Implizite Suchgraphen 2 Tiefensuche 3 Breitensuche 4
MehrKognitive Systeme 1. Uninformierte Suche. Dr.-Ing. Bernd Ludwig
Kognitive Systeme 1 Uninformierte Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 04.11.2009 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kognitive
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)
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 4: Suchverfahren Informierte Suche 1/135 WIEDERHOLUNG BISLANG... Uninformierte Strategien: bearbeiten den Suchraum systematisch, aber ohne problemspezifisches Wissen ab.
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
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
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:
MehrKünstliche Intelligenz Einführung in Prolog
Künstliche Intelligenz Einführung in Prolog Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik versität zu Köln Backtracking Backtracking uninformiertes, universelles
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
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 6. Klassische Suche: Datenstrukturen für Suchalgorithmen Malte Helmert Universität Basel 7. März 2014 Klassische Suche: Überblick Kapitelüberblick klassische Suche:
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 3: Suchverfahren Informierte Suche 1/78 WIEDERHOLUNG Bislang uninformierte Strategien BFS, DFS, Iteratives Vertiefen, Bidirektionale Suche Wichtige Begriffe: Suchraum,
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.
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
MehrKognitive Systeme 1. Heuristische Suche. Dr.-Ing. Bernd Ludwig. Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg
Kognitive Systeme 1 Heuristische Suche Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 12.11.2009 Dr.-Ing. Bernd Ludwig (Lehrstuhl KI) Kognitive
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
MehrWissensbasierte Suche
Wissensbasierte Suche Jürgen Dorn Inhalt uninformierte Suche wissensbasierte Suche A* und IDA* Algorithmus Suche in Und/Oder-Graphen Jürgen Dorn 2003 Wissensbasierte Suche 1 Suche Suche in (expliziten
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
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche PD Dr. David Sabel SoSe 0 Stand der Folien:. pril 0 Einführung Blind Search n-damen Missionare & Kannibalen Modellierung
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (2) Spannbäume Kürzeste Wege Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 455 Wiederholung Traversierung eines Graphen via Tiefendurchlaufs
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
MehrKünstliche Intelligenz Unifikation, Backtracking, Rekursion und Listen in Prolog
Künstliche Intelligenz fikation, Backtracking, Rekursion und Listen in Prolog Stephan Schwiebert WS 2008/2009 Sprachliche Informationsverarbeitung Institut für Linguistik versität zu Köln Aufgabe: Stammbaum
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche Prof. Dr. Manfred Schmidt-Schauß SoSe 08 Stand der Folien: 9. pril 08 Einführung Blind Search n-damen Missionare
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
Mehrals Bewertungsfunktion g(n) eines Knotens n wird der tatsächliche Weg vom Startzustand zu diesem Knoten benutzt
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
MehrDatenstrukturen Teil 2. Bäume. Definition. Definition. Definition. Bäume sind verallgemeinerte Listen. Sie sind weiter spezielle Graphen
Bäume sind verallgemeinerte Listen Datenstrukturen Teil 2 Bäume Jeder Knoten kann mehrere Nachfolger haben Sie sind weiter spezielle Graphen Graphen bestehen aus Knoten und Kanten Kanten können gerichtet
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
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 14. Klassische Suche: IDA Malte Helmert Universität Basel 31. März 2014 Klassische Suche: Überblick Kapitelüberblick klassische Suche: 3. 5. Einführung 6. 9. Basisalgorithmen
MehrGraphdurchmusterung, Breiten- und Tiefensuche
Prof. Thomas Richter 18. Mai 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 18.05.2017 Graphdurchmusterung,
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
MehrGrundlagen der KI + Reasoning Agents
Grundlagen der KI + Reasoning Agents Prof. Thielscher Welche heuristischen Suchverfahren gibt es? Erläutern Sie A* am Beispiel. Aufbau und Schlussfolgerungen von Bayesschen Netzen. Thielscher drängt auf
MehrKünstliche Intelligenz
Künstliche Intelligenz Prolog - Rekursion, Backtracking Claes Neuefeind Sprachliche Informationsverarbeitung Universität zu Köln 14. Dezember 2011 Wiederholung Backtracking Praxis Hausaufgaben & Seminarplan
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Kürzeste Wege Maike Buchin 4. und 6.7.2017 Einführung Motivation: Bestimmung von kürzesten Wegen ist in vielen Anwendungen, z.b. Routenplanung, ein wichtiges Problem. Allgemeine
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 9. Klassische Suche: Baumsuche und Graphensuche Malte Helmert Universität Basel 13. März 2015 Klassische Suche: Überblick Kapitelüberblick klassische Suche: 5. 7.
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*
MehrMotivation für Suchverfahren. Einführung in die Methoden der Künstlichen Intelligenz. Suchverfahren / Uninformierte Suche
Motivation für Suchverfahren Einführung in die Methoden der Künstlichen Intelligenz Suchverfahren / Uninformierte Suche Prof. Dr. Manfred Schmidt-Schauß SoSe 06 Beispiele: Spiele: Suche nach dem besten
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Prof. Martin Lercher Institut für Informatik Heinrich-Heine-Universität Düsseldorf Teil 10 Suche in Graphen Version vom 13. Dezember 2016 1 / 2 Vorlesung 2016 / 2017 2 /
MehrThinking Machine. Idee. Die Thinking Machine Visualisierung versucht, die Denkprozesse eines Schachcomputers sichtbar zu machen
Thinking Machine (http://www.turbulence.org/spotlight/thinking/) Idee Die Thinking Machine Visualisierung versucht, die Denkprozesse eines Schachcomputers sichtbar zu machen Sie wurde von Martin Wattenberg
MehrHeuristische Suchverfahren
Heuristische Suchverfahren Suchprozesse sind ein wichtiger Bestandteil unterschiedlicher Problemlöseverfahren z.b. Bestimmung der Konfliktmenge in Produktionssystemen Suche nach resolvierbaren Klauseln
Mehr10.1 Blinde Suche Blinde Suche. Grundlagen der Künstlichen Intelligenz Breitensuche: Einführung BFS-Tree. 10.
Grundlagen der Künstlichen Intelligenz 13. März 2015 10. Klassische Suche: Grundlagen der Künstlichen Intelligenz 10. Klassische Suche: Malte Helmert Universität asel 13. März 2015 10.1 linde Suche 10.2
MehrBacktracking mit Heuristiken
Backtracking mit Heuristiken Thomas Dübendorfer thomas@duebendorfer.ch 14. September 2000 Inhalt und Ablauf 1. Einführendes Beispiel (4 min) 2. Konzepte zu Backtracking (8 min) 3. Eingesperrt im Labyrinth
MehrAlgorithmen und Datenstrukturen
Universität Innsbruck Institut für Informatik Zweite Prüfung 16. Oktober 2008 Algorithmen und Datenstrukturen Name: Matrikelnr: Die Prüfung besteht aus 8 Aufgaben. Die verfügbaren Punkte für jede Aufgabe
MehrIntelligente Systeme. Suche
Intelligente Systeme Suche Michael Schroeder www.biotec.tu-dredsen.de/schroeder Lehrbuch Folien basieren auf Russell und Norvig: Künstliche Intelligenz: Ein Moderner Ansatz. Dank an Prof. Fürnkranz für
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
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie Dipl-Math. Wolfgang Kinzner 2.4.2012 Kapitel 1: Grundlagen der algorithmischen Graphgentheorie
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Breitensuche, Tiefensuche Wir besprechen nun zwei grundlegende Verfahren, alle Knoten eines Graphen zu
MehrKünstliche Intelligenz
Künstliche Intelligenz Übungsblatt #1 Modellierung & Suche Prof. Dr. J. Fürnkranz, Dr. G. Grieser Aufgabe 1.1 Wir betrachten folgende Welt: Welt: Die Welt der Staubsauger-Akteure besteht aus Räumen, die
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
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
MehrAlgorithmen und Datenstrukturen (Informatik II) SS Klausur
Lehrstuhl für Algorith. und Datenstrukturen Prof. Dr. Hannah Bast Axel Lehmann Algorithmen und Datenstrukturen (Informatik II) SS 2013 http://ad-wiki.informatik.uni-freiburg.de/teaching Klausur Mittwoch
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 05 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen Grundlagen
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
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 16. Klassische Suche: A : Optimalität, Teil II Malte Helmert Universität Basel 4. April 2014 Klassische Suche: Überblick Kapitelüberblick klassische Suche: 3. 5.
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
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Binärbaum Suchbaum Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 356 Datenstruktur Binärbaum Strukturrepräsentation des mathematischen Konzepts Binärbaum
MehrNP-vollständige Probleme
Effiziente Algorithmen Lösen NP-vollständiger Probleme 256 NP-vollständige Probleme Keine polynomiellen Algorithmen, falls P NP. Viele wichtige Probleme sind NP-vollständig. Irgendwie müssen sie gelöst
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen
Mehr1 Einführung. 2 Grundlagen von Algorithmen. 3 Grundlagen von Datenstrukturen. 4 Grundlagen der Korrektheit von Algorithmen
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 0 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Einführung Grundlagen von Algorithmen Grundlagen
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
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
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen 13. Übung minimale Spannbäume, topologische Sortierung, AVL-Bäume Clemens Lang Übungen zu AuD 4. Februar 2010 Clemens Lang (Übungen zu AuD) Algorithmen und Datenstrukturen
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.
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:
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suche bei Spielen
Einführung in die Methoden der Künstlichen Intelligenz Suche bei Spielen Dr. David Sabel WS 2012/13 Stand der Folien: 5. November 2012 Zwei-Spieler-Spiele Ziel dieses Abschnitts Intelligenter Agent für
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
Mehr12. Graphen Programmieren / Algorithmen und Datenstrukturen 2 Prof. Dr. Bernhard Humm FB Informatik, Hochschule Darmstadt Wintersemester 2012 / 2013
12. Graphen Programmieren / Algorithmen und Datenstrukturen 2 Prof. Dr. Bernhard Humm FB Informatik, Hochschule Darmstadt Wintersemester 2012 / 2013 1 Agenda Kontrollfragen Graphen Graphenalgorithmen 2
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
Mehr9.1 Tiefensuche. Grundlagen der Künstlichen Intelligenz. 9.1 Tiefensuche. 9.2 Iterative Tiefensuche. 9.3 Blinde Suche: Zusammenfassung
Grundlagen der Künstlichen Intelligenz 21. März 2014 9. Klassische Suche: Tiefensuche und iterative Tiefensuche Grundlagen der Künstlichen Intelligenz 9. Klassische Suche: Tiefensuche und iterative Tiefensuche
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 9. Klassische Suche: Tiefensuche und iterative Tiefensuche Malte Helmert Universität asel 21. März 2014 Tiefensuche Iterative Tiefensuche linde Suche: Zusammenfassung
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
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
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
MehrBäume 1. Thomas Röfer
Bäume Thomas Röfer Preisverleihung Begriffsdefinitionen Eigenschaften Implementierung von Bäumen Durchlaufen von Bäumen Breitensuche/Tiefensuche Huffman-Kodierung Rückblick Sortieren Permutieren nach Dijkstra
MehrEinfacher Problemlösungsagent. Übersicht. Begriffsdefinitionen für Einfach-Probleme
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
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphdurchläufe Maike Buchin 22. und 27.6.2017 Graphexploration Motivation: Für viele Zwecke will man den gesamten Graphen durchlaufen, zb. um festzustellen ob er (stark) zusammenhängt.
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?
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.
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
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
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
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 11 (4.6.2014) Binäre Suchbäume II Algorithmen und Komplexität Binäre Suchbäume Binäre Suchbäume müssen nicht immer so schön symmetrisch sein
MehrSuche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20
Suche in Spielbäumen Suche in Spielbäumen KI SS2011: Suche in Spielbäumen 1/20 Spiele in der KI Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche Einschränkung von Spielen auf: 2 Spieler:
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
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
MehrAlgorithmen und Datenstrukturen 1 VL Übungstest SS Juni 2009
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 2. Übungstest SS 2009 09. Juni
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
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Graphen 9/1 Begriffsdefinitionen Ein Graph besteht aus Knoten und Kanten. Ein Knoten(Ecke) ist ein benanntes Objekt. Eine Kante verbindet zwei Knoten. Kanten haben ein Gewicht
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 217 Marc Bux, Humboldt-Universität zu Berlin Agenda 1. Graphen und Bäume 2. Binäre Suchbäume 3. AVL-Bäume 4. Algorithmen und Datenstrukturen 2 Agenda
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
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)
Mehr