Spieltheorien und Theoreme
|
|
- Elmar Stein
- vor 6 Jahren
- Abrufe
Transkript
1 Sieltheorien heoreme Für das Seminar: Randomized Algorithms bei Prof. Dr. R. Klein on Daniel Herrmann (Anknüfend an den Beitrag von Alexander Hombach)
2 Inhalt: Blickunkt auf randomisierte Strategien von Neumann s Minimax heorem heorem von Loomis Yao s echniken Yao s Minimax Prinzi Yao s Prinzi zu Monte arlo Algorithmen (kurzer Einblick) Randomisierte Strategien bei Sieltheorien: Bisher haben wir uns nur mit deterministischen Sielstrategien auseinandergesetzt (Ausarbeitung von Alex). Jetzt widmen wir uns den randomisierten bzw. gemischten Strategien. Zuerst eine kleine Erklärung, was eigentlich eine Gemischte Strategie ist: Eine Gemischte Strategie ist eine Wahrscheinlichkeitsverteilung über alle möglichen Strategien. Zur Erklärung: der Saltensieler wählt einen ektor = (,.., n ) der eine Wahrscheinlichkeitsverteilung der Salten von der im ortrag von Alexander Hombach vorgestellten Payoff-Matrix M darstellt. Z.B.: i ist die Wahrscheinlichkeit, dass Sieler R(oberta) Sielstrategie i wählen wird. Gleicherweise hat der Zeilensieler (harles) einen ektor = (,.., n ), welcher eine Wahrscheinlichkeitsverteilung der Zeilen von der Sielmatrix M darstellt. Nun ergibt sich für das Siel, in unserem Fall Schere, Stein, Paier folgender Erwartungswert: ayoff ] Dazu eine kleine Beisielrechnung: = (,.., ) n n m = M = i= = M = Payoff Matrix = (,.. ) n M i i 0 M = 0 0 = =
3 Payoff ] = M = im i = ( *0* ) + ( ** ) + ( *( )* ) + ( *( )* ) + ( *0* ) + ( ** ) + ( ** ) + ( *( )* ) + ( *0* ) = = 0 i= = Wie man am Ergebnis sehen kann, ist bei dieser Wahl der Sielstrategien das Siel fair es gibt keinen Sieler, der einen Nachteil haben wird. Durch die Wahl eines anderen bzw. könnte einer der beiden Sieler seine Gewinnchancen steigern. Ein entsrechendes Beisiel folgt säter. Sei R die bestmögliche untere Schranke für den erwarteten Payoff für Sieler R bei Wahl einer Strategie sei die bestmögliche obere Schranke für den erwarteten Payoff der Sieler bei Wahl einer Strategie. Somit erhalten wir folgendes: R = max min = min max M M Dies führt uns zum Minimax heorem von von Neumann, welches aussagt, dass ein Siel immer eine Lösung hat R = gilt. Zur Erklärung des vorangegangenen: Bei R versucht zuerst der Zeilensieler durch Wahl einer Sielstrategie den Erwartungswert so niedrig wie möglich zu machen. Danach versucht der Saltensieler durch seine Wahl einer Sielstrategie den Erwartungswert zu seinen Gunsten zu verändern, also ihn zu maximieren. Bei ist es genauso, nur das hier zuerst der Saltensieler seine Wahl trifft dann der Zeilensieler. heroem 2.2 (von Neumann s Minimax heorem): Für edes Zero-Sum Siel mit zwei Sielern, welchem eine Payoff-Matrix zugre liegt, gilt: = max min M = min max M = R In Worten: Der größte Erwartungswert, den der Saltensieler beim wählen einer gemischten Strategie erreichen kann, ist gleich dem kleinsten Erwartungswert, den der Zeilensieler beim wählen einer gemischten Strategie erreichen kann. Dieser Erwartungswert wird Wert des Siels genannt mit bezeichnet.
4 Sattelunkte: ( ) Ein aar gemischter Strategien ˆ, ˆ, welche den linken erm der Gleichung 2.2 maximieren den rechten eil minimieren, werden Sattelunkt genannt die beiden Strategien werden als otimal bezeichnet. Stellen wir folgende Überlegung an: Was wäre, wenn einer der Sieler sich auf eine Strategie festgefahren hat? Nehmen wir an, dass der Saltensieler mit seinem ektor eine feste Entscheidung getroffen hat nur noch mit dieser Strategie sielt. Somit wird aus der Gleichung M eine lineare Funktion von. Das bringt folgende interessante Neuerung. Wenn Sieler die Strategie von Sieler R kennt, dann ist seine otimale Strategie eine deterministische. Er kann sich auf sein Gegenüber einstellen seine Strategie so anassen, dass sich der Erwartungswert des Siels zu seinen Gunsten ändert. Er muss nicht einmal eine besonders komlizierte Strategie wählen, damit er häufiger gewinnt. Um das zu erreichen kann er einfach einen Einheitsvektor als seine Strategie wählen somit mehr Gewinne für sich einfahren. Dies führt uns zum heorem von Loomis. heroem 2. (Loomis heorem): Für edes Zero-Sum Siel mit zwei Sielern, welchem eine Payoff-Matrix M zugre liegt, gilt: Dabei sei e k der k-te Einheitsvektor. Zum bessern erständnis folgen 2 Beisiele:. Generelles Beisiel: R = max min Me = min max ei M = i M 0 = 0 0 = 0 = 0 Payoff ] = M = im i = i= = ( *0* ) + ( **0) + ( *( )* ) + ( *( )* ) + ( *0*0) + ( ** ) + ( 0** ) + ( 0*( )*0) + ( 0*0* ) = = 9 + = = 8 = 6 2
5 Hier hat sich Sieler R für eine Strategie entschieden Sieler hat sich darauf eingestellt. Jedoch kann Sieler immer noch ab an verlieren. Doch der Erwartungswert hat sich zugunsten von Sieler geändert. In diesem Beisiel ist e k kein Einheitsvektor. Es soll generell die Unterschiede zwischen den heoremen von von Neuman Loomis zeigen. 2. Beisiel zu Loomis : M 0 = 0 0 = 0 = 0 0 Payoff ] = M = im = ( *0*) + ( **0) + ( *( )*0) + ( *( )*) + ( *0*0) + ( **0) + ( 0**) + ( 0*( )*0) + ( 0*0*0) = = i= = i Hier hat Sieler eine Strategie gewählt, die ihn kein Siel verlieren lässt. Der schlimmste Fall ist ein unentschieden. Dennoch ist der Erwartungswert niedriger als im Beisiel davor. Also hat Sieler noch nicht die Otimale Strategie gewählt sollte eine andere erteilung wählen. + Yao s echniken: Nun widmen wir uns den Ergebnissen der Anwendung aus den oben genannten Sieltheorien, um untere Schranken der Performance von Randomisierten Algorithmen zu beweisen. Dazu bedienen wir uns folgender Betrachtungsweise: Wir sehen den Algorithmusdesigner als unseren Saltensieler an seinen Widersacher als den Zeilensieler R. Hierbei sind die Salten die Menge aller möglichen Algorithmen für dieses Siel, wohingegen die Zeilen als Menge aller möglichen Eingaben einer festen Größe dienen. Dabei sollte man nicht vergessen, dass ede Salte für einen deterministischen Algorithmus steht, der immer eine korrekte Lösung liefert. Nun liefert der Payoff, den an R zu verrichten hat, ein reellwertiges Maß der Effizienz eines Algorithmus, bezogen auf die Laufzeit, die Güte des Ergebnisses, Bearbeitungs- oder Platzkosten Komlexität. Wir beschränken uns hier edoch auf die Laufzeit.
6 Weiterhin wählt der Algorithmusdesigner einen Algorithmus, welcher den Payoff minimiert, während sein Widersacher diesen gerne maximieren möchte. Bei genauerer Überlegung fällt natürlich auf, dass es nur endlich viele endliche Inuts gibt, die in Frage kommen, sowie auch nur endlich viele (deterministische, terminierende korrekte) Algorithmen, um das Problem zu lösen. Eine otimale ure Strategie für hängt von einem otimal gewählten deterministischen Algorithmus für das Problem ab. Deterministische Komlexität des Problems : Damit wird die worst-case Laufzeit edes deterministischen Algorithmus für das Problem bezeichnet. R bezeichnet die Nichtdeterministische Komlexität des Problems. Wenn das Siel eine Lösung hat dann sind beide Komlexitäten gleich. Unser Interesse liegt nun in der Interretation von gemischten Strategien für den Algorithmusdesigner seinen Widersacher. Eine gemischte Strategie ist eine Wahrscheinlichkeitsverteilung über die Gesamtheit aller (immer korrekten) deterministischen Algorithmen, also ein otimaler randomisierter Las egas Algorithmus. Eine otimale Strategie für R ist eine Wahrscheinlichkeitsverteilung über dem Raum aller möglichen Eingaben. Das ist aber noch nicht alles. Wir benötigen noch eine weitere Komlexität. Nämlich die erteilungskomlexität: Diese ist definiert als die erwartete Laufzeit eines Problems bei Wahl des besten deterministischen Algorithmus für die schlechteste erteilung der Eingaben. Diese Komlexität ist aber kleiner als die deterministische Komlexität, da hier der Algorithmus a die Eingabe kennt. heorem 2. imliziert somit, dass die erteilungskomlexität gleich der am wenigsten möglichen, erreichbaren, erwarteten Laufzeit eines eden Randomisierten Algorithmus ist. Formulieren wir die uns schon bekannten heoreme in der Srache der Algorithmen wie folgt: Korollar 2.: Sei ein Problem mit einer endlichen Anzahl I von Eingabeinstanzen, A eine endliche Anzahl von deterministischen Algorithmen. Dann sei (I,A) die Laufzeit von Algorithmus A bei Eingabe I, wobei A A I I ist. Es seien weiterhin über I über A Wahrscheinlichkeitsverteilungen. Dabei bezeichne I einen zufälligen Inut bezüglich A ein zufälliger Algorithmus bezüglich.
7 Dann gelten: max min ( I, A )] = min max ( I, A )] max min ( I A Α, A)] = min max ( I, A )] I Ι Aus diesem Korollar erhalten wir folgende Proosition. Proosition 2.5 (Yao s Minimax Princile): Für alle erteilungen über I über A gilt: min ( I A Α, A)] max ( I, A In anderen Worten: Die erwartete Laufzeit des otimalen deterministischen Algorithmus für eine zufällig gewählte Eingabeverteilung ist eine untere Schranke für die erwartete Laufzeit des otimalen randomisierten Algorithmus für. Wir sehen, um also die untere Schranke der randomisierten Komlexität zu beweisen reicht es, für beliebiges die untere Schranke der erwarteten Laufzeit von deterministischen Algorithmen zu beweisen. Die Stärke dieser echnik liegt in der Flexibilität von. Dabei sollte man nicht vergessen, dass der deterministische Algorithmus die gewählte erteilung kennt. Da wir uns etzt nur mit unteren Schranken der Effizienz von Las egas Algorithmen beschäftigt haben, wollen wir noch einen Blick auf die verbleibenden Monte arlo Algorithmen, mit Fehlerwahrscheinlichkeit ε [0, ½], werfen. Sei die minimale erwartete Laufzeit von edem deterministischen Algorithmus mit Fehlerschranke bei Eingabeverteilung bezeichnet mit: ε min A Α ε Sei die erwartete Laufzeit von edem randomisierten Algorithmus bei schlimmstmöglicher Eingabe mit Fehlerschranke ε bezeichnet mit: max I Ι ε Hierbei wird wiederum der randomisierte Algorithmus als Wahrscheinlichkeitsverteilung von deterministischen Algorithmen angesehen. Analog zu Proosition 2.5 erhalten wir I Ι ( I ( I, A, A)] )] )]
8 Poosition 2.6: Für alle erteilungen von I von A edem ε [0, ½], gilt: 2 (min A Α ( I, A)]) max ( I, A 2ε ε I Ι )] Dies sollte aber nur einen kleinen Einblick in die Schranken von Monte arlo Algorithmen geben. Literatur: Motwani, Raghavan: Randomized Algorithms, ambrige Press, 995
Seminar: Randomisierte Algorithmen Auswerten von Spielbäumen Nele Küsener
Seminar: Randomisierte Algorithmen Auswerten von Sielbäumen Nele Küsener In diesem Vortrag wird die Laufzeit von Las-Vegas-Algorithmen analysiert. Das Ergebnis ist eine obere und eine untere Schranke für
Mehr5 Zwei spieltheoretische Aspekte
5 Zwei spieltheoretische Aspekte In diesem Kapitel wollen wir uns mit dem algorithmischen Problem beschäftigen, sogenannte Und-Oder-Bäume (kurz UOB) auszuwerten. Sie sind ein Spezialfall von Spielbäumen,
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen 5. Zwei spieltheoretische Aspekte Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2015/2016 1 / 36 Überblick
MehrRandomisierte Algorithmen 2. Erste Beispiele
Randomisierte Algorithmen Randomisierte Algorithmen 2. Erste Beispiele Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 35 Randomisierter Identitätstest
MehrKapitel 7 und Kapitel 8: Gleichgewichte in gemischten Strategien. Einleitung. Übersicht Teil 2 2. Übersicht 3
Übersicht Teil 2 Kaitel 7 und Kaitel 8: Gleichgewichte in gemischten Strategien Übersicht Teil 2 2 Übersicht Einleitung Was ist eine gemischte Strategie? Nutzen aus gemischten Strategien Reaktionsfunktionen
MehrRandomisierte Algorithmen am Beispiel Quicksort
Randomisierte Algorithmen am Beispiel Quicksort Mathias Katzer Universität 28. Juli 2003 Mathias Katzer 0 Überblick Motivation: Begriff Randomisierung Quicksort Stochastik-Ausflug Effizienzanalyse Allgemeineres
MehrKapitel 4: Gemischte Strategien. Literatur: Tadelis Chapter 6
Kapitel 4: Gemischte Strategien Literatur: Tadelis Chapter 6 Idee In vielen Spielen gibt es kein Nash Gleichgewicht in reinen Strategien (und auch kein Gleichgewicht in dominanten Strategien) Darüber hinaus
MehrSpieltheorien und Theoreme
Spieltheorien und Theoreme Seminar: Randomisierte Algorithmen Prof. Dr. R. Klein Alexander Hombach Eine bilinguale Ausarbeitung von Alexander Hombach, Daniel Herrmann und Ibraguim Kouliev (Teil 1) Rheinische
MehrÜbersicht: 6.1 Einleitung 6.2 Klassische Theorie nichtkooperativer Spiele 6.3 Egoistisches Routing 6.4 Mechanismen-Entwurf 6.
6. Algorithmische Spieltheorie Übersicht: 6.1 Einleitung 6.2 Klassische Theorie nichtkooperativer Spiele 6.3 Egoistisches Routing 6.4 Mechanismen-Entwurf 6.5 Auktionen 561 6.1 Einleitung Übliche Modelle:
MehrGrundlagen: Algorithmen und Datenstrukturen
Technische Universität München Fakultät für Informatik Lehrstuhl für Effiziente Algorithmen Dr. Hanjo Täubig Tobias Lieber Sommersemester 2011 Übungsblatt 1 16. September 2011 Grundlagen: Algorithmen und
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen 11. Randomisierte Online-Algorithmen am Beispiel des Seitenwechselproblems Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie
MehrAlgorithmen. Spieltheorie. Nash-Gleichgewichte in endlichen Nullsummenspielen. Kodierung als Lineares Programm. Nash-Gleichgewichts-Berechnung
Spieltheorie Albert-Ludwigs-Universität Freiburg Bernhard Nebel und Robert Mattmüller Arbeitsgruppe Grundlagen der Künstlichen Intelligenz 14. Mai 2012 14. Mai 2012 B. Nebel, R. Mattmüller Spieltheorie
MehrLineare Kongruenzgeneratoren und Quicksort
Seminar Perlen der theoretischen Informatik Dozenten: Prof. Johannes Köbler und Olaf Beyersdorff Lineare Kongruenzgeneratoren und Quicksort Ausarbeitung zum Vortrag Mia Viktoria Meyer 12. November 2002
MehrKapitel 4: Gemischte Strategien
Kapitel 4: Gemischte Strategien Literatur: Tadelis Chapter 6 Prof. Dr. Philipp Weinschenk, Lehrstuhl für Mikroökonomik, TU Kaiserslautern Kapitel 4.1: Motivation Motivation In vielen Spielen gibt es kein
MehrSpieltheorie. Nash-Gleichgewichts-Berechnung. Bernhard Nebel und Robert Mattmüller. Arbeitsgruppe Grundlagen der Künstlichen Intelligenz 14.
Spieltheorie Nash-Gleichgewichts-Berechnung Albert-Ludwigs-Universität Freiburg Bernhard Nebel und Robert Mattmüller Arbeitsgruppe Grundlagen der Künstlichen Intelligenz 14. Mai 2012 14. Mai 2012 B. Nebel,
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Kapitel 2 Markus Lohrey Universität Leipzig http://www.informatik.uni-leipzig.de/~lohrey/rand WS 2005/2006 Markus Lohrey (Universität Leipzig) Randomisierte Algorithmen WS 2005/2006
MehrVorlesung: Nicht-kooperative Spieltheorie. Teil 4: 2-Personen-Nullsummenspiele
Vorlesung: Nicht-kooperative Spieltheorie Teil 4: 2-Personen-Nullsummenspiele Dr. Thomas Krieger Wintertrimester 2009 Dr. Thomas Krieger Vorlesung: Nicht-kooperative Spieltheorie 1 Definition 2-Personen-Nullsummenspiele
MehrGraphische Spiele. M i (p) M i (p[i : p i]) M i (p) + ε M i (p[i : p i])
Seminar über Algorithmen 19. November 2013 Michael Brückner Graphische Spiele Wolfgang Mulzer, Yannik Stein 1 Einführung Da in Mehrspielerspielen mit einer hohen Anzahl n N an Spielern die Auszahlungsdarstellungen
MehrÜbersicht über Informatik und Softwaresystemtechnik WS 99/00, Prof. Dr. Andreas Schwill
Konvexe Hülle Hierbei handelt es sich um ein klassisches Problem aus der Algorithmischen Geometrie, dem Teilgebiet der Informatik, in dem man für geometrische Probleme effiziente Algorithmen bestimmt.
MehrTypischerweise sind randomisierte Algorithmen einfacher zu beschreiben und zu implementieren als deterministische Algorithmen.
Kapitel Randomisierte Algorithmen Einleitung Definition: Ein Algorithmus, der im Laufe seiner Ausführung gewisse Entscheidungen zufällig trifft, heisst randomisierter Algorithmus. Beispiel: Bei der randomisierten
MehrTeil 2: Dynamische Spiele mit vollständigen Informationen
Teil : Dynamische Spiele mit vollständigen Informationen Kapitel 5: Grundsätzliches Literatur: Tadelis Chapter 7 Prof. Dr. Philipp Weinschenk, Lehrstuhl für Mikroökonomik, TU Kaiserslautern Kapitel 5.:
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck
Lemma 15 KLP 1 ist genau dann lösbar, wenn das dazugehörige LP KLP 2 eine Lösung mit dem Wert Z = 0 besitzt. Ist Z = 0 für x 0, x 0, dann ist x eine zulässige Lösung von KLP 1. Beweis von Lemma 15: Nach
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
MehrP, NP und NP -Vollständigkeit
P, NP und NP -Vollständigkeit Mit der Turing-Maschine haben wir einen Formalismus kennengelernt, um über das Berechenbare nachdenken und argumentieren zu können. Wie unsere bisherigen Automatenmodelle
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrProbabilistische Primzahltests
23.01.2006 Motivation und Überblick Grundsätzliches Vorgehen Motivation und Überblick Als Primzahltest bezeichnet man ein mathematisches Verfahren, mit dem ermittelt wird, ob eine gegebene Zahl eine Primzahl
Mehr6 Korrektheit des Simplexalgorithmus
6 Korrektheit des Simplexalgorithmus Folgerung: Es sei L: Ax = b, c T x max LP und A B nicht-degenerierte PZB von L und es gebe c r := c r c B A B A r > 0 a) Falls a r := A B a r 0, dann L unbeschränkt
MehrNash-Gleichgewichte in 2-Spieler Systemen. Katharina Klost Freie Universität Berlin
Nash-Gleichgewichte in 2-Spieler Systemen Katharina Klost Freie Universität Berlin Seminar über Algorithmen, 29.10.2013 Grundlegende Definitionen A Gewinnmatrix für Spieler 1, B Gewinnmatrix für Spieler
Mehr13. Woche: NP-Vollständigkeit Satz von Cook-Levin Anwendungen in der Kryptographie
13 Woche: NP-Vollständigkeit Satz von Cook-Levin Anwendungen in der Kryptographie 13 Woche: NP-Vollständigkeit, Satz von Cook-Levin, Anwendungen 276/ 333 N P-Vollständigkeit Ḋefinition NP-vollständig Sei
MehrDas Suchproblem 4. Suchen Das Auswahlproblem Suche in Array
Das Suchproblem Gegeben. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.-3,2.2-3,2.3-] Menge von Datensätzen. Beispiele
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:
Mehr1.8 Shift-And-Algorithmus
.8 Shift-And-Algorithmus nutzt durch Bitoperationen mögliche Parallelisierung Theoretischer Hintergrund: Nichtdeterministischer endlicher Automat Laufzeit: Θ(n), falls die Länge des Suchwortes nicht größer
MehrKonfidenzbereiche. Kapitel Grundlagen. Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus,
Kapitel 4 Konfidenzbereiche 4.1 Grundlagen Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden
MehrKapitel III Selektieren und Sortieren
Kapitel III Selektieren und Sortieren 1. Einleitung Gegeben: Menge S von n Elementen aus einem total geordneten Universum U, i N, 1 i n. Gesucht: i-kleinstes Element in S. Die Fälle i = 1 bzw. i = n entsprechen
MehrDas Suchproblem. Gegeben Menge von Datensätzen. Beispiele Telefonverzeichnis, Wörterbuch, Symboltabelle
122 4. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.1-3,2.2-3,2.3-5] 123 Das Suchproblem Gegeben Menge von Datensätzen.
MehrPareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen 1. Einleitung Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 20 Organisatorisches Überblick Organisatorisches
MehrEntwurf und Analyse von Datenstrukturen
Entwurf und Analyse von Datenstrukturen Sommersemester 2013 1. Termin: 17. April 2013 Jan-Henrik Haunert ehem. Mathebau, Raum E27 jan.haunert@uni-wuerzburg.de Alexander Wolff ehem. Mathebau, Raum E29 alexander.wolff@uni-wuerzburg.de
MehrNicht-kooperative Spiele
Kapitel 1 Nicht-kooperative Spiele 1.1 Zwei-Personen-Spiele Definition 1: Ein Zwei-Personen-Spiel Γ besteht aus einem Paar nichtleerer Mengen S T zwei reellwertigen Funktionen φ 1 φ 2 auf dem kartesischen
MehrMarkovsche Entscheidungsprozesse - Teil III Der erwartete Gesamtgewinn. Universität Siegen
Markovsche Entscheidungsprozesse - Teil III Der erwartete Gesamtgewinn Jan Müller Universität Siegen Sommersemester 2009 Inhaltsverzeichnis 1 Das Gesamtgewinn-Kriterium 1 1.1 Die Existenz des erwarteten
MehrErzeugendensystem und Basis
Erzeugendensystem und Basis Definition Erzeugendensystem und Basis eines Unterraums Sei S F n 2 ein Unterraum. Eine Menge G = {g 1,..., g k } S heißt Erzeugendensystem von S, falls jedes x S als Linearkombination
MehrGrundlagen: Algorithmen und Datenstrukturen
Technische Universität München Fakultät für Informatik Lehrstuhl für Effiziente Algorithmen Dr. Hanjo Täubig Tobias Lieber Sommersemester 011 Übungsblatt 30. Mai 011 Grundlagen: Algorithmen und Datenstrukturen
Mehr5.2 Charakteristisches Polynom und Eigenräume
5 Charakteristisches Polynom und Eigenräume Wie bestimmt man die Eigenwerte und Eigenräume einer Matrix? Den ersten Schritt beschreibt der folgende einfache Satz : Die Eigenwerte einer Matrix A aus K (
MehrÜberblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus
Überblick: Entscheidungstheoretische Konzepte Seminar Online-Optimierung Diana Balbus Einleitung Ein Online-Algorithmus muss Ausgaben berechnen, ohne zukünftige Eingaben zu kennen. Für die Bewertung von
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 7. Dezember 2017 INSTITUT FÜR THEORETISCHE 0 07.12.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrSignale und Codes Vorlesung 4
Signale und Codes Vorlesung 4 Nico Döttling December 6, 2013 1 / 18 2 / 18 Letztes Mal Allgemeine Hamming Codes als Beispiel linearer Codes Hamming Schranke: Obere Schranke für k bei gegebenem d bzw. für
MehrOptimierung. Vorlesung 04
Optimierung Vorlesung 04 Übungsbetrieb Mangels Teilnehmer keine Dienstagsübung mehr. Prüfung laut Paul: Di, 10. Feb. 2015 00:01-23:59 2 Was bisher geschah LP: Maximiere c T x unter Ax = b, x 0. Basis:
Mehr8. Woche Quadratische Reste und Anwendungen. 8. Woche: Quadratische Reste und Anwendungen 163/ 238
8 Woche Quadratische Reste und Anwendungen 8 Woche: Quadratische Reste und Anwendungen 163/ 238 Quadratische Reste Ḋefinition Quadratischer Rest Sei n N Ein Element a Z n heißt quadratischer Rest in Z
MehrElemente in Φ werden Wurzeln genannt. Bemerkung 3.2. (a) Zu einem Wurzelsystem können wir immer eine Spiegelungsgruppe definieren
3. Wurzelsysteme Als erstes führen wir den Begriff eines Wurzelsystems ein. Definition 3.1 (Wurzelsystem). Eine endliche Teilmenge Φ V {0} heißt Wurzelsystem falls gilt: (R1) Φ Rα = {±α} für α Φ, (R2)
Mehry (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x)
9 Ausgleichsrechnung 9.1 Problemstelllung Eine Reihe von Experimenten soll durchgeführt werden unter bekannten Versuchsbedingungen z Ê m. Es sollen Größen x Ê n bestimmt werden, für die ein Gesetz gelten
Mehr7. Kongruenzrechnung Definition: Proposition: Korollar: Beispiel: b ( a kongruent b modulo n ) auf Z, definiert durch:
7. Kongruenzrechnung 7. 1. Definition: Für n N sei die Relation: n a n b ( a kongruent b modulo n ) auf Z, definiert durch: a n b : n ( a b) a b ( mod n) Dies ist eine Äquivalenzrelation auf Z. Die Menge
Mehr2. Entsprechende Listen P i von Vorgängern von i 3. for i := 1 to n do. (ii) S i = Knoten 2 + 1}
1. Berechne für jeden Knoten i in BFS-Art eine Liste S i von von i aus erreichbaren Knoten, so dass (i) oder (ii) gilt: (i) S i < n 2 + 1 und Si enthält alle von i aus erreichbaren Knoten (ii) S i = n
MehrSatz von Riemann-Roch
Satz von Riemann-Roch Paul Schwadke 6042140 12. Dezember 2011 Der Satz von Riemann sagt aus, dass in einem Funktionenkörper F/K vom Geschlecht g ein Divisor A Div(F ) der Ungleichung dim K L(A) dega +
MehrObjektorientierte Programmierung VL: Prof. Dr. Marco Block-Berlitz - Freie Universität Berlin Proinformatik III
Objektorientierte Programmierung VL: Prof. Dr. Marco Block-Berlitz - Freie Universität Berlin Proinformatik III Text: Hinnerk van Bruinehsen - Grafiken: Jens Fischer powered by SDS.mint SoSe 2011 1 Teil
MehrKapitel: Die Chomsky Hierarchie. Die Chomsky Hierarchie 1 / 14
Kapitel: Die Chomsky Hierarchie Die Chomsky Hierarchie 1 / 14 Allgemeine Grammatiken Definition Eine Grammatik G = (Σ, V, S, P) besteht aus: einem endlichen Alphabet Σ, einer endlichen Menge V von Variablen
MehrDas Ski Problem. Das Ski Problem 1 / 38
Das Ski Problem Wir fahren in den Skiurlaub und sind vor die Entscheidung gestellt,? jeden Tag Skier für 1 Euro pro Tag zu leihen oder? für K Euro Skier zu kaufen. Leider wissen wir nicht, wie lange die
Mehr3: Zahlentheorie / Primzahlen
Stefan Lucks Diskrete Strukturen (WS 2009/10) 96 3: Zahlentheorie / Primzahlen 3: Zahlentheorie / Primzahlen Stefan Lucks Diskrete Strukturen (WS 2009/10) 97 Definition 37 (Teiler, Vielfache, Primzahlen,
MehrDer folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre 1990.
Ein polynomieller Algorithmus für das N-Damen Problem 1 Einführung Der folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre
MehrDie duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme
Kapitel 11 Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Wir betrachten folgendes Optimierungsproblem z = c T x min! Ax = b (11.1) (11.2) x j ganz für j = 1,..., n 1 n, (11.3)
MehrTeil 1: Statische Spiele mit vollständigen Informationen
Teil 1: Statische Spiele mit vollständigen Informationen Kapitel 1: Grundlagen und Notation Literatur: Tadelis Chapter 3 Statisches Spiel In einem statischen Spiel...... werden die Auszahlungen durch die
MehrUntere Schranken, Entscheidungsbäume, Yao s Min-Max-Lemma
Untere Schranken, Entscheidungsbäume, Yao s Min-Max-Lemma Proseminar: Die P-ungleich-NP-Vermutung (SS 2012) Yassine Marrakchi, Yuanfan Wang 15. Juni 2012 INSTITUT FÜR THEORETISCHE INFORMATIK KIT Universität
MehrKommunikationskomplexität
Kommunikationskomplexität Seminar über Algorithmen, Prof. Dr. Alt, Sommersemester 2010, Freie Universität Berlin Matthias Rost 13. Juli 2010 1 von 37 Matthias Rost Kommunikationskomplexität Inhaltsverzeichnis
Mehr3. Prozesse mit kontinuierlicher Zeit
3. Prozesse mit kontinuierlicher Zeit 3.1 Einführung Wir betrachten nun Markov-Ketten (X(t)) t R +. 0 Wie beim Übergang von der geometrischen zur Exponentialverteilung können wir uns auch hier einen Grenzprozess
MehrDie Komplexitätsklassen P und NP
Die Komplexitätsklassen P und NP Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen November 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit und
MehrÜbungen zur Wahrscheinlichkeitstheorie und Statistik
Übungen zur Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank Blatt 0 vom 16. April 2012 Aufgabe 1 (Wahrscheinlichkeitsräume). Welche der folgenden Aussagen sind wahr? Begründen Sie jeweils
MehrÜbungsklausur Algorithmen I
Jun.-Prof. Hofheinz, Jun.-Prof. Meyerhenke (ITI, KIT) 08.06.2015 Übungsklausur Algorithmen I Aufgabe 1. (Algorithm Engineering) Nennen Sie zwei Konzepte, die Algorithm Engineering im Gegensatz zu theoretischer
Mehr2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2016/2017
2. Klausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2016/2017 Hier Aufkleber mit Name und Matrikelnummer anbringen Vorname: Nachname: Matrikelnummer: Beachten Sie: Bringen Sie
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Wir befassen uns anschließend mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren einmal den begrifflichen Aspekt, d.h.
MehrWir wollen nun die Behauptung beweisen, dass die Laufzeit von SELECT linear ist, also dass T (n) = O(n) gilt.
Abschätzung für die Rekursion von SELECT Wir wollen nun die Behauptung beweisen, dass die Laufzeit von SELECT linear ist, also dass T (n) = O(n) gilt. Wir nehmen erst einmal an, dass eine Konstante d existiert,
MehrKapitel 2. Weitere Beispiele Effizienter Algorithmen
Kapitel 2 Weitere Beispiele Effizienter Algorithmen Sequentielle Suche Gegeben: Array a[1..n] Suche in a nach Element x Ohne weitere Zusatzinformationen: Sequentielle Suche a[1] a[2] a[3] Laufzeit: n Schritte
MehrSystems of Distinct Representatives
Systems of Distinct Representatives Seminar: Extremal Combinatorics Peter Fritz Lehr- und Forschungsgebiet Theoretische Informatik RWTH Aachen Systems of Distinct Representatives p. 1/41 Gliederung Einführung
Mehr2. Grundlagen. Beschreibung von Algorithmen durch Pseudocode. Korrektheit von Algorithmen durch Invarianten.
2. Grundlagen Beschreibung von Algorithmen durch Pseudocode. Korrektheit von Algorithmen durch Invarianten. Laufzeitverhalten beschreiben durch O-Notation. 1 Beispiel Minimum-Suche Eingabe bei Minimum
Mehr7. Woche Extra-Material: - Beispiele von Codes. 7. Woche: Beispiele von Codes 144/ 238
7 Woche Extra-Material: - Beispiele von Codes 7 Woche: Beispiele von Codes 144/ 238 Hamming-Matrix H(h) und Hammingcode H(h) Wir definieren nun eine Parity-Check Matrix H(h) von einem neuen Code: Parametrisiert
MehrDer Bestimmtheitssatz
2. Spielbäume und Intelligente Spiele Der Minimax-Algorithmus Der Bestimmtheitssatz Satz 2.1. Gegeben sei ein Spiel, das die folgenden Eigenschaften hat: 1. Das Spiel wird von zwei Personen gespielt. 2.
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
MehrKryptographie und Komplexität
Kryptographie und Komplexität Einheit 4.4 Semantische Sicherheit 1. Sicherheit partieller Informationen 2. Das Verfahren von Rabin 3. Sicherheit durch Randomisierung Semantische Sicherheit Mehr als nur
MehrÜbung zur Vorlesung Theoretische Information. Minimierungsalgorithmus
Übung zur Vorlesung Theoretische Information Minimierungsalgorithmus Folie Warum Automaten minimieren? Zwei endliche Automaten Automat q q Automat 2 q q Beide akzeptieren die selbe Sprache Welche? q 2
Mehr2.7 Der Shannon-Fano-Elias Code
2.7 Der Shannon-Fano-Elias Code Die Huffman-Codierung ist ein asymptotisch optimales Verfahren. Wir haben auch gesehen, dass sich die Huffman-Codierung gut berechnen und dann auch gut decodieren lassen.
Mehr1 Einführung: Algorithmen. Algorithmen und Datenstrukturen WS 2012/13. Pro f. Dr. Sán do r Fe k e te
1 Einführung: Algorithmen Algorithmen und Datenstrukturen WS 2012/13 Pro f. Dr. Sán do r Fe k e te Literatur 1.1 Was ist ein Algorithmus? Ein Algorithmus ist eine aus endlich vielen Schritten bestehende
MehrIV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1
IV. Spieltheorie 1. Gegenstand der Spieltheorie 2. Einführung in Matrixspiele 3. Strategien bei Matrixspielen 4. Weitere Beispiele 5. Mögliche Erweiterungen H. Weber, FHW, OR SS07, Teil 7, Seite 1 1. Gegenstand
MehrOptimierung. Optimierung. Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus Fabian Kuhn
Optimierung Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus 1 Resource Allocation Beispiel aus Vorlesung 6 Primales LP: Duales LP: max 3 4 2 2 4 2 8 3 6 0, 0, 0 min 4 8 6 2 3 3 4 2 2 0, 0,
MehrDarstellung von Gruppen
Darstellung von Gruppen Definition Darstellung von Gruppen Sei G eine endlich erzeugte abelsche Gruppe mit Erzeugern S = (g 1,..., g k ) G k. Elemente des Kerns von ϕ S : Z k G, (m 1,..., m k ) k i=1 m
Mehr68 Abschätzungen für Abweichungen vom Erwartungswert
68 Abschätzungen für Abweichungen vom Erwartungswert 68.1 Motivation Mit der Varianz bzw. Standardabweichungen kennen wir bereits ein Maß für die Fluktuation einer Zufallsvariablen um ihren Erwartungswert.
MehrPunktlokalisation 1. Trapez-Zerlegungen. 2. Eine Suchstruktur. 3. Randomisierter, inkrementeller Algorithmus zur Konstruktion der Trapez-Zerlegung
Punktlokalisation 1. Trapez-Zerlegungen 2. Eine Suchstruktur 3. Randomisierter, inkrementeller Algorithmus zur Konstruktion der Trapez-Zerlegung 4. Analyse Punktlokalisation Einteilung in Streifen Anfragezeit:
MehrKostenmodell. Daniel Graf, Tobias Pröger. 22. September 2016 (aktualisierte Fassung 5 vom 9. Oktober 2016)
Kostenmodell Daniel Graf, Tobias Pröger 22. September 2016 (aktualisierte Fassung 5 vom 9. Oktober 2016) Erklärung: Diese Mitschrift ist als Ergänzung zur Vorlesung gedacht. Wir erheben keinen Anspruch
Mehr3. Suchen. Das Suchproblem. Suche in Array. Lineare Suche. 1 n. i = n Gegeben Menge von Datensätzen.
Das Suchproblem Gegeben Menge von Datensätzen. 3. Suchen Beispiele Telefonverzeichnis, Wörterbuch, Symboltabelle Jeder Datensatz hat einen Schlüssel k. Schlüssel sind vergleichbar: eindeutige Antwort auf
MehrDem Anschein nach werden diese Zahlen kleiner und kleiner und streben gegen Null. Was sollen sie sonst auch tun? Aber der Begriff
47 5 Irrationales 5.1 Folgen, Konvergenz und Vollständigkeit Eine Abbildung a : N R definiert eine Folge von reellen Werten a 1 = a(1), a 2 = a(2), a 3 = a(3),... Solche Zahlenfolgen werden uns dazu dienen,
MehrA7.1 Untere Schranke. Algorithmen und Datenstrukturen. A7.1 Untere Schranke. Algorithmen und Datenstrukturen. A7.2 Quicksort. A7.
Algorithmen und Datenstrukturen 14. März 2018 A7. III Algorithmen und Datenstrukturen A7. III Marcel Lüthi and Gabriele Röger Universität Basel 14. März 2018 A7.1 Untere Schranke A7.2 Quicksort A7.3 Heapsort
MehrEinwegfunktionen. Problemseminar. Komplexitätstheorie und Kryptographie. Martin Huschenbett. 30. Oktober 2008
Problemseminar Komplexitätstheorie und Kryptographie Martin Huschenbett Student am Institut für Informatik an der Universität Leipzig 30. Oktober 2008 1 / 33 Gliederung 1 Randomisierte Algorithmen und
MehrDas Suchproblem. Gegeben Menge von Datensätzen. Beispiele Telefonverzeichnis, Wörterbuch, Symboltabelle
119 4. Suchen Lineare Suche, Binäre Suche, Interpolationssuche, Exponentielle Suche, Untere Schranken [Ottman/Widmayer, Kap. 3.2, Cormen et al, Kap. 2: Problems 2.1-3,2.2-3,2.3-5] 120 Das Suchproblem Gegeben
MehrSeminararbeit zur Spieltheorie. Thema: Rationalisierbarkeit und Wissen
Seminararbeit zur Spieltheorie Thema: Rationalisierbarkeit und Wissen Westfälische-Wilhelms-Universität Münster Mathematisches Institut Dozent: Prof. Dr. Löwe Verfasst von: Maximilian Mümken Sommersemester
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrAlgorithmen und Datenstrukturen 1 Kapitel 5
Algorithmen und Datenstrukturen 1 Kapitel 5 Technische Fakultät robert@techfak.uni-bielefeld.de Vorlesung, U. Bielefeld, Winter 2005/2006 Kapitel 5: Effizienz von Algorithmen 5.1 Vorüberlegungen Nicht
MehrD-INFK Lineare Algebra HS 2014 Roman Glebov Marc Pollefeys. Serie 13
D-INFK Lineare Algebra HS 2014 Roman Glebov Marc Pollefeys Serie 13 1. Um einen Tisch sitzen 7 Zwerge. Vor jedem steht ein Becher mit Milch. Einer der Zwerge verteilt seine Milch gleichmässig auf alle
Mehr8 Martingale und Stoppzeiten
8 Martingale und Stozeiten Definition Sei I eine beliebige Indexmenge und (Ω, A, P ) ein Wahrscheinlichkeitsraum. a) Eine Familie von Zufallsvariablen (X t ) t I auf (Ω, A, P ) heißt stochastischer Prozess
Mehr6. Woche: Lineare Codes, Syndrom, Gilbert-Varshamov Schranke. 6. Woche: Lineare Codes, Syndrom, Gilbert-Varshamov Schranke 107/ 238
6 Woche: Lineare Codes, Syndrom, Gilbert-Varshamov Schranke 6 Woche: Lineare Codes, Syndrom, Gilbert-Varshamov Schranke 107/ 238 Erinnerung: Der Vektorraum F n 2 Schreiben {0, 1} n als F n 2 Definition
Mehr