13.1 Einführung Einführung. Grundlagen der Künstlichen Intelligenz Gierige Bestensuche 13.3 A Weighted A. 13.
|
|
- Andrea Michel
- vor 6 Jahren
- Abrufe
Transkript
1 Grundlagen der Künstlichen Intelligenz 31. März Klassische Suche: Gierige Bestensuche, A, Weighted A Grundlagen der Künstlichen Intelligenz 13. Klassische Suche: Gierige Bestensuche, A, Weighted A Malte Helmert Universität Basel 31. März Einführung 13.2 Gierige Bestensuche 13.3 A 13.4 Weighted A 13.5 Zusammenfassung M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 Klassische Suche: Überblick 13. Klassische Suche: Gierige Bestensuche, A, Weighted A Einführung Kapitelüberblick klassische Suche: Einführung Basisalgorithmen heuristische Algorithmen 10. Heuristiken 11. Analyse von Heuristiken 12. Bestensuche als Graphensuche 13. Gierige Bestensuche, A, Weighted A 14. IDA 15. A : Optimalität, Teil I 16. A : Optimalität, Teil II 17. A : Vollständigkeit und Komplexität 13.1 Einführung M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23
2 13. Klassische Suche: Gierige Bestensuche, A, Weighted A Einführung Worum geht s? In diesem Kapitel schauen wir uns die Algorithmen aus dem letzten Kapitel genauer an: Gierige Bestensuche A Weighted A 13.2 Gierige Bestensuche M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 Gierige Bestensuche Beispiel: Gierige Bestensuche für Routenplanung Gierige Bestensuche Berücksichtige nur die Heuristik: f (n) = h(n.state) Anmerkung: normalerweise ohne Reopening (aus Effizienzgründen) Dobreta Neamt Iasi Vaslui 142 Lugoj Pitesti Mehadia Urziceni Hirsova 138 Bucharest Craiova Giurgiu Eforie 366 Bucharest 0 Craiova 160 Drobeta 242 Eforie Giurgiu 77 Hirsova 151 Iasi 226 Lugoj 244 Mehadia 241 Neamt Pitesti Urziceni 80 Vaslui M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23
3 Beispiel: Gierige Bestensuche für Routenplanung Gierige Bestensuche: Eigenschaften (a) The initial state 366 (b) After expanding (c) After expanding (d) After expanding vollständig für sichere Heuristiken (wie alle Varianten der Bestensuche als Graphensuche) suboptimal: Lösungen können beliebig schlecht sein oft sehr schnell: in der Praxis einer der schnellsten Suchalgorithmen monotone Transformation von h (z. B. Skalierung, additive Konstante) beeinflusst nicht das Verhalten (Warum ist das interessant?) Bucharest M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 A 13.3 A A Verbinde gierige Bestensuche mit uniformer Kostensuche: f (n) = g(n) + h(n.state) Abwägen zwischen Pfadkosten und Nähe zum Ziel f (n) schätzt Gesamtkosten der billigsten Lösung vom Anfangszustand über n zum Ziel M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23
4 A : Zitate Beispiel: A für Routenplanung Dobreta Neamt Iasi Vaslui 142 Lugoj Pitesti (a) The initial state 98 Mehadia =0+366 Urziceni Hirsova (b) After expanding 138 Bucharest Craiova Giurgiu Eforie 393= = Bucharest 0 Craiova 160 Drobeta 242 Eforie Giurgiu 77 Hirsova 151 Iasi 226 Lugoj 244 Mehadia 241 Neamt Pitesti Urziceni 80 Vaslui =+374 (c) After expanding M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 M. Helmert (Universität Basel) Grundlagen der Rimnicu Künstlichen Vilcea Intelligenz 31. März / = = = = (d) After expanding Beispiel: A für Routenplanung 13. Klassische Suche: Gierige Bestensuche, A, Weighted A A Beispiel: A für Routenplanung 646= = = (a) The initial state 366=0+366 (e) After expanding Craiova Pitesti 526= = = (b) After expanding 393= = = = = (c) After expanding Bucharest Craiova Pitesti 591= = = = = (f) After expanding Pitesti 646= = = = (d) After expanding 646= = Bucharest Craiova Pitesti 591= = = = = = = Bucharest Craiova 418= = = Craiova Pitesti 526= = = (e) After expanding M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23
5 A : Eigenschaften A : Implementierungsaspekte vollständig für sichere Heuristiken (wie alle Varianten der Bestensuche als Graphensuche) mit Reopening: optimal, wenn Heuristik zulässig ohne Reopening: optimal, wenn Heuristik konsistent und zulässig Beweise: Kapitel 15 und 16 Einige praktische Anmerkungen für die Implementierung von A : häufiger Bug: kein Reopening implementiert, obwohl die Heuristik nicht konsistent ist häufiger Bug: Duplikatstest zu früh (beim Erzeugen der Suchknoten) häufiger Bug: Zieltest zu früh (beim Erzeugen der Suchknoten) all diese Bugs führen zum Verlust der Optimalität und können lange unentdeckt bleiben M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / Klassische Suche: Gierige Bestensuche, A, Weighted A Weighted A 13. Klassische Suche: Gierige Bestensuche, A, Weighted A Weighted A Weighted A 13.4 Weighted A Weighted A A mit stärker gewichteter Heuristik: f (n) = g(n) + w h(n.state), wobei Gewicht w R + 0 mit w 1 ein frei wählbarer Parameter ist Anmerkung: w < 1 ist denkbar, aber meist keine gute Idee (Warum nicht?) M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23
6 13. Klassische Suche: Gierige Bestensuche, A, Weighted A Weighted A Weighted A : Eigenschaften 13. Klassische Suche: Gierige Bestensuche, A, Weighted A Zusammenfassung Gewichtsparameter kontrolliert Gierigkeit der Suche: w = 0: wie uniforme Kostensuche w = 1: wie A w : wie gierige Bestensuche 13.5 Zusammenfassung Mit w 1 analoge Eigenschaften zu A : h zulässig: gefundene Lösung garantiert höchstens Faktor w so teuer wie Optimum, wenn Reopening verwendet wird h konsistent und zulässig: gefundene Lösung garantiert höchstens Faktor w so teuer wie Optimum; kein Reopening nötig (ohne Beweis) M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / Klassische Suche: Gierige Bestensuche, A, Weighted A Zusammenfassung Zusammenfassung Bestensuche als Graphensuche mit Bewertungfunktion f : f = h: gierige Bestensuche suboptimal, oft sehr schnell f = g + h: A optimal, wenn h zulässig und konsistent oder wenn h zulässig und Reopening verwendet wird f = g + w h: Weighted A für w 1 Suboptimalitätsfaktor höchstens w unter den gleichen Bedingungen wie für Optimalität von A M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 31. März / 23
Grundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 5. Klassische Suche: Beispiele von Zustandsräumen Malte Helmert Universität Basel 7. März 2014 Suchprobleme: Überblick Kapitelüberblick klassische Suche: 3. 5. Einführung
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.
MehrHeuristische Suche. Uninformierte (blinde) Suchverfahren. erzeugen systematisch neue Knoten im Suchbaum und führen jeweils den Zieltest durch;
Heuristische Suche Uninformierte (blinde) Suchverfahren erzeugen systematisch neue Knoten im Suchbaum und führen jeweils den Zieltest durch; verwenden keine problemspezifische Zusatzinformation. Informierte
Mehr3. Problemlösen durch Suche
3. Problemlösen durch Suche Problemlösende Agenten sind zielorientierte Agenten. Zielformulierung Fokussierung des möglichen Verhaltens unter Berücksichtigung der aktuellen Situation Problemformulierung
Mehr23.1 Constraint-Netze
Grundlagen der Künstlichen Intelligenz 1. April 2015 2. Constraint-Satisfaction-Probleme: Constraint-Netze Grundlagen der Künstlichen Intelligenz 2. Constraint-Satisfaction-Probleme: Constraint-Netze Malte
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
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Suchprobleme bestehen aus Zuständen
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
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 22. Constraint-Satisfaction-Probleme: Kantenkonsistenz Malte Helmert Universität Basel 14. April 2014 Constraint-Satisfaction-Probleme: Überblick Kapitelüberblick
Mehr39.1 Alpha-Beta-Suche
Grundlagen der Künstlichen Intelligenz. Mai 0 9. Brettspiele: Alpha-Beta-Suche und Ausblick Grundlagen der Künstlichen Intelligenz 9. Brettspiele: Alpha-Beta-Suche und Ausblick 9.1 Alpha-Beta-Suche Malte
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
MehrKapitel III - Merkmalsarten
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Statistik 1 - Deskriptive Statistik Kapitel III - Merkmalsarten Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
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
MehrTheorie der Informatik. Theorie der Informatik. 6.1 Einführung. 6.2 Alphabete und formale Sprachen. 6.3 Grammatiken. 6.4 Chomsky-Hierarchie
Theorie der Informatik 17. März 2014 6. Formale Sprachen und Grammatiken Theorie der Informatik 6. Formale Sprachen und Grammatiken Malte Helmert Gabriele Röger Universität Basel 17. März 2014 6.1 Einführung
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 5 Prof. Peter F. Stadler & Dr. Christian Höner zu Siederdissen Bioinformatik/IZBI Institut für Informatik & Interdisziplinäres Zentrum für Bioinformatik Universität
MehrBeschreibungskomplexität von Grammatiken Definitionen
Beschreibungskomplexität von Grammatiken Definitionen Für eine Grammatik G = (N, T, P, S) führen wir die folgenden drei Komplexitätsmaße ein: Var(G) = #(N), Prod(G) = #(P ), Symb(G) = ( α + β + 1). α β
MehrVery simple methods for all pairs network flow analysis
Very simple methods for all pairs network flow analysis Tobias Ludes 02.07.07 Inhalt Einführung Algorithmen Modifikation der Gomory-Hu Methode Einführung Nach Gomory-Hu nur n-1 Netzwerk-Fluss- Berechnungen
MehrGrundlagen der Künstlichen Intelligenz. 9.1 Einführung und Beispiele. 9.2 Constraint-Netze. 9.3 Belegungen und Konsistenz. 9.
Grundlagen der Künstlichen Intelligenz 8. April 201 9. Constraint-Satisfaction-Probleme: Einführung Grundlagen der Künstlichen Intelligenz 9. Constraint-Satisfaction-Probleme: Einführung Malte Helmert
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)
MehrAufgabe 5.3 Duale Simplexverfahren
Aufgabe 5.3 Knut Krause Thomas Siwczyk Stefan Tittel Technische Universität Dortmund Fakultät für Informatik Algorithmen und Datenstrukturen 15. Januar 2009 Gliederung 1 Aufgabenstellung und Motivation
MehrNichtdeterministische Platzklassen
Sommerakademie 2010 Rot an der Rot AG 1: Wieviel Platz brauchen Algorithmen wirklich? Nichtdeterministische Platzklassen Ulf Kulau August 23, 2010 1 Contents 1 Einführung 3 2 Nichtdeterminismus allgemein
MehrOptimale Produktliniengestaltung mit Genetischen Algorithmen
Optimale Produktliniengestaltung mit Genetischen Algorithmen 1 Einleitung 2 Produktlinienoptimierung 3 Genetische Algorithmen 4 Anwendung 5 Fazit Seite 1 Optimale Produktliniengestaltung mit Genetischen
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/59 Graphische Darstellung von Zusammenhängen schon
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?
MehrEinführung in Suchverfahren
Einführung in Suchverfahren Alfred Kranstedt 0.0.0 Seminar Intelligente Algorithmen Was ist heute Thema?. Was ist ein Suchproblem? Definitionen, Darstellungen etc.. Suchstrategien Blinde Suche Heuristische
Mehr2. Algorithmen und Algorithmisierung Algorithmen und Algorithmisierung von Aufgaben
Algorithmen und Algorithmisierung von Aufgaben 2-1 Algorithmisierung: Formulierung (Entwicklung, Wahl) der Algorithmen + symbolische Darstellung von Algorithmen Formalismen für die symbolische Darstellung
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrDie Grundidee der Landscapes
Die Grundidee der Landscapes Patrick Mangat Referat zur Vorlesung Kosmologie 11. Januar 2012 Überblick Motivation hinter den Landscapes Kurzer Überblick über die Stringtheorien Moduli Stabilisierung Landscapes
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 39. Brettspiele: Alpha-Beta-Suche und Ausblick Malte Helmert Universität Basel 23. Mai 2014 Brettspiele: Überblick Kapitelüberblick: 38. Einführung und Minimax-Suche
MehrAlgorithmen und Datenstrukturen Kapitel 10
Algorithmen und Datenstrukturen Kapitel 10 Flüsse Frank Heitmann heitmann@informatik.uni-hamburg.de 6. Januar 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/8 Flüsse Graphen Grundlagen Definition
MehrKlausur Grundlagen der Künstlichen Intelligenz
Klausur Grundlagen der Künstlichen Intelligenz 19.04.2007 Name, Vorname: Studiengang: Hinweise: Überprüfen Sie bitte, ob Sie alle 16 Seiten der Klausur erhalten haben. Bitte versehen Sie vor Bearbeitung
MehrAlgorithmen mit konstantem Platzbedarf: Die Klasse REG
Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August
MehrDefinition: Variablentransformation d. Form (2) heisst "kanonisch", wenn sie d. Form der kanonischen Bewegungsgleichungen erhält, d.h.
Zusammenfassung: kanonische Transformationen Definition: Variablentransformation d. Form (2) heisst "kanonisch", wenn sie d. Form der kanonischen Bewegungsgleichungen erhält, d.h., wenn ein existiert,
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 4 Programm des
MehrChristian Schulz und Johannes Singler
Christian Schulz und Johannes Singler, Prof. Sanders 1 KIT Christian Universität des Schulz Landes Baden-Württemberg und Johannes undsingler: nationales 3. Übung Forschungszentrum Algorithmen in der Helmholtz-Gemeinschaft
MehrALLGEMEINE LÖSUNG DES 12-KUGEL-PROBLEMS. Inhaltsverzeichnis 1. Einleitung 1
ALLGEMEINE LÖSUNG DES 1-KUGEL-PROBLEMS DOMINIK BRODOWSKI Inhaltsverzeichnis 1. Einleitung 1. Beweis 1 : n 3w 3 1.1. Behauptung 1.. Teil 1.3. Teil 3. Definitionen und Hilfsbeweis 3.1. Definitionen 3.. Hilfsbeweis
MehrTheorie der Informatik
Theorie der Informatik 8. Reguläre Sprachen II Malte Helmert Gabriele Röger Universität Basel 24. März 24 Pumping Lemma Pumping Lemma: Motivation Man kann zeigen, dass eine Sprache regulär ist, indem man
Mehr12 (2-4)-Bäume Implementierbare Funktionen. (2-4)-Bäume sind durch folgende Eigenschaften deniert: 1. Alle Äste sind gleich lang
12 (2-4)-Bäume (2-4)-Bäume sind durch folgende Eigenschaften deniert: 1. Alle Äste sind gleich lang 2. Die Ordnung (maximale Anzahl der Söhne eines Knotens) ist gleich 4 3. Innere Knoten haben 2 Söhne
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.
MehrDank. Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I. Probleme über Sprachen. Teil II.
Dank Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Diese Vorlesungsmaterialien basieren ganz wesentlich auf den Folien zu den Vorlesungen
MehrEinstieg in die Informatik mit Java
1 / 32 Einstieg in die Informatik mit Java Effizienz Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 32 1 Überblick: was ist Effizienz? 2 Landau-Symbole 3 Eier im Korb 4
MehrOperationen auf endlichen Automaten und Transduktoren
Operationen auf endlichen Automaten und Transduktoren Kursfolien Karin Haenelt 1 Notationskonventionen L reguläre Sprache A endlicher Automat DEA deterministischer endlicher Automat NEA nichtdeterministischer
MehrSingle Source Sortest Path Negative Kreise All-Pair Shortest Path Problem Minimum Mean Cycle Zusammenfassung. Shortest Paths
Shortest Paths Label Correcting Algorithms Florian Reitz Universität Trier Fachbereich IV Fach Informatik Seminar Netzwerkalgorithmen WS 2005/2006 Einleitung: Problemübersicht Eben: Schnelle Algorithmen
MehrLeistungsprogrammplanung im Krankenhaus mit genetischen Algorithmen Ein Ansatz mit Hilfe der InEK-Referenzwerte auf Kostenmodul-Ebene.
Leistungsprogrammplanung im Krankenhaus mit genetischen Algorithmen Ein Ansatz mit Hilfe der InEK-Referenzwerte auf Kostenmodul-Ebene. Prof. Dr. Axel Focke Hochschule Neu-Ulm Wileyallee 5 89231 Neu-Ulm
MehrSchnelle und genaue Routenplanung
Sanders/Schultes: Routenplanung 1 Schnelle und genaue Routenplanung Peter Sanders Dominik Schultes Institut für Theoretische Informatik Algorithmik II Universität Karlsruhe Uni für Einsteiger, 22. November
MehrTheorie der Informatik
Theorie der Informatik 15. primitive Rekursion und µ-rekursion Malte Helmert Gabriele Röger Universität Basel 22. April 2015 Überblick: Vorlesung Vorlesungsteile I. Logik II. Automatentheorie und formale
Mehr[ 1 ] Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an.
13 Zeitreihenanalyse 1 Kapitel 13: Zeitreihenanalyse A: Übungsaufgaben: [ 1 ] 1 a a) Nach der Formel x t+i berechnet man einen ein f achen gleitenden Durchschnitt. 2a + 1 i= a b) Die Residuale berechnet
MehrLeistungsprogrammplanung im Krankenhaus mit genetischen Algorithmen Ein Ansatz mit Hilfe der InEK-Referenzwerte auf Kostenmodul-Ebene.
Leistungsprogrammplanung im Krankenhaus mit genetischen Algorithmen Ein Ansatz mit Hilfe der InEK-Referenzwerte auf Kostenmodul-Ebene. Dr. rer. pol. Axel Focke Universität Duisburg-Essen Lehrstuhl Medizin-Management
MehrAbgabe: (vor der Vorlesung) Aufgabe 2.1 (P) O-Notation Beweisen Sie die folgenden Aussagen für positive Funktionen f und g:
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 2 Prof. Dr. Helmut Seidl, S. Pott,
MehrKomplexität von Algorithmen
Komplexität von Algorithmen Prof. Dr. Christian Böhm WS 07/08 in Zusammenarbeit mit Gefei Zhang http://www.dbs.informatik.uni-muenchen.de/lehre/nfinfosw Ressourcenbedarf - Größenordnungen Prozesse verbrauchen
MehrÖkonomische Analyse der Medikamentenverteilung im Krankenhaus
Helmut Kühn Ökonomische Analyse der Medikamentenverteilung im Krankenhaus Eine empirische Simulationsstudie UNIVERSITÄTS- BIBLIOTHEK PETER LANG Frankfurt am Main Bern New York Nancy INHALTSVERZEICHNIS
MehrWir betrachten das folgende nicht gerichtete Netzwerk:
Beispiel 3.. Wir etrachten das folgende nicht gerichtete Netzwerk: v=a 9 4 c 5 2 1 6 4 d e 13 1 f 26 18 3 5 4 g 2 2 h i Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 1/2 86 Bemerkung 3.6. Der
MehrGefühl*** vorher / nachher. Situation* Essen (was und wie viel?) Ess- Motiv** Tag Datum Frühstück Zeit: Allgemeines Befinden
Name: Größe: cm Gewicht: kg Alter: Jahre Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation*
MehrInformatik-Sommercamp 2012. Mastermind mit dem Android SDK
Mastermind mit dem Android SDK Übersicht Einführungen Mastermind und Strategien (Stefan) Eclipse und das ADT Plugin (Jan) GUI-Programmierung (Dominik) Mastermind und Strategien - Übersicht Mastermind Spielregeln
MehrKapitel 3: Untere Schranken für algorithmische Probleme Gliederung
Gliederung 1. Grundlagen 2. Analyse der Laufzeit von Algorithmen 3. Untere Schranken für algorithmische Probleme 4. Sortier- und Selektionsverfahren 5. Paradigmen des Algorithmenentwurfs 6. Ausgewählte
MehrKapitel 2: Analyse der Laufzeit von Algorithmen Gliederung
Gliederung 1. Motivation / Einordnung / Grundlagen 2. Analyse der Laufzeit von Algorithmen 3. Untere Schranken für algorithmische Probleme 4. Sortier- und Selektionsverfahren 5. Paradigmen des Algorithmenentwurfs
Mehr1 Σ endliches Terminalalphabet, 2 V endliche Menge von Variablen (mit V Σ = ), 3 P (V (Σ ΣV )) {(S, ε)} endliche Menge von Regeln,
Theorie der Informatik 8. März 25 8. Reguläre Sprachen I Theorie der Informatik 8. Reguläre Sprachen I 8. Reguläre Grammatiken Malte Helmert Gabriele Röger 8.2 DFAs Universität Basel 8. März 25 8.3 NFAs
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
MehrAlgorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke
Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen
MehrResolutionsalgorithmus
112 Resolutionskalkül Mit dem Begriff Kalkül bezeichnet man eine Menge von syntaktischen Umformungsregeln, mit denen man semantische Eigenschaften der Eingabeformel herleiten kann. Für den Resolutionskalkül:
MehrLogistik: Transport. Grundlagen, lineare Transportund Umladeprobleme. Von Dr. Wolfgang Domschke. o. Professor für Betriebswirtschaftslehre
Logistik: Transport Grundlagen, lineare Transportund Umladeprobleme Von Dr. Wolfgang Domschke o. Professor für Betriebswirtschaftslehre Zweite, ergänzte Auflage TECHNISCH!: MOC cchule DARiviSTAOT j P e
MehrDeskriptive Statistik Kapitel III - Merkmalsarten
Deskriptive Statistik Kapitel III - Merkmalsarten Georg Bol bol@statistik.uni-karlsruhe.de hoechstoetter@statistik.uni-karlsruhe.de April 26, 2006 Typeset by FoilTEX Agenda 1. Merkmalsarten 2. Skalen 3.
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
Mehr5. Lokale Suchverfahren. Beispiel TSP: k-change Nachbarschaft. Nachbarschaft. k-opt Algorithmus
5. Lokale Suchverfahren Lokale Suche 5. Lokale Suchverfahren Beispiel TSP: k-change Nachbarschaft Optimale Lösungen können oft nicht effizient ermittelt werden. Heuristiken liefern zwar zulässige Lösungen,
MehrGrundidee(n) der künstlichen Intelligenz. (c) by Andreas Breckheimer
Grundidee(n) der künstlichen Intelligenz (c) by Andreas Breckheimer 1 Inhaltsverzeichnis: Vorwort: 3 Kapitel 1: 4 1.1 Definition 4 1.2. Grundlegendes 5 1.3. Kerngebiete der KI 6 1.3.1. Kerngebiet der KI:
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 3, Donnerstag 6.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 3, Donnerstag 6. November 2014 (O-Notation, Theta, Omega) Junior-Prof. Dr. Olaf Ronneberger
MehrAufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.
MehrVorab : Von dem indischen Mathematiker D. R. Kaprekar stammt folgender Zusammenhang :
Seite 1 Algorithmen zur Erzeugung von Kaprekar- Konstanten Autor : Dipl.- Ing. Josef Meiler ; Datum : März 015 Vorab : Von dem indischen Mathematiker D. R. Kaprekar stammt folgender Zusammenhang : a) man
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Rot-schwarz Bäume Eigenschaften Rotationen Einfügen (Löschen) 2 Einführung Binäre Suchbäume Höhe h O(h) für Operationen
Mehr4. Die Laplacesche Gleichverteilung
Universität Basel Wirtschaftswissenschaftliches Zentrum Grundlagen der Stochastik Dr. Thomas Zehrt Inhalt: 1. Die Ereignismenge 2. Die Wahrscheinlichkeitsverteilung 3. Eigenschaften einer Wahrscheinlichkeitsverteilung
MehrInformatik II, SS 2014
Informatik II SS 2014 (Algorithmen & Datenstrukturen) Vorlesung 13 (18.6.2014) Binäre Suchbäume IV (Rot Schwarz Bäume) Algorithmen und Komplexität Rot Schwarz Bäume Ziel: Binäre Suchbäume, welche immer
MehrHilbert-Kalkül (Einführung)
Hilbert-Kalkül (Einführung) Es gibt viele verschiedene Kalküle, mit denen sich durch syntaktische Umformungen zeigen läßt, ob eine Formel gültig bzw. unerfüllbar ist. Zwei Gruppen von Kalkülen: Kalküle
MehrHybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents
Hybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents Betreut von: ao.univ.-prof. Dr. Günther R. Raidl ao.univ.-prof. Dr. Ulrich Pferschy 25. Jänner 2010
MehrTransaktionen. Michael Löwe 04/15/16. FHDW Hannover, Freundallee 15, Hannover address:
Transaktionen Michael Löwe 04/15/16 FHDW Hannover, Freundallee 15, 30173 Hannover E-mail address: michael.loewe@fhdw.de KAPITEL 1 Isolation 1.1. Formales Modell für Transaktionen und Ablaufpläne Zustand.
Mehr4.1. Grundlegende Definitionen. Elemente der Analysis I Kapitel 4: Funktionen einer Variablen. 4.2 Graphen von Funktionen
4.1. Grundlegende Definitionen Elemente der Analysis I Kapitel 4: Funktionen einer Variablen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 22./29. November 2010 http://www.mathematik.uni-trier.de/
Mehr3 Vom Zählen zur Induktion
7 3 Vom Zählen zur Induktion 3.1 Natürliche Zahlen und Induktions-Prinzip Seit unserer Kindheit kennen wir die Zahlen 1,, 3, 4, usw. Diese Zahlen gebrauchen wir zum Zählen, und sie sind uns so vertraut,
MehrÜbungspaket 23 Mehrdimensionale Arrays
Übungspaket 23 Mehrdimensionale Arrays Übungsziele: Skript: Deklaration und Verwendung mehrdimensionaler Arrays Kapitel: 49 Semester: Wintersemester 2016/17 Betreuer: Kevin, Matthias, Thomas und Ralf Synopsis:
MehrTechnische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Übungsblatt 1
Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 1 Hausaufgaben Aufgabe 1.1 Zeigen Sie mit vollständiger Induktion:
Mehr(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)
3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
MehrVorlesung. Vollständige Induktion 1
WS 015/16 Vorlesung Vollständige Induktion 1 1 Einführung Bei der vollständigen Induktion handelt es sich um ein wichtiges mathematisches Beweisverfahren, mit dem man Aussagen, die für alle natürlichen
MehrSpielszenario A 1 F 1 F 2 D 2 D 1 A 2
A F Spielszenario F 2 D 2 D A 2 Künstliche Intelligenz (KI) in Computerspielen Tilo Pfannkuch 9. November 202 2 Roter Faden Künstliche Intelligenz Beispielwelt Aktionsplanung Wegndung Abschluss 3 Roter
MehrEinführung in die Computerlinguistik Berechenbarkeit, Entscheidbarkeit, Halteproblem
Einführung in die Computerlinguistik Berechenbarkeit, Entscheidbarkeit, Halteproblem Dozentin: Wiebke Petersen 14.1.2009 Wiebke Petersen Einführung CL (WiSe 09/10) 1 Hinweis zu den Folien Der Text dieser
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 1 für die Übung
Mehr3 Klassifikation wichtiger Optimierungsprobleme
3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i
MehrRepräsentation und Transformation von geometrischen Objekten
Repräsentation und Transformation von geometrischen Objekten Inhalt: Grundlagen Überblick Einfache Transformationen in der Ebene Homogene Koordinaten Einfache Transformationen in der Ebene mit homogenen
MehrSemantische Datenintegration: Strategien zur Integration von Datenbanken
Semantische Datenintegration: Strategien zur Integration von Datenbanken Inhalt 1. Wiederholung Integrationskonflikte 2. Klassische Strategien zur Integration 1. Eng gekoppelte Ansätze 2. Lose gekoppelte
MehrAnwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen
Anwendungen des Fréchet-Abstandes Das Constrained Free Space Diagram zur Analyse von Körperbewegungen David Knötel Freie Universität Berlin, Institut für Informatik Seminar über Algorithmen Leitfaden Wiederholung
MehrDonnerstag, 11. Dezember 03 Satz 2.2 Der Name Unterraum ist gerechtfertigt, denn jeder Unterraum U von V ist bzgl.
Unterräume und Lineare Hülle 59 3. Unterräume und Lineare Hülle Definition.1 Eine Teilmenge U eines R-Vektorraums V heißt von V, wenn gilt: Unterraum (U 1) 0 U. (U ) U + U U, d.h. x, y U x + y U. (U )
MehrMaximizing the Spread of Influence through a Social Network
1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie WS 2008/2009 Vorlesung: Dr. Felix Brandt, Dr. Jan Johannsen Übung: Markus Brill, Felix Fischer Institut für Informatik LMU München Organisatorisches Vorlesung Donnerstag,
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 10. Übungsblatt. < 0 für alle t > 1. tan(x) tan(0) x 0
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 03/4 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschläge zum 0. Übungsblatt Aufgabe
MehrAlgorithmen und Datenstrukturen Wintersemester 2004/ November T(n) = T(n a) + T(a) + n
Lehrstuhl für Praktische Informatik III Norman May B6, 29, Raum C0.05 68131 Mannheim Telefon: (0621) 181 2517 Email: norman@pi3.informatik.uni-mannheim.de Matthias Brantner B6, 29, Raum C0.05 68131 Mannheim
MehrDistributed Genetic Programming Framework
Distributed Genetic Programming Framework Alexander Podlich podlich@student.uni-kassel.de DGPF-Projekt: Erstellung einer grafischen Benutzeroberfläche Sommersemester 2006 Überblick 1. Allgemeines zu DGPF
MehrÜbung Grundbegriffe der Informatik
Übung Grundbegriffe der Informatik 15. und letzte Übung Karlsruher Institut für Technologie Matthias Janke, Gebäude 50.34, Raum 249 email: matthias.janke ät kit.edu Matthias Schulz, Gebäude 50.34, Raum
Mehr(a)... ein Spieler eine Entscheidung treffen muss... (b)... der andere Spieler (Experte) über private...
1 KAP 19. Expertenberatung Wir betrachten eine Modell, in dem... (a)... ein Spieler eine Entscheidung treffen muss... (b)... der andere Spieler (Experte) über private...... entscheidungsrelevante Information
MehrAlgorithmen & Programmierung. Steuerstrukturen im Detail Selektion und Iteration
Algorithmen & Programmierung Steuerstrukturen im Detail Selektion und Iteration Selektion Selektion Vollständige einfache Selektion Wir kennen schon eine Möglichkeit, Selektionen in C zu formulieren: if
MehrUniversität Stuttgart Institut für Automatisierungstechnik und Softwaresysteme Prof. Dr.-Ing. M. Weyrich
Universität Stuttgart Institut für Automatisierungstechnik und Softwaresysteme Prof. Dr.-Ing. M. Weyrich WS 02/03 Warum muss ein Objekt wissen, zu welcher Klasse es gehört? Damit die Klassenzugehörigkeit
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
Mehr