Übersicht. Künstliche Intelligenz: 6. Spiele Frank Puppe 1
|
|
- Helge Gerstle
- vor 6 Jahren
- Abrufe
Transkript
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 Wissen und Schließen VI Lernen VII Kommunizieren, Wahrnehmen und Handeln Künstliche Intelligenz: 6. Spiele Frank Puppe 1
2 Spiele (antagonistische Suche) Games have engaged the intellectual faculties - sometimes to an alarming degree - for as long as civilization has existed. Typen von Spielen deterministische Umgebung stochastische Umgebung vollständig beobachtbare Umgebung viele Brettspiele ohne Würfel wie Schach, Go, Tic- Tac-Toe,... viele Würfelspiele wie Backgammon, Monopoly, Risiko, teilweise beobachtbare Umgebung verdeckte Brettspiele wie Stratego viele Kartenspiele wie Bridge, Skat, Scrabble Künstliche Intelligenz: 6. Spiele Frank Puppe 2
3 Spiele mit vollständiger Information Spiele mit vollständiger Information, insbesondere Schach, wurden von der KI von Anfang an intensiv untersucht. Herausforderung: großer Suchraum bei beschränkter Zeit. Schach: ca mögliche Zugsequenzen in normalem Spiel; ca verschiedene Stellungen. Definition als 4-Tupel.: (Anfangszustand, Operatoren, Ende- Test, Bewertungsfunktion) Die beiden Spieler seien MAX und MIN. Unterschied zu normalem Suchproblem: MAX muss auf unterschiedliche Züge von MIN gefasst sein. Strategie: Minimax-Algorithmus (gehe davon aus, dass MIN immer den besten Zug findet). Künstliche Intelligenz: 6. Spiele Frank Puppe 3
4 Spielbaum Künstliche Intelligenz: 6. Spiele Frank Puppe 4
5 Minimax-Algorithmus 1. Generiere den vollständigen Spielbaum. 2. Wende die Bewertungsfunktion auf jeden Endzustand an. 3. Berechne aus den Bewertungen der Nachfolger eines Knoten die Bewertung des Knoten selbst. a. Wenn MIN wählt, nimm das Minimum der Bewertungen. b. Wenn MAX wählt, nimm das Maximum der Bewertungen. 4. Setze dieses Verfahren rekursiv bis zur Wurzel des Baumes fort. 5. Wählen den Zug mit der höchsten Bewertung (MAX am Zug). Vereinfachung: Man muß den Spielbaum nicht komplett generieren, und dann erst bewerten, sondern kann beides integrieren. Komplexität: Minimax-Algorithmus ist vollständig und optimal; Zeit- und Speicherkomplexität entspricht Tiefensuche. Künstliche Intelligenz: 6. Spiele Frank Puppe 5
6 Beispiel für Minimax-Algorithmus Max wählt den Zug A1 mit der höchsten Bewertung von (3,2,2), Min daraufhin den A11 mit der niedrigsten Bewertung von (3,12,8). Künstliche Intelligenz: 6. Spiele Frank Puppe 6
7 Heuristische Evaluationsfunktionen Bei allen interessanten Spielen ist es unmöglich, den Spielbaum bis zu den Endzuständen zu expandieren. Daher muß man irgendwo abbrechen und eine heuristische Evaluationsfunktion zur Bewertung des Zustandes benutzen. Anforderung an Evaluationsfunktionen: möglichst korrekt möglichst schnell Evaluationsfunktionen gruppieren viele verschiedene Spielzustände unter dieselbe Kategorie (z.b. alle Schachpositionen, in der ein Spieler einen Läufer mehr hat, unter die Kategorie +3 ). Die Kategorie beschreibt eine Gewinnchance (auf Basis von Erfahrungen mit verschiedenen Positionen derselben Kategorie). Künstliche Intelligenz: 6. Spiele Frank Puppe 7
8 Art der heuristischen Evaluationsfunktion Meist werden gewichtete lineare Funktionen benutzt: w 1 f 1 + w 2 f w n f n wobei die f s Merkmale der Position sind. Beispiel: Materialbewertung der Figuren im Schach. Die Gewichte w können durch parameteradaptive Lernverfahren justiert werden. Es gibt aber auch Erfolge mit nicht-linearen Bewertungen, z.b. durch ein neuronales Netz für Backgammonbewertung. Künstliche Intelligenz: 6. Spiele Frank Puppe 8
9 Evaluations-Beispiele für Schach-Positionen Künstliche Intelligenz: 6. Spiele Frank Puppe 9
10 Suchgrenz-Probleme: unruhige Stellungen Problem: Der direkte Ansatz, die Suchtiefe entsprechend der verfügbaren Zeit vorzugeben, kann an der Suchgrenze zu Verzerrungen führen, z.b. wenn im nächsten Zug eine Figur ohne Kompensation geschlagen werden kann. Lösung: Bei unruhigen Positionen wird unabhängig von der vorgegebenen Suchtiefe solange weitergesucht, bis eine ruhige Position entstanden ist: Quiescence Search. (Im Schach kann man unruhige Positionen als solche definieren, bei denen etwas geschlagen oder Schach geboten werden kann). Künstliche Intelligenz: 6. Spiele Frank Puppe 10
11 Suchgrenz-Probleme: Horizont-Problem Problem: Der Gegner kann einen (aus eigener Sicht) katastrophalen Zug machen, den man nicht vermeiden, sondern nur aufschieben kann. Durch das Aufschieben verschwindet der Zug aber hinter den Suchhorizont und geht daher nicht in die Evaluationsfunktion ein. Bisher keine allgemeine Lösung. Beispiel: Schwarz kann den Gewinn von Weiß nicht verhindern, sondern nur durch Schachgebote verzögern. Künstliche Intelligenz: 6. Spiele Frank Puppe 11
12 Alpha-Beta-Abschneiden Szenario: Wir gut ist ein Minimax-Programm mit Quiescence- Search, das ca Schachpositionen pro Sekunde durchsuchen kann? Bei ca. 150 Sekunden Zeit pro Zug kann es Stellungen durchsuchen, was bei einem Verzweigungsfaktor von 35 nur 3 bis 4 Halbzügen entspricht! Verbesserungsidee: Rate die jeweils besten Züge und zeige bei den anderen Zugalternativen nur, daß sie schlechter sind: Alpha-Beta-Abschneiden. Es sei in einem Pfad der: Alpha-Wert: Die bisher beste Option für MAX-Knoten. Beta-Wert: Die bisher beste Option für MIN-Knoten. Immer wenn in einem neu untersuchten Teilbaum eine Option gefunden wird, die schlechter bzw. besser ist als die jeweiligen Alpha- bzw. Beta-Werte, wird die Suche dort abgebrochen. Künstliche Intelligenz: 6. Spiele Frank Puppe 12
13 Beispiel für Alpha-Beta Abschneiden Künstliche Intelligenz: 6. Spiele Frank Puppe 13
14 Alpha-Beta Suchalgorithmus Verbesserung von Minimax: Merke in jedem Knoten bisher besten Wert für Max: α (init: + ) Merke in jedem Knoten bisher besten Wert für Min: β (init: - ) Sei α die Bewertung des Knoten X Sei β die Bewertung des Knoten Xk Seien X1.. Xn die Nachfolger von X, aus denen Max wählt Seien Xk1.. Xkm die Nachfolger von Xk, aus denen Min wählt Seien Xkj1.. Xkjo die Nachfolger von Xkj, aus denen Max wählt Wenn Eval (Xkj) < α, dann breche Suchzweig für Xk ab. Wenn Eval (Xk) > α, dann setze α in X auf Eval (Xk) Wenn Eval (Xkji) > β, dann breche Suchzweig für Xkj ab. Wenn Eval (Xkj) < β, dann setze β in Xk auf Eval (Xkj) Künstliche Intelligenz: 6. Spiele Frank Puppe 14
15 Effektivität des Alpha-Beta-Abschneidens Wenn man immer den besten Zug ahnen könnte, sinkt die Komplexität von O(b d ) auf O(b d/2 ). Das bedeutet, daß man in derselben Zeit ca. doppelt so viele Züge vorher berechnen kann! Wenn die Suchtiefe nur wenige Züge (wie beim Schach) ist, umfaßt der Effekt vom Alpha-Beta-Abschneiden bei zufälliger Auswahl eines Zuges immerhin noch O(b 3d/4 ). Durch einfache Tricks kommt man in der Praxis nahe an den optimalen Wert heran: 1. Versuche entsprechend der iterativen Tiefensuche immer die in der letzten Iteration gefundenen besten Züge zuerst; 2. Betrachte Züge in einer bestimmten Reihenfolge, z.b. erst Schlagen & Schachgebote, dann Drohungen, dann Vorwärtsund schließlich Rückwärtszüge. Künstliche Intelligenz: 6. Spiele Frank Puppe 15
16 (Indeterministische) Spiele mit Zufallsfaktor z.b. bei Würfelspielen mit einem Würfel: 6 Optionen mit 1/6 Wahrscheinlichkeit mit zwei Würfeln: 21 Optionen mit 1/36 (1-1, 2-2 bis 6-6) bzw. 1/18 Wahrscheinlichkeit (übrige Kombinationen) Modifikation von Minimax erforderlich: Statt des exakten Wertes eines Zuges muß der Erwartungswert auf der Basis aller Möglichkeiten berechnet werden: Durchschnitt aller entsprechend ihrer Wahrscheinlichkeit gewichteten Bewertungen So modifizierter Minimax-Algorithmus heißt: Expectiminimax Künstliche Intelligenz: 6. Spiele Frank Puppe 16
17 Suchbaum für Backgammon Künstliche Intelligenz: 6. Spiele Frank Puppe 17
18 Einfluß verschiedener Evaluationsfunktionen Bei Expectiminimax spielt nicht nur die Reihenfolge der Bewertungen wie bei Minimax, sondern auch die absolute Zahl eine Rolle. Künstliche Intelligenz: 6. Spiele Frank Puppe 18
19 Komplexität von Expectiminimax Sei m die Suchtiefe, b die Verzweigungsrate und n die Anzahl der möglichen Würfe, dann ist die Komplexität von Expectiminimax: O(b m n m ) In Spielen wie Backgammon sind daher ca. 2 Halbzüge das Maximum der Suchtiefe (n = 21, b = ca. 20 bis zu 4000). Gute Evaluationsfunktion erforderlich! Künstliche Intelligenz: 6. Spiele Frank Puppe 19
20 Transfer auf Kartenspiele wie Bridge Indeterminismus durch Anfangsverteilung der Karten, danach deterministisch. Mittelwert über alle Kartenverteilungen bilden (ähnlich wie Expectiminimax) Wegen zu großer Zahl von Kartenverteilungen kann man auch eine repräsentative Stichprobe benutzen. Besonderheiten bei Multiagenten-Spielern (> 2) Handeln um Informationen zu gewinnen dem Partner Informationen signalisieren dem Gegner Informationen vorenthalten (auch durch nicht vorhersagbares Verhalten) Künstliche Intelligenz: 6. Spiele Frank Puppe 20
21 Neuere Entwicklungen bei Computerspielen Iterative Tiefensuche mit Alpha-Beta-Abschneiden ist Standard bei Strategiespielen mit vollständiger Information Monte-Carlo-Simulation statt vollständiger Suche bei indeterministischen Spielen Lernen durch Selbstspiel und Temporal Difference Learning Speichern von Stellungsbewertungen in Hash-Tabelle Probabilistisches Abschneiden von Suchzweigen Dynamische Erweiterung der Suchtiefe Parallelität (jedoch schwierig bei Alpha-Beta-Abschneiden) Hardwarebasierte Stellungsbewertungen (Linearkombination von Stellungsbewertungen mit Index auf Stellung) Umfangreiche Eröffnungs- und Endspieldatenbanken Bei Dame teilweise komplette Suche von Eröffnung bis Endspiel Künstliche Intelligenz: 6. Spiele Frank Puppe 21
22 Entwicklungsstand bei verschiedenen Spielen Schach: Weltmeisterniveau Dame: unbestrittener Weltmeister Othello (Reversi): Menschen weigern sich, gegen Computer zu spielen. Bridge: Weltmeisterniveau (Weltmeister 1997, 2000) Backgammon: Unter den 3 besten Spielern. Go: Anfängerniveau. Künstliche Intelligenz: 6. Spiele Frank Puppe 22
23 Vergleich Weltmeister - Schachcomputer Künstliche Intelligenz: 6. Spiele Frank Puppe 23
24 Diskussion Minimax und Alpha-Beta-Suche dominieren Computerspielprogramme derart, dass aus theoretischer Sicht interessantere Ansätze keine Chance haben. Insbesondere haben die Programme meist wenig Wissen. Beobachtungen und Alternativen: 1. Evaluationsfunktionen könnten Wahrscheinlichkeitsverteilungen statt exakter Werte liefern. 2. Alpha-Beta-Suche muss alle erlaubten Züge generieren, auch dann wenn es einen klaren Gewinnzug gibt bzw. wenn viele Züge gleichwertig sind. Kriterium, welche Knoten sich nicht zur Expansion lohnen (weil sie wahrscheinlich nicht besser als der aktuell bester Zug sind). 3. Schließen auf der Meta-Ebene: einfaches Beispiel: Alpha- Beta-Abschneiden, komplexeres Beispiel: Verfolgen bestimmter Ziele beim Spiel (z.b. rückständigen Bauern erobern). Künstliche Intelligenz: 6. Spiele Frank Puppe 24
25 Evaluationsfunktion: Exakte Werte können irreführen Künstliche Intelligenz: 6. Spiele Frank Puppe 25
Spiele (antagonistische Suche) Übersicht. Typen von Spielen. Spielbaum. Spiele mit vollständiger Information
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
MehrÜbersicht. 5. Spiele. I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden
Übersicht I Künstliche Intelligenz II Problemlösen 3. Problemlösen durch Suche 4. Informierte Suchmethoden 5. Spiele III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI
MehrKI und Sprachanalyse (KISA)
Folie 1 KI und Sprachanalyse (KISA) Studiengänge DMM, MI (B. Sc.) Sommer Semester 15 Prof. Adrian Müller, PMP, PSM1, CSM HS Kaiserslautern e: adrian.mueller@ hs-kl.de Folie 2 ADVERSIALE SUCHE Spiele: Multi-Agenten
Mehr2. Spielbäume und Intelligente Spiele
2. Spielbäume und Intelligente Spiele Arten von Spielen 2. Spielbäume und Intelligente Spiele Kombinatorische Spiele als Suchproblem Wie berechnet man eine gute Entscheidung? Effizienzverbesserung durch
Mehr2. Spiele. Arten von Spielen. Kombinatorik. Spieler haben festgelegte Handlungsmöglichkeiten, die durch die Spielregeln definiert werden.
. Spiele Arten von Spielen. Spiele. Spiele Arten von Spielen Kombinatorik Spieler haben festgelegte Handlungsmöglichkeiten, die durch die Spielregeln definiert werden. Kombinatorische Spiele als Suchproblem
Mehr5. Spiele. offensichtlich eine Form von Intelligenz. Realisierung des Spielens als Suchproblem
5. Spiele Spiele, insbesondere Brettspiele, stellen eines der ältesten Teil- und Anwendungsgebiete der KI dar (Shannon und Turing: 1950 erstes Schachprogramm). Brettspiele stellen eine sehr abstrakte und
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
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:
MehrWissensbasierte Systeme 5. Brettspiele
Wissensbasierte Systeme 5. Brettspiele Suchstrategien für Spiele, Spiele mit Zufall, Stand der Kunst Michael Beetz Plan-based Robot Control 1 Inhalt 5.1 Brettspiele 5.2 Minimax-Suche 5.3 Alpha-Beta-Suche
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 die Künstliche Intelligenz. 6. Spiele
Einführung in die Künstliche Intelligenz 6. Spiele Prof. Dr. Susanne Biundo-Stephan Institut für Künstliche Intelligenz, Universität Ulm WS 2012/2013 S. Biundo-Stephan (Universität Ulm) 6. Spiele WS 2012/2013
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
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
MehrProseminar: Geschichte des Computers Schachprogrammierung Die Digitale Revolution
Die Digitale Revolution Internet 3D-Drucker Quants Singularität 27.02.14 Johannes Polster Das Spiel der Könige Sehr altes Spiel: Entstehung vor 1500 Jahren Weltberühmt Strategisches Spiel Kein Glück, Intelligenz,
MehrZug Bart Borg Bart Borg Bart Borg Bart. Bart 2 1 1 1 Borg 1 1 2 verloren. Stand 8 7 6 5 4 2 1. Zug Bart Borg Bart Borg Bart Borg
. Das. Einführung Deep Blue Kasparow, Philadelphia 996 Deep Blue, der Supercomputer schlägt Garry Kasparow. So oder ähnlich lauteten die Schlagzeilen 996. Die 6 Partien waren insgesamt ausgeglichen, zum
MehrSpieltheorie. Sebastian Wankerl. 16. Juli 2010
Spieltheorie Sebastian Wankerl 16. Juli 2010 Inhalt 1 Einleitung 2 Grundlagen Extensive Form choice functions Strategien Nash-Gleichgewicht Beispiel: Gefangenendillema 3 Algorithmen Minimax Theorem Minimax
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
MehrSelektive Suche. Seminar: Knowledge Engineering und Lernen in Spielen. Carsten Cibura
Selektive Suche Seminar: Knowledge Engineering und Lernen in Spielen Carsten Cibura Motivation Frühe Schachprogramme waren plausible Zug-Generatoren Mitter der 70er: Brute-Force Suche gewann wegen taktischer
MehrKapitel 3. Adversariale Suche Allgemeines Minimax-Algorithmus α-β-pruning Bewertungsfunktionen Mehrspieler-Spiele Spiele mit Zufallskomponenten
Kapitel 3 Adversariale Suche Allgemeines Minimax-Algorithmus α-β-pruning Bewertungsfunktionen Mehrspieler-Spiele Spiele mit Zufallskomponenten Kapitel 3 Adversariale Suche p. 1 Allgemeines Adversariale
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
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?
MehrVom Amateur zum Großmeister
Vom Amateur zum Großmeister - von Spielbäumen und anderen Wäldern - ProInformatik - Funktionale Programmierung Dr. Marco Block-Berlitz 1 Übersicht zum Inhalt 1) Es war einmal... Tic-Tac-Toe! 2) Das unbesiegbare
MehrMasterarbeit. Alpha-Beta-Pruning. Oliver Kock. Bochum, Februar 2009. Fakultät für Mathematik Ruhr-Universität Bochum
Masterarbeit Alpha-Beta-Pruning Oliver Kock Bochum, Februar 2009 Fakultät für Mathematik Ruhr-Universität Bochum Inhaltsverzeichnis Kapitel I. Einleitung 4 Kapitel II. Grundlagen der Spieletheorie 6 II.1.
MehrWürfelspiele und Zufall
Würfelspiele und Zufall Patrik L. Ferrari 29. August 2010 1 Random horse die Irrfahrt des Pferdchens Betrachte ein Schachbrett mit einem Pferd (Springer), welches sich nach den üblichen Springer-Regeln
MehrSchriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2009 / 2010 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
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
MehrGeneral Game Playing
General Game Playing Martin Günther mguenthe@uos.de 17. Juni 2010 1 / 31 1997: Deep Blue schlägt Kasparov Motivation: warum General Game Playing? AAAI General Game Playing Competition 2 / 31 Motivation:
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.
MehrRationale Agenten Rationalität
Rationale Agenten Rationalität des Agentenverhaltens hängt ab von Performanzmaß (auf dem Ergebnis der Agentenfunktion) vorgegebenem Wissen des Agenten über die Umgebung ausführbaren Aktionen aktueller
MehrVortrag. Suchverfahren der Künstlichen Intelligenz. Sven Schmidt (Technische Informatik)
Vortrag Suchverfahren der Künstlichen Intelligenz Sven Schmidt (Technische Informatik) Suchverfahren der Künstlichen Intelligenz Grundlagen Zustandsraumrepräsentation Generische Suche Bewertung von Suchstrategien
MehrHerzlich Willkommen. Spielstrategien. gehalten von Nils Böckmann
Herzlich Willkommen Spielstrategien gehalten von Nils Böckmann Agenda 1. Einführung 2. Problemstellung 3. Abgrenzung 4. Zielstellung / grober Überblick 5. Vorstellen der Konzepte 1. Umgebungslogik 2. Spielbäume
MehrSeminar aus maschinellem Lernen MCTS und UCT
Seminar aus maschinellem Lernen MCTS und UCT 26. November 2014 TU Darmstadt FB 20 Patrick Bitz 1 Übersicht Historisches zu MCTS MCTS UCT Eigenschaften von MCTS Zusammenfassung 26. November 2014 TU Darmstadt
MehrEine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder
Programmieren in PASCAL Bäume 1 1. Baumstrukturen Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder 1. die leere Struktur oder 2. ein Knoten vom Typ Element
MehrWissensbasierte Systeme
WBS5 Slide 1 Wissensbasierte Systeme Vorlesung 5 vom 17.11.2004 Sebastian Iwanowski FH Wedel WBS5 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien
MehrSpieltheorie. Miriam Polzer 16.7.2013. Miriam Polzer Spieltheorie 16.7.2013 1 / 40
Spieltheorie Miriam Polzer 16.7.2013 Miriam Polzer Spieltheorie 16.7.2013 1 / 40 1 Grundlagen 2 Minimax und Alpha-Beta-Pruning 3 Nim-Spiele 4 Josephus-Problem Miriam Polzer Spieltheorie 16.7.2013 2 / 40
MehrFolge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12
Grundlagen: Folge 19 - Bäume 19.1 Binärbäume - Allgemeines Unter Bäumen versteht man in der Informatik Datenstrukturen, bei denen jedes Element mindestens zwei Nachfolger hat. Bereits in der Folge 17 haben
MehrVier Gewinnt Nicolas Schmidt Matthias Dietsche Bernhard Weiß Benjamin Ruile Datum: 17.2.2009 Tutor: Prof. Schottenloher Spieltheorie
Vier Gewinnt Nicolas Schmidt Matthias Dietsche Bernhard Weiß Benjamin Ruile Datum: 17.2.2009 Tutor: Prof. Schottenloher Spieltheorie Präsentation Agenda I. Einführung 1. Motivation 2. Das Spiel Vier Gewinnt
MehrWissensbasierte Systeme
WBS4 Slide 1 Wissensbasierte Systeme Vorlesung 4 vom 03.11.2004 Sebastian Iwanowski FH Wedel WBS4 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien
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
MehrLaplace und Gleichverteilung
Laplace und Gleichverteilung Aufgaben Aufgabe 1 An einem Computer, dessen Tastatur die 26 Tasten für die kleinen Buchstaben (a,b,c... z) hat, sitzt ein Nutzer (User) und tippt zufällige auf den Tasten
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
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrHackenbusch und Spieltheorie
Hackenbusch und Spieltheorie Was sind Spiele? Definition. Ein Spiel besteht für uns aus zwei Spielern, Positionen oder Stellungen, in welchen sich das Spiel befinden kann (insbesondere eine besondere Startposition)
Mehr1 Einführung. 2 Typ-0- und Typ-1-Sprachen. 3 Berechnungsmodelle. 4 Unentscheidbarkeit. 5 Unentscheidbare Probleme. 6 Komplexitätstheorie
1 Einführung 2 Typ-0- und Typ-1-Sprachen 3 Berechnungsmodelle 4 Unentscheidbarkeit 5 Unentscheidbare Probleme 6 Komplexitätstheorie 15 Ziele vgl. AFS: Berechnungsmodelle für Typ-0- und Typ-1-Sprachen (Nicht-)Abschlußeigenschaften
MehrOptimale Strategie für das Würfelspiel Zehntausend
Optimale Strategie für das Würfelspiel Zehntausend David Peter 30. Oktober 2013 Um eine optimale Strategie für Zehntausend zu entwickeln, führen wir die Funktion E(p, n) ein, die den Erwartungswert an
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,
MehrDurch Zufall zum Dan? Die Monte-Carlo-Baumsuche
Durch Zufall zum Dan? Die Monte-Carlo-Baumsuche Johannes Waldmann HTWK Leipzig Potsdamer Panda, April 2011 Wer hätte das gedacht... (Zen, Programmierer: Ojima Yoji) Spielbäume zu jedem Spiel gehört ein
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 6 FS 14
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Federal Institute of Technology at Zurich Institut für Theoretische Informatik 2. April
MehrModerne Methoden der KI: Maschinelles Lernen
Moderne Methoden der KI: Maschinelles Lernen Prof. Dr.Hans-Dieter Burkhard Vorlesung Entscheidungsbäume Darstellung durch Regeln ID3 / C4.5 Bevorzugung kleiner Hypothesen Overfitting Entscheidungsbäume
MehrVorlesung 4 BETWEENNESS CENTRALITY
Vorlesung 4 BETWEENNESS CENTRALITY 101 Aufgabe! Szenario: Sie arbeiten bei einem sozialen Online-Netzwerk. Aus der Netzwerk-Struktur Ihrer Benutzer sollen Sie wichtige Eigenschaften extrahieren. [http://www.fahrschule-vatterodt.de/
Mehr14. Rot-Schwarz-Bäume
Bislang: Wörterbuchoperationen bei binären Suchbäume effizient durchführbar, falls Höhe des Baums klein. Rot-Schwarz-Bäume spezielle Suchbäume. Rot-Schwarz-Baum mit n Knoten hat Höhe höchstens 2 log(n+1).
MehrIntelligente Agenten
KI Wintersemester 2013/2014 Intelligente Agenten Grundlagen der Künstlichen Intelligenz Wintersemester 2014/2015 Marc Toussaint 2006-2014 Heidemann, Bruhn, Toussaint Überblick Überblick Agentenbegriff,
MehrVon Paul Curzon, Queen Mary, University of London mit Unterstützung von Google und EPSRC
Compu terwissenscha ften mi t Spaßfak tor Spiele gewinnen: der perfekte Tic Tac Toe-Spieler Von Paul Curzon, Queen Mary, University of London mit Unterstützung von Google und EPSRC Spiele gewinnen: der
Mehr13. Binäre Suchbäume
1. Binäre Suchbäume Binäre Suchbäume realiesieren Wörterbücher. Sie unterstützen die Operationen 1. Einfügen (Insert) 2. Entfernen (Delete). Suchen (Search) 4. Maximum/Minimum-Suche 5. Vorgänger (Predecessor),
MehrFACHHOCHSCHULE WEDEL SEMINARARBEIT
FACHHOCHSCHULE WEDEL SEMINARARBEIT in der Fachrichtung Medieninformatik Thema: Spielstrategien Eingereicht von: Nils Böckmann Schinkelring 110 22844 Norderstedt Tel. (040) 526 17 44 Erarbeitet im: 6. Semester
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
MehrInformatik II. PVK Part1 Severin Wischmann wiseveri@student.ethz.ch n.ethz.ch/~wiseveri
Informatik II PVK Part1 Severin Wischmann wiseveri@student.ethz.ch n.ethz.ch/~wiseveri KAUM JAVA Kaum Java Viel Zeit wird für Java-spezifisches Wissen benützt Wenig wichtig für Prüfung Letztjähriger Assistent
MehrBäume und Wälder. Bäume und Wälder 1 / 37
Bäume und Wälder Bäume und Wälder 1 / 37 Bäume Ein (ungerichteter) Baum ist ein ungerichteter Graph G = (V, E), der zusammenhängend ist und keine einfachen Kreise enthält. Bäume und Wälder 2 / 37 Bäume
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
Mehr19. Algorithmus der Woche Der Alphabeta-Algorithmus für Spielbaumsuche Wie bringe ich meinen Computer zum Schachspielen?
19. Algorithmus der Woche Der Alphabeta-Algorithmus für Spielbaumsuche Wie bringe ich meinen Computer zum Schachspielen? Autor Burkhard Monien, Universität Paderborn Ulf Lorenz, Universität Paderborn Daniel
MehrÜbersicht. 20. Verstärkungslernen
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI Lernen 18. Lernen aus Beobachtungen 19. Lernen in neuronalen & Bayes
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
MehrIntelligente Spiele. Prof. Rolf Haenni. Master-Vorlesung SS 2006. http://www.iam.unibe.ch/ run/teachss06.html
c by Rolf Haenni (2006) Seite 1 Intelligente Spiele Prof. Rolf Haenni Reasoning under UNcertainty Group Institute of Computer Science and Applied Mathematics University of Berne, Switzerland Master-Vorlesung
MehrDatenstruktur, die viele Operationen dynamischer Mengen unterstützt
Algorithmen und Datenstrukturen 265 10 Binäre Suchbäume Suchbäume Datenstruktur, die viele Operationen dynamischer Mengen unterstützt Kann als Wörterbuch, aber auch zu mehr eingesetzt werden (Prioritätsschlange)
MehrPraktikum Wissensbasierte Systeme Übung 1 Vier Gewinnt als Strategiespiel in Java
Praktikum Wissensbasierte Systeme Übung 1 Vier Gewinnt als Strategiespiel in Java Prof. Dr. Daniel Pfeifer 18. März 2009 1 Einführung Im Laufe dieser Übung werden Sie (unter anderem) eine Mini-Max-Strategie
MehrI. II. I. II. III. IV. I. II. III. I. II. III. IV. I. II. III. IV. V. I. II. III. IV. V. VI. I. II. I. II. III. I. II. I. II. I. II. I. II. III. I. II. III. IV. V. VI. VII. VIII.
MehrIntelligente Agenten
Intelligente Agenten Einige einfache Überlegungen zu Agenten und deren Interaktionsmöglichkeiten mit ihrer Umgebung. Agent benutzt: Sensoren Aktuatoren (Aktoren; Effektoren) zum Beobachten/Mess seiner
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 4. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Traversierung Durchlaufen eines Graphen, bei
Mehr4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
Mehr1. Ziehe zu Beginn des Spiels möglichst nur einmal mit jeder Figur.
Einsteiger 1. Ziehe zu Beginn des Spiels möglichst nur einmal mit jeder Figur. Begründung: Alle Figuren wollen am Spiel teilhaben, stehen sie nur in der Grundposition ist ihr Aktionsbereich begrenzt. 2.
MehrKapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete
Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrKünstliche Intelligenz. Andreas Breckheimer
Künstliche Intelligenz Andreas Breckheimer Was versteht man unter Intelligenz Keine Allgemein gültige Definition! Verschiedene Wissenschaften geben Definitionsansätze (Medizin,Philosophie,etc.) Persönliche
MehrSortierverfahren für Felder (Listen)
Sortierverfahren für Felder (Listen) Generell geht es um die Sortierung von Daten nach einem bestimmten Sortierschlüssel. Es ist auch möglich, daß verschiedene Daten denselben Sortierschlüssel haben. Es
MehrTechnische Universität. Fakultät für Informatik
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Adversariale Suche für optimales Spiel: Der Minimax-Algorithmus und die Alpha-Beta-Suche Proseminar Julius
Mehrelementare zusammengesetzte Zufallsexperimente
elementare zusammengesetzte Zufallsexperimente. Aufgaben zur Anwendung Im Hauseder FamilieDuckhalten sich nenten zueiner Familienfeier auf. Einemuss trotz des scheußlichen Regens hinaus und den Erbonkel
MehrKurs 2 Stochastik EBBR Vollzeit (1 von 2)
Erwachsenenschule Bremen Abteilung I: Sekundarstufe Doventorscontrescarpe 172 A 281 Bremen Kurs 2 Stochastik EBBR Vollzeit (1 von 2) Name: Ich 1. 2. 3. 4.. 6. 7. So schätze ich meinen Lernzuwachs ein.
MehrDefinition. Gnutella. Gnutella. Kriterien für P2P-Netzwerke. Gnutella = +
Definition Gnutella Ein -to--netzwerk ist ein Kommunikationsnetzwerk zwischen Rechnern, in dem jeder Teilnehmer sowohl Client als auch Server- Aufgaben durchführt. Beobachtung: Das Internet ist (eigentlich
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrReinforcement Learning
Effiziente Darstellung von Daten Reinforcement Learning 02. Juli 2004 Jan Schlößin Einordnung Was ist Reinforcement Learning? Einführung - Prinzip der Agent Eigenschaften das Ziel Q-Learning warum Q-Learning
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
MehrMafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur) Gruben)
Musterlösung zum. Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (Autor: Gerrit (-Arthur Gruben. Wahrscheinlichkeiten I ( Punkte Die Seiten von zwei Würfeln sind mit den folgenden Zahlen
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrTeil 2: Dynamische Spiele mit vollständigen Informationen
Teil : Dynamische Spiele mit vollständigen Informationen Kapitel 5: Grundsätzliches Literatur: Tadelis Chapter 7 Problem Manche Spiele entwickeln sich über die Zeit Dynamik kann aber nicht in Spielen in
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
Mehr11.1 Grundlagen - Denitionen
11 Binärbäume 11.1 Grundlagen - Denitionen Denition: Ein Baum ist eine Menge, die durch eine sog. Nachfolgerrelation strukturiert ist. In einem Baum gilt: (I) (II) 1 Knoten w ohne VATER(w), das ist die
MehrProgrammiertechnik II
Bäume Symboltabellen Suche nach Werten (items), die unter einem Schlüssel (key) gefunden werden können Bankkonten: Schlüssel ist Kontonummer Flugreservierung: Schlüssel ist Flugnummer, Reservierungsnummer,...
MehrAuswahl von Klauseln und Atomen in Prolog
5.6 Prolog... ist die bekannteste Implementierung einer LP-Sprache; wurde Anfang der 1970er von Alain Colmerauer (Marseille) und Robert Kowalski (Edinburgh) entwickelt. konkretisiert den vorgestellten
MehrSoftcomputing. Künstliche Intelligenz in endlichen Zwei-Personen-Nullsummenspiele mit perfekter Information. Michael Dorner. Prof. Dr.
Technische Hochschule Nürnberg Georg-Simon-Ohm Fakultät Informatik Softcomputing Künstliche Intelligenz in endlichen Zwei-Personen-Nullsummenspiele mit perfekter Information Autor Michael Dorner betreut
MehrKurs 1613 Einführung in die imperative Programmierung
Aufgabe 1 Gegeben sei die Prozedur BubbleSort: procedure BubbleSort(var iofeld:tfeld); { var hilf:integer; i:tindex; j:tindex; vertauscht:boolean; i:=1; repeat vertauscht := false; for j := 1 to N - i
MehrIdee: Wenn wir beim Kopfknoten zwei Referenzen verfolgen können, sind die Teillisten kürzer. kopf Eine Datenstruktur mit Schlüsselwerten 1 bis 10
Binäre Bäume Bäume gehören zu den wichtigsten Datenstrukturen in der Informatik. Sie repräsentieren z.b. die Struktur eines arithmetischen Terms oder die Struktur eines Buchs. Bäume beschreiben Organisationshierarchien
MehrDieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
MehrHypothesentest, ein einfacher Zugang mit Würfeln
R. Brinkmann http://brinkmann-du.de Seite 4..4 ypothesentest, ein einfacher Zugang mit Würfeln Von einem Laplace- Würfel ist bekannt, dass bei einmaligem Wurf jede einzelne der Zahlen mit der Wahrscheinlichkeit
MehrDefinition eines Spiels
Definition eines piels 1. Einleitung 1.1 Einführung: Die mathematische pieltheorie beschäftigt sich nicht nur mit der Beschreibung und Analyse von pielen im üblichen inn, sondern allgemein mit Konfliktsituationen
MehrPocket Cards (Winning Probabilities) 6.1 Anzahl der Kombinationen Monte Carlo Simulation Ergebnisse 6
6 6.1 Anzahl der Kombinationen 6. Monte Carlo Simulation 3 6.3 Ergebnisse 6 in case you do not speak German ignore the description and jump to the preflop win probability tables in chapter 6.3 Poker Trainer
MehrUCT: Selektive Monte-Carlo-Simulation in Spielbäumen. Abstract
UCT: Selektive Monte-Carlo-Simulation in Spielbäumen UCT: Selektive Monte-Carlo-Simulation in Spielbäumen Michael Wächter michael waechter@gmx.de Abstract Im Gegensatz zu klassischen Ansätzen wie dem Alphabeta-Algorithmus
MehrÜbung zur Vorlesung Algorithmische Geometrie
Übung zur Vorlesung Algorithmische Geometrie Dipl.-Math. Bastian Rieck Arbeitsgruppe Computergraphik und Visualisierung Interdisziplinäres Zentrum für Wissenschaftliches Rechnen 8. Mai 2012 B. Rieck (CoVis)
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
MehrNachfolgend einige Empfehlungen für Spiele, die Sie gemeinsam mit Ihren Kindern spielen können.
SPIELEMPFEHLUNGEN Nachfolgend einige Empfehlungen für Spiele, die Sie gemeinsam mit Ihren Kindern spielen können. Richten Sie sich pro Woche einen oder zwei Abende ein, an denen in der Familie gemeinsam
Mehr