WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
|
|
- Ksawery Cybulski
- 6 lat temu
- Przeglądów:
Transkrypt
1 POLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inż. Franciszek Dul
2 Poziomy sztucznej inteligencji Sztuczna świadomość? Uczenie się Planowanie i podejmowanie decyzji Uwzględnianie niepewności Wnioskowanie logiczne Rozwiązywanie problemów
3 3. OSIĄGANIE CELU POPRZEZ POSZUKIWANIA NIEINFORMOWANE
4 Poszukiwania nieinformowane Pokażemy w jaki sposób agent może osiągnąć zamierzony cel poprzez wykonanie ciągu działań. Działania te będą wyznaczone poprzez poszukiwania oparte wyłącznie na definicji zadania. Poszukiwania są głównymi zadaniami AI w dziedzinach mechanicznych z nimi można spotkać się najczęściej.
5 3.1. Agent celowy - wprowadzenie Agent celowy poszukuje rozwiązania realizującego cel w zbiorze rozwiązań dopuszczalnych. Na takiej zasadzie opiera się działanie wielu agentów, np.: agenci - obiekty w grach komputerowych, symulatorach; oprogramowanie przewodników drogi wykorzystujących system GPS, agenci poszukujący w Internecie stron z żądaną zawartością. Poszukiwanie nieinformowane (uninformed search) polega na wyznaczaniu rozwiązania zadania wyłącznie na podstawie danych definiujących zadanie. Poszukiwanie informowane (informed search) polega na wyznaczaniu rozwiązania zadania przy wykorzystaniu innej dostępnej wiedzy, specyficznej dla tego zadania.
6 3.2. Agent poszukujący rozwiązania Cztery kroki przy poszukiwaniu rozwiązania: 1. Sformułowanie celu zadania Jaki stan systemu odpowiada osiągnięciu celu? 2. Sformułowanie zadania Określenie stanów i rodzajów działań. 3. Poszukiwanie Określenie optymalnych działań które należy wykonać aby osiągnąć cel. 4. Wykonanie zadania
7 3.2. Agent poszukujący rozwiązania Przykład - poszukiwanie najkrótszej drogi Wakacje w Rumunii; jesteśmy w mieście Arad. Jutro musimy odlecieć z Bukaresztu. Sformułowanie celu: należy jutro rano być w Bukareszcie. Sformułowanie zadania: stan: pobyt w jakimś mieście; działania: przejazdy pomiędzy miastami. Rozwiązanie: ciąg miast, { Arad,, Bukareszt } np. { Arad, Sibiu, Fagaras, Bukareszt }.
8 3.3. Rodzaje zadań poszukiwania Zadanie najprostsze Deterministyczne, obserwowalne zadanie jednostanowe agent wie w jakim jest stanie i w jakim stanie się znajdzie; rozwiązanie jest ciągiem stanów; Zadania znacznie trudniejsze: Nieobserwowalne zadanie bez czujników (conformant problem) agent nie wie, gdzie jest; Niedeterministyczne lub obserwowalne częściowo (nieprzewidywalne, contingency problem) obserwacje dostarczają nowych informacji o stanie bieżącym, poszukiwania często przeplatają się z działaniami. Nieznana przestrzeń stanów exploration problem
9 3.3. Rodzaje zadań Przykład - świat agenta-odkurzacza Problem jednostanowy, start ze stanu {5}. Rozwiązanie [ W PRAWO, ODKURZAJ ] Agent bez czujników, start z dowolnego stanu spośród {1,2,3,4,5,6,7,8} Rozwiązanie [ W PRAWO, ODKURZAJ, W LEWO, ODKURZAJ ] Zbiór wszystkich stanów Nieprzewidywalność: niedeterministyczność: ODKURZAJ może zaśmiecić czysty dywan częściowa obserwowalność: położenie, czystość w aktualnym położeniu. Obserwacja: [L, CZYSTY], tj. start za stanów 5 lub 7. Rozwiązanie [ W PRAWO, jeżeliśmieci to ODKURZAJ ]
10 3.3. Rodzaje zadań Zadanie jednostanowe - sformułowanie Zadanie jednostanowe zdefiniowane jest za pomocą czterech elementów: stan początkowy, np. jestem w Arad, działania lub funkcji następstwa S(x) = zbiór par działanie, stan po działaniu np. S(Arad) = { Arad Zerind, Zerind, } test osiągnięcia celu: jawny, np. x = w Bukareszcie, niejawny, np. w szachach Mat(x); koszt drogi (addytywnego) np. sumy odległości, liczby podjętych działań, etc. c(x,a,y) jest kosztem kroku x y, z założenia c 0 Rozwiązaniem zadania jednostanowego jest ciąg działań prowadzących ze stanu początkowego do stanu docelowego. Rozwiązanie optymalne cechuje najmniejszy koszt.
11 3.3. Rodzaje zadań Zadanie jednostanowe - sformułowanie Świat rzeczywisty jest krańcowo skomplikowany, dlatego przestrzeń stanów musi być abstrakcją stanów rzeczywistych. Abstrakcja oznacza pominięcie szczegółów. Działanie abstrakcyjne to złożona kombinacja działań rzeczywistych, np. "Arad Zerind" reprezentuje złożony zbiór możliwych tras, objazdy, parkingi, etc. Aby zapewnić istnienie rozwiązania, każdy stan rzeczywisty (np. Arad ) musi prowadzić do jakiegoś stanu rzeczywistego (np. Zerind ). Rozwiązanie abstrakcyjne to zbiór rzeczywistych dróg które są rozwiązaniami w świecie rzeczywistym. Każde działanie abstrakcyjne powinno być łatwiejsze niż rzeczywiste.
12 3.3. Rodzaje zadań Graf przestrzeni stanów dla świata odkurzacza stan: położenie odkurzacza oraz czystość; stan początkowy: każdy; działania: W LEWO, W PRAWO, ODKURZAJ; test celu: czysto we wszystkich położeniach; koszt: 1 za każde działanie;
13 3.3. Rodzaje zadań Przykład: gra w osiem kostek Stan początkowy Stan docelowy stan: położenie kostek 1-8; działania: ruch pola pustego: w lewo, w prawo, w górę, w dół; test celu: osiągnięcie zadanego układu kostek; koszt: c = 1 za każdy ruch;
14 3.3. Rodzaje zadań Przykład: montaż przy użyciu robota stan: wieloelementowy wektor położenia ramienia robota oraz położenia montowanych elementów; działania: ciągły ruch ramienia robota, chwytanie i puszczanie elementów; test celu: zmontowane urządzenie; koszt: czas montażu urządzenia;
15 3.3. Rodzaje zadań Inne przykłady zadań ze świata rzeczywistego Wyznaczanie drogi: wyznaczanie trasy łączącej węzły: początkowy i końcowy; Problem zwiedzania: wyznaczanie trasy przebiegającej przez węzły (np. miasta) tylko jeden raz; Problem komiwojażera: wyznaczenie najkrótszej trasy przebiegającej przez węzły tylko jeden raz; Planowanie obwodów VLSI: rozmieszczanie elementów układu i wyznaczanie połączeń między nimi; Nawigacja robotów: ciągła wersja problemu wyznaczania drogi; Planowanie automatycznego montażu: wyznaczenie właściwej kolejności montażu elementów; Synteza protein: wyznaczenie właściwej kolejności aminokwasów białka o określonych własnościach; Poszukiwania w Internecie: wyznaczenie trasy poszukiwań żądanych informacji na stronach Internetu;
16 3.3. Rodzaje zadań Podstawową zasadą poszukiwań nieinformowanych jest korzystanie wyłącznie z definicji zadania - bez wykorzystywania dodatkowych informacji. Wada: przypominają one próbę dojechania w mieście samochodem na podany adres gdy zna się tylko ten adres oraz reguły prowadzenia samochodu.
17 Algorytmy rozwiązania problemów nieinformowanych 3.4. Algorytmy przeszukiwania drzew Idea algorytmów przeszukujących ślepe poszukiwania: analiza wszystkich możliwych sekwencji stanów; koszt rośnie gwałtownie ze wzrostem liczby możliwych stanów; poszukiwania poprzez budowę drzewa stanów: korzeń - stan początkowy; węzły i gałęzie generowane są funkcją następstwa; Przeszukiwanie drzewa generuje graf.
18 Algorytmy przeszukiwania drzewa - przykład Stan początkowy Poziom 1. Poziom 2.
19 Stan i węzeł Stan określa jednoznacznie konfigurację fizyczną obiektu; Węzeł jest to struktura danych określająca część drzewa poszukiwań, obejmująca np.: stan, węzeł rodzica, węzły dzieci, koszt gałęzi, aktualną głębokość, podejmowane działanie, itp.; węzeł = stan, węzeł rodzica, koszt, głębokość, działanie Algorytm przeszukiwania tworzy ( rozwija ) nowe węzły, wypełnia odpowiednie pola, a następnie tworzy stany w nowych węzłach. Brzeg (fringe) to zbiór wszystkich węzłów, które nie zostały jeszcze rozwinięte.
20 Strategie algorytmów przeszukiwania drzew Strategia poszukiwania jest określona kolejnością rozwijania węzłów. Strategie są oceniane wg. następujących kryterów: zupełność: możliwość znalezienia rozwiązania, jeżeli istnieje; złożoność czasowa: proporcjonalna do liczby rozwijanych węzłów; złożoność pamięciowa: największa liczba węzłów w pamięci; optymalność: możliwość wyznaczenia najtańszego rozwiązania.
21 Strategie algorytmów przeszukiwania drzew Złożoność czasowa i pamięciowa są szacowane za pomocą następujących wielkości: b: maksymalny współczynnik rozgałęzienia drzewa poszukiwań, d: głębokość na której jest rozwiązanie optymalne, m: maksymalna głębokość przestrzeni stanów. F rozwiązanie optymalne, b = 2, d = 3, m = 3. brzeg
22 Strategie nieinformowane przeszukiwania drzew Strategie nieinformowane wykorzystują tylko informacje zawarte w definicji zadania poszukiwania na oślep. Rodzaje strategii nieinformowanych: Poszukiwanie wszerz (breadth-first search), Poszukiwanie w głąb (depth-first search), Poszukiwanie na ograniczoną głębokość (depth-limited search), Poszukiwanie pogłębiane iteracyjnie (iterative deepening search). Poszukiwanie dwukierunkowe (bi-drectional search).
23 Poszukiwanie wszerz (breadth-first search) Zasada: rozwinąć najpłytszy nierozwinięty węzeł na brzegu. Brzeg jest kolejką FIFO, tzn. nowy węzeł wstawiany jest na koniec kolejki.
24 Poszukiwanie wszerz (breadth-first search) Własności algorytmu Zupełność Tak, jeżeli b jest ograniczone Czas 1+b+b 2 +b 3 + +b d + b(b d -1) = O(b d+1 ) Pamięć O(b d+1 ) (przechowywanie wszystkich węzłów w pamięci) Optymalność Tak, jeżeli koszt kroku jest stały Pamięć jest największym problemem, większym niż czas poszukiwań.
25 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
26 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
27 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
28 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
29 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
30 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
31 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
32 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
33 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
34 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
35 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
36 Poszukiwanie w głąb (depth-first search) Zasada: rozwinąć najgłębszy nierozwinięty węzeł (najgłębszy na brzegu). Brzeg jest kolejką LIFO, tzn. nowy węzeł wstawiany jest na początek kolejki.
37 Poszukiwanie w głąb (depth-first search) Własności algorytmu Zupełność Tak w przestrzeniach skończonych. Nie w przestrzeniach nieskończonych, z pętlami; (wymaga wtedy modyfikacji w celu uniknięcia powtarzających się stanów) Czas O(b m ) - ogromny jeżeli eli m >> d; Pamięć O(bm) - liniowa względem pamięci; Optymalność Nie
38 Poszukiwanie na ograniczoną głębokość (depth limited search) Zasada: jak w algorytmie poszukiwania w głąb ale z głębokością ograniczoną do poziomu l. Własności algorytmu Zupełność Tak jeżeli l d. Czas O(b l ); Pamięć O(bl); Optymalność Tak jeżeli l d.
39 Poszukiwanie pogłębiane iteracyjnie (iterative deepening search) Zasada: wyznaczć iteracyjnie najlepszą głębokość l. l = 0
40 Poszukiwanie pogłębiane iteracyjnie (iterative deepening search) Zasada: wyznaczć iteracyjnie najlepszą głębokość l. l = 1
41 Poszukiwanie pogłębiane iteracyjnie (iterative deepening search) Zasada: wyznaczć iteracyjnie najlepszą głębokość l. l = 2
42 Poszukiwanie pogłębiane iteracyjnie (iterative deepening search) Zasada: wyznaczć iteracyjnie najlepszą głębokość l. l = 3
43 Poszukiwanie pogłębiane iteracyjnie (iterative deepening search) Cel jest osiągnięty na głębokości d odpowiadającej najpłytszemu węzłowi docelowemu. Algorytm łączy zalety algorytmów poszukiwania wszerz i w głąb. Własności algorytmu Zupełność Tak. Czas O(b d ); Pamięć O(bd); Optymalność Tak jeżeli koszt kroku jest stały.
44 Poszukiwanie dwukierunkowe (bidrectional search) Zasada: jednoczesne poszukiwanie z początku i końca; d / 2 d / 2 b + b < b d Własności algorytmu Zupełność Tak jeżeli oba poszukiwania wszerz. Czas O(b d/2 ); Pamięć O(b d/2 ); Optymalność Tak jeżeli oba poszukiwania wszerz.
45 Porównanie algorytmów przeszukiwania Kryterium Wszerz W głąb Stała głębokość Pogłębianie iteracyjne Dwukierunkowe Zupełność TAK NIE TAK (l d) TAK TAK Czas O(b d+1 ) O(b m ) O(b l ) O(b d ) O(b d/2 ) Pamięć O(b d+1 ) O(bm) O(bl) O(bd) O(b d/2 ) Optymalność TAK NIE TAK (l d) TAK TAK Pogłębianie iteracyjne jest zwykle najlepsze. Nie jest to jednak regułą.
46 Największą wadą poszukiwań nieinformowanych jest wykładniczy wzrost kosztu obliczeń. Krytyczna jest zwłaszcza ilość wymaganej pamięci, gdyż może ona być gigantyczna nawet dla zadań o umiarkowanych wymiarach.
47 3.5. Algorytmy przeszukiwania grafów Poszukiwanie w przypadku niepełnej informacji Założenia idealne: -środowisko jest całkowicie obserwowalne, - środowisko jest deterministyczne, - agent zna efekty swojego działania. Co się stanie, gdy agent nie ma pełnej informacji o stanie lub efektach działania? Zadanie nieobserwowalne zadanie bez czujników (conformant problem) agent nie wie, gdzie jest; Zadanie niedeterministyczne lub obserwowalne częściowo nieprzewidywalne (contingency problem) obserwacje dostarczają nowych informacji o stanie bieżącym, poszukiwania często przeplatają się z działaniami. Nieznana przestrzeń stanów exploration problem
48 3.5. Algorytmy przeszukiwania grafów Zadanie nieobserwowalne Start z dowolnego stanu spośród {1,2,3,4,5,6,7,8} W PRAWO {2,4,6,8} Rozwiązanie [ W PRAWO, ODKURZAJ, W LEWO, ODKURZAJ ] Jeżeli świat nie jest całkowicie obserwowalny, to stan wiarygodny (belief state) jest zbiorem stanów, które mogą być osiągnięte.
49 3.5. Algorytmy przeszukiwania grafów Zadanie nieobserwowalne Rozwiązanie problemu - stan wiarygodny zawierający wszystkie możliwe stany docelowe.
50 3.5. Algorytmy przeszukiwania grafów Zadanie niedeterministyczne lub obserwowalne częściowo Prawo Murphy ego: odkurzanie czystego dywanu może go zabrudzić. Start z jednego ze stanów {1,3}. - obserwacja: [L,ŚMIECI] = {1,3}, - [ODKURZAJ] {5,7}, - [W PRAWO] {6,8}, - [ODKURZAJ] w {6} {8}, OK - [ODKURZAJ] w {8} ŹLE! Żaden bezwarunkowy ciąg działań nie gwarantuje powodzenia. Należy uzależnić działania od aktualnej sytuacji. Obserwacja lokalna: agent widzi śmieci tylko w miejscu pobytu. Rozwiązanie [ ODKURZAJ, W PRAWO, jeżeli ŚMIECI to ODKURZAJ ]
51 Podsumowanie Rozwiązywanie zadań poprzez przeszukiwanie wymaga sformułowania zadania w postaci abstrakcyjnej. Jeżeli zadanie jest deterministyczne i obserwowalne (jednostanowe), to do jego rozwiązania można użyć algorytmu poszukiwania nieinformowanego. Istnieje wiele algorytmów poszukiwania nieinformowanego: wszerz, w głąb, kosztu jednorodnego, stałej głębokości, pogłębiania iteracyjnego oraz poszukiwań dwukierunkowych. Algorytm poszukiwania poprzez pogłębianie iteracyjne jest najlepszym algorytmem ogólnym - wymaga liniowej pamięci a czas obliczeń jest niewiele większy niż w przypadku innych algorytmów. Agenci działający na zasadzie poszukiwania rozwiązania są używani w wielu dziedzinach: wyznaczaniu drogi, planowaniu układów VLSI, nawigacji robotów, poszukiwań internetowych;
Sztuczna Inteligencja i Systemy Doradcze
Sztuczna Inteligencja i Systemy Doradcze Przeszukiwanie przestrzeni stanów algorytmy ślepe Przeszukiwanie przestrzeni stanów algorytmy ślepe 1 Strategie slepe Strategie ślepe korzystają z informacji dostępnej
Bardziej szczegółowoHeurystyki. Strategie poszukiwań
Sztuczna inteligencja Heurystyki. Strategie poszukiwań Jacek Bartman Zakład Elektrotechniki i Informatyki Instytut Techniki Uniwersytet Rzeszowski DLACZEGO METODY PRZESZUKIWANIA? Sztuczna Inteligencja
Bardziej szczegółowoElementy kognitywistyki II:
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD IV: Agent szuka rozwiązania (na ślepo) Poprzednio: etapy rozwiązywania problemu sformułowanie celu sformułowanie problemu stan początkowy (initial
Bardziej szczegółowoWstęp do Sztucznej Inteligencji
Wstęp do Sztucznej Inteligencji Rozwiązywanie problemów-i Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Rozwiązywanie problemów Podstawowe fazy: Sformułowanie celu -
Bardziej szczegółowoMarcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH
Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Przeszukiwanie przestrzeni rozwiązań, szukanie na ślepo, wszerz, w głąb. Spis treści: 1. Wprowadzenie 3. str. 1.1 Krótki Wstęp
Bardziej szczegółowoMetody przeszukiwania
Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład 2 Strategie przeszukiwania - ślepe i heurystyczne 27 październik 2011 Plan wykładu 1 Strategie czyli jak znaleźć rozwiązanie problemu Jak wykonać przeszukiwanie Przeszukiwanie przestrzeni stanów
Bardziej szczegółowoWykład2,24II2010,str.1 Przeszukiwanie przestrzeni stanów powtórka
Wykład2,24II2010,str.1 Przeszukiwanie przestrzeni stanów powtórka DEFINICJA: System produkcji M zbiórst.zw.stanów wyróżnionys 0 St.zw.stanpoczątkowy podzbiórg St.zw.stanówdocelowych zbiórot.zw.operacji:
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 9 PRZESZUKIWANIE GRAFÓW Z
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD III: Problemy agenta
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD III: Problemy agenta To już było: AI to dziedzina zajmująca się projektowaniem agentów Określenie agenta i agenta racjonalnego Charakterystyka PAGE
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Przeszukiwanie Przeszukiwanie przestrzeni stanów Motywacja Rozwiązywanie problemów: poszukiwanie sekwencji operacji prowadzącej do celu poszukiwanie
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 12. PRZESZUKIWANIE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska ROZWIĄZYWANIE PROBLEMÓW JAKO PRZESZUKIWANIE Istotną rolę podczas
Bardziej szczegółowoWPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
POLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inż. Franciszek Dul 5. ROZWIĄZYWANIE PROBLEMÓW Z OGRANICZENIAMI Problemy z ograniczeniami
Bardziej szczegółowoSztuczna Inteligencja i Systemy Doradcze
ztuczna Inteligencja i ystemy Doradcze Przeszukiwanie przestrzeni stanów Przeszukiwanie przestrzeni stanów 1 Postawienie problemu eprezentacja problemu: stany: reprezentują opisy różnych stanów świata
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
Instytut Automatyki, Robotyki i Informatyki Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Literatura SZTUCZNA INTELIGENCJA Modelowanie problemów za
Bardziej szczegółowoRozwiązywanie problemów metodą przeszukiwania
Rozwiązywanie problemów metodą przeszukiwania Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Reprezentacja problemu w przestrzeni stanów Jedną z ważniejszych metod sztucznej
Bardziej szczegółowoHeurystyczne metody przeszukiwania
Heurystyczne metody przeszukiwania Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Pojęcie heurystyki Metody heurystyczne są jednym z ważniejszych narzędzi sztucznej inteligencji.
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD V: Agent wciąż szuka rozwiązania (choć już nie na ślepo)
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD V: Agent wciąż szuka rozwiązania (choć już nie na ślepo) Poprzednio: węzeł reprezentowany jest jako piątka: stan odpowiadający węzłowi rodzic węzła
Bardziej szczegółowoLABORATORIUM 2: Przeszukiwanie grafów cz. 2 strategie heurystyczne
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 2: Przeszukiwanie grafów cz. 2 strategie heurystyczne
Bardziej szczegółowoĆWICZENIE 1: Przeszukiwanie grafów cz. 1 strategie ślepe
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE ĆWICZENIE 1: Przeszukiwanie grafów cz. 1 strategie ślepe opracował:
Bardziej szczegółowoPlanowanie drogi robota, algorytm A*
Planowanie drogi robota, algorytm A* Karol Sydor 13 maja 2008 Założenia Uproszczenie przestrzeni Założenia Problem planowania trasy jest bardzo złożony i trudny. W celu uproszczenia problemu przyjmujemy
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład II Problem solving 03 październik 2012 Jakie problemy możemy rozwiązywać? Cel: Zbudować inteligentnego agenta planującego, rozwiązującego problem. Szachy Kostka rubika Krzyżówka Labirynt Wybór trasy
Bardziej szczegółowoZnajdowanie wyjścia z labiryntu
Znajdowanie wyjścia z labiryntu Zadanie to wraz z problemem pakowania najcenniejszego plecaka należy do problemów optymalizacji, które dotyczą znajdowania najlepszego rozwiązania wśród wielu możliwych
Bardziej szczegółowoWprowadzenie do Sztucznej Inteligencji
Wprowadzenie do Sztucznej Inteligencji Wykład Informatyka Studia InŜynierskie Przeszukiwanie przestrzeni stanów Przestrzeń stanów jest to czwórka uporządkowana [N,[, S, GD], gdzie: N jest zbiorem wierzchołków
Bardziej szczegółowoWprowadzenie do Sztucznej Inteligencji
Wprowadzenie do Sztucznej Inteligencji Wykład Informatyka Studia InŜynierskie Przeszukiwanie przestrzeni stanów Przestrzeń stanów jest to czwórka uporządkowana [N,, S, GD], gdzie: N jest zbiorem wierzchołków
Bardziej szczegółowoWPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
POLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inż. Franciszek Dul 2. AGENT INTELIGENTNY Agent inteligentny W tym rozdziale przedstawimy
Bardziej szczegółowoDziałanie algorytmu oparte jest na minimalizacji funkcji celu jako suma funkcji kosztu ( ) oraz funkcji heurystycznej ( ).
Algorytm A* Opracowanie: Joanna Raczyńska 1.Wstęp Algorytm A* jest heurystycznym algorytmem służącym do znajdowania najkrótszej ścieżki w grafie. Jest to algorytm zupełny i optymalny, co oznacza, że zawsze
Bardziej szczegółowoANALIZA ALGORYTMÓW. Analiza algorytmów polega między innymi na odpowiedzi na pytania:
ANALIZA ALGORYTMÓW Analiza algorytmów polega między innymi na odpowiedzi na pytania: 1) Czy problem może być rozwiązany na komputerze w dostępnym czasie i pamięci? 2) Który ze znanych algorytmów należy
Bardziej szczegółowo1. Algorytmy przeszukiwania. Przeszukiwanie wszerz i w głąb.
1. Algorytmy przeszukiwania. Przeszukiwanie wszerz i w głąb. Algorytmy przeszukiwania w głąb i wszerz są najczęściej stosowanymi algorytmami przeszukiwania. Wykorzystuje się je do zbadania istnienia połączenie
Bardziej szczegółowoWykład 3. Złożoność i realizowalność algorytmów Elementarne struktury danych: stosy, kolejki, listy
Wykład 3 Złożoność i realizowalność algorytmów Elementarne struktury danych: stosy, kolejki, listy Dynamiczne struktury danych Lista jest to liniowo uporządkowany zbiór elementów, z których dowolny element
Bardziej szczegółowoWPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
POLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inż. Franciszek Dul 6. GRY POSZUKIWANIA W OBECNOŚCI PRZECIWNIKA Gry Pokażemy, w jaki
Bardziej szczegółowoPrzeszukiwanie przestrzeni rozwiązań, szukanie na ślepo, wszerz, wgłąb
POLITECHNIKA WROCŁAWSKA WYDZIAŁ ELEKTRONIKI INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Przeszukiwanie przestrzeni rozwiązań, szukanie na ślepo, wszerz, wgłąb AUTOR: Krzysztof Górski Indeks: 133247 e-mail: 133247@student.pwr.wroc.pl
Bardziej szczegółowoAlgorytmy sztucznej inteligencji
www.math.uni.lodz.pl/ radmat Przeszukiwanie z ograniczeniami Zagadnienie przeszukiwania z ograniczeniami stanowi grupę problemów przeszukiwania w przestrzeni stanów, które składa się ze: 1 skończonego
Bardziej szczegółowoZaawansowane algorytmy i struktury danych
Zaawansowane algorytmy i struktury danych u dr Barbary Marszał-Paszek Opracowanie pytań teoretycznych z egzaminów. Strona 1 z 12 Pytania teoretyczne z egzaminu pisemnego z 25 czerwca 2014 (studia dzienne)
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoJacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa
Jacek Skorupski pok. 251 tel. 234-7339 jsk@wt.pw.edu.pl http://skorupski.waw.pl/mmt prezentacje ogłoszenia konsultacje: poniedziałek 16 15-18, sobota zjazdowa 9 40-10 25 Udział w zajęciach Kontrola wyników
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoPorównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki
Porównanie algorytmów wyszukiwania najkrótszych ścieżek między wierzchołkami grafu. Instytut Informatyki 22 listopada 2015 Algorytm DFS w głąb Algorytm przejścia/przeszukiwania w głąb (ang. Depth First
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoWprowadzenie do Sztucznej Inteligencji
Wprowadzenie do Sztucznej Inteligencji Wykład Studia Inżynierskie Przeszukiwanie przestrzeni stanów Przestrzeń stanów jest to czwórka uporządkowana [N,[, S, GD], gdzie: N jest zbiorem wierzchołków w odpowiadających
Bardziej szczegółowoMetody Programowania
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie
Bardziej szczegółowoSchemat programowania dynamicznego (ang. dynamic programming)
Schemat programowania dynamicznego (ang. dynamic programming) Jest jedną z metod rozwiązywania problemów optymalizacyjnych. Jej twórcą (1957) był amerykański matematyk Richard Ernest Bellman. Schemat ten
Bardziej szczegółowoTworzenie gier na urządzenia mobilne
Katedra Inżynierii Wiedzy Teoria podejmowania decyzji w grze Gry w postaci ekstensywnej Inaczej gry w postaci drzewiastej, gry w postaci rozwiniętej; formalny opis wszystkich możliwych przebiegów gry z
Bardziej szczegółowoprowadzący dr ADRIAN HORZYK /~horzyk e-mail: horzyk@agh tel.: 012-617 Konsultacje paw. D-13/325
PODSTAWY INFORMATYKI WYKŁAD 8. prowadzący dr ADRIAN HORZYK http://home home.agh.edu.pl/~ /~horzyk e-mail: horzyk@agh agh.edu.pl tel.: 012-617 617-4319 Konsultacje paw. D-13/325 DRZEWA Drzewa to rodzaj
Bardziej szczegółowoAlgorytmy i str ruktury danych. Metody algorytmiczne. Bartman Jacek
Algorytmy i str ruktury danych Metody algorytmiczne Bartman Jacek jbartman@univ.rzeszow.pl Metody algorytmiczne - wprowadzenia Znamy strukturę algorytmów Trudność tkwi natomiast w podaniu metod służących
Bardziej szczegółowoSztuczna inteligencja w programowaniu gier
ztuczna inteligencja w programowaniu gier Algorytmy przeszukiwania przestrzeni rozwiązań Krzysztof Ślot Wprowadzenie Ogólna charakterystyka zagadnienia Cel przeszukiwania: znaleźć element będący rozwiązaniem
Bardziej szczegółowoAlgorytmy Równoległe i Rozproszone Część X - Algorytmy samostabilizujące.
Algorytmy Równoległe i Rozproszone Część X - Algorytmy samostabilizujące. Łukasz Kuszner pokój 209, WETI http://www.sphere.pl/ kuszner/ kuszner@sphere.pl Oficjalna strona wykładu http://www.sphere.pl/
Bardziej szczegółowoĆWICZENIE 1: Przeszukiwanie grafów strategie heurystyczne
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE studia niestacjonarne ĆWICZENIE 1: Przeszukiwanie grafów strategie
Bardziej szczegółowoNajprostszy schemat blokowy
Definicje Modelowanie i symulacja Modelowanie zastosowanie określonej metodologii do stworzenia i weryfikacji modelu dla danego układu rzeczywistego Symulacja zastosowanie symulatora, w którym zaimplementowano
Bardziej szczegółowoZadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik
Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda
Bardziej szczegółowo9.9 Algorytmy przeglądu
14 9. PODSTAWOWE PROBLEMY JEDNOMASZYNOWE 9.9 Algorytmy przeglądu Metody przeglądu dla problemu 1 r j,q j C max były analizowane między innymi w pracach 25, 51, 129, 238. Jak dotychczas najbardziej elegancka
Bardziej szczegółowoMetody getter https://www.python-course.eu/python3_object_oriented_programming.php 0_class http://interactivepython.org/runestone/static/pythonds/index.html https://www.cs.auckland.ac.nz/compsci105s1c/lectures/
Bardziej szczegółowoModele i narzędzia optymalizacji w systemach informatycznych zarządzania
Politechnika Poznańska Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Joanna Józefowska POZNAŃ 2010/11 Spis treści Rozdział 1. Metoda programowania dynamicznego........... 5
Bardziej szczegółowoa) 7 b) 19 c) 21 d) 34
Zadanie 1. Pytania testowe dotyczące podstawowych własności grafów. Zadanie 2. Przy każdym z zadań może się pojawić polecenie krótkiej charakterystyki algorytmu. Zadanie 3. W zadanym grafie sprawdzenie
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
Bardziej szczegółowoZagadnienia egzaminacyjne INFORMATYKA. Stacjonarne. I-go stopnia. (INT) Inżynieria internetowa STOPIEŃ STUDIÓW TYP STUDIÓW SPECJALNOŚĆ
(INT) Inżynieria internetowa 1. Tryby komunikacji między procesami w standardzie Message Passing Interface 2. HTML DOM i XHTML cel i charakterystyka 3. Asynchroniczna komunikacja serwerem HTTP w technologii
Bardziej szczegółowoALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ
ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ Zalety: nie wprowadzają żadnych ograniczeń na sformułowanie problemu optymalizacyjnego. Funkcja celu może być wielowartościowa i nieciągła, obszar
Bardziej szczegółowoSztuczna Inteligencja i Systemy Doradcze
Sztuczna Inteligencja i Systemy Doradcze Przeszukiwanie przestrzeni stanów gry Przeszukiwanie przestrzeni stanów gry 1 Gry a problemy przeszukiwania Nieprzewidywalny przeciwnik rozwiązanie jest strategią
Bardziej szczegółowoSystemy Agentowe główne cechy. Mariusz.Matuszek WETI PG
Systemy Agentowe główne cechy Mariusz.Matuszek WETI PG Definicja agenta Wiele definicji, w zależności od rozpatrywanego zakresu zastosowań. Popularna definicja: Jednostka obliczeniowa (program, robot),
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoWYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA
Rekurencja - zdolność podprogramu (procedury) do wywoływania samego (samej) siebie Wieże Hanoi dane wejściowe - trzy kołki i N krążków o różniących się średnicach wynik - sekwencja ruchów przenosząca krążki
Bardziej szczegółowoZadanie 1: Piętnastka
Informatyka, studia dzienne, inż. I st. semestr VI Sztuczna Inteligencja i Systemy Ekspertowe 2010/2011 Prowadzący: mgr Michał Pryczek piątek, 12:00 Data oddania: Ocena: Grzegorz Graczyk 150875 Marek Rogalski
Bardziej szczegółowoDefinicje. Najprostszy schemat blokowy. Schemat dokładniejszy
Definicje owanie i symulacja owanie zastosowanie określonej metodologii do stworzenia i weryfikacji modelu dla danego rzeczywistego Symulacja zastosowanie symulatora, w którym zaimplementowano model, do
Bardziej szczegółowoPorządek symetryczny: right(x)
Porządek symetryczny: x lef t(x) right(x) Własność drzewa BST: W drzewach BST mamy porządek symetryczny. Dla każdego węzła x spełniony jest warunek: jeżeli węzeł y leży w lewym poddrzewie x, to key(y)
Bardziej szczegółowoZofia Kruczkiewicz, Algorytmu i struktury danych, Wykład 14, 1
Wykład Algorytmy grafowe metoda zachłanna. Właściwości algorytmu zachłannego:. W przeciwieństwie do metody programowania dynamicznego nie występuje etap dzielenia na mniejsze realizacje z wykorzystaniem
Bardziej szczegółowoOgólne wiadomości o grafach
Ogólne wiadomości o grafach Algorytmy i struktury danych Wykład 5. Rok akademicki: / Pojęcie grafu Graf zbiór wierzchołków połączonych za pomocą krawędzi. Podstawowe rodzaje grafów: grafy nieskierowane,
Bardziej szczegółowoE: Rekonstrukcja ewolucji. Algorytmy filogenetyczne
E: Rekonstrukcja ewolucji. Algorytmy filogenetyczne Przypominajka: 152 drzewo filogenetyczne to drzewo, którego liśćmi są istniejące gatunki, a węzły wewnętrzne mają stopień większy niż jeden i reprezentują
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska DRZEWO REGRESYJNE Sposób konstrukcji i przycinania
Bardziej szczegółowoPorównanie czasów działania algorytmów sortowania przez wstawianie i scalanie
Więcej o sprawności algorytmów Porównanie czasów działania algorytmów sortowania przez wstawianie i scalanie Załóżmy, że możemy wykonać dane zadanie przy użyciu dwóch algorytmów: jednego o złożoności czasowej
Bardziej szczegółowoZłożoność obliczeniowa zadania, zestaw 2
Złożoność obliczeniowa zadania, zestaw 2 Określanie złożoności obliczeniowej algorytmów, obliczanie pesymistycznej i oczekiwanej złożoności obliczeniowej 1. Dana jest tablica jednowymiarowa A o rozmiarze
Bardziej szczegółowoGrupy pytań na egzamin inżynierski na kierunku Informatyka
Grupy pytań na egzamin inżynierski na kierunku Informatyka Dla studentów studiów dziennych Należy wybrać dwie grupy pytań. Na egzaminie zadane zostaną 3 pytania, każde z innego przedmiotu, pochodzącego
Bardziej szczegółowoAlgorytm. Krótka historia algorytmów
Algorytm znaczenie cybernetyczne Jest to dokładny przepis wykonania w określonym porządku skończonej liczby operacji, pozwalający na rozwiązanie zbliżonych do siebie klas problemów. znaczenie matematyczne
Bardziej szczegółowoOptymalizacja. Przeszukiwanie lokalne
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Idea sąsiedztwa Definicja sąsiedztwa x S zbiór N(x) S rozwiązań, które leżą blisko rozwiązania x
Bardziej szczegółowoBadania operacyjne egzamin
Imię i nazwisko:................................................... Nr indeksu:............ Zadanie 1 Załóżmy, że Tablica 1 reprezentuje jeden z kroków algorytmu sympleks dla problemu (1)-(4). Tablica
Bardziej szczegółowoBadania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle
Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Paweł Szołtysek 12 czerwca 2008 Streszczenie Planowanie produkcji jest jednym z problemów optymalizacji dyskretnej,
Bardziej szczegółowoZASADY PROGRAMOWANIA KOMPUTERÓW ZAP zima 2014/2015. Drzewa BST c.d., równoważenie drzew, kopce.
POLITECHNIKA WARSZAWSKA Instytut Automatyki i Robotyki ZASADY PROGRAMOWANIA KOMPUTERÓW ZAP zima 204/205 Język programowania: Środowisko programistyczne: C/C++ Qt Wykład 2 : Drzewa BST c.d., równoważenie
Bardziej szczegółowoĆwiczenie 1 Planowanie trasy robota mobilnego w siatce kwadratów pól - Algorytm A
Ćwiczenie 1 Planowanie trasy robota mobilnego w siatce kwadratów pól - Algorytm A Zadanie do wykonania 1) Utwórz na pulpicie katalog w formacie Imię nazwisko, w którym umieść wszystkie pliki związane z
Bardziej szczegółowoTemat 9. Zabłocone miasto Minimalne drzewa rozpinające
Temat 9 Zabłocone miasto Minimalne drzewa rozpinające Streszczenie Nasze życie związane jest z funkcjonowaniem wielu sieci: telefonicznych, energetycznych, komputerowych i drogowych. W przypadku każdej
Bardziej szczegółowoK.Pieńkosz Badania Operacyjne Wprowadzenie 1. Badania Operacyjne. dr inż. Krzysztof Pieńkosz
K.Pieńkosz Wprowadzenie 1 dr inż. Krzysztof Pieńkosz Instytut Automatyki i Informatyki Stosowanej Politechniki Warszawskiej pok. 560 A tel.: 234-78-64 e-mail: K.Pienkosz@ia.pw.edu.pl K.Pieńkosz Wprowadzenie
Bardziej szczegółowoZłożoność obliczeniowa klasycznych problemów grafowych
Złożoność obliczeniowa klasycznych problemów grafowych Oznaczenia: G graf, V liczba wierzchołków, E liczba krawędzi 1. Spójność grafu Graf jest spójny jeżeli istnieje ścieżka łącząca każdą parę jego wierzchołków.
Bardziej szczegółowoTechniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I
Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje:
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Wnioskowanie logiczne i systemy eksperckie Systemy posługujące się logiką predykatów: część 3/3 Dzisiaj Uogólnienie Poprawność i pełność wnioskowania
Bardziej szczegółowoMetody Optymalizacji: Przeszukiwanie z listą tabu
Metody Optymalizacji: Przeszukiwanie z listą tabu Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: wtorek
Bardziej szczegółowoZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW
ZŁOŻONOŚĆ OBLICZENIOWA ALGORYTMÓW NIEDETERMINISTYCZNE MASZYNY TURINGA Bartosz Zieliński Katedra Fizyki Teoretycznej i Informatyki Zima 2011-2012 NIEDETERMINISTYCZNE MASZYNY TURINGA DEFINICJA: NIEDETERMINISTYCZNA
Bardziej szczegółowoWykład 7 i 8. Przeszukiwanie z adwersarzem. w oparciu o: S. Russel, P. Norvig. Artificial Intelligence. A Modern Approach
(4g) Wykład 7 i 8 w oparciu o: S. Russel, P. Norvig. Artificial Intelligence. A Modern Approach P. Kobylański Wprowadzenie do Sztucznej Inteligencji 177 / 226 (4g) gry optymalne decyzje w grach algorytm
Bardziej szczegółowoWymagania na poszczególne oceny szkolne dla klasy VI. (na podstawie Grażyny Koba, Teraz bajty. Informatyka dla szkoły podstawowej.
1 Wymagania na poszczególne oceny szkolne dla klasy VI (na podstawie Grażyny Koba, Teraz bajty. Informatyka dla szkoły podstawowej. Klasa VI ) 2 1. Obliczenia w arkuszu kalkulacyjnym słucha poleceń nauczyciela
Bardziej szczegółowoSkalowalność obliczeń równoległych. Krzysztof Banaś Obliczenia Wysokiej Wydajności 1
Skalowalność obliczeń równoległych Krzysztof Banaś Obliczenia Wysokiej Wydajności 1 Skalowalność Przy rozważaniu wydajności przetwarzania (obliczeń, komunikacji itp.) często pojawia się pojęcie skalowalności
Bardziej szczegółowoWykład z Technologii Informacyjnych. Piotr Mika
Wykład z Technologii Informacyjnych Piotr Mika Uniwersalna forma graficznego zapisu algorytmów Schemat blokowy zbiór bloków, powiązanych ze sobą liniami zorientowanymi. Jest to rodzaj grafu, którego węzły
Bardziej szczegółowoEfektywność algorytmów
Efektywność algorytmów Algorytmika Algorytmika to dział informatyki zajmujący się poszukiwaniem, konstruowaniem i badaniem własności algorytmów, w kontekście ich przydatności do rozwiązywania problemów
Bardziej szczegółowoDrzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II
Wykład 6. Drzewa cz. II 1 / 65 drzewa spinające Drzewa spinające Zliczanie drzew spinających Drzewo T nazywamy drzewem rozpinającym (spinającym) (lub dendrytem) spójnego grafu G, jeżeli jest podgrafem
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład. Prof. dr hab. inż. Jan Magott Algorytmy grafowe: podstawowe pojęcia, reprezentacja grafów, metody przeszukiwania, minimalne drzewa rozpinające, problemy
Bardziej szczegółowoProblemy Decyzyjne Markowa
Problemy Decyzyjne Markowa na podstawie AIMA ch17 i slajdów S. Russel a Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 18 kwietnia 2013 Sekwencyjne problemy decyzyjne Cechy sekwencyjnego
Bardziej szczegółowoTeraz bajty. Informatyka dla szkoły podstawowej. Klasa VI
1 Teraz bajty. Informatyka dla szkoły podstawowej. Klasa VI Opis założonych osiągnięć ucznia przykłady wymagań na poszczególne oceny szkolne dla klasy VI Grażyna Koba Spis treści 1. Obliczenia w arkuszu
Bardziej szczegółowoTeoretyczne podstawy informatyki
Teoretyczne podstawy informatyki Wykład 6a: Model danych oparty na zbiorach http://hibiscus.if.uj.edu.pl/~erichter/dydaktyka2010/tpi-2010 Prof. dr hab. Elżbieta Richter-Wąs 1 Model danych oparty na zbiorach
Bardziej szczegółowoAlgorytm poprawny jednoznaczny szczegółowy uniwersalny skończoność efektywność (sprawność) zmiennych liniowy warunkowy iteracyjny
Algorytm to przepis; zestawienie kolejnych kroków prowadzących do wykonania określonego zadania; to uporządkowany sposób postępowania przy rozwiązywaniu zadania, problemu, z uwzględnieniem opisu danych
Bardziej szczegółowoROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH
Transport, studia I stopnia Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym
Bardziej szczegółowoAlgorytmy dla gier dwuosobowych
Algorytmy dla gier dwuosobowych Wojciech Dudek Seminarium Nowości Komputerowe 5 czerwca 2008 Plan prezentacji Pojęcia wstępne (gry dwuosobowe, stan gry, drzewo gry) Algorytm MiniMax Funkcje oceniające
Bardziej szczegółowoWybrane metody przybliżonego. wyznaczania rozwiązań (pierwiastków) równań nieliniowych
Wykład trzeci 1 Wybrane metody przybliżonego wyznaczania rozwiązań pierwiastków równań nieliniowych 2 Metody rozwiązywania równań nieliniowych = 0 jest unkcją rzeczywistą zmiennej rzeczywistej Rozwiązanie
Bardziej szczegółowo