Problemy z wnioskowaniem opartym na logice

Wielkość: px
Rozpocząć pokaz od strony:

Download "Problemy z wnioskowaniem opartym na logice"

Transkrypt

1 Problemy z wnioskowaniem opartym na logice Mamy rachunek predykatów pierwszego rzedu do reprezentacji wiedzy. Mamy automatyczne dowodzenie twierdzeń przy użyciu regu ly rezolucji. Mamy również mechanizmy do wnioskowania o zmianach (rachunek sytuacji). Czy to wystarczy do budowy inteligentnych agentów? 1. Problemy z sama logika predykatów: niepe lność jezyka predykatów pierwszego rzedu, nieroztrzygalność procedury dowodowej, bariera kombinatoryczna dowodzenia 2. Problem: wnioskowanie w warunkach niepewności informacji certainty factors systemy ad-hoc logika probabilistyczna logika rozmyta 3. Problem: wnioskowanie przy niepe lnej informacji fakty typowe fakty możliwe fakty prawdopodobne wyjatki od faktów ogólnie s lusznych Systemy logiki niemonotonicznej motywacja 1

2 Frame problem Problem t la (problem 4, frame problem): gdy wnioskujemy o zmianach zachodzacych w świecie, jak efektywnie reprezentować fakty, które sie NIE zmieniaja? Na przyk lad: Stan s0: ma(s0, jas, 23000PLN). ma(s0, jas, przyjaciolke). Akcja: kupno samochodu: s0 s1 ma(s1, jas, 500PLN). ma(s1, jas, daewoo_matiz). Ale czy w stanie s1 Jaś nadal ma przyjació lke? Podobnie jak to widzieliśmy w przyk ladzie z ma lp a i bananami, aby poprawnie rozwiazać ten przyk lad, należa loby zapisać, oprócz aksjomatów dzia lań, również aksjomaty braku dzia lań, oraz aksjomaty niezmienniczości. Systemy logiki niemonotonicznej motywacja 2

3 Frame problem Problem t la (frame problem) w rzeczywistości objawia sie na kilka sposobów, z których wszystkie wp lywaj a na efektywność obliczeniowa wnioskujacego logicznie agenta. Reprezentacyjny frame problem: konieczność zapisania, w jezyku logiki pierwszego rzedu, aksjomatów niezmienności dla wszystkich używanych symboli predykatów. Inferencyjny frame problem: konieczność dowiedzenia, po każdej akcji agenta, prawdziwości wszystkich faktów, nawet tych, które z ta akcja nie mia ly nic wspólnego. Problem kwalifikacji: w świecie rzeczywistym trudno jest efektywnie określić wszystkie warunki poprawności danej operacji. Problem ramifikacji: równie trudno jest efektywnie określić wszystkie pośrednie konsekwencje danej akcji, np. gdy agent sie porusza to wraz z nim porusza sie jego ubranie. Systemy logiki niemonotonicznej motywacja 3

4 Logika zdrowego rozsadku Wniosek: wnioskujacy logicznie agent musi zostać sparaliżowany stuprocentowa poprawnościa swego mechanizmu wnioskowania. W świecie rzeczywistym nigdy nie bedzie w stanie odważyć sie na jakiekolwiek dzia lanie, bo nie bedzie mia l pe lnej informacji o otaczajacym go świecie. Jednak ludzie potrafia sprawnie poruszać sie w świecie pe lnym informacji niepewnej i niepe lnej, faktów domyślnych i wyjatków. Jak to robia? Musimy uznać, że w swoim wnioskowaniu ludzie pos luguja sie nieco inna logika, niż rygorystyczna logika matematyczna. Możnaby ogólnie nazwać ten hipotetyczny mechanizm wnioskowania logika zdrowego rozsadku (common sense reasoning). Systemy logiki niemonotonicznej motywacja 4

5 Systemy logiki niemonotonicznej Cześć winy za problemy z wnioskowaniem przy użyciu logiki klasycznej ponosi jej w lasność określana jako monotoniczność. W logice klasycznej, im wiecej wiemy, tym wiecej możemy wywieść stosujac wnioskowanie. Cz lowiek stosuje inny model wnioskowania, o wiele bardziej elastyczny, wykorzystujacy informacje typowa, domyślna, możliwa, a nawet brak informacji. Ten rodzaj wnioskowania wydaje sie nie mieć w lasności monotoniczności. Na przyk lad, o ile w braku dobrej informacji o sytuacji cz lowiek by lby gotów wyciagn ać pewne wnioski i podejmować decyzje (pochopne), to po zdobyciu pe lniejszej informacji może już nie być w stanie wymyśleć dobrego rozwiazania problemu. 1 Stad różne modele wnioskowania, zmierzajace do pokonania tych problemów, i bardziej zbliżone do elastycznego modelu wnioskowania cz lowieka, określa sie wspólnym mianem logik niemonotonicznych. 1 Rozwi azanie, które wypracowa l wcześniej, w braku informacji, by lo b ledne, ale może by lo lepsze niż brak jakiegokolwiek dzia lania. Chociaż niekoniecznie. Systemy logiki niemonotonicznej wprowadzenie 5

6 Wyzwanie Minsky-ego: opracowanie systemu, który pozwoli lby prawid lowo opisać ogólnie znany fakt, że ptaki potrafia fruwać. x[bird(x) canfly(x)] Aby uwzglednić wyjatki, np. strusie, trzeba każdorazowo modyfikować poprzednia formu le. x[bird(x) ostrich(x) canfly(x)] Wyjatków jest wiecej: ptaki skapane w rozlanej ropie naftowej, ptaki bez skrzyde l, chore ptaki, martwe ptaki, namalowane ptaki, abstrakcyjne ptaki,... Pomys l: wprowadzamy operator modalny M: x[bird(x) M canfly(x) canfly(x)] Teraz wyjatki możemy wprowadzać modularnie: x[ostrich(x) canfly(x)] Systemy logiki niemonotonicznej wprowadzenie 6

7 Dla nastepuj acego zbioru faktów: = {bird(tweety), bird(sam), ostrich(sam)} możemy wywieść: canfly(sam) zatem nie powinno nam sie udać wyprowadzić: M canfly(sam) ani canfly(sam) Jednak przy użyciu normalnych procedur nie możemy udowodnić zdolności do latania Tweety: M canfly(tweety), canfly(tweety) W tym celu niezbedna jest procedura dowodowa zdolna do efektywnego (i automatycznego) dowodzenia twierdzeń w jezyku predykatów rozszerzonym o operator modalny M, zgodna z nastepuj ac a regu l a wnioskowania: Not( p) M p Systemy logiki niemonotonicznej wprowadzenie 7

8 Pomijajac ograniczenia wynikajace z odwo lania do procedury dowodowej w powyższej definicji, taka procedura nie bedzie jednak ani efektywna obliczeniowo, ani rozstrzygalna, ani nawet pó lrozstrzygalna, jak procedury dowodowe dla rachunku predykatów. W przes lance powyższej regu ly wnioskowania mamy bowiem stwierdzenie, że pewnej formu ly nie da sie udowodnić. To po pierwsze może być w ogóle niemożliwe do stwierdzenia. Zaś aby znaleźć pozytywne potwierdzenie tego faktu bedzie na pewno konieczne przeprowadzenie globalnego wnioskowania na ca lej bazie danych, bo jak inaczej moglibyśmy stwierdzić, że czegoś nie da sie udowodnić. Dla odróżnienia, dowody w rachunku predykatów pierwszego rzedu maja charakter lokalny. Jeśli np. szcześliwie wybierzemy od razu w laściwe przes lanki to możemy uzyskać dowód w kilku krokach, nawet jeśli baza danych liczy tysiace faktów. Systemy logiki niemonotonicznej wprowadzenie 8

9 Za lożenie świata zamknietego CWA Zak ladamy że każdy fakt prosty (atomowy), który nie wystepuje w postaci pozytywnej ani negatywnej w zbiorze aksjomatów ( ), ani z tego zbioru nie daje sie wywieść (th( )), jest nieprawdziwy. th( ) : Φ RPPR[Φ th( ) = Φ] zal : P zal P th( ) gdzie P atom podstawiony CWA( ) : Φ[Φ CWA( ) zal = Φ] Typowy przyk lad: systemy baz danych, które posiadaja dla każdej relacji zbiór n-ek spe lniajacych te relacje. Przyjmuje sie tam, że dla wszystkich pozosta lych n-ek relacja nie jest spe lniona. Systemy logiki niemonotonicznej za lożenie CWA 9

10 CWA przyk lad Przyk lad: graniczy(polska,zsrr) graniczy(polska,nrd) graniczy(polska,csfr) Zapytanie: graniczy(polska,usa)? NIE. W przypadku posiadania niepe lnych danych wynik użycia CWA jest b ledny, i zależy np. od doboru konkretnych symboli predykatów. Na przyk lad, przy pos lugiwaniem sie predykatem odlegle (w przybliżeniu zaprzeczenie predykatu graniczy), możemy mieć: odlegle(polska,francja) odlegle(polska,wlochy) odlegle(polska,hiszpania) Zapytanie: odlegle(polska,usa)? NIE. Systemy logiki niemonotonicznej za lożenie CWA 10

11 CWA w lasności CWA nie gwarantuje również otrzymania wyników spójnych z sama zawartościa zbioru, np.: = {P(A) P(B)} a zatem P(A),P(B) th( ) wiec P(A), P(B) CWA( ) ale to w sumie razem daje sprzeczność. W lasność: Jeśli zbiór klauzul jest hornowski i spójny to CWA( ) jest spójny. (Klauzula jest hornowska jeśli zawiera co najwyżej jeden litera l pozytywny.) Systemy logiki niemonotonicznej za lożenie CWA 11

12 CWA modyfikacje W wielu przypadkach CWA jest zbyt silnym za lożeniem. Możemy go os labić przez za lożenie CWA tylko dla określonego zbioru predykatów. Wtedy zbiór zal jest z lożony wy lacznie z różnych instancji predykatów z tego zbioru. Na przyk lad: = { x[q(x) P(x)],Q(A),R(B) P(B)} Zak ladajac CWA ze wzgledu na P możemy wywnioskować P(B) ponieważ = P(B). Możemy zatem wywnioskować R(B). Zauważmy że pe lne CWA zawiera loby R(B) i P(B) co w sumie z stanowi sprzeczność. Systemy logiki niemonotonicznej za lożenie CWA 12

13 Inne za lożenia upraszczajace Nieco podobnymi do CWA za lożeniami upraszczajacymi sa: Za lożenie zamknietości dziedziny (DCA): jedynymi obiektami wystepujacymi w dziedzinie problemowej sa te, które wystepuja z nazwy. Przy braku symboli funkcyjnych moglibyśmy to za lożenie zapisać tak: x x = t 1 x = t 2... x = t n Jeśli wystepuj a symbole funkcyjne to takich formu l możnaby zapisać nieskończenie wiele i nie da sie tego wyrazić formu l a pierwszego rzedu. Za lożenie jednoznaczności nazw (UNA): jeśli dla dwóch podstawionych termów nie można udowodnić, że sa równe, to sa różne. UNA jest równoważne zastosowaniu CWA do predykatu równości. Systemy logiki niemonotonicznej za lożenie CWA 13

14 Przyk ladem zastosowania CWA i UNA jest mechanizm wnioskowania zaimplementowany w Prologu:?- consult(user).?- p(b). p(a). no ^D?- p(f(b)). yes no Systemy logiki niemonotonicznej za lożenie CWA 14

15 Dope lnienie predykatów PC Zak ladamy że jedynymi obiektami, które spe lniaja predykaty sa te, o których można to udowodnić. Rozpatrzmy kilka przypadków: Przyk lad 1. Za lóżmy = {P(A)} P(A) możemy zapisać jako: x[x = A P(x)] wtedy dope lnienie mog loby mieć postać: x[p(x) x = A] Oznaczymy: COMP(,P) def dope lnienie zatem: COMP(,P) = x [P(x) (x = A)] Jak widać w tym przypadku dope lnienie predykatu daje taki sam efekt jak CWA P. Przyk lad 2. W przypadku = {P(A),P(B)} dope lnienie ma postać: x[p(x) (x = A x = B)] Systemy logiki niemonotonicznej dope lnienie predykatów 15

16 Zbiór klauzul nazwiemy solitarnym w P, jeśli w każdej klauzuli zawierajacej pozytywny litera l P, P wystepuje co najwyżej raz (klauzule solitarne w P sa hornowskie w P, ale nie na odwrót). Zdefiniujemy dope lnienie P tylko dla klauzul solitarnych w P. Za lożmy że jest zbiorem klauzul solitarnych w P, wtedy każda klauzula zawierajaca pozytywny litera l P ma postać: y[q 1 Q 2... Q m P(t)] y x[(x = t) Q 1 Q 2...Q m P(x)] x[ y (x = t) Q 1 Q 2...Q m ] P(x) gdzie t =< t 1,...t n >, y inne zmienne, a (x = t) oznacza x 1 = t 1,... W skrócie zapisujemy wszystkie te formu ly jako: czyli: x E 1 P(x) x E 2 P(x)... x E k P(x) x[e 1 E 2...E k P(x)] Systemy logiki niemonotonicznej dope lnienie predykatów 16

17 a wiec przyjmujemy: COMP(,P) def ( xp(x) E 1 E 2...E k ) Przyk lad: teraz dope lniamy bird: x [ostrich(x) bird(x)] bird(tweety) ostrich(sam) x [ostrich(x) (x = Tweety) bird(x)] COMP(,bird) = x[bird(x) ostrich(x) (x = Tweety)] Za lożenie, że musi być solitarnym zbiorem klauzul gwarantuje, że klauzule zawierajace P stanowia poprawne (niecykliczne) definicje P. W niektórych przypadkach dope lnienie można poprawnie obliczyć również dla niesolitarnych klauzul, np. (x = 0) Silnia(x,1) (x 0) Silnia(x 1,y) Silnia(x,x y) Systemy logiki niemonotonicznej dope lnienie predykatów 17

18 Przeprowadzenie tutaj dope lnienia predykatu Silnia daje normalna formu le rekurencyjnej definicji silni: Silnia(x, z) [(x = 0) (z = 1)] y[(x 0) (z = x y) Silnia(x 1,y)] Zatem solitarność klauzul jest wystarczajacym, ale niekoniecznym warunkiem dla sensownego obliczenia dope lnienia predykatu. W lasność: Jeśli jest spójnym (spe lnialnym) zbiorem klauzul solitarnych ze wzgledu na P, to dope lnienie P w jest spójne. Systemy logiki niemonotonicznej dope lnienie predykatów 18

19 Specjalne przypadki dope lnienia predykatów: 1. = { x P(x)}, co możemy zapisać jako: x[true P(x)] W tym przypadku dope lnienie COMP(,P) ma postać x[p(x) TRUE] i jest tautologia, zatem nie wnosi nic nowego. 2. Za lóżmy, że nie ma w ani jednego pozytywnego przypadku P, wtedy możemy zapisać: x[false P(x)], wiec dope lnienie ma postać x[p(x) FALSE], tzn. x P(x) Dope lnienie predykatów dzia la troche podobnie jak CWA, ale w ogólności sa to różne koncepcje. Na przyk lad, jeśli = {P(A)} i istnieje obiekt B, wtedy P(B) CWA P ( ) natomiast dopelnieniem predykatu P jest formu la: x [P(x) (x = A)] Jak widać uzyskujemy różne formu ly, chociaż istnieja pewne zwiazki. Z P(B) oraz za lożenia DCA wynika x[p(x) (x = A)], natomiast formu la x[p(x) (x = A)] oraz za lożenie UNA daje P(B). Systemy logiki niemonotonicznej dope lnienie predykatów 19

20 Systemy logiki niemonotonicznej dope lnienie predykatów 20

21 NML Doyle i McDermott pierwsi opracowali matematyczny system logiki niemonotonicznej, zwany po prostu NML. th( ) def {Φ RPPR Φ} As (S) def {M Φ Φ S}\th( ) NM (S) def th( As (S)) Przekszta lcenie NM wyznacza dla danej teorii zbiór tych formu l, które powinny być niemonotonicznie wywodliwe z teorii. Punkt sta ly przekszta lcenia NM nazywany jest rozszerzeniem teorii. Rozszerzenie wyznacza zbiór tych formu l, które sa niemonotonicznie, lecz konsekwentnie i kompletnie wywodliwe z danej teorii. S = NM (S) Systemy logiki niemonotonicznej NML 21

22 Przyk lady. Teoria = {M p p} ma jedno rozszerzenie, które zawiera M p i p Teoria = {M p p} nie ma w ogóle rozszerzeń (operator NM nie ma punktu sta lego) Istnieja teorie z wieloma (nawet ) rozszerzeniami. Jako zbiór wniosków niemonotonicznych z danej teorii Doyle i McDermott określili przeciecie wszystkich rozszerzeń danej teorii (zamiast dopuścić rozszerzeń jako alternatyw). Doyle i McDermott opracowali procedure dowodowa dla takiego jezyka opartego na rachunku zdań, jak również teorie modeli dla tej logiki i udowodnili, że niemonotoniczna wywodliwość jest równoważna byciu prawdziwym w tej teorii modeli, tzn. teoria modeli jest kompletna i spójna z procedura dowodowa. Systemy logiki niemonotonicznej NML 22

23 Logika domys lów Logika domys lów (domniemań) opracowana przez Reitera prezentuje inne podejście do logiki niemonotonicznej. Pozwala tworzyć specjalne regu ly domys lowe o nastepuj acej postaci (jest to schemat regu ly ukonkretniany zmiennymi x): α(x) : M β(x) γ(x) Sens powyższej regu ly jest taki, że jeśli zachodzi α a β jest spójne (niesprzeczne) z bieżacym stanem bazy danych, to możemy wywnioskować γ. Teoria domys lów nazywamy pare (,D), gdzie jest klasyczna teoria rachunku predykatów, natomiast D jest zbiorem regu l domys lowych. Ponadto wprowadzamy operator Γ dzia lajacy na zbiorach formu l, spe lniajacy nastepuj ace warunki: (1) Γ(S) (2) Γ(S) = th(γ(s)) (3) [ p:mq r D,p Γ(S), q S] r Γ(S) Zbiór S nazywamy rozszerzeniem teorii domys lów (, D) jeśli jest punktem Systemy logiki niemonotonicznej logika domys lów 23

24 sta lym operatora Γ S = Γ(S) Przyk lady. Teoria (,D), gdzie = {},D = { :Mp p }, ma jedno rozszerzenie: S = th({p}) Teoria (,D), gdzie = {},D = { :Mp p, :M p p }, ma dwa rozszerzenia: S 1 = th({p}) oraz S 2 = th({ p}), i te dwa rozszerzenia stanowia alternatywne punkty widzenia na niemonotoniczne wnioskowanie z (albo zwiazane z p albo z p). Istnieja również teorie bez rozszerzeń, np. (,D), gdzie = {},D = { :Mp p } Systemy logiki niemonotonicznej logika domys lów 24

25 Obecnie można poprawnie zapisać przyk lad z fruwaniem ptaków. bird(x):m canfly(x) D = { } canfly(x) = { x[ostrich(x) canfly(x)], bird(tweety), bird(sam), ostrich(sam)} Ta teoria posiada jedno rozszerzenie S = th( { canfly(sam),canfly(tweety)}) Reiter sformu lowa l pojecie dowodu domys lowego, udowodni l, że domys lowa dowodliwość formu ly jest równoważna z należeniem do jakiegoś rozszerzenia teorii, a także przedstawi l procedure, oparta na klasycznej rezolucji, pozwalajacej stwierdzić należenie do rozszerzenia. Należy jednak pamietać, że ogólnie kwestia ta jest nierozstrzygalna. Systemy logiki niemonotonicznej logika domys lów 25

26 Systemy logiki niemonotonicznej logika domys lów 26

27 Circumscription Metoda circumscription Johna McCarthy ego jest przyk ladem logiki drugiego rzedu zdefiniowanej na potrzeby wnioskowania niemonotonicznego. Można ja rozumieć jako formalna i kompletna wersje za lożenia CWA. Pozwala ona wyznaczyć pewne predykaty jako minimalnie prawdziwe, albo fa lszywe wszedzie tam gdzie nie sa prawdziwe. Na przyk lad, chcac wyrazić fakt, że ptaki normalnie fruwaja, moglibyśmy wprowadzić predykat Abnormal 1 (x) i zapisać: Bird(x) Abnormal 1 (x) CanFly(x) Wykonanie circumscription predykatu Abnormal 1 upoważnia maszyne wnioskujac a do przyjecia Abnormal 1 (x) zawsze wtedy, gdy nie da sie udowodnić, że prawda jest Abnormal 1 (x). Systemy logiki niemonotonicznej circumscription 27

28 Systemy logiki niemonotonicznej circumscription 28

29 Systemy zachowania spójności logicznej (TMS) Co ma zrobić system wnioskowania logicznego gdy chcia lby wycofać jakiś fakt P posiadany w swojej bazie danych? Na przyk lad: system rejestruje bieżacy stan rzeczy (nie uwzgledniaj ac up lywu czasu ani historii) i ten stan uleg l zmianie fakt by l wynikiem za lożenia dokonanego ad hoc (być może w wyniku rozumowania niemonotonicznego) i obecnie sa powody przypuszczać, że w istocie jest nieprawdziwy Usuniecie b lednie dokonanego za lożenia lub nieaktualnego faktu nie może polegać na dodaniu faktu P, ponieważ to nie wycofa loby b lednego faktu P, a tylko wprowadzi lo niespójność bazy danych, zawierajacej obecnie zarówno P jak i P. Zamiast tego, należy usunać z bazy danych fakt P, oraz wszystkie inne fakty być może z niego wywiedzione. Na przyk lad, jeśli istnia la implikacja P Q, to system móg l, wierzac w pewnym okresie w prawdziwość P, poprawnie wywnioskować Q. Jednak fakty takie jak Q niekoniecznie musza być nieprawdziwe tylko dlatego, że nieprawdziwe okaza lo sie P. Po jego pierwotnym wywiedzeniu z P system móg l znaleźć inne, niezależne, potwierdzenia Q. Systemy logiki niemonotonicznej systemy TMS 29

30 Systemy zachowania spójności logicznej (truth maintenance systems), wspomagaja proces wnioskowania przez rejestracje takich zależności logicznych. Agent rozwiazuj acy problem aksjomaty za lożenia wnioski zależności zapytania odpowiedzi System TMS Funkcje systemu TMS: 1. przechowywanie faktów i wniosków 2. usuwanie faktów z obs lug a konsekwencji 3. ponowne przywracanie faktów i konsekwencji 4. dostarczanie agentowi uzasadnień faktów 5. wykrywanie niespójności w za lożeniach 6. prowadzenie wnioskowania niemonotonicznego Systemy logiki niemonotonicznej systemy TMS 30

31 W najprostszym przypadku system TMS może realizować swe funkcje przez usuwanie z bazy danych w momencie wycofywania dokonanego wcześniej za lożenia wszystkich wniosków otrzymanych przez system. Jest to metoda prosta i skuteczna, wymaga jednak każdorazowego powtórzenia dowodów wszystkich twierdzeń. Nieco lepsza metoda jest usuwanie tylko wniosków wywiedzionych po wprowadzeniu do bazy danych wycofywanego aktualnie za lożenia. Wymaga to utrzymywania informacji o chronologii wprowadzania i wyprowadzania faktów, i nadal powtórzenia wielu dowodów, z których wiekszość mog la nie mieć nic wspólnego z wycofywanym za lożeniem. Jeszcze lepsza metoda jest rejestrowanie, dla wszystkich wniosków, za lożeń, na których by ly oparte ich wywody, a nastepnie, przy wycofywaniu jakiegoś za lożenia, usuwanie uzasadnień, których niezbedn a cześci a by lo wycofywane za lożenie, a także eliminacja faktów, które straci ly wszystkie swoje uzasadnienia. Systemy logiki niemonotonicznej systemy TMS 31

32 Przyk lad Agent posiada nastepuj ace fakty pewne, oraz, uzyskane w wyniku swojej pracy, za lożenia niemonotoniczne i wnioski na nich oparte: P R { fakt } Q S { fakt } R S { fakt } P { za lożenie } Q { za lożenie } R { wniosek(p) } S { wniosek(p), wniosek(q) } Gdyby nastepnie, w trakcie pracy, agent postanowi l wycofać sie z za lożenia P, i poinformowa l o tym system TMS, to ten skreśli lby fakt R z listy faktów uznawanych za s luszne, oraz skreśli lby jedno z uzasadnień faktu S. Gdyby w dalszym ciagu agent wycofa lby również za lożenie Q, to system TMS musia lby już ostatecznie usunać fakt S. Zauważmy, że gdyby agent nastepnie postanowi l jednak przywrócić za lożenie P, to system TMS nie mia lby sposobu odzyskania usunietych wniosków R i S. Systemy logiki niemonotonicznej systemy TMS 32

33 System JTMS Historycznie najwcześniejszy system TMS Doyle a jest w laśnie oparty na uzasadnieniach (pierwotnie nazwany po prostu TMS, ale później dla odróżnienia od innych systemów nazywany również JTMS). System ten pamieta dla każdego faktu jego uzasadnienie, lub uzasadnienia. System JMS nie usuwa raz utworzonych struktur danych, tylko określa status faktu jako in (fakt, w który wierzymy, bo ma uzasadnienia) albo out (fakt, w który nie wierzymy, bo nie ma uzasadnień). Gdy status jakiegoś faktu zmienia sie na out, wtedy uzasadnienia niektórych innych faktów moga również zmienić status, powodujac propagacje konsekwencji takiej zmiany w strukturach systemu JTMS. Podobnie, gdy pojawia sie jakiś fakt, który mia l już poprzednio status in, i jest cześci a uzasadnień innych faktów, wtedy wystarczy zmienić status wszystkich takich uzasadnień i faktów na in, i udowodnione wcześniej wnioski automatycznie pojawiaja sie znowu (tzw. unouting ). Zatem system JTMS utrzymuje stan swojej bazy danych w postaci jednego spójnego zestawu wierzeń, i o każdym stwierdzeniu możemy powiedzieć, czy aktualnie w nie wierzymy czy nie. Systemy logiki niemonotonicznej systemy TMS 33

34 System ATMS Innego rodzaju system TMS, oparty na za lożeniach i nazwany ATMS, zaproponowa l Johan de Kleer. ATMS nie etykietuje żadnych faktów jako in albo out, a tylko rejestruje wszystkie fakty i za lożenia w postaci wez lów na jednym grafie zależności. System zaznacza, na podstawie informacji od użytkownika, które fakty sa prawdziwe przy których za lożeniach, i nie ma pojecia w co wierzy w danej chwili. Użytkownik zg lasza systemowi wszystkie za lożenia, które go interesuja, niezależnie czy sa one wzajemnie spójne. ATMS aktualizuje graf zależności, gdzie etykiety wez lów zawieraja za lożenia je uzasadniajace, i w każdej chwili jest w stanie odpowiedzieć, przy jakim zestawie za lożeń dany fakt jest prawdziwy. Metoda de Kleer a pokonuje wiekszość problemów zwiazanych z systemami TMS (np. unouting), i nadaje sie szczególnie do implementacji systemów rozważajacych alternatywne warianty, gdzie konieczne jest czeste prze laczanie sie miedzy wzajemnie wykluczajacymi sie punktami widzenia. Jest to jednak metoda typowo dyskretna, dzia lajac a na niezbyt dużej liczbie za lożeń, ponieważ musi uwzgledniać wszystkie możliwe ich kombinacje. Systemy logiki niemonotonicznej systemy TMS 34

35 Generacja wyjaśnień Systemy TMS moga być również postrzegane jako generatory wyjaśnień. Jeśli dla danego faktu, który jest obserwowany, istnieje szereg możliwych uzasadnień, z których żadne nie jest obserwowane ani znane, to agent może analizować te uzasadnienia, i wybierać te, które np. sa minimalne, a przez to najbardziej prawdopodobne, i skoncentrować sie na znalezieniu przyczyny obserwowanej sytuacji. Na przyk lad, jako uzasadnienie faktu, że nie da sie uruchomić silnika samochodu, możemy mieć zapisana niesprawność akumulatora, oraz jeszcze szereg innych możliwych przyczyn. Gdyby agent mia l problemy z samochodem, i chcia l określić jego przyczyny, móg lby zaczać analizować zbiory uzasadnienień takiej awarii, i na tej podstawie próbować wybrnać z sytuacji. Na przyk lad, móg lby uporzadkować te zbiory uzasadnień wed lug liczności, i zaczać od najmniejszych, wychodzac z za lożenia, że najmniejszy zbiór uzasadnień zwiazany jest z najprostsza okolicznościa i przyczyna awarii. Zatem próby wybrniecia z opresji móg lby nasz agent zaczać od sprawdzenia akumulatora, gdyby to on w laśnie stanowi l najprostsze w tym sensie wyjaśnienie awarii. Systemy logiki niemonotonicznej systemy TMS 35

SYSTEM DIAGNOSTYCZNY OPARTY NA LOGICE DOMNIEMAŃ. Ewa Madalińska. na podstawie prac:

SYSTEM DIAGNOSTYCZNY OPARTY NA LOGICE DOMNIEMAŃ. Ewa Madalińska. na podstawie prac: SYSTEM DIAGNOSTYCZNY OPARTY NA LOGICE DOMNIEMAŃ Ewa Madalińska na podstawie prac: [1] Lukaszewicz,W. (1988) Considerations on Default Logic: An Alternative Approach. Computational Intelligence, 44[1],

Bardziej szczegółowo

P. Urzyczyn: Materia ly do wyk ladu z semantyki. Uproszczony 1 j. ezyk PCF

P. Urzyczyn: Materia ly do wyk ladu z semantyki. Uproszczony 1 j. ezyk PCF 29 kwietnia 2013, godzina 23: 56 strona 1 P. Urzyczyn: Materia ly do wyk ladu z semantyki Uproszczony 1 j ezyk PCF Sk ladnia: Poniżej Γ oznacza otoczenie typowe, czyli zbiór deklaracji postaci (x : τ).

Bardziej szczegółowo

Wyk lad 5 Grupa ilorazowa, iloczyn prosty, homomorfizm

Wyk lad 5 Grupa ilorazowa, iloczyn prosty, homomorfizm Wyk lad 5 Grupa ilorazowa, iloczyn prosty, homomorfizm 1 Grupa ilorazowa Niech H b edzie dzielnikiem normalnym grupy G. Oznaczmy przez G/H zbiór wszystkich warstw lewostronnych grupy G wzgl edem podgrupy

Bardziej szczegółowo

LOGIKA ALGORYTMICZNA

LOGIKA ALGORYTMICZNA LOGIKA ALGORYTMICZNA 0.0. Relacje. Iloczyn kartezjański: A B := (a, b) : a A i b B} (zak ladamy, że (x, y) i (u, v) s a równe wtedy i tylko wtedy gdy x = u i y = v); A n := (x 1,..., x n ) : x i A}; R

Bardziej szczegółowo

Algebra i jej zastosowania konspekt wyk ladu, czȩść druga

Algebra i jej zastosowania konspekt wyk ladu, czȩść druga Algebra i jej zastosowania konspekt wyk ladu, czȩść druga Anna Romanowska January 29, 2016 4 Kraty i algebry Boole a 41 Kraty zupe lne Definicja 411 Zbiór uporza dkowany (P, ) nazywamy krata zupe lna,

Bardziej szczegółowo

Rezolucja w rachunku predykatów. Przedrostkowa koniunkcyjna postać normalna. Formu ly ustalone. Joanna Józefowska. Poznań, rok akademicki 2009/2010

Rezolucja w rachunku predykatów. Przedrostkowa koniunkcyjna postać normalna. Formu ly ustalone. Joanna Józefowska. Poznań, rok akademicki 2009/2010 Instytut Informatyki Poznań, rok akademicki 2009/2010 1 Postać klauzulowa formu l 2 Regu la rezolucji Regu la rezolucji dla klauzul ustalonych Regu la rezolucji dla klauzul ustalonych a spe lnialność Ogólna

Bardziej szczegółowo

Systemy ekspertowe i ich zastosowania. Katarzyna Karp Marek Grabowski

Systemy ekspertowe i ich zastosowania. Katarzyna Karp Marek Grabowski Systemy ekspertowe i ich zastosowania Katarzyna Karp Marek Grabowski Plan prezentacji Wstęp Własności systemów ekspertowych Rodzaje baz wiedzy Metody reprezentacji wiedzy Metody wnioskowania Języki do

Bardziej szczegółowo

Grupy i cia la, liczby zespolone

Grupy i cia la, liczby zespolone Rozdzia l 1 Grupy i cia la, liczby zespolone Dla ustalenia uwagi, b edziemy używać nast epuj acych oznaczeń: N = { 1, 2, 3,... } - liczby naturalne, Z = { 0, ±1, ±2,... } - liczby ca lkowite, W = { m n

Bardziej szczegółowo

MATEMATYKA DYSKRETNA - wyk lad 1 dr inż Krzysztof Bryś. Wprowadzenie

MATEMATYKA DYSKRETNA - wyk lad 1 dr inż Krzysztof Bryś. Wprowadzenie 1 MATEMATYKA DYSKRETNA - wyk lad 1 dr inż Krzysztof Bryś Wprowadzenie Istniej a dwa różne kryteria mówi ace, które narzȩdzia matematyczne należy zaliczyć do matematyki dyskretnej. Pierwsze definiuje matematykȩ

Bardziej szczegółowo

13 Zastosowania Lematu Szemerédiego

13 Zastosowania Lematu Szemerédiego 13 Zastosowania Lematu Szemerédiego 13.1 Twierdzenie Erdősa-Stone a (Rozdzia ly 7.1 i 7.5 podre cznika) Jednym z g lównych zagadnień ekstremalnej teorii grafów jest wyznaczenie parametru ex(n, H) = max{

Bardziej szczegółowo

Dyskretne modele populacji

Dyskretne modele populacji Dyskretne modele populacji Micha l Machtel Adam Soboczyński 19 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których

Bardziej szczegółowo

Dyskretne modele populacji

Dyskretne modele populacji Dyskretne modele populacji Micha l Machtel Adam Soboczyński 17 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których

Bardziej szczegółowo

Programowanie w logice Wykład z baz danych dla

Programowanie w logice Wykład z baz danych dla Programowanie w logice Wykład z baz danych dla studentów matematyki 18 maja 2015 Programowanie w logice Programowanie w logice to podejście do programowania, w którym na program patrzymy nie jak na opis

Bardziej szczegółowo

Twierdzenia Gödla dowody. Czy arytmetyka jest w stanie dowieść własną niesprzeczność?

Twierdzenia Gödla dowody. Czy arytmetyka jest w stanie dowieść własną niesprzeczność? Semina Nr 3 Scientiarum 2004 Twierdzenia Gödla dowody. Czy arytmetyka jest w stanie dowieść własną niesprzeczność? W tym krótkim opracowaniu chciałbym przedstawić dowody obu twierdzeń Gödla wykorzystujące

Bardziej szczegółowo

Andrzej Wiśniewski Logika I Materiały do wykładu dla studentów kognitywistyki. Wykład 10. Twierdzenie o pełności systemu aksjomatycznego KRZ

Andrzej Wiśniewski Logika I Materiały do wykładu dla studentów kognitywistyki. Wykład 10. Twierdzenie o pełności systemu aksjomatycznego KRZ Andrzej Wiśniewski Logika I Materiały do wykładu dla studentów kognitywistyki Wykład 10. Twierdzenie o pełności systemu aksjomatycznego KRZ 1 Tezy KRZ Pewien system aksjomatyczny KRZ został przedstawiony

Bardziej szczegółowo

Motywacja. posiada agent inteligentny jest z konieczności niepe lna i niepewna. Nawet w przypadkach kiedy móg lby on zdobyć wiedz e kompletna

Motywacja. posiada agent inteligentny jest z konieczności niepe lna i niepewna. Nawet w przypadkach kiedy móg lby on zdobyć wiedz e kompletna Motywacja Wiedza o świecie jaka posiada agent inteligentny jest z konieczności niepe lna i niepewna. Nawet w przypadkach kiedy móg lby on zdobyć wiedze kompletna i pewna, może to być niepraktyczne. W sztucznej

Bardziej szczegółowo

Maria Romanowska UDOWODNIJ, ŻE... PRZYKŁADOWE ZADANIA MATURALNE Z MATEMATYKI

Maria Romanowska UDOWODNIJ, ŻE... PRZYKŁADOWE ZADANIA MATURALNE Z MATEMATYKI Maria Romanowska UDOWODNIJ, ŻE... PRZYKŁADOWE ZADANIA MATURALNE Z MATEMATYKI Matematyka dla liceum ogólnokształcącego i technikum w zakresie podstawowym i rozszerzonym Z E S Z Y T M E T O D Y C Z N Y Miejski

Bardziej szczegółowo

Operacje na plikach. Organizacja systemu plików. Typy plików. Struktury plików. Pliki indeksowane. Struktura wewn etrzna

Operacje na plikach. Organizacja systemu plików. Typy plików. Struktury plików. Pliki indeksowane. Struktura wewn etrzna Organizacja systemu plików organizacja logiczna pliku: rekordy o sta lej lub zmiennej d lugości np. w systemie Unix typowo pliki zorganizowane sa jako sekwencje bajtów, zatem sa to rekordy o sta lej d

Bardziej szczegółowo

po lożenie cz astki i od czasu (t). Dla cz astki, która może poruszać siȩ tylko w jednym wymiarze (tu x)

po lożenie cz astki i od czasu (t). Dla cz astki, która może poruszać siȩ tylko w jednym wymiarze (tu x) Stan czastki określa funkcja falowa Ψ zależna od wspó lrzȩdnych określaj acych po lożenie cz astki i od czasu (t). Dla cz astki, która może poruszać siȩ tylko w jednym wymiarze (tu x) Wartości funkcji

Bardziej szczegółowo

Dedukcyjne bazy danych i rekursja

Dedukcyjne bazy danych i rekursja Dedukcyjne bazy danych i rekursja Wykład z baz danych dla studentów matematyki 23 maja 2015 Bazy danych z perspektywy logiki Spojrzenie na bazy danych oczami logika pozwala jednolicie opisać szereg pojęć.

Bardziej szczegółowo

Logika i teoria mnogości Wykład 14 1. Sformalizowane teorie matematyczne

Logika i teoria mnogości Wykład 14 1. Sformalizowane teorie matematyczne Logika i teoria mnogości Wykład 14 1 Sformalizowane teorie matematyczne W początkowym okresie rozwoju teoria mnogości budowana była w oparciu na intuicyjnym pojęciu zbioru. Operowano swobodnie pojęciem

Bardziej szczegółowo

Elementy Teorii Obliczeń

Elementy Teorii Obliczeń Wykład 2 Instytut Matematyki i Informatyki Akademia Jana Długosza w Częstochowie 10 stycznia 2009 Maszyna Turinga uwagi wstępne Maszyna Turinga (1936 r.) to jedno z najpiękniejszych i najbardziej intrygujacych

Bardziej szczegółowo

Adam Meissner SZTUCZNA INTELIGENCJA. Reprezentowanie i przetwarzanie wiedzy o czasie

Adam Meissner SZTUCZNA INTELIGENCJA. Reprezentowanie i przetwarzanie wiedzy o czasie 2015 Adam Meissner Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Reprezentowanie

Bardziej szczegółowo

Definicje. Algorytm to:

Definicje. Algorytm to: Algorytmy Definicje Algorytm to: skończony ciąg operacji na obiektach, ze ściśle ustalonym porządkiem wykonania, dający możliwość realizacji zadania określonej klasy pewien ciąg czynności, który prowadzi

Bardziej szczegółowo

Zadania o liczbach zespolonych

Zadania o liczbach zespolonych Zadania o liczbach zespolonych Zadanie 1. Znaleźć takie liczby rzeczywiste a i b, aby zachodzi ly równości: a) a( + i) + b(4 i) 6 i, b) a( + i) + b( + i) 8i, c) a(4 i) + b(1 + i) 7 1i, ( ) a d) i + b +i

Bardziej szczegółowo

Semiotyka logiczna. Jerzy Pogonowski. Dodatek 4. Zakład Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl

Semiotyka logiczna. Jerzy Pogonowski. Dodatek 4. Zakład Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl Semiotyka logiczna Jerzy Pogonowski Zakład Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl Dodatek 4 Jerzy Pogonowski (MEG) Semiotyka logiczna Dodatek 4 1 / 17 Wprowadzenie Plan na dziś Plan

Bardziej szczegółowo

Zastosowanie Robotów. Ćwiczenie 6. Mariusz Janusz-Bielecki. laboratorium

Zastosowanie Robotów. Ćwiczenie 6. Mariusz Janusz-Bielecki. laboratorium Zastosowanie Robotów laboratorium Ćwiczenie 6 Mariusz Janusz-Bielecki Zak lad Informatyki i Robotyki Wersja 0.002.01, 7 Listopada, 2005 Wst ep Do zadań inżynierów robotyków należa wszelkie dzia lania

Bardziej szczegółowo

Analiza zrekonstruowanych śladów w danych pp 13 TeV

Analiza zrekonstruowanych śladów w danych pp 13 TeV Analiza zrekonstruowanych śladów w danych pp 13 TeV Odtwarzanie rozk ladów za pomoc a danych Monte Carlo Jakub Cholewiński, pod opiek a dr hab. Krzysztofa Woźniaka 31 lipca 2015 r. Jakub Cholewiński, pod

Bardziej szczegółowo

Zadania o numerze 4 z zestawów licencjat 2014.

Zadania o numerze 4 z zestawów licencjat 2014. Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...

Bardziej szczegółowo

Ćwiczenie nr 520: Metody interpolacyjne planowania ruchu manipulatorów

Ćwiczenie nr 520: Metody interpolacyjne planowania ruchu manipulatorów Zak lad Podstaw Cybernetyki i Robotyki PWr, Laboratorium Robotyki, C-3, 010 Ćwiczenie nr 520: Metody interpolacyjne planowania ruchu manipulatorów 1 Wst ep Celem ćwiczenia jest zapoznanie studentów z metodami

Bardziej szczegółowo

Andrzej Wiśniewski Logika II. Materiały do wykładu dla studentów kognitywistyki. Wykład 14. Wprowadzenie do logiki intuicjonistycznej

Andrzej Wiśniewski Logika II. Materiały do wykładu dla studentów kognitywistyki. Wykład 14. Wprowadzenie do logiki intuicjonistycznej Andrzej Wiśniewski Logika II Materiały do wykładu dla studentów kognitywistyki Wykład 14. Wprowadzenie do logiki intuicjonistycznej 1 Przedstawione na poprzednich wykładach logiki modalne możemy uznać

Bardziej szczegółowo

WIELOKRYTERIALNA OPTYMALIZACJA LINIOWA I DYSKRETNA modele preferencji i zastosowania do wspomagania decyzji

WIELOKRYTERIALNA OPTYMALIZACJA LINIOWA I DYSKRETNA modele preferencji i zastosowania do wspomagania decyzji WIELOKRYTERIALNA OPTYMALIZACJA LINIOWA I DYSKRETNA modele preferencji i zastosowania do wspomagania decyzji W lodzimierz Ogryczak Uniwersytet Warszawski Instytut Informatyki Warszawa 1997 4 Pusta strona

Bardziej szczegółowo

Mikro II: Popyt, Preferencje Ujawnione i Równanie S luckiego

Mikro II: Popyt, Preferencje Ujawnione i Równanie S luckiego Mikro II: Popyt, Preferencje Ujawnione i Równanie S luckiego Krzysztof Makarski 6 Popyt Wstep Przypomnijmy: Podstawy teoria konsumenta. Zastosowanie wszedzie. W szczególności poszukiwanie informacji zawartych

Bardziej szczegółowo

celu przyjmijmy: min x 0 = n t Zadanie transportowe nazywamy zbilansowanym gdy podaż = popyt, czyli n

celu przyjmijmy: min x 0 = n t Zadanie transportowe nazywamy zbilansowanym gdy podaż = popyt, czyli n 123456789 wyk lad 9 Zagadnienie transportowe Mamy n punktów wysy lajacych towar i t punktów odbierajacych. Istnieje droga od każdego dostawcy do każdego odbiorcy i znany jest koszt transportu jednostki

Bardziej szczegółowo

III. ZMIENNE LOSOWE JEDNOWYMIAROWE

III. ZMIENNE LOSOWE JEDNOWYMIAROWE III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta

Bardziej szczegółowo

Wprowadzenie z dynamicznej optymalizacji

Wprowadzenie z dynamicznej optymalizacji Wprowadzenie z dynamicznej optymalizacji Lukasz Woźny 29 kwietnia 2007 Spis treści 1 Optymalizacja statyczna a optymalizacja dynamiczna 2 1.1 Ekstrema lokalne funkcji wielu zmiennych - statyka...... 2

Bardziej szczegółowo

Plan wyk ladu. Kodowanie informacji. Systemy addytywne. Definicja i klasyfikacja. Systemy liczbowe. prof. dr hab. inż.

Plan wyk ladu. Kodowanie informacji. Systemy addytywne. Definicja i klasyfikacja. Systemy liczbowe. prof. dr hab. inż. Plan wyk ladu Systemy liczbowe Poznań, rok akademicki 2008/2009 1 Plan wyk ladu 2 Systemy liczbowe Systemy liczbowe Systemy pozycyjno-wagowe y 3 Przeliczanie liczb Algorytm Hornera Rozwini ecie liczby

Bardziej szczegółowo

Celem ćwiczenia jest zapoznanie się z podstawowymi możliwościami języka Prolog w zakresie definiowania faktów i reguł oraz wykonywania zapytań.

Celem ćwiczenia jest zapoznanie się z podstawowymi możliwościami języka Prolog w zakresie definiowania faktów i reguł oraz wykonywania zapytań. Paradygmaty Programowania Język Prolog Celem ćwiczenia jest zapoznanie się z podstawowymi możliwościami języka Prolog w zakresie definiowania faktów i reguł oraz wykonywania zapytań. Wstęp Prolog (od francuskiego

Bardziej szczegółowo

Programowanie deklaratywne

Programowanie deklaratywne Programowanie deklaratywne Artur Michalski Informatyka II rok Plan wykładu Wprowadzenie do języka Prolog Budowa składniowa i interpretacja programów prologowych Listy, operatory i operacje arytmetyczne

Bardziej szczegółowo

Dokumentacja do programu Pasieka 2004

Dokumentacja do programu Pasieka 2004 Dokumentacja do programu Pasieka 2004 Stanis law Stachura 13 grudnia 2003 Spis treści 1 Instalacja programu 2 2 Organizacja pasieki 2 2.1 Zarzadzanie ulami............................... 2 2.2 Likwidacja/reaktywacja

Bardziej szczegółowo

Wykład 11b. System aksjomatyczny Klasycznego Rachunku Predykatów. Aksjomaty i reguły inferencyjne

Wykład 11b. System aksjomatyczny Klasycznego Rachunku Predykatów. Aksjomaty i reguły inferencyjne Andrzej Wiśniewski Logika I Materiały do wykładu dla studentów kognitywistyki Wykład 11b. System aksjomatyczny Klasycznego Rachunku Predykatów. Aksjomaty i reguły inferencyjne Istnieje wiele systemów aksjomatycznych

Bardziej szczegółowo

Programowanie funkcyjne. Wykªad 13

Programowanie funkcyjne. Wykªad 13 Programowanie funkcyjne. Wykªad 13 Siªa wyrazu rachunku lambda Zdzisªaw Spªawski Zdzisªaw Spªawski: Programowanie funkcyjne. Wykªad 13, Siªa wyrazu rachunku lambda 1 Wst p Warto±ci logiczne Liczby naturalne

Bardziej szczegółowo

PROLOG. Prolog. Programowanie, W.F. Clocksin, C.S. Mellish, HELION Prolog, język sztucznej inteligencji, Eugeniusz Gatnar, Katarzyna Stąpor, Wyd.

PROLOG. Prolog. Programowanie, W.F. Clocksin, C.S. Mellish, HELION Prolog, język sztucznej inteligencji, Eugeniusz Gatnar, Katarzyna Stąpor, Wyd. PROLOG 1. Informacje wstępne Podczas zajęć korzystamy z darmowej wersji interpretera Prologu SWI-Prolog dostępnego ze strony: www.swi-prolog.org 2. Literatura i materiały Prolog. Programowanie, W.F. Clocksin,

Bardziej szczegółowo

Systemy baz danych. Notatki z wykładu. http://robert.brainusers.net 17.06.2009

Systemy baz danych. Notatki z wykładu. http://robert.brainusers.net 17.06.2009 Systemy baz danych Notatki z wykładu http://robert.brainusers.net 17.06.2009 Notatki własne z wykładu. Są niekompletne, bez bibliografii oraz mogą zawierać błędy i usterki. Z tego powodu niniejszy dokument

Bardziej szczegółowo

Transformacja wiedzy w budowie i eksploatacji maszyn

Transformacja wiedzy w budowie i eksploatacji maszyn Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy Wydział Mechaniczny Transformacja wiedzy w budowie i eksploatacji maszyn Bogdan ŻÓŁTOWSKI W pracy przedstawiono proces

Bardziej szczegółowo

Zastosowanie Robotów. Ćwiczenie 4. Mariusz Janusz-Bielecki. laboratorium

Zastosowanie Robotów. Ćwiczenie 4. Mariusz Janusz-Bielecki. laboratorium Zastosowanie Robotów laboratorium Ćwiczenie 4 Mariusz Janusz-Bielecki Zak lad Informatyki i Robotyki Wersja 0.001.00, 11 Listopada, 2005 Wst ep Do zadań inżynierów robotyków należa wszelkie dzia lania

Bardziej szczegółowo

Wieloprogramowy system komputerowy

Wieloprogramowy system komputerowy Wieloprogramowy system komputerowy sprzet: procesor(y), pamieć(i), lacza i magistrale komunikacyjne, urzadzenia wejścia/wyjścia system operacyjny obs luguje i zarzadza sprzetem, umożliwia prace i korzystanie

Bardziej szczegółowo

Paradygmaty programowania

Paradygmaty programowania Paradygmaty programowania Jacek Michałowski, Piotr Latanowicz 15 kwietnia 2014 Jacek Michałowski, Piotr Latanowicz () Paradygmaty programowania 15 kwietnia 2014 1 / 12 Zadanie 1 Zadanie 1 Rachunek predykatów

Bardziej szczegółowo

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Wybrane litery alfabetu greckiego α alfa β beta Γ γ gamma δ delta ɛ, ε epsilon η eta Θ θ theta

Bardziej szczegółowo

QualitySpy moduł persystencji

QualitySpy moduł persystencji Projektowanie oprogramowania Instytut Informatyki, Automatyki i Robotyki, Politechnika Wrocławska QualitySpy moduł persystencji Testy akceptacyjne Nazwa pliku: /QualitySpy/modules/qualityspypersistence/src/test/java/pl/wroc/pwr/qualityspy/persistence

Bardziej szczegółowo

Jednorazowa sk ladka netto w przypadku stochastycznej stopy procentowej. Ubezpieczenie na ca le życie z n-letnim okresem odroczenia.

Jednorazowa sk ladka netto w przypadku stochastycznej stopy procentowej. Ubezpieczenie na ca le życie z n-letnim okresem odroczenia. Jednorazowa sk ladka netto w przypadku stochastycznej stopy procentowej Ubezpieczenie na ca le życie z n-letnim okresem odroczenia Wartość obecna wyp laty Y = Zatem JSN = = Kx +1 0, K x = 0, 1,..., n 1,

Bardziej szczegółowo

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 5 Kalkulacja sk ladki netto I

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 5 Kalkulacja sk ladki netto I Wst ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 5 Kalkulacja sk ladki netto I 1 Kodeks cywilny Tytu l XXVII, Umowa ubezpieczenia Dzia l I. Przepisy ogólne Dzia l II. Ubezpieczenia majatkowe

Bardziej szczegółowo

Wykład I. Wprowadzenie do baz danych

Wykład I. Wprowadzenie do baz danych Wykład I Wprowadzenie do baz danych Trochę historii Pierwsze znane użycie terminu baza danych miało miejsce w listopadzie w 1963 roku. W latach sześcdziesątych XX wieku został opracowany przez Charles

Bardziej szczegółowo

Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2012/2013. Forma studiów: Niestacjonarne Kod kierunku: 11.

Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2012/2013. Forma studiów: Niestacjonarne Kod kierunku: 11. Państwowa Wyższa Szko la Zawodowa w Nowym Sa czu Instytut Techniczny Karta przedmiotu obowiązuje studentów rozpoczynających studia w roku akademickim 01/013 Kierunek studiów: Informatyka Profil: Ogólnoakademicki

Bardziej szczegółowo

DIAGRAM KLAS. Kamila Vestergaard. materiał dydaktyczny

DIAGRAM KLAS. Kamila Vestergaard. materiał dydaktyczny DIAGRAM KLAS Kamila Vestergaard materiał dydaktyczny DEFINICJA D I A G R A M K L A S Diagram klas pokazuje wzajemne powiązania pomiędzy klasami, które tworzą jakiś system. Zawarte są w nim informacje dotyczące

Bardziej szczegółowo

Testowanie i walidacja oprogramowania

Testowanie i walidacja oprogramowania Testowanie i walidacja oprogramowania Inżynieria oprogramowania, sem.5 cz. 5 Rok akademicki 2010/2011 Dr inż. Wojciech Koziński Przykład Obliczmy sumę: 0+1+2+...+i, i є [0,100] read(i); if((i < 0)(i >

Bardziej szczegółowo

20PLN dla pierwszych 50 sztuk oraz 15PLN dla dalszych. Zysk ze sprzedaży biurka wynosi 40PLN dla pierwszych 20 sztuk oraz 50PLN dla dalszych.

20PLN dla pierwszych 50 sztuk oraz 15PLN dla dalszych. Zysk ze sprzedaży biurka wynosi 40PLN dla pierwszych 20 sztuk oraz 50PLN dla dalszych. Z1. Sformu lować model dla optymalnego planowania produkcji w nast epujacych warunkach: Wytwórca mebli potrzebuje określić, ile sto lów, krzese l i biurek powinien produkować, aby optymalnie wykorzystać

Bardziej szczegółowo

CHEMIA KWANTOWA MONIKA MUSIA L METODA HÜCKLA. Ćwiczenia. http://zcht.mfc.us.edu.pl/ mm

CHEMIA KWANTOWA MONIKA MUSIA L METODA HÜCKLA. Ćwiczenia. http://zcht.mfc.us.edu.pl/ mm CHEMIA KWANTOWA MONIKA MUSIA L METODA HÜCKLA Ćwiczenia Zwi azki organiczne zawieraj ace uk lady π-elektronowe Sprzȩżony uk lad wi azań podwójnych: -C=C-C=C-C=C-C=C- Skumulowany uk lad wi azań podwójnych:

Bardziej szczegółowo

Logika stosowana. Ćwiczenia Wnioskowanie przez abdukcję. Marcin Szczuka. Instytut Matematyki, Uniwersytet Warszawski

Logika stosowana. Ćwiczenia Wnioskowanie przez abdukcję. Marcin Szczuka. Instytut Matematyki, Uniwersytet Warszawski Logika stosowana Ćwiczenia Wnioskowanie przez abdukcję Marcin Szczuka Instytut Matematyki, Uniwersytet Warszawski Wykład fakultatywny w semestrze zimowym 2013/2014 Marcin Szczuka (MIMUW) Logika stosowana

Bardziej szczegółowo

Autor: mgr Jan G. Bazan. Promotor: Prof. dr hab. Andrzej Skowron. Warszawa, 1998 r.

Autor: mgr Jan G. Bazan. Promotor: Prof. dr hab. Andrzej Skowron. Warszawa, 1998 r. UNIWERSYTET WARSZAWSKI Wydzia l Matematyki, Informatyki i Mechaniki Instytut Matematyki METODY WNIOSKOWAŃ APROKSYMACYJNYCH DLA SYNTEZY ALGORYTMÓW DECYZYJNYCH PRACA DOKTORSKA Autor: mgr Jan G. Bazan Promotor:

Bardziej szczegółowo

GRZEGORZ SZKIBIEL WSTE P DO TEORII ZBIORÓW I KOMBINATORYKI

GRZEGORZ SZKIBIEL WSTE P DO TEORII ZBIORÓW I KOMBINATORYKI U N I W E R S Y T E T S Z C Z E C I Ń S K I GRZEGORZ SZKIBIEL WSTE P DO TEORII ZBIORÓW I KOMBINATORYKI SZCZECIN 2002 Spis treści Przedmowa.................................................. 5 1. Elementy

Bardziej szczegółowo

176 Wstȩp do statystyki matematycznej = 0, 346. uczelni zdaje wszystkie egzaminy w pierwszym terminie.

176 Wstȩp do statystyki matematycznej = 0, 346. uczelni zdaje wszystkie egzaminy w pierwszym terminie. 176 Wtȩp do tatytyki matematycznej trści wynika że H o : p 1 przeciwko hipotezie H 3 1: p< 1. Aby zweryfikować tȩ 3 hipotezȩ zatujemy tet dla frekwencji. Wtedy z ob 45 1 150 3 1 3 2 3 150 0 346. Tymczaem

Bardziej szczegółowo

Oracle11g: Wprowadzenie do SQL

Oracle11g: Wprowadzenie do SQL Oracle11g: Wprowadzenie do SQL OPIS: Kurs ten oferuje uczestnikom wprowadzenie do technologii bazy Oracle11g, koncepcji bazy relacyjnej i efektywnego języka programowania o nazwie SQL. Kurs dostarczy twórcom

Bardziej szczegółowo

Jeden przyk lad... czyli dlaczego warto wybrać MIESI.

Jeden przyk lad... czyli dlaczego warto wybrać MIESI. Jeden przyk lad... czyli dlaczego warto wybrać MIESI. Micha l Ramsza Szko la G lówna Handlowa Micha l Ramsza (Szko la G lówna Handlowa) Jeden przyk lad... czyli dlaczego warto wybrać MIESI. 1 / 13 Dlaczego

Bardziej szczegółowo

Obliczenia naukowe Wykład nr 6

Obliczenia naukowe Wykład nr 6 Obliczenia naukowe Wykład nr 6 Paweł Zieliński Katedra Informatyki, Wydział Podstawowych Problemów Techniki, Politechnika Wrocławska Literatura Literatura podstawowa [1] D. Kincaid, W. Cheney, Analiza

Bardziej szczegółowo

Systemy GIS Tworzenie zapytań w bazach danych

Systemy GIS Tworzenie zapytań w bazach danych Systemy GIS Tworzenie zapytań w bazach danych Wykład nr 6 Analizy danych w systemach GIS Jak pytać bazę danych, żeby otrzymać sensowną odpowiedź......czyli podstawy języka SQL INSERT, SELECT, DROP, UPDATE

Bardziej szczegółowo

Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2015/2016. Forma studiów: Stacjonarne Kod kierunku: 12.

Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2015/2016. Forma studiów: Stacjonarne Kod kierunku: 12. Państwowa Wyższa Szko la Zawodowa w Nowym Sa czu Karta przedmiotu Instytut Kultury Fizycznej obowiązuje studentów rozpoczynających studia w roku akademickim 015/016 Kierunek studiów: Fizjoterapia Profil:

Bardziej szczegółowo

Systemy ekspertowe - wiedza niepewna

Systemy ekspertowe - wiedza niepewna Instytut Informatyki Uniwersytetu Śląskiego lab 8 Rozpatrzmy następujący przykład: Miażdżyca powoduje często zwężenie tętnic wieńcowych. Prowadzi to zazwyczaj do zmniejszenia przepływu krwi w tych naczyniach,

Bardziej szczegółowo

Funkcja jednej zmiennej - przykładowe rozwiązania 1. Badając przebieg zmienności funkcji postępujemy według poniższego schematu:

Funkcja jednej zmiennej - przykładowe rozwiązania 1. Badając przebieg zmienności funkcji postępujemy według poniższego schematu: Funkcja jednej zmiennej - przykładowe rozwiązania Zadanie 4 c) Badając przebieg zmienności funkcji postępujemy według poniższego schematu:. Analiza funkcji: (a) Wyznaczenie dziedziny funkcji (b) Obliczenie

Bardziej szczegółowo

Dodatkowe możliwości RDF. Seminarium magisterskie Paweł Chrząszczewski

Dodatkowe możliwości RDF. Seminarium magisterskie Paweł Chrząszczewski Dodatkowe możliwości RDF Seminarium magisterskie Paweł Chrząszczewski Inne możliwości RDF RDF posiada szereg dodatkowych funkcji, takich jak wbudowane typy i właściwości reprezentujące grupy zasobów i

Bardziej szczegółowo

Sprawiedliwość i efektywność tradycyjnych i skomputeryzowanych metod organizacji masowego naboru do szkół średnich

Sprawiedliwość i efektywność tradycyjnych i skomputeryzowanych metod organizacji masowego naboru do szkół średnich Sprawiedliwość i efektywność tradycyjnych i skomputeryzowanych metod organizacji masowego naboru do szkół średnich Andrzej P.Urbański Instytut Informatyki Politechnika Poznańska Rozwiązywane problemy podział

Bardziej szczegółowo

FUNKCJE LICZBOWE. Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y.

FUNKCJE LICZBOWE. Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y. FUNKCJE LICZBOWE Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y. Innymi słowy f X Y = {(x, y) : x X oraz y Y }, o ile (x, y) f oraz (x, z) f pociąga

Bardziej szczegółowo

ezyki, automaty i obliczenia

ezyki, automaty i obliczenia J ezyki, automaty i obliczenia Wyk lad dla III roku informatyki, zima 2002-03 Pawe l Urzyczyn http://www.mimuw.edu.pl/ urzy/jaio.html S lowa i j ezyki Wyk lad 1 Definicja 1.1 S lowo nad alfabetem A to

Bardziej szczegółowo

Analiza i projektowanie oprogramowania. Analiza i projektowanie oprogramowania 1/32

Analiza i projektowanie oprogramowania. Analiza i projektowanie oprogramowania 1/32 Analiza i projektowanie oprogramowania Analiza i projektowanie oprogramowania 1/32 Analiza i projektowanie oprogramowania 2/32 Cel analizy Celem fazy określania wymagań jest udzielenie odpowiedzi na pytanie:

Bardziej szczegółowo

Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle

Badania 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 szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych

Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1 Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1. Podstawowe operacje logiczne dla cyfr binarnych Jeśli cyfry 0 i 1 potraktujemy tak, jak wartości logiczne fałsz i prawda, to działanie

Bardziej szczegółowo

Zadanie 2. Obliczyć rangę dowolnego elementu zbioru uporządkowanego N 0 N 0, gdy porządek jest zdefiniowany następująco: (a, b) (c, d) (a c b d)

Zadanie 2. Obliczyć rangę dowolnego elementu zbioru uporządkowanego N 0 N 0, gdy porządek jest zdefiniowany następująco: (a, b) (c, d) (a c b d) Matemaryka dyskretna - zadania Zadanie 1. Opisać zbiór wszystkich elementów rangi k zbioru uporządkowanego X dla każdej liczby naturalnej k, gdy X jest rodziną podzbiorów zbioru skończonego Y. Elementem

Bardziej szczegółowo

Zadania z podstaw matematyki dla 1 roku informatyki 1

Zadania z podstaw matematyki dla 1 roku informatyki 1 29 września 2008, godzina 17: 13 strona 1 Zadania z podstaw matematyki dla 1 roku informatyki 1 Zadania na rozgrzewk e 1. Zaznacz na rysunku zbiory: (a) { x, y : R 2 (x 2 + y 2 > 1) [(x 2 + y 2 2) ( (x

Bardziej szczegółowo

Przestrzenie liniowe w zadaniach

Przestrzenie liniowe w zadaniach Przestrzenie linioe zadaniach Zadanie 1. Cz ektor [3, 4, 4 jest kombinacja linioa ektoró [1, 1, 1, [1, 0, 1, [1, 3, 5 przestrzeni R 3? Roziazanie. Szukam x,, z R takich, że [3, 4, 4 x [1, 1, 1 + [1, 0,

Bardziej szczegółowo

ZADANIA NA DOWODZENIE GEOMETRIA, cz. II Wojciech Guzicki

ZADANIA NA DOWODZENIE GEOMETRIA, cz. II Wojciech Guzicki ZNI N OWOZNI GOMTRI, cz. II Wojciech Guzicki W arkuszach maturalnych w ostatnich dwóch latach znalazły się zadania geometryczne na dowodzenie. Za poprawne rozwiązanie takiego zadania w arkuszu podstawowymzdającymógłotrzymać2pkt,warkuszurozszerzonym4pktlub3pkt.przy

Bardziej szczegółowo

4. Decyzje dotycza ce przyznawania świadczeń pomocy materialnej. doktorantów

4. Decyzje dotycza ce przyznawania świadczeń pomocy materialnej. doktorantów ZASADY PRZYZNAWANIA ŚWIADCZEŃ POMOCY MATERIALNEJ DLA DOKTORANTÓW W INSTYTUCIE MATEMATYCZNYM POLSKIEJ AKADEMII NAUK OBOWIA ZUJA CE OD ROKU AKADEMICKIEGO 2013/14 1. PODSTAWA PRAWNA Świadczenia pomocy materialnej

Bardziej szczegółowo

Sieci semantyczne. Sieci semantyczne: relacje ISA i AKO. Sieci semantyczne: relacje binarne i reifikacja. Sieci semantyczne: przyk lady

Sieci semantyczne. Sieci semantyczne: relacje ISA i AKO. Sieci semantyczne: relacje binarne i reifikacja. Sieci semantyczne: przyk lady Sieci semantyczne Sieci semantyczne sa grafowym schematem reprezentacji wiedzy: Fish are animals. Mammals are animals. Mammals have vertebra. Whales are mammals. Cats are mammals. Bears are mammals. Fish

Bardziej szczegółowo

Rozpatrzymy bardzo uproszczoną bazę danych o schemacie

Rozpatrzymy bardzo uproszczoną bazę danych o schemacie Wykład 6 Algebraiczne podstawy implementacji strukturalnego języka zapytań (SQL) w systemach baz danych Oracle zapytania w języku algebry relacyjnych baz danych i ich odpowiedniki w SQL Rozpatrzymy bardzo

Bardziej szczegółowo

Fizyka laboratorium 1

Fizyka laboratorium 1 Rozdzia l Fizyka laboratorium.. Elementy analizy matematycznej Funkcje Zmienna y nazywa sie zmienna zależna albo funkcja zmiennej x, jeżeli przyjmuje ona określone wartości dla każdej wartości zmiennej

Bardziej szczegółowo

5. OKREŚLANIE WARTOŚCI LOGICZNEJ ZDAŃ ZŁOŻONYCH

5. OKREŚLANIE WARTOŚCI LOGICZNEJ ZDAŃ ZŁOŻONYCH 5. OKREŚLANIE WARTOŚCI LOGICZNEJ ZDAŃ ZŁOŻONYCH Temat, którym mamy się tu zająć, jest nudny i żmudny będziemy się uczyć techniki obliczania wartości logicznej zdań dowolnie złożonych. Po co? możecie zapytać.

Bardziej szczegółowo

Organizacja systemu plików

Organizacja systemu plików Organizacja systemu plików organizacja logiczna pliku: rekordy o sta lej lub zmiennej d lugości np. w systemie Unix typowo pliki zorganizowane sa jako sekwencje bajtów, zatem sa to rekordy o sta lej d

Bardziej szczegółowo

Działanie grupy na zbiorze

Działanie grupy na zbiorze Działanie grupy na zbiorze Definicja 0.1 Niech (G, ) będzie dowolną grupą oraz X niepustym zbiorem, to odwzorowanie : G X X nazywamy działaniem grupy G na zbiorze X jeślinastępujące warunki są spełnione:

Bardziej szczegółowo

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu Podstawy baz danych PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych

Bardziej szczegółowo

Wyk lad 7: Drzewa decyzyjne dla dużych zbiorów danych

Wyk lad 7: Drzewa decyzyjne dla dużych zbiorów danych Wyk lad 7: Drzewa decyzyjne dla dużych zbiorów danych Funkcja rekurencyjna buduj drzewo(u, dec, T): 1: if (kryterium stopu(u, dec) = true) then 2: T.etykieta = kategoria(u, dec); 3: return; 4: end if 5:

Bardziej szczegółowo

Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2014/2015. Forma studiów: Stacjonarne Kod kierunku: 12.

Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2014/2015. Forma studiów: Stacjonarne Kod kierunku: 12. Państwowa Wyższa Szko la Zawodowa w Nowym Sa czu Karta przedmiotu Instytut Kultury Fizycznej obowiązuje studentów rozpoczynających studia w roku akademickim 201/2015 Kierunek studiów: Fizjoterapia Profil:

Bardziej szczegółowo

ECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 5.0

ECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 5.0 ECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 5.0 Przeznaczenie Sylabusa Dokument ten zawiera szczegółowy Sylabus dla modułu ECDL/ICDL Użytkowanie baz danych. Sylabus opisuje zakres wiedzy

Bardziej szczegółowo

Grupy. Permutacje 1. (G2) istnieje element jednostkowy (lub neutralny), tzn. taki element e G, że dla dowolnego a G zachodzi.

Grupy. Permutacje 1. (G2) istnieje element jednostkowy (lub neutralny), tzn. taki element e G, że dla dowolnego a G zachodzi. Grupy. Permutacje 1 1 Definicja grupy Niech G będzie zbiorem. Działaniem na zbiorze G nazywamy odwzorowanie (oznaczane, jak mnożenie, przez ) przyporządkowujące każdej parze uporządkowanej (a, b) G G element

Bardziej szczegółowo

Definicja bazy danych TECHNOLOGIE BAZ DANYCH. System zarządzania bazą danych (SZBD) Oczekiwania wobec SZBD. Oczekiwania wobec SZBD c.d.

Definicja bazy danych TECHNOLOGIE BAZ DANYCH. System zarządzania bazą danych (SZBD) Oczekiwania wobec SZBD. Oczekiwania wobec SZBD c.d. TECHNOLOGIE BAZ DANYCH WYKŁAD 1 Wprowadzenie do baz danych. Normalizacja. (Wybrane materiały) Dr inż. E. Busłowska Definicja bazy danych Uporządkowany zbiór informacji, posiadający własną strukturę i wartość.

Bardziej szczegółowo

Wirtualne sieci prywatne

Wirtualne sieci prywatne Rozdzia l 7 Wirtualne sieci prywatne Contents 7.1 Wirtualne sieci prywatne.................... 135 7.1.1 Przegl ad.............................. 137 7.2 Przyk ladowa implementacja VPN w Linuxie........

Bardziej szczegółowo

Modelowanie danych, projektowanie systemu informatycznego

Modelowanie danych, projektowanie systemu informatycznego Modelowanie danych, projektowanie systemu informatycznego Modelowanie odwzorowanie rzeczywistych obiektów świata rzeczywistego w systemie informatycznym Modele - konceptualne reprezentacja obiektów w uniwersalnym

Bardziej szczegółowo

Bazy danych. Plan wykładu. Diagramy ER. Podstawy modeli relacyjnych. Podstawy modeli relacyjnych. Podstawy modeli relacyjnych

Bazy danych. Plan wykładu. Diagramy ER. Podstawy modeli relacyjnych. Podstawy modeli relacyjnych. Podstawy modeli relacyjnych Plan wykładu Bazy danych Wykład 9: Przechodzenie od diagramów E/R do modelu relacyjnego. Definiowanie perspektyw. Diagramy E/R - powtórzenie Relacyjne bazy danych Od diagramów E/R do relacji SQL - perspektywy

Bardziej szczegółowo

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania

Bardziej szczegółowo

Wyk lad 3: Klasy P, NP i Algorytmy heurystyczne

Wyk lad 3: Klasy P, NP i Algorytmy heurystyczne Wyk lad 3: Klasy P, NP i Algorytmy heurystyczne Nguyen Hung Son 7 marca 2006 Streszczenie Page 1 of 39 1. Klasa z lożoności PTIME, PSPACE Niech f(n) bedzie rosnac a funkcja wzgledem n, przez TIME(f(n))

Bardziej szczegółowo