ΙΚΑΝΟΠΟΙΗΣΗ ΠΕΡΙΟΡΙΣΜΩΝ

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ΙΚΑΝΟΠΟΙΗΣΗ ΠΕΡΙΟΡΙΣΜΩΝ"

Transcript

1 ΙΚΑΝΟΠΟΙΗΣΗ ΠΕΡΙΟΡΙΣΜΩΝ (ΜΕ ΒΑΣΗ ΤΟ ΚΕΦ. 6 ΤΟΥ ΒΙΒΛΙΟΥ «ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ» ΤΩΝ ΒΛΑΧΑΒΑ, ΚΕΦΑΛΑ, ΒΑΣΙΛΕΙΑ Η, ΚΟΚΚΟΡΑ & ΣΑΚΕΛΛΑΡΙΟΥ) Ι. ΧΑΤΖΗΛΥΓΕΡΟΥ ΗΣ

2 ΠΡΟΒΛΗΜΑΤΑ ΙΚΑΝΟΠΟΙΗΣΗΣ ΠΕΡΙΟΡΙΣΜΩΝ Είναι γνωστές µερικές ιδιότητες της τελικής κατάστασης Αναζητείται ένα στιγµιότυπο της τελικής κατάστασης Παραδείγµατα προβληµάτων: Χρονοπρογραµµατισµός ενεργειών Σχεδίαση ενεργειών παραγωγής ιαχείριση πόρων

3 ΑΝΑΠΑΡΑΣΤΑΣΗ ΠΡΟΒΛΗΜΑΤΟΣ Ένα πρόβληµα ικανοποίησης περιορισµών (constraint satisfaction problem) ορίζεται από: Ένα σύνολο n µεταβλητών V 1, V 2,...,V n, Ένα σύνολο n πεδίων τιµών D 1,...D n, που αντιστοιχούν σε κάθε µεταβλητή έτσι ώστε V i D i, και Ένα σύνολο σχέσεων (περιορισµών) C 1, C 2,...C m όπου C i (V k,...,v n ) µια σχέση µεταξύ των µεταβλητών του προβλήµατος. Ανάλογα µε το πόσες µεταβλητές περιλαµβάνει ένας περιορισµός χαρακτηρίζεται ως µοναδιαίος (unary), δυαδικός (binary) ή ανώτερης τάξης (higher order)

4 ΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ ΠΕΡΙΟΡΙΣΜΩΝ Λύση αποτελεί µια ανάθεση τιµών στις µεταβλητές του προβλήµατος: V 1 = d 1, V 2 = d 2,... V n = d n (όπου d 1 D 1,d 2 D 2,..., d i D n ) τέτοια ώστε να ικανοποιούνται οι περιορισµοί C 1, C 2,..., C m Τα προβλήµατα µε D i διακριτών τιµών αναφέρονται ως προβλήµατα ικανοποίησης περιορισµών, ενώ αυτά µε D i συνεχών τιµών ως προβλήµατα επίλυσης περιορισµών. Η αναζήτηση λύσης στα προβλήµατα ικανοποίησης περιορισµών οδηγεί στο φαινόµενο της συνδυαστικής έκρηξης (combinatorial explosion). Γι αυτό απαιτούνται ειδικοί αλγόριθµοι για τη µείωση του χώρου αναζήτησης.

5 Παράδειγµα Προβλήµατος (1) Ζητούµενο: Με ποια σειρά πρέπει να εισαχθούν τα προϊόντα Α, Β, Γ, µέσα σε ένα βιοµηχανικό µύλο. Απαιτήσεις: Το προϊόν Α πρέπει να εισαχθεί στο µύλο µετά από το, το Γ πριν από το Β, και το Β πριν από το Α. Αναπαράσταση: Μεταβλητές: V Α, V Β, V Γ, V Πεδία τιµών: D Α D Β D Γ D = {1, 2, 3, 4} Περιορισµοί: V Α V Β V Γ V (διαφορετική σειρά) V Α > V, V Γ < V Β, V Β < V Α

6 Παράδειγµα Προβλήµατος (2) υνατές λύσεις: V Α = 4, V Β = 2, V Γ, = 1, V = 3 (Γ, Β,, Α) V Α = 4, V Β = 3, V Γ, = 1, V = 2 (Γ,, Β, Α) V Α = 4, V Β = 3, V Γ, = 2, V = 1 (, Γ, Β, Α)

7 ΠΑΡΑΓΩΓΗ ΚΑΙ ΟΚΙΜΗ (1) Χρήση Γεννήτριας Λύσεων (Generator) και Ελεγκτή (Tester) Αλγόριθµος 1. Παράγαγε µια υποψήφια λύση (συνδυασµό τιµών µεταβλητών) (γεννήτρια) 2. Έλεγξε αν είναι λύση (δηλ. ικανοποιεί τους περιορισµούς) (ελεγκτής) 3. Αν είναι σταµάτα (επιτυχία), αλλιώς πήγαινε στο βήµα 1.

8 ΠΑΡΑΓΩΓΗ ΚΑΙ ΟΚΙΜΗ (2) Ιδιότητες/κριτήρια γεννήτριας λύσεων: Να έχει πληρότητα (παράγονται όλοι οι δυνατοί συνδυασµοί τιµών-λύσεις) Να είναι απέριττη (κάθε δυνατός συνδυασµόςλύση παράγεται µια φορά) Να έχει ικανότητα ενηµέρωσης (χρησιµοποιεί πληροφορία σχετική µε το πρόβληµα για µείωση των παραγόµενων συνδυασµώνλύσεων)

9 ΠΑΡΑΓΩΓΗ ΚΑΙ ΟΚΙΜΗ (3) Π.χ. στο πρόβληµα της σειράς εισαγωγής των προϊόντων στο βιοµηχανικό µύλο, χρησιµοποιώντας ως πληροφορία σχετική µε το πρόβληµα το ότι το προϊόν Α εισάγεται πάντα τελευταίο, παράγονται µόνο οι συνδυασµοί: V Α = 4, V Β = 1, V Γ, = 1, V = 1 V Α = 4, V Β = 2, V Γ, = 1, V = 1 V Α = 4, V Β = 4, V Γ, = 4, V = 4 ηλ. 4 3 = 64 αντί 4 4 = 256.

10 ΑΛΓΟΡΙΘΜΟΙ ΕΠΙ ΙΟΡΘΩΣΗΣ (1) Για µείωση του χώρου αναζήτησης που δηµιουργείται. Αναρρίχηση λόφου (Hill-climbing) 1. Ανάθεσε στις µεταβλητές τυχαίες τιµές από τα πεδία τιµών τους. 2. Αν οι τιµές των µεταβλητών δεν παραβιάζουν τους περιορισµούς του προβλήµατος τότε επέστρεψε τις τιµές αυτές ως λύση. 3. Εξέτασε για µια τυχαία µεταβλητή όλες τις δυνατές τιµές που µπορεί να πάρει. i.. Αν κάποια από τις τιµές που εξετάστηκαν ελαχιστοποιεί το πλήθος των περιορισµών που παραβιάζονται, ανάθεσε την τιµή της στην αντίστοιχη µεταβλητή και επέστρεψε στο βήµα 2. ii. Αν δεν υπάρχει τιµή που να ελαχιστοποιεί το πλήθος των περιορισµών, τότε επέστρεψε στο βήµα 1 (τοπικό ελάχιστο ο ο αλγόριθµος ξεκινά από µια νέα τυχαία ανάθεση τιµών). Μειονεκτήµατα: (α) Εξέταση µεγάλου πλήθους γειτονικών καταστάσεων (β) Μπορεί να «πέσει» σε τοπικό ελάχιστο

11 ΑΛΓΟΡΙΘΜΟΙ ΕΠΙ ΙΟΡΘΩΣΗΣ (2) Ευριστικός αλγόριθµος ελαχίστων συγκρούσεων 1. Ανέθεσε στις µεταβλητές τυχαίες τιµές από τα πεδία τιµών τους. 2. Αν οι τιµές των µεταβλητών δεν παραβιάζουν τους περιορισµούς του προβλήµατος τότε επέστρεψε τις τιµές αυτές ως λύση. 3. Εξέτασε για µια τυχαία µεταβλητή όλες τις δυνατές τιµές που µπορεί να πάρει. i. Αν κάποια από τις τιµές για τη µεταβλητή που εξετάστηκαν µειώνει το πλήθος των περιορισµών που παραβιάζονται, ανάθεσε την τιµή της στη µεταβλητή. ii. Αν δεν υπάρχει τιµή που να µειώνει το πλήθος των περιορισµών που παραβιάζονται, τότε επέλεξε µια τιµή που να διατηρεί τον ίδιο αριθµό περιορισµών. iii. Αν δεν υπάρχει ούτε τέτοια τιµή, τότε άφησε την τιµή της εξεταζόµενης µεταβλητής 4. Επέστρεψε στο βήµα 2. Πλεονέκτηµα: Εξέταση ΌΧΙ µεγάλου πλήθους γειτονικών καταστάσεων Μειονέκτηµα: Μπορεί να «πέσει» σε τοπικό ελάχιστο

12 ΚΛΑΣΣΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΑΝΑΖΗΤΗΣΗΣ (1) Οι κλασικοί αλγόριθµοι αναζήτησης (π.χ. DFS, BFS) είναι δυνατό να χρησιµοποιηθούν και για την επίλυση των προβληµάτων ικανοποίησης περιορισµών. Αναπαράσταση Μια κατάσταση αποτελείται από τις µεταβλητές του προβλήµατος (µε τις τιµές τους). Υπάρχει ένας µόνο τύπος τελεστή, ο οποίος αντιστοιχεί στην ανάθεση τιµής σε µια µη-δεσµευµένη µεταβλητή (δηλ. µεταβλητή στην οποία δεν έχει ανατεθεί τιµή). Αρχική κατάσταση: όλες οι µεταβλητές είναι µηδεσµευµένες. Τελική κατάσταση: ελέγχεται αν έχει γίνει ανάθεση τιµών σε όλες τις µεταβλητές, καθώς επίσης και αν ικανοποιούνται όλοι οι περιορισµοί του προβλήµατος.

13 ΚΛΑΣΣΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΑΝΑΖΗΤΗΣΗΣ (2) Καλύτερα αποτελέσµατα έχουν οι ευριστικοί αλγόριθµοι αναζήτησης (π.χ. ο BestFS). Η ευριστική συνάρτηση αφορά την επιλογή της µεταβλητής για ανάθεση τιµής στο επόµενο βήµα. Στηρίζεται, στην αρχή της συντοµότερης αποτυχίας (επιλογή µεταβλητής µε το µικρότερο πεδίο τιµών) και στην αρχή της πιο περιορισµένης µεταβλητής (επιλογή της µεταβλητής που συµµετέχει στους περισσότερους περιορισµούς σε περίπτωση ισοδύναµων πεδίων τιµών). Μειονεκτήµατα Μη ικανοποιητική απόδοση για προβλήµατα µεγάλου µεγέθους. εν γίνεται ικανοποιητική εκµετάλλευση των περιορισµών (a posteriori έλεγχος). Εξακολουθεί να υπάρχει το φαινόµενο της συνδυαστικής έκρηξης.

14 ΑΛΓΟΡΙΘΜΟΙ ΕΛΕΓΧΟΥ ΣΥΝΕΠΕΙΑΣ Βασική ιδέα: απαλοιφή τιµών, που δεν είναι συνεπείς ως προς κάποιο περιορισµό, από τα πεδία τιµών (:έλεγχος συνέπειας, που γίνεται a priori, δηλ. πριν την παραγωγή των πιθανών λύσεων, αντί για µετά-a posteriori). Γίνεται κατά κάποιο τρόπο διάδοση περιορισµών (constraint propagation), δηλ. οι µεταβολές σ ένα πεδίο τιµών «διαδίδονται» στα πεδία των υπόλοιπων µεταβλητών µέσω των περιορισµών.

15 ΠΑΡΑ ΕΙΓΜΑ Πρόβληµα: Σειρά εισαγωγής των προϊόντων Α, Β, Γ, σ ένα βιοµηχανικό µύλο. Περιορισµοί: V Α V Β (C1) V Β V Γ (C4) V Α > V (C7) V Α V Γ (C2) V Β V (C5) V Γ < V Β (C8) V Α V (C3) V Γ V (C6) V Β < V Α (C9) Τα πεδία τιµών των µεταβλητών: V Α {1,2,3,4} V Β {1,2,3,4} V Γ {1,2,3,4} V {1,2,3,4} ΕΠΑΝΕΞΕΤΑΣΗ Λόγω C9 (V Β < V Α ): V Α {1, {2,3,4} 1,2,3,4} V Β {1,2,3,4 {1,2,3},4} V Γ {1,2,3,4} V {1,2,3,4} Λόγω C8 (V Γ < V Β ): V Α {2,3,4} V Β {1,2,3} {2,3} V Γ {1,2,3,4} {1,2} V {1,2,3,4} Λόγω C7 (V Α > V ): V Α {2,3,4} V Β {2,3} V Γ {1,2} V {1,2,3} {1,2,3,4} Λόγω C9 (V Β < V Α ): V Α {3,4} {2,3,4} V Β {2,3} V Γ {1,2} V {1,2,3}

16 ΓΡΑΦΟΣ ΠΕΡΙΟΡΙΣΜΩΝ Ένα πρόβληµα µπορεί να αναπαρασταθεί ως γράφος (γράφος περιορισµών - constraint graph), όπου τα τόξα (arcs) αναπαριστούν περιορισµούς οι κόµβοι (nodes) αναπαριστούν τις µεταβλητές. Περιορισµοί: V Α > V V Γ < V Β V Β < V Α

17 ΚΑΤΗΓΟΡΙΕΣ ΑΛΓΟΡΙΘΜΩΝ ΣΥΝΕΠΕΙΑΣ Βαθµός συνέπειας (degree of consistency) Πόσες ασυνεπείς τιµές αφαιρούνται από τα πεδία. Βαθµός συνέπειας είναι αντιστρόφως ανάλογος µε τον απαιτούµενο χρόνο εκτέλεσης. Αλγόριθµος συνέπειας κόµβου (Node Consistency) Μοναδιαίοι περιορισµοί (αφαιρεί τιµές πεδίων βασισµένος σε αυτούς). Αλγόριθµοι συνέπειας τόξου (Arc Consistency-AC) υαδικοί περιορισµοί ιάφοροι αλγόριθµοι συνέπειας τόξου, όπως οι AC-3, AC-4, AC- 5, AC-6, κλπ. Η δυσκολία που παρουσιάζουν οι αλγόριθµοι της κατηγορίας: ιαγραφή µιας τιµής οδηγεί σε αλλαγές στα πεδία άλλων µεταβλητών. Μετά από κάθε διαγραφή ασυνεπούς τιµής πρέπει να επανεξεταστούν τα πεδία των "άµεσα" συνδεδεµένων µεταβλητών. Αλγόριθµοι συνέπειας µονοπατιού (path consistency algorithms) Υψηλό υπολογιστικό κόστος.

18 Ο ΑΛΓΟΡΙΘΜΟΣ AC-3 Ο απλούστερος αλγόριθµος συνέπειας τόξου. Έστω οι µεταβλητές V 1, V 2,..V n µε τιµές d 1, d 2,,d n από τα πεδία τιµών των µεταβλητών D 1, D 2,,D n και ένα σύνολο περιορισµών C(V i, V j ) για τις µεταβλητές αυτές, οι οποίοι αναπαριστώνται ως τόξα (V i,v j ). Για συντοµία, κάθε τόξο (V i,v j ) αναφέρεται ως (i,j). Το Q περιλαµβάνει αρχικά όλα τα τόξα του γράφου περιορισµών. Επανέλαβεταακόλουθαβήµατα µέχρι το Q να γίνει κενό: 1. Επέλεξε ένα τόξο (i,j) και διέγραψε το από το Q 2. Για κάθε τιµή d i τουπεδίουτηςµεταβλητής V i έλεγξε αν υπάρχει τουλάχιστον µία τιµή d j τουπεδίουτηςµεταβλητής V j τέτοια ώστε να ικανοποιεί το περιορισµό C(V i,v j ) που αντιστοιχεί στο τοξο (i, j). 3. Αν δεν υπάρχει τέτοια τιµή d j τότε αφαίρεσε την τιµή d i από το πεδίο τιµών της V i. Αν το πεδίο τιµών της V i είναι κενό τότε τερµάτισε µε αποτυχία. 4. Αν έχει µεταβληθεί το πεδίο τιµών της Vi τότε πρόσθεσε στο σύνολο Q όλα τα τόξα (k,i), που αντιστοιχούν στους περιορισµούς C(V k,v i ), για k i.

19 ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ AC-3 Προϋποθέτει δυαδικούς περιορισµούς. Απαιτείται µετασχηµατισµός περιορισµών ανώτερης τάξεως σε πρόβληµα δυαδικών περιορισµών (binarization). Μη-πληρότητα (υπάρχουν τιµές στα πεδία που δεν εµφανίζονται στη λύση) Στο προηγούµενο παράδειγµα στο πεδίο τιµών της µεταβλητής V Α παρέµεινε η τιµή 3 (που δεν είναι δυνατόν να συµµετέχει στη λύση): V Α {3,4} V Β {2,3} V Γ {1,2} V {1,2,3} Οι αλγόριθµοι συνέπειας τόξου δεν απαλείφουν όλες τις ασυνεπείς τιµές. Οπότε για την επίλυση προβληµάτων περιορισµών χρησιµοποιούνται συνήθως αλγόριθµοι ελέγχου συνέπειας τόξου σε συνδυασµό µε κάποιο κλασσικό αλγόριθµο αναζήτησης (DFS,( BFS, BestFS).

20 Κ-ΣΥΝΕΠΕΙΑ Ένας γράφος περιορισµών είναι Κ-συνεπής Κ (K-consistent consistent) ) εάν για κάθε Κ-1 Κ 1 µεταβλητές που ικανοποιούν τους περιορισµούς υπάρχει µια µεταβλητή Κ µε τέτοιο πεδίο ώστε να ικανοποιούνται ταυτόχρονα όλοι οι περιορισµοί που συνδέουν τις Κ µεταβλητές. Ένας γράφος είναι ισχυρά Κ-συνεπής (strongly K- consistent) εάν για κάθε L K, είναι L-συνεπής. Ο αλγόριθµος συνέπειας κόµβου εξασφαλίζει ότι ο γράφος είναι ισχυρά 1-συνεπής. Οι αλγόριθµοι συνέπειας τόξου εξασφαλίζουν ισχυρή 2-συνεπεία. Προφανώς σε ένα γράφο µε Ν κόµβους, εάν εξασφαλισθεί ότι ο γράφος είναι ισχυρά Ν-συνεπής, τότε Μπορεί να βρεθεί λύση χωρίς αναζήτηση. Όµως σε προβλήµατα µε Κ>2 το υπολογιστικό κόστος εφαρµογής είναι υψηλό, οπότε προτιµάται ο συνδυασµός µε κλασσικό αλγόριθµο αναζήτησης.

21 ΣΥΝ ΥΑΣΜΟΣ ΑΛΓΟΡΙΘΜΩΝ ΣΥΝΕΠΕΙΑΣ ΚΑΙ ΚΛΑΣΣΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ (1) Οσυνδυασµός αλγορίθµων συνέπειας και αναζήτησης στηρίζεται στη συµπληρωµατικότητά τους: Αλγόριθµοι συνέπειας: µη-πλήρεις αλλά αποδοτικοί Κλασικοί αλγόριθµοι αναζήτησης: πλήρεις αλλά µη-αποδοτικοί Βασική ιδέα : Μείωση του χώρου αναζήτησης µε την χρήση ενός αλγορίθµου συνέπειας πριν από κάθε βήµα ανάθεσης τιµών (a( a priori pruning). Υπάρχουν τρεις βασικοί τρόποι συνδυασµού, που έχουν κοινό το ότι εφαρµόζεται ένας αλγόριθµος συνέπειας πριν την εκκίνηση της διαδικασίας αναζήτησης, διαφέρουν στο βαθµό ελέγχου των πεδίων των µεταβλητών σε κάθε βήµα, δηλ. στον τρόπο διάδοσης των περιορισµών.

22 ΣΥΝ ΥΑΣΜΟΣ ΑΛΓΟΡΙΘΜΩΝ ΣΥΝΕΠΕΙΑΣ ΚΑΙ ΚΛΑΣΣΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ (2) Ο προοπτικός έλεγχος (Forward checking) Απαλείφει τιµές από τα πεδία των µη-δεσµευµένων µεταβλητών που συνδέονται άµεσα µε περιορισµούς µε την µεταβλητή στην οποία µόλις ανατέθηκε τιµή. Παραµένει µεγάλος αριθµός ασυνεπών τιµών στα πεδία. Χαµηλό υπολογιστικό κόστος κάθε βήµατος. Ο αλγόριθµος έγκαιρης µερικής εξέτασης (Partial Look Αhead) Κατευθυντική συνέπεια (directional consistency) σε κάθε βήµα (εξετάζει όλα τα πεδία τιµών των µη-δεσµευµένων µεταβλητών µε προκαθορισµένη σειρά, ελέγχοντας τους περιορισµούς µία µόνο φορά). Παραµένουν στα πεδία των µεταβλητών µη συνεπείς τιµές. Ο αλγόριθµος έγκαιρης πλήρους εξέτασης (Full Look Ahead) ή διατήρησης συνέπειας τόξου (Maintaining Arc Consistency - MAC). Εφαρµόζει πλήρη αλγόριθµο συνέπειας τόξου σε κάθε βήµα. Αφαιρεί το µεγαλύτερο αριθµό ασυνεπών τιµών από τους τρεις. Υψηλό υπολογιστικό κόστος

23 ΣΥΝ ΥΑΣΜΟΣ ΑΛΓΟΡΙΘΜΩΝ ΣΥΝΕΠΕΙΑΣ ΚΑΙ ΚΛΑΣΣΙΚΗΣ ΑΝΑΖΗΤΗΣΗΣ (3) Ο ολοκληρωµένος αλγόριθµος διατήρησης συνέπειας τόξου : 1. Για κάθε περιορισµό αφαίρεσε από τα πεδία τιµών των µεταβλητών τις τιµές εκείνες που δεν µπορούν να συµµετέχουν στην τελική λύση µε ένα αλγόριθµο ελέγχου συνέπειας. 2. Στο µειωµένο χώρο αναζήτησης που προκύπτει από το προηγούµενο βήµα εφάρµοσε έναν κλασικό αλγόριθµο αναζήτησης για να βρεθεί η λύση. Σε κάθε βήµα (ανάθεση τιµής) αυτής της αναζήτησης εφάρµοσε ξανά τον αλγόριθµο ελέγχου συνέπειας έτσι ώστε να αφαιρεθούν τυχόν τιµές από τα πεδία των µεταβλητών οι οποίες δεν µπορούν να συµµετέχουν στην λύση.

24 ΠΑΡΑ ΕΙΓΜΑ V Α {3,4} V Β {2,3} V Γ {1,2} V {1,2,3} V Α = 3 V Α = 4 Περιορισµοί V Γ V V Β V V Γ <V Β V Α >V Αποτυχία V Α =3 V Β {2,3} V Γ {1,2} V {1,2,3} V Α = 4 V Β {2,3} V Γ {1,2} V {1,2,3} V Β = 2 V Β = 3 Περιορισµοί V Γ V V Β V V Γ < V Β V Α = 4 V Β = 2 V Γ {1,2} V {1,2,3} V Α = 4 V Β = 3 V Γ {1,2} V {1,2,3} Περιορισµοί V Β V Λύση V Α = 4 V Β = 2 V Γ = 1 V = 3 V Γ = 1 V Γ = 2 Περιορισµοί V Γ V V Β V V Α = 4 V Β = 3 V Γ = 1 V {1,2,3} V Α = 4 V Β = 3 V Γ = 2 V {1,2,3} Περιορισµοί V Γ V V Β V Λύση V Α = 4 V Β = 3 V Γ = 1 V = 2 Λύση V Α = 4 V Β = 3 V Γ = 2 V = 1

25 ΠΡΟΒΛΗΜΑ 8 ΒΑΣΙΛΙΣΣΩΝ (1) Κλασικό παράδειγµα προβλήµατος περιορισµών. Το πρόβληµα απαιτεί να τοποθετηθούν 8 βασίλισσες σε µια σκακιέρα 8x8 χωρίς να απειλούν η µια την άλλη. Το πρόβληµα ορίζεται και για περισσότερες των 8 βασιλισσών Η δυσκολία στην επίλυσή του αυξάνει εκθετικά. Χρησιµοποιείται για την µέτρηση της απόδοσης αλγορίθµων ικανοποίησης περιορισµών. Συνθήκη µη απειλής µεταξύ των βασιλισσών: Όλες οι βασίλισσες πρέπει να είναι σε διαφορετική γραµµή: i, j: Qj Qi. Ισχύουν οι περιορισµοί: Qj Qj+n + n, για n>1 και n+j 8 Qj Qj+n n, για n>1 και n+j 8 Σχηµατική αναπαράσταση περιορισµών µε δύο βασίλισσες στην σκακιέρα Q 1 Q 2 Q 3 Q 4 Q 5 Q 6 Q 7 Q 8

26 ΠΡΟΒΛΗΜΑ 8 ΒΑΣΙΛΙΣΣΩΝ (2) Q 1 Q 2 Q 3 Q 4 Q 5 Q 6 Q 7 Q 8 1. Ανάθεση τιµής στην πρώτη βασίλισσα (Q1=1) 2. Αφαίρεση τιµών που δεν ικανοποιούν τους περιορισµούς (βλ. σχήµα) από τα πεδία των µεταβλητών των υπολοίπων βασιλισσών 1 Q 1 Q 2 Q 3 Q 4 Q 5 Q 6 Q 7 Q 8 3. Ανάθεση τιµής στη δεύτερη βασίλισσα (Q2=3) 4. Αφαίρεση τιµών που δεν ικανοποιούν τους περιορισµούς (βλ. σχήµα) από τα πεδία των µεταβλητών των υπολοίπων βασιλισσών

27 ΠΡΟΒΛΗΜΑ 8 ΒΑΣΙΛΙΣΣΩΝ (3) Q 1 Q 2 Q 3 Q 4 Q 5 Q 6 Q 7 Q 8 Περαιτέρω ανάθεση τιµών που δεν οδηγεί σε λύση. 7 8 Λύση στο πρόβληµα των 8 βασιλισσών Q 1 Q 2 Q 3 Q 4 Q 5 Q 6 Q 7 Q 8

28 ΣΥΣΤΗΜΑΤΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΜΕ ΠΕΡΙΟΡΙΣΜΟΥΣ ηµιουργία ενός νέου είδους προγραµµατισµού, του προγραµµατισµού µε περιορισµούς (constraint programming). Λογικός Προγραµµατισµός µε Περιορισµούς (Constraint Logic Programming - CLP), ως επέκταση των γλωσσών λογικού προγραµµατισµού (π.χ. Prolog). Παράδειγµα τέτοιου συστήµατος είναι το CHIP µε πλήθος βιοµηχανικών εφαρµογών: σύνταξη ωρολογίων προγραµµάτων κατανοµής εργασιών, σχεδιασµός ενεργειών (planning) για την οργάνωση γραµµών παραγωγής. Άλλες γνωστές γλώσσες που υποστηρίζουν προγραµµατισµό µε περιορισµούς: SICSTUS, ECLIPSE PROLOG, η Οz και η GNU- PROLOG, κλπ Αρκετές εκδόσεις της γλώσσας Prolog υποστηρίζουν σε µεγαλύτερο ή µικρότερο βαθµό το νέο είδος προγραµµατισµού.

Κεφάλαιο 6. Ικανοποίηση Περιορισµών. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Κεφάλαιο 6. Ικανοποίηση Περιορισµών. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Κεφάλαιο 6 Ικανοποίηση Περιορισµών Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Ικανοποίηση Περιορισµών Ένα πρόβληµα ικανοποίησης περιορισµών (constraint

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Ικανοποίηση Περιορισμών Κατηγορία προβλημάτων στα οποία είναι γνωστές μερικές

Διαβάστε περισσότερα

Επίλυση Προβλημάτων 1

Επίλυση Προβλημάτων 1 Επίλυση Προβλημάτων 1 Επίλυση Προβλημάτων Περιγραφή Προβλημάτων Αλγόριθμοι αναζήτησης Αλγόριθμοι τυφλής αναζήτησης Αναζήτηση πρώτα σε βάθος Αναζήτηση πρώτα σε πλάτος (ΒFS) Αλγόριθμοι ευρετικής αναζήτησης

Διαβάστε περισσότερα

Πανεπιστήμιο Μακεδονίας Τμήμα Εφαρμοσμένης Πληροφορικής Διαχείριση Έργων Πληροφορικής Ικανοποίηση Περιορισμών (Constraint Satisfaction)

Πανεπιστήμιο Μακεδονίας Τμήμα Εφαρμοσμένης Πληροφορικής Διαχείριση Έργων Πληροφορικής Ικανοποίηση Περιορισμών (Constraint Satisfaction) Πανεπιστήμιο Μακεδονίας Τμήμα Εφαρμοσμένης Πληροφορικής Διαχείριση Έργων Πληροφορικής Ικανοποίηση Περιορισμών (Constraint Satisfaction) Ηλίας Σακελλαρίου Δομή Περιορισμοί Προβλήματα ικανοποίησης περιορισμών

Διαβάστε περισσότερα

Αλγόριθµοι Ευριστικής Αναζήτησης

Αλγόριθµοι Ευριστικής Αναζήτησης Αλγόριθµοι Ευριστικής Αναζήτησης Ευριστικός µηχανισµός (heuristic) είναι µία στρατηγική, βασισµένη στη γνώση για το συγκεκριµένο πρόβληµα, ηοποίαχρησιµοποιείται σα βοήθηµα στη γρήγορη επίλυσή του.! Ο ευριστικόςµηχανισµός

Διαβάστε περισσότερα

Επίλυση προβληµάτων. Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης

Επίλυση προβληµάτων. Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης Επίλυση προβληµάτων Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης! Παιχνίδια δύο αντιπάλων Προβλήµατα ικανοποίησης περιορισµών Γενικά " Ντετερµινιστικά

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αναζήτηση Δοθέντος ενός προβλήματος με περιγραφή είτε στον χώρο καταστάσεων

Διαβάστε περισσότερα

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ. Ενότητα 6: Προβλήματα ικανοποίησης περιορισμών. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ. Ενότητα 6: Προβλήματα ικανοποίησης περιορισμών. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής Ενότητα 6: Προβλήματα ικανοποίησης περιορισμών Ρεφανίδης Ιωάννης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται

Διαβάστε περισσότερα

Πρόβληµα ικανοποίησης περιορισµών

Πρόβληµα ικανοποίησης περιορισµών Προβλήµατα ικανοποίησης περιορισµών Constraint Satisfaction Problems Πρόβληµα ικανοποίησης περιορισµών Μεταβλητές: X 1, X 2,, X n, Πεδία ορισµού: D 1, D 2, D n Περιορισµοί: C 1, C 2,, C m Ανάθεση τιµών:

Διαβάστε περισσότερα

ΠΕΙΡΑΜΑΤΙΚΗ ΑΞΙΟΛΟΓΗΣΗ ΕΥΡΙΣΤΙΚΩΝ ΜΕΘΟ ΩΝ ΜΕ ΤΗ ΜΟΝΑ ΙΑΙΑ ΣΥΝΕΠΕΙΑ ΤΟΞΟΥ

ΠΕΙΡΑΜΑΤΙΚΗ ΑΞΙΟΛΟΓΗΣΗ ΕΥΡΙΣΤΙΚΩΝ ΜΕΘΟ ΩΝ ΜΕ ΤΗ ΜΟΝΑ ΙΑΙΑ ΣΥΝΕΠΕΙΑ ΤΟΞΟΥ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΠΕΙΡΑΜΑΤΙΚΗ ΑΞΙΟΛΟΓΗΣΗ ΕΥΡΙΣΤΙΚΩΝ ΜΕΘΟ ΩΝ ΜΕ ΤΗ ΜΟΝΑ ΙΑΙΑ ΣΥΝΕΠΕΙΑ ΤΟΞΟΥ ιπλωµατική Εργασία του Καριπίδη Κωνσταντίνου

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αλγόριθμοι Ευριστικής Αναζήτησης Πολλές φορές η τυφλή αναζήτηση δεν επαρκεί

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Τελικές εξετάσεις 17 Φεβρουαρίου 2004 ιάρκεια: 2 ώρες (15:00-17:00)

Διαβάστε περισσότερα

Εξελιγµένες Τεχνικές Σχεδιασµού

Εξελιγµένες Τεχνικές Σχεδιασµού Κεφάλαιο 16 Εξελιγµένες Τεχνικές Σχεδιασµού Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Σχεδιασµός Βασισµένος σε Γράφους Γράφος σχεδιασµού (1/2) Ο

Διαβάστε περισσότερα

Προβλήµατα ικανοποίησης περιορισµών

Προβλήµατα ικανοποίησης περιορισµών Προβλήµατα Ικανοποίησης Περιορισµών Προβλήµατα ικανοποίησης περιορισµών Λογικός προγραµµατισµός µε περιορισµούς Προβλήµατα Ικανοποίησης Περιορισµών Ένα πρόβληµα ικανοποίησης περιορισµών (constraint satisfaction

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Περιγραφή Προβλημάτων Διαισθητικά, σε ένα πρόβλημα υπάρχει μια δεδομένη κατάσταση

Διαβάστε περισσότερα

Ασκήσεις μελέτης της 4 ης διάλεξης. ), για οποιοδήποτε μονοπάτι n 1

Ασκήσεις μελέτης της 4 ης διάλεξης. ), για οποιοδήποτε μονοπάτι n 1 Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής Μάθημα: Τεχνητή Νοημοσύνη, 2016 17 Διδάσκων: Ι. Ανδρουτσόπουλος Ασκήσεις μελέτης της 4 ης διάλεξης 4.1. (α) Αποδείξτε ότι αν η h είναι συνεπής, τότε h(n

Διαβάστε περισσότερα

(50 μον.) πάντοτε Διατυπώστε

(50 μον.) πάντοτε Διατυπώστε ΑΣΚΗΣΗ 1 Α. (50 μον.) Σας δίνεται ο ακόλουθος γράφος, το οποίο πρέπει να χρωματίσετε χρησιμοποιώντας 3 χρώματα (R,G,B), ώστε δύο γειτονικές κορυφές να μην έχουν το ίδιο χρώμα. Θεωρείστε ότι ο χρωματισμός

Διαβάστε περισσότερα

Χρονοπρογραµµατισµός Ωρολόγιου Προγράµµατος Μαθηµάτων Πανεπιστηµιακού

Χρονοπρογραµµατισµός Ωρολόγιου Προγράµµατος Μαθηµάτων Πανεπιστηµιακού ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Χρονοπρογραµµατισµός Ωρολόγιου Προγράµµατος Μαθηµάτων Πανεπιστηµιακού Τµήµατος ιπλωµατική Εργασία της Αθανασίας Παπότη

Διαβάστε περισσότερα

Εφαρμόζονται σε προβλήματα στα οποία δεν υπάρχει πληροφορία που να επιτρέπει την αξιολόγηση των καταστάσεων του χώρου αναζήτησης.

Εφαρμόζονται σε προβλήματα στα οποία δεν υπάρχει πληροφορία που να επιτρέπει την αξιολόγηση των καταστάσεων του χώρου αναζήτησης. Ανάλογα με το αν ένας αλγόριθμος αναζήτησης χρησιμοποιεί πληροφορία σχετική με το πρόβλημα για να επιλέξει την επόμενη κατάσταση στην οποία θα μεταβεί, οι αλγόριθμοι αναζήτησης χωρίζονται σε μεγάλες κατηγορίες,

Διαβάστε περισσότερα

Μεταβλητες: Q, NSW, V, T, SA, WA, NT. Πεδίο Ορισμού: Για κάθε μεταβλητη το ίδιο. D i ={R, G, B} όπου i= Q, NSW,., NT.

Μεταβλητες: Q, NSW, V, T, SA, WA, NT. Πεδίο Ορισμού: Για κάθε μεταβλητη το ίδιο. D i ={R, G, B} όπου i= Q, NSW,., NT. 1. Στην άσκηση μας, μας έχει δωθεί ένας γράφος, ο οποίος αντιπροσωπεύει ένα χάρτη και μάλιστα αυτόν της Αυστραλίας. Στον γράφο αυτό υπάρχουν και κόμβοι, οι οποίοι αφορούν με τη σειρά τους τις διάφορες

Διαβάστε περισσότερα

Κεφάλαιο 2. Περιγραφή Προβληµάτων και Αναζήτηση Λύσης. Τεχνητή Νοηµοσύνη - Β' Έκδοση

Κεφάλαιο 2. Περιγραφή Προβληµάτων και Αναζήτηση Λύσης. Τεχνητή Νοηµοσύνη - Β' Έκδοση Κεφάλαιο 2 Περιγραφή Προβληµάτων και Αναζήτηση Λύσης Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Περιγραφή Προβληµάτων ιαισθητικά: υπάρχει µία δεδοµένη

Διαβάστε περισσότερα

===========================================================================

=========================================================================== =========================================================================== Α. (50 µον.) Σας δίνεται ο ακόλουθος γράφος, το οποίο πρέπει να χρωµατίσετε χρησιµοποιώντας 4 χρώµατα (R,G,B,Υ), ώστε δύο γειτονικές

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 4η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 4η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 4η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται κυρίως στα βιβλία Τεχνητή Νοημοσύνη των Βλαχάβα κ.ά., 3η έκδοση, Β.

Διαβάστε περισσότερα

Αλγόριθµοι CSPs Κώδικας. Μάθηµα Τεχνητής Νοηµοσύνης ΥΣ02 Χειµερινό εξάµηνο

Αλγόριθµοι CSPs Κώδικας. Μάθηµα Τεχνητής Νοηµοσύνης ΥΣ02 Χειµερινό εξάµηνο Αλγόριθµοι CSPs Κώδικας Μάθηµα Τεχνητής Νοηµοσύνης ΥΣ02 Χειµερινό εξάµηνο 2008-2009 CSPLIB Βιβλιοθήκη µε ρουτίνες για την επίλυση δυαδικών προβληµάτων ικανοποίησης περιορισµών http://ai.uwaterloo.ca/~vanbeek/software.h

Διαβάστε περισσότερα

ΠΛΗ 405 Τεχνητή Νοηµοσύνη

ΠΛΗ 405 Τεχνητή Νοηµοσύνη ΠΛΗ 405 Τεχνητή Νοηµοσύνη Α οδοτικός Προτασιακός Συµ ερασµός Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Λογικοί ράκτορες πράκτορες βασισµένοι στη λογική Λογικές

Διαβάστε περισσότερα

Κεφάλαιο 3. Αλγόριθµοι Τυφλής Αναζήτησης. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Κεφάλαιο 3. Αλγόριθµοι Τυφλής Αναζήτησης. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Κεφάλαιο 3 Αλγόριθµοι Τυφλής Αναζήτησης Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Αλγόριθµοι Τυφλής Αναζήτησης Οι αλγόριθµοι τυφλής αναζήτησης (blind

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ ΕΠΛ 035 - ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΑΛΓΟΡΙΘΜΟΙ ΓΙΑ ΗΛΕΚΤΡΟΛΟΓΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΚΑΙ ΜΗΧΑΝΙΚΟΥΣ ΥΠΟΛΟΓΙΣΤΩΝ Ακαδηµαϊκό έτος 2017-2018 Υπεύθυνος εργαστηρίου: Γεώργιος

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αλγόριθμοι Τυφλής Αναζήτησης Οι αλγόριθμοι τυφλής αναζήτησης εφαρμόζονται σε

Διαβάστε περισσότερα

HY Λογική Διδάσκων: Δ. Πλεξουσάκης Εαρινό Εξάμηνο. Φροντιστήριο 6

HY Λογική Διδάσκων: Δ. Πλεξουσάκης Εαρινό Εξάμηνο. Φροντιστήριο 6 HY-180 - Λογική Διδάσκων: Δ. Πλεξουσάκης Εαρινό Εξάμηνο 2015-2016 Φροντιστήριο 6 Α) ΘΕΩΡΙΑ Μέθοδος Επίλυσης (Resolution) Στη μέθοδο της επίλυσης αποδεικνύουμε την ικανοποιησιμότητα ενός συνόλου προτάσεων,

Διαβάστε περισσότερα

ΤΟ ΠΡΟΒΛΗΜΑ ΤΗΣ ΚΑΤΑΡΤΙΣΗΣ ΩΡΟΛΟΓΙΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ: ΑΛΓΟΡΙΘΜΟΙ ΚΑΙ ΥΛΟΠΟΙΗΣΗ ΣΤΟ ΣΥΣΤΗΜΑ ECL i PS e

ΤΟ ΠΡΟΒΛΗΜΑ ΤΗΣ ΚΑΤΑΡΤΙΣΗΣ ΩΡΟΛΟΓΙΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ: ΑΛΓΟΡΙΘΜΟΙ ΚΑΙ ΥΛΟΠΟΙΗΣΗ ΣΤΟ ΣΥΣΤΗΜΑ ECL i PS e ΤΟ ΠΡΟΒΛΗΜΑ ΤΗΣ ΚΑΤΑΡΤΙΣΗΣ ΩΡΟΛΟΓΙΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ: ΑΛΓΟΡΙΘΜΟΙ ΚΑΙ ΥΛΟΠΟΙΗΣΗ ΣΤΟ ΣΥΣΤΗΜΑ ECL i PS e Από την Ελένη Ψαρά Πολυτεχνείο Κρήτης Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Ηλεκτρονικών Υπολογιστών

Διαβάστε περισσότερα

Αλγόριθµοι και Πολυπλοκότητα

Αλγόριθµοι και Πολυπλοκότητα Αλγόριθµοι και Πολυπλοκότητα Ν. Μ. Μισυρλής Τµήµα Πληροφορικής και Τηλεπικοινωνιών, Πανεπιστήµιο Αθηνών Καθηγητής: Ν. Μ. Μισυρλής () Αλγόριθµοι και Πολυπλοκότητα 15 Ιουνίου 2009 1 / 26 Εισαγωγή Η ϑεωρία

Διαβάστε περισσότερα

Λογικοί πράκτορες. Πράκτορες βασισµένοι στη γνώση

Λογικοί πράκτορες. Πράκτορες βασισµένοι στη γνώση Λογικοί πράκτορες Πράκτορες βασισµένοι στη γνώση Βάση γνώσης (knowledge base: Σύνολο προτάσεων (sentences Γλώσσα αναπαράστασης της γνώσης Γνωστικό υπόβαθρο: «Αµετάβλητο» µέρος της ΒΓ Βασικές εργασίες:

Διαβάστε περισσότερα

Επίλυση Προβλημάτων. Αποτελεί ένα από τα βασικά χαρακτηριστικά γνωρίσματα της νοημοσύνης.

Επίλυση Προβλημάτων. Αποτελεί ένα από τα βασικά χαρακτηριστικά γνωρίσματα της νοημοσύνης. Επίλυση Προβλημάτων Αποτελεί ένα από τα βασικά χαρακτηριστικά γνωρίσματα της νοημοσύνης. Τεχνητή Νοημοσύνη = Αναπαράσταση Γνώσης + Αλγόριθμοι Αναζήτησης Κατηγορίες Προβλημάτων Aναζήτησης Πραγματικά και

Διαβάστε περισσότερα

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΕΙ Δυτικής Μακεδονίας ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ 2015-2016 Τεχνητή Νοημοσύνη Λογικοί Πράκτορες Διδάσκων: Τσίπουρας Μάρκος Εκπαιδευτικό Υλικό: Τσίπουρας Μάρκος http://ai.uom.gr/aima/ 2 Πράκτορες βασισμένοι

Διαβάστε περισσότερα

Επίλυση προβληµάτων. Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης

Επίλυση προβληµάτων. Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Επίλυση προβληµάτων Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης! Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης Παιχνίδια δύο αντιπάλων Προβλήµατα ικανοποίησης περιορισµών Αλγόριθµοι τυφλής

Διαβάστε περισσότερα

Το µαθηµατικό µοντέλο του Υδρονοµέα

Το µαθηµατικό µοντέλο του Υδρονοµέα Ερευνητικό έργο: Εκσυγχρονισµός της εποπτείας και διαχείρισης του συστήµατος των υδατικών πόρων ύδρευσης της Αθήνας Το µαθηµατικό µοντέλο του Υδρονοµέα Ανδρέας Ευστρατιάδης και Γιώργος Καραβοκυρός Τοµέας

Διαβάστε περισσότερα

ΤΥΦΛΗ ΑΝΑΖΗΤΗΣΗ (1) ΣΤΡΑΤΗΓΙΚΗ Ή ΑΛΓΟΡΙΘΜΟΣ ΑΝΑΖΗΤΗΣΗΣ

ΤΥΦΛΗ ΑΝΑΖΗΤΗΣΗ (1) ΣΤΡΑΤΗΓΙΚΗ Ή ΑΛΓΟΡΙΘΜΟΣ ΑΝΑΖΗΤΗΣΗΣ ΤΥΦΛΗ ΑΝΑΖΗΤΗΣΗ (1) ΣΤΡΑΤΗΓΙΚΗ Ή ΑΛΓΟΡΙΘΜΟΣ ΑΝΑΖΗΤΗΣΗΣ Μια αυστηρά καθορισµένη ακολουθία ενεργειών µε σκοπό τη λύση ενός προβλήµατος. Χαρακτηριστικά οθέν πρόβληµα: P= Επιλυθέν πρόβληµα: P s

Διαβάστε περισσότερα

m 1 min f = x ij 0 (8.4) b j (8.5) a i = 1

m 1 min f = x ij 0 (8.4) b j (8.5) a i = 1 KΕΦΑΛΑΙΟ 8 Προβλήµατα Μεταφοράς και Ανάθεσης 8. ΕΙΣΑΓΩΓΗ Μια ειδική κατηγορία προβληµάτων γραµµικού προγραµµατισµού είναι τα προβλήµατα µεταφοράς (Π.Μ.), στα οποία επιζητείται η ελαχιστοποίηση του κόστους

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΕΡΓΑΛΕΙΑ ΙΟΙΚΗΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΜΑΘΗΜΑ: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΕΡΓΑΛΕΙΑ ΙΟΙΚΗΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΜΑΘΗΜΑ: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΙΟΙΚΗΣΗ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΑΘΗΜΑ: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΡΓΑΛΕΙΑ ΙΟΙΚΗΣΗΣ ιδάσκων:

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 12: Λογικός Προγραμματισμός με Περιορισμούς

ΚΕΦΑΛΑΙΟ 12: Λογικός Προγραμματισμός με Περιορισμούς ΚΕΦΑΛΑΙΟ 12: Λογικός Προγραμματισμός με Περιορισμούς Λέξεις Κλειδιά: Προβλήματα ικανοποίησης περιορισμών. Η έννοια του περιορισμού σε μεταβλητές. Πεδία μεταβλητών. Επίλυση προβλημάτων περιορισμών. Αλγόριθμοι

Διαβάστε περισσότερα

Αλγόριθμοι Τυφλής Αναζήτησης

Αλγόριθμοι Τυφλής Αναζήτησης Τεχνητή Νοημοσύνη 04 Αλγόριθμοι Τυφλής Αναζήτησης Αλγόριθμοι Τυφλής Αναζήτησης (Blind Search Algorithms) Εφαρμόζονται σε προβλήματα στα οποία δεν υπάρχει πληροφορία που να επιτρέπει αξιολόγηση των καταστάσεων.

Διαβάστε περισσότερα

ΠΛΗ 405 Τεχνητή Νοηµοσύνη

ΠΛΗ 405 Τεχνητή Νοηµοσύνη ΠΛΗ 405 Τεχνητή Νοηµοσύνη Α οδοτικός Προτασιακός Συµ ερασµός Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Λογικές τυπικές γλώσσες λογική κάλυψη Προτασιακή λογική

Διαβάστε περισσότερα

ΓΡΑΜΜΙΚΟΣ & ΔΙΚΤΥΑΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ

ΓΡΑΜΜΙΚΟΣ & ΔΙΚΤΥΑΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΓΡΑΜΜΙΚΟΣ & ΔΙΚΤΥΑΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Ενότητα 23: Κλασική Ανάλυση Ευαισθησίας, Βασικές Έννοιες Γραφημάτων Σαμαράς Νικόλαος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative

Διαβάστε περισσότερα

Περιγραφή Προβλημάτων

Περιγραφή Προβλημάτων Τεχνητή Νοημοσύνη 02 Περιγραφή Προβλημάτων Φώτης Κόκκορας Τμ.Τεχν/γίας Πληροφορικής & Τηλ/νιών - ΤΕΙ Λάρισας Παραδείγματα Προβλημάτων κύβοι (blocks) Τρεις κύβοι βρίσκονται σε τυχαία διάταξη πάνω στο τραπέζι

Διαβάστε περισσότερα

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΜΑΘΗΜΑ 2 ΑΝΑΠΑΡΑΣΤΑΣΗ - ΤΕΧΝΙΚΕΣ ΤΝ (1)

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΜΑΘΗΜΑ 2 ΑΝΑΠΑΡΑΣΤΑΣΗ - ΤΕΧΝΙΚΕΣ ΤΝ (1) ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΜΑΘΗΜΑ 2 ΑΝΑΠΑΡΑΣΤΑΣΗ - ΤΕΧΝΙΚΕΣ ΤΝ (1) 2. ΑΝΑΠΑΡΑΣΤΑΣΗ ΠΡΟΒΛΗΜΑΤΟΣ H υλοποίηση ενός προβλήµατος σε σύστηµα Η/Υ που επιδεικνύει ΤΝ 1 απαιτεί: Την κατάλληλη περιγραφή του προβλήµατος

Διαβάστε περισσότερα

Στοιχεία Θεωρίας Γράφων (Graph Theory)

Στοιχεία Θεωρίας Γράφων (Graph Theory) Στοιχεία Θεωρίας Γράφων (Graph Theory) Ε Εξάμηνο, Τμήμα Πληροφορικής & Τεχνολογίας Υπολογιστών ΤΕΙ Λαμίας plam@inf.teilam.gr, Οι διαφάνειες βασίζονται στα βιβλία:. Αλγόριθμοι, Σχεδιασμός & Ανάλυση, η έκδοση,

Διαβάστε περισσότερα

ΠΡΟΣΑΡΜΟΣΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΓΙΑ ΠΡΟΒΛΗΜΑΤΑ ΙΚΑΝΟΠΟΙΗΣΗΣ ΠΕΡΙΟΡΙΣΜΩΝ

ΠΡΟΣΑΡΜΟΣΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΓΙΑ ΠΡΟΒΛΗΜΑΤΑ ΙΚΑΝΟΠΟΙΗΣΗΣ ΠΕΡΙΟΡΙΣΜΩΝ ΠΡΟΣΑΡΜΟΣΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΓΙΑ ΠΡΟΒΛΗΜΑΤΑ ΙΚΑΝΟΠΟΙΗΣΗΣ ΠΕΡΙΟΡΙΣΜΩΝ Η Διπλωματική Εργασία παρουσιάστηκε ενώπιον του Διδακτικού Προσωπικού του Πανεπιστημίου Αιγαίου Σε Μερική Εκπλήρωση των Απαιτήσεων για

Διαβάστε περισσότερα

Οργάνωση αρχείων: πως είναι τοποθετηµένες οι εγγραφές ενός αρχείου όταν αποθηκεύονται στο δίσκο

Οργάνωση αρχείων: πως είναι τοποθετηµένες οι εγγραφές ενός αρχείου όταν αποθηκεύονται στο δίσκο Κατακερµατισµός 1 Οργάνωση Αρχείων (σύνοψη) Οργάνωση αρχείων: πως είναι τοποθετηµένες οι εγγραφές ενός αρχείου όταν αποθηκεύονται στο δίσκο 1. Αρχεία Σωρού 2. Ταξινοµηµένα Αρχεία Φυσική διάταξη των εγγραφών

Διαβάστε περισσότερα

Αναπαράσταση Γνώσης και Συλλογιστικές

Αναπαράσταση Γνώσης και Συλλογιστικές ναπαράσταση Γνώσης και Συλλογιστικές! Γενικά Προτασιακή λογική Λογική πρώτης τάξης Λογικός προγραµµατισµός Επεκτάσεις της Λογικής Πρώτης Τάξης Συστήµατα Κανόνων Επίλογος ναπαράσταση γνώσης " ναπαράσταση

Διαβάστε περισσότερα

Κεφάλαιο 7. Γενετικοί Αλγόριθµοι. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Κεφάλαιο 7. Γενετικοί Αλγόριθµοι. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Κεφάλαιο 7 Γενετικοί Αλγόριθµοι Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Εισαγωγή Σε αρκετές περιπτώσεις το µέγεθος ενός προβλήµατος καθιστά απαγορευτική

Διαβάστε περισσότερα

Επίλυση Προβλημάτων 1

Επίλυση Προβλημάτων 1 Επίλυση Προβλημάτων 1 Επίλυση Προβλημάτων Περιγραφή Προβλημάτων Αλγόριθμοι αναζήτησης Αλγόριθμοι τυφλής αναζήτησης Αναζήτηση πρώτα σε βάθος Αναζήτηση πρώτα σε πλάτος (ΒFS) Αλγόριθμοι ευρετικής αναζήτησης

Διαβάστε περισσότερα

Ακέραιος Γραμμικός Προγραμματισμός

Ακέραιος Γραμμικός Προγραμματισμός Τμήμα Μηχανικών Πληροφορικής ΤΕ 2017-2018 Ακέραιος Γραμμικός Προγραμματισμός Γκόγκος Χρήστος ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα τελευταία ενημέρωση: 12/01/2017 1 Ακέραιος Γραμμικός Προγραμματισμός Όταν για

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Τελικές εξετάσεις Πέμπτη 27 Ιουνίου 2013 10:003:00 Έστω το πάζλ των οκτώ πλακιδίων (8-puzzle)

Διαβάστε περισσότερα

Ευχαριστίες. Τέλος θα ήθελα να ευχαριστήσω όλους όσους ήταν δίπλα μου όλα αυτά τα χρόνια και με βοήθησαν να πραγματοποιήσω τους στόχους μου.

Ευχαριστίες. Τέλος θα ήθελα να ευχαριστήσω όλους όσους ήταν δίπλα μου όλα αυτά τα χρόνια και με βοήθησαν να πραγματοποιήσω τους στόχους μου. Ευχαριστίες Θα ήθελα να ευχαριστήσω τον καθηγητή μου, Δρ Γιάννη Δημόπουλο, ο οποίος ήταν ο επιβλέπον καθηγητής της διπλωματικής αυτής εργασίας και με βοήθησε ώστε να ολοκληρωθεί με επιτυχία. Επίσης θα

Διαβάστε περισσότερα

Επίλυση Προβλημάτων 1

Επίλυση Προβλημάτων 1 Επίλυση Προβλημάτων 1 Επίλυση Προβλημάτων Περιγραφή Προβλημάτων Αλγόριθμοι αναζήτησης Αλγόριθμοι τυφλής αναζήτησης Αναζήτηση πρώτα σε βάθος Αναζήτηση πρώτα σε πλάτος (ΒFS) Αλγόριθμοι ευρετικής αναζήτησης

Διαβάστε περισσότερα

Ακέραιος Γραμμικός Προγραμματισμός

Ακέραιος Γραμμικός Προγραμματισμός Τμήμα Μηχανικών Πληροφορικής ΤΕ 2016-2017 Ακέραιος Γραμμικός Προγραμματισμός Γκόγκος Χρήστος ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα τελευταία ενημέρωση: 12/01/2017 1 Ακέραιος Γραμμικός Προγραμματισμός Όταν για

Διαβάστε περισσότερα

Α1. Να γράψετε στο τετράδιό σας τον αριθµό καθεµιάς από τις παρακάτω προτάσεις 1-5 και, δίπλα, τη λέξη ΣΩΣΤΟ, αν η πρόταση είναι σωστή, ή τη λέξη

Α1. Να γράψετε στο τετράδιό σας τον αριθµό καθεµιάς από τις παρακάτω προτάσεις 1-5 και, δίπλα, τη λέξη ΣΩΣΤΟ, αν η πρόταση είναι σωστή, ή τη λέξη ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ Γ ΛΥΚΕΙΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ (ΝΕΟ ΣΥΣΤΗΜΑ) ΘΕΜΑ Α Α1. Να γράψετε στο τετράδιό σας τον αριθµό καθεµιάς από τις παρακάτω προτάσεις 1-5 και, δίπλα, τη λέξη ΣΩΣΤΟ,

Διαβάστε περισσότερα

Αναστασία Παπαρρίζου. Επιβλέπων Καθηγητής: Κώστας Στεργίου Τριμελής Επιτροπή: Κώστας Στεργίου, Νικόλαος Σαμαράς, Μανώλης Κουμπαράκης

Αναστασία Παπαρρίζου. Επιβλέπων Καθηγητής: Κώστας Στεργίου Τριμελής Επιτροπή: Κώστας Στεργίου, Νικόλαος Σαμαράς, Μανώλης Κουμπαράκης Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών Πανεπιστήμιο Δυτικής Μακεδονίας Αναστασία Παπαρρίζου Επιβλέπων Καθηγητής: Κώστας Στεργίου Τριμελής Επιτροπή: Κώστας Στεργίου, Νικόλαος Σαμαράς, Μανώλης

Διαβάστε περισσότερα

Τα δεδομένα (περιεχόμενο) μιας βάσης δεδομένων αποθηκεύεται στο δίσκο

Τα δεδομένα (περιεχόμενο) μιας βάσης δεδομένων αποθηκεύεται στο δίσκο Κατακερματισμός 1 Αποθήκευση εδομένων (σύνοψη) Τα δεδομένα (περιεχόμενο) μιας βάσης δεδομένων αποθηκεύεται στο δίσκο Παραδοσιακά, μία σχέση (πίνακας/στιγμιότυπο) αποθηκεύεται σε ένα αρχείο Αρχείο δεδομένων

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 2η διάλεξη (2015-16) Ίων Ανδρουτσόπουλος. http://www.aueb.gr/users/ion/

Τεχνητή Νοημοσύνη. 2η διάλεξη (2015-16) Ίων Ανδρουτσόπουλος. http://www.aueb.gr/users/ion/ Τεχνητή Νοημοσύνη 2η διάλεξη (2015-16) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται στα βιβλία: Τεχνητή Νοημοσύνη των Βλαχάβα κ.ά., 3η έκδοση, Β. Γκιούρδας

Διαβάστε περισσότερα

Κεφάλαιο 4ο: Δικτυωτή Ανάλυση

Κεφάλαιο 4ο: Δικτυωτή Ανάλυση Κεφάλαιο ο: Δικτυωτή Ανάλυση. Εισαγωγή Η δικτυωτή ανάλυση έχει παίξει σημαντικό ρόλο στην Ηλεκτρολογία. Όμως, ορισμένες έννοιες και τεχνικές της δικτυωτής ανάλυσης είναι πολύ χρήσιμες και σε άλλες επιστήμες.

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ

ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ μπλ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ Διπλωματική Εργασία Constraint Optimization Bucket Elimination Κωστόπουλος Δημήτριος Αριθμός Μητρώου: 20040 Επιβλέπων Καθηγητής

Διαβάστε περισσότερα

Για παράδειγμα η αρχική και η τελική κατάσταση αναπαριστώνται ως εξής: (ένα λίτρο)

Για παράδειγμα η αρχική και η τελική κατάσταση αναπαριστώνται ως εξής: (ένα λίτρο) 8 1 η ΕΡΓΑΣΙΑ ΣΤΟ ΜΑΘΗΜΑ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Απάντηση 1ης άσκησης Κατάσταση (κόμβοι): Αναπαριστούμε μια κατάσταση του προβλήματος με ένα διατεταγμένο ζεύγος (X,Y) όπου X είναι τα λίτρα στο βάζο Α (χωρητικότητα

Διαβάστε περισσότερα

Προβλήματα Ελάχιστου Κόστους Ροής σε Δίκτυο. Δίκτυα Ροής Ελάχιστου Κόστους (Minimum Cost Flow Networks)

Προβλήματα Ελάχιστου Κόστους Ροής σε Δίκτυο. Δίκτυα Ροής Ελάχιστου Κόστους (Minimum Cost Flow Networks) Προβλήματα Ελάχιστου Κόστους Ροής σε Δίκτυο Ορισμοί Παραδείγματα Δικτυακή Simplex (προβλήματα με και χωρίς φραγμούς). Δίκτυα Ροής Ελάχιστου Κόστους (Minimum ost Flow Networks) Ένα δίκτυο μεταφόρτωσης αποτελείται

Διαβάστε περισσότερα

Κεφάλαια Εντολές επανάληψης. Τρεις εντολές επανάληψης. Επιλογή εντολής επανάληψης ΟΣΟ...ΕΠΑΝΑΛΑΒΕ. Σύνταξη στη ΓΛΩΣΣΑ

Κεφάλαια Εντολές επανάληψης. Τρεις εντολές επανάληψης. Επιλογή εντολής επανάληψης ΟΣΟ...ΕΠΑΝΑΛΑΒΕ. Σύνταξη στη ΓΛΩΣΣΑ Εντολές επανάληψης Κεφάλαια 02-08 οµές Επανάληψης Επιτρέπουν την εκτέλεση εντολών περισσότερες από µία φορά Οι επαναλήψεις ελέγχονται πάντοτε από κάποια συνθήκη η οποία καθορίζει την έξοδο από το βρόχο

Διαβάστε περισσότερα

ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH

ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Η/Υ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Περιεχόμενα

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 3η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 3η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 3η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται στα βιβλία Τεχνητή Νοημοσύνη των Βλαχάβα κ.ά., 3η έκδοση, Β. Γκιούρδας

Διαβάστε περισσότερα

ÔÏÕËÁ ÓÁÑÑÇ ÊÏÌÏÔÇÍÇ

ÔÏÕËÁ ÓÁÑÑÇ ÊÏÌÏÔÇÍÇ ΤΑΞΗ: ΚΑΤΕΥΘΥΝΣΗ: ΜΑΘΗΜΑ: ΘΕΜΑ Α Γ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΤΕΧΝΟΛΟΓΙΚΗ (2ος Κύκλος) ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ Ηµεροµηνία: Παρασκευή 25 Απριλίου 2014 ιάρκεια Εξέτασης: 3 ώρες ΕΚΦΩΝΗΣΕΙΣ

Διαβάστε περισσότερα

Επίλυση προβληµάτων. Αλγόριθµοι Αναζήτησης

Επίλυση προβληµάτων. Αλγόριθµοι Αναζήτησης Επίλυση προβληµάτων! Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης Παιχνίδια δύο αντιπάλων Προβλήµατα ικανοποίησης περιορισµών Γενικά " Τεχνητή

Διαβάστε περισσότερα

Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e

Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e Άσκηση 1 Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e Υπάρχουν τρία μαύρα τετραγωνάκια (b), τρία άσπρα (w) και ένα κενό (e). Η σπαζοκεφαλιά έχει τις ακόλουθες

Διαβάστε περισσότερα

Heapsort Using Multiple Heaps

Heapsort Using Multiple Heaps sort sort Using Multiple s. Λεβεντέας Χ. Ζαρολιάγκης Τµήµα Μηχανικών Η/Υ & Πληροφορικής 29 Αυγούστου 2008 sort 1 Ορισµός ify Build- 2 sort Πως δουλεύει Ιδιότητες 3 4 Προβλήµατα Προτάσεις Ανάλυση Κόστους

Διαβάστε περισσότερα

Λογική Δημήτρης Πλεξουσάκης Φροντιστήριο 6: Προτασιακός Λογισμός: Μέθοδος Επίλυσης Τμήμα Επιστήμης Υπολογιστών

Λογική Δημήτρης Πλεξουσάκης Φροντιστήριο 6: Προτασιακός Λογισμός: Μέθοδος Επίλυσης Τμήμα Επιστήμης Υπολογιστών Λογική Δημήτρης Πλεξουσάκης Φροντιστήριο 6: Προτασιακός Λογισμός: Μέθοδος Επίλυσης Τμήμα Επιστήμης Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται στην άδεια χρήσης Creative Commons και

Διαβάστε περισσότερα

min f(x) x R n b j - g j (x) = s j - b j = 0 g j (x) + s j = 0 - b j ) min L(x, s, λ) x R n λ, s R m L x i = 1, 2,, n (1) m L(x, s, λ) = f(x) +

min f(x) x R n b j - g j (x) = s j - b j = 0 g j (x) + s j = 0 - b j ) min L(x, s, λ) x R n λ, s R m L x i = 1, 2,, n (1) m L(x, s, λ) = f(x) + KΕΦΑΛΑΙΟ 4 Κλασσικές Μέθοδοι Βελτιστοποίησης Με Περιορισµούς Ανισότητες 4. ΠΡΟΒΛΗΜΑΤΑ ΜΕ ΠΕΡΙΟΡΙΣΜΟΥΣ ΑΝΙΣΟΤΗΤΕΣ Ζητούνται οι τιµές των µεταβλητών απόφασης που ελαχιστοποιούν την αντικειµενική συνάρτηση

Διαβάστε περισσότερα

Προβλήματα Ικανοποίησης Περιορισμών

Προβλήματα Ικανοποίησης Περιορισμών Προβλήματα Ικανοποίησης Περιορισμών (Επιπλέον Διαφάνειες) Μανόλης Κουμπαράκης Τεχνητή Νοημοσύνη 1 Περιεχόμενα Παραδείγματα CSP Παράδειγμα εκτέλεσης του αλγόριθμου ΒΤ Sudoku k-consistency Η έννοια της αποσύνθεσης

Διαβάστε περισσότερα

Ασκήσεις μελέτης της 8 ης διάλεξης

Ασκήσεις μελέτης της 8 ης διάλεξης Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής Μάθημα: Τεχνητή Νοημοσύνη, 2017 18 Διδάσκων: Ι. Ανδρουτσόπουλος Ασκήσεις μελέτης της 8 ης διάλεξης 8.1. (i) Έστω ότι α και β είναι δύο τύποι της προτασιακής

Διαβάστε περισσότερα

ΣΗΜΑΤΑ ΚΑΙ ΣΥΣΤΗΜΑΤΑ. Εισαγωγή στα Σήµατα Εισαγωγή στα Συστήµατα Ανάπτυγµα - Μετασχηµατισµός Fourier Μετασχηµατισµός Z

ΣΗΜΑΤΑ ΚΑΙ ΣΥΣΤΗΜΑΤΑ. Εισαγωγή στα Σήµατα Εισαγωγή στα Συστήµατα Ανάπτυγµα - Μετασχηµατισµός Fourier Μετασχηµατισµός Z ΣΗΜΑΤΑ ΚΑΙ ΣΥΣΤΗΜΑΤΑ Εισαγωγή στα Σήµατα Εισαγωγή στα Συστήµατα Ανάπτυγµα - Μετασχηµατισµός Fourier Μετασχηµατισµός Laplace Μετασχηµατισµός Z Εφαρµογές Παράδειγµα ενός ηλεκτρικού συστήµατος Σύστηµα Παράδειγµα

Διαβάστε περισσότερα

Δομές Δεδομένων. Ενότητα 13: B-Δέντρα/AVL-Δέντρα. Καθηγήτρια Μαρία Σατρατζέμη. Τμήμα Εφαρμοσμένης Πληροφορικής. Δομές Δεδομένων

Δομές Δεδομένων. Ενότητα 13: B-Δέντρα/AVL-Δέντρα. Καθηγήτρια Μαρία Σατρατζέμη. Τμήμα Εφαρμοσμένης Πληροφορικής. Δομές Δεδομένων Ενότητα 13: B-Δέντρα/AVL-Δέντρα Καθηγήτρια Μαρία Σατρατζέμη Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε

Διαβάστε περισσότερα

Μοντελοποίηση προβληµάτων

Μοντελοποίηση προβληµάτων Σχεδιασµός Αλγορίθµων Ακέραιος προγραµµατισµός Αποδοτικοί Αλγόριθµοι Μη Αποδοτικοί Αλγόριθµοι Σχεδιασµός Αλγορίθµων Ακέραιος προγραµµατισµός Αποδοτικοί Αλγόριθµοι Μη Αποδοτικοί Αλγόριθµοι Θεωρία γράφων

Διαβάστε περισσότερα

ΤΕΛΟΣ 1ΗΣ ΑΠΟ 5 ΣΕΛΙ ΕΣ

ΤΕΛΟΣ 1ΗΣ ΑΠΟ 5 ΣΕΛΙ ΕΣ ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ - Γ ΗΜΕΡΗΣΙΩΝ ΝΕΟ ΣΥΣΤΗΜΑ ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΠΑΝΕΛΛΑΔΙΚΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΤΕΤΑΡΤΗ 15 ΙΟΥΝΙΟΥ 2016 - ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ

Διαβάστε περισσότερα

ΤΕΙ ΛΑΜΙΑΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑ ΥΠΟΛΟΓΙΣΤΩΝ

ΤΕΙ ΛΑΜΙΑΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑ ΥΠΟΛΟΓΙΣΤΩΝ ÌïëëÜ Ì. Á μýô Á.Ì. : 5 moll@moll.r ΤΕΙ ΛΑΜΙΑΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑ ΥΠΟΛΟΓΙΣΤΩΝ ΜΑΘΗΜΑ : ΕΙΣΑΓΩΓΗ ΣΤΟ ΔΙΑΔΙΚΤΥΟ (ΕΡΓΑΣΤΗΡΙΟ) Ε ΕΞΑΜΗΝΟ ΕΙΣΗΓΗΤΕΣ: Χαϊδόγιαννος Χαράλαμπος ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ

Διαβάστε περισσότερα

Αλγόριθμοι και Δομές Δεδομένων (IΙ) (γράφοι και δένδρα)

Αλγόριθμοι και Δομές Δεδομένων (IΙ) (γράφοι και δένδρα) Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών 2016-17 Αλγόριθμοι και Δομές Δεδομένων (IΙ) (γράφοι και δένδρα) http://mixstef.github.io/courses/csintro/ Μ.Στεφανιδάκης Αφηρημένες

Διαβάστε περισσότερα

ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH

ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Η/Υ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Διοίκηση Παραγωγής & Συστημάτων Υπηρεσιών ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Περιεχόμενα

Διαβάστε περισσότερα

Υπολογιστικό Πρόβληµα

Υπολογιστικό Πρόβληµα Υπολογιστικό Πρόβληµα Μετασχηµατισµός δεδοµένων εισόδου σε δεδοµένα εξόδου. Δοµή δεδοµένων εισόδου (έγκυρο στιγµιότυπο). Δοµή και ιδιότητες δεδοµένων εξόδου (απάντηση ή λύση). Τυπικά: διµελής σχέση στις

Διαβάστε περισσότερα

Αλγόριθµοι Εκτίµησης Καθυστέρησης και

Αλγόριθµοι Εκτίµησης Καθυστέρησης και Αλγόριθµοι Εκτίµησης Καθυστέρησης και Βελτιστοποίησης Εισαγωγή Το κύριο πρόβληµα στην σχεδίαση κυκλωµάτων είναι η επίτευξη της µέγιστης απόδοσης για την δεδοµένη τεχνολογία. Μεγιστοποίηση απόδοσης: (α)

Διαβάστε περισσότερα

ΠΛΗ 405 Τεχνητή Νοηµοσύνη

ΠΛΗ 405 Τεχνητή Νοηµοσύνη ΠΛΗ 405 Τεχνητή Νοηµοσύνη Ικανο οίηση Περιορισµών Constraint Satisfaction Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Το ική αναζήτηση αναρρίχηση λόφων προσοµοιωµένη

Διαβάστε περισσότερα

Δομές Δεδομένων και Αλγόριθμοι

Δομές Δεδομένων και Αλγόριθμοι Δομές Δεδομένων και Αλγόριθμοι Χρήστος Γκόγκος ΤΕΙ Ηπείρου Χειμερινό Εξάμηνο 2014-2015 Παρουσίαση 19 Hashing - Κατακερματισμός 1 / 23 Πίνακες απευθείας πρόσβασης (Direct Access Tables) Οι πίνακες απευθείας

Διαβάστε περισσότερα

Κεφάλαιο 5. Αλγόριθµοι Αναζήτησης σε Παίγνια ύο Αντιπάλων. Τεχνητή Νοηµοσύνη - Β' Έκδοση

Κεφάλαιο 5. Αλγόριθµοι Αναζήτησης σε Παίγνια ύο Αντιπάλων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Κεφάλαιο 5 Αλγόριθµοι Αναζήτησης σε Παίγνια ύο Αντιπάλων Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Αλγόριθµοι Αναζήτησης σε Παίγνια ύο Αντιπάλων

Διαβάστε περισσότερα

Περιεχόμενα Πρόλογος 1. Εισαγωγή 2. Τα Βασικά Μέρη ενός Προγράμματος Prolog

Περιεχόμενα Πρόλογος 1. Εισαγωγή 2. Τα Βασικά Μέρη ενός Προγράμματος Prolog Περιεχόμενα Πρόλογος... xxv 1. Εισαγωγή... 1 1.1. Ιστορική Εξέλιξη της Prolog.... 2 1.2. Προστακτικός και Δηλωτικός Προγραμματισμός.... 2 1.3. Δηλωτική και διαδικαστική έννοια ενός προγράμματος Prolog....

Διαβάστε περισσότερα

Παραλλαγές του Προβλήματος Μεταφοράς Το Πρόβλημα Μεταφόρτωσης και το Πρόβλημα Αναθέσεων Γεωργία Φουτσιτζή ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα

Παραλλαγές του Προβλήματος Μεταφοράς Το Πρόβλημα Μεταφόρτωσης και το Πρόβλημα Αναθέσεων Γεωργία Φουτσιτζή ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα Τμήμα Μηχανικών Πληροφορικής ΤΕ 2016-2017 Παραλλαγές του Προβλήματος Μεταφοράς Το Πρόβλημα Μεταφόρτωσης και το Πρόβλημα Αναθέσεων Γεωργία Φουτσιτζή ΤΕΙ Ηπείρου Επιχειρησιακή Έρευνα To Πρόβλημα Μεταφοράς

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Τελικές εξετάσεις 20 Ιανουαρίου 2005 ιάρκεια: 3 ώρες (15:00-18:00)

Διαβάστε περισσότερα

Περιεχόµενα. ΜΕΡΟΣ Α: Επίλυση Προβληµάτων... 17

Περιεχόµενα. ΜΕΡΟΣ Α: Επίλυση Προβληµάτων... 17 ΠΡΟΛΟΓΟΣ... I ΠΡΟΛΟΓΟΣ ΤΩΝ ΣΥΓΓΡΑΦΕΩΝ...III ΣΥΝΟΠΤΙΚΗ ΠΑΡΟΥΣΙΑΣΗ ΠΕΡΙΕΧΟΜΕΝΩΝ... IX ΠΕΡΙΕΧΟΜΕΝΑ... XI 1 ΕΙΣΑΓΩΓΗ... 1 1.1 ΤΙ ΕΙΝΑΙ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ... 1 1.1.1 Ορισµός της Νοηµοσύνης... 2 1.1.2 Ορισµός

Διαβάστε περισσότερα

ΥΣ02 Τεχνητή Νοημοσύνη Χειμερινό Εξάμηνο

ΥΣ02 Τεχνητή Νοημοσύνη Χειμερινό Εξάμηνο ΥΣ02 Τεχνητή Νοημοσύνη Χειμερινό Εξάμηνο 2010-2011 Πρώτη Σειρά Ασκήσεων (20% του συνολικού βαθμού στο μάθημα, Άριστα = 390 μονάδες) Ημερομηνία Ανακοίνωσης: 6/10/2010 Ημερομηνία Παράδοσης: 15/11/2010 σύμφωνα

Διαβάστε περισσότερα

Ζητήματα ηήμ με τα δεδομένα

Ζητήματα ηήμ με τα δεδομένα Ζητήματα ηήμ με τα δεδομένα Ποιότητα Απαλοιφή θορύβου Εντοπισμός ανωμαλιών λώ Ελλιπείς τιμές Μετασχηματισμός Κβάντωση Μείωση μεγέθους Γραμμών: ειγματοληψία Στηλών: Ιδιοδιανύσματα, Επιλογή χαρακτηριστικών

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Αλγόριθμοι Τοπικής Αναζήτησης στον Προγραμματισμό με Περιορισμούς Γεώργιος Καστρίνης

Διαβάστε περισσότερα

max c 1 x 1 + c 2 x c n x n υπό a 11 x 1 + a 12 x a 1n x n b 1 a 21 x 1 + a 22 x a 2n x n b 2 a m1 x 1 + a m2 x a mn x n b m

max c 1 x 1 + c 2 x c n x n υπό a 11 x 1 + a 12 x a 1n x n b 1 a 21 x 1 + a 22 x a 2n x n b 2 a m1 x 1 + a m2 x a mn x n b m Υπολογιστικές Μέθοδοι στη Θεωρία Αποφάσεων Ενότητα 10 Εισαγωγή στον Ακέραιο Προγραμματισμό Αντώνης Οικονόμου Τμήμα Μαθηματικών Πανεπιστήμιο Αθηνών Προπτυχιακό πρόγραμμα σπουδών 29 Φεβρουαρίου 2016 Προβλήματα

Διαβάστε περισσότερα

Δέντρα Απόφασης (Decision(

Δέντρα Απόφασης (Decision( Δέντρα Απόφασης (Decision( Trees) Το μοντέλο που δημιουργείται είναι ένα δέντρο Χρήση της τεχνικής «διαίρει και βασίλευε» για διαίρεση του χώρου αναζήτησης σε υποσύνολα (ορθογώνιες περιοχές) Ένα παράδειγμα

Διαβάστε περισσότερα

Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων ομές εδομένων

Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων ομές εδομένων Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων 6. Δυαδικά Δέντρα 2 ομές εδομένων 4 5 Χρήστος ουλκερίδης Τμήμα Ψηφιακών Συστημάτων 18/11/2016 Εισαγωγή Τα

Διαβάστε περισσότερα

Αριθµητική Ανάλυση 1 εκεµβρίου / 43

Αριθµητική Ανάλυση 1 εκεµβρίου / 43 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 1 / 43 Κεφ.5. Αριθµητικός Υπολογισµός Ιδιοτιµών και Ιδιοδιανυσµάτων ίνεται ένας πίνακας A C n n και Ϲητούνται να προσδιορισθούν οι

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 5η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 5η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 5η διάλεξη (2017-18) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται στα βιβλία Τεχνητή Νοημοσύνη των Βλαχάβα κ.ά., 3η έκδοση, Β. Γκιούρδας

Διαβάστε περισσότερα

ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΚΑΙ ΜΕΘΟΔΟΣ SIMPLEX, διαλ. 3. Ανωτάτη Σχολή Παιδαγωγικής και Τεχνολογικής Εκπαίδευσης 29/4/2017

ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΚΑΙ ΜΕΘΟΔΟΣ SIMPLEX, διαλ. 3. Ανωτάτη Σχολή Παιδαγωγικής και Τεχνολογικής Εκπαίδευσης 29/4/2017 ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΚΑΙ ΜΕΘΟΔΟΣ SIMPLEX, διαλ. 3 Ανωτάτη Σχολή Παιδαγωγικής και Τεχνολογικής Εκπαίδευσης 29/4/2017 ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Bέλτιστος σχεδιασμός με αντικειμενική συνάρτηση και περιορισμούς

Διαβάστε περισσότερα