ΚΕΦΑΛΑΙΟ 15 Βασικές Αρχές και Τεχνικές Σχεδιασµού

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ΚΕΦΑΛΑΙΟ 15 Βασικές Αρχές και Τεχνικές Σχεδιασµού"

Transcript

1 ΚΕΦΑΛΑΙΟ 15 Βασικές Αρχές και Τεχνικές Σχεδιασµού Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου

2 Σχεδιασµός Ενεργειών (Planning) Προβλήµατα σχεδιασµού ενεργειών (planning problems) είναι αυτά στα οποία είναι πλήρως γνωστή η τελική κατάσταση και επιδιώκεται η εύρεση µιας ακολουθίας ενεργειών, µέσω της διαδικασίας του σχεδιασµού ενεργειών (planning). Η ακολουθία των ενεργειών που αποτελεί τη λύση ενός προβλήµατος σχεδιασµού, ονοµάζεται πλάνο (plan) ενώ το πρόγραµµα που την παράγει ονοµάζεται σχεδιαστής (planner). Οι κλασσικοί αλγόριθµοι αναζήτησης είναι ανεπαρκείς για την αντιµετώπισή τους. Σηµαντικό θέµα είναι ο ορισµός µίας γλώσσας περιγραφής προβληµάτων, που να υποστηρίζει την εφαρµογή κατάλληλων αλγορίθµων. Τεχνητή Νοηµοσύνη, B' Έκδοση 2

3 Θέµατα που θα εξεταστούν Αναπαράσταση προβληµάτων- Το µοντέλο STRIPS Σχεδιασµός µε Αναζήτηση στο Χώρο των Καταστάσεων Σχεδιασµός µε Αναζήτηση στο Χώρο των Πλάνων Εκτέλεση Πλάνων από Πράκτορες Σχεδιαστές Τεχνητή Νοηµοσύνη, B' Έκδοση 3

4 Αναπαράσταση Προβληµάτων Ένα πρόβληµα σχεδιασµού ορίζεται από τρεις περιγραφές: Της αρχικής κατάστασης (Initial). Των στόχων (Goals). Των διαθέσιµων ενεργειών (Actions). Η προτασιακή λογική δεν µπορεί να εκφράσει γενικότητα, Η κατηγορηµατική λογική πρώτης τάξης δεν µπορεί να περιγράψει ενέργειες µε µη προκαθορισµένα αποτελέσµατα. Όσο πιο εκφραστική είναι µια αναπαράσταση, τόσο δυσκολότερη είναι η κατασκευή ενός συστήµατος σχεδιασµού για την αντιµετώπιση προβληµάτων, ενώ παράλληλα αυξάνεται και ο χρόνος για την επίλυσή τους. Τεχνητή Νοηµοσύνη, B' Έκδοση 4

5 Το Μοντέλο STRIPS Stanford Research Institute Planning System Προτάθηκε το 1971, (Fikes και Nilsson), για ένα µικρό ροµπότ (Shakey), για την εκτέλεση απλών ενεργειών. Απλό µοντέλο. Με στοιχεία προτασιακής λογικής Κατάλληλο για προβλήµατα όπου δεν εµφανίζεται αβεβαιότητα. Στην αρχική του µορφή δεν υποστήριζε την αναπαράσταση χρονικών και άλλων περιορισµών. Τεχνητή Νοηµοσύνη, B' Έκδοση 5

6 Μοντέλο STRIPS Παραδοχές Στο STRIPS γίνονται οι παρακάτω παραδοχές: Αδιαίρετες ενέργειες (indivisible actions) Προκαθορισµένα αποτελέσµατα (deterministic effects). Πλήρης γνώση (omniscience). Υπόθεση κλειστού συστήµατος (closed world assumption). Στατικός κόσµος (static world). Τεχνητή Νοηµοσύνη, B' Έκδοση 6

7 Αναπαράσταση Καταστάσεων Στο STRIPS οι καταστάσεις ορίζονται σαν σύνολα από συγκεκριµένα γεγονότα (ή προτάσεις) που αληθεύουν. Παράδειγµα: A C Α B B C Αρχική κατάσταση Τελική κατάσταση Αρχική κατάσταση: block(a) block(b) block(c) on(a,table) on(c,a) on(b,table) clear(b) clear(c) Τελική κατάσταση: on(b,c) on(a,b) Τεχνητή Νοηµοσύνη, B' Έκδοση 7

8 Παράδειγµα: Eνα τυπικό πρόβληµα µεταφοράς φορτίων σαν πρόβληµα εφοδιαστικής (logistics) Αρχική Κατάσταση Τελική Κατάσταση αεροδρόµιο Μακεδονία αεροδρόµιο Ελ.Βενιζέλος truck2 αεροδρόµιο Μακεδονία truck1 αεροδρόµιο Ελ.Βενιζέλος Λιµάνι truck1 pack1 Οµόνοια Λιµάνι Οµόνοια pack1 truck2 Θεσ/νίκη Αθήνα Θεσ/νίκη Αθήνα Στόχος είναι η µεταφορά του φορτίου από το κέντρο της Θεσσαλονίκης στο κέντρο των Αθηνών. Τεχνητή Νοηµοσύνη, B' Έκδοση 8

9 Αρχική κατάσταση: Παράδειγµα Αναπαράσταση Καταστάσεων city(thessalonini) location(harbor) location(makedonia) at_city(harbor,thessaloniki) airport(makedonia) truck(truck1) at(truck1, harbor) at(pack1, harbor) Τελική κατάσταση: city(thessalonini) location(harbor) location(makedonia) at_city(harbor,thessaloniki) airport(makedonia) truck(truck1) at(truck1, makedonia) at(pack1, omonοia) Αναπαράσταση Ενεργειών Στην STRIPS αναπαράσταση, µια ενέργεια (action) a περιγράφεται µε τρεις λίστες γεγονότων: Λίστα προϋποθέσεων (Precondition list, Pre(a)) Λίστα προσθήκης (Add list, Add(a)) Λίστα διαγραφής (Delete list, Del(a)) Del(a) Pre(a). Τεχνητή Νοηµοσύνη, B' Έκδοση 9

10 Αναπαράσταση Ενεργειών: Παράδειγµα Όνοµα ενέργειας move_c_from_a_to_table µετακίνησε τον κύβο C από τον κύβο Α στο τραπέζι Λίστα προϋποθέσεων block(a), block(c), clear(c), on(c,a) Λίστα προσθήκης Λίστα διαγραφής clear(a), on(c,table) on(c,a) Αρχική Κατάσταση Τελική Κατάσταση block(a) block(a) block(c) block(c) clear(c) clear(a) on(c,a) on(c,table) : : : : C Α Αρχική κατάσταση Α C Τελική κατάσταση Τεχνητή Νοηµοσύνη, B' Έκδοση 10

11 Σχήµατα Ενεργειών Οι ενέργειες, συνηθίζεται να οµαδοποιούνται σε σχήµατα ενεργειών (action schemas) ή τελεστές (operators). Με ανάθεση τιµών στις µεταβλητές τους γίνονται κανονικές ενέργειες. Τεχνητή Νοηµοσύνη, B' Έκδοση 11

12 Παράδειγµα Ενέργειες στον κόσµο των κύβων Όνοµα (σχήµατος) ενέργειας Λίστα προϋποθέσεων Λίστα προσθήκης Λίστα διαγραφής move_x_from_y_to_table µετακίνησε έναν κύβο Χ από τον κύβο Υ στο τραπέζι block(χ), block(υ), clear(χ), on(χ,y) clear(υ), on(χ,table) on(χ,υ) Τεχνητή Νοηµοσύνη, B' Έκδοση 12

13 Παράδειγµα Ενέργειες στη µεταφορά φορτίων Στο πρόβληµα των φορτίων οι επιτρεπτές ενέργειες είναι: Φόρτωσε το φορτίο στο φορτηγό. Ξεφόρτωσε το φορτίο από το φορτηγό. Φόρτωσε το φορτίο στο αεροπλάνο. Ξεφόρτωσε το φορτίο από το αεροπλάνο. Μετακίνησε το φορτηγό. Μετακίνησε το αεροπλάνο. Όνοµα σχήµατος ενέργειας Λίστα προϋποθέσεων Λίστα προσθηκών Λίστα διαγραφών load_truck(t,p,l) (φόρτωσε το φορτίο P στο φορτηγό Τ στην τοποθεσία L) package(p), truck(t), location(l), at(t,l), at(p,l) in(p,t) at(p,l) Τεχνητή Νοηµοσύνη, B' Έκδοση 13

14 Πρόβληµα σχεδιασµού (Planning problem) Ορισµός Ένα πρόβληµα σχεδιασµού P αναπαριστάται µε P=(Actions, Initial, Goals), Το πρόβληµα συνίσταται στην εύρεση ενός πλάνου a 1, a 2,..., a N. Για να είναι εφαρµόσιµη µια ενέργεια a σε µια κατάσταση S πρέπει να ισχύει: Pre(a) S Η κατάσταση S' που προκύπτει µετά την εφαρµογή της a ορίζεται ως: S ' = result(s, a) = S - Del(a) Add(a) Οι ακολουθίες ενεργειών ονοµάζονται πλάνα (plans). Ένα πλάνο το οποίο µπορεί να εφαρµοστεί στην αρχική κατάσταση ονοµάζεται έγκυρο πλάνο (valid plan). Ένα έγκυρο πλάνο το οποίο πετυχαίνει τους στόχους ονοµάζεται λύση (solution) του προβλήµατος σχεδιασµού. Ένα πρόβληµα σχεδιασµού µπορεί να έχει µία ή περισσότερες ή καµία λύση. Τεχνητή Νοηµοσύνη, B' Έκδοση 14

15 ιαγραµµατική Αναπαράσταση πλάνων (1/2) ιαγραµµατική αναπαράσταση ενέργειας: Προϋποθέσεις move_c_from_a_to_table block(c) block(a) on(c,a) clear(c) - on(c,a) + on(c,table) ιαγραµµατική αναπαράσταση πλάνου µε δίκτυο ενεργειών (procedural network). move_c_from_a_to_table Αποτελέσµατα + Add - Del move_b_from_table_to_c C Α B Αρχική κατάσταση move_a_from_table_to_b A B C Τελική κατάσταση block(c) block(a) on(c,a) clear(c) - on(c,a) + on(c,table) + clear(a) block(b) - on(table,b) block(c) - clear(c) on(table,b) + on(b,c) clear(b) clear(c) block(a) block(b) on(table,a) clear(a) clear(b) - on(table,a) - clear(b) + on(a,b) IS S1 S2 FS Τεχνητή Νοηµοσύνη, B' Έκδοση 15

16 Παράδειγµα: Πλάνα στη µεταφορά φορτίων Πλάνο τριών ενεργειών, το οποίο µετακινεί το φορτίο pack1 από τη θέση harbor της Θεσσαλονίκης στη θέση αεροδρόµιο makedonia της Θεσσαλονίκης, µε τη χρήση του φορτηγού truck1. load_truck(pack1,truck1,harbor) truck(truck1) package(pack1) location(harbor) at(truck1,harbor) at(pack1,harbor) - at(pace1,harbor) + in(pack1,truck1) move_truck(truck1,harbor, makedonia,thessaloniki) truck(truck1) location(harbor) location(makedonia) city(thessaloniki) at_city(harbor,thessaloniki) at_city(makedonia,thessaloniki) at(truck1,harbor) - at(truck1,harbor) + at(truck1,makedonia) unload_truck(pack1,truck1,makedonia) truck(truck1) package(pack1) location(makedonia) at(truck1,makedonia) in(pack1,truck1) - in(pack1,truck1) + at(pack1,makedonia) START S 1 S 2 END υναµικά Γεγονότα: at(truck1,harbor) at(pack1,harbor) υναµικά Γεγονότα: at(truck1,harbor) in(pack1,truck1) υναµικά Γεγονότα: at(truck1,makedonia) in(pack1,truck1) υναµικά Γεγονότα: at(truck1,makedonia) at(pack1,makedonia) Στατικά Γεγονότα: truck(truck1), truck(truck2), package(pack1), location(harbor), location(makedonia), location(omonoia), location(venizelos), plane(plane1), at_city(harbor, thessaloniki), at_city(makedonia, thessaloniki), at_city(omonoia, athens), at_city(venizelos, athens), airport(makedonia), airport(venizelos) Τεχνητή Νοηµοσύνη, B' Έκδοση 16

17 ιαγραµµατική Αναπαράσταση πλάνων (2/2) ιαγραµµατική αναπαράσταση πλάνου µε ραβδόγραµµα (Gantt bar chart). Χρόνος σε ώρες load_truck(truck1, package1, center1) move_truck(truck1, center1, airport1, city1) unload_truck(truck1, package1, airport1) fly_airplane(plane1, airport2, airport1) Γραµµικό πλάνο (linear plan): Υπάρχει αυστηρή διαδοχή των ενεργειών. Μη-γραµµικό πλάνο (non-linear plan): εν υπάρχει αυστηρή διαδοχή ενεργειών, αλλά υπάρχει η δυνατότητα δύο ενέργειες να εκτελούνται παράλληλα. Τεχνητή Νοηµοσύνη, B' Έκδοση 17

18 Αναπαράσταση STRIPS Μειονεκτήµατα εν αναφέρει το χρόνο κατά τον οποίο ισχύουν τα γεγονότα. εν µπορεί να περιγράψει συνεχείς µεταβολές. Θεωρεί πλήρη βεβαιότητα για την ισχύ των γεγονότων. εν είναι πλήρης. Τεχνητή Νοηµοσύνη, B' Έκδοση 18

19 Σχεδίαση µε λογισµό καταστάσεων Situation Calculus Επικρατούσε πριν από το σχεδιαστή STRIPS. Κάθε ενέργεια έπρεπε να ορίζει µε σαφήνεια ολόκληρη την κατάσταση που θα έχει ο κόσµος µετά την εκτέλεσή της. Για κάθε ενέργεια γράφονταν πάρα πολλά αξιώµατα, τα λεγόµενα αξιώµατα του πλαισίου (frame axioms), τα οποία καθόριζαν ποιες από τις προτάσεις του πλαισίου του προβλήµατος παρέµεναν ανεπηρέαστες κατά την εκτέλεση της ενέργειας (πρόβληµα του πλαισίου - frame problem). Η αναπαράσταση των ενεργειών στον STRIPS θεωρεί ότι όλες οι υπόλοιπες προτάσεις παραµένουν ανεπηρέαστες. Τεχνητή Νοηµοσύνη, B' Έκδοση 19

20 Σχεδιασµός µε Αναζήτηση στο Χώρο των Καταστάσεων (state- Χρησιµοποίηση ενός από τους Α C γνωστούς αλγορίθµους B αναζήτησης. Οι αντίστοιχοι σχεδιαστές ονοµάζονται σχεδιαστές χώρου καταστάσεων space planners). Α C B B A C C B Α B Α C Α C A B B Α B C Α C B C Αρχική Κατάσταση Τελική Κατάσταση Α B C B Α C C Α B B A C Τεχνητή Νοηµοσύνη, B' Έκδοση 20

21 Είδη ιάσχισης Ορθή διάσχιση (progression) Ανάστροφη διάσχιση (regression) Αναφέρεται και ως: Τεχνική ανάλυσης των µέσων και των στόχων (means-ends analysis): ιάσχιση ιπλής Κατεύθυνσης (bi-directional) Ορθή ιάσχιση Αρχίζοντας από την αρχική κατάσταση εφαρµόζονται όλες οι ενέργειες που µπορούν να εφαρµοστούν και δηµιουργούν νέες καταστάσεις. Έστω µια αρχική κατάσταση (I), ένα σύνολο στόχων (G) και ένα σύνολο ενεργειών. Επιλέγεται µια ενέργεια a της οποίας οι προϋποθέσεις της εµπεριέχονται (είναι υποσύνολο) στην αρχική κατάσταση IS. Ύστερα από την εφαρµογή της ενέργειας, προκύπτει µια νέα κατάσταση S: S = I - Del(a) Add(a) Η διαδικασία εφαρµόζεται επαναληπτικά στη νέα κατάσταση S, µέχρις ότου βρεθεί µια κατάσταση που είναι υπερσύνολο (εµπεριέχει) των στόχων. Τεχνητή Νοηµοσύνη, B' Έκδοση 21

22 Ανάστροφη ιάσχιση Στην περίπτωση αυτή, η διάσχιση γίνεται από τους στόχους προς την αρχική κατάσταση. Έστω µια αρχική κατάσταση (I), ένα σύνολο στόχων (G) και ένα σύνολο ενεργειών. Επιλέγεται µια ενέργεια a, τέτοια ώστε κανένα από τα γεγονότα που αυτή διαγράφει να µην εµφανίζεται στην τελική κατάσταση, ενώ πρέπει να εµφανίζεται τουλάχιστον ένα από τα γεγονότα που αυτή προσθέτει. Del(a) G = και Add(a) G Το σύνολο των στόχων αναθεωρείται: G' = Pre(a) G - Add(a) Η διαδικασία εφαρµόζεται επαναληπτικά στο νέο σύνολο στόχων (G ), µέχρις ότου βρεθεί ένα σύνολο γεγονότων που να είναι υποσύνολο της αρχικής κατάστασης. Τα σηµεία επιλογής των ενεργειών είναι σηµεία οπισθοδρόµησης backtracking points). Τεχνητή Νοηµοσύνη, B' Έκδοση 22

23 Παράδειγµα Ένα πρόβληµα κίνησης και λαβής από ροµπότ : START={robot(robby) room(rooma) room(roomb) ball(greyball) at(robby,roomb) at(greyball,roomb) free(robby)} greyball END = {at(greyball,rooma)}. rooma roomb robby Οι τελεστές είναι: move (R, X, Y) robot(r) room(x) room(y) at(r,x) - at(r,x) + at(r,y) pick_ball (R,B,X) robot(r) ball(b) room(x) at(r,x) at(b,x) free(r) - at(b,x) - free(r) + has(r,b) drop_ball (R,B,X) robot(r) ball(b) room(x) at(r,x) has(r,b) - has(r,b) + at(b,x) + free(r) Τεχνητή Νοηµοσύνη, B' Έκδοση 23

24 Επίλυση µε ορθή διάσχιση (1/2) Βήµα 1: Καθώς prec(a 1 ) START και prec(a 2 ) START, µπορεί να εφαρµοστούν οι εξής δύο ενέργειες: A 1 = move(robby,roomb,rooma) A 2 = pick_ball(robby,greyball,roomb) Έστω ότι ο αλγόριθµος αναζήτησης επιλέγει την ενέργεια A 1 : S A = START del(a 1 ) add(a 1 ) = { robot(robby) room(rooma) room(roomb) ball(greyball) at(robby,rooma) at(greyball,roomb) free (robby) } Βήµα 2: Στην κατάσταση S A µπορεί να εφαρµοστεί µόνο η ενέργεια: A 3 =move(robby, roomα, roomβ) από την οποία προκύπτει η κατάσταση: S B = { robot(robby) room(rooma) room(roomb) ball(greyball) at(robby, roomb) at(greyball, roomb) free (robby) } Τεχνητή Νοηµοσύνη, B' Έκδοση 24

25 Επίλυση µε ορθή διάσχιση (2/2) Βήµα 3: Ο αλγόριθµος επιλέγει την ενέργεια Α 2 και προκύπτει η κατάσταση: S C = START del(a 2 ) add(a 2 ) = { robot(robby) room(rooma) room(roomb) ball(greyball) at(robby, rooma) has(robby, greyball) } Η ίδια διαδικασία επαναλαµβάνεται µέχρι να βρεθεί κατάσταση S F για την οποία να ισχύει END S F. Ένα πλάνο είναι: pick_ball(robby, greyball,roomb) robot(robby) ball(greyball) room(roomb) at(robby,roomb) at(greyball,roomb) free(robby) - free(robby) - at(ball,roomb) + has(robby,greyball) move(robby,roomb,rooma) robot(robby) room(rooma) room(roomb) at(robby,roomb - at(robby,roomb) + at(robby,rooma) drop_ball(robby, greyball,rooma) robot(robby) ball(greyball) room(rooma) at(robby,rooma) has(robby,greyball)) - has(robby, greyball) + free(robby) + at(ball,rooma) START S 1 S 2 END υναµικά Γεγονότα: at(robby,roomb) at(greyball,roomb) free(robby) υναµικά Γεγονότα: at(robby,roomb) has(robby,greyball) υναµικά Γεγονότα: at(robby,rooma) has(robby,greyball) υναµικά Γεγονότα: at(robby,rooma) at(greyball,rooma) free(robby) Στατικά Γεγονότα: robot(robby), room(rooma), room(roomb), ball(greyball) Τεχνητή Νοηµοσύνη, B' Έκδοση 25

26 Επίλυση µε ανάστροφη διάσχιση (1/2) Βήµα 1: Η µοναδική ενέργεια που προσθέτει το στόχο at(greyball,rooma) είναι η: A 1 = drop_ball(robby,greyball,rooma) Προκύπτει το νέο σύνολο στόχων G A : G A = Pre(A 1 ) END Add(A 1 ) = { at(robby, rooma), has(robby, greyball) } Βήµα 2: Στο σύνολο G A µπορεί να εφαρµοστούν ανάστροφα οι ενέργειες: A 2 = move(robby, roomb, rooma) A 3 = pick_ball(robby, greyball, roomb) A 4 = pick_ball(robby, greyball, rooma). Έστω ότι επιλέγεται η ενέργεια A 3, οπότε: G B = {at(robby,rooma), at(robby,roomb), at(greyball,roomb), free(robby)} Εύκολα όµως προκύπτει ότι το G B δεν είναι έγκυρο, καθώς τα γεγονότα: at(robby, rooma) και at(robby, roomb) είναι ασύµβατα µεταξύ τους. Ο αλγόριθµος οπισθοδροµεί στο προηγούµενο βήµα. Τεχνητή Νοηµοσύνη, B' Έκδοση 26

27 Επίλυση µε ανάστροφη διάσχιση (2/2) Βήµα 3: Έστω ότι επιλέγεται η ενέργεια Α 2, οπότε προκύπτει: G C = { at(rrobby, roomb), has(robby, greyball) } Η ίδια διαδικασία επαναλαµβάνεται µέχρι να βρεθεί σύνολο στόχων, το οποίο να περιέχει όλα τα δυναµικά γεγονότα της αρχικής κατάστασης. Το πλάνο που τελικά θα προκύψει από την ανάστροφη διάσχιση, ταυτίζεται µε αυτό της ορθής. Τεχνητή Νοηµοσύνη, B' Έκδοση 27

28 Σύγκριση Ορθής και Ανάστροφης ιάσχισης Οι δύο κατευθύνσεις εµφανίζουν την ίδια τάξη πολυπλοκότητας. Οι δύο κατευθύνσεις θα εκτελέσουν τον ίδιο αριθµό επαναλήψεων. Ωστόσο, σε µια πραγµατική υλοποίηση δεν υπάρχει απόλυτη επιτυχία στην επιλογή των σωστών ενεργειών, οπότε αυτό το οποίο επηρεάζει σηµαντικά τον όγκο της αναζήτησης είναι ο αριθµός των εφαρµόσιµων ενεργειών παράγοντας διακλάδωσης (branching factor) σε κάθε κατάσταση του χώρου καταστάσεων, οι οποίες και πρέπει να ελεγχθούν κατά την αναζήτηση. Αν υποτεθεί ότι η µέση τιµή του είναι παράγοντα διακλάδωσης b, τότε η πολυπλοκότητα του προβλήµατος της αναζήτησης είναι της τάξης του O(bn), όπου n το µήκος της λύσης. Η ανάστροφη διάσχιση είναι συνήθως αποτελεσµατικότερη. Τεχνητή Νοηµοσύνη, B' Έκδοση 28

29 Σχεδιασµός µε Αναζήτηση στο Χώρο των Πλάνων Στο σχεδιασµό στο χώρο των καταστάσεων θεωρήθηκε ότι οι ενέργειες των πλάνων είναι πλήρως διατεταγµένες, τα δε πλάνα παράγονται προσθέτοντας νέες ενέργειες. Τα πλάνα αυτά χαρακτηρίζονται ως γραµµικά πλάνα (linear plans) ή πλάνα πλήρους διάταξης (totally ordered plans). Η αναζήτηση στο χώρο των πλάνων (plan space) χρησιµοποιεί τους γνωστούς αλγορίθµους αναζήτησης, ωστόσο: Το µέτωπο αναζήτησης περιέχει ηµιτελή πλάνα. Τα ηµιτελή πλάνα είναι σύνολα από ενέργειες, όχι απαραίτητα συγκεκριµένες και όχι απαραίτητα πλήρως διατεταγµένες στο χρόνο. Η αναζήτηση ξεκινά από κενό πλάνο ενώ η λύση είναι το πλάνο του τελικού κόµβου. Αρχή της ελάχιστης δέσµευσης (least commitment principle): Οι ενέργειες δεν τοποθετούνται σε συγκεκριµένες θέσεις στο χρόνο και οι µεταβλητές τους δε δεσµεύονται σε συγκεκριµένες τιµές αντικειµένων, εφόσον δε συντρέχει λόγος. Οι σχεδιαστές που αναζητούν λύσεις στο χώρο των πλάνων αποκαλούνται: σχεδιαστές χώρου πλάνων (plan-space planners), µη-γραµµικοί σχεδιαστές (non-linear planners), σχεδιαστές µερικής διάταξης (partial order planners) αλλά και σχεδιαστές ελάχιστης δέσµευσης (least-commitment planners). Τεχνητή Νοηµοσύνη, B' Έκδοση 29

30 Αναπαράσταση Μη-Γραµµικών Πλάνων Ένα µη-γραµµικό πλάνο µε συγκεκριµένες ενέργειες ορίζεται ως µια τριάδα, (A,O,L), όπου: A είναι ένα σύνολο ενεργειών O είναι ένα σύνολο περιορισµών διάταξης (ordering constraints) L ένα σύνολο αιτιολογικών συνδέσεων (causal links) Για παράδειγµα, εάν A={a 1, a 2, a 3 }, τότε ένα πιθανό σύνολο περιορισµών διάταξης θα ήταν το O={a 1 <a 3, a 2 <a 3 }. Το παραπάνω σύνολο περιορισµών διάταξης είναι συµβατό µε τις πλήρεις διατάξεις a 1 <a 2 <a 3 αλλά και a 2 <a 1 <a 3. Τεχνητή Νοηµοσύνη, B' Έκδοση 30

31 Αιτιολογικές Συνδέσεις Μια αιτιολογική σύνδεση είναι µια δοµή µε δύο δείκτες σε ενέργειες του πλάνου, έστω a p και a c, και ένα γεγονός p. Μια αιτιολογική σύνδεση συµβολίζεται ως a p p ac. Το γεγονός p ανήκει τόσο στη λίστα προσθήκης της ενέργειας a p, όσο και στη λίστα προϋποθέσεων της ενέργειας a c. Η ενέργεια a p ονοµάζεται παραγωγός (producer) της σύνδεσης, ενώ η ενέργεια a c ονοµάζεται καταναλωτής (consumer) της σύνδεσης. Το L είναι το σύνολο όλων των αιτιολογικών συνδέσεων ενός πλάνου. Μια αιτιολογική σύνδεση δηλώνει ότι κατά το χρονικό διάστηµα µεταξύ της εκτέλεσης της ενέργειας a p και της ενέργειας a c, το γεγονός p αληθεύει συνεχώς. Για κάθε αιτιολογική σύνδεση της µορφής διάταξης a p <a c εισάγεται στο σύνολο O a p p ac του συνόλου L, ο περιορισµός a p a c + p p Τεχνητή Νοηµοσύνη, B' Έκδοση 31

32 Απειλές (Threats) p Έστω µια αιτιολογική σύνδεση a p ac και µια τρίτη ενέργεια a t A. Η ενέργεια a t p αποτελεί απειλή για την αιτιολογική σύνδεση a p ac, εάν: το σύνολο O {a p <a t <a c } είναι συνεπές, και p Del(a t ) Παράδειγµα απειλής και αντιµετώπισή της µε προβιβασµό και υποβιβασµό a p a c a p a c a t + p p + p p - p a t - p a t a p a c - p + p p Τεχνητή Νοηµοσύνη, B' Έκδοση 32

33 Μη Γραµµικά Πλάνα Ένα µη-γραµµικό πλάνο λέγεται πλήρες (complete), όταν: Κάθε ενέργεια που εµφανίζεται είτε σε κάποια αιτιολογική σύνδεση του συνόλου L ή σε κάποιον περιορισµό διάταξης του συνόλου O, αναφέρεται επίσης στο σύνολο των ενεργειών A. Για κάθε ενέργεια a A και για κάθε προϋπόθεση p Pre(a), υπάρχει µια αιτιολογική p σύνδεση της µορφής b a στο σύνολο L, όπου b A. P Αν το πλάνο περιέχει µία αιτιολογική σύνδεση b a και µια ενέργεια c που την απειλεί, στο σύνολο O υπάρχει είτε η διάταξη c<b ή η a<c. Μία τοπολογική διάταξη (topological sort) ενός µη-γραµµικού πλάνου είναι µία γραµµική ακολουθία των ενεργειών του, τέτοια ώστε: Η πρώτη ενέργεια στην ακολουθία είναι η START. Η τελευταία ενέργεια στην ακολουθία είναι η FINISH. p Για κάθε αιτιολογική σύνδεση b a, η ενέργεια b προηγείται της ενέργειας a. Για κάθε περιορισµό διάταξης b<a του συνόλου O, η ενέργεια b προηγείται της a. Τεχνητή Νοηµοσύνη, B' Έκδοση 33

34 Αλγόριθµος Παραγωγής Μερικώς ιατεταγµένων Πλάνων Αλγόριθµος POP( (A, O, L), Agenda) 1. Εάν Agenda=, επέστρεψε το πλάνο (A, O, L). 2. Έστω (q, a need ) ένα στοιχείο της Agenda (προφανώς ισχύει a need A και q Pre(a need )). 3. Έστω a add µια ενέργεια, τέτοια ώστε q Add(a add ). Η ενέργεια αυτή µπορεί είτε να είναι µια από τις ενέργειες του συνόλου A, τέτοια ώστε να µπορεί να διαταχθεί χρονικά πριν από την a need, ή να είναι µια νέα ενέργεια. Εάν δεν υπάρχει τέτοια ενέργεια, τότε επέστρεψε αποτυχία. Θέσε L'=L {a add q a need }, O'=O {a add <a need }. Εάν η ενέργεια a add είναι µια νέα ενέργεια, τότε A'=A {a add } και O'=O {START<a add <FINISH}, ειδάλλως A'=A. 4. Θέσε Agenda'=Agenda-{ q,a need }. Εάν η ενέργεια a add ήταν µια νέα ενέργεια, τότε για κάθε q i Pre(a add ) πρόσθεσε το στοιχείο q i,a add στην Agenda'. 5. Για κάθε ενέργεια a t A', η οποία µπορεί να αποτελέσει απειλή για κάποια αιτιολογική σύνδεση a p q a c L', υπολόγισε το νέο σύνολο περιορισµών διάταξης O', επιλέγοντας µια από τις παρακάτω δύο σχέσεις, ελέγχοντας ώστε το σύνολο O' να είναι συνεπές: O'=O {a t <a p } O'=O {a c <a t } Εάν σε καµία από τις παραπάνω δύο περιπτώσεις το σύνολο O' είναι συνεπές, επέστρεψε αποτυχία. 6. POP( (A', O', L'), Agenda') Τεχνητή Νοηµοσύνη, B' Έκδοση 34

35 Παράδειγµα (1/3) A C Α B B C Αρχική κατάσταση Τελική κατάσταση Μερικό πλάνο µε µια ενέργεια. START on(c,a) clear(b) clear(c) on(a,table) on(b,table) move-b-from-table-to-c clear(b) clear(c) on(b,table) - clear(c) - on(b,table) + on(b,c) END on(b,c) on(a,b) Τεχνητή Νοηµοσύνη, B' Έκδοση 35

36 Παράδειγµα (2/3) Μερικό πλάνο µε δύο ενέργειες. START on(c,a), clear(b) clear(c) on(a,table) on(b,table) move-b-from-table-to-c clear(b) clear(c) on(b,table) - clear(c) - on(b,table) + on(b,c) END on(b,c) on(a,b) move-α-from-table-to-β clear(b) clear(α) on(α table) - on(a, table) - clear(b) + on(a, b) Τεχνητή Νοηµοσύνη, B' Έκδοση 36

37 Παράδειγµα (3/3) Ενδεχόµενο τελικό πλάνο START on(c,a) clear(c) on(a,table) clear(b) on(b,table) move-c-from-a-table on(c,a) - on(c,a) clear(c) + clear(a) + on(c,table) move-α-from-table-to-β clear(a) clear(b) on(a,table) - clear(b) - on(a,table) + on(a,b) END on(a,b) on(b,c) move-b-from-table-to-c clear(c) clear(b) on(b,table) -clear(c) -on(b,table) +on(b,c) Τεχνητή Νοηµοσύνη, B' Έκδοση 37

38 Χρήση Μη-Συγκεκριµένων Ενεργειών Κατά την επιλογή µιας ενέργειας δεσµεύονται µόνο οι µεταβλητές αυτής που είναι απαραίτητες για την ενοποίηση ενός γεγονότος που η ενέργεια παράγει µε την αντίστοιχη µη υποστηριζόµενη προϋπόθεση µιας άλλης ενέργειας. Τεχνητή Νοηµοσύνη, B' Έκδοση 38

39 Εκτέλεση Πλάνων (1/2) Ένας σχεδιαστής αναλαµβάνει τη δηµιουργία ενός πλάνου έχοντας σαν βάση την αναπαράσταση του κόσµου σε µία δεδοµένη χρονική στιγµή, όπως την έχει δηµιουργήσει µέσω κάποιων αισθητήρων (sensors). Το πλάνο µετά τη δηµιουργία του µεταβιβάζεται στα απαραίτητα όργανα εκτέλεσης (effectors). Κατά τη διάρκεια δηµιουργίας του πλάνου ο κόσµος δεν παραµένει απαραίτητα ο ίδιος. Για να εκτελεστεί µία ενέργεια πρέπει ο πραγµατικός κόσµος να ανταποκρίνεται στις προϋποθέσεις της ενέργειας. Εκτέλεση σηµαίνει πώς τα αποτελέσµατα κάθε ενέργειας εµφανίζονται στον πραγµατικό κόσµο. Τεχνητή Νοηµοσύνη, B' Έκδοση 39

40 Σε περίπτωση αποτυχίας εκτέλεσης µιας ενέργειας µπορεί: Να επαναληφθεί η δηµιουργία του πλάνου µε νέα πλέον δεδοµένα. Να εκτελεστεί ένα εναλλακτικό πλάνο που είναι εφαρµόσιµο ή το ίδιο πλάνο από διαφορετικό σηµείο του. Να γίνει τροποποίηση του Εκτέλεση Πλάνων (2/2) Σχεδιαστής ηµιουργία Πλάνου Πλάνο Οργανα Εκτέλεσης πλάνου στα σηµεία όπου εµφανίζεται το πρόβληµα Πραγµατικός Κόσµος Αναπαράσταση του Κόσµου Νέα δεδοµένα Αισθητήρια Οργανα Τεχνητή Νοηµοσύνη, B' Έκδοση 40

Σχεδιασμός & Χρονοπρογραμματισμός Ενεργειών

Σχεδιασμός & Χρονοπρογραμματισμός Ενεργειών Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Τμήμα Πληροφορικής Πρόγραμμα Μεταπτυχιακών Σπουδών Σχεδιασμός & Χρονοπρογραμματισμός Ενεργειών Χειμερινό Εξάμηνο 2006-2007 Κεφάλαιο 2 Αναπαράσταση Προβλημάτων Σχεδιασμού

Διαβάστε περισσότερα

Σχεδιασµός Ενεργειών

Σχεδιασµός Ενεργειών Σχεδιασµός Ενεργειών! Σχεδιασµός είναι η εύρεση µιας ακολουθίας ενεργειών, οι οποίες αν εφαρµοσθούν σε µια δεδοµένη αρχική κατάσταση, προκαλούν την επίτευξη προκαθορισµένων στόχων. # Μεταφορά φορτίων #

Διαβάστε περισσότερα

Σχεδιασµός Ενεργειών

Σχεδιασµός Ενεργειών Σχεδιασµός Ενεργειών! Γενικά Αναπαράσταση STRIPS Αναζήτηση στο χώρο των καταστάσεων Αναζήτηση στο χώρο των πλάνων ιάφορες τεχνικές Γενικά (1/2) " Σχεδιασµός ενεργειών (planning) είναι η εύρεση µιας ακολουθίας

Διαβάστε περισσότερα

Σχεδιασµός Ενεργειών

Σχεδιασµός Ενεργειών Σχεδιασµός Ενεργειών Σχεδιασµός είναι η εύρεση µιας ακολουθίας ενεργειών, οι οποίες αν εφαρµοσθούν σε µια δεδοµένη αρχική κατάσταση, προκαλούν την επίτευξη προκαθορισµένων στόχων. Μεταφορά φορτίων Πλοήγηση

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

Σχεδιασµός ενεργειών

Σχεδιασµός ενεργειών Σχεδιασµός ενεργειών Μέρος 1: ιάρθρωση (1/2)! Περιγραφή προβληµάτων σχεδιασµού ενεργειών " Λογισµός καταστάσεων " Το µοντέλο STRIPS " Η γλώσσα PDDL! Επίλυση συµβολικών προβληµάτων σχεδιασµού ενεργειών

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

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

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

Σχεδιασµός. Planning. Το πρόβληµα τουσχεδιασµού

Σχεδιασµός. Planning. Το πρόβληµα τουσχεδιασµού Σχεδιασµός Planning Το πρόβληµα τουσχεδιασµού Κλασσικός σχεδιασµός: Πλήρως παρατηρήσιµα, αιτιοκρατικά, πεπερασµένα, στατικά και διακριτά περιβάλλοντα. Ευρετική συνάρτηση Αποσυνθέσιµα προβλήµατα Σχεδόν

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 ΜΑΚΕΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Τελικές εξετάσεις 25 Ιουνίου 2003 ιάρκεια: 2 ώρες α) Σε ποια περίπτωση

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

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

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

ΙΚΑΝΟΠΟΙΗΣΗ ΠΕΡΙΟΡΙΣΜΩΝ

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

Διαβάστε περισσότερα

Κεφάλαιο 17. Μελέτη Περιπτώσεων Συστηµάτων Σχεδιασµού. Τεχνητή Νοηµοσύνη - Β' Έκδοση

Κεφάλαιο 17. Μελέτη Περιπτώσεων Συστηµάτων Σχεδιασµού. Τεχνητή Νοηµοσύνη - Β' Έκδοση Κεφάλαιο 17 Μελέτη Περιπτώσεων Συστηµάτων Σχεδιασµού Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Γραµµικά Πλάνα µε Ανάστροφη ιάσχιση STRIPS (1/2)

Διαβάστε περισσότερα

Επίλυση προβλημάτων με αναζήτηση

Επίλυση προβλημάτων με αναζήτηση Επίλυση προβλημάτων με αναζήτηση Περιεχόμενα Μέθοδοι (πράκτορες) επίλυσης προβλημάτων Προβλήματα και Λύσεις Προβλήματα παιχνίδια Προβλήματα του πραγματικού κόσμου Αναζήτηση λύσεων Δέντρο αναζήτησης Στρατηγικές

Διαβάστε περισσότερα

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΕΙ Δυτικής Μακεδονίας ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ 2015-2016 Τεχνητή Νοημοσύνη Επίλυση προβλημάτων με αναζήτηση Διδάσκων: Τσίπουρας Μάρκος Εκπαιδευτικό Υλικό: Τσίπουρας Μάρκος http://ai.uom.gr/aima/ 2

Διαβάστε περισσότερα

Χαράλαμπος Κοπτίδης ΠΕΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ

Χαράλαμπος Κοπτίδης ΠΕΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Ατομική Διπλωματική Εργασία LAMSAT: ΕΝΟΠΟΙΗΣΗ ΕΥΡΕΤΙΚΉΣ ΚΑΙ ΠΡΟΤΑΣΙΑΚΗΣ ΑΝΑΖΗΤΗΣΗΣ ΓΙΑ ΠΡΟΒΛΗΜΑΤΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΔΡΑΣΗΣ Χαράλαμπος Κοπτίδης ΠΕΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΕΚΕΜΒΡΙΟΣ 2011 ΠΑΝΕΠΙΣΤΗΜΙΟ

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

Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Τεχνητή Νοημοσύνη. Ενότητα 6: Σχεδιασμός Ενεργειών

Πανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Τεχνητή Νοημοσύνη. Ενότητα 6: Σχεδιασμός Ενεργειών Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Τεχνητή Νοημοσύνη Ενότητα 6: Σχεδιασμός Ενεργειών Αν. καθηγητής Στεργίου Κωνσταντίνος kstergiou@uowm.gr Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών Άδειες

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

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

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 Ασάφεια (Fuzziness) Ποσοτικοποίηση της ποιοτικής πληροφορίας Οφείλεται κυρίως

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

Ε ανάληψη. Ορισµοί της Τεχνητής Νοηµοσύνης (ΤΝ) Καταβολές. Ιστορική αναδροµή. Πράκτορες. Περιβάλλοντα. κριτήρια νοηµοσύνης

Ε ανάληψη. Ορισµοί της Τεχνητής Νοηµοσύνης (ΤΝ) Καταβολές. Ιστορική αναδροµή. Πράκτορες. Περιβάλλοντα. κριτήρια νοηµοσύνης ΠΛΗ 405 Τεχνητή Νοηµοσύνη Αναζήτηση Search Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Ορισµοί της Τεχνητής Νοηµοσύνης (ΤΝ) κριτήρια νοηµοσύνης Καταβολές συνεισφορά

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

ΠΛΗ 405 Τεχνητή Νοηµοσύνη

ΠΛΗ 405 Τεχνητή Νοηµοσύνη ΠΛΗ 405 Τεχνητή Νοηµοσύνη Σύγχρονοι Αλγόριθµοι Σχεδιασµού Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Σχεδιασµός το πρόβληµα του σχεδιασµού γλώσσα αναπαράστασης

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

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

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

ΠΛΗ 405 Τεχνητή Νοηµοσύνη 2006. Ε ανάληψη. δοµή δεδοµένων για κατασκευή ευρετικών συναρτήσεων Ο αλγόριθµος GraphPlan

ΠΛΗ 405 Τεχνητή Νοηµοσύνη 2006. Ε ανάληψη. δοµή δεδοµένων για κατασκευή ευρετικών συναρτήσεων Ο αλγόριθµος GraphPlan ΠΛΗ 405 Τεχνητή Νοηµοσύνη Σχεδιασµός και ράση στον Πραγµατικό Κόσµο Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Γραφήµατα σχεδιασµού δοµή δεδοµένων για κατασκευή

Διαβάστε περισσότερα

Σχεδιασµός και δράση στον πραγµατικό κόσµο

Σχεδιασµός και δράση στον πραγµατικό κόσµο Σχεδιασµός και δράση στον πραγµατικό κόσµο Planning and Acting in the Real World Ενέργειες µε διάρκεια Init(Σασί(C 1 ) Σασί(C 2 ) Μηχανή(E 1, C 1, 30) Μηχανή(E 2, C 2, 60) Τροχοί(W 1, C 1, 30) Τροχοί(W

Διαβάστε περισσότερα

Ανάπτυξη συστήματος ελέγχου εγκυρότητας προβλημάτων Σχεδιασμού μέσω Υπηρεσιών Ιστού και Οπτικοποίησης Πληροφορίας

Ανάπτυξη συστήματος ελέγχου εγκυρότητας προβλημάτων Σχεδιασμού μέσω Υπηρεσιών Ιστού και Οπτικοποίησης Πληροφορίας Α Π Θ Δ Ε Μ Π Ανάπτυξη συστήματος ελέγχου εγκυρότητας προβλημάτων Σχεδιασμού μέσω Υπηρεσιών Ιστού και Οπτικοποίησης Πληροφορίας Συγγραφέας: Δημήτριος Γιουρούκης Επιβλέπων: Δημήτριος Βράκας Επίκουρος Καθηγητής

Διαβάστε περισσότερα

(d) 2 2 => 4 : OXI (Η προτασιακή λογική δεν περιλαμβάνει για άτομα καθαρούς αριθμούς)

(d) 2 2 => 4 : OXI (Η προτασιακή λογική δεν περιλαμβάνει για άτομα καθαρούς αριθμούς) Συμβολισμοί: Χρησιμοποιούμε για την άρνηση, για σύζευξη, για διάζευξη, => για συνεπαγωγή,

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

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

ΑΕΠΠ Ερωτήσεις θεωρίας

ΑΕΠΠ Ερωτήσεις θεωρίας ΑΕΠΠ Ερωτήσεις θεωρίας Κεφάλαιο 1 1. Τα δεδομένα μπορούν να παρέχουν πληροφορίες όταν υποβάλλονται σε 2. Το πρόβλημα μεγιστοποίησης των κερδών μιας επιχείρησης είναι πρόβλημα 3. Για την επίλυση ενός προβλήματος

Διαβάστε περισσότερα

Ενδεικτικές Ερωτήσεις Θεωρίας

Ενδεικτικές Ερωτήσεις Θεωρίας Ενδεικτικές Ερωτήσεις Θεωρίας Κεφάλαιο 2 1. Τι καλούμε αλγόριθμο; 2. Ποια κριτήρια πρέπει οπωσδήποτε να ικανοποιεί ένας αλγόριθμος; 3. Πώς ονομάζεται μια διαδικασία που δεν περατώνεται μετά από συγκεκριμένο

Διαβάστε περισσότερα

Πληροφορική 2. Τεχνητή νοημοσύνη

Πληροφορική 2. Τεχνητή νοημοσύνη Πληροφορική 2 Τεχνητή νοημοσύνη 1 2 Τι είναι τεχνητή νοημοσύνη; Τεχνητή νοημοσύνη (AI=Artificial Intelligence) είναι η μελέτη προγραμματισμένων συστημάτων τα οποία μπορούν να προσομοιώνουν μέχρι κάποιο

Διαβάστε περισσότερα

Επίλυση προβλημάτων με αναζήτηση

Επίλυση προβλημάτων με αναζήτηση Επίλυση προβλημάτων με αναζήτηση Αναζήτηση σημαίνει την εύρεση μιας λύσης (τελικής κατάστασης) ενός προβλήματος διά της συνεχούς δημιουργίας (νέων) καταστάσεων με την εφαρμογή των διαθέσιμων ενεργειών

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

Ατοµική ιπλωµατική Εργασία ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΙ ΠΡΟΤΑΣΙΑΚΩΝ ΕΠΙΛΥΤΩΝ ΓΙΑ ΠΡΟΒΛΗΜΑΤΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΡΑΣΗΣ. Ελένη Προξένου ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ

Ατοµική ιπλωµατική Εργασία ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΙ ΠΡΟΤΑΣΙΑΚΩΝ ΕΠΙΛΥΤΩΝ ΓΙΑ ΠΡΟΒΛΗΜΑΤΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΡΑΣΗΣ. Ελένη Προξένου ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Ατοµική ιπλωµατική Εργασία ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΙ ΠΡΟΤΑΣΙΑΚΩΝ ΕΠΙΛΥΤΩΝ ΓΙΑ ΠΡΟΒΛΗΜΑΤΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΡΑΣΗΣ Ελένη Προξένου ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Μάιος 2012 ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ

Διαβάστε περισσότερα

ΠΛΗ 405 Τεχνητή Νοηµοσύνη

ΠΛΗ 405 Τεχνητή Νοηµοσύνη ΠΛΗ 405 Τεχνητή Νοηµοσύνη Σχεδιασµός και ράση στον Πραγµατικό Κόσµο Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Γραφήµατα σχεδιασµού δοµή δεδοµένων για κατασκευή

Διαβάστε περισσότερα

ΤΡΙΣ ΙΑΣΤΑΤΟ ΠΕΡΙΒΑΛΛΟΝ ΑΠΕΙΚΟΝΙΣΗΣ ΚΑΙ ΗΜΙΟΥΡΓΙΑΣ ΠΡΟΒΛΗΜΑΤΩΝ ΣΧΕ ΙΑΣΜΟΥ ΕΝΕΡΓΕΙΩΝ

ΤΡΙΣ ΙΑΣΤΑΤΟ ΠΕΡΙΒΑΛΛΟΝ ΑΠΕΙΚΟΝΙΣΗΣ ΚΑΙ ΗΜΙΟΥΡΓΙΑΣ ΠΡΟΒΛΗΜΑΤΩΝ ΣΧΕ ΙΑΣΜΟΥ ΕΝΕΡΓΕΙΩΝ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΡΙΣ ΙΑΣΤΑΤΟ ΠΕΡΙΒΑΛΛΟΝ ΑΠΕΙΚΟΝΙΣΗΣ ΚΑΙ ΗΜΙΟΥΡΓΙΑΣ ΠΡΟΒΛΗΜΑΤΩΝ ΣΧΕ ΙΑΣΜΟΥ ΕΝΕΡΓΕΙΩΝ ιπλωµατική Εργασία της Μόσχογλου

Διαβάστε περισσότερα

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ. Ενότητα 2: Δένδρο αναζήτησης. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ. Ενότητα 2: Δένδρο αναζήτησης. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής Ενότητα 2: Δένδρο αναζήτησης Ρεφανίδης Ιωάννης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύπου

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

Κεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Κεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Κεφάλαιο 20 Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Τεχνητή Νοηµοσύνη, B' Έκδοση - 1 - Ανακάλυψη Γνώσης σε

Διαβάστε περισσότερα

Το Πρόβληµα Οµοφωνίας Σύγχρονα Συστήµατα Μεταβίβασης Μηνύµατος Μοντέλο Κατάρρευσης (crash model) Οι διεργασίες µπορούν να σταµατούν να εκτελούνται σε

Το Πρόβληµα Οµοφωνίας Σύγχρονα Συστήµατα Μεταβίβασης Μηνύµατος Μοντέλο Κατάρρευσης (crash model) Οι διεργασίες µπορούν να σταµατούν να εκτελούνται σε Οµοφωνία σε σύστηµα µε αϖοτυχίες κατάρρευσης διεργασιών Παναγιώτα Φατούρου Κατανεµηµένα Συστήµατα 1 Το Πρόβληµα Οµοφωνίας Σύγχρονα Συστήµατα Μεταβίβασης Μηνύµατος Μοντέλο Κατάρρευσης (crash model) Οι διεργασίες

Διαβάστε περισσότερα

2.2.5 ΑΝΑΠΑΡΑΣΤΑΣΗ ΑΛΓΟΡΙΘΜΟΥ

2.2.5 ΑΝΑΠΑΡΑΣΤΑΣΗ ΑΛΓΟΡΙΘΜΟΥ 2.2.5 ΑΝΑΠΑΡΑΣΤΑΣΗ ΑΛΓΟΡΙΘΜΟΥ ΑΝΑΠΑΡΑΣΤΑΣΗ ΑΛΓΟΡΙΘΜΟΥ Προκειμένου να επιτευχθεί η «ακριβής περιγραφή» ενός αλγορίθμου, χρησιμοποιείται κάποια γλώσσα που μπορεί να περιγράφει σειρές ενεργειών με τρόπο αυστηρό,

Διαβάστε περισσότερα

Ε ανάληψη. Καταβολές. Ιστορική αναδροµή. Πράκτορες. Περιβάλλοντα. συνεισφορά άλλων επιστηµών στην ΤΝ. 1956 σήµερα

Ε ανάληψη. Καταβολές. Ιστορική αναδροµή. Πράκτορες. Περιβάλλοντα. συνεισφορά άλλων επιστηµών στην ΤΝ. 1956 σήµερα ΠΛΗ 405 Τεχνητή Νοηµοσύνη Α ληροφόρητη Αναζήτηση Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Καταβολές συνεισφορά άλλων επιστηµών στην ΤΝ Ιστορική αναδροµή 1956

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

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ. ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Τελικές εξετάσεις 24 Ιουνίου 2004

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ. ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Τελικές εξετάσεις 24 Ιουνίου 2004 ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙ ΜΑΚΕ ΝΙΑΣ ΙΚΝΜΙΚΩΝ ΚΑΙ ΚΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΣΜΕΝΗΣ ΠΛΗΡΦΡΙΚΗΣ ΤΕΝΗΤΗ ΝΗΜΣΥΝΗ Τελικές εξετάσεις 24 Ιουνίου 2004 ιάρκεια: 3 ώρες α) Αναφέρετε τη σειρά µε την

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

Κεφάλαιο 7 : Είδη, Τεχνικές, και Περιβάλλοντα Προγραµµατισµού

Κεφάλαιο 7 : Είδη, Τεχνικές, και Περιβάλλοντα Προγραµµατισµού ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΥΠΟΛΟΓΙΣΤΩΝ Κεφάλαιο 7 : Είδη, Τεχνικές, και Περιβάλλοντα Προγραµµατισµού ( Απαντήσεις & Λύσεις Βιβλίου) 1. Σκοποί κεφαλαίου Κύκλος ανάπτυξης προγράµµατος Κατηγορίες γλωσσών προγραµµατισµού

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

Ειδικά θέματα Αλγορίθμων και Δομών Δεδομένων (ΠΛΕ073) Απαντήσεις 1 ου Σετ Ασκήσεων

Ειδικά θέματα Αλγορίθμων και Δομών Δεδομένων (ΠΛΕ073) Απαντήσεις 1 ου Σετ Ασκήσεων Ειδικά θέματα Αλγορίθμων και Δομών Δεδομένων (ΠΛΕ073) Απαντήσεις 1 ου Σετ Ασκήσεων Άσκηση 1 α) Η δομή σταθμισμένης ένωσης με συμπίεση διαδρομής μπορεί να τροποποιηθεί πολύ εύκολα ώστε να υποστηρίζει τις

Διαβάστε περισσότερα

Επίλυση προβληµάτων µε αναζήτηση

Επίλυση προβληµάτων µε αναζήτηση Επίλυση προβληµάτων µε αναζήτηση Πράκτορες επίλυσης προβληµάτων (1/2) ιατύπωση στόχου: Σύνολο καταστάσεων του κόσµου ιατύπωση προβλήµατος Επιλογή επιπέδου λεπτοµέρειας (αφαίρεση) 3-2 Πράκτορες επίλυσης

Διαβάστε περισσότερα

Dramatis. A Computational Model of Suspense

Dramatis. A Computational Model of Suspense Dramatis A Computational Model of Suspense Brian O'Neil Western New England University brian.oneill@wne.edu Mark Riedl Georgia Institute of Technology riedl@cc.gatech.edu Introduction Dramatis: υπολογιστικό

Διαβάστε περισσότερα

Εισαγωγή στον Προγραµµατισµό. Ανάλυση (ή Επιστηµονικοί8 Υπολογισµοί)

Εισαγωγή στον Προγραµµατισµό. Ανάλυση (ή Επιστηµονικοί8 Υπολογισµοί) Εισαγωγή στον Προγραµµατισµό Αριθµητική Ανάλυση (ή Επιστηµονικοί Υπολογισµοί) ιδάσκοντες: Καθηγητής Ν. Μισυρλής, Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ 8 εκεµβρίου 2014 Ανάλυση (ή Επιστηµονικοί8 Υπολογισµοί)

Διαβάστε περισσότερα

Θέματα Μεταγλωττιστών

Θέματα Μεταγλωττιστών Γιώργος Δημητρίου Ενότητα 3 η : Ενδιάμεση Αναπαράσταση / SSA Ενδιάμεση Αναπαράσταση (IR) Η ενδιάμεση αναπαράσταση αποθηκεύει τη συγκεντρωμένη πληροφορία από την ανάλυση ενός προγράμματος Από την ενδιάμεση

Διαβάστε περισσότερα

Μοντέλα. χαρακτηριστικά χωρίς να συνοδεύεται από λεπτοµέρειες.

Μοντέλα. χαρακτηριστικά χωρίς να συνοδεύεται από λεπτοµέρειες. Γλώσσες Περιγραφής Μοντέλα Ένα µοντέλο ενός κυκλώµατος είναι µία αναπαράσταση που παρουσιάζει χαρακτηριστικά χωρίς να συνοδεύεται από λεπτοµέρειες. Τα τυπικά µοντέλα έχουν καλά ορισµένη σύνταξη. Τα αυτόµατα

Διαβάστε περισσότερα

Άσκηση 3 (ανακοινώθηκε στις 24 Απριλίου 2017, προθεσμία παράδοσης: 2 Ιουνίου 2017, 12 τα μεσάνυχτα).

Άσκηση 3 (ανακοινώθηκε στις 24 Απριλίου 2017, προθεσμία παράδοσης: 2 Ιουνίου 2017, 12 τα μεσάνυχτα). Κ08 Δομές Δεδομένων και Τεχνικές Προγραμματισμού Διδάσκων: Μανόλης Κουμπαράκης Εαρινό Εξάμηνο 2016-2017. Άσκηση 3 (ανακοινώθηκε στις 24 Απριλίου 2017, προθεσμία παράδοσης: 2 Ιουνίου 2017, 12 τα μεσάνυχτα).

Διαβάστε περισσότερα

Αλγόριθμοι και Δομές Δεδομένων (Ι) (εισαγωγικές έννοιες)

Αλγόριθμοι και Δομές Δεδομένων (Ι) (εισαγωγικές έννοιες) Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών 2015-16 Αλγόριθμοι και Δομές Δεδομένων (Ι) (εισαγωγικές έννοιες) http://di.ionio.gr/~mistral/tp/csintro/ Μ.Στεφανιδάκης Τι είναι

Διαβάστε περισσότερα

1.2 Jason BDI Αρχιτεκτονική

1.2 Jason BDI Αρχιτεκτονική 1.2 Jason 1.2.1 BDI Αρχιτεκτονική Το Belief-Desire-Intention (BDI) είναι ένα μοντέλο λογισμικού που έχει αναπτυχθεί για τον προγραμματισμό ευφυών πρακτόρων. Χαρακτηρίζεται από την υλοποίηση των πεποιθήσεων,

Διαβάστε περισσότερα

4.3 Ορθότητα και Πληρότητα

4.3 Ορθότητα και Πληρότητα 4.3 Ορθότητα και Πληρότητα Συστήματα αποδείξεων όπως η μορφολογική παραγωγή και η κατασκευή μοντέλων χρησιμοποιούνται για να δείξουμε την εγκυρότητα εξαγωγών συμπερασμάτων. Ένα σύστημα αποδείξεων μπορεί

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ. Δοµές Δεδοµένων

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ. Δοµές Δεδοµένων ΟΝΟΜΑΤΕΠΩΝΥΜΟ: ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ AM: Δοµές Δεδοµένων Εξεταστική Ιανουαρίου 2014 Διδάσκων : Ευάγγελος Μαρκάκης 20.01.2014 ΥΠΟΓΡΑΦΗ ΕΠΟΠΤΗ: Διάρκεια εξέτασης : 2 ώρες και

Διαβάστε περισσότερα

Τι είναι αλγόριθμος; Υποπρογράμματα (υποαλγόριθμοι) Βασικές αλγοριθμικές δομές

Τι είναι αλγόριθμος; Υποπρογράμματα (υποαλγόριθμοι) Βασικές αλγοριθμικές δομές Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών 2015-16 Αλγόριθμοι και Δομές Δεδομένων (Ι) (εισαγωγικές έννοιες) http://di.ionio.gr/~mistral/tp/csintro/ Μ.Στεφανιδάκης Τι είναι

Διαβάστε περισσότερα

Ενότητες 3 & 4: Δένδρα, Σύνολα & Λεξικά Ασκήσεις και Λύσεις

Ενότητες 3 & 4: Δένδρα, Σύνολα & Λεξικά Ασκήσεις και Λύσεις Ενότητες 3 & 4: Δένδρα, Σύνολα & Λεξικά Ασκήσεις και Λύσεις Άσκηση 1 Γράψτε μία αναδρομική συνάρτηση που θα παίρνει ως παράμετρο ένα δείκτη στη ρίζα ενός δυαδικού δένδρου και θα επιστρέφει το βαθμό του

Διαβάστε περισσότερα

Ερωτήσεις πολλαπλής επιλογής - Κεφάλαιο 2

Ερωτήσεις πολλαπλής επιλογής - Κεφάλαιο 2 Ερωτήσεις πολλαπλής επιλογής - Κεφάλαιο 2 1. Ο αλγόριθμος είναι απαραίτητος μόνο για την επίλυση προβλημάτων Πληροφορικής 2. Ο αλγόριθμος αποτελείται από ένα πεπερασμένο σύνολο εντολών 3. Ο αλγόριθμος

Διαβάστε περισσότερα

Τεχνητή Νοηµοσύνη. Γεώργιος Βούρος Καθηγητής. Τµήµα Ψηφιακών Συστηµάτων Πανεπιστήµιο Πειραιώς.

Τεχνητή Νοηµοσύνη. Γεώργιος Βούρος Καθηγητής. Τµήµα Ψηφιακών Συστηµάτων Πανεπιστήµιο Πειραιώς. Τεχνητή Νοηµοσύνη Γεώργιος Βούρος Καθηγητής Τµήµα Ψηφιακών Συστηµάτων Πανεπιστήµιο Πειραιώς e-mail: georgev@unipi.gr 1 Επισκόπηση Μαθήµατος n Ώρες Διδασκαλίας: g Τρίτη 8:15-11:00 n Ύλη µαθήµατος Ευδοξος

Διαβάστε περισσότερα

Δομές Δεδομένων. Καθηγήτρια Μαρία Σατρατζέμη. Τμήμα Εφαρμοσμένης Πληροφορικής. Δομές Δεδομένων. Τμήμα Εφαρμοσμένης Πληροφορικής

Δομές Δεδομένων. Καθηγήτρια Μαρία Σατρατζέμη. Τμήμα Εφαρμοσμένης Πληροφορικής. Δομές Δεδομένων. Τμήμα Εφαρμοσμένης Πληροφορικής Ενότητα 5: Δείκτες και Δυναμική Δέσμευση- Αποδέσμευση Μνήμης στη C/ Υλοποίηση ΑΤΔ Συνδεδεμένη Λίστα με δείκτες /Ένα πακέτο για τον ΑΤΔ Συνδεδεμένη Λίστα Καθηγήτρια Μαρία Σατρατζέμη Άδειες Χρήσης Το παρόν

Διαβάστε περισσότερα

6 η Θεµατική Ενότητα : Σχεδίαση Συστηµάτων σε Επίπεδο Καταχωρητή

6 η Θεµατική Ενότητα : Σχεδίαση Συστηµάτων σε Επίπεδο Καταχωρητή 6 η Θεµατική Ενότητα : Σχεδίαση Συστηµάτων σε Επίπεδο Καταχωρητή Εισαγωγή Η σχεδίαση ενός ψηφιακού συστήµατος ως ακολουθιακή µηχανή είναι εξαιρετικά δύσκολη Τµηµατοποίηση σε υποσυστήµατα µε δοµικές µονάδες:

Διαβάστε περισσότερα

Σχεδιασμός & Χρονοπρογραμματισμός Ενεργειών

Σχεδιασμός & Χρονοπρογραμματισμός Ενεργειών Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Τμήμα Πληροφορικής Πρόγραμμα Μεταπτυχιακών Σπουδών Σχεδιασμός & Χρονοπρογραμματισμός Ενεργειών Χειμερινό Εξάμηνο 2006-2007 Κεφάλαιο 1 - Εισαγωγή Εισαγωγή στις Ερευνητικές

Διαβάστε περισσότερα

1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες εντολές (μορφές) της;

1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες εντολές (μορφές) της; 1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες (μορφές) της; Η δομή επανάληψης χρησιμοποιείται όταν μια σειρά εντολών πρέπει να εκτελεστεί σε ένα σύνολο περιπτώσεων, που έχουν κάτι

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ 6 ΟΥ ΚΕΦΑΛΑΙΟΥ ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ 6.1 Τι ονοµάζουµε πρόγραµµα υπολογιστή; Ένα πρόγραµµα

Διαβάστε περισσότερα

Πληροφοριακά Συστήματα Διοίκησης. Επισκόπηση μοντέλων λήψης αποφάσεων Τεχνικές Μαθηματικού Προγραμματισμού

Πληροφοριακά Συστήματα Διοίκησης. Επισκόπηση μοντέλων λήψης αποφάσεων Τεχνικές Μαθηματικού Προγραμματισμού Πληροφοριακά Συστήματα Διοίκησης Επισκόπηση μοντέλων λήψης αποφάσεων Τεχνικές Μαθηματικού Προγραμματισμού Σημασία μοντέλου Το μοντέλο δημιουργεί μια λογική δομή μέσω της οποίας αποκτούμε μια χρήσιμη άποψη

Διαβάστε περισσότερα

Γλώσσες υψηλού επιπέδου Περιέχουν περισσότερες εντολές για την εκτέλεση πολύπλοκων εργασιών Τα προγράµµατα µεταφράζονται σε γλώσσα µηχανής είτε από το

Γλώσσες υψηλού επιπέδου Περιέχουν περισσότερες εντολές για την εκτέλεση πολύπλοκων εργασιών Τα προγράµµατα µεταφράζονται σε γλώσσα µηχανής είτε από το Σηµαντικά σηµεία κεφαλαίου Τα τρία στάδια επίλυσης ενός προβλήµατος: Ακριβής προσδιορισµό του προβλήµατος Ανάπτυξη του αντίστοιχου αλγορίθµου. ιατύπωση του αλγορίθµου σε κατανοητή µορφή από τον υπολογιστή.

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

Ασκήσεις ανακεφαλαίωσης στο μάθημα Τεχνητή Νοημοσύνη

Ασκήσεις ανακεφαλαίωσης στο μάθημα Τεχνητή Νοημοσύνη Ασκήσεις ανακεφαλαίωσης στο μάθημα Τεχνητή Νοημοσύνη Τμήμα Μηχανικών Πληροφορικής ΤΕ (ΤΕΙ Ηπείρου) Τυφλή αναζήτηση Δίνεται το ακόλουθο κατευθυνόμενο γράφημα 1. Ο κόμβος αφετηρία είναι ο Α και ο κόμβος

Διαβάστε περισσότερα

Επίλυση συµβολικών προβληµάτων σχεδιασµού ενεργειών

Επίλυση συµβολικών προβληµάτων σχεδιασµού ενεργειών Επίλυση συµβολικών προβληµάτων σχεδιασµού ενεργειών Αναζήτηση στο χώρο των καταστάσεων Αναζήτηση στο χώρο των πλάνων! Γράφοι σχεδιασµού Προτασιακή λογική Γράφοι σχεδιασµού (1/2) " Ένας γράφος σχεδιασµού

Διαβάστε περισσότερα

Άσκηση 3 (ανακοινώθηκε στις 14 Μαΐου 2018, προθεσμία παράδοσης: 8 Ιουνίου 2018, 12 τα μεσάνυχτα).

Άσκηση 3 (ανακοινώθηκε στις 14 Μαΐου 2018, προθεσμία παράδοσης: 8 Ιουνίου 2018, 12 τα μεσάνυχτα). Κ08 Δομές Δεδομένων και Τεχνικές Προγραμματισμού Διδάσκων: Μανόλης Κουμπαράκης Εαρινό Εξάμηνο 2017-2018. Άσκηση 3 (ανακοινώθηκε στις 14 Μαΐου 2018, προθεσμία παράδοσης: 8 Ιουνίου 2018, 12 τα μεσάνυχτα).

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

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

ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση μεγιστοποιήσει την πιθανότητά

ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση μεγιστοποιήσει την πιθανότητά ΠΑΙΓΝΙΑ Παιχνίδια Γενική Θεώρηση: Έστω ότι έχουμε τους παίκτες Χ και Υ. Ο κάθε παίκτης, σε κάθε κίνηση που κάνει, προσπαθεί να μεγιστοποιήσει την πιθανότητά του να κερδίσει. Ο Χ σε κάθε κίνηση που κάνει

Διαβάστε περισσότερα

Οι βασικές λειτουργίες (ή πράξεις) που γίνονται σε μια δομή δεδομένων είναι:

Οι βασικές λειτουργίες (ή πράξεις) που γίνονται σε μια δομή δεδομένων είναι: ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ Μια δομή δεδομένων στην πληροφορική, συχνά αναπαριστά οντότητες του φυσικού κόσμου στον υπολογιστή. Για την αναπαράσταση αυτή, δημιουργούμε πρώτα ένα αφηρημένο μοντέλο στο οποίο προσδιορίζονται

Διαβάστε περισσότερα

Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά

Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά και Πληροφορικής Μαθηματικά Πανεπιστήμιο ΙΙ Ιωαννίνων

Διαβάστε περισσότερα

2 ΟΥ και 8 ΟΥ ΚΕΦΑΛΑΙΟΥ

2 ΟΥ και 8 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ 2 ΟΥ και 8 ΟΥ ΚΕΦΑΛΑΙΟΥ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΔΟΜΗ ΕΠΑΝΑΛΗΨΗΣ 1) Πότε χρησιμοποιείται η δομή επανάληψης

Διαβάστε περισσότερα

Πληροφορική 2. Αλγόριθμοι

Πληροφορική 2. Αλγόριθμοι Πληροφορική 2 Αλγόριθμοι 1 2 Τι είναι αλγόριθμος; Αλγόριθμος είναι ένα διατεταγμένο σύνολο από σαφή βήματα το οποίο παράγει κάποιο αποτέλεσμα και τερματίζεται σε πεπερασμένο χρόνο. Ο αλγόριθμος δέχεται

Διαβάστε περισσότερα

Διαδικασιακός Προγραμματισμός

Διαδικασιακός Προγραμματισμός Τμήμα ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ ΤΕΙ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ Διαδικασιακός Προγραμματισμός Διάλεξη 12 η Αναζήτηση/Ταξινόμηση Πίνακα Οι διαλέξεις βασίζονται στο βιβλίο των Τσελίκη και Τσελίκα C: Από τη Θεωρία στην

Διαβάστε περισσότερα

ΕΦΑΡΜΟΓΕΣ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ

ΕΦΑΡΜΟΓΕΣ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΕΦΑΡΜΟΓΕΣ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Dr. Christos D. Tarantilis Associate Professor in Operations Research & Management Science http://tarantilis.dmst.aueb.gr/ ΕΦΑΡΜΟΓΕΣ ΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Ι - 1- ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Δομές δεδομένων Άσκηση αυτοαξιολόγησης 3-4 Παναγιώτα Φατούρου Τμήμα Επιστήμης Υπολογιστών Ενότητες 3 & 4: ένδρα, Σύνολα & Λεξικά Ασκήσεις και Λύσεις Άσκηση 1 Γράψτε

Διαβάστε περισσότερα

Αλγόριθµοι Οπισθοδρόµησης

Αλγόριθµοι Οπισθοδρόµησης Αλγόριθµοι Οπισθοδρόµησης Στην ενότητα αυτή θα µελετηθούν τα εξής επιµέρους θέµατα: Η οπισθοδρόµηση στο σχεδιασµό αλγορίθµων Το πρόβληµα των σταθερών γάµων και ο αλγόριθµος των Gale-Shapley Το πρόβληµα

Διαβάστε περισσότερα

10. Με πόσους και ποιους τρόπους μπορεί να αναπαρασταθεί ένα πρόβλημα; 11. Περιγράψτε τα τρία στάδια αντιμετώπισης ενός προβλήματος.

10. Με πόσους και ποιους τρόπους μπορεί να αναπαρασταθεί ένα πρόβλημα; 11. Περιγράψτε τα τρία στάδια αντιμετώπισης ενός προβλήματος. 1. Δώστε τον ορισμό του προβλήματος. 2. Σι εννοούμε με τον όρο επίλυση ενός προβλήματος; 3. Σο πρόβλημα του 2000. 4. Σι εννοούμε με τον όρο κατανόηση προβλήματος; 5. Σι ονομάζουμε χώρο προβλήματος; 6.

Διαβάστε περισσότερα

Περιεχόμενα 1 Πρωτοβάθμια Λογική Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά και Πληροφορικής Μαθηματικά Πανεπιστήμιο ΙΙ Ιωαννίνων ) / 60

Περιεχόμενα 1 Πρωτοβάθμια Λογική Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά και Πληροφορικής Μαθηματικά Πανεπιστήμιο ΙΙ Ιωαννίνων ) / 60 Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά και Πληροφορικής Μαθηματικά Πανεπιστήμιο ΙΙ Ιωαννίνων

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

Διάλεξη 23: Τεχνικές Κατακερματισμού II (Hashing)

Διάλεξη 23: Τεχνικές Κατακερματισμού II (Hashing) ΕΠΛ231 Δομές Δεδομένων και Αλγόριθμοι 1 Διάλεξη 23: Τεχνικές Κατακερματισμού II (Hashing) Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: - Διαχείριση Συγκρούσεων με Ανοικτή Διεύθυνση a) Linear

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

Α. Ερωτήσεις Ανάπτυξης

Α. Ερωτήσεις Ανάπτυξης οµηµένος Προγραµµατισµός-Κεφάλαιο 7 Σελίδα 1 α ό 10 ΕΝΟΤΗΤΑ ΙΙΙ (ΠΡΟΓΡΑΜΜΑΤΑ) ΚΕΦΑΛΑΙΟ 7: Είδη, Τεχνικές και Περιβάλλοντα Προγραµµατισµού Α. Ερωτήσεις Ανάπτυξης 1. Τι ονοµάζουµε γλώσσα προγραµµατισµού;

Διαβάστε περισσότερα