1 Stavový prostor. 1.1 Základní definice
|
|
- Michaela Holubová
- před 8 lety
- Počet zobrazení:
Transkript
1 1 Stavový prostor Poátení období výzkumu v oblasti umlé inteligence (50. a 60. léta) bylo charakterizováno pedstavou, že nkolik jednoduchých ale mocných technik umožní vytváet inteligentní všeešící programy. Používané techniky byly založeny na vnitním (strojovém) modelu svta a na schopnosti vytváet v tomto modelu plán pro ešení dané úlohy. Model svta byl obvykle založen na stavovém prostoru. 1.1 Základní definice Def. 1.1: Stavový prostor S p = (S, ) je dvojce tvoená 1. množinou stav S = {s} 2. množinou operátor (pechod mezi stavy) = {} s k = ki (s i ) (s k se nazývá následník, s i se nazývá pedchdce) Píkladem stavového prostoru jsou možná rozložení disk u hlavolamu Hanojské vže. Tento hlavolam je tvoen temi tykami, na kterých je navleeno nkolik rzn velikých disk. Jeden stav tohoto prostoru je vidt na Obr Velikost stavového prostoru tohoto hlavolamu samozejm záleží na potu disk, pro n disk je to 3 n (každý z n disk mže být na jedné ze tí tyek), pro ti disky je stavový prostor znázornn na Obr Použitý formalismus kóduje pozicí velikost disku (první zleva je nejvtší disk) a íslem tyky (1 je levá krajní tyka). Obr. 1.1 Hanojské vže (stav (112)) Obr. 1.2 Stavový prostor hanojských vží
2 Operátory se odvodí na základ pravidla, že se postupn pesouvají disky mezi tykami, piemž: 1. mže se pesouvat vždy jeden disk, 2. vtší disk se nemže položit na menší. Celkem je k dispozici 6 operátor: 12, 13, 21, 23, 31, 32, kde ki znamená pesu volný disk z k na i. Jiným píkladem je rozložení osmi íslic v mížce 3x3 u hlavolamu lišák (Obr. 1.3). Tento stavový prostor obsahuje 9! = stav _ 5 Obr. 1.3 Lišák V tomto stavovém prostoru jsou definovány 4 operátory: 1 : když _ není v horním ádku, pesu _ nahoru 2 když _ není v dolním ádku, pesu _ dol 3 : když _ není v levém sloupci, pesu _ vlevo 4 : když _ není v pravém sloupci, pesu _ vpravo Def. 1.2: Úloha ve stavovém prostoru (S p, s 0, G) je definována jako stavový prostor, tj. 1. množina stav S = {s} 2. množina pechod mezi stavy = {} plus 3. poátení stav s 0 4. množina koncových stav G = {g} V pípad Hanojské vže je poátení stav na Obr. 1.4 a (jediný) koncový stav na Obr Obr. 1.4 Hanojské vže - poátení stav Obr. 1.5 Hanojské vže - koncový stav
3 V pípad lišáka je poátením stavem libovolné uspoádání íslic a jediným koncovým stavem stav z Obr _ Obr. 1.6 Lišák - koncový stav V pípad, že pomocí stavového prostoru chceme reprezentovat šachy, bude poátením stavem výchozí rozložení figurek na šachovnici a množinou koncových stav nap. všechny pozice, ve kterých bílý dává mat. Velikost stavového prostoru je asi (prmrn 35 možností v každém tahu, prmrná délka partie 50 tah). Def. 1.3: ešení úlohy ve stavovém prostoru je nalezení posloupnosti operátor 1 2 d takových, že s 1 = 1 (s 0 ) s 2 = 2 (s 1 ) s 3 = 3 (s 3 )... g = d (s d-1 ) neboli nalezení cesty z poáteního stavu s 0 do nkterého z koncových stav g (d je délka cesty). Def. 1.4: ídící strategie je algoritmus, který v každém kroku volí vhodný operátor: musí vést k prohledávání (musí zabraovat cyklm) musí být systematické Def. 1.5: Strom ešení úlohy je grafová reprezentace procesu hledání ešení kde uzly odpovídají stavm a hrany odpovídají pechodm mezi stavy daným aplikací operátor. Ve chvíli, kdy pro njaký stav je použitelných více operátor se stává klíovou otázka, který operátor zvolit. Pro volbu prvního operátoru v pípad hanojských vží ukazuje píslušný podstrom Obr. 1.7, pro volbu prvního operátoru v pípad hlavolamu lišák ukazuje píslušný podstrom Obr Volba operátoru pro daný stav mže být založena na myšlence postupn zkusit aplikovat všechny použitelné operátory, mže být založena na njakém kritériu, které hodnotí vhodnost jednotlivých operátor, nebo mže být volba operátoru náhodná.
4 Obr. 1.7 První krok Hanojské vže Obr. 1.8 První krok lišák
5 1.2 Prohledávání stavového prostoru Metody prohledávání lze dlit do tí základních skupin: slepé - úplné prohledávání nevyužívající žádné dodatené informace zde postupn aplikujeme všechny použitelné operátory, heuristické - úplné nebo ástené prohledávání využívající hodnocení zvolené cesty zde operátory vybíráme na základ njakého kritéria, náhodné zde volíme operátory náhodn. Systematické (nenáhodné) strategie (resp.algoritmy) jsou založeny na expanzi (rozvinutí) daného stavu (uzlu). Rozvinutím uzlu se myslí aplikace všech použitelných operátor; získáme tak všechny následníky daného uzlu. Algoritmy obvykle využívají dva seznamy: seznam rozvinutých uzl ROZVIN a seznam nerozvinutých uzl NEROZVIN Slepé prohledávání Prohledávání do šíky Pi prohledávání do šíky jsou následníci vybíráni pro expanzi ze seznamu typu fronta (Obr. 1.9). Postupn procházíme strom ešení po vrstvách a prohledáme všechny uzly, které mají menší hloubku než je hloubka koncového stavu. Každý uzel pitom navštívíme nejvýše jednou. Schematicky je tento zpsob znázornn na Obr. 1.10, postup algoritmu pak na Obr Pi tomto zpsobu prohledávání máme jistotu, že vždy nalezneme optimální ešení (koncový stav s nejmenší hloubkou). Obr. 1.9 Algoritmus prohledávání do šíky
6 Obr Schéma prohledávání do šíky krok NEROZVIN ROZVIN 1 A Ø 2 B, C A 3 C, D, E A, B 4 D, E, F, G, H A, B, C Konec Obr Postup algoritmu do šíky Obr Lišák - prohledávání do šíky (pevzato z 1)
7 Prohledávání do hloubky Pi prohledávání do hloubky jsou následníci vybíráni pro expanzi ze seznamu typu zásobník (Obr. 1.13). Na rozdíl od prohledávání do šíky mžeme nkterými uzly procházet vícekrát, nebo se asto musíme navracet (tzv. backtracking). Schematicky je tento zpsob znázornn na Obr. 1.14, postup algoritmu na Obr Pi tomto zpsobu prohledávání nemusíme nalézt optimální ešení (koncový stav s nejmenší hloubkou) a dokonce žádné ešení (pokud má stavový prostor nekonenou vtev, do které zabloudíme ). Pro úlohy s koneným stavovým prostorem a s jedním koncovým stavem ale nalezneme stejné ešení jako pi prohledávání do šíky. Obr Algoritmus prohledávání do hloubky Obr Schéma prohledávání do hloubky
8 krok NEROZVIN ROZVIN 1 A Ø 2 B, C A 3 D, E, C A, B 4 I, J, E, C A, B, D 5 J, E, C A, B, D, I 6 E, C A, B, D, I, J 7 C A, B, D, I, J, E 8 F, G, H A, B, D, I, J, E, C Konec Obr Postup algoritmu "do hloubky" Všimnme si, že pokud bychom pi slepém prohledávání do hloubky místo první zleva, tak jak je znázornno na Obr zvolili strategii první zprava, Nalezli bychom koncový stav podstatn rychleji (Obr. 1.16). krok NEROZVIN ROZVIN 1 A Ø 2 C, B A 3 H, G, F, B A, C Konec Obr Postup algoritmu "do hloubky" zprava Obr Lišák - prohledávání do hloubky (pevzato z 1)
9 Prohledávání se stejnou cenou (uniform cost) V každém kroku se expanduje uzel, který má nejmenší akumulovanou cenu (cenu cesty od poátku do tohoto uzlu). Jde o zobecnní slepého prohledávání do šíky (prohledávání do šíky je prohledávání s jednotnou cenou, kde cena je hloubka uzlu) Omezené prohledávání do hloubky Omezené prohledávání do hloubky se od klasického prohledávání do hloubky liší pouze v tom, že je dána maximální hloubka, do které se prohledává. Uzly této hloubky se již dále nerozvíjejí. Tímto zpsobem lze eliminovat problémy s nekonenou vtví Iterativní prohlubování Iterativní prohlubování je vlastn omezené prohledávání do hloubky, pro které se postupn zvtšuje maximální hloubka, do které se prohledává. Prohledává se tedy (do hloubky) nejprve stavový prostor hloubky 1, pak do hloubky 2, pak do hloubky 3 atd. Tato varianta dokáže odstranit i druhý problém klasického prohledávání do hloubky, nebo nalezne optimální ešení (pokud existuje) Heuristické prohledávání Heuristické prohledávání je založeno na kritériu (heuristice), které umožuje posoudit vhodnost použití jednotlivých operátor aplikovatelných na daný stav. Vhodnost operátoru mžeme intuitivn chápat jako to, do jaké míry nás použití operátoru piblíží ke koncovému stavu (ešení úlohy). Jako bychom napíklad s využitím mapy plánovali trasu pro cestu z msta A (Praha) do msta B (Pelhimov) s cílem minimalizovat délku cesty. Obr Plánování cesty Praha - Pelhimov
10 Def. 1.6: Heuristická funkce je funkce, která každému stavu s piadí íslo, vyjadující jeho kvalitu z hlediska ešení úlohy. Vhodnost operátoru (a tedy kvalita píslušného následníka) mže být v dané úloze definována rzn. Rzné podoby kritéria samozejm ovlivní volbu operátor a tím i dobu (poet krok) potebných k nalezení ešení. Vrame se k hlavolamu lišák (Obr. 1.8), kde mžeme jako možné heuristiky uvažovat nap.: H1: poet chybn umístných íslic, H2: Manhattan vzdálenost od koncového stavu. Význam první heuristiky je zejmý. Druhá heuristika vyjaduje, kolik tah (ve smru vodorovném resp. svislém) je každá chybn umístná íslice vzdálena od své správné pozice. Podíváme-li se na volbu operátoru pro první tah dle Obr. 1.8, pak kvalitu stav 1 až 4 pro ob heuristiky vidíme v Tab Ob heuristiky vyhodnotí jako nejlepší tah 1 3. Pro druhý tah už budou doporuení obou heuristik odlišná (Tab. 1.2). Zatímco heuristika H1 vyhodnotí jako stejn kvalitní tahy 3 6 i 3 7 (a mli bychom tedy uvažovat ob možnosti), heuristika H2 vyhodnotí jako nejlepší tah 3 7, což je tah, skuten vedoucí nejrychleji k ešení úlohy. stav 1 stav 2 stav 3 stav 4 H H Tab. 1.1 Lišák - heuristiky pro první tah stav 3 stav 6 stav 7 stav 8 H H Tab. 1.2 Lišák - heuristiky pro druhý tah Heuristika musí být volena tak, aby umožovala správné fungování prohledávacích algoritm. To vyjaduje následující definice a vta. Def. 1.7: Algoritmus heuristického prohledávání se nazývá pípustný jestliže pro libovolný ohodnocený graf ukoní svoji innost nalezením optimální cesty k cíli. Vta 1.1: Jestliže heuristická funkce každému uzlu piadí hodnotu, která je nezáporným dolním odhadem skutené ceny, pak algoritmus je pípustný (a píslušná funkce se nazývá pípustná). ím blíže jsme se svým odhadem skuten cen, tím lepší bude náš algoritmus (tím mén uzl musíme prohledat, abychom nalezli ešení). Def. 1.8: Algoritmus využívající (pípustnou) heuristickou funkci H 1 je informovanjší než algoritmus využívající (pípustnou) heuristickou funkci H 2, práv když s S: H 1 (s) H 2 (s) s i S: H 1 (s i ) > H 2 (s i ) O heuristice H 1 pak ekneme, že dominuje heuristice H 2.
11 Paprskové prohledávání (beam search) Heuristické omezené prohledávání do šíky kde heuristikou je odhad vzdálenosti ke koncovému stavu. Jako pi prohledávání do šíky zaazujeme následníky do fronty ale tu pak uspoádáme dle heuristiky a vybereme jen uritý poet nejlépe hodnocených uzl. Obr Algoritmus paprskového prohledávání
12 Gradientní prohledávání (hill climbing) Heuristické prohledávání do hloubky, kde heuristikou je odhad vzdálenosti ke koncovému stavu. Následníky rozvinutého uzlu nejprve uspoádáme dle heuristiky a pak zaadíme do zásobníku. Obr Gradientní prohledávání Lokální varianta tohoto algoritmu je založena na tom, že pro daný stav volíme dle heuristiky nejlepšího následníka a pracujeme pouze s ním. Seznam NEROZVIN je tedy jednoprvkový. Tato varianta tedy hledá pouze lepší uzel, než je ten souasný. To mže zpsobit adu problém: uváznutí v lokálním extrému (žádný následník není lepší než rozvíjený uzel, který ale nepedstavuje ešení problému), problém plošiny (rozvíjený uzel i jeho následníci jsou stejn kvalitní není tedy jasné kterým smrem postupovat). Problém uváznutí v lokálním extrému ilustruje na píklad hlavolamu lišák Obr Žádný z následník uvedeného stavu není ve smyslu heuristiky H1 lepší. Prohledávání by tedy skonilo.
13 Obr Lokální varianta gradientního prohledávání a 2 b 8 _ 4 c 6 d Obr Lokální extrém hlavolamu lišák Uspoádané prohledávání (best-first) Úplné heuristické prohledávání do hloubky- doplnní gradientního prohledávání o pam. Pro další krok vybíráme nejlepší uzel z celého seznamu NEROZVIN. V pípad, že heuristikou je odhad vzdálenosti ke koncovému stavu, se tomuto zpsobu prohledávání rovnž íká greedy search.
14 Obr Uspoádané prohledávání Algoritmus A* Algoritmus A* je založen na myšlence, že nejkratší cesta z poátku do cíle pes stav s se skládá z nejkratší cesty z poátku do stavu s a z nejkratší cesty ze stavu s do cíle. Jsme-li pi ešení úlohy ve stavu s, pak cestu z poátku do tohoto stavu známe (ozname g(s)), zbývá nalézt nejkratší cestu do cíle. Cena pechodu z poáteního stavu pes stav s do koncového stavu je tedy definována jako f(s) = g(s) + h(s) kde heuristika h(s) je dolní odhad ceny pechodu ze stavu s do koncového stavu. Pro h(s) = 0 realizuje algoritmus A* prohledávání do šíky. Pro hlavolam lišák je na Obr znázornn strom ešení úlohy pro funkci f(s) = g(s) + h(s) kde g(s) je hloubka uzlu h(s) je poet chybn umístných íslic. íslo v kroužku udává pro každý uzel s hodnotu f(s).
15 Obr Algoritmus A* Obr Lišák - algoritmus A* (pevzato z 1)
16 1.2.3 Hodnocení jednotlivých strategií Prohledávací strategií budeme rozumt poadí, v jakém jsou expandovány jednotlivé uzly. Strategie mžeme hodnotit podle (AI Berkeley kap 3): úplnosti zda strategie vždy nalezne ešení, pokud existuje asové složitosti poet uzl, které jsou expandovány prostorové složitosti maximální poet uzl, které jsou souasn uloženy v pamti optimality zda nalezené ešení je vždy nejlepší (má nejnižší cenu) asovou a prostorovou složitost budeme vyjadovat jako funkci: maximálního vtvícího faktoru ve stromu ešení (ozname b), hloubky nejlepšího ešení (ozname d), maximální hloubky stavového prostoru mže být nekonená (ozname m). algoritmus úplnost as prostor optimalita do šíky ano O(b d +1) O(b d +1) ano do hloubky ne O(b m ) O(bm) ne uniform cost ano O(b (C/ε) ) O(b (C/ε) ) ano omezené do hloubky l ano pro l>d O(b l ) O(bl) ne iterativní prohlubování ano O(b d ) O(bd) ano paprskové O(bd) O(bd) ne greedy ne O(b m ) O(bm) ne A * ano exponenciální všechny uzly v pamti ano Tab. 3 Hodnocení prohledávacích algoritm 1.3 Systémy pro ešení úloh ve stavovém prostrou General Problem Solver (GPS) Jak už název systému napovídá, jde o algoritmus pro obecné ešení úloh (ve stavovém prostoru). Algoritmus který byl svými autory A. Newellem a H. Simonem poprvé prezentován v roce 1957 patí do zlatého fondu umlé inteligence. Teoretickým východiskem algoritmu je tzv. analýza prostedk a cíl (means and end analyzis). Jde o metodu postupného rozkladu úlohy na podúlohy metodou výpotu diferencí. Dekompozice úlohy na podúlohy, které je možno ešit samostatn, je pomrn astý zpsob ešení složitých problém ve chvílích, kdy náklady na dekompozici problému a ešení obou podúloh jsou menší, než náklady na ešení pvodní úlohy. Schématicky vidíme dekompozici hanojských vží na Obr První podúlohou je pesun dvou disk na prostední tyku, pak následuje tah (122) -> (322), a pak ešíme podúlohu pedunu dvou disk na pravou tyku. Pokud podúloha není elementární úlohou (tj. úlohou, kterou lze vyešit použitím jediného operátoru), opt ji rozložíme na podúlohy, atd. Pi ešení úlohy se tedy využívá i rekurze.
17 Obr Dekompozice hanojských vží General Problem Solver využívá ti základní procedury: TRANSFORM, REDUCE a APPLY. Procedura TRANSFORM se snaží transformovat stav s na stav s, procedura REDUCE redukuje odchylku d mezi stavem s a s a procedura APPLY aplikuje operátor na stav s. Popis procedur uvádíme dle (Havel, 1980). Procedura TRANSFORM(s,s ) 1. vyhledej všechny odchylky mezi stavem s a s (jestliže žádná neexistuje, je úloha vyešena). Nech d je nejzávažnjší odchylka. 2. použij proceduru REDUCE(d,s,s ). Nech výsledkem redukce odchylky je stav s 3. použij proceduru TRANSFORM(s,s ) Obr Procedura TRANSFORM
18 Procedura REDUCE(d,s,s ) 1. vyhledej operátor který je schopen zmenšit odchylku d 2. ov, zda je použitelný na stav s. Pokud ne, vra se ke kroku použij proceduru APPLY(, s) a pejdi do stavu s Obr Procedura REDUCE Procedura APPLY(,s) 1. porovnej podmínku aplikovatelnosti operátoru se stavem s a nalezni nejdležitjší odchylku d. Je-li aplikovatelný, vra s = (s), jinak a. použij proceduru REDUCE(d,s,s ) pro redukci odchylky. Nech výsledkem redukce je stav s. b. použij proceduru APPLY(, s ) a vydej výsledný stav Obr Procedura APPLY Jak je vidt, všechny procedury jsou do sebe zanoeny. Procedura TRANSFORM realizuje (zhruba eeno) prohledávání do šíky, procedura REDUCE realizuje (zhruba eeno) prohledávání do hloubky a procedura APPLY realizuje (zhruba eeno) navracení. Následující píklad ilustruje použití systému GPS na hanojské vže o tech discích. Píslušný stavový prostor byl již díve uveden na Obr ešení této úlohy má tedy podobu volání TRANSFORM((111),(333)) Odchylky mezi stavy budeme zepisovat ve tvaru DIFF(disk, aktuální_tyka, cílová_tyka). Mezi stavy (111) a (333) jsou tedy ti odchylky, v poadí dle závažnosti: DIFF(nejvtší_disk, 1, 3) DIFF(prostední_disk, 1, 3) DIFF(nejmenší_disk, 1, 3) Zavolá se tedy REDUCE(DIFF(nejvtší_disk, 1, 3),(111),(311))). Vhodným operátorem by byl 13, který je pedán procedue APPLY. Tento operátor ale nelze použít, nebo na nejvtším disku leží zbývající dva disky. Mezi stavem (111) a stavem, kdy lze použít operátor 13 na nejvtší disk (jde o stav (122)) jsou dv odchylky: DIFF(prostední_disk, 1, 2) DIFF(nejmenší_disk, 1, 2). Nejzávažnjší z nich je teba odstranit procedurou REDUCE(DIFF(prostední_disk, 1, 2), (111), (122))). Vhodným operátorem by byl 12, který je pedán procedue APPLY. Tento operátor ale nelze použít, nebo na prostedním disku leží nejmenší disk. Mezi stavem (111) a stavem, kdy lze použít operátor 12 na prostední disk (jde o stav (113)) je jediná odchylka DIFF(nejmenší_disk, 1, 3).
19 Tuto odchylku lze odstranit procedurou REDUCE(DIFF(nejmenší_disk, 1, 3), (111), (113))). Procedurou APPLY mžeme pímo aplikovat operátor 13 na nejmenší disk a ze stavu (111) pejdeme do stavu (113). Nyní se vrátíme k otázce, jak pejít do stavu (122). Mezi aktuálním stavem (113) a stavem (122) jsou dv odchylky: DIFF(prostední_disk, 1, 2) DIFF(nejmenší_disk, 3, 2). Nejzávažnjší odchylku je teba odstranit procedurou REDUCE(DIFF(prostední_disk, 1, 2), (113), (122))). Vhodným operátorem je 12, který je pedán procedue APPLY. Tento operátor mžeme pímo aplikovat a dostaneme se tak do stavu (123). Mezi stavem (123) a (122), který je naším podcílem je jediná odchylka DIFF(nejmenší_disk, 3, 2). Procedura REDUCE(DIFF(nejmenší_disk, 1, 2), (123), (122))) zjistí, že vhodným operátorem je 32, který je aplikován procedurou APPLY. Získáme tak stav (122) a mžeme se vrátit k nejvtšímu disku. Mezi stavem (122) a cílovým stavem (333) jsou ti odchylky DIFF(nejvtší_disk, 1, 3) DIFF(prostední_disk, 2, 3) DIFF(nejmenší_disk, 2, 3) Nejzávažnjší odchylku je teba odstranit procedurou REDUCE(DIFF(nejvtší_disk, 1, 3), (122), (333))). Vhodným operátorem je 13, který je pedán procedue APPLY. Tento operátor mžeme pímo aplikovat a dostaneme se tak do stavu (322). a.t.d. Pipomeme si ješt, jak lze hlavolam hanojské vže vyešit (s využitím stejné základní myšlenky dekompozice na podúlohy a rekurze) s využitím programovacích jazyk LISP a Prolog. Podoba programu v LISPu je na Obr a podoba programu v Prologu je na Obr (DEFUN HANOJ (LAMBDA (N) (PRESUN_VEZ N 'A 'B 'C) )) (DEFUN PRESUN_VEZ (LAMBDA (K X Y Z) ((EQ K 0)) (PRESUN_VEZ (DIFFERENCE K 1) X Z Y) (TAH X Z) (PRESUN_VEZ (DIFFERENCE K 1) Y X Z) )) (DEFUN TAH (LAMBDA (X Z) (PRIN1 "Presun disk z ") (PRIN1 X) (PRIN1 " na ") (PRIN1 Z)) Obr Hanojské vže v LISPu
20 hanoj(n) :- presun_vez(n,a,b,c). presun_vez(0,_,_,_) :-!. presun_vez(n,x,y,z) :- M is N-1, presun_vez(m,x,z,y), tah(x,z), presun_vez(m,y,x,z). tah(a,b) :- write([a, -->, B]),nl. Obr Hanojské vže v Prologu STRIPS Systém STRIPS (Stanford Research Institute Problem Solver) byl vyvinut na po. 70. let jako následník systému GPS. Vývoj systému byl inspirován oblastí robotiky, jeho algoritmus má ale obecné použití. Stavy ešené úlohy jsou popsány formulemi predikátové logiky 1. ádu v klauzulárním tvaru. Pravidla pro pechody mezi stavy jsou popsána trojicemi (C,D,A), kde C je podmínka aplikovatelnosti pravidla, D je množina klauzulí, které budou odstranny z popisu aktuálního stavu, A je množina klauzulí, které budou k popisu aktuálního stavu pidány. Místo o odstraování diferencí se v systému STRIPS mluví o splování cíl; objeví-li se nová odchylka, vznikne nový podcíl, který je teba splnit. ešení úlohy zaíná tak, že se systém snaží splnit zadaný cíl úlohy. Vybírá tedy takové pravidlo, v jehož seznamu se vyskytl fakt odpovídající zadanému cíli. Najde-li takové pravidlo, pokrauje stejným zpsobem v plnní cíl uvedených v samostatném seznamu cíl pravidla. Tento rekurzivní proces koní tehdy, když jsou splnny všechny cíle (popis systému dle [Z U]) Planner Systém Planner byl vyvíjen na MIT (Massachusetts Institute of Technology) paraleln k systému STRIPS. Systém rozlišuje dva typy dat: tvrzení (konkrétní poznatky o konkrétních pedmtech tedy fakty) a teorémy (obecné poznatky chápané jako procedury). Soubor všech tvrzení je uložen v bázi fakt tato tvrzení jsou považována za pravdivá. I systém PLANNER je zamen cílov, tzn. Že jednotlivé píkazy jsou volány cílem jehož má být dosaženo (tvrzením, které má být dokázáno). Vyhodnocování píkaz je založeno na mechanismu navracení (backtracking), pi kterém se zaznamenává úspch i neúspch pi dosažení dílích cíl oproti rekurzivního ízení využívajícího zásobník PLANNER využívá stromovou strukturu SOAR SOAR (State, Operator And Result) je další systém založený na prohledávání. Jedná se o stále živý systém vyvinutý v 80 letech na Carnegie Mellon University. V souasnosti je SOAR chápaný jako integrovaná architektura pro ešení problém, uení a interakci s okolím, vše s využitím znalostí reprezentovaných v podob pravidel (ai.eecs.umich.edu/soar/).
21 Cviení: 1) Koza, vlk, zelí. Jde o známou historku o sedlákovi, který má pes eku pevézt kozu, vlka a zelí. Na loku se s ním vejde pouze jeden pevážený objekt. Pitom nesmí nechat bez dozoru vlka a kozu ani kozu a zelí. Navrhnte formalismus ešení této úlohy ve stavovém prostoru (stavy, operátory) a najdte ešení. 2) Misionái a kanibalové. Nemén známá historka o tech misionáích a tech kanibalech, kteí se potebují pepravit pes eku. Naleznou loku, do které se ale vejdou pouze dv osoby. Pitom na žádném behu nesmí zstat více kanibal než misioná. Navrhnte formalismus ešení této úlohy ve stavovém prostoru (stavy, operátory) a najdte ešení. 3) Japonský pevozník. Modifikace pedcházející úlohy. Pes eku se potebuje pepravit rodina (otec, matka dva synové a dv dcery), a policista eskortující vzenkyni. Pitom: Na prám smí maximáln dv osoby. Otec nesmí být s žádnou z dcer bez pítomnosti matky. Matka nesmí být s žádným ze syn bez pítomnosti otce. Vzenkyn nesmí být sama s žádným lenem rodiny. Pouze policajt a rodie mohou ídit prám. Navrhnte formalismus ešení této úlohy ve stavovém prostoru (stavy, operátory) a najdte ešení. 4) Garsonka (Jiroušek). Po malování garsoniéry zstal nábytek rozmístn tak, že v obývacím pokoji je postel a keslo a v ložnici je stl a skí. Úkolem je umístit stl a keslo do obývacího pokoje a do ložnice postel a skí. Pitom: Kuchyského koutu se vejde pouze skí Do obývacího pokoje i do ložnice se najednou vejdou jen dva kusy nábytku Keslo neprojde dvemi do ložnice Do zádveí se vejde pouze keslo Pi pemisování nábytku musí zstat ulika volná Navrhnte formalismus ešení této úlohy ve stavovém prostoru (stavy, operátory) a najdte ešení.
22 Literatura: 1. Havel I.: Robotika. SNTL Praha Jiroušek R.: Metody reprezentace a zpracován.ní znalostí v umlé inteligenci. Skripta VŠE, Maík V., Štpánková O., Lažanský J.: Umlá inteligence XXXXX 4. Umlá inteligence a rozpoznávání. Skripta Z U, 1998.
Hanojská věž. T2: prohledávání stavového prostoru. zadání [1 1 1] řešení [3 3 3] dva možné první tahy: [1 1 2] [1 1 3]
Hanojská věž zadání [1 1 1] řešení [3 3 3] dva možné první tahy: [1 1 2] [1 1 3] který tah je lepší? (co je lepší tah?) P. Berka, 2012 1/21 Stavový prostor 1. množina stavů S = {s} 2. množina přechodů
VíceSlepé prohledávání do šířky Algoritmus prohledávání do šířky Při tomto způsobu prohledávání máme jistotu, že vždy nalezneme koncový stav, musíme ale p
Hanojská věž Stavový prostor 1. množina stavů S = {s} 2. množina přechodů mezi stavy (operátorů) Φ = {φ} s k = φ ki (s i ) zadání [1 1 1] řešení [3 3 3] dva možné první tahy: [1 1 2] [1 1 3] který tah
VíceÚloha ve stavovém prostoru SP je <s 0, C>, kde s 0 je počáteční stav C je množina požadovaných cílových stavů
Stavový prostor a jeho prohledávání SP = formalismus k obecnějšímu uchopení a vymezení problému, který spočívá v nalezení posloupnosti akcí vedoucích od počátečního stavu úlohy (zadání) k požadovanému
VíceProhledávání do šířky = algoritmus vlny
Prohledávání do šířky = algoritmus vlny - souběžně zkoušet všechny možné varianty pokračování výpočtu, dokud nenajdeme řešení úlohy průchod stromem všech možných cest výpočtu do šířky, po vrstvách (v každé
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ TEORIE ROZHODOVÁNÍ Podklady k soustředění č. 1 Řešení úloh 1. dílčí téma: Řešení úloh ve stavovém prostoru Počáteční období výzkumu v oblasti umělé inteligence (50. a 60. léta) bylo charakterizováno
VíceZáklady umělé inteligence
Základy umělé inteligence Automatické řešení úloh Základy umělé inteligence - prohledávání. Vlasta Radová, ZČU, katedra kybernetiky 1 Formalizace úlohy UI chápe řešení úloh jako proces hledání řešení v
VíceŘešení: PŘENESVĚŽ (N, A, B, C) = přenes N disků z A na B pomocí C
Hanojské věže - 3 kolíky A, B, C - na A je N disků různé velikosti, seřazené od největšího (dole) k nejmenšímu (nahoře) - kolíky B a C jsou prázdné - úkol: přenést všechny disky z A na B, mohou se odkládat
VíceState Space Search Step Run Editace úloh Task1 Task2 Init Clear Node Goal Add Shift Remove Add Node Goal Node Shift Remove, Add Node
State Space Search Po spuštění appletu se na pracovní ploše zobrazí stavový prostor první předpřipravené úlohy: - Zeleným kroužkem je označen počáteční stav úlohy, který nemůže být změněn. - Červeným kroužkem
VícePravdpodobnost výskytu náhodné veliiny na njakém intervalu urujeme na základ tchto vztah: f(x)
NÁHODNÁ VELIINA Náhodná veliina je veliina, jejíž hodnota je jednoznan urena výsledkem náhodného pokusu (je-li tento výsledek dán reálným íslem). Jde o reálnou funkci definovanou na základním prostoru
VíceRozvrhování na více procesorech
Rozvrhování na více procesorech Rozvrhování na více procesorech je složitjší úloha než na jednom procesoru. Uvažujeme m procesor. Rozlišujeme typy procesor - paralelní nebo dedikované a jejich rychlosti
VíceSpráva obsahu ízené dokumentace v aplikaci SPM Vema
Správa obsahu ízené dokumentace v aplikaci SPM Vema Jaroslav Šmarda, smarda@vema.cz Vema, a. s., www.vema.cz Abstrakt Spolenost Vema patí mezi pední dodavatele informaních systém v eské a Slovenské republice.
VíceZbytky zákaznického materiálu
Autoi: V Plzni 31.08.2010 Obsah ZBYTKOVÝ MATERIÁL... 3 1.1 Materiálová žádanka na peskladnní zbytk... 3 1.2 Skenování zbytk... 7 1.3 Vývozy zbytk ze skladu/makulatura... 7 2 1 Zbytkový materiál V souvislosti
VíceCykly Intermezzo. FOR cyklus
Cykly Intermezzo Rozhodl jsem se zaadit do série nkolika lánk o základech programování v Delphi/Pascalu malou vsuvku, která nám pomže pochopit principy a zásady pi používání tzv. cykl. Mnoho ástí i jednoduchých
Více27. asové, kmitotové a kódové dlení (TDM, FDM, CDM). Funkce a poslání úzkopásmových a širokopásmových sítí.
Petr Martínek martip2@fel.cvut.cz, ICQ: 303-942-073 27. asové, kmitotové a kódové dlení (TDM, FDM, CDM). Funkce a poslání úzkopásmových a širokopásmových sítí. Multiplexování (sdružování) - jedná se o
Více1. Predikátová logika jako prostedek reprezentace znalostí
1. Predikátová logika jako prostedek reprezentace znalostí 1.1 Historie výrokové logiky Problém explicitních znalostí a údaj, kterých je obrovské množství, vedl ke vzniku výrokové logiky. lovk si obecn
VíceDoc. Ing. Tomáš Šubrt, Ph.D. PEF ZU v Praze MODELY OPTIMÁLNÍHO D LENÍ ZAKÁZEK
Doc. Ing. Tomáš Šubrt, Ph.D. PEF ZU v Praze MODELY OPTIMÁLNÍHO DLENÍ ZAKÁZEK MODELY OPTIMÁLNÍHO DLENÍ ZAKÁZEK Osnova prezentace Charakteristika problému Matematický model pro lineární problém Matematický
VíceUmělá inteligence I. Roman Barták, KTIML.
Umělá inteligence I Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Na úvod Neinformované (slepé) prohledávání umí najít (optimální) řešení problému, ale ve většině případů
VíceExpe xp rtn t í n í sys s t ys é t my m PSY 481
Expertní systémy PSY 481 Stavové pole Expertní systémy (produkční systémy) mohou být přirovnány k nástrojům používaným při řešení problémů (problem solving). Konkrétněji na technikách založených na hledání
VíceIng. Jaroslav Halva. UDS Fakturace
UDS Fakturace Modul fakturace výrazn posiluje funknost informaního systému UDS a umožuje bilancování jednotlivých zakázek s ohledem na hodnotu skutených náklad. Navíc optimalizuje vlastní proces fakturace
VíceRzné algoritmy mají rznou složitost
X36DSA 25 / 3 DSA Rzné algoritmy mají rznou složitost X36DSA 25 2 / 3 DSA The complexity of different algorithms varies X36DSA 25 3 / 3 Abeceda Jazyk Abeceda konená (neprázdná) množina symbol A mohutnost
VíceDUM. Databáze - úvod
DUM Název projektu íslo projektu íslo a název šablony klíové aktivity Tematická oblast - téma Oznaení materiálu (pílohy) Inovace ŠVP na OA a JŠ Tebí CZ.1.07/1.5.00/34.0143 III/2 Inovace a zkvalitnní výuky
VícePedání smny. Popis systémového protokolování. Autor: Ing. Jaroslav Halva V Plzni 24.01.2012. Strana 1/6
Autor: Ing. Jaroslav Halva V Plzni 24.01.2012 Strana 1/6 Obsah 1 OBSAH... 2 2 NKOLIK SLOV NA ÚVOD... 3 3 MODEL... 3 4 DEFINICE... 3 5 DENNÍ VÝKAZ... 4 6 ZÁVR... 6 Strana 2/6 1 Nkolik slov na úvod Zamení
VíceMATEMATIKA MATEMATIKA
PRACOVNÍ MATERIÁLY PRACOVNÍ MATERIÁLY MATEMATIKA MATEMATIKA Struktura vyuovací hodiny Metodický Struktura vyuovací list aplikace hodiny Ukázková Metodický hodina list aplikace materiál Záznamový Ukázková
VíceDlitel, násobek Znak dlitelnosti Prvoíslo, íslo složené, rozklad na prvoinitele Nejvtší spolený dlitel, nejmenší spolený násobek
1.1. Základní pojmy V tomto uebním bloku budeme pracovat pouze s pirozenými ísly ( bez nuly ) a budeme studovat vztahy dlitelnosti mezi nimi. Seznámíme se s tmito základními pojmy: Název Dlitel, násobek
VíceInstalace multiimportu
Instalace multiimportu 1. Rozbalit archiv multiimportu (nap. pomocí programu Winrar) na disk C:\ Cesta ve výsledném tvaru bude: C:\MultiImport 2. Pejdte do složky Install a spuste soubor Install.bat Poznámka:
VíceKaždý datový objekt Pythonu má minimáln ti vlastnosti. Identitu, datový typ a hodnotu.
Datový objekt [citováno z http://wraith.iglu.cz/python/index.php] Každý datový objekt Pythonu má minimáln ti vlastnosti. Identitu, datový typ a hodnotu. Identita Identita datového objektu je jedinený a
VíceDatový typ POLE. Jednorozmrné pole - vektor
Datový typ POLE Vodítkem pro tento kurz Delphi zabývající se pedevším konzolovými aplikacemi a základy programování pro mne byl semestr na vysoké škole. Studenti nyní pipravují semestrální práce pedevším
Vícepopel, glum & nepil 16/28
Lineární rezoluce další způsob zjemnění rezoluce; místo stromu směřujeme k lineární struktuře důkazu Lineární rezoluční odvození (důkaz) z Ë je posloupnost dvojic ¼ ¼ Ò Ò taková, že Ò ½ a 1. ¼ a všechna
VícePromnné. [citováno z
Promnné [citováno z http://wraith.iglu.cz/python/index.php] Abychom s datovým objektem mohli v programu njak rozumn pracovat, potebujeme se na nj njakým zpsobem odkázat. Potebujeme Pythonu íct, aby napíklad
VíceSplajny a metoda nejmenších tverc
Splajny a metoda nejmenších tverc 1. píklad a) Najdte pirozený kubický splajn pro funkci na intervalu Za uzly zvolte body Na interpolaci pomocí kubického splajnu použijeme píkaz Spline(ydata,, endpts).
VíceZáklady umělé inteligence
Základy umělé inteligence Hraní her (pro 2 hráče) Základy umělé inteligence - hraní her. Vlasta Radová, ZČU, katedra kybernetiky 1 Hraní her (pro dva hráče) Hraní her je přirozeně spjato s metodami prohledávání
VíceZákladní pojmy klasického sudoku hlavolamu. Techniky odkrývání bunk. Technika Naked Single. Technika Hidden Single
Základní pojmy klasického sudoku hlavolamu Sudoku hlavolam (puzzle) obsahuje celkem 81 bunk (cells), devt vodorovných ádk (rows), devt svislých sloupc (columns) a devt skupin po 3 3 bukách nazývaných bloky
Více4. Lineární diferenciální rovnice rovnice 1. ádu
4. Lineární diferenciální rovnice rovnice. ádu y + p( ) y = (4.) L[ y] = y + p( ) y p q jsou spojité na I = (ab) a < b. Z obecné teorie vyplývá že množina všech ešení rovnice (4.) na intervalu I (tzv.
VícePrbh funkce Jaroslav Reichl, 2006
rbh funkce Jaroslav Reichl, 6 Vyšetování prbhu funkce V tomto tetu je vzorov vyešeno nkolik úloh na vyšetení prbhu funkce. i ešení úlohy jsou využity základní vlastnosti diferenciálního potu.. ešený píklad
VíceKUSOVNÍK Zásady vyplování
KUSOVNÍK Zásady vyplování Kusovník je základním dokumentem ve výrob nábytku a je souástí výkresové dokumentace. Každý výrobek má svj kusovník. Je prvotním dokladem ke zpracování THN, objednávek, ceny,
VíceGYMNÁZIUM CHEB SEMINÁRNÍ PRÁCE
GYMNÁZIUM CHEB SEMINÁRNÍ PRÁCE Relace Cheb, 006 Radek HÁJEK Prohlášení Prohlašuji, že jsem seminární práci na téma: Relace vypracoval zcela sám za použití pramen uvedených v piložené bibliograii na poítai
VícePÍRUKA A NÁVODY PRO ÚELY: - RUTINNÍ PRÁCE S DATY
PÍRUKA A NÁVODY PRO ÚELY: - RUTINNÍ PRÁCE S DATY YAMACO SOFTWARE 2006 1. ÚVODEM Nové verze produkt spolenosti YAMACO Software pinášejí mimo jiné ujednocený pístup k použití urité množiny funkcí, která
VíceStromy, haldy, prioritní fronty
Stromy, haldy, prioritní fronty prof. Ing. Pavel Tvrdík CSc. Katedra počítačů FEL České vysoké učení technické DSA, ZS 2008/9, Přednáška 6 http://service.felk.cvut.cz/courses/x36dsa/ prof. Pavel Tvrdík
VíceDefinice : Jsou li povrchové pímky kolmé k rovin, vzniká kolmá kruhová válcová plocha a pomocí roviny také kolmý kruhový válec.
3. EZY NA VÁLCÍCH 3.1. VÁLCOVÁ PLOCHA, VÁLEC Definice : Je dána kružnice k ležící v rovin a pímka a rznobžná s rovinou. Všechny pímky rovnobžné s pímkou a protínající kružnici k tvoí kruhovou válcovou
VíceAlgoritmizace prostorových úloh
INOVACE BAKALÁŘSKÝCH A MAGISTERSKÝCH STUDIJNÍCH OBORŮ NA HORNICKO-GEOLOGICKÉ FAKULTĚ VYSOKÉ ŠKOLY BÁŇSKÉ - TECHNICKÉ UNIVERZITY OSTRAVA Algoritmizace prostorových úloh Grafové úlohy Daniela Szturcová Tento
VíceExpertní Systémy. Umělá inteligence. 1950 Alan Turing: Computing Machinery and Intelligence. Mind 59, 1950, s.433-460
Umělá inteligence Věda, jejímž úkolem je naučit stroje, aby dělaly věci, které vyžadují inteligenci, jsouli prováděny člověkem. Marvin Minsky 1950 Alan Turing: Computing Machinery and Intelligence. Mind
VíceMetody návrhu algoritmů, příklady. IB111 Programování a algoritmizace
Metody návrhu algoritmů, příklady IB111 Programování a algoritmizace 2011 Návrhu algoritmů vybrané metody: hladové algoritmy dynamické programování rekurze hrubá síla tato přednáška: především ilustrativní
VícePRÁCE S GRAFICKÝMI VÝSTUPY SESTAV
PRÁCE S GRAFICKÝMI VÝSTUPY SESTAV V PRODUKTECH YAMACO SOFTWARE PÍRUKA A NÁVODY PRO ÚELY: - UŽIVATELSKÉ ÚPRAVY GRAFICKÝCH VÝSTUP YAMACO SOFTWARE 2006 1. ÚVODEM Vtšina produkt spolenosti YAMACO Software
Více"Agent Hledač" (3. přednáška)
"Agent Hledač" (3. přednáška) Přehled 3. přednášky v této přednášce se budeme zabývat "goal-based" agenty Přehled 3. přednášky v této přednášce se budeme zabývat "goal-based" agenty připomeňme, že "goal-based"
VíceNeinformované metody prohledávání stavového prostoru. Gerstner Laboratory Agent Technology Group, Czech Technical University in Prague
Neinformované metody prohledávání stavového prostoru Michal Pěchouček Gerstner Laboratory Agent Technology Group, Czech Technical University in Prague http://labe.felk.cvut.cz/~ tkrajnik/kui2/data/k333/1.pdf
VíceL I C H O B Ž N Í K (2 HODINY) ? Co to vlastn lichobžník je? Podívej se napíklad na následující obrázky:
L I C H O B Ž N Í K (2 HODINY)? Co to vlastn lichobžník je? Podívej se napíklad na následující obrázky: Na obrázcích je vyobrazena hospodáská budova a židlika, kterou urit mají tvoji rodie na chodb nebo
VícePídavný modul rozvaha lze vyvolat z hlavní nabídky po stisku tlaítka Výkazy / pídavné moduly.
Výkaz rozvaha Pídavný modul rozvaha lze vyvolat z hlavní nabídky po stisku tlaítka Výkazy / pídavné moduly. Po spuštní modulu se zobrazí základní okno výkazu: V tabulce se zobrazují sloupce výkazu. Ve
VíceR O V N O B Ž N Í K (2 HODINY)
R O V N O B Ž N Í K (2 HODINY)? Co to vlastn rovnobžník je? Na obrázku je dopravní znaka, která íká, že vzdálenost k železninímu pejezdu je 1 m (dva pruhy, jeden pruh pedstavuje vzdálenost 80 m): Pozorn
VíceVYTVÁENÍ VÝBROVÝCH DOTAZ
VYTVÁENÍ VÝBROVÝCH DOTAZ V PRODUKTECH YAMACO SOFTWARE PÍRUKA A NÁVODY PRO ÚELY: - VYTVÁENÍ VÝBROVÝCH SESTAV YAMACO SOFTWARE 2003-2004 1. ÚVODEM Standardní souástí všech produkt Yamaco Software jsou prostedky
VíceProhledávání do šířky a do hloubky. Jan Hnilica Počítačové modelování 15
Prohledávání do šířky a do hloubky Jan Hnilica Počítačové modelování 15 1 Prohledávací algoritmy Úkol postupně systematicky prohledat vymezený stavový prostor Stavový prostor (SP) možné stavy a varianty
VíceIMPORT DAT Z TABULEK MICROSOFT EXCEL
IMPORT DAT Z TABULEK MICROSOFT EXCEL V PRODUKTECH YAMACO SOFTWARE PÍRUKA A NÁVODY PRO ÚELY: - IMPORTU DAT DO PÍSLUŠNÉ EVIDENCE YAMACO SOFTWARE 2005 1. ÚVODEM Všechny produkty spolenosti YAMACO Software
VíceVysoká škola báská Technická univerzita Ostrava Institut geoinformatiky. Analýza dojíždní z dotazníkového šetení v MSK. Semestrální projekt
Vysoká škola báská Technická univerzita Ostrava Institut geoinformatiky Analýza dojíždní z dotazníkového šetení v MSK Semestrální projekt 18.1.2007 GN 262 Barbora Hejlková 1 OBSAH OBSAH...2 ZADÁNÍ...3
VíceZáklady informatiky. Teorie grafů. Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová
Základy informatiky Teorie grafů Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová Obsah přednášky Barvení mapy Teorie grafů Definice Uzly a hrany Typy grafů Cesty, cykly, souvislost grafů Barvení mapy
Více1 Píklady popisu typických konstrukcí
1 Píklady popisu typických konstrukcí V tomto odstavci se pokusíme ilustrovat denotaní popis sémantiky ve funkcionálním modelu pro typické píklady jazykových konstrukcí. Popisované konstrukce budou fragmenty
VíceZákladní datové struktury III: Stromy, haldy
Základní datové struktury III: Stromy, haldy prof. Ing. Pavel Tvrdík CSc. Katedra počítačových systémů Fakulta informačních technologií České vysoké učení technické v Praze c Pavel Tvrdík, 2010 Efektivní
VíceGrafové algoritmy. Programovací techniky
Grafové algoritmy Programovací techniky Grafy Úvod - Terminologie Graf je datová struktura, skládá se z množiny vrcholů V a množiny hran mezi vrcholy E Počet vrcholů a hran musí být konečný a nesmí být
VíceÚvod do plánování: Zadání úloh PDDL
Ing. Jan Strnad TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Tento materiál vznikl v rámci projektu ESF CZ.1.07/2.2.00/07.0247 řízení a měření, který je spolufinancován
VíceObsah prezentace. Základní pojmy v teorii o grafech Úlohy a prohledávání grafů Hledání nejkratších cest
Obsah prezentace Základní pojmy v teorii o grafech Úlohy a prohledávání grafů Hledání nejkratších cest 1 Základní pojmy Vrchol grafu: {množina V} Je to styčná vazba v grafu, nazývá se též uzlem, prvkem
VíceMOOVODY Moovody se oznaují trubice, které vybíhají z moové pánviky ledvin a odvádí vzniklou mo do moového mchýe.
VYLUOVACÍ SOUSTAVA vyjmenuje základní orgány vyluovací soustavy urí polohu orgán vyluovací soustavy v tle popíše vnjší i vnitní stavbu ledviny zhodnotí význam vyluovací soustavy pro život lovka uvede píklady
VíceProjektovéízení a strategický management - východiska programového financování - IPVZ, 2008
Projektovéízení a strategický management - východiska programového financování - IPVZ, 2008 Programové financování Cílem je dosažení pedem definovaných cíl Zpravidla pedstavují soubor projekt Projekt ízení
Více2.1 Pokyny k otev eným úlohám. 2.2 Pokyny k uzav eným úlohám. Testový sešit neotvírejte, po kejte na pokyn!
MATEMATIKA základní úrove obtížnosti DIDAKTICKÝ TEST Maximální bodové hodnocení: 50 bod Hranice úspšnosti: 33 % Základní informace k zadání zkoušky Didaktický test obsahuje 26 úloh. asový limit pro ešení
Vícebfs, dfs, fronta, zásobník, prioritní fronta, halda
bfs, dfs, fronta, zásobník, prioritní fronta, halda Petr Ryšavý 20. září 2016 Katedra počítačů, FEL, ČVUT prohledávání grafů Proč prohledávání grafů Zkontrolovat, zda je sít spojitá. Hledání nejkratší
VíceMETODY OCEOVÁNÍ PODNIKU DEFINICE PODNIKU. Obchodní zákoník 5:
METODY OCEOVÁNÍ PODNIKU DEFINICE PODNIKU Obchodní zákoník 5: soubor hmotných, jakož i osobních a nehmotných složek podnikání. K podniku náleží vci, práva a jiné majetkové hodnoty, které patí podnikateli
VíceBezpenost dtí v okolí škol z pohledu bezpenostního auditora
Bezpenost dtí v okolí škol z pohledu bezpenostního auditora Ing. Jaroslav Heinich, HBH Projekt spol. s r.o. pednáška na konferenci Bezpenos dopravy na pozemných komunikáciách 2008 ve Vyhne (SK) ÚVOD Bezpenostní
VícePrezentaní program PowerPoint
Prezentaní program PowerPoint PowerPoint 1 SIPVZ-modul-P0 OBSAH OBSAH...2 ZÁKLADNÍ POJMY...3 K EMU JE PREZENTACE... 3 PRACOVNÍ PROSTEDÍ POWERPOINTU... 4 OPERACE S PREZENTACÍ...5 VYTVOENÍ NOVÉ PREZENTACE...
VíceZáklady informatiky. 07 Teorie grafů. Kačmařík/Szturcová/Děrgel/Rapant
Základy informatiky 07 Teorie grafů Kačmařík/Szturcová/Děrgel/Rapant Obsah přednášky barvení mapy teorie grafů definice uzly a hrany typy grafů cesty, cykly, souvislost grafů Barvení mapy Kolik barev je
VíceGrafové algoritmy. Programovací techniky
Grafové algoritmy Programovací techniky Grafy Úvod - Terminologie Graf je datová struktura, skládá se z množiny vrcholů V a množiny hran mezi vrcholy E Počet vrcholů a hran musí být konečný a nesmí být
Více1. MODELY A MODELOVÁNÍ. as ke studiu: 30 minut. Cíl: Po prostudování této kapitoly budete umt: Výklad. 1.1. Model
1. MODELY A MODELOVÁNÍ as ke studiu: 30 minut Cíl: Po prostudování této kapitoly budete umt: charakterizovat model jako nástroj pro zobrazení skutenosti popsat proces modelování provést klasifikaci základních
Vícedq T dq ds = definice entropie T Entropie Pi pohledu na Clausiv integrál pro vratné cykly :
Entropie Pi pohledu na Clausiv integrál pro vratné cykly : si díve i pozdji jist uvdomíme, že nulová hodnota integrálu njaké veliiny pi kruhovém termodynamickém procesu je základním znakem toho, že se
VíceHEURISTICKÉ ALGORITMY PRO ŘEŠENÍ ÚLOH OBCHODNÍHO CESTUJÍCÍHO
HEURISTICKÉ ALGORITMY PRO ŘEŠENÍ ÚLOH OBCHODNÍHO CESTUJÍCÍHO Heuristické algoritmy jsou speciálními algoritmy, které byly vyvinuty pro obtížné úlohy, jejichž řešení je obtížné získat v rozumném čase. Mezi
Více1. Exponenciální rst. 1.1. Spojitý pípad. Rstový zákon je vyjáden diferenciální rovnicí
V tomto lánku na dvou modelech rstu - exponenciálním a logistickém - ukážeme nkteré rozdíly mezi chováním spojitých a diskrétních systém. Exponenciální model lze považovat za základní rstový model v neomezeném
VíceLepení plexi v bonici pružnými lepidly
Lepení plexi v bonici pružnými lepidly Dnes si mžete prohlédnout jednoduchý návod jak pilepit plexi do vyezané bonice. Samozejm možností lepení je mnoho, dnes se však podíváme na lepení pružnými lepidly.
Více1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST
1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST Kombinatorické pravidlo o souinu Poet všech uspoádaných k-tic, jejichž první len lze vybrat n 1 zpsoby, druhý len po výbru prvního lenu n 2 zpsoby atd. až k-tý
VíceZpráva k semestrální práci z pedmtu 36PT programovací techniky
Zpráva k semestrální práci z pedmtu 36PT programovací techniky Implementace algoritmu: Dvojrozmrný intervalový strom jméno a píjmení: Michal Trs studijní skupina: 12 roník: 2 cviení: pátek 7:30 1. Specifikace
VíceObsah...1 1. Úvod...2 Slovníek pojm...2 2. Popis instalace...3 Nároky na hardware a software...3 Instalace a spouštní...3 Vstupní soubory...3 3.
Obsah...1 1. Úvod...2 Slovníek pojm...2 2. Popis instalace...3 Nároky na hardware a software...3 Instalace a spouštní...3 Vstupní soubory...3 3. Popis prostedí...4 3.1 Hlavní okno...4 3.1.1 Adresáový strom...4
Více1. Prohledávání stavového prostoru
Obsah 1. Prohledávání stavového prostoru... 2 1.1. Základní informace... 2 1.2. Výstupy z učení... 2 1.3. Úvod... 2 1.4. Definice stavového prostoru... 3 1.1.1. Reprezentace stavového prostoru... 3 1.1.2.
VíceUniverzální ovlada LP20 DÁLKOVÝ OVLADA S MOŽNOSTÍ UENÍ SE OD PVODNÍCH OVLADA
Univerzální ovlada LP20 DÁLKOVÝ OVLADA S MOŽNOSTÍ UENÍ SE OD PVODNÍCH OVLADA NÁVOD K OBSLUZE Výhradní dovozce pro R (kontakt): Bohumil Veselý - VES Tšínská 204 Albrechtice, 735 43 I: 44750498 DI: CZ-6812261016
VíceModulární systém dalšího vzdělávání pedagogických pracovníků JmK. v přírodních vědách a informatice CZ.1.07/1.3.10/
Modulární systém dalšího vzdělávání pedagogických pracovníků JmK v přírodních vědách a informatice CZ.1.07/1.3.10/02.0024 Teorie grafů Sbírka cvičení Domečkologie Zkuste nakreslit domečky na obrázku. Které
VíceUmělá inteligence I. Roman Barták, KTIML. roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak
Umělá inteligence I Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Na úvod Agent s reflexy pouze převádí současný vjem na jednu akci. Agent s cílem umí plánovat několik akcí
VíceStromy. Strom: souvislý graf bez kružnic využití: počítačová grafika seznam objektů efektivní vyhledávání výpočetní stromy rozhodovací stromy
Stromy úvod Stromy Strom: souvislý graf bez kružnic využití: počítačová grafika seznam objektů efektivní vyhledávání výpočetní stromy rozhodovací stromy Neorientovaný strom Orientovaný strom Kořenový orientovaný
Více9. Kombinatorika, pravd podobnost a statistika
9. Kombinatorika, pravdpodobnost a statistika VÝCHOZÍ TEXT K ÚLOZE 1 V kódu je na prvním míst jedno z písmen A, B, C nebo D. Na dalších dvou pozicích je libovolné dvojciferné íslo od 11 do 45. (Existují
VíceHeuristiky, best-first search, A* search
Informované prohledávání stavového prostoru Heuristiky, best-first search, A* search Obsah: Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Informované prohledávání stavového prostoru Neinformované
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VíceInformatika navazující magisterské studium Přijímací zkouška z informatiky 2018 varianta A
Informatika navazující magisterské studium Přijímací zkouška z informatiky 2018 varianta A Každá úloha je hodnocena maximálně 25 body. Všechny své odpovědi zdůvodněte! 1. Postavte na stůl do řady vedle
Více1.16 Lineární stabilita (pouze Fin 3D)
1.16 Lineární stabilita (pouze Fin 3D) 1.16.1 Teoretický úvod Nedílnou souástí návrhu štíhlých prutových konstrukcí by ml být spolen se statickým výpotem také výpoet stabilitní, nebo podává z inženýrského
VíceLineární algebra Petriho sítí
) Notace Lineární algebra Petriho sítí Definice: Neznaená PN je taková tveice Q = P Pre Post kde P = {P P n } je množina míst (konená nenulová) = { m } je množina pechod (konená nenulová) Pre: P {} vstupní
Více17. Elektrický proud v polovodiích, užití polovodiových souástek
17. Elektrický proud v polovodiích, užití polovodiových souástek Polovodie se od kov liší pedevším tím, že mají vtší rezistivitu (10-2.m až 10 9.m) (kovy 10-8.m až 10-6.m). Tato rezistivita u polovodi
VíceDijkstrův algoritmus
Dijkstrův algoritmus Hledání nejkratší cesty v nezáporně hranově ohodnoceném grafu Necht je dán orientovaný graf G = (V, H) a funkce, která každé hraně h = (u, v) H přiřadí nezáporné reálné číslo označované
VíceDRUHY ROVNOBŽNÍK A JEJICH VLASTNOSTI 1 HODINA
DRUHY ROVNOBŽNÍK A JEJICH VLASTNOSTI HODINA Podívej se na následující obrázek: Na obrázku je rovnobžník s vyznaeným pravým úhlem. Odpovídej na otázky:? Jaká je velikost vnitního úhlu pi vrcholu C? Je rovna
VíceDokumentaní píruka k aplikaci. Visor: Focení vzork. VisorCam. Verze 1.0
Dokumentaní píruka k aplikaci Visor: Focení vzork VisorCam Verze 1.0 ervenec 2009 Modul Focení vzork slouží k nafocení vzork 1. Prostednictvím této aplikace je provádna veškerá práce s fotoaparátem pístroje
VíceHry a UI historie. von Neumann, 1944 algoritmy perfektní hry Zuse, Wiener, Shannon, přibližné vyhodnocování
Hry a UI historie Hry vs. Prohledávání stavového prostoru Hry a UI historie Babbage, 1846 počítač porovnává přínos různých herních tahů von Neumann, 1944 algoritmy perfektní hry Zuse, Wiener, Shannon,
Více! " # $ % # & ' ( ) * + ), -
! " # $ % # & ' ( ) * + ), - INDIVIDUÁLNÍ VÝUKA MATEMATIKA METODIKA Kuželosek Mgr. Petra Dunovská bezen 9 Obtížnost této kapitol matematik je dána tím, že se pi výkladu i ešení úloh komplexn vužívají vdomosti
VíceNEWTONOVY POHYBOVÉ ZÁKONY
NEWTONOVY POHYBOVÉ ZÁKONY Metodika Mgr. Michal Schovánek kvten 2010 Newtonovy pohybové zákony patí mezi nejobtížnjší kapitoly stedoškolské mechaniky. Popisované situace jsou sice jednoduše demonstrovatelné,
VíceZajišujeme: 595 626 026 office@vtsmorava.cz Gajdošova 61/3154, 702 00 Ostrava
Spolenost VTS Morava s.r.o. se sídlem v Ostrav vznikla 15.7.2002 pemnou fyzické osoby, psobící na trhu od roku 1997, na spolenost s ruením omezeným. Cílem spolenosti je od samého poátku specializace na
VíceEfektivní uení. Žádná zpráva dobrá zpráva. (Structured training) Schopnost pracovat nezávisí od IQ. Marc Gold
Efektivní uení (Structured training) Schopnost pracovat nezávisí od IQ. Marc Gold Žádná zpráva dobrá zpráva 1 ásti efektivního uení Stanovení cíle (+ kritéria) Analýza úkolu Použití pimené podpory Volba
VíceStanovení požadavk protismykových vlastností vozovek s ohledem na nehodovost
VUT Brno Fakulta stavební Studentská vdecká a odborná innost Akademický rok 2005/2006 Stanovení požadavk protismykových vlastností vozovek s ohledem na nehodovost Jméno a píjmení studenta : Roník, obor
Více2. M ení t ecích ztrát na vodní trati
2. M ení t ecích ztrát na vodní trati 2. M ení t ecích ztrát na vodní trati 2.1. Úvod P i proud ní skute ných tekutin vznikají následkem viskozity t ecí odpory, tj. síly, které p sobí proti pohybu ástic
VíceHledáme efektivní řešení úloh na grafu
Hledáme efektivní řešení úloh na grafu Mějme dán graf následující úlohy: G = ( V, E), chceme algoritmicky vyřešit Je daný vrchol t dosažitelný z vrcholu s? Pokud ano, jaká nejkratší cesta tyto vrcholy
Více4 - Architektura poítae a základní principy jeho innosti
4 - Architektura poítae a základní principy jeho innosti Z koncepního hlediska je mikropoíta takové uspoádání logických obvod umožující provádní logických i aritmetických operací podle posloupnosti povel
VíceÚvodní studie (pokraov
Úvodní studie (pokraov ování) Model jednání a kontext Model jednání (use case model) slouží pro evidenci aktér a služeb systému. Kontextový diagram slouží pro evidenci aktér a datových tok. Oba modely
Více