Intelligens Rendszerek I. Problémamegoldás kereséssel: nem informált keresés (blind search)
|
|
- Attila Dobos
- 8 évvel ezelőtt
- Látták:
Átírás
1 Intelligens Rendszerek I. Problémamegoldás kereséssel: nem informált keresés (blind search) 2007/2008. tanév, I. félév Dr. Kovács Szilveszter Miskolci Egyetem Informatikai Intézet 106. sz. szoba Tel: (46) / mellék
2 Ágens Az ágens olyan rendszer, amely környezetbe ágyazott, reaktív: érzékel és reagál, racionális: helyesen cselekszik. Lehet autonóm: saját tapasztalatai alapján, emberi beavatkozás nélkül működik. Ágenstípusok Egyszerű reflexszerű ágensek A világot nyomon követő ágensek Célorientált ágensek Hasznosságorientált ágensek Dr. Kovács Szilveszter M.I. 4. / 2.
3 Egyszerű reflexszerű ágens feltétel-cselekvés szabály (condition-action rule) (produkciós szabályok) Működése észleli a jelenlegi állapotot keres egy ehhez illeszkedő szabályt végrehajtja a szabályhoz illeszkedő cselekvést Nem gondolkodik előre, nem tud tervezni! Dr. Kovács Szilveszter M.I. 4. / 3.
4 Célorientált ágens A környezet pillanatnyi állapotának ismerete nem mindig elegendő a cselekvés meghatározásához A cél (goal) alapján történő döntés magába foglalja a jövő figyelembevételét A lehetséges cselekvések által elérhető új állapotok becslése alapján cselekvési tervet készít Dr. Kovács Szilveszter M.I. 4. / 4.
5 A célorientált ágens struktúrája Korábbi állapot Érzékelők Hogyan változik a világ? A cselekvések hatása Hogyan néz ki most a világ? (becsült állapot) Hogyan fog kinézni, ha az A cselekvést hajtom végre? Környzet Célok Cselekvés kiválasztás Ágens Beavatkozók Dr. Kovács Szilveszter M.I. 4. / 5.
6 Célorientált ágens Az ágens célját elérő cselekvéssorozat: keresés a jövő figyelembevétele tervkészítés (új cél új viselkedés) Dr. Kovács Szilveszter M.I. 4. / 6.
7 élorientált ágens - Problémamegoldó ágens A célorientált ágens egy típusa (problem solving agent) A probléma: A cél és azon eszközök halmaza, amelyekkel a célt elérjük A probléma megoldása: Keresés: Olyan cselekvéssorozatokat keresnek, melyek a kívánt (cél) állapotba vezetnek. Végrehajtási fázis (execution): a talált cselekvéssorozat végrehajtása. Dr. Kovács Szilveszter M.I. 4. / 7.
8 Problémamegoldás kereséssel Keresés (search): Több különböző lehetséges cselekvéssorozat közül, melyek ismert értékű állapotba vezetnek, a lehető legjobb kiválasztása. A keresési algoritmus bemenete egy probléma, a kimenete pedig cselekvéssorozat: megoldás. probléma keresési algoritmus megoldás Dr. Kovács Szilveszter M.I. 4. / 8.
9 Problémamegoldás kereséssel Célmegfogalmazás (goal formulation): A cél a világ állapotainak olyan halmaza, amelyben a cél teljesül. Cselekvések (action): Tevékenységek, melyek hatására a világ állapotai között állapotátmenetek mennek végbe. Problémamegfogalmazás (problem formulation): A cél megfogalmazását követően meghatározzuk, hogy mely cselekvéseket és állapotokat vegyük figyelembe (absztrakció) Gond: az ágens nem biztos, hogy ismeri állapotait és cselekvései eredményeit Dr. Kovács Szilveszter M.I. 4. / 9.
10 Problématípusok Az ágens és a környezetének kapcsolata alapján: Egyállapotú (single-state) (hozzáférhető környezet) Többállapotú (multiple-state) Ismeri a cselekvéseinek hatását, de csak korlátozottan fér hozzá a világ állapotához Eshetőségi (contingency) Ha a környezet nem determinisztikus Felderítési (exploration) Ha nincs semmilyen információja cselekvései hatásáról és a létező állapotokról kísérleteznie kell: a valós világban, nem pedig a modellben keres Dr. Kovács Szilveszter M.I. 4. / 10.
11 kereséssel történő problémamegoldás lépései A probléma megfogalmazása: A probléma ismeretek gyűjteménye, amit az ágens annak a meghatározására használ, hogy mit tegyen a cél elérésének érdekében (célok, állapotok, cselekvések) A probléma megoldása: Kereső eljárás alkalmazása, a célállapotot elérő cselekvéssorozatok keresése Végrehajtás Dr. Kovács Szilveszter M.I. 4. / 11.
12 Probléma megfogalmazás Milyen szinten vegyük figyelembe a cselekvéseket és az állapotokat? Teljes részletességgel: a kormánykereket hat fokkal tekerd balra > a feladat megoldhatatlan A feladat lényegét kiemelve: (absztrakció) melyik útvonalat válassza? > a feladat megoldható Dr. Kovács Szilveszter M.I. 4. / 12.
13 Probléma megfogalmazás Erősen befolyásolja a keresés hatékonyságát, hogy mit értünk lehetséges állapotokon cselekvéseken pl. 20*20-as amőba játék. Lehetséges lépésként az összes mezőt vizsgáljuk: az első lépéseknél 100-as nagyságrend, nagyon nagy elágazási tényezőjű (b: branching factor) fagráf (kombinatorikus robbanás) Csak az első lépés környezetében levő üres helyeket vizsgáljuk egy 9*9-es mezőben, mivel az utolsónak lerakott jel csak ebben a részben alkothat nyerő ötöst b:max. 80 Csak az előző lépésre illesztett csillag alakzat üres helyeire végezzük a vizsgálatot b:max. 32 Dr. Kovács Szilveszter M.I. 4. / 13.
14 Pl. amőba játék, állapot reprezentációk X X X O X X O O O O X O Dr. Kovács Szilveszter M.I. 4. / 14.
15 Probléma megfogalmazás formálisan (egyállapotú probléma esetén) A kiinduló állapot (initial state) meghatározása (ebből indul) A lehetséges cselekvések halmazának meghatározása: Operátorok: cselekvések, melyek hatására az ágens egy adott állapotból egy másik állapotba kerül S(x) következő állapotfüggvény: egy adott x állapotban valamely cselekvés végrehajtásával elérhető állapotok halmaza Állapottér: azon állapotok halmaza, amely a kiinduló állapotból valamilyen cselekvéssorozattal elérhetők Az állapottér egy útja: egy állapotból a másikba vezető cselekvéssorozat Dr. Kovács Szilveszter M.I. 4. / 15.
16 Probléma megfogalmazás formálisan (egyállapotú probléma esetén) Célteszt: amely alapján egy állapotról az ágens el tudja dönteni, hogy az célállapot-e egyszerű eset: a jelenlegi állapot eleme-e a célállapotok halmazának? bonyolult eset: a cél egy absztrakt tulajdonság pl. sakk matt Útköltség: függvény, amely egy úthoz hozzárendel egy költséget Pl. az utat alkotó cselekvések költségeinek összege Megoldás: a kiinduló állapotból egy olyan állapotba vezető út, ami teljesíti a céltesztet Dr. Kovács Szilveszter M.I. 4. / 16.
17 Pl: Amőba játék Állapotok: lehetséges lépésekkel kialakuló helyzetek Operátorok: lépések Célteszt: öt egyforma jel folyamatosan egy sorban, egy oszlopban vagy átlósan Útköltség: nulla Megoldás: egy út (lépés sorozat) a kiinduló és a céltesztet teljesítő állapot között Dr. Kovács Szilveszter M.I. 4. / 17.
18 Pl: Utazás Aradról Bukarestbe Pl: ágensünk nyer egy kéthetes all-inclusive nyaralást a romániai Bukarestben, az egyetlen feltétel az, hogy másnap délre odaérjen, de este 10 előtt nem tud elindulni, és ágensünk kell vezesse az autót. Kiindulási állapot: Aradról indul Cél: Bukarestbe eljutni Minden olyan cselekvést, ami nem ezt eredményezi el kell dobni Dr. Kovács Szilveszter M.I. 4. / 18.
19 Utazási példa: Románia térkép Dr. Kovács Szilveszter M.I. 4. / 19.
20 Utazási példa: Románia a probléma megfogalmazása kiinduló állapot: Arad célteszt: ez a város Bukarest? állapottér: a városok, ahova Aradról el lehet jutni (állapot: város ahol vagyok) operátorok: városok közötti utakon történő vezetés útköltség függvény: városok távolsága km-ben megoldás: egy útvonal Aradról Bukarestbe Dr. Kovács Szilveszter M.I. 4. / 20.
21 Keresés Térkép - állapotok, ahova az ágens eljuthat - végrehajtható cselekvések Ágens - megvizsgálja a lehetséges cselekvés sorozatokat, amelyek a célhoz vezetnek - kiválasztja a legjobbat (útiköltség) valamely keresési stratégiával Végrehajtás A megtalált cselekvéssorozat megvalósítása Dr. Kovács Szilveszter M.I. 4. / 21.
22 Operátorok: balra jobbra porszívás Cél: az összes szemét eltakarítása célállapot: {7,8} Útköltség: minden cselekvés költsége: 1, additív Példa: porszívóvilág Dr. Kovács Szilveszter M.I. 4. / 22.
23 Porszívóvilág: mint egyállapotú probléma Az érzékelők megadják, hogy melyik állapotban van (melyik négyzet, szemetes-e a padló?) Pontosan tudja, hogy cselekvései mit eredményeznek pl. kiinduló állapot {5} megoldás: [jobb, porszívás] Dr. Kovács Szilveszter M.I. 4. / 23.
24 Vacuum world state space graph (állapottér gráf) states? integer dirt and robot location actions? Left, Right, Suck goal test? no dirt at all locations path cost? 1 per action Dr. Kovács Szilveszter M.I. 4. / 24.
25 Porszívóvilág: mint többállapotú probléma Nem tudja, hogy melyik állapotban van (melyik négyzet, ott szemetes-e a padló?) Pontosan tudja, hogy cselekvései mit eredményeznek (ha a falnak ütközne, akkor a cselekvés nem hajtódik végre) Következtetés állapothalmazokkal Kiinduló állapot: {1,2,3,4,5,6,7,8} Megoldás: pl: [jobb, porszívás, bal, porszívás] Dr. Kovács Szilveszter M.I. 4. / 25.
26 Porszívóvilág: mint többállapotú probléma Következtetés állapothalmazokkal Dr. Kovács Szilveszter M.I. 4. / 26.
27 Porszívóvilág: mint eshetőségi probléma Módosítás: tiszta szoba esetén a porszívózás koszt csinál (Murphy) Tudja, hogy melyik négyzetben van pl. {1,3} kiinduló állapot De nem tudja, hogy szemetes-e a szomszéd négyzet Nem létezik rögzített cselekvéssorozat, ami garantálja a megoldást Megoldás: Érzékelésre van szükség a végrehajtási fázisban (ettől többállapotú probléma lesz) Pl. érzékeli az adott négyzeten belül a szemetet [porszívás, jobbra,?] csak akkor takarít, ha koszos a szőnyeg Dr. Kovács Szilveszter M.I. 4. / 27.
28 Felderítési probléma Az ágens nem ismeri előre cselekvései hatását és a létező állapotokat Kísérletezés: cselekvései hatásainak, és létező állapotok fokozatos feltérképezése A valós világban, nem pedig a modellben keres Tanulás tapasztalatok útján pl. Újszülött Dr. Kovács Szilveszter M.I. 4. / 28.
29 Játék problémák nyolcas kirakójáték 8 királynő probléma betűaritmetika porszívóvilág hittérítők és kannibálok Dr. Kovács Szilveszter M.I. 4. / 29.
30 Példa: nyolcas kirakójáték (8-puzzle) states? locations of tiles actions? move blank left, right, up, down goal test? = goal state (given) path cost? 1 per move [Note: optimal solution of n-puzzle family is NP-hard] Dr. Kovács Szilveszter M.I. 4. / 30.
31 Példa: 8 királynő probléma Állapotok: 8 királynő a táblán, minden oszlopban egy-egy Operátorok: minden támadott királynőt a saját oszlopában mozgasd Célteszt: támadják-e egymást? Útköltség: 0 Dr. Kovács Szilveszter M.I. 4. / 31.
32 Betűaritmetika FORTY F=2 TEN 850 O=9 TEN 850 R=7 stb. SIXTY Állapotok: betűaritmetikai feladvány, néhány betűt már szám helyettesíthet Operátorok: egy betű minden előfordulását cseréld le Célteszt: csak számok, helyes Útköltség: 0, minden megoldás jó Dr. Kovács Szilveszter M.I. 4. / 32.
33 Hittérítők és kannibálok 3H+3K+1 csónak Feladat: Átkelési mód úgy, hogy a kannibálok sehol ne legyenek túlsúlyban. A csónakba max. 2 személy fér, a csónak nem kellhet át üresen Állapotok: (H,K,Cs) az indulási oldalon oldalon; kiinduló: (3,3,1) Operátor: vigyük át a csónakban Célteszt: (0,0,0) Útköltség: átkelések száma Dr. Kovács Szilveszter M.I. 4. / 33.
34 Jól definiált problémák Játék problémák: különböző problémamegoldó módszereket illusztrálnak vagy gyakoroltatnak tömör és pontos leírás Valósvilágbeli problémák: nehezen kezelhető nem létezik egységes, elfogadott leírás Dr. Kovács Szilveszter M.I. 4. / 34.
35 Valósvilágbeli problémák útkeresés: pl. számítógép hálózatok, légi útvonal keresés utazó ügynök: minden városba legalább egyszer, vagy csak egyszer furatok készítésénél automatikus fúrómozgás chip tervezés cellaelrendezés, huzalozás cél: felület és összeköttetéskor minimalizálás alkatrészek összeszerelési sorrendjének megkeresése Dr. Kovács Szilveszter M.I. 4. / 35.
36 Example: robotic assembly states?: real-valued coordinates of robot joint angles parts of the object to be assembled actions?: continuous motions of robot joints goal test?: complete assembly path cost?: time to execute Dr. Kovács Szilveszter M.I. 4. / 36.
37 Megoldások keresése Cselekvéssorozatok generálása Keresési fa (search tree) adatszerkezete Keresési stratégiák Dr. Kovács Szilveszter M.I. 4. / 37.
38 Utazási példa: Románia Dr. Kovács Szilveszter M.I. 4. / 38.
39 Keresési fa Dr. Kovács Szilveszter M.I. 4. / 39.
40 Keresési fa Dr. Kovács Szilveszter M.I. 4. / 40.
41 Keresési fa Dr. Kovács Szilveszter M.I. 4. / 41.
42 Állapottér Keresési fa Az egyes állapotok a keresési fa csomópontjai S 1 5 A B C 5 G S A B C G G G szint 1. szint 2. szint Dr. Kovács Szilveszter M.I. 4. / 42.
43 Keresési fa - terminológia Fa, melynek csúcsa a kiinduló állapot, valamelyik levele a célállapot, ha létezik megoldás Állapot kifejtése: valamely állapotból egyetlen lépéssel elérhető állapotok meghatározása. Perem (fringe), vagy hullámfront (frontier): a kifejtésre váró csomópontok (állapotok) halmaza A keresési módszer nem más mint a kifejtésre váró csomópontok kifejtési sorrendjének meghatározása Dr. Kovács Szilveszter M.I. 4. / 43.
44 Keresési fa - terminológia Elágazási tényező (branching factor: b): egy állapot kifejtésekor keletkező új állapotok maximális száma A keresési fa mélysége (m): a fa gyökerétől a legtávolabbi levélig vezető út csomópontjainak száma A megoldás mélysége (depth: d): a fa gyökerétől a legközelebbi megoldásig vezető út csomópontjainak száma Mélységi korlát (l): a leghosszabb kifejtett utak csomópontjainak száma Az n. állapotba vezető út költsége g(n) Dr. Kovács Szilveszter M.I. 4. / 44.
45 A keresés értékelése Teljesség: ha van megoldás, azt az eljárás megtalálja Optimalitás: ha több megoldás létezik, akkor megtalálja a legjobbat (a legalacsonyabb költségűt) Időigény: mennyi időre van szükség a megoldás megkereséséhez Tárigény: mennyi memóriára van szükség a megoldás megkereséséhez Dr. Kovács Szilveszter M.I. 4. / 45.
46 Keresési költség Statikus környezetben: nulla Szemidinamikus környezetben (pl., ha sürgős az utazás) függhet a számítási időtől Dinamikus környezet: egyértelmű függés az időtől - a pontos kapcsolat problémafüggő Dr. Kovács Szilveszter M.I. 4. / 46.
47 Keresési módszerek Nem informált (non informed, blind (vak) search): szélességi, egyenletes költségű, mélységi, mélységkorlátozott, iteratívan mélyülő, kétirányú keresés Informált (heurisztikus keresés): globális információra (heurisztikára) támaszkodó eljárások: legjobbat először, A, A*, iteratív A* lokális információra támaszkodó eljárások: hegymászó keresés, szimulált lehűtés, tabu keresés Dr. Kovács Szilveszter M.I. 4. / 47.
48 Példák kereséssel megoldható feladatokra útkeresés két város között bűvös kocka hogyan lehet 31 dominóval lefedni egy, az átellenes sarkain csonka sakktáblát? hittérítők és kannibálok nyolcas kirakójáték Dr. Kovács Szilveszter M.I. 4. / 48.
49 Nyolcas kirakójáték Dr. Kovács Szilveszter M.I. 4. / 49.
50 Nem informált keresési módszerek A nem informált keresési módszerek csak a probléma definícióban megfogalmazott információra támaszkodhatnak. Az egyes keresési módszerek csak a kifejtésre váró csomópontok kifejtési sorrendjében térnek el egymástól: Szélességi, (Breadth-first search) egyenletes költségű, (Uniform-cost search) mélységi, (Depth-first search) mélységkorlátozott, (Depth-limited search) iteratívan mélyülő, (Iterative deepening search) kétirányú keresés (Bidirectional search). Dr. Kovács Szilveszter M.I. 4. / 50.
51 Szélességi keresés Mindig a legsekélyebben fekvő kifejtésre váró csomópontot fejti ki először Implementation: fringe is a FIFO queue, i.e., new successors go at end Dr. Kovács Szilveszter M.I. 4. / 51.
52 Szélességi keresés Mindig a legsekélyebben fekvő kifejtésre váró csomópontot fejti ki először Implementation: fringe is a FIFO queue, i.e., new successors go at end Dr. Kovács Szilveszter M.I. 4. / 52.
53 Szélességi keresés Mindig a legsekélyebben fekvő kifejtésre váró csomópontot fejti ki először Implementation: fringe is a FIFO queue, i.e., new successors go at end Dr. Kovács Szilveszter M.I. 4. / 53.
54 Szélességi keresés Mindig a legsekélyebben fekvő kifejtésre váró csomópontot fejti ki először Implementation: fringe is a FIFO queue, i.e., new successors go at end Dr. Kovács Szilveszter M.I. 4. / 54.
55 A szélességi keresés tulajdonságai Mindig a legsekélyebben fekvő (legkevesebb lépéssel elérhető) megoldást találja meg Teljesség? Igen (ha b véges) Idő? 1+b+b 2 +b 3 + +b d = O(b d ) (minden csomópontból b darab irányba mehetünk tovább (elágazási tényező) és a célig d lépést kell megtenni) Hely? O(b d ) (keeps every node in memory) Optimalitás? Igen Feltéve, hogy az útiköltség a csomópontszám költségnek nem csökkenő függvénye (mélyebben csak drágábbak lehetnek) (e.g. if cost = 1 per step) A helyigény a nagyobb probléma, nem az időigény Dr. Kovács Szilveszter M.I. 4. / 55.
56 Bonyolultságanalízis O( ) Aszimptotikus elemzés (asymptotik analysis): T(n): O(f(n)) mértékű, ha T(n) k. f(n)) valamilyen k-ra, minden n>n 0 esetén. Pl. Ha n aszimptotikusan tart a végtelenhez, egy O(n) algoritmus jobb mint egy O(n 2 ), vagy egy O(m n ). (Hosszú távon rosszabb, pl. ha műveletszám, akkor van olyan n, amitől kezdve többet kell számolni) O( ) jó az algoritmusok számítási komplexitásának (pl. műveletszám) összevetésére, mert független a műveletek egzakt számától (k) és a bemenetek egzakt tartalmától (csupán n nagyságát figyelembe véve absztrahál). Dr. Kovács Szilveszter M.I. 4. / 56.
57 Breadth-first search; evaluation Two lessons: Memory requirements are a bigger problem than its execution time. Exponential complexity search problems cannot be solved by uninformed search methods for any but the smallest instances. DEPTH2 NODES TIME MEMORY seconds 1 megabyte seconds 106 megabytes minutes 10 gigabytes hours 1 terabyte days 101 terabytes years 10 petabytes years 1 exabyte Dr. Kovács Szilveszter M.I. 4. / 57.
58 Egyenletes költségű keresés A hullámfront legkisebb költségű ahova a legolcsóbban lehet eljutni - csomópontját fejti ki először Addig folytatja, míg a hullámfront nem tartalmaz a talált megoldásnál kisebb értéket. Megtalálja a legolcsóbb megoldást, ha az útköltség egy út bejárása során soha sem csökkenhet A (nincs negatív részköltség) S B 5 G 15 C 5 Dr. Kovács Szilveszter M.I. 4. / 58.
59 Példa az egyenletes költségű keresésre S 0 S A B C S A B C 5 15 S A B C 15 S A 1 5 B 10 5 G 1 G 11 G 1 G C 5 Dr. Kovács Szilveszter M.I. 4. / 59.
60 Az egyenletes költségű keresés tulajdonságai Expand least-cost unexpanded node Implementation: fringe = queue ordered by path cost Amennyiben a lépésköltségek egyenlők, azonos a szélességi kereséssel. Teljesség? Igen, ha step cost ε ( ε > 0) Idő? # of nodes with g cost of optimal solution, O(b (C*/ ε) ) where C * is the cost of the optimal solution Hely? # of nodes with g cost of optimal solution, O(b (C*/ ε) ) Optimalitás? Igen nodes expanded in increasing order of g(n) Dr. Kovács Szilveszter M.I. 4. / 60.
61 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki A keresés csak akkor lép vissza és fejt ki magasabb szinten lévő csomópontokat, ha zsákutcába fut (olyan csomópont, melynek üres halmaz a kifejtése és amely nem cél csomópont) A frissen generált csomópontok mindig a sor elejére kerülnek (LIFO Last in First Out) Az első találatig megy (az útköltséget nem veszi figyelembe a döntéseknél) Dr. Kovács Szilveszter M.I. 4. / 61.
62 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 62.
63 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 63.
64 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 64.
65 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 65.
66 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 66.
67 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 67.
68 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 68.
69 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 69.
70 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 70.
71 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 71.
72 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 72.
73 Mélységi keresés Mindig a keresési fa legmélyebben fekvő csomópontjainak egyikét fejti ki Implementation: fringe = LIFO queue, i.e., put successors at front Dr. Kovács Szilveszter M.I. 4. / 73.
74 Mélységi keresés tulajdonságai Teljesség? Nem: elvész a végtelen mélységekben és hurkokban El kell kerülni az út mentén ismétlődő állapotokat véges fa esetén teljes! a keresési fa mélysége a megoldás mélysége Idő? O(b m ): nagyon rossz, ha m sokkal nagyobb mint d ha sűrűn vannak a megoldások, akkor sokkal gyorsabb is lehet mint a szélességi keresés Hely? O(bm), azaz, lineáris a hely komplexitás! m a fa maximális mélysége és csak a levélcsomópontig vezető utat és az útközben kifejtetlen csomópontokat kell eltárolni. Optimalitás? Nem Ha vannak végtelen mély ágak, akkor nem teljes és nem optimális. Dr. Kovács Szilveszter M.I. 4. / 74.
75 Mélységkorlátozott keresés Mélységi keresés, de egy adott mélységnél nem mehetünk tovább a keresési fában. A legelső talált megoldásnál megáll. pl. Kecskemét Poreč övezetben n (n=29) város található - ha a lépések száma eléri az n-t, és nem értünk célba, akkor nincs értelme a folytatásnak. Dr. Kovács Szilveszter M.I. 4. / 75.
76 Mélységkorlátozott keresés tulajdonságai Teljesség? Nem teljes ha l < d (Csak akkor lenne teljes, ha előre tudnánk a megoldás maximális mélységét) Optimalitás? Nem optimális pl. ha l > d (lehet, hogy mélyebben talál egy megoldást) Idő? Időigény b l -el arányos: O(b l ) Hely? Tárigény b*l-el arányos: O(bl) Ahol l a mélységi korlát Dr. Kovács Szilveszter M.I. 4. / 76.
77 Iteratívan mélyülő keresés A legjobb mélységkorlát iteratív meghatározása Az összes lehetséges mélységkorlát kipróbálása Exponenciális keresési fa esetén viszonylag kis többletmunka Dr. Kovács Szilveszter M.I. 4. / 77.
78 Iteratívan mélyülő keresés l =0 Dr. Kovács Szilveszter M.I. 4. / 78.
79 Iteratívan mélyülő keresés l =1 Dr. Kovács Szilveszter M.I. 4. / 79.
80 Iteratívan mélyülő keresés l =2 Dr. Kovács Szilveszter M.I. 4. / 80.
81 Iteratívan mélyülő keresés l =3 Dr. Kovács Szilveszter M.I. 4. / 81.
82 Az iteratívan mélyülő keresés tulajdonságai Number of nodes generated in a depth-limited search to depth d with branching factor b: N DLS = b 0 + b 1 + b b d-2 + b d-1 + b d Number of nodes generated in an iterative deepening search to depth d with branching factor b: N IDS = (d+1)b 0 + d b 1 + (d-1)b b d-2 +2b d-1 + 1b d For b = 10, d = 5, N DLS = , , ,000 = 111,111 N IDS = , , ,000 = 123,456 Overhead = (123, ,111)/111,111 = 11% A legtöbb csomópont a fa alján van Dr. Kovács Szilveszter M.I. 4. / 82.
83 Az iteratívan mélyülő keresés tulajdonságai Teljesség? Igen Idő? (d+1)b 0 + d b 1 + (d-1)b b d = O(b d ) Hely? O(bd) Optimalitás? Igen, feltéve, hogy az útiköltség a csomópontszám költségnek nem csökkenő függvénye (mélyebben csak drágábbak lehetnek) (e.g. if cost = 1 per step) Dr. Kovács Szilveszter M.I. 4. / 83.
84 Szakirodalmi ajánlás Nagy keresési térrel rendelkező problémák esetén, és ha a megoldás mélysége nem ismert, az iteratívan mélyülő keresés alkalmazását javasolja. Dr. Kovács Szilveszter M.I. 4. / 84.
85 Kétirányú keresés Keresés indítása egyszerre - a kiinduló állapotból és - a célállapotból Leállás: a két keresés találkozásánál Dr. Kovács Szilveszter M.I. 4. / 85.
86 Bidirectional search Két egyidejű keresés, egy a kiindulási, egy a célállapotból. Motiváció: b d /2 + b d /2 b d Check whether the node belongs to the other fringe before expansion. Space complexity is the most significant weakness. Teljes és optimális, ha mindkét keresés szélességi keresés. Dr. Kovács Szilveszter M.I. 4. / 86.
87 How to search backwards? The predecessor of each node should be efficiently computable. When actions are easily reversible. Dr. Kovács Szilveszter M.I. 4. / 87.
88 Summary of algorithms Criterion Uniformcost Breadth- First Depthlimited Depth- First Iterative deepening Bidirectio nal search Complete? YES* YES* NO YES, if l d YES YES* Time b d b C*/e b m b l b d b d/2 Space b d b C*/e bm bl bd b d/2 Optimal? YES* YES* NO NO YES YES Dr. Kovács Szilveszter M.I. 4. / 88.
89 Ismételt állapotok elkerülése Failure to detect repeated states can turn a solvable problems into unsolvable ones Módszerek: Ne térjen vissza a megelőző állapotba Ne hozz létre kört tartalmazó utat Ne generálj már korábban legenerált állapotot (valamennyi korábbi állapot tárolása O(b d ) tárigény) Dr. Kovács Szilveszter M.I. 4. / 89.
90 Ajánlott irodalom Jelen előadás fóliái részben az alábbi források alapján készültek: Stuart J. Russel Peter Norvig: Mesterséges Intelligencia modern megközelítésben, Panem- Prentice-Hall, Budapest, 2000, ISBN Dr. Dudás László: Mesterséges Intelligencia Módszerek, Miskolci Egyetem, Alkalmazott Informatikai Tanszék, Dr. Kovács Szilveszter M.I. 4. / 90.
Intelligens Rendszerek I. Problémamegoldás kereséssel: informált kereső eljárások (Heurisztikus keresés)
Intelligens Rendszerek I. Problémamegoldás kereséssel: informált kereső eljárások (Heurisztikus keresés) 2007/2008. tanév, I. félév Dr. Kovács Szilveszter E-mail: szkovacs@iit.uni-miskolc.hu Miskolci Egyetem
RészletesebbenMesterséges intelligencia
Mesterséges intelligencia PTI BSc levelező 2009-10. ősz Előadás, gyakorlat: Vályi Sándor mailto:valyis@nyf.hu Az email tárgy(subject): mezője a mestint szóval kezdődjék Az órák időpontja 1. előadás: szept.
RészletesebbenSZAKDOLGOZAT. Nagy Gábor
SZAKDOLGOZAT Nagy Gábor Debrecen 2008 Debreceni Egyetem Informatikai Kar Megoldáskereső Módszerek Témavezető: Dr. Halász Gábor Egyetemi docens Készítette: Nagy Gábor Programtervező Informatikus Debrecen
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel vakon http://mialmanach.mit.bme.hu/aima/ch03s03 3. fejezet 3.4 alfejezet Pataki Béla, (Hullám Gábor) BME I.E. 414, 463-26-79 pataki@mit.bme.hu,
RészletesebbenGyakorló feladatok ZH-ra
Algoritmuselmélet Schlotter Ildi 2011. április 6. ildi@cs.bme.hu Gyakorló feladatok ZH-ra Nagyságrendek 1. Egy algoritmusról tudjuk, hogy a lépésszáma O(n 2 ). Lehetséges-e, hogy (a) minden páros n-re
RészletesebbenMesterséges Intelligencia I. gyakorlat
Mesterséges ntelligencia. gyakorlat Dobó ndrás 2013/2014. félév elhasznált irodalom: z előadás jegyzete (http://www.inf.u-szeged.hu/~jelasity/mi1/2013/jegyzet.pdf) Peter Norvig, Stuart J. Russel: Mesterséges
RészletesebbenMesterséges intelligencia 2. laborgyakorlat
Mesterséges intelligencia 2. laborgyakorlat Keresési módszerek A legtöbb feladatot meg lehet határozni keresési feladatként: egy ún. állapottérben, amely tartalmazza az összes lehetséges állapotot fogjuk
RészletesebbenMesterséges intelligencia 1 előadások
VÁRTERÉSZ MAGDA Mesterséges intelligencia 1 előadások 2006/07-es tanév Tartalomjegyzék 1. A problémareprezentáció 4 1.1. Az állapottér-reprezentáció.................................................. 5
RészletesebbenMesterséges Intelligencia I. előadásjegyzet (vázlat)
Mesterséges Intelligencia I. előadásjegyzet (vázlat) Jelasity Márk 2012. február 1. Az előadásjegyzet a következő könyv válogatott fejezeteire épül: Stuart Russell, and Peter Norvig. Artificial Intelligence:
RészletesebbenMapping Sequencing Reads to a Reference Genome
Mapping Sequencing Reads to a Reference Genome High Throughput Sequencing RN Example applications: Sequencing a genome (DN) Sequencing a transcriptome and gene expression studies (RN) ChIP (chromatin immunoprecipitation)
RészletesebbenBrósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Gráfelmélet II. Gráfok végigjárása
Gráfelmélet II. Gráfok végigjárása DEFINÍCIÓ: (Séta) A G gráf egy olyan élsorozatát, amelyben a csúcsok és élek többször is szerepelhetnek, sétának nevezzük. Egy lehetséges séta: A; 1; B; 2; C; 3; D; 4;
RészletesebbenA rosszindulatú daganatos halálozás változása 1975 és 2001 között Magyarországon
A rosszindulatú daganatos halálozás változása és között Eredeti közlemény Gaudi István 1,2, Kásler Miklós 2 1 MTA Számítástechnikai és Automatizálási Kutató Intézete, Budapest 2 Országos Onkológiai Intézet,
RészletesebbenCsima Judit május 10.
Asszociációs-szabályok, 3. rész Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2018. május 10. Csima Judit Asszociációs-szabályok, 3. rész 1 / 21 Eddig mi volt? Apriori-algoval gyakori
RészletesebbenMás viszonylatban (például Badacsonyból Füredre, vagy Tapolcáról közvetlenül Fonyódra, stb.) a szállítás értelmetlen, ezért nem lehetséges.
OPERÁCIÓKUTATÁS, 2005. december 28. A NÉV: 2-0 NEPTUN KÓD:. Követ kell szállítani Tapolcáról, illetve Veszprémből Kaposvárra és Pécsre. A szállításnál mind szárazföldön, mind vizen közbülső szállítási
RészletesebbenNemzeti alaptanterv 2012 MATEMATIKA
ALAPELVEK, CÉLOK Az iskolai matematikatanítás célja, hogy hiteles képet nyújtson a matematikáról mint tudásrendszerről és mint sajátos emberi megismerési, gondolkodási, szellemi tevékenységről. A matematika
RészletesebbenOperációs rendszerek. 3. előadás Ütemezés
Operációs rendszerek 3. előadás Ütemezés 1 Szemaforok Speciális változók, melyeket csak a két, hozzájuk tartozó oszthatatlan művelettel lehet kezelni Down: while s < 1 do üres_utasítás; s := s - 1; Up:
RészletesebbenXML adatkezelés. 11. témakör. Az XQuery nyelv alapjai. XQuery. XQuery célja egy imperatív lekérdező nyelv biztosítása. XQuery.
XML adatkezelés 11. témakör Az nyelv alapjai ME GEIAL dr Kovács Lászl szló célja egy imperatív lekérdező nyelv biztosítása SQL XPath XSLT (nem XML) XDM Forrás XML processzor Eredmény XML 1 jellemzői --
RészletesebbenMEZŐGAZDASÁGI HULLADÉKOT FELDOLGOZÓ PELLETÁLÓ ÜZEM LÉTESÍTÉSÉNEK FELTÉTELEI
Multidiszciplináris tudományok, 2. kötet. (2012) 1 sz. pp. 115-120. MEZŐGAZDASÁGI HULLADÉKOT FELDOLGOZÓ PELLETÁLÓ ÜZEM LÉTESÍTÉSÉNEK FELTÉTELEI Szamosi Zoltán*, Dr. Siménfalvi Zoltán** *doktorandusz, Miskolci
RészletesebbenAlkalmazott modul: Programozás
Eötvös Loránd Tudományegyetem Informatikai Kar Alkalmazott modul: Programozás Feladatgyűjtemény Összeállította: Giachetta Roberto groberto@inf.elte.hu http://people.inf.elte.hu/groberto Frissítve: 2015.
RészletesebbenVarlogic NR6/NR12. teljesítménytényezô szabályozó automatika. Kezelési és üzembe helyezési útmutató
Varlogic NR6/NR12 teljesítménytényezô szabályozó automatika Kezelési és üzembe helyezési útmutató NR6/NR12 teljesítménytényezô szabályozó automatika Kezelési és üzembe helyezési útmutató Tartalomjegyzék
RészletesebbenMesterséges Intelligencia I. (I602, IB602)
Dr. Jelasity Márk Mesterséges Intelligencia I. (I602, IB602) harmadik (2008. szeptember 15-i) előadásának jegyzete Készítette: Papp Tamás PATLACT.SZE KPM V. HEURISZTIKUS FÜGGVÉNYEK ELŐÁLLÍTÁSA Nagyon fontos
RészletesebbenLEKÉRDEZÉSEK SQL-BEN. A relációs algebra A SELECT utasítás Összesítés és csoportosítás Speciális feltételek
LEKÉRDEZÉSEK SQL-BEN A relációs algebra A SELECT utasítás Összesítés és csoportosítás Speciális feltételek RELÁCIÓS ALGEBRA A relációs adatbázisokon végzett műveletek matematikai alapjai Halmazműveletek:
RészletesebbenKeresőeljárások kétszemélyes játékokhoz
Keresőeljárások kétszemélyes játékokhoz Összeállította : Vályi Sándor Prof. Dr. Heiner Stuckenschmidt (Universität Mannheim) előadása nyomán http://www.google.hu/url?sa=t&source=web&ct=res&cd=5&ved=0cbcqfjae&url=http%3a%2f%2fki.informatik.uni--
RészletesebbenADATBÁZISKEZELÉS ADATBÁZIS
ADATBÁZISKEZELÉS 1 ADATBÁZIS Az adatbázis adott (meghatározott) témakörre vagy célra vonatkozó adatok gyűjteménye. - Pl. A megrendelések nyomon követése kereskedelemben. Könyvek nyilvántartása egy könyvtárban.
RészletesebbenKIEGÉSZÍTŽ FELADATOK. Készlet Bud. Kap. Pápa Sopr. Veszp. Kecsk. 310 4 6 8 10 5 Pécs 260 6 4 5 6 3 Szomb. 280 9 5 4 3 5 Igény 220 200 80 180 160
KIEGÉSZÍTŽ FELADATOK (Szállítási probléma) Árut kell elszállítani három telephelyr l (Kecskemét, Pécs, Szombathely) öt területi raktárba, melyek Budapesten, Kaposváron, Pápán, Sopronban és Veszprémben
RészletesebbenRavaszNégyzet egy kombinatorikai játék
XVIII.köt., 1.sz., 2009. okt. RavaszNégyzet egy kombinatorikai játék Csákány Béla, Makay Géza, Nyőgér István A játék leírása; jelölések. A RavaszNégyzet védett nevű táblás játékot id. Incze Attila szegedi
RészletesebbenMATEMATIKA 1-2.osztály
MATEMATIKA 1-2.osztály A matematikatanítás feladata a matematika különböző arculatainak bemutatása. A tanulók matematikai gondolkodásának fejlesztése során alapvető cél, hogy mind inkább ki tudják választani
RészletesebbenProgramozás I. Metódusok C#-ban Egyszerű programozási tételek. Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu
Programozás I. 3. előadás Tömbök a C#-ban Metódusok C#-ban Egyszerű programozási tételek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia
RészletesebbenPerformance Modeling of Intelligent Car Parking Systems
Performance Modeling of Intelligent Car Parking Systems Károly Farkas Gábor Horváth András Mészáros Miklós Telek Technical University of Budapest, Hungary EPEW 2014, Florence, Italy Outline Intelligent
RészletesebbenMesterséges Intelligencia (Artificial Intelligence)
Mesterséges Intelligencia (Artificial Intelligence) Bevezetés (ágens típusok, környezet tulajdonságai) Ágens: Környezetébe ágyazott (érzékelések, beavatkozások) autonóm rendszer (minimum válasz). [Bármi
Részletesebben(NGB_TA024_1) MÉRÉSI JEGYZŐKÖNYV
Kommunikációs rendszerek programozása (NGB_TA024_1) MÉRÉSI JEGYZŐKÖNYV (5. mérés) SIP telefonközpont készítése Trixbox-szal 1 Mérés helye: Széchenyi István Egyetem, L-1/7 laboratórium, 9026 Győr, Egyetem
RészletesebbenAnyagmérnöki Tudományok, 37. kötet, 1. szám (2012), pp. 165 174.
Anyagmérnöki Tudományok, 37. kötet, 1. szám (2012), pp. 165 174. ACÉL SZÖVETSZERKEZET MODELLEK LÉTREHOZÁSA ANYAGTUDOMÁNYI SZIMULÁCIÓKHOZ GENERATION OF MODEL MICROSTRUCTURES OF STEELS FOR MATERIALS SCIENCE
RészletesebbenAdatbázisok* tulajdonságai
Gazdasági folyamatok térbeli elemzése 4. előadás 2010. 10. 05. Adatbázisok* tulajdonságai Rendezett, logikailag összefüggő és meghatározott szempont szerint tárolt adatok és/vagy információk halmaza Az
RészletesebbenMesterséges intelligencia alkalmazása
Mesterséges intelligencia alkalmazása Mesterséges intelligencia alkalmazása Dr Husi Géza TERC Kft. Budapest, 2013 Dr. Husi Géza, 2013 Kézirat lezárva: 2012. december 15. ISBN 978-963-9968-85-1 Kiadja a
Részletesebbenkülönösen a média közleményeiben való reális tájékozódást. Mindehhez elengedhetetlen egyszerű matematikai szövegek értelmezése, elemzése.
MATEMATIKA Az iskolai matematikatanítás célja, hogy hiteles képet nyújtson a matematikáról mint tudásrendszerről és mint sajátos emberi megismerési, gondolkodási, szellemi tevékenységről. A matematika
Részletesebbenkülönösen a média közleményeiben való reális tájékozódást. Mindehhez elengedhetetlen egyszerű matematikai szövegek értelmezése, elemzése.
MATEMATIKA Az iskolai matematikatanítás célja, hogy hiteles képet nyújtson amatematikáról, mint tudásrendszerről és mint sajátos emberi megismerési, gondolkodási, szellemi tevékenységről. A matematika
RészletesebbenLegrövidebb utat kereső algoritmusok. BFS (szélességi keresés)
Legrövidebb utat kereső algoritmusok Adott gráfban szeretnénk egkeresni két pont között a legrövidebb utat (a két pont távolsága érdekel). Ezt úgy fogjuk tudni megtenni, hogy közben megkapjuk az összes
RészletesebbenPhenotype. Genotype. It is like any other experiment! What is a bioinformatics experiment? Remember the Goal. Infectious Disease Paradigm
It is like any other experiment! What is a bioinformatics experiment? You need to know your data/input sources You need to understand your methods and their assumptions You need a plan to get from point
RészletesebbenIntelligens Rendszerek Elmélete IRE 4/32/1
Intelligens Rendszerek Elmélete 4 IRE 4/32/1 Problémamegoldás kereséssel http://nik.uni-obuda.hu/mobil IRE 4/32/2 Egyszerű lények intelligenciája? http://www.youtube.com/watch?v=tlo2n3ymcxw&nr=1 IRE 4/32/3
RészletesebbenApor Vilmos Katolikus Iskolaközpont. Helyi tanterv. Matematika. készült. a 51/2012. (XII. 21.) EMMI rendelet 1. sz. melléklet 1-4./1.2.3.
1 Apor Vilmos Katolikus Iskolaközpont Helyi tanterv Matematika készült a 51/2012. (XII. 21.) EMMI rendelet 1. sz. melléklet 1-4./1.2.3. alapján 1-4. évfolyam 2 MATEMATIKA Az iskolai matematikatanítás célja,
RészletesebbenLehet vagy nem? Konstrukciók és lehetetlenségi bizonyítások Dr. Katz Sándor, Bonyhád
Dr. Katz Sándor: Lehet vagy nem? Lehet vagy nem? Konstrukciók és lehetetlenségi bizonyítások Dr. Katz Sándor, Bonyhád A kreativitás fejlesztésének legközvetlenebb módja a konstrukciós feladatok megoldása.
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel ha sötétben tapogatózunk Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenAdattípusok. Max. 2GByte
Adattípusok Típus Méret Megjegyzés Konstans BIT 1 bit TRUE/FALSE SMALLINT 2 byte -123 INTEGER 4 byte -123 COUNTER 4 byte Automatikus 123 REAL 4 byte -12.34E-2 FLOAT 8 byte -12.34E-2 CURRENCY / MONEY 8
RészletesebbenVERSENYKIÍRÁS HÉTPRÓBÁSOK BAJNOKSÁGA 2016 ORSZÁGOS EGYÉNI ÉS CSAPAT DIÁKVERSENY 2015/2016-OS TANÉV
VERSENYKIÍRÁS HÉTPRÓBÁSOK BAJNOKSÁGA 2016 ORSZÁGOS EGYÉNI ÉS CSAPAT DIÁKVERSENY 2015/2016-OS TANÉV A verseny helyszíne: Hejőkeresztúri IV. Béla Általános Iskola, 3597 Hejőkeresztúr, Petőfi Sándor út 111.
RészletesebbenMáté: Számítógép architektúrák 2010.12.01.
Máté: Számítógép architektúrák... A feltételes ugró utasítások eldugaszolják a csővezetéket Feltételes végrehajtás (5.5 5. ábra): Feltételes végrehajtás Predikáció ió C pr. rész Általános assembly Feltételes
RészletesebbenPlease stay here. Peter asked me to stay there. He asked me if I could do it then. Can you do it now?
Eredeti mondat Please stay here. Kérlek, maradj itt. Can you do it now? Meg tudod csinálni most? Will you help me tomorrow? Segítesz nekem holnap? I ll stay at home today. Ma itthon maradok. I woke up
RészletesebbenAdattípusok. Max. 2GByte
Adattípusok Típus Méret Megjegyzés Konstans BIT 1 bit TRUE/FALSE TINIINT 1 byte 12 SMALLINT 2 byte -123 INTEGER 4 byte -123 COUNTER 4 byte Automatikus 123 REAL 4 byte -12.34E-2 FLOAT 8 byte -12.34E-2 CURRENCY
RészletesebbenOn The Number Of Slim Semimodular Lattices
On The Number Of Slim Semimodular Lattices Gábor Czédli, Tamás Dékány, László Ozsvárt, Nóra Szakács, Balázs Udvari Bolyai Institute, University of Szeged Conference on Universal Algebra and Lattice Theory
RészletesebbenA programozás alapfogalmai
A programozás alapfogalmai Ahhoz, hogy a programozásról beszélhessünk, definiálnunk kell, hogy mit értünk a programozás egyes fogalmain. Ha belegondolunk, nem is olyan könnyű megfogalmazni, mi is az a
Részletesebbenkülönösen a média közleményeiben való reális tájékozódást. Mindehhez elengedhetetlen egyszerű matematikai szövegek értelmezése, elemzése.
MATEMATIKA Az iskolai matematikatanítás célja, hogy hiteles képet nyújtson a matematikáról, mint tudásrendszerről, és mint sajátos emberi megismerési, gondolkodási, szellemi tevékenységről. A matematika
RészletesebbenGyarmati Dezső Sport Általános Iskola MATEMATIKA HELYI TANTERV 1-4. OSZTÁLY
Gyarmati Dezső Sport Általános Iskola MATEMATIKA HELYI TANTERV 1-4. OSZTÁLY KÉSZÍTETTE: Bartháné Jáger Ottília, Holndonnerné Zátonyi Katalin, Krivánné Czirba Zsuzsanna, Migléczi Lászlóné MISKOLC 2015 Összesített
RészletesebbenA ROBBANÓANYAGOK KEZELÉSBIZTOSSÁGÁRÓL
A ROBBANÓANYAGOK KEZELÉSBIZTOSSÁGÁRÓL Dr. BOHUS Géza*, BŐHM Szilvia* * Miskolci Egyetem, Bányászati és Geotechnikai Tanszék ABSTRACT By emitted blasting materials, treatment-safeness is required. These
RészletesebbenCluster Analysis. Potyó László
Cluster Analysis Potyó László What is Cluster Analysis? Cluster: a collection of data objects Similar to one another within the same cluster Dissimilar to the objects in other clusters Cluster analysis
RészletesebbenAdatbázis-kezelés ODBC driverrel
ADATBÁZIS-KEZELÉS ODBC DRIVERREL... 1 ODBC: OPEN DATABASE CONNECTIVITY (NYÍLT ADATBÁZIS KAPCSOLÁS)... 1 AZ ODBC FELÉPÍTÉSE... 2 ADATBÁZIS REGISZTRÁCIÓ... 2 PROJEKT LÉTREHOZÁSA... 3 A GENERÁLT PROJEKT FELÉPÍTÉSE...
RészletesebbenMunkafüzet megoldások 7. osztályos tanulók számára. Makara Ágnes Bankáné Mező Katalin Argayné Magyar Bernadette Vépy-Benyhe Judit
Kalandtúra 7. unkafüzet megoldások 7. osztályos tanulók számára akara Ágnes Bankáné ező Katalin Argayné agyar Bernadette Vépy-Benyhe Judit BEELEGÍTŐ GONDOLKODÁS. SZÓRAKOZTATÓ FELADVÁNYOK. oldal. 6... 6.
RészletesebbenFordítóprogramok felépítése, az egyes programok feladata. A következő jelölésmódot használjuk: program(bemenet)(kimenet)
Fordítóprogramok. (Fordítóprogramok felépítése, az egyes komponensek feladata. A lexikáliselemző működése, implementációja. Szintaktikus elemző algoritmusok csoportosítása, összehasonlítása; létrehozásuk
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel általános problémák Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenGYÁRTÓ VÁLLALAT VEVŐI AUDITJA
GYÁRTÓ VÁLLALAT VEVŐI AUDITJA MORAUSZKI Kinga posztgraduális képzésben résztvevő hallgató Debreceni Egyetem, ATC Műszaki Főiskolai Kar Műszaki Menedzsment és Vállalkozási Tanszék 4028 Debrecen, Ótemető
RészletesebbenEMMI kerettanterv 51/2012. (XII. 21.) EMMI rendelet 2. sz. melléklet 2.2.03. Matematika az általános iskolák 5 8.
EMMI kerettanterv 51/2012. (XII. 21.) EMMI rendelet 2. sz. melléklet 2.2.03 Matematika az általános iskolák 5 8. évfolyama számára Alapelvek, célok Az iskolai matematikatanítás célja, hogy hiteles képet
RészletesebbenEMMI kerettanterv 51/2012. (XII. 21.) EMMI rendelet 1. sz. melléklet 1.2.3. Matematika az általános iskolák 1 4. évfolyama számára
EMMI kerettanterv 51/2012. (XII. 21.) EMMI rendelet 1. sz. melléklet 1.2.3 Matematika az általános iskolák 1 4. évfolyama számára Célok és feladatok Az iskolai matematikatanítás célja, hogy hiteles képet
RészletesebbenHELYI TANTERV MATEMATIKA (emelt szintű csoportoknak) Alapelvek, célok
HELYI TANTERV MATEMATIKA (emelt szintű csoportoknak) Alapelvek, célok Az iskolai matematikatanítás célja, hogy hiteles képet nyújtson a matematikáról mint tudásrendszerről és mint sajátos emberi megismerési,
RészletesebbenMATEMATIKA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ
Matematika emelt szint 05 ÉRETTSÉGI VIZSGA 006. május 9. MATEMATIKA EMELT SZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ OKTATÁSI MINISZTÉRIUM Formai előírások: Fontos tudnivalók A dolgozatot
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Nonparametric Tests
Nonparametric Tests Petra Petrovics Hypothesis Testing Parametric Tests Mean of a population Population proportion Population Standard Deviation Nonparametric Tests Test for Independence Analysis of Variance
RészletesebbenMatematika. 1 4. évfolyam. Vass Lajos Általános Iskola Helyi tanterv Matematika 1 4. osztály
Matematika 1 4. évfolyam Célok és feladatok Az iskolai matematikatanítás célja, hogy hiteles képet nyújtson a matematikáról, mint tudásrendszerről, és mint sajátos emberi megismerési, gondolkodási, szellemi
RészletesebbenMatematika felvételi feladatok bővített levezetése 2013 (8. osztályosoknak)
Matematika felvételi feladatok bővített levezetése 2013 (8. osztályosoknak) Erre a dokumentumra az Edemmester Gamer Blog kiadványokra vonatkozó szabályai érvényesek. 1. feladat: Határozd meg az a, b és
Részletesebben1. Bevezetés. A számítógéptudomány ezt a problémát a feladat elvégzéséhez szükséges erőforrások (idő, tár, program,... ) mennyiségével méri.
Számításelmélet Dr. Olajos Péter Miskolci Egyetem Alkalmazott Matematika Tanszék e mail: matolaj@uni-miskolc.hu 2011/12/I. Készült: Péter Gács and László Lovász: Complexity of Algorithms (Lecture Notes,
Részletesebben3. Öt alma és hat narancs 20Ft-tal kerül többe, mint hat alma és öt narancs. Hány forinttal kerül többe egy narancs egy
1. forduló feladatai 1. Üres cédulákra neveket írtunk, minden cédulára egyet. Egy cédulára Annát, két cédulára Pétert, három cédulára Bencét és négy cédulára Petrát. Ezután az összes cédulát egy üres kalapba
RészletesebbenSTUDENT LOGBOOK. 1 week general practice course for the 6 th year medical students SEMMELWEIS EGYETEM. Name of the student:
STUDENT LOGBOOK 1 week general practice course for the 6 th year medical students Name of the student: Dates of the practice course: Name of the tutor: Address of the family practice: Tel: Please read
Részletesebbenképességgel és készséggel, hogy alkalmazni tudják matematikai tudásukat, és felismerjék, hogy a megismert fogalmakat és tételeket változatos
MATEMATIKA Az iskolai matematikatanítás célja, hogy hiteles képet nyújtson a matematikáról mint tudásrendszerről és mint sajátos emberi megismerési, gondolkodási, szellemi tevékenységről. A matematika
RészletesebbenFélévi időbeosztás (nagyjából) házi feladat beadási határidőkkel (pontosan) Valószínűségszámítás 2. matematikusoknak és fizikusoknak, 2009 tavasz
Félévi időbeosztás (nagyjából) házi feladat beadási határidőkkel (pontosan) Valószínűségszámítás 2. matematikusoknak és fizikusoknak, 2009 tavasz Dátum Téma beadandó Feb 12Cs Konvolúció (normális, Cauchy,
RészletesebbenCsak felvételi vizsga: csak záróvizsga: közös vizsga: Mérnökinformatikus szak BME Villamosmérnöki és Informatikai Kar. 2015. május 27.
Név, felvételi azonosító, Neptun-kód: MI pont(45) : Csak felvételi vizsga: csak záróvizsga: közös vizsga: Közös alapképzéses záróvizsga mesterképzés felvételi vizsga Mérnökinformatikus szak BME Villamosmérnöki
RészletesebbenAdatbázisok II. Jánosi-Rancz Katalin Tünde tsuto@ms.sapientia.ro 327A
Adatbázisok II. 6 Jánosi-Rancz Katalin Tünde tsuto@ms.sapientia.ro 327A XQUERY 6 XQUERY jellemzői XML dokumentumok lekérdezésére szolgáló lekérdezőnyelv W3C szabvány 2007 óta; a böngészők és ABKR értik
RészletesebbenA100F DIGITÁLIS HÚSKEMÉNYSÉGMÉRŐ KÉSZÜLÉK
Az A100F alkalmas gyümölcsök, zöldségek és egyéb puha élelmiszerek roncsolásmentes vizsgálatára Szabadalmaztatott készülék az AGROSTA tervezése és gyártása A csomag tartalmazza: Magát az eszközt, ami egy
RészletesebbenKEZEK - Észak-Magyarország felsőoktatási intézményeinek együttműködése TÁMOP 4.1.1.C-12/1/KONV. V. alprogram: Minőségirányítási rendszer fejlesztése
KEZEK - Észak-Magyarország felsőoktatási intézményeinek együttműködése TÁMOP 4.1.1.C-12/1/KONV V. alprogram: Minőségirányítási rendszer fejlesztése 2014-ES DIPLOMÁS PÁLYAKÖVETÉSI RENDSZER FELMÉRÉS KERETÉN
RészletesebbenAdatok szűrése, rendezése
Adatok szűrése, rendezése Célkitűzések Szűrést kifejező lekérdezések végrehajtása A lekérdezés eredményének rendezése &változó használata isql*plus-ban futási időben megadható feltételek céljából A lista
RészletesebbenRátz László Matematikai kvízverseny 5. osztály
Rátz László Matematikai kvízverseny 5. osztály 2010. november 26. 1. feladat Ez a különleges óra a pontos időt mutatja. Az első sor ötórás intervallumokat számol (minden ötóránként vált szürkére), a második
RészletesebbenTANMENETJAVASLAT AZ ÚJ KERETTANTERVHEZ MATEMATIKA 1. ÉVFOLYAM KÉSZÍTETTÉK: KURUCZNÉ BORBÉLY MÁRTA ÉS VARGA LÍVIA TANKÖNYVSZERZŐK 2013
TANMENETJAVASLAT AZ ÚJ KERETTANTERVHEZ MATEMATIKA 1. ÉVFOLYAM KÉSZÍTETTÉK: KURUCZNÉ BORBÉLY MÁRTA ÉS VARGA LÍVIA TANKÖNYVSZERZŐK 2013 1 Kedves Kollégák! Tanmenet javaslatunkkal segítséget kívánunk nyújtani
RészletesebbenA magyar racka juh tejének beltartalmi változása a laktáció alatt
A magyar racka juh tejének beltartalmi változása a laktáció alatt Nagy László Komlósi István Debreceni Egyetem Agrártudományi Centrum, Mezőgazdaságtudományi Kar, Állattenyésztés- és Takarmányozástani Tanszék,
RészletesebbenPÁNTYA RÓBERT MESTERSÉGES INTELLIGENCIA ELEMEKKEL TÁMOGATOTT PROGRAMOZÁS OKTATÁSA
PÁNTYA RÓBERT MESTERSÉGES INTELLIGENCIA ELEMEKKEL TÁMOGATOTT PROGRAMOZÁS OKTATÁSA DOKTORI ÉRTEKEZÉS TÉZISEI Eötvös Loránd Tudományegyetem Informatika Doktori Iskola Az informatika alapjai és módszertana
Részletesebbenértelmezéséhez, leírásához és kezeléséhez. Ezért a tanulóknak rendelkezniük kell azzal a képességgel és készséggel, hogy alkalmazni tudják
Helyi tanterv matematika általános iskola 5-8. évf. MATEMATIKA Az iskolai matematikatanítás célja, hogy hiteles képet nyújtson a matematikáról mint tudásrendszerről és mint sajátos emberi megismerési,
RészletesebbenB I T M A N B I v: T 2015.03.01 M A N
Adatbázis Rendszerek MSc 2. Gy: MySQL Táblák, adatok B I v: T 2015.03.01 M A N 1/41 Témakörök SQL alapok DDL utasítások DML utasítások DQL utasítások DCL utasítások 2/41 Az SQL jellemzése Az SQL a relációs
Részletesebbenű Ö ű ű Ú Ú ű
ű Ö ű ű Ú Ú ű Á Á Ö Ö Ö Ö Ö Ö Á Ö Á Á Á Ú Á Á Á Á Ö ű ű Á ű ű ű Ö Ö Á Á Á Á Á ű Ú Ö ű Ú Ú ű Ú Á Á ű ű ű ű ű ű Á ű ű Á Á Ő Á Á Á Á Á Á Ö Á ű ű Ö Ö ű Ú Ö Ú ű Ú ű ű ű ű ű Ö Á Ú ű Á Ö Á Ú Á Á Á Á Á Á Ö Ö Á
Részletesebben23. Kombinatorika, gráfok
I Elméleti összefoglaló Leszámlálási alapfeladatok 23 Kombinatorika, gráfok A kombinatorikai alapfeladatok esetek, lehetőségek összeszámlálásával foglalkoznak Általában n jelöli a rendelkezésre álló különbözőfajta
RészletesebbenProgramozási módszertan. Dinamikus programozás: Nyomtatási feladat A leghosszabb közös részsorozat
PM-04 p. 1/18 Programozási módszertan Dinamikus programozás: Nyomtatási feladat A leghosszabb közös részsorozat Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
RészletesebbenFELADATOK ÉS MEGOLDÁSOK
3. osztály Egy asztal körül 24-en ülnek, mindannyian mindig igazat mondanak. Minden lány azt mondja, hogy a közvetlen szomszédjaim közül pontosan az egyik fiú, és minden fiú azt mondja, hogy mindkét közvetlen
RészletesebbenFÖLDRAJZ ANGOL NYELVEN
Földrajz angol nyelven középszint 0821 ÉRETTSÉGI VIZSGA 2009. május 14. FÖLDRAJZ ANGOL NYELVEN KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ OKTATÁSI ÉS KULTURÁLIS MINISZTÉRIUM Paper
RészletesebbenExpansion of Red Deer and afforestation in Hungary
Expansion of Red Deer and afforestation in Hungary László Szemethy, Róbert Lehoczki, Krisztián Katona, Norbert Bleier, Sándor Csányi www.vmi.szie.hu Background and importance large herbivores are overpopulated
RészletesebbenHibatűrő TDMA ütemezés tervezése ciklikus vezeték nélküli hálózatokban. Orosz Ákos, Róth Gergő, Simon Gyula. Pannon Egyetem
Hibatűrő TDMA ütemezés tervezése ciklikus vezeték nélküli hálózatokban Orosz Ákos, Róth Gergő, Simon Gyula Pannon Egyetem Rendszer- és Számítástudományi Tanszék Email: {orosz, roth, simon}@dcs.uni-pannon.hu
Részletesebben1. 2012. évi nyári olimpiai játékok
F203-.foruló II. KATEGÓRIA. 202. évi nyári olimpiai játékok Ált. lapméret B5 (JIS) 82x257 mm tájolás fekvő mind a négy margó 30 pt (,06 cm +/-0,0 cm), kötésmargó fent 0,4 (,02 cm +/-0,0 cm sorköz szövegtörzsben,2x
Részletesebben8. Gyakorlat SQL. DDL (Data Definition Language) adatdefiníciós nyelv utasításai:
8. Gyakorlat SQL SQL: Structured Query Language; a relációs adatbáziskezelők szabványos, strukturált lekérdező nyelve SQL szabványok: SQL86, SQL89, SQL92, SQL99, SQL3 Az SQL utasításokat mindig pontosvessző
RészletesebbenMATEMATIKA TAGOZAT 5-8. BEVEZETŐ. 5. évfolyam
BEVEZETŐ Ez a helyi tanterv a kerettanterv Emelet matematika A változata alapján készült. Az emelt oktatás során olyan tanulóknak kívánunk magasabb szintű ismerteket nyújtani, akik matematikából átlag
RészletesebbenMatematikai és matematikai statisztikai alapismeretek
Kézirat a Matematikai és matematikai statisztikai alapismeretek című előadáshoz Dr. Győri István NEVELÉSTUDOMÁNYI PH.D. PROGRM 1999/2000 1 1. MTEMTIKI LPOGLMK 1.1. Halmazok Halmazon mindig bizonyos dolgok
RészletesebbenTeszt generálás webes alkalmazásokhoz
Teszt generálás webes alkalmazásokhoz Írásos összefoglaló Pan Liu, Huaikou Miao, Hongwei Zeng és Linzhi Cai An Approach to Test Generation for Web Applications [1] c. munkájáról. Készítette: Doktor Tibor
RészletesebbenVéletlenített algoritmusok. 4. előadás
Véletlenített algoritmusok 4. előadás Tartalomjegyzék: elfoglalási probléma, születésnap probléma, kupongyűjtő probléma, stabil házassági feladat, Chernoff korlát (példák), forgalomirányítási probléma.
RészletesebbenSzójegyzék/műszaki lexikon
Tartalom Szójegyzék/műszaki lexikon Szójegyzék/műszaki lexikon Tápegységek Áttekintés.2 Szabványok és tanúsítványok.4 Szójegyzék.6.1 Tápegységek áttekintés Tápegységek - áttekintés A hálózati tápegységek
RészletesebbenSzéchenyi István Egyetem www.sze.hu/~herno
Oldal: 1/6 A feladat során megismerkedünk a C# és a LabVIEW összekapcsolásának egy lehetőségével, pontosabban nagyon egyszerű C#- ban írt kódból fordítunk DLL-t, amit meghívunk LabVIEW-ból. Az eljárás
Részletesebben1. Melyek azok a kétjegyű számok, amelyek oszthatók számjegyeik
1991. évi verseny, 1. nap 1. Számold össze, hány pozitív osztója van 16 200-nak! 2. Bontsd fel a 60-at két szám összegére úgy, hogy az egyik szám hetede egyenlő legyen a másik szám nyolcadával! 3. Van
RészletesebbenSpike Trade napló_1.1 használati útmutató
1 Spike Trade napló_1.1 használati útmutató 1 ÁLTALÁNOS ÁTTEKINTŐ A táblázat célja, kereskedéseink naplózása, rögzítése, melyek alapján statisztikát készíthetünk, szűrhetünk vagy a már meglévő rendszerünket
RészletesebbenA DERIVE kezelése. 1. A DERIVE ablaka. Amikor elindítod a DERIVE-ot ez az ablak jelenik meg:
A DERIVE kezelése A számítógépes DERIVE (CAS DERIVE) algebrai rendszer-t gyakran matematikai asszisztens-nek is nevezik. Ez egy hatékony és könnyen használható programcsomag amely bizonyos típusú matematikai
Részletesebben