Mesterséges Intelligencia MI
|
|
- Miklós Róbert Dobos
- 7 évvel ezelőtt
- Látták:
Átírás
1 Mesterséges Intelligencia MI Tervkészítés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437,
2 Utasítsuk a háztartási robotunkat: "Vegyél egy liter tejet, egy kiló banánt és egy akkumulátoros fúrót!" Komplexitás kérdése: O(b d ) 4-féle cselekvés, terv 10 lépésben 100-féle cselekvés, terv 50 lépésben O(4 10 ) = 10 6 O( ) = Reális-e a probléma? = gazdag cselekvéskészlet + komplex célok? Robotok valós környezetben Csapatmozgatások Gyártástervezés Űrhajó szerelése..
3 Egy hatékony tervkészítő (un. Planner) input: tervkészítési probléma = rendszer képességei, kezdeti helyzet, cél output: terv (cs1, cs2,, csn), ill. un. klasszikus tervkészítés minden véges, teljesen hozzáférhető determinisztikus, csak ágens cselekvése, ismert explicit célok, szekvenciális tervek implicit idő, off-line tervkészítés doménfüggő (konkrét feladatra kifejlesztett) konfigurálható Hierarchikus Taszk Háló doménfüggetlen STRIPS, ADL, PDDL keresés szituációk terében keresés bizonyítás transzformáció (ítéletlogikai kielégíthetőség) SAT, int. progr. keresés tervek terében részben rendezett (POP) tervgráf (Graphplan) heurisztikák hierarchikus, eshetőségi, végrehajtás és monitorozás
4 A keresés baja: a tudás nem hatékony használata Cselekvések leírása: csak a követő állapotgeneráláshoz. Állapotleírások: csak a követő állapotok generálásakor, heurisztika kiértékelésekor és a célállapot vizsgálatakor. ok leírása: csak a célállapot vizsgálatára. Tervek leírása: cselekvések végrehajtási sorrendje kötött, a kezdeti állapottól (vagy a célállapotból) indulnak Heurisztika: csak a lehetséges állapotok közül választ, de a vizsgálandó cselekvések körét nem tudja szűkíteni. Ágensnek már a kezdeti állapotban el kell döntenie, merre induljon, de gyakorlatilag semmit sem tud, merre érdemes. Alapgondolat Ha a cél része van(tej) predikátum, és pl. Vesz(Tej) cselekvéssel van(tej) teljesül, akkor célszerű olyan tervet készíteni, amelyben szerepel Vesz(Tej) cselekvés. Vesz(Tej) a terv első lépése? Utolsó lépése? Hányadik lépése legyen? Nem tudni! De a terv készítését érdemes ezzel kezdeni!
5 A tervkészítés gyakorlatiassá tétele Leíró nyelv korlátozása: logika, de korlátos, a teljes körű bizonyítás nem lesz használható. Speciális tervkészítő (planner) az általános célú tételbizonyító helyett. ca STRIPS (Stanford Research Institute Problem Solver) Állapotok, célok: függvénymentes rögzített literálok konjunkciói helyszín(otthon) van(tej) van(banán) van(fúró) Cselekvés: STRIPS operátor előfeltétel: atomi formulák konjunkciója, igaznak kell lennie az operátor alkalmazhatóságához. következmény: (poz. vagy neg.) literálok konjunkciója, megadja, hogyan változik meg a szituáció az operátor alkalmazásakor. szituációváltozó nélkül is nem monoton, mert nem teljes körű logika Fontos gondolat: ez a reprezentáció lassan beépül az Informatika egészébe (robotika, ágens kommunikációs nyelvek, információ-feldolgozó rendszerek a világhálón,
6 Szituációtér és tervtér szituációtérbeli tervkészítő progresszív tervkészítő (nagy elágazási tényező, óriási a keresési tér) Elágazási tényező csökkentése: regresszív tervkészítés: visszafelé keresés a célállapot felől. váltsunk absztrakciót és teret, menjünk oda, ahol a komplexitás kisebb!
7 Keresés a lehetséges tervek terében mit nyerünk? Indulás: egyszerű, befejezetlen, részleges (kezdetben üres ) terv. Részleges terv bővítése újabb cselekvésekkel, míg el nem érünk egy teljes tervet, amely már az egész problémát megoldja. A keresés operátorai most a terveken végezhető finomító/ módosító műveletek: - egy új cselekvés hozzáadása, cselekvés elhagyása - valamilyen rendezési feltételek előírása - egy-egy érték kötése a változókhoz, stb. A megoldás az utolsó lépésben előálló terv (azaz az ágens cselekvéssorozata, a hozzá vezető út érdektelen. Tervtérben sokkal kevesebb (tip. 5-10) a lehetséges művelet, mint az ágens cselekvéskészlete! A legkisebb megkötés elvű Részben Rendezett Tervkészítő RRT (Partial Order Planning POP) Az adott pillanatban fontos dolgokat dönti el, az összes többit később. A lépések sorrendjét nem kell mesterségesen előre rögzíteni. Ha egy gráf keletkezik, lehet azt utólag sorba rendezni, avagy linearizálni.
8 Egy terv formálisan: 1. A terv lépései: minden lépés a problémához kapcsolódó ágenscselekvés. 2. A lépések sorrendjére vonatkozó kényszerek: Si Sj Si megelőzi Sj-t, Si végrehajtásának Sj végrehajtása előtt kell megtörténnie, de nem szükségszerűen közvetlenül előtte. 3. A változó értékeinek lekötése: v = x, ahol v egy adott lépésben szereplő változó, és x egy konstans, vagy egy másik változó. 4. Okozati kapcsolatok: Si -- c --> Sj (un. védett kapcsolatok) "Si előállítja c-t Sj számára" - az egyes lépések tervbeli rendeltetését rögzítik: Si rendeltetése, hogy előállítsa Sj számára a c előfeltételét. Az eredeti probléma becsomagolása : a kezdeti üres terv a még nem megoldott problémát írja le: - fiktív Start és lépések. Egyik lépéshez sem tartozik cselekvés, a kész tervből a végrehajtása előtt elhagyandók. - Start-nak nincsenek előfeltételei, a következménye a kiinduló állapot. - lépés előfeltétele a végállapot, és nincsenek következményei.
9 Egy üres terv A tervkészítés által visszaadott megoldás: - az ágens által végrehajtható (helyes) - garantálja a cél elérését (teljes) Teljes: Minden tervbeli Sj lépés minden c előfeltétele, vagy igaz a kezdeti állapotban, vagy létezik a tervben egy olyan Si lépés, amely az Sj lépés c előfeltételét előállítja, azaz: c az Si lépés egyik következménye, és az adott előfeltételt egyetlen másik lépés sem szünteti meg: (1) Si < Sj és c Köv(Si) (2) Nincs olyan Sk lépés, melyre ( c) Köv(Sk), ahol teljesül a Si < Sk < Sj a terv bizonyos sorba rendezésében. Konzisztens: nincs benne ellentmondó sorba rendezés vagy lekötés.
10 Vissza a példához Op(Cselekvés: Következmény: Op(Cselekvés: Előfeltétel: Op(Cselekvés: Előfeltétel: Következmény: Op(Cselekvés: Előfeltétel: Következmény: Start, helyszín(otthon) árusít(szb, Fúró) árusít(éb,tej) árusít(éb, Banán)), van(fúró) van(tej) van(banán) helyszín(otthon)) Megy(ott), helyszín(itt), helyszín(ott) helyszín(itt)) Vesz(x), helyszín(bolt) árusít(bolt,x), van(x)) Start H(O) Á(SzB,F) Á(ÉB,T) Á(ÉB,B) V(F) V(T) V(B) H(O)
11 Start Az algoritmus vadászik (a) a még nem teljesített előfeltételekre, (b) a fenyegető Si < Sk < Sj beszúrt cselekvésekre (ld. a teljesség definíciója). Alkalmazott ellenszer = (a) meglévő operátorok újszerű felhasználása, új operátor hozzáadása, (b) új rendezési kényszerek (ld. a teljesség definíciója).
12 Start célállapot-teszt? beszúrás H(b) Á(b,x) V(x) x/f, b/szb
13 Start célállapot-teszt? lekötés H(SzB) Á(SzB,F) V(F)
14 Start célállapot-teszt? beszúrás lekötés H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T)
15 Start célállapot-teszt? beszúrás lekötés H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B)
16 újrafelhasználás Start célállapot-teszt? H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B)
17 Start célállapot-teszt? beszúrás H(i) Megy(x) H(o) H(i) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B)
18 Start célállapot-teszt? lekötés H(i) Megy(SzB) H(SzB) H(i) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B)
19 Start célállapot-teszt? beszúrás lekötés H(i) Megy(SzB) H(SzB) H(i) H(i) Megy(ÉB) H(ÉB) H(i) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B)
20 Start célállapot-teszt? lekötés H(O) Megy(SzB) H(SzB) H(O) H(O) Megy(ÉB) H(ÉB) H(O) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B)
21 Start célállapot-teszt? újrafelhasználás H(O) Megy(SzB) H(SzB) H(O) H(O) Megy(ÉB) H(ÉB) H(O) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B)
22 Start célállapot-teszt? H(O) Megy(SzB) H(SzB) H(O) H(O) Megy(ÉB) H(ÉB) H(O) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) Fenyegetés!
23 Start célállapot-teszt? H(O) Megy(SzB) H(SzB) H(O) H(O) Megy(ÉB) H(ÉB) H(O) Egy lépés következménye elrontja egy másik lépés előfeltételét. Igaz, hogy parallel ágban, de majd sorba kell rendezni. H(SzB) Á(SzB,F) És akkor ne legyen baj. H(ÉB) Á(ÉB,T) H(ÉB) Á(ÉB,B) V(F) Vesz(T) V(T) Vesz(B) V(B) Fenyegetés!
24 Védett kapcsolatok: hátramozdítás, előremozdítás
25 Start célállapot-teszt? rendezések H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B)
26 Start célállapot-teszt? rendezések H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B)
27 Start célállapot-teszt? H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) előremozdítás hátramozdítás
28 Start célállapot-teszt? beszúrás H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(x) Megy(O) H(O) H(x)
29 Start célállapot-teszt? lekötés H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) X = O? X = SzB? X = ÉB? H(x) Megy(O) H(O) H(x)
30 Start célállapot-teszt? lekötés H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
31 Fenyegetés! Start célállapot-teszt? H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
32 Start célállapot-teszt? rendezések H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
33 Start célállapot-teszt! H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
34 És kész is! a. Az előfeltételek elfogytak. Le kell állni. b. Minden előfeltétel biztosított más lépés által (a Start-ot) beleértve. c. Nincs nem konzisztens változólekötés. d. Minden védett kapcsolat meg van védve. Mi a terv? A lényeg a rendező kényszerek megfelelő figyelembe vétele Lépés Lépés Lépés Lépés Lépés Lépés
35 Start H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
36 Start H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
37 Start H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
38 Start H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
39 Start H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
40 Start H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
41 Start H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
42 Start H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
43 Start H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
44 Start H(O) Megy(SzB) H(SzB) H(O) H(SzB) Megy(ÉB) H(ÉB) H(SzB) H(SzB) Á(SzB,F) V(F) H(ÉB) Á(ÉB,T) Vesz(T) V(T) H(ÉB) Á(ÉB,B) Vesz(B) V(B) H(ÉB) Megy(O) H(O) H(ÉB)
45 Start Aminek sorrendjét meg kellett kötni, az megtörtént. Megy(SzB) Megy(ÉB) De aminek sorrendjére a feladatban információ nincs, ez a tervre nincs rákényszerítve. Vesz(T) Vesz(B) és egy kérdés, amit egyelőre félreteszünk: tervkészítés közben keresés történik, de valóban milyen algoritmussal? Megy(O)
46 PDDL Planning Domain Definition Language ADL Action Description Language, Domain fogalmak, STRIPS-szerű cselekvések (define (domain ) Problem kezdeti állapot, cél állapot (define (problem...) (:domain...) (:objects...) (:init...) (:goal...)) Int. Conf. on Automated Planning and Scheduling (ICAPS) Int. Planning Competition (IPC) LPG Local search for Planning Graphs
47 Utasítsuk a háztartási robotunkat: Vegyél egy liter tejet, egy kiló banánt és egy szabályozható fordulatszámú akkumulátoros fúrót!" (define (domain fbb) (:requirements :strips) (:predicates (hely?h) (helyszin?h) (arusit?b?a)(van?v) (aru?aa)) ) (:action megy :parameters (?itt?ott) :precondition (and (hely?itt) (hely?ott) (helyszin?itt)) :effect (and (helyszin?ott) (not (helyszin?itt))) ) (:action vesz :parameters (?b?a) :precondition (and (helyszin?b) (aru?a) (arusit?b?a)) :effect (van?a) )
48 Utasítsuk a háztartási robotunkat: Vegyél egy liter tejet, egy kiló banánt és egy szabályozható fordulatszámú akkumulátoros fúrót!" (define (problem fbb) (:domain fbb) (:objects tej banan furo elelmiszer vasaru otthon) (:init (hely otthon) (hely elelmiszer) (hely vasaru) (helyszin otthon) (arusit elelmiszer banan) (arusit elelmiszer tej) (arusit vasaru furo) (aru tej) (aru banan) (aru furo)) (:goal (and (helyszin otthon) (van tej) (van banan) (van furo)) ) )
49 Utasítsuk a háztartási robotunkat: Vegyél egy liter tejet, egy kiló banánt és egy szabályozható fordulatszámú akkumulátoros fúrót!" ; Version LPG-td-1.0 ; Command line: lpg-td-1.0 -o fbb-domain.pddl -f fbb-problem.pddl -speed ; Problem fbb-problem.pddl ; Actions having STRIPS duration ; Time 0.05 ; Search time 0.01 ; Parsing time 0.02 ; Mutex time 0.00 ; Quality 6 0: (MEGY OTTHON ELELMISZER) 1: (VESZ ELELMISZER TEJ) 1: (VESZ ELELMISZER BANAN) 2: (MEGY ELELMISZER VASARU) 3: (VESZ VASARU FURO) 4: (MEGY VASARU OTTHON) ; Time 0.05 ; Search time 0.03 ; Parsing time 0.00 ; Mutex time 0.00 ; Quality 6 0: (MEGY OTTHON VASARU) 1: (VESZ VASARU FURO) 2: (MEGY VASARU ELELMISZER) 3: (VESZ ELELMISZER BANAN) 3: (VESZ ELELMISZER TEJ) 4: (MEGY ELELMISZER OTTHON)
50 Heurisztika tervkészítéshez: tervkészítési gráfok - Graphplan Lehetséges cselekvések Kezdeti állapot Kiegyenlítés (fixpont) tervgráf Kölcsönös kizárások cselekvésekben, állapotokban mutual exclusion - mutex predikátumok kiegyenlített állapot megoldás nincs predikátumok teljesülnek, és célpredikátumok mutex megoldás lehet A gráfból, mint a keresési térből, ki kell nyerni, ehhez gráf jó heurisztikát ad. A tervek keresési terének egyfajta tömör kódolása Start
51 Graphplan Cselekvés mutex-ek Inkonzisztens hatások Követk(Cs1) = Követk(Cs2) Interferencia (védett kapcsolat fenyegetése) Követk(Cs1) = Előfelt(Cs2) Versenyhelyzet Előfelt(Cs1) = Előfelt(Cs2) Állítás mutex-ek Ha nincs nem mutex cselekvés, aminek hatása lehetne
52 Graphplan Op(Cselekvés: Start Előfeltétel: - Követk: Van(Süti) Op(Cselekvés: Előfeltétel: Van(Süti) Megevett(Süti) Op(Cselekvés: Eszik(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) Megevett(Süti) Op(Cselekvés: Süt(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) 52
53 Graphplan Op(Cselekvés: Start Előfeltétel: - Követk: Van(Süti) Op(Cselekvés: Előfeltétel: Van(Süti) Megevett(Süti) Op(Cselekvés: Eszik(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) Megevett(Süti) Op(Cselekvés: Süt(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) megőrző cselekvés zárt világ tényleges cselekvés kiegyenlítés (u.a) bővítés mutex nem mutex 53
54 Graphplan Op(Cselekvés: Start Előfeltétel: - Követk: Van(Süti) Op(Cselekvés: Előfeltétel: Van(Süti) Megevett(Süti) Op(Cselekvés: Eszik(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) Megevett(Süti) Op(Cselekvés: Süt(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) Kiegyenlített állapotban igaz a cél és nem mutex = a tervet valahogy ki kell nyerni! 54
55 Graphplan Op(Cselekvés: Start Előfeltétel: - Követk: Van(Süti) Op(Cselekvés: Előfeltétel: Van(Süti) Megevett(Süti) Op(Cselekvés: Eszik(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) Megevett(Süti) Op(Cselekvés: Süt(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) 55
56 Graphplan Op(Cselekvés: Start Előfeltétel: - Követk: Van(Süti) Op(Cselekvés: Előfeltétel: Van(Süti) Megevett(Süti) Op(Cselekvés: Eszik(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) Megevett(Süti) Op(Cselekvés: Süt(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) 56
57 Graphplan Op(Cselekvés: Start Előfeltétel: - Követk: Van(Süti) Op(Cselekvés: Előfeltétel: Van(Süti) Megevett(Süti) Op(Cselekvés: Eszik(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) Megevett(Süti) Op(Cselekvés: Süt(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) 57
58 Graphplan Op(Cselekvés: Start Előfeltétel: - Követk: Van(Süti) Op(Cselekvés: Előfeltétel: Van(Süti) Megevett(Süti) Op(Cselekvés: Eszik(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) Megevett(Süti) Op(Cselekvés: Süt(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) 58
59 Graphplan Op(Cselekvés: Start Előfeltétel: - Követk: Van(Süti) Op(Cselekvés: Előfeltétel: Van(Süti) Megevett(Süti) Op(Cselekvés: Eszik(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) Megevett(Süti) Op(Cselekvés: Süt(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) 59
60 Graphplan Op(Cselekvés: Start Előfeltétel: - Követk: Van(Süti) Op(Cselekvés: Előfeltétel: Van(Süti) Megevett(Süti) Op(Cselekvés: Eszik(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) Megevett(Süti) Op(Cselekvés: Süt(Süti) Előfeltétel: Van(Süti) Követk: Van(Süti) 60
61 Graphplan LPG - Local search for Planning Graphs - tervgráf elkészítése - üres tervből indul (gráf végétől) - terv módosítás lokális kereséssel aktuális részterv környezetében - cselekvés beválasztása/kiiktatása (tervgráf alapján, tervgráf bekötéseket figyelembe véve) - heurisztika: szabad előfeltételek és még meglévő mutexek súlyozott összegéből - lokálisan szimulált lehűtés jelleg, globális optimum reményében 61
62 Tervkészítés nem determinisztikus problémakörben Végrehajtás felügyelete Egyszerű tervkészítő ágens a tervet "csukott szemmel" hajtja végre, a soron következő cselekvés kiválasztásánál nem használja föl a megfigyeléseit. Nagyon sérülékeny stratégia! - a terv végrehajtása közben bekövetkező események nyomon követése - az ágens fel tudja fedni, ha valamit elhibáz, ha közben a világ megváltozott - ezután újratervezést hajthat végre, hogy a megváltozott helyzetből az eredeti célt elérje. Monitorozás, megtorpanás, P helyett O, javítás megtervezése, javítás végrehajtása, az eredeti terv további végrehajtása újratervezési stratégiák 62
63 Érdekes előadások zh-s hetekre (nem ZH anyag) XI. 29. kedd, , E1B Bolgár Bence: "Neurális hálók állatkertje" XII. 6. kedd, , E1B Engedy István: "Mély (deep) megerősítéses tanulás alkalmazásai" XII. 7. szerda, , Q-I Mészáros Tamás: "Beszélj a robotodhoz!" XII. 7. szerda, , Q-I Pataki Béla: "Tudás és tudatlanság fúziója"
Cselekvési tervek generálása. Máté Annamária
Cselekvési tervek generálása Máté Annamária Tartalom Általánosan a cselekvés tervezésről Értelmezés, megközelítés Klasszikus modellek Mint keresés Mint logikai következtetés Alapvető feltevések és fogalmak
RészletesebbenMesterséges Intelligencia Cselekvéstervezés
Mesterséges Intelligencia Cselekvéstervezés Kovács András MTA SZTAKI, akovacs@sztaki.hu 2018.10.11. Cselekvéstervezési feladatok Logisztikai hálózatok Küldeményeket juttatnánk el feladási helyükről célállomásukra
Részletesebben, , A
MI Nagy ZH, 2011. nov. 4., 14.15-16, A és B csoport - Megoldások A/1. Milyen ágenskörnyezetrıl azt mondjuk, hogy nem hozzáférhetı? Adjon példát egy konkrét ágensre, problémára és környezetre, amire igaz
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
RészletesebbenCselekvési tervek generálása a robotikában
Cselekvési tervek generálása a robotikában Nagy Tímea, T Régeni Ágnes Robotika bevezető Meghatároz rozás Osztályoz lyozás Jellemzők Robotgeneráci ciók Tartalom Cselekvési si tervek Bevezető Algoritmusok
RészletesebbenProblémamegoldás kereséssel. Mesterséges intelligencia március 7.
Problémamegoldás kereséssel Mesterséges intelligencia 2014. március 7. Bevezetés Problémamegoldó ágens Kívánt állapotba vezető cselekvéseket keres Probléma megfogalmazása Megoldás megfogalmazása Keresési
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Keresés ellenséges környezetben 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 Ellenség
RészletesebbenTervkészítés Elméleti segédlet
KOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM Tervkészítés Elméleti segédlet Készítette: Kovács Dániel László (dkovacs@mit.bme.hu) Méréstechnika és Információs Rendszerek Tanszék Budapesti Műszaki és Gazdaságtudományi
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - alapok 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 Valószínűségi
RészletesebbenMesterséges Intelligencia
HÁZI FELADAT SEGÉDLET Mesterséges Intelligencia Tudásreprezentáció és Tervkészítés Készítette: Kovács Dániel László (dkovacs@mit.bme.hu) Budapest Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - lokális információval Pataki Béla Bolgár Bence BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Rugó tervezése
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Kényszerkielégítési problémák (Constraint Satisfaction Problem, CSP) http://mialmanach.mit.bme.hu/aima/ch05 Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki
RészletesebbenLogikai ágensek. Mesterséges intelligencia március 21.
Logikai ágensek Mesterséges intelligencia 2014. március 21. Bevezetés Eddigi példák tudásra: állapotok halmaza, lehetséges operátorok, ezek költségei, heurisztikák Feltételezés: a világ (lehetséges állapotok
RészletesebbenKoordinálás és feladatkiosztás aukciókkal 3.rész. Kooperáció és intelligencia, Dobrowiecki, BME-MIT
Koordinálás és feladatkiosztás aukciókkal 3.rész Komplex feladatok kezelése Elemi feladat nem dekomponálható Dekomponálható egyszerű feladat elemi, v. dekomponálható elemi feladatokra, de egyetlen egy
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - csak lokális információra alapozva Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Lokálisan
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 007/008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció i stratégiák Szemantikus hálók / Keretrendszerek
RészletesebbenÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA)
ÍTÉLETKALKULUS SZINTAXIS ÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA) jelkészlet elválasztó jelek: ( ) logikai műveleti jelek: ítéletváltozók (logikai változók): p, q, r,... ítéletkonstansok: T, F szintaxis szabályai
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - ha segítenek útjelzések 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
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,
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Logikai Emberi ágens tudás és problémái gépi reprezentálása 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
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel lokális információval 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
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Racionalitás: a hasznosság és a döntés 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
Részletesebben9. előadás. Programozás-elmélet. Programozási tételek Elemi prog. Sorozatszámítás Eldöntés Kiválasztás Lin. keresés Megszámolás Maximum.
Programozási tételek Programozási feladatok megoldásakor a top-down (strukturált) programtervezés esetén három vezérlési szerkezetet használunk: - szekvencia - elágazás - ciklus Eddig megismertük az alábbi
RészletesebbenV. Kétszemélyes játékok
Teljes információjú, véges, zéró összegű kétszemélyes játékok V. Kétszemélyes játékok Két játékos lép felváltva adott szabályok szerint. Mindkét játékos ismeri a maga és az ellenfele összes választási
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/6 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 46/6 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció stratégiák Szemantikus hálók
RészletesebbenIntelligens Elosztott Rendszerek. Dobrowiecki Tadeusz és Eredics Péter, Gönczy László, Pataki Béla és Strausz György közreműködésével
Intelligens Elosztott Rendszerek Dobrowiecki Tadeusz és Eredics Péter, Gönczy László, Pataki Béla és Strausz György közreműködésével A mai előadás tartalma Mi is egy rendszer? Mit jelent elosztottnak lenni?
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés 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 Következtetés
RészletesebbenVálogatott fejezetek a logikai programozásból ASP. Answer Set Programming Kelemen Attila
ASP 1 Kedvcsináló N királynő 3+1 sorban index(1..n). % minden sorban pontosan 1 királynő van 1{q(X,Y):index(X)}1 :- index(y). % az rossz, ha ugyanabban az oszlopban 2 királynő van :- index(x; Y1; Y2),
RészletesebbenULTIMATE TIC TAC TOE. Serfőző Péter
ULTIMATE TIC TAC TOE Serfőző Péter 2016.05.02. ULTIMATE TIC TAC TOE Amőba alapján Két változat, az első könnyű, a második nehéz A játék keletkezéséről nincsenek információk, de a játékelmélet elkezdett
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 06/7. félév 7. Előadás Dr. Kulcsár Gyula egyetemi docens Tartalom. A projektütemezés alapjai..
RészletesebbenSzoftver-modellellenőrzés absztrakciós módszerekkel
Szoftver-modellellenőrzés absztrakciós módszerekkel Hajdu Ákos Formális módszerek 2017.03.22. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék 1 BEVEZETŐ 2
RészletesebbenSAT probléma kielégíthetőségének vizsgálata. masszív parallel. mesterséges neurális hálózat alkalmazásával
SAT probléma kielégíthetőségének vizsgálata masszív parallel mesterséges neurális hálózat alkalmazásával Tajti Tibor, Bíró Csaba, Kusper Gábor {gkusper, birocs, tajti}@aries.ektf.hu Eszterházy Károly Főiskola
RészletesebbenIntelligens ágensek Mesterséges Intelligencia rendszertechnikai gyökerei
Intelligens ágensek Mesterséges Intelligencia rendszertechnikai gyökerei Dobrowiecki Tadeusz Mérés és Információs Rendszerek Tanszék Habilitációs előadás BME-VIK, október 2013 1/37 oldal 1. Lehet-e intelligens
RészletesebbenAlapszintű formalizmusok
Alapszintű formalizmusok dr. Majzik István BME Méréstechnika és Információs Rendszerek Tanszék 1 Mit szeretnénk elérni? Informális tervek Informális követelmények Formális modell Formalizált követelmények
RészletesebbenA modellellenőrzés érdekes alkalmazása: Tesztgenerálás modellellenőrzővel
A modellellenőrzés érdekes alkalmazása: Tesztgenerálás modellellenőrzővel Majzik István Micskei Zoltán BME Méréstechnika és Információs Rendszerek Tanszék 1 Modell alapú fejlesztési folyamat (részlet)
Részletesebben... fi. ... fk. 6. Fabejáró algoritmusok Rekurzív preorder bejárás (elsőfiú-testvér ábrázolásra)
6. Fabejáró algoritmusok Fa bejárásán olyan algoritmust értünk, amelynek bemenete egy F fa és egy M művelet, és az algoritmus adott sorrendben pontosan egyszer végrehajtja az M műveletet a fa pontjaiban
RészletesebbenMesterséges Intelligencia (Artificial Intelligence)
Mesterséges Intelligencia (Artificial Intelligence) Bevezetés (ágens típusok, környezet tulajdonságai) Ágens: Környezetébe ágyazott (érzékelések, beavatkozások) autonóm rendszer (minimum válasz). [Bármi
RészletesebbenKétszemélyes játékok Gregorics Tibor Mesterséges intelligencia
Kétszemélyes játékok Kétszemélyes, teljes információjú, véges, determinisztikus,zéró összegű játékok Két játékos lép felváltva adott szabályok szerint, amíg a játszma véget nem ér. Mindkét játékos ismeri
RészletesebbenLogika es sz am ıt aselm elet I. r esz Logika 1/36
1/36 Logika és számításelmélet I. rész Logika 2/36 Elérhetőségek Tejfel Máté Déli épület, 2.606 matej@inf.elte.hu http://matej.web.elte.hu Tankönyv 3/36 Tartalom 4/36 Bevezető fogalmak Ítéletlogika Ítéletlogika
RészletesebbenALAPFOGALMAK 1. A reláció az program programfüggvénye, ha. Azt mondjuk, hogy az feladat szigorúbb, mint az feladat, ha
ALAPFOGALMAK 1 Á l l a p o t t é r Legyen I egy véges halmaz és legyenek A i, i I tetszőleges véges vagy megszámlálható, nem üres halmazok Ekkor az A= A i halmazt állapottérnek, az A i halmazokat pedig
RészletesebbenNEM-DETERMINISZTIKUS PROGRAMOK HELYESSÉGE. Szekvenciális programok kategóriái. Hoare-Dijkstra-Gries módszere
Szekvenciális programok kategóriái strukturálatlan strukturált NEM-DETERMINISZTIKUS PROGRAMOK HELYESSÉGE Hoare-Dijkstra-Gries módszere determinisztikus valódi korai nem-determinisztikus általános fejlett
RészletesebbenModellkiválasztás és struktúrák tanulása
Modellkiválasztás és struktúrák tanulása Szervezőelvek keresése Az unsupervised learning egyik fő célja Optimális reprezentációk Magyarázatok Predikciók Az emberi tanulás alapja Általános strukturális
RészletesebbenGONDOLKODÁS ÉS NYELV
GONDOLKODÁS ÉS NYELV GONDOLKODÁS A. Propozicionális B. Képzeleti Propozicionális gondolkodás Propozíció kijelentés, amely egy tényállásra vonatkozik, meghatározott viszonyban összekombinált fogalmakból
RészletesebbenModellellenőrzés. dr. Majzik István BME Méréstechnika és Információs Rendszerek Tanszék
Modellellenőrzés dr. Majzik István BME Méréstechnika és Információs Rendszerek Tanszék 1 Mit szeretnénk elérni? Informális vagy félformális tervek Informális követelmények Formális modell: KS, LTS, TA
RészletesebbenHardver és szoftver rendszerek verifikációja Röviden megválaszolható kérdések
Hardver és szoftver rendszerek verifikációja Röviden megválaszolható kérdések 1. Az informatikai rendszereknél mit ellenőriznek validációnál és mit verifikációnál? 2. A szoftver verifikációs technikák
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
RészletesebbenEllenőrző kérdések. 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t
Ellenőrző kérdések 2. Kis dolgozat kérdései 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t 37. Ha t szintű indexet használunk,
RészletesebbenA modell-ellenőrzés gyakorlata UPPAAL
A modell-ellenőrzés gyakorlata UPPAAL Uppsalai Egyetem + Aalborgi Egyetem közös fejlesztése; 1995. első verzió megjelenése; részei: - grafikus modellt leíró eszköz (System editor) - szimulátor (Simulator)
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - alapok 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 A szükséges
Részletesebben2. Logika gyakorlat Függvények és a teljes indukció
2. Logika gyakorlat Függvények és a teljes indukció Folláth János Debreceni Egyetem - Informatika Kar 2012/13. I. félév Áttekintés 1 Függvények Relációk Halmazok 2 Természetes számok Formulák Definíció
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2016. ősz 1. Diszkrét matematika 1. középszint 2. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
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
RészletesebbenAlgoritmuselmélet. Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás. Katona Gyula Y.
Algoritmuselmélet Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem
RészletesebbenAdatszerkezetek. Nevezetes algoritmusok (Keresések, rendezések)
Adatszerkezetek Nevezetes algoritmusok (Keresések, rendezések) Keresések A probléma általános megfogalmazása: Adott egy N elemű sorozat, keressük meg azt az elemet (határozzuk meg a helyét a sorozatban),
RészletesebbenFüggvények. Programozás alapjai C nyelv 7. gyakorlat. LNKO függvény. Függvények(2) LNKO függvény (2) LNKO függvény (3)
Programozás alapjai C nyelv 7. gyakorlat Szeberényi Imre BME IIT Függvények C program egymás mellé rendelt függvényekből áll. A függvény (alprogram) jó absztrakciós eszköz a programok
RészletesebbenProgramozás alapjai C nyelv 7. gyakorlat. Függvények. Függvények(2)
Programozás alapjai C nyelv 7. gyakorlat Szeberényi Imre BME IIT Programozás alapjai I. (C nyelv, gyakorlat) BME-IIT Sz.I. 2005.11.05. -1- Függvények C program egymás mellé rendelt függvényekből
Részletesebben2. Visszalépéses stratégia
2. Visszalépéses stratégia A visszalépéses keres rendszer olyan KR, amely globális munkaterülete: út a startcsúcsból az aktuális csúcsba (ezen kívül a még ki nem próbált élek nyilvántartása) keresés szabályai:
RészletesebbenElőfeltétel: legalább elégséges jegy Diszkrét matematika II. (GEMAK122B) tárgyból
ÜTEMTERV Programozás-elmélet c. tárgyhoz (GEMAK233B, GEMAK233-B) BSc gazdaságinformatikus, programtervező informatikus alapszakok számára Óraszám: heti 2+0, (aláírás+kollokvium, 3 kredit) 2019/20-es tanév
RészletesebbenMesterséges intelligencia. Gregorics Tibor people.inf.elte.hu/gt/mi
people.inf.elte.hu/gt/mi Szakirodalom Könyvek Fekete István - - Nagy Sára: Bevezetés a mesterséges intelligenciába, LSI Kiadó, Budapest, 1990, 1999. ELTE-Eötvös Kiadó, Budapest, 2006. Russel, J. S., Norvig,
RészletesebbenBOOLE ALGEBRA Logika: A konjunkció és diszjunkció tulajdonságai
BOOLE ALGEBRA Logika: A konjunkció és diszjunkció tulajdonságai 1.a. A B B A 2.a. (A B) C A (B C) 3.a. A (A B) A 4.a. I A I 5.a. A (B C) (A B) (A C) 6.a. A A I 1.b. A B B A 2.b. (A B) C A (B C) 3.b. A
RészletesebbenMegerősítéses tanulási módszerek és alkalmazásaik
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Megerősítéses tanulási módszerek és alkalmazásaik Tompa Tamás tanársegéd Általános Informatikai Intézeti Tanszék Miskolc, 2017. szeptember 15. Tartalom
RészletesebbenKiegészítő részelőadás 1. Az algoritmusok hatékonyságának mérése
Kiegészítő részelőadás 1. Az algoritmusok hatékonyságának mérése Dr. Kallós Gábor 2014 2015 1 Az Ordó jelölés Azt mondjuk, hogy az f(n) függvény eleme az Ordó(g(n)) halmaznak, ha van olyan c konstans (c
RészletesebbenAdatszerkezetek Adatszerkezet fogalma. Az értékhalmaz struktúrája
Adatszerkezetek Összetett adattípus Meghatározói: A felvehető értékek halmaza Az értékhalmaz struktúrája Az ábrázolás módja Műveletei Adatszerkezet fogalma Direkt szorzat Minden eleme a T i halmazokból
RészletesebbenAlgoritmizálás, adatmodellezés tanítása 6. előadás
Algoritmizálás, adatmodellezés tanítása 6. előadás Tesztelési módszerek statikus tesztelés kódellenőrzés szintaktikus ellenőrzés szemantikus ellenőrzés dinamikus tesztelés fekete doboz módszerek fehér
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Korlát/kényszerkielégítési 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 Valós
RészletesebbenÜzemszervezés. Projekt tervezés. Dr. Juhász János
Üzemszervezés Projekt tervezés Dr. Juhász János Projekt tervezés - Definíció Egy komplex tevékenység feladatainak, meghatározott célok elérése érdekében, előre megtervezett módon, az erőforrások sajátosságainak
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenMonoton Engedmény Protokoll N-M multilaterális tárgyalás
Tárgyalások/2 Monoton Engedmény Protokoll N-M multilaterális tárgyalás Fordulók 1. Minden ágens előáll a javaslatával k. Mindegyik ágens vagy ragaszkodik a javaslatához, vagy engedményt tesz. Ismétlés
RészletesebbenPredikátumkalkulus. 1. Bevezet. 2. Predikátumkalkulus, formalizálás. Predikátumkalkulus alapfogalmai, formalizálás, tagadás, logikailag igaz formulák.
Predikátumkalkulus Predikátumkalkulus alapfogalmai, formalizálás, tagadás, logikailag igaz formulák. 1. Bevezet Nézzük meg a következ két kijelentést: Minden almához tartozik egy fa, amir l leesett. Bármely
RészletesebbenA dec. 19-i vizsga jellegzetes hibái:
VIMM 3241 Gyakori hibák A dec. 19-i vizsga jellegzetes hibái: 1. A logikai indukció (általánosítás sok partikuláris esetről egy általános esetre) nem a matematikai indukció (általánosítás n-edik esetről
RészletesebbenProgramozási nyelvek 6. előadás
Programozási nyelvek 6. előadás Szempontok Programozási nyelvek osztályozása Felhasználói kör (amatőr, professzionális) Emberközelség (gépi nyelvektől a természetes nyelvekig) Számítási modell (hogyan
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 6. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
RészletesebbenAlgoritmuselmélet. Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás. Katona Gyula Y.
Algoritmuselmélet Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem
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
RészletesebbenElsőrendű logika. Mesterséges intelligencia március 28.
Elsőrendű logika Mesterséges intelligencia 2014. március 28. Bevezetés Ítéletkalkulus: deklaratív nyelv (mondatok és lehetséges világok közti igazságrelációk) Részinformációkat is kezel (diszjunkció, negáció)
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenMesterséges Intelligencia (MI)
Mesterséges Intelligencia (MI) Intelligens ágensek Dobrowiecki Tadeusz Antal Péter, Bolgár Bence, Engedy István, Eredics Péter, Strausz György és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenÁgensek bevezető áttekintés:
Ágensek bevezető áttekintés: 1. Racionális ágens megközelítés - racionális cselekvés = bizonyos hiedelmeket feltételezve, adott célok elérésére irányul - a cél = a környezet (környezeti feltételek) egy
Részletesebben... S n. A párhuzamos programszerkezet két vagy több folyamatot tartalmaz, melyek egymással közös változó segítségével kommunikálnak.
Párhuzamos programok Legyen S parbegin S 1... S n parend; program. A párhuzamos programszerkezet két vagy több folyamatot tartalmaz, melyek egymással közös változó segítségével kommunikálnak. Folyamat
RészletesebbenAdatszerkezetek 1. előadás
Adatszerkezetek 1. előadás Irodalom: Lipschutz: Adatszerkezetek Morvay, Sebők: Számítógépes adatkezelés Cormen, Leiserson, Rives, Stein: Új algoritmusok http://it.inf.unideb.hu/~halasz http://it.inf.unideb.hu/adatszerk
RészletesebbenGépi tanulás. Féligellenőrzött tanulás. Pataki Béla (Bolgár Bence)
Gépi tanulás Féligellenőrzött tanulás Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Féligellenőrzött tanulás Mindig kevés az adat, de
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
RészletesebbenIntelligens beágyazott rendszer üvegházak irányításában
P5-T6: Algoritmustervezési környezet kidolgozása intelligens autonóm rendszerekhez Intelligens beágyazott rendszer üvegházak irányításában Eredics Péter, Dobrowiecki P. Tadeusz, BME-MIT 1 Üvegházak Az
RészletesebbenDiszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 2. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Matematikai logika Diszkrét matematika I. középszint
RészletesebbenParametrikus tervezés
2012.03.31. Statikus modell Dinamikus modell Parametrikus tervezés Módosítások a tervezés folyamán Konstrukciós variánsok (termékcsaládok) Parametrikus Modell Parametrikus tervezés Paraméterek (változók
RészletesebbenAdatszerkezetek 2. Dr. Iványi Péter
Adatszerkezetek 2. Dr. Iványi Péter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér (root) Nincsennek hurkok!!! 2 Bináris fák Azokat
RészletesebbenCsima Judit október 24.
Adatbáziskezelés Funkcionális függőségek Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2018. október 24. Csima Judit Adatbáziskezelés Funkcionális függőségek 1 / 1 Relációs sémák
Részletesebben30. ERŐSEN ÜSSZEFÜGGŐ KOMPONENSEK
30. ERŐSEN ÜSSZEFÜGGŐ KOMPONENSEK A gráfos alkalmazások között is találkozunk olyan problémákkal, amelyeket megoldását a részekre bontott gráfon határozzuk meg, majd ezeket alkalmas módon teljes megoldássá
RészletesebbenA modellellenőrzés érdekes alkalmazása: Tesztgenerálás modellellenőrzővel
A modellellenőrzés érdekes alkalmazása: Tesztgenerálás modellellenőrzővel Majzik István Micskei Zoltán BME Méréstechnika és Információs Rendszerek Tanszék 1 Modell alapú fejlesztési folyamat (részlet)
RészletesebbenAlgoritmusok és adatszerkezetek gyakorlat 07
Algoritmusok és adatszerkezetek gyakorlat 0 Keresőfák Fák Fa: összefüggő, körmentes gráf, melyre igaz, hogy: - (Általában) egy gyökér csúcsa van, melynek 0 vagy több részfája van - Pontosan egy út vezet
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Tudásbázis építése 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 A tudásbázis építése
RészletesebbenJason platform. Intelligens Elosztott Rendszerek BME-MIT, 2018
Jason platform BDI ágensek programozási nyelvei AgentSpeak(L) Ágens viselkedése: hiedelmi állapot saját modellje, környezet modellje, más ágensek modellje kívánalmak kívánatos hiedelmi állapotok szándékok
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 9. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
RészletesebbenInformációk. Ismétlés II. Ismétlés. Ismétlés III. A PROGRAMOZÁS ALAPJAI 2. Készítette: Vénné Meskó Katalin. Algoritmus. Algoritmus ábrázolása
1 Információk 2 A PROGRAMOZÁS ALAPJAI 2. Készítette: Vénné Meskó Katalin Elérhetőség mesko.katalin@tfk.kefo.hu Fogadóóra: szerda 9:50-10:35 Számonkérés időpontok Április 25. 9 00 Május 17. 9 00 Június
Részletesebben5. SOR. Üres: S Sorba: S E S Sorból: S S E Első: S E
5. SOR A sor adatszerkezet is ismerős a mindennapokból, például a várakozási sornak számos előfordulásával van dolgunk, akár emberekről akár tárgyakról (pl. munkadarabokról) legyen szó. A sor adattípus
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz BME I.E. 414, 463-26-79
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
RészletesebbenGépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)
Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló
RészletesebbenAlgoritmuselmélet. Mélységi keresés és alkalmazásai. Katona Gyula Y.
Algoritmuselmélet Mélységi keresés és alkalmazásai Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 9. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
Részletesebben