Intelligens Rendszerek I. Problémamegoldás kereséssel: informált kereső eljárások (Heurisztikus keresés)
|
|
- Brigitta Borbélyné
- 7 évvel ezelőtt
- Látták:
Átírás
1 Intelligens Rendszerek I. Problémamegoldás kereséssel: informált kereső eljárások (Heurisztikus keresés) 2007/2008. tanév, I. félév Dr. Kovács Szilveszter Miskolci Egyetem Informatikai Intézet 106. sz. szoba Tel: (46) / mellék
2 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. 5. / 2.
3 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. 5. / 3.
4 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. 5. / 4.
5 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. 5. / 5.
6 Probléma megfogalmazás formálisan (egyállapotú probléma esetén) A kiinduló állapot (initial state) meghatározása (ebből indul) A lehetséges cselekvések halmazának meghatározása Operátorok: egy adott állapotból egy cselekvés hatására az ágens mely állapotba kerül S(x) következő állapotfüggvény: egy adott x állapot esetén az egyetlen 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. 5. / 6.
7 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. 5. / 7.
8 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. 5. / 8.
9 Utazási példa: Románia a probléma megfogalmazása kiinduló állapot: Arad célteszt: ez a város Bukarest? állapottér: a városok (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. 5. / 9.
10 Utazási példa: Románia - állapottér Dr. Kovács Szilveszter M.I. 5. / 10.
11 Állapottér Keresési fa Az egyes állapotok a keresési fa csomópontjai 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. 5. / 11.
12 A keresés értékelése Teljesség: ha van megoldás, azt az eljárás megtalálja Optimalitás: ha több megoldás létezik, akkor megtalálja a legjobbat (legalacsonyabb költségűt) Időigény: mennyi időre van szükség a megoldás megkereséséhez (Time complexity) Tárigény: mennyi memóriára van szükség a megoldás megkereséséhez (Space complexity) Dr. Kovács Szilveszter M.I. 5. / 12.
13 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. 5. / 13.
14 A szélességi keresés tulajdonságai Mindig a legsekélyebben fekvő (legkevesebb lépéssel elérhető) megoldást találja meg Teljesség? Igen (ha b véges) Időigény? 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) Tárigény? O(b d ) (Minden csomópontot a memóriában tart) Optimalitás? Igen Feltéve, hogy az útiköltség a csomópontszám költségnek nem csökkenő függvénye (mélyebben csak drágábbak lehetnek) (e.g. if cost = 1 per step) A tárigény a nagyobb probléma (mint az időigény) Dr. Kovács Szilveszter M.I. 5. / 14.
15 Az egyenletes költségű keresés tulajdonságai A hullámfront legkisebb költségű ahova a legolcsóbban lehet eljutni - csomópontját fejti ki először Azonos a szélességi kereséssel, a lépésköltségek mind azonosak Teljesség? Igen, ha a lépésköltség ε Időigény? # of nodes with g cost of optimal solution, O(b (C*/ ε) ) ahol C * az optimális megoldás útiköltsége Tárigény? # of nodes with g cost of optimal solution, O(b (C*/ ε) ) Optimalitás? Igen ha az útköltség g(n) egy út bejárása során soha sem csökkenhet Dr. Kovács Szilveszter M.I. 5. / 15.
16 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 Az első találatig megy (az útköltséget nem veszi figyelembe a döntéseknél) Dr. Kovács Szilveszter M.I. 5. / 16.
17 Mélységi keresés tulajdonságai Teljesség? Nem: fails in infinite-depth spaces, spaces with loops Modify to avoid repeated states along path a keresési fa mélysége complete in finite spaces Időigény? O(b m ): terrible if m is much larger than d but if solutions are dense, may be much faster than breadthfirst Tárigény? 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. a megoldás mélysége Dr. Kovács Szilveszter M.I. 5. / 17.
18 Mélységkorlátozott keresés tulajdonságai Mélységi keresés, de egy adott mélységnél l nem mehetünk tovább a keresési fában Megoldódik a végtelen mélységű út probléma. 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. 5. / 18.
19 Az iteratívan mélyülő keresés tulajdonságai A legjobb mélységkorlát iteratív meghatározása Az összes lehetséges mélységkorlát kipróbálása Exponenciális keresési fa esetén viszonylag kis többletmunka Teljesség? Igen Időigény? (d+1)b 0 + d b 1 + (d-1)b b d = O(b d ) Tárigény? O(bd) Optimalitás? Igen, feltéve, hogy az útiköltség a csomópont költségnek nem csökkenő függvénye (a mélyebben lévők csak drágábbak lehetnek) (e.g. if cost = 1 per step) Dr. Kovács Szilveszter M.I. 5. / 19.
20 Iteratívan mélyülő keresés l =3 Dr. Kovács Szilveszter M.I. 5. / 20.
21 Kétirányú keresés Keresés indítása egyszerre a kiinduló állapotból és a célállapotból Leállás: a két keresés találkozásánál Motivation: b d /2 + b d /2 b d Space complexity is the most significant weakness. Teljes és optimális, ha mindekét keresés szélességi keresés. The predecessor of each node should be efficiently computable. When actions are easily reversible Dr. Kovács Szilveszter M.I. 5. / 21.
22 Nem informált keresési módszerek - összefoglaló 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 Gond az alacsony hatékonyság A nem informált keresési módszerek csak a probléma definícióban megfogalmazott információra támaszkodhatnak nem sejti, hogy a cél merre lehet Dr. Kovács Szilveszter M.I. 5. / 22.
23 Informált keresési eljárások Informált = probléma specifikus információ (tudás) alkalmazása Azt a csomópontot bontjuk ki először a front állapotai közül, amelyikre vonatkozóan a kiegészítő információk valamilyen előnyt ígérnek amelyik pl. a legjobbnak tűnik az adott pillanatban Ezen módszereket heurisztikus keresésnek is nevezzük, mert a problématerületre vonatkozó tapasztalatra épít (ált. növeli a hatékonyságot, de tévedhet is) (görög heuriskein: megtalál, felfedez) Dr. Kovács Szilveszter M.I. 5. / 23.
24 Informált keresési eljárások heurisztika lehet: Globális információ: az állapottér bármely két pontja között származtatható, leggyakrabban az n. állapot és a célállapot között számítjuk és az n. állapothoz rendeljük h(n). (pl. egy pont becsült távolsága a céltól) Globális információ felhasználásával megtalálhatjuk a globális optimumot, az optimális költségű utat is. Lokális információ: egy állapot és közvetlen szomszédai között számítható (pl. becsült távolságok a szomszédokig) Önmagában lokális információ alkalmazásával csak lokális extrémumot garantálnak az eljárások, gyakran azonban annak közelítésével is megelégszünk. Dr. Kovács Szilveszter M.I. 5. / 24.
25 Informált keresési eljárások Globális információra támaszkodó eljárások: Legjobbat először keresés (Best first search) : mohó keresés (Greedy search) A* Iteratívan mélyülő A* (Iterative-deepening A*) Rekurzív legjobbat először keresés (Recursive bestfirst) Egyszerűsített memóriakorlátozott A* (Simplified Memory-bounded A*) Lokális információra támaszkodó optimálási módszerek: hegymászó keresés (Hill climbing search), szimulált lehűtés (Simulated annealing), Local beam search Genetikus algoritmusok (Genetic algorithms)... Dr. Kovács Szilveszter M.I. 5. / 25.
26 A legjobbat először keresés (Best first search) A legjobbat először keresés egy kiértékelő függvénnyel (evaluation function: f(n)) becsli az n. állapot kifejtésének a szükségességét a front összes állapotára és abba az állapotba lép, amelyikre ez az érték a legjobb (best first). Az eljárás végződhet lokális optimum pontban is. Valójában ez egy a Legjobbnak tűnőt először keresés - becsült (nem tényleges!) fontossága egy adott állapot kifejtésének. (Ha ismert lenne a kifejtések tényleges fontossága, nem kellene keresni, mindig az optimális irányt választhatná.) Dr. Kovács Szilveszter M.I. 5. / 26.
27 Heurisztikus függvény h(n) h(n) = az n. állapotból a cél elérésének becsült költsége. h(n)=0, ha n célállapot. Heurisztikus függvény: becsült költség (nem tényleges!) egy adott pont és a cél között. (Ha ismert lenne a tényleges költség, nem kellene keresni, mindig az optimális irányt választhatná) Pl. Az utazási probléma esetén (ahol az útköltség függvény a városok távolsága km-ben), lehet valamely város légvonalban mért távolsága a céltól. Dr. Kovács Szilveszter M.I. 5. / 27.
28 Mohó keresés (Greedy search) A legjobbat először keresés egy implementációja, ahol f(n)= h(n) A heurisztikus függvénnyel becsli a kiértékelő függvényt Mindig annak az állapotnak a kifejtését végzi a fronton, amelynek a céltól való becsült költsége a legalacsonyabb (annak tűnik). Pl. Az utazási probléma esetén, melynek a céltól mért távolsága légvonalban a legkisebb. Dr. Kovács Szilveszter M.I. 5. / 28.
29 Romania with step costs in km h SLD =straight-line distance heuristic. (légvonalban mért távolság) h SLD NEM számítható ki magából a problémából Ebben a példában f(n)=h(n) Mindig azt az állapotot fejtjük ki, amelyik a célhoz a legközelebb van = Greedy best-first search Dr. Kovács Szilveszter M.I. 5. / 29.
30 Romania with step costs in km Dr. Kovács Szilveszter M.I. 5. / 30.
31 Greedy search example Arad (f(n)=h(n)=366) Assume that we want to use greedy search to solve the problem of traveling from Arad to Bucharest. The initial state=arad Dr. Kovács Szilveszter M.I. 5. / 31.
32 Greedy search example Arad Sibiu(253) Zerind(374) Timisoara (329) The first expansion step produces: Sibiu, Timisoara and Zerind Greedy best-first will select Sibiu. Dr. Kovács Szilveszter M.I. 5. / 32.
33 Greedy search example Sibiu Arad Arad (366) Fagaras (176) Oradea (380) Rimnicu Vilcea (193) If Sibiu is expanded we get: Arad, Fagaras, Oradea and Rimnicu Vilcea Greedy best-first search will select: Fagaras Dr. Kovács Szilveszter M.I. 5. / 33.
34 Greedy search example Sibiu Arad Fagaras Sibiu (253) Bucharest (0) If Fagaras is expanded we get: Sibiu and Bucharest Elérte a célt!! De nem optimális! (lásd Arad, Sibiu, Rimnicu Vilcea, Pitesti) Dr. Kovács Szilveszter M.I. 5. / 34.
35 Greedy search, tulajdonságok Teljesség: nem teljesül Pl. állapotok végtelenül ismétlődhetnek Minimizing h(n) can result in false starts, e.g. Iasi to Fagaras Ez távolabb vinne Dr. Kovács Szilveszter M.I. 5. / 35.
36 Greedy search, tulajdonságok Teljesség: nem teljesül (mint a mélységi keresés) Idő komplexitás? O(b m ) Legrosszabb esetben olyan mint a mélységi keresés (with m is maximum depth of search space) Good heuristic can give dramatic improvement. Dr. Kovács Szilveszter M.I. 5. / 36.
37 Greedy search, tulajdonságok Teljesség: nem teljesül (mint a mélységi keresés) Idő komplexitás: O(b m ) Hely komplexitás: O(b m ) Valamennyi csomópontot a memóriában tartja Nem optimális Dr. Kovács Szilveszter M.I. 5. / 37.
38 A * search Alapötlet: Ne fejtsük ki azokat a csomópontokat, amikhez az odavezető út már eddig is drága. Kiértékelő függvény: f(n) = g(n) + h(n) g(n) = eddigi útiköltség n -ig h(n) = heurisztikus fv. becsült költség n-ből a célig f(n) = az n-en keresztül vezető út teljes becsült költsége Dr. Kovács Szilveszter M.I. 5. / 38.
39 Romania with step costs in km Dr. Kovács Szilveszter M.I. 5. / 39.
40 A* search example Find Bucharest starting at Arad f(arad) = g(arad,arad)+h(arad)=0+366=366 Dr. Kovács Szilveszter M.I. 5. / 40.
41 A* search example Expand Arrad and determine f(n) for each node f(sibiu)=g(arad,sibiu)+h(sibiu)= =393 f(timisoara)=g(arad,timisoara)+h(timisoara)= =44 f(zerind)=g(arad,zerind)+h(zerind)=75+374=449 Best choice is Sibiu Dr. Kovács Szilveszter M.I. 5. / 41.
42 A* search example Expand Sibiu and determine f(n) for each node f(arad)=g(sibiu,arad)+h(arad)= =646 f(fagaras)=g(sibiu,fagaras)+h(fagaras)= =415 f(oradea)=g(sibiu,oradea)+h(oradea)= =671 f(rimnicu Vilcea)=g(Sibiu,Rimnicu Vilcea)+ h(rimnicu Vilcea)= =413 Best choice is Rimnicu Vilcea Dr. Kovács Szilveszter M.I. 5. / 42.
43 A* search example Expand Rimnicu Vilcea and determine f(n) for each node f(craiova)=g(rimnicu Vilcea, Craiova)+h(Craiova) = =526 f(pitesti)=g(rimnicu Vilcea, Pitesti)+h(Pitesti)= =417 f(sibiu)=g(rimnicu Vilcea,Sibiu)+h(Sibiu)= =553 Best choice is Fagaras Dr. Kovács Szilveszter M.I. 5. / 43.
44 A* search example Expand Fagaras and determine f(n) for each node f(sibiu)=g(fagaras, Sibiu)+h(Sibiu)= =591 f(bucharest)=g(fagaras,bucharest)+h(bucharest)=450+0=450 Best choice is Pitesti!!! Dr. Kovács Szilveszter M.I. 5. / 44.
45 A* search example Expand Pitesti and determine f(n) for each node f(bucharest)=g(pitesti,bucharest)+h(bucharest)=418+0=418 Best choice is Bucharest!!! Optimal solution (only if h(n) is admissable) Note values along optimal path!! Dr. Kovács Szilveszter M.I. 5. / 45.
46 Elfogadható heurisztika (admissible heuristics) Egy heurisztika elfogadható, ha a becslés nem ad a valósnál nagyobb értéket ( optimista ). Egy h(n) heurisztika elfogadható ha valamennyi n állapotra h(n) h * (n), ahol h * (n) a tényleges útikültség az n. Állapot és a cél között. Egy elfogadható heurisztika sohasem becsli túl a cél elérésének valódi költségét, azaz optimista Example: h SLD (n) (a légvonalban mért távolság sohasem becsüli túl a valóságos távolságot) Theorem: Ha h(n) elfogadható heurisztika, akkor az A * keresés optimális. Dr. Kovács Szilveszter M.I. 5. / 46.
47 Optimality of A * (bizonyítás) Suppose some suboptimal goal G 2 has been generated and is in the fringe. Let n be an unexpanded node in the fringe such that n is on a shortest path to an optimal goal G. f(n) = g(n) + h(n) f(g 2 ) = g(g 2 ) since h(g 2 ) = 0 g(g 2 ) > g(g) since G 2 is suboptimal f(g) = g(g) since h(g) = 0 f(g 2 ) > f(g) from above Dr. Kovács Szilveszter M.I. 5. / 47.
48 Optimality of A * (bizonyítás) Suppose some suboptimal goal G 2 has been generated and is in the fringe. Let n be an unexpanded node in the fringe such that n is on a shortest path to an optimal goal G. f(n) = g(n) + h(n) f(g 2 ) > f(g) from above h(n) h*(n) since h is admissible (h* a tényleges) f(n) = g(n) + h(n) g(n) + h*(n) = f(g) f(n) f(g) f(n) < f(g 2 ) ez pedig lehetetlen, mert A * így sohasem választaná G 2 t kifejtésre n előtt Dr. Kovács Szilveszter M.I. 5. / 48.
49 Optimality of A * A * expands nodes in order of increasing f value Gradually adds "f-contours" of nodes Contour i has all nodes with f=f i, where f i < f i+1 Dr. Kovács Szilveszter M.I. 5. / 49.
50 Az A* keresés tulajdonságai Teljesség? Igen (hacsak nincs végtelen sok állapot ahol f f(g) ) Időigény? Exponenciális Tárigény? Valamennyi csomópontot a memóriában tartja Gond: nagy a tárigény Optimális? Igen Nem fejti ki f i+1 amíg f i et be nem fejezte. A* kifejti valamennyi csomópontot ahol f(n)< C* A* kifejt néhány csomópontot ahol f(n)=c* A* egyetlen csomópontot sem fejt ki ahol f(n)>c* Dr. Kovács Szilveszter M.I. 5. / 50.
51 Elfogadható heurisztika E.g., for the 8-puzzle: h 1 (n) = number of misplaced tiles h 2 (n) = total Manhattan distance (i.e., no. of squares from desired location of each tile) h 1 (S) = 8 h 2 (S) = = 18 Dr. Kovács Szilveszter M.I. 5. / 51.
52 Heurisztikus függvények dominanciája Ha h 2 (n) h 1 (n) valamennyi n-re (ahol mindkettő elfogadható) akkor h 2 dominálja h 1 -t h 2 jobb a keresésre Minél nagyobb, annál jobb a heurisztika (a h(n)=0 mindig elfogadható) Tipikus keresési költségek (átlagos kifejtendő csomópont számok): d=12 A* (h 1 ) = 227 nodes A * (h 2 ) = 73 nodes d=24 A * (h 1 ) = 39,135 nodes A * (h 2 ) = 1,641 nodes Dr. Kovács Szilveszter M.I. 5. / 52.
53 Heurisztikus függvény probléma relaxációval Az olyan problémát, amelyben az operátorokra kevesebb megkötést teszünk, mint az eredeti problémában, relaxált problémának (relaxed problem) nevezzük. A relaxált probléma optimális megoldásának költsége csak kisebb lehet (nem lehet nagyobb) mint az eredeti probléma megoldásának költsége ezért az elfogadható heurisztika (a megoldás csak könnyebb lehet) If the rules of the 8-puzzle are relaxed so that a tile can move anywhere, then h 1 (n) gives the shortest solution If the rules are relaxed so that a tile can move to any adjacent square, then h 2 (n) gives the shortest solution Dr. Kovács Szilveszter M.I. 5. / 53.
54 Memóriakorlátozott heurisztikus keresés Néhány megoldás az A* hely-komplexitás problémájára (megtartva a teljességet és az optimalitást) Iterative-deepening A* (IDA*) Here cutoff information is the f-cost (g+h) instead of depth Recursive best-first search (RBFS) Recursive algorithm that attempts to mimic standard best-first search with linear space. Simplified Memory-bounded A* (SMA*) Drop the worst-leaf node when memory is full Dr. Kovács Szilveszter M.I. 5. / 54.
55 Iteratívan mélyülő A* keresés (IDA*) Cél: memóriaigény csökkentése Meghatározunk egy f költségkorlátot és kezdetben csak az ezt meg nem haladó heurisztikus függvényértékkel rendelkező csomópontokat vizsgáljuk Ha nem találtunk útvonalat a célig, akkor növeljük a korlátot Minden egyes mélységkorlát esetén iteratívan mélyülő keresést alkalmaz A hely-komplexitása O(bd). Dr. Kovács Szilveszter M.I. 5. / 55.
56 Recursive best-first search Tárolja a rendelkezére álló legjobb alternatíva f-értékét. Ha az aktuális f-érték meghaladja azt, akkor visszalép a legjobb alternatíva útjára. A visszalépés közben lecseréli az elhagyott ág f-értékét a legjobb gyerekének f-értékére. Így az elhagyott ág újból folytatható. Dr. Kovács Szilveszter M.I. 5. / 56.
57 Recursive best-first search, ex. f-limit Rosszabb mint az f-limit Path until Rumnicu Vilcea is already expanded Above node; f-limit for every recursive call is shown on top. Below node: f(n) The path is followed until Pitesti which has a f-value worse than the f-limit. Dr. Kovács Szilveszter M.I. 5. / 57.
58 Recursive best-first search, ex. f-limit csere A jobbnak tűnő ág kifejtése De valójában ez a rosszabb Unwind recursion and store best f-value for current best leaf Pitesti result, f [best] RBFS(problem, best, min(f_limit, alternative)) best is now Fagaras. Call RBFS for new best best value is now 450 Dr. Kovács Szilveszter M.I. 5. / 58.
59 Recursive best-first search, példa f-limit csere Unwind recursion and store best f-value for current best leaf Fagaras result, f [best] RBFS(problem, best, min(f_limit, alternative)) best is now Rimnicu Viclea (again). Call RBFS for new best Subtree is again expanded. Best alternative subtree is now through Timisoara. Solution is found since because 447 > 418. Dr. Kovács Szilveszter M.I. 5. / 59.
60 RBFS evaluation RBFS is a bit more efficient than IDA* Still excessive node generation (mind changes) Like A*, optimal if h(n) is admissible Space complexity is O(bd). IDA* retains only one single number (the current f-cost limit) Time complexity difficult to characterize Depends on accuracy if h(n) and how often best path changes. IDA* and RBFS suffer from too little memory. Dr. Kovács Szilveszter M.I. 5. / 60.
61 Simplified memory-bounded A* Use all available memory. I.e. expand best leafs until available memory is full When full, SMA* drops worst leaf node (highest f- value) Like RFBS backup forgotten node to its parent What if all leafs have the same f-value? Same node could be selected for expansion and deletion. SMA* solves this by expanding newest best leaf and deleting oldest worst leaf. SMA* is complete if solution is reachable, optimal if optimal solution is reachable. Dr. Kovács Szilveszter M.I. 5. / 61.
62 Simplified memory-bounded A* ex. Ezeket felszabadítja Dr. Kovács Szilveszter M.I. 5. / 62.
63 Simplified memory-bounded A* ex. f-érték csere a szülőkre menti az elfelejtett f értéket Dr. Kovács Szilveszter M.I. 5. / 63.
64 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. Kovács Szilveszter M.I. 5. / 64.
Problémamegoldás 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 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
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
RészletesebbenIntelligens Rendszerek I. Problémamegoldás kereséssel: nem informált keresés (blind search)
Intelligens Rendszerek I. Problémamegoldás kereséssel: nem informált keresés (blind search) 2007/2008. tanév, I. félév Dr. Kovács Szilveszter E-mail: szkovacs@iit.uni-miskolc.hu Miskolci Egyetem Informatikai
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 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
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
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--
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
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 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
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
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.
RészletesebbenKeresések Gregorics Tibor Mesterséges intelligencia
Keresések ADAT := kezdeti érték while terminálási feltétel(adat) loop SELECT SZ FROM alkalmazható szabályok ADAT := SZ(ADAT) endloop KR vezérlési szintjei vezérlési stratégia általános modellfüggő heurisztikus
RészletesebbenAdatbázisok 1. Rekurzió a Datalogban és SQL-99
Adatbázisok 1 Rekurzió a Datalogban és SQL-99 Expressive Power of Datalog Without recursion, Datalog can express all and only the queries of core relational algebra. The same as SQL select-from-where,
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
RészletesebbenConstruction of a cube given with its centre and a sideline
Transformation of a plane of projection Construction of a cube given with its centre and a sideline Exercise. Given the center O and a sideline e of a cube, where e is a vertical line. Construct the projections
RészletesebbenDiszkrét Irányítások tervezése. Heurisztika Dr. Bécsi Tamás
Diszkrét Irányítások tervezése Heurisztika Dr. Bécsi Tamás Algoritmusok futásideje Az algoritmus futásideje függ az N bemenő paramétertől. Azonos feladat különböző N értékek esetén más futásidőt igényelnek.
RészletesebbenAngol Középfokú Nyelvvizsgázók Bibliája: Nyelvtani összefoglalás, 30 kidolgozott szóbeli tétel, esszé és minta levelek + rendhagyó igék jelentéssel
Angol Középfokú Nyelvvizsgázók Bibliája: Nyelvtani összefoglalás, 30 kidolgozott szóbeli tétel, esszé és minta levelek + rendhagyó igék jelentéssel Timea Farkas Click here if your download doesn"t start
RészletesebbenSzámítógépes Hálózatok
Számítógépes Hálózatok 7a. Előadás: Hálózati réteg ased on slides from Zoltán Ács ELTE and. hoffnes Northeastern U., Philippa Gill from Stonyrook University, Revised Spring 06 by S. Laki Legrövidebb út
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
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
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 modern e-learning lehetőségei a tűzoltók oktatásának fejlesztésében. Dicse Jenő üzletfejlesztési igazgató
A modern e-learning lehetőségei a tűzoltók oktatásának fejlesztésében Dicse Jenő üzletfejlesztési igazgató How to apply modern e-learning to improve the training of firefighters Jenő Dicse Director of
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)
RészletesebbenHogyan használja az OROS online pótalkatrész jegyzéket?
Hogyan használja az OROS online pótalkatrész jegyzéket? Program indítása/program starts up Válassza ki a weblap nyelvét/choose the language of the webpage Látogasson el az oros.hu weboldalra, majd klikkeljen
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel 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 optimális pályahossz
Részletesebben2. Visszalépéses keresés
2. Visszalépéses keresés Visszalépéses keresés A visszalépéses keresés egy olyan KR, amely globális munkaterülete: egy út a startcsúcsból az aktuális csúcsba (az útról leágazó még ki nem próbált élekkel
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,
RészletesebbenA mesterséges intelligencia alapjai
A mesterséges intelligencia alapjai Mihálydeák Tamás Számítógéptudományi Tanszék, Informatikai Kar Debreceni Egyetem e-mail: mihalydeak.tamas@inf.unideb.hu https://arato.inf.unideb.hu/mihalydeak.tamas/
RészletesebbenMesterséges intelligencia 3. laborgyakorlat
Mesterséges intelligencia 3. laborgyakorlat Kétszemélyes játékok - Minimax A következő típusú játékok megoldásával foglalkozunk: (a) kétszemélyes, (b) determinisztikus, (c) zéróösszegű, (d) teljes információjú.
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
RészletesebbenLopocsi Istvánné MINTA DOLGOZATOK FELTÉTELES MONDATOK. (1 st, 2 nd, 3 rd CONDITIONAL) + ANSWER KEY PRESENT PERFECT + ANSWER KEY
Lopocsi Istvánné MINTA DOLGOZATOK FELTÉTELES MONDATOK (1 st, 2 nd, 3 rd CONDITIONAL) + ANSWER KEY PRESENT PERFECT + ANSWER KEY FELTÉTELES MONDATOK 1 st, 2 nd, 3 rd CONDITIONAL I. A) Egészítsd ki a mondatokat!
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
RészletesebbenCorrelation & Linear Regression in SPSS
Petra Petrovics Correlation & Linear Regression in SPSS 4 th seminar Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Correlation
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
RészletesebbenProxer 7 Manager szoftver felhasználói leírás
Proxer 7 Manager szoftver felhasználói leírás A program az induláskor elkezdi keresni az eszközöket. Ha van olyan eszköz, amely virtuális billentyűzetként van beállítva, akkor azokat is kijelzi. Azokkal
RészletesebbenSearching in an Unsorted Database
Searching in an Unsorted Database "Man - a being in search of meaning." Plato History of data base searching v1 2018.04.20. 2 History of data base searching v2 2018.04.20. 3 History of data base searching
RészletesebbenTudományos Ismeretterjesztő Társulat
Sample letter number 5. International Culture Festival PO Box 34467 Harrogate HG 45 67F Sonnenbergstraße 11a CH-6005 Luzern Re: Festival May 19, 2009 Dear Ms Atkinson, We are two students from Switzerland
Részletesebben3. MINTAFELADATSOR KÖZÉPSZINT. Az írásbeli vizsga időtartama: 30 perc. III. Hallott szöveg értése
Oktatáskutató és Fejlesztő Intézet TÁMOP-3.1.1-11/1-2012-0001 XXI. századi közoktatás (fejlesztés, koordináció) II. szakasz ANGOL NYELV 3. MINTAFELADATSOR KÖZÉPSZINT Az írásbeli vizsga időtartama: 30 perc
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
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Többszálú, többmagos architektúrák és programozásuk Óbudai Egyetem, Neumann János Informatikai Kar Kereső algoritmusok a diszkrét optimalizálás problémájához A diszkrét optimalizálási probléma Soros megoldás
RészletesebbenLecture 11: Genetic Algorithms
Lecture 11 1 Linear and Combinatorial Optimization Lecture 11: Genetic Algorithms Genetic Algorithms - idea Genetic Algorithms - implementation and examples Lecture 11 2 Genetic algorithms Algorithm is
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 8. Előadás Dr. Kulcsár Gyula egyetemi docens Kereső algoritmusok alkalmazása
RészletesebbenRekurzió a Datalogban és az SQL3-ban
Rekurzió a Datalogban és az SQL3-ban Tankönyv: Ullman-Widom: Adatbázisrendszerek Alapvetés Második, átdolgozott kiadás, Panem, 2009 10.2. Rekurzió. Az Eljut feladat 10A_DLog4Rekurzio // Adatbázisok-1 elıadás
RészletesebbenANGOL NYELV KÖZÉPSZINT SZÓBELI VIZSGA I. VIZSGÁZTATÓI PÉLDÁNY
ANGOL NYELV KÖZÉPSZINT SZÓBELI VIZSGA I. VIZSGÁZTATÓI PÉLDÁNY A feladatsor három részből áll 1. A vizsgáztató társalgást kezdeményez a vizsgázóval. 2. A vizsgázó egy szituációs feladatban vesz részt a
RészletesebbenTavaszi Sporttábor / Spring Sports Camp. 2016. május 27 29. (péntek vasárnap) 27 29 May 2016 (Friday Sunday)
Tavaszi Sporttábor / Spring Sports Camp 2016. május 27 29. (péntek vasárnap) 27 29 May 2016 (Friday Sunday) SZÁLLÁS / ACCOMODDATION on a Hotel Gellért*** szálloda 2 ágyas szobáiban, vagy 2x2 ágyas hostel
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
RészletesebbenSQL/PSM kurzorok rész
SQL/PSM kurzorok --- 2.rész Tankönyv: Ullman-Widom: Adatbázisrendszerek Alapvetés Második, átdolgozott kiadás, Panem, 2009 9.3. Az SQL és a befogadó nyelv közötti felület (sormutatók) 9.4. SQL/PSM Sémában
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
RészletesebbenUsing the CW-Net in a user defined IP network
Using the CW-Net in a user defined IP network Data transmission and device control through IP platform CW-Net Basically, CableWorld's CW-Net operates in the 10.123.13.xxx IP address range. User Defined
RészletesebbenKriptográfia 0. A biztonság alapja. Számítás-komplexitási kérdések
Kriptográfia 0 Számítás-komplexitási kérdések A biztonság alapja Komplexitás elméleti modellek független, egyenletes eloszlású véletlen változó értéke számítással nem hozható kapcsolatba más információval
RészletesebbenCsima Judit április 9.
Osztályozókról még pár dolog Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2018. április 9. Csima Judit Osztályozókról még pár dolog 1 / 19 SVM (support vector machine) ez is egy
RészletesebbenStatistical Inference
Petra Petrovics Statistical Inference 1 st lecture Descriptive Statistics Inferential - it is concerned only with collecting and describing data Population - it is used when tentative conclusions about
RészletesebbenFÖLDRAJZ ANGOL NYELVEN GEOGRAPHY
Földrajz angol nyelven középszint 0623 ÉRETTSÉGI VIZSGA 2007. május 15. FÖLDRAJZ ANGOL NYELVEN GEOGRAPHY KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA INTERMEDIATE LEVEL WRITTEN EXAM JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ
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
RészletesebbenTestLine - Angol teszt Minta feladatsor
Minta felaatsor venég Téma: Általános szintfelmérő Aláírás:... Dátum: 2016.05.29 08:18:49 Kérések száma: 25 kérés Kitöltési iő: 1:17:27 Nehézség: Összetett Pont egység: +6-2 Értékelés: Alaértelmezett értékelés
Részletesebben2 level 3 innovation tiles. 3 level 2 innovation tiles. 3 level 1 innovation tiles. 2 tribe pawns of each color. 3 height 3 tribe pawns.
2 darab 3-as szintű találmány jelző Origin kártyaszövegek fordítása Vágd ki a az egyes kártyákhoz tartozó lapokat a vonalak és a színes terület mentén, majd csúsztasd be a kártyavédő fóliába úgy, hogy
RészletesebbenBranch-and-Bound. 1. Az egészértéketű programozás. a korlátozás és szétválasztás módszere Bevezető Definíció. 11.
11. gyakorlat Branch-and-Bound a korlátozás és szétválasztás módszere 1. Az egészértéketű programozás 1.1. Bevezető Bizonyos feladatok modellezése kapcsán előfordulhat olyan eset, hogy a megoldás során
RészletesebbenANGOL NYELVI SZINTFELMÉRŐ 2014 A CSOPORT
ANGOL NYELVI SZINTFELMÉRŐ 2014 A CSOPORT A feladatok megoldására 45 perc áll rendelkezésedre, melyből körülbelül 10-15 percet érdemes a fogalmazási feladatra szánnod. Megoldásaid a válaszlapra írd! 1.
RészletesebbenSapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus
Csíkszereda IRT-. kurzus 3. Előadás: A mohó algoritmus 1 Csíkszereda IRT. kurzus Bevezetés Az eddig tanult algoritmus tipúsok nem alkalmazhatók: A valós problémák nem tiszta klasszikus problémák A problémák
RészletesebbenIntelligens Rendszerek I. Problémamegoldás kereséssel: informált kereső eljárások (Optimálási módszerek)
Intelligens Rendszerek I. Problémamegoldás kereséssel: informált kereső eljárások (Optimálási módszerek) 2007/2008. tanév, I. félév Dr. Kovács Szilveszter E-mail: szkovacs@iit.uni-miskolc.hu Miskolci Egyetem
RészletesebbenKELER KSZF Zrt. bankgarancia-befogadási kondíciói. Hatályos: 2014. július 8.
KELER KSZF Zrt. bankgarancia-befogadási kondíciói Hatályos: 2014. július 8. A KELER KSZF a nem-pénzügyi klíringtagjaitól, és az energiapiaci alklíringtagjaitól a KELER KSZF Általános Üzletszabályzata szerinti
RészletesebbenUtolsó frissítés / Last update: február Szerkesztő / Editor: Csatlós Árpádné
Utolsó frissítés / Last update: 2016. február Szerkesztő / Editor: Csatlós Árpádné TARTALOM / Contents BEVEZETŐ / Introduction... 2 FELNŐTT TAGBÉLYEGEK / Adult membership stamps... 3 IFJÚSÁGI TAGBÉLYEGEK
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,
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 6. Előadás Problémaosztályok http://digitus.itk.ppke.hu/~flugi/ Emlékeztető A specifikáció egy előfeltételből és utófeltételből álló leírása a feladatnak Léteznek olyan feladatok,
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:
RészletesebbenPletykaalapú gépi tanulás teljesen elosztott környezetben
Pletykaalapú gépi tanulás teljesen elosztott környezetben Hegedűs István Jelasity Márk témavezető Szegedi Tudományegyetem MTA-SZTE Mesterséges Intelligencia Kutatócsopot Motiváció Az adat adatközpontokban
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
RészletesebbenSzámítógéppel irányított rendszerek elmélete. Gyakorlat - Mintavételezés, DT-LTI rendszermodellek
Számítógéppel irányított rendszerek elmélete Gyakorlat - Mintavételezés, DT-LTI rendszermodellek Hangos Katalin Villamosmérnöki és Információs Rendszerek Tanszék e-mail: hangos.katalin@virt.uni-pannon.hu
RészletesebbenGenome 373: Hidden Markov Models I. Doug Fowler
Genome 373: Hidden Markov Models I Doug Fowler Review From Gene Prediction I transcriptional start site G open reading frame transcriptional termination site promoter 5 untranslated region 3 untranslated
RészletesebbenDependency preservation
Adatbázis-kezelés. (4 előadás: Relácó felbontásai (dekomponálás)) 1 Getting lossless decomposition is necessary. But of course, we also want to keep dependencies, since losing a dependency means, that
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 stratégiák Szemantikus hálók / Keretrendszerek
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 11. Előadás Halmazkeresések, dinamikus programozás http://digitus.itk.ppke.hu/~flugi/ A keresési feladat megoldása Legyen a lehetséges megoldások halmaza M ciklus { X legyen
RészletesebbenA sz.ot.ag. III. Magyar Számítógépes Nyelvészeti Konferencia december 8. Bíró Tamás, ELTE, Budapest / RUG, Groningen, NL 1/ 16
A sz.ot.ag Optimalitáselmélet szimulált hőkezeléssel Bíró Tamás Humanities Computing, CLCG University of Groningen, Hollandia valamint Eötvös Loránd Tudományegyetem, Budapest birot@let.rug.nl, birot@nytud.hu
RészletesebbenTravel Getting Around
- Location I am lost. Not knowing where you are Can you show me where it is on the map? Asking for a specific location on a map Where can I find? Asking for a specific Eltévedtem. Meg tudná nekem mutatni
RészletesebbenLexington Public Schools 146 Maple Street Lexington, Massachusetts 02420
146 Maple Street Lexington, Massachusetts 02420 Surplus Printing Equipment For Sale Key Dates/Times: Item Date Time Location Release of Bid 10/23/2014 11:00 a.m. http://lps.lexingtonma.org (under Quick
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 69/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenACTA ACADEMIAE PAEDAGOGICAE AGRIENSIS
Separatum ACTA ACADEMIAE PAEDAGOGICAE AGRIESIS OVA SERIES TOM. XXII. SECTIO MATEMATICAE TÓMÁCS TIBOR Egy rekurzív sorozat tagjainak átlagáról EGER, 994 Egy rekurzív sorozat tagjainak átlagáról TÓMÁCS TIBOR
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
RészletesebbenANGOL NYELVI SZINTFELMÉRŐ 2012 A CSOPORT. to into after of about on for in at from
ANGOL NYELVI SZINTFELMÉRŐ 2012 A CSOPORT A feladatok megoldására 45 perc áll rendelkezésedre, melyből körülbelül 10-15 percet érdemes a levélírási feladatra szánnod. Sok sikert! 1. Válaszd ki a helyes
RészletesebbenCreate & validate a signature
IOTA TUTORIAL 7 Create & validate a signature v.0.0 KNBJDBIRYCUGVWMSKPVA9KOOGKKIRCBYHLMUTLGGAV9LIIPZSBGIENVBQ9NBQWXOXQSJRIRBHYJ9LCTJLISGGBRFRTTWD ABBYUVKPYFDJWTFLICYQQWQVDPCAKNVMSQERSYDPSSXPCZLVKWYKYZMREAEYZOSPWEJLHHFPYGSNSUYRZXANDNQTTLLZA
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),
RészletesebbenTÉRGAZDÁLKODÁS - A TÉR MINT VÉGES KÖZÖSSÉGI ERŐFORRÁS INGATLAN NYILVÁNTARTÁS - KÜLFÖLDI PÉLDÁK H.NAGY RÓBERT, HUNAGI
TÉRGAZDÁLKODÁS - A TÉR MINT VÉGES KÖZÖSSÉGI ERŐFORRÁS INGATLAN NYILVÁNTARTÁS - KÜLFÖLDI PÉLDÁK H.NAGY RÓBERT, HUNAGI TÉRADAT PONTOS FRISS ELÉRHETŐ CÉL Elvárások FELHASZNÁLÓ Helytállóság Elégedettség ESZKÖZ
RészletesebbenAdatszerkezetek 7a. Dr. IványiPéter
Adatszerkezetek 7a. Dr. IványiPéter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér () Nincsennek hurkok!!! 2 Bináris fák Azokat a
RészletesebbenTeszt topológia E1/1 E1/0 SW1 E1/0 E1/0 SW3 SW2. Kuris Ferenc - [HUN] Cisco Blog -
VTP Teszt topológia E1/1 E1/0 SW1 E1/0 E1/0 SW2 SW3 2 Alap konfiguráció SW1-2-3 conf t interface e1/0 switchport trunk encapsulation dot1q switchport mode trunk vtp domain CCIE vtp mode transparent vtp
RészletesebbenMegerősítéses tanulás 2. előadás
Megerősítéses tanulás 2. előadás 1 Technikai dolgok Email szityu@eotvoscollegium.hu Annai levlista http://nipglab04.inf.elte.hu/cgi-bin/mailman/listinfo/annai/ Olvasnivaló: Sutton, Barto: Reinforcement
RészletesebbenUtolsó frissítés / Last update: Szeptember / September Szerkesztő / Editor: Csatlós Árpádné
Utolsó frissítés / Last update: 2018. Szeptember / September Szerkesztő / Editor: Csatlós Árpádné TARTALOM / Contents BEVEZETŐ / Introduction... 2 FELNŐTT TAGBÉLYEGEK / Adult membership stamps... 3 IFJÚSÁGI
Részletesebbenó Ú ő ó ó ó ö ó ó ő ö ó ö ö ő ö ó ö ö ö ö ó ó ó ó ó ö ó ó ó ó Ú ö ö ó ó Ú ú ó ó ö ó Ű ő ó ó ó ő ó ó ó ó ö ó ó ó ö ő ö ó ó ó Ú ó ó ö ó ö ó ö ő ó ó ó ó Ú ö ö ő ő ó ó ö ö ó ö ó ó ó ö ö ő ö Ú ó ó ó ü ú ú ű
Részletesebbenangolul: greedy algorithms, románul: algoritmi greedy
Mohó algoritmusok angolul: greedy algorithms, románul: algoritmi greedy 1. feladat. Gazdaságos telefonhálózat építése Bizonyos városok között lehet direkt telefonkapcsolatot kiépíteni, pl. x és y város
RészletesebbenENROLLMENT FORM / BEIRATKOZÁSI ADATLAP
ENROLLMENT FORM / BEIRATKOZÁSI ADATLAP CHILD S DATA / GYERMEK ADATAI PLEASE FILL IN THIS INFORMATION WITH DATA BASED ON OFFICIAL DOCUMENTS / KÉRJÜK, TÖLTSE KI A HIVATALOS DOKUMENTUMOKBAN SZEREPLŐ ADATOK
RészletesebbenSzakmai továbbképzési nap akadémiai oktatóknak. 2012. december 14. HISZK, Hódmezővásárhely / Webex
Szakmai továbbképzési nap akadémiai oktatóknak 2012. december 14. HISZK, Hódmezővásárhely / Webex 14.00-15.00 15.00-15.30 15.30-15.40 Mai program 1. Amit feltétlenül ismernünk kell: az irányítótábla közelebbről.
RészletesebbenEN United in diversity EN A8-0206/419. Amendment
22.3.2019 A8-0206/419 419 Article 2 paragraph 4 point a point i (i) the identity of the road transport operator; (i) the identity of the road transport operator by means of its intra-community tax identification
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
RészletesebbenThe problem. Each unitary transform having eigenvector has eigenvalues in the form of. Phase ratio:
Ismétlés The problem Each unitary transform having eigenvector has eigenvalues in the form of. Phase ratio: How to initialize? Quantum Phase Estimator Prob. amplitudes 2017.04.27. 5 Brutális! A H kapuk
RészletesebbenANGOL NYELV KÖZÉPSZINT SZÓBELI VIZSGA I. VIZSGÁZTATÓI PÉLDÁNY
ANGOL NYELV KÖZÉPSZINT SZÓBELI VIZSGA I. VIZSGÁZTATÓI PÉLDÁNY A feladatsor három részbol áll 1. A vizsgáztató társalgást kezdeményez a vizsgázóval. 2. A vizsgázó egy szituációs feladatban vesz részt a
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
RészletesebbenIBM Brings Quantum Computing to the Cloud
IBM Brings Quantum Computing to the Cloud https://www.youtube.com/watch?v=dz2dcilzabm&feature=y outu.be 2016.05.05. 1 Ismétlés The problem Each unitary transform having eigenvector has eigenvalues in the
RészletesebbenProgramozási módszertan. Mohó algoritmusok
PM-08 p. 1/17 Programozási módszertan Mohó algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-08 p. 2/17 Bevezetés Dinamikus programozás
RészletesebbenGeneral information for the participants of the GTG Budapest, 2017 meeting
General information for the participants of the GTG Budapest, 2017 meeting Currency is Hungarian Forint (HUF). 1 EUR 310 HUF, 1000 HUF 3.20 EUR. Climate is continental, which means cold and dry in February
Részletesebben