Planning. un task di per se e attività comune a molti task, ad esempio

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Planning. un task di per se e attività comune a molti task, ad esempio"

Transcript

1 Planning Importante attività di problem solving dati una descrizione (parziale) dello stato corrente (eventualmente percepita) un insieme di azioni un obiettivo da raggiungere determinare: un piano, ossia un insieme (parzialmente o totalmente) ordinato di azioni per raggiungere il goal un task di per se e attività comune a molti task, ad esempio diagnosi: pianficazione di test o di azioni per riparare (riconfigurare) un sistema scheduling robotica Console, Botta - Dip. Informatica, Univ. Torino Planning 1 Planning = costruzione di un piano rappresentazione dello stato rappresentazione delle azioni strategie di ricerca Molto differente da problem solving nello spazio degli stati stato parziale azioni complesse piano è un insieme (parzialmente) ordinato di azioni Vedremo tecniche di base di planning algoritmo STRIPS costruzione di piani parzialmente ordinati e least commitment planning planning gerarchico planning condizionale planning and acting Console, Botta - Dip. Informatica, Univ. Torino Planning 2

2 Situation calculus: una soluzione deduttiva Situation calculus: un approccio logico per la rappresentazione di stati, azioni e cambiamento Situation: snapshot del mondo e delle proprietà (fluent) che valgono in quell istante Esempio: mondo dei blocchi holds(on(b,a), s) holds(ontable(c), s) Azioni: definiscono quali fluent saranno veri come risultato di un azione Esempio holds(on(x,y),s) and holds(clear(x),s) holds((ontable(x), on(x,y)), result(putontable(x,s))) Costruzione di un piano: deduzione, dimostrazione di un goal Esempio:? holds(ontable(b),s) YES per S=putOnTable(b,s) Problemi: qualification e frame problem necessità di forme di logiche non standard b a c Console, Botta - Dip. Informatica, Univ. Torino Planning 3 Rappresentazione di stati e azioni Problemi degli approcci deduttivi rappresentazioni in linguaggi specializzati e tecniche non deduttive di pianificazione STRIPS (Stanford Research Institute Problem Solver) antenato dei sistemi attuali di pianificazione linguaggio per la rappresentazione di azioni algoritmo per la costruzione di piani Rappresentazione dello stato: Insieme di fluent che valgono nello stato Esempio: on(b,a), clear(b),, ontable(c) rappresentazione del goal Insieme di fluent (simile allo stato) Si possono avere variabili esempio on(x,a) Console, Botta - Dip. Informatica, Univ. Torino Planning 4

3 Rappresentazione delle azioni Tre parti: Precondizioni: fluent che devono essere veri per applicare l azione DELETE List: fluent che diventano falsi come risultato dell azione ADD List: fluent che diventano veri come risultato dell azione Esempio move(x, Y, Z) (sposta X da sopra a Y a sopra a Z) Precondizioni: on(x,y), clear(x), clear(z) Delete List: clear(z), on(x,y) Add list: clear(y), on(x,z) Oss: a volte add e delete list rappresentate come EFFECT list con atomi positivi e negativi Esempio Precondizioni: on(x,y), clear(x), clear(z) Effect List: clear(z), on(x,y), clear(y), on(x,z) Console, Botta - Dip. Informatica, Univ. Torino Planning 5 Backward (regression) planning Ricerca nello spazio delle situazioni Ricerca backward a partire dal goal Operatori come regole riduzione di un goal a sottogoal terminazione: sottogoal che è un sottoinsieme dello stato iniziale Problema: definire come si effettua riduzione di un goal in sottogoal tenendo conto della forma delle regole (non solo deduttiva) PRECOND: Plist DELETE: Dlist ADD: Alist Stabilire come si effettua la riduzione di goal attraverso queste regole GOAL REGRESSION Console, Botta - Dip. Informatica, Univ. Torino Planning 6

4 Goal regression Goal: G1, G2,, Gn Regola R PRECOND: Plist DELETE: Dlist ADD: Alist Regr[G1, G2,.., Gn, R] = SottoGoal determinare quale è il sottogoal SottoGoal tale per cui l applicazione della regola R in G porta a G1, G2,, Gn Definire per ogni Gj come doveva essere in SottoGoal? Regr[G,R] = true se G Alist G Regr[G,R] = false se G Dlist Regr[G,R] = G altrimenti Console, Botta - Dip. Informatica, Univ. Torino Planning 7 Esempio: mondo dei blocchi Problema: spostare blocchi su un tavolo con un braccio Operatori pickup(x) PRECOND: ontable(x), clear(x), handempty DELETE: ontable(x), clear(x), handempty ADD: holding(x) putdown(x) PRECOND: holding(x) DELETE: holding(x) ADD: ontable(x), clear(x), handempty stack(x,y) PRECOND: holding(x), clear(y) DELETE: holding(x), clear(y) ADD: handempty, on(x,y), clear(x) unstack(x,y) PRECOND: handempty, on(x,y), clear(x) DELETE: handempty, on(x,y), clear(x) ADD: holding(x), clear(y) Console, Botta - Dip. Informatica, Univ. Torino Planning 8

5 Esempi di regressione regola R1: unstack(b,y) Regr[holding(b), R1] = true Regr[handempty,R1]=false Regr[ontable(c),R1 ]=ontable (c) Regr[clear (c), R1] = dipende se y=c = Y=c clear (c) = Y=c quindi due sottogoal possibili Regressione è il meccanismo di base per ridurre un goal in sottogoal in un planner backward Console, Botta - Dip. Informatica, Univ. Torino Planning 9 Riduzione di goal in sottogoal Goal: G1, G2,, Gn Regola R PRECOND: Plist = P1, P2, Pm DELETE: Dlist = D1, D2,, Dk ADD: Alist = A1, A2, Al Sottogoal che si ottiene da G con R Regr[G1, R], Regr[G2, R],, Regr[Gn,R], D1, D2,,Dk, P1, P2, Pm se Regr[Gi,R]=false allora tagliare Esempio Regr Regr on(a,b), on(b,c) { Prec, Del: holding(a), clear(b) Add: handempty stack(a,b) on(a,b), clear(a) True, on(b,c), holding(a), clear(b) Prec, Del list Console, Botta - Dip. Informatica, Univ. Torino Planning 10

6 Stato iniziale Esempio completo clear(b),, on(c,a), handempty, ontable(a), ontable(b) C A B Stato finale on(a,b), on(b,c) A B C Console, Botta - Dip. Informatica, Univ. Torino Planning 11 handempty, clear(x), on(x,b), X a, holding(a), on(b,c) holding(a) on(b,c) clear(b) unstack(x,b) Grafo di ricerca on(a,b), on(b,c) stack(a,b) holding(a), clear(b), on(b,c) stack(b,c) holding(b),, holding(a) pickup(a) ontable(a), clear(a) handempty, on(b,c), clear(b) putdown(a) putdown(b) stack(b,c) putdown(x) holding(b), ontable(a), clear(a), on(b,c) holding(b) ontable(a) clear(a) holding(x) ontable(a) clear(a) X a on(b,c) clear(b) stack(b,c) holding(b),, on(a,b)... handempty clear(x), on(x,a), ontable(a), FALSE on(b,c), clear(b) X b unstack(a,b) handempty, clear(a),... on(a,b), on(b,c) unstack(x,b) unstack(x,a) handempty clear(x), on(x,b), ontable(a), FALSE on(b,c), clear(a) X a Console, Botta - Dip. Informatica, Univ. Torino Planning 12

7 unstack(b,y) handempty, clear(b), on(b,y),, clear(a) ontable(a), Y a, Y c unstack(c,y) handempty, on(c,y), ontable(b), clear(b), Y b, clear(a) ontable(a), Y a... holding(b) ontable(a) clear(a) pickup(b) ontable(b), clear(b), handempty, ontable(a), clear(a) putdown(c) holding(c), ontable(b), clear(b), ontable(a), clear(a) unstack(c,a) handempty,, on(c,a) ontable(b), clear(b), ontable(a) Questo coincide con lo stato iniziale putdown(a)... holding(a), ontable(b), clear(b), Console, Botta - Dip. Informatica, Univ. Torino Planning 13 Un problema: interacting goals Quando due (o più) goal interagiscono possono sorgere dei problemi ci possono essere problemi di interazione tra le due soluzioni goal G1, G2 pianifico azioni per G2 poi mi trovo però nella situazione che per risolvere G1 devo smontare tutto, compreso lo stato che avevo prodotto con G2 risolto Esempio stato iniziale C A B goal: on(b,c), on(a,b) azione per risolvere on(b,c) porta a stato in cui per risolvere l altro goal devo smontare tutto Risolvere due goal indipendentemente non funziona A1 G1 devo considerarli insieme G2 sia A1 dopo A2 che A2 dopo A1 non A2 funzionano Console, Botta - Dip. Informatica, Univ. Torino Planning 14

8 Soluzione completa. provare tutti gli ordinamenti dei goal dei loro sottogoal Soluzione efficiente (pratica) provare a risolverli indipendemente verificare che la soluzione funzioni se non funziona, provare gli ordinamenti possibili uno alla volta Console, Botta - Dip. Informatica, Univ. Torino Planning 15 Algoritmo STRIPS Planner basato su ricerca backward appena discussa Utilizza due strutture dati stack di goal - descrizione S dello stato corrente Algoritmo while stack non è vuoto do if top(stack) = a and aθ = a θ con a S then elimina a dallo stack ed esegui sost θ sullo stack; if top(stack) = a1 a2 an then push(ai1), push(ai2),, push(ain) in un qualche ordine (punto di scelta non deterministica; si noti che la congiunzione rimane sullo stack e verrà riverificata dopo - interacting goals) if top(stack) = a then - seleziona regola R con a Addlist(R) - pop(a); push(r), push(precond(r)) if top(stack) = R then applica R trasformando lo stato S Console, Botta - Dip. Informatica, Univ. Torino Planning 16

9 Esempio state goal clear(b) on(c,b) on(a,c) a c on(c,a) ontable(a) b ontable(b) handempty a c state clear(b) on(c,a) ontable(a) b ontable(b) handempty goal on(a,c) on(c,b) on(c,b) on(a,c) a c state clear(b) on(c,a) ontable(a) b ontable(b) handempty goal on(c,b) on(a,c) on(c,b) on(a,c) a c state goal clear(b) holding(a) stack(a,c) on(c,a) on(c,b) ontable(a) on(c,b) on(a,c) b ontable(b) handempty... state goal clear(b) clear(b) holding(c) stack(c,b) on(c,a) on(a,c) ontable(a) on(c,b) on(a,c) b ontable(b) handempty Console, Botta - Dip. Informatica, Univ. Torino Planning 17 a c... a c a c state goal clear(b) holding(c) clear(b) on(c,a) clear(b) holding(c) ontable(a) stack(c,b) b ontable(b) on(a,c) handempty on(c,b) on(a,c) state goal clear(b) handempty on(c,y) on(c,a) unstack(c,y) ontable(a) clear(b) b ontable(b) clear(b) holding(c) handempty stack(c,b) on(a,c) on(c,b) on(a,c) con {a/y} la congiunzione unifica con S (evito ordini) a c state goal clear(b) unstack(c,a) clear(b) on(c,a) clear(b) holding(c) ontable(a) stack(c,b) b ontable(b) on(a,c) handempty on(c,b) on(a,c) eseguo azione unstack(c,a) c a state clear(b) clear(a) ontable(a) ontable(b) b holding(c) verificato goal e congiunz. c a state clear(b) clear(a) ontable(a) ontable(b) b holding(c) goal clear(b) clear(b) holding(c) stack(c,b) on(a,c) on(c,b) on(a,c) goal stack(c,b) on(a,c) on(c,b) on(a,c) eseguo stack Console, Botta - Dip. Informatica, Univ. Torino Planning 18

10 a a a state goal on(a,c) clear(a) on(c,b) on(a,c) ontable(a) c ontable(b) b on(c,b) handempty state goal holding(a) clear(a) stack(a,c) ontable(a) on(c,b) on(a,c) c ontable(b) b on(c,b) handempty vero in S c b state clear(a) ontable(a) ontable(b) on(c,b) handempty goal holding(a) holding(a) stack(a,c) on(c,b) on(a,c) a a state goal ontable(a) clear(a) clear(a) handempty ontable(a) pickup(a) c ontable(b) holding(a) b on(c,b) stack(a,c) handempty on(c,b) on(a,c) cong OK eseguo pickup c b state ontable(b) on(c,b) holding(a) cong OK eseguo stack goal holding(a) stack(a,c) on(c,b) on(a,c) state goal clear(a) on(c,b) on(a,c) ontable(b) a on(c,b) c on(a,c) b handempty elimino goal, stack vuoto Console, Botta - Dip. Informatica, Univ. Torino FINITO Planning 19 Ricostruendo da configurazione iniziale a finale ho una soluzione unstack(c,a) stack(c,b) pickup(a) stack(a,c) Ricerca abbiamo visto un cammino varie alternative scelte non deterministiche ordinamento dei goal più operatori applicabili per ridurre un goal Strategie euristiche strategie di ricerca strategie per scegliere quale goal ridurre e quale operatore MEANS-ENDS ANALYSIS cercare la differenza più significativa tra stato e goal ridurre quella differenza per prima Console, Botta - Dip. Informatica, Univ. Torino Planning 20

11 Ricerca nello spazio dei piani STRIPS: ricerca nello spazio delle situazioni approccio alternativo: ricerca nello spazio dei piani rappresentazione di piani parziali operatori di trasformazione di piani Piano: Insieme delle azioni che lo costituiscono con precondizioni Ordine parziale tra le azioni: Si p Sj Link causali tra azioni: Si c Sj l azione Si produce come effetto la precondizione c di Sj Piano iniziale: due azioni : senza precondizioni : con precondizione il goal del planner p Console, Botta - Dip. Informatica, Univ. Torino Planning 21 Esempio: piano per mettersi le scarpe azioni mettiscarpadx: PRECOND: calzadx(on) EFFECT scarpadx(on) mettiscarpasx: PRECOND: calzasx(on) EFFECT scarpasx(on) metticalzadx: PRECOND: - EFFECT calzadx(on) metticalzasx: PRECOND: - EFFECT calzasx(on) Piano iniziale Piano finale scarpadx(on) scarpasx(on) metticalzadx calzadx(on) mettiscarpadx metticalzasx calzasx(on) mettiscarpasx scarpadx(on) scarpasx(on) Console, Botta - Dip. Informatica, Univ. Torino Planning 22

12 Osservazioni piano con ordine parziale, non vengono imposti ordinamenti non richiesti Least Commitment: non imporre mai più vincoli di quelli strettamente necessari non fare scelte quando don t care evita molti backtracking Linearizzazione: trasformazione da ordine parziale a ordine totale in generale molte soluzioni Algoritmo: ricerca nello spazio dei piani operatori per costruire e trasformare un piano Console, Botta - Dip. Informatica, Univ. Torino Planning 23 Algoritmo di partial order planning (intuitivo) While (piano non terminato) do seleziona una azione SN che ha una precondizione C non soddisfatta seleziona una azione S che abbia C tra i suoi effetti aggiungi il vincolo di ordine S p SN aggiungi il vincolo d ordine Start p S p Stop aggiungi il legame causale S --C --> SN risolvi eventuali violazioni a legami causali end ognuno dei passi di selezione è non-deterministico in caso di fallimento si può avere backtracking su selezioni non deterministiche Console, Botta - Dip. Informatica, Univ. Torino Planning 24

13 Violazioni a vincoli causali S1 c S2 S3 c ordine Legame causale Due possibili soluzioni (ma a volte non funziona nessuna delle due, altro punto di fallimento) demotion promotion S1 c S2 S3 c S1 S2 c Console, Botta - Dip. Informatica, Univ. Torino Planning 25 S3 c Esempio: pianificazione di acquisti stato iniziale: at(home), sells(hws,drill), sells(sm,milk), sells(sm,banana) Goal: at(home), have(drill), have(milk), have(banana) azioni go(y): PRECOND: at(x) EFFECT: at(y), at(x) buy(y) PRECOND: at(s), sells(s,y) EFFECT: have(y) at(home), sells(hws,drill), sells(sm,milk), sells(sm,banana) have(drill), have(milk), have(banana), at(home) Console, Botta - Dip. Informatica, Univ. Torino Planning 26

14 Primo passo: seleziono una azione e precondizione: have(drill) seleziono azione che ha la precondizione come effetto: buy(drill) modifico il piano at(home), sells(hws,drill), sells(sm,milk), sells(sm,banana) at(x), sells(x,drill), buy(drill) have(drill), have(milk), have(banana), at(home) Legame causale tra buy(drill) e per proteggere have(drill) Console, Botta - Dip. Informatica, Univ. Torino Planning 27 Secondo e terzo passo: procedo in modo analogo per gli altri acquisti at(home), sells(hws,drill), sells(sm,milk), sells(sm,banana) at(x), sells(x,drill) buy(drill) at(x), sells(x,milk) buy(milk) at(x), sells(x,banana), buy(banana) have(drill), have(milk), have(banana), at(home) Console, Botta - Dip. Informatica, Univ. Torino Planning 28

15 Passi successivi: seleziono sells(hws,drill), sells(sm,milk), sells(sm,banana) già veri nello stato iniziale devo quindi solo proteggerli con legami causali at(home) at(hws), sells(hws,drill) buy(drill) at(sm), sells(sm,milk) buy(milk) at(sm), sells(sm,banana), buy(banana) have(drill), have(milk), have(banana), at(home) Console, Botta - Dip. Informatica, Univ. Torino Planning 29 Passo successivo: seleziono at(hws) precondizione di buy(drill) seleziono azione go(hws) at(x) go(hws) at(home) at(hws), sells(hws,drill) buy(drill) at(sm), sells(sm,milk) buy(milk) at(sm), sells(sm,banana), buy(banana) have(drill), have(milk), have(banana), at(home) Console, Botta - Dip. Informatica, Univ. Torino Planning 30

16 Passo successivo: seleziono at(x) precondizione di go(hws) soddisfatta in con at(home) per cui lo proteggo at(home) go(hws) at(hws), sells(hws,drill) buy(drill) at(sm), sells(sm,milk) buy(milk) at(sm), sells(sm,banana), buy(banana) have(drill), have(milk), have(banana), at(home) Console, Botta - Dip. Informatica, Univ. Torino Planning 31 Passo successivo: procedo in modo analogo per at(sm) at(home) go(hws) at(home) go(sm) at(hws), sells(hws,drill) buy(drill) sells(sm,milk), at(sm) buy(milk) sells(sm,banana), at(sm) buy(banana) have(drill), have(milk), have(banana), at(home) Console, Botta - Dip. Informatica, Univ. Torino Planning 32

17 A questo punto ci sono problemi violazioni di vincoli causali tra le azioni go(hws) e go(sm) se agente esegue go(hws), non può essere at(home) per fare azione go(sm) e viceversa spostare ordine tra le azioni non funziona si deve fare backtracking su ultimo passo risoluzione di at(sm) semplicemente da proteggendo at(home) eseguire go(sm) partendo da hws Console, Botta - Dip. Informatica, Univ. Torino Planning 33 at(home) go(hws) at(hws) go(sm) Due passi prima at(x)... at(hws), sells(hws,drill) buy(drill) sells(sm,milk), at(sm) buy(milk) sells(sm,banana), at(sm) buy(banana) have(drill), have(milk), have(banana), at(home) Ordine tra buy(drill) e go(sm) in quanto at(hws) è protetto legame causale go(hws) buy(drill) at(hws) Console, Botta - Dip. Informatica, Univ. Torino Planning 34

18 Ultimo passo risolvere at(home) di : unico modo è di metterla prima di at(home) go(hws) at(hws) go(sm) at(hws), sells(hws,drill) buy(drill) sells(sm,milk), at(sm) buy(milk) go(home) at(sm) sells(sm,banana), at(sm) buy(banana) have(drill), at(home), have(milk), have(banana) Console, Botta - Dip. Informatica, Univ. Torino Planning 35 Ossia: una sola scelta non ordinata at(home) go(hws) at(hws), sells(hws,drill) buy(drill) sells(sm,milk), at(sm) buy(milk) at(hws) go(sm) at(sm) go(home) at(sm), sells(sm,banana buy(banana) have(milk), at(home), have(banana), have(drill) Console, Botta - Dip. Informatica, Univ. Torino Planning 36

19 Algoritmo partial order planning function POP(initialGoal, operators) returns plan plan := INITIAL_PLAN(,, initialgoal) loop if SOLUTION(plan) then return plan; SN, C := SELECT_SUBGOAL(plan); CHOOSE_OPERATOR(plan, operators, SN, C); RESOLVE_THREATS(plan) end function SELECT_SUBGOAL(plan) seleziona azione SN da STEPS(plan) con una condizione C non ancora risolta; return SN, C Console, Botta - Dip. Informatica, Univ. Torino Planning 37 procedure CHOOSE_OPERATOR(plan, operators, SN, C) seleziona S da operators o da STEPS(plan) che abbia C come effetto; if non esiste S con tali proprietà then fail; aggiungi il link causale S C SN aggiungi il vincolo di ordinamento S p SN if S è un nuovo operatore aggiunto al piano then aggiungi S a STEPS(plan) aggiungi il vincolo Start p S p Stop procedure RESOLVE_THREAT(plan) for each azione S che viola il vincolo causale Si C choose either promotion: aggiungi il vincolo S p Si demotion: aggiungi il vincolo Sj p S if NOT_CONSISTENT(plan) then fail endfor Sj Console, Botta - Dip. Informatica, Univ. Torino Planning 38

20 Osservazioni più efficiente dell approccio alla STRIPS possibilità di definire operatori più complessi effetti condizionali Esempio: mondo dei blocchi move(b,x,y) PRECOND: on(b,x), clear(b), clear(y) EFFECT: on(b,y), clear(x), on(b,x), clear(y) if Y table operatori logici effetti disgiuntivi o negazione nel goal Esempio: moneta FLIP(C) EFFECT testa(c) croce(c) quantificazione universale Esempio: operatore per trasportare un insieme di oggetti carry(bag, X, Y) PRECOND: bag(bag), at(bag,x) EFFECT: at(bag, Y), at(bag,x), Z in(z, BAG) (at(z, Y), at(z,x)) Console, Botta - Dip. Informatica, Univ. Torino Planning 39 Planning in pratica Molte applicazioni in domini complessi aereospaziale, industriale,. Algoritmi visti vanno bene, ma problemi di efficienza in caso di molti operatori Tecniche per rendere più efficiente il processo di pianificazione Planning gerarchico definire operatori a diversi livelli di astrazione pianificare ad livello alto sostitituire macro azioni con loro espansione (magari già precompilata) Esempio planning per comprare al supermercato come visto azioni elementari di spostamento di un robot portano a dover pianificare più in dettaglio le azioni (macro) go e buy Sharing di azioni usare una stessa azione per raggiungere più obiettivi Console, Botta - Dip. Informatica, Univ. Torino Planning 40

21 Planning gerarchico Definizione di operatori a diverso livello di dettaglio Espansione di piani astratti in piani concreti pianificando parti astratte in termini di azioni più specifiche macro-espansione di piani già precostruiti adattamento di piani (schemi di piani) già precostruiti Rappresentazione operatori astratti come gli altri operatori: PRECOND, EFFECT se macro (già costruiti) anche loro decomposizione in piani più elementari Esempio Construction PRECOND: ownland, havemoney EFFECT: havehouse DECOMPOSITION: S1: build(foundation), S2: build(frame), S3: build(roof), S4:build(walls), S5: build(interior) ORDER: S1 p S2 p S3, S2 p S4, S3 p S5, S4 p S5 S1 foundation S2 frame frame Console, Botta - Dip. Informatica, Univ. Torino Planning 41 S3 S4 roof walls S5 Buy Land Get Loan Own Land Have Money Build House Have(House) Move In decomposes to Buy Land Get Loan Own Land Obtain Permit Hire Builder Construction Have Money Pay Builder Have(House) Move In Console, Botta - Dip. Informatica, Univ. Torino Planning 42

22 Un planner gerarchico Stesso algoritmo POP di prima, ma ad ogni passo si può scegliere tra selezionare un operatore ed estendere il piano (compresi operatori macro) espandere un macro step del piano (usando function HD_POP(initialGoal, methods, operators) returns plan plan := INITIAL_PLAN(,, initialgoal) loop if SOLUTION(plan) then return plan; choose between SN, C := SELECT_SUBGOAL(plan); CHOOSE_OPERATOR(plan, operators, SN, C); SnonPrim := SELECT_STEP_NON_PRIMITIVO(plan) CHOOSE_DECOMPOSITION(SnonPrim, methods, plan) RESOLVE_THREATS(plan) end Console, Botta - Dip. Informatica, Univ. Torino Planning 43 Condizioni su planning gerarchico Affinché planning gerarchico funzioni, devono essere garantite alcune proprietà Vincoli sulla decomposizione Se azione macro A ha come effetto X e viene espansa con piano P X deve essere effetto di almeno una delle azioni in cui A viene decomposta e deve essere protetta fino alla fine del piano P ogni precondizione delle azioni in P deve essere garantita dai passi precedenti A nel piano oppure deve essere una precondizione di A le azioni di P non devono violare vincoli causali quando P viene sostituito ad A nel piano che si sta costruendo Solo in questo modo si può sostituire la azione macro A con il piano P Sostituzione di A con P Si devono mettere a posto sia le relazioni d ordine che i link causali Ordine s per ogni B tale per cui B p A si impone B p first(p) (prima azione di P) per ogni B tale per cui A p B si impone last(p) p B (ultima azione di P) Console, Botta - Dip. Informatica, Univ. Torino Planning 44

23 Link causali se S C A era un link nel piano, allora si deve sostituire con una serie di link S C Si dove Si sono le azioni di P che hanno C come precondizione e nessun altro passo di A prima di Si ha C come precondizione se A C S era un link nel piano, allora si deve sostituire con una serie di link Si C S dove Si sono le azioni di P che hanno C come effetto e nessun altro passo di P dopo Si ha C come effetto Correttezza e completezza della pianificazione gerarchica Completezza: ogni volta che una macro azione A viene scartata dal planner come inconsistente, allora tutte le sue espansioni devono portare a inconsistenza Correttezza: ogni volta che una macro azione A viene inserita in un piano, allora almeno una delle sue espansioni deve portare ad un piano consistente Console, Botta - Dip. Informatica, Univ. Torino Planning 45 Gestione di risorse limitate Spesso in planning necessità di trattare vincoli su risorse tempo: vincoli temporali sulle attività durata delle attività ritardi tra attività vincoli sulla terminazione del piano vincoli sull uso di risorse altre risorse quali: denaro: ad esempio in planning su acquisti materie prime: in planning su produzione Tempo: integrazione tra planning e gestione di vincoli temporali sulle attività e sulle risorse vincoli temporali su goal ogni azione comporta vincoli temporali mantenimento della consistenza dei vincoli inconsistenza fa fallire il piano Console, Botta - Dip. Informatica, Univ. Torino Planning 46

24 Esempio: planning di attività con scadenze goal: prodottop entro le 12:00 azioni producep PRECOND: liberomaccm(t), materieprime(t1) EFFECT: prodottop(t2) VINCOLI: T1 before (T), T2 = end(t)+0:10, T lasting 2:00 dato goal prodottop(12:00) si ha che azione producep può essere usata per raggiungere goal ma vincoli temporali liberomacchm(t), materieprime(t1) T between 9:50 and 11:50 T1 before 9:50 ProduceP prodottop(12:00) Nuovi goal devono essere soddisfatti rispettando i vincoli temporali Integrazione tra planner e temporal reasoner Console, Botta - Dip. Informatica, Univ. Torino Planning 47 Altre risorse: un possibile approccio variabili che memorizzano stato della risorsa azioni possono specificare condizioni sulle variabili modifiche di valore delle variabili Esempio variabile $ per tener traccia dei soldi disponibili assegnamento iniziale $=2000 buy(y) PRECOND: at(s), sells(s,y), cost(y,c), $ > C EFFECT: have(y), $ := $-C Planner deve tener traccia delle variabili e aggiornarle durante la costruzione del piano Console, Botta - Dip. Informatica, Univ. Torino Planning 48

25 Planning and acting Tecniche viste fino ad ora permettono di costruire piani per raggiungere goal Piani vengono poi eseguiti da agente Esecuzione può portare a problemi: alcune condizioni possono essere diverse da come previsto conoscenza incompleta o non corretta del planner condizioni inaspettate trasformazioni del mondo effetti delle azioni possono essere diversi dal previsto, anche per errori dell esecutore Agente in grado di percepire, pianificare agire Due possibili approcci Planning condizionale Monitoring della esecuzione e re-planning Console, Botta - Dip. Informatica, Univ. Torino Planning 49 Piano costituito da Planning condizionale azioni verifica di condizioni comportamento condizionale a seconda dei risultati delle verifiche Esempio: sostituzione ruote in una auto remove(x) PRECOND: on(x) EFFECT: off(x), clearhub(x), on(x) puton(x) PRECOND: off(x), clearhub(x) EFFECT: on(x), clearhub(x), off(x) inflate(x) PRECOND: intact(x), flat(x) EFECT: inflated(x), flat(x) checktire(x) PRECOND: tire(x) EFFECT: knowswhether(intact(x)) situazione iniziale:on(tire1), flat(tire1), inflated(spare) goal: on(x), inflated(x) Console, Botta - Dip. Informatica, Univ. Torino Planning 50

26 Planning tradizionale produrrebbe il seguente piano: on(tire1) flat(tire1) inflated(spare) on(x) inflated(x) on(tire1) flat(tire1) inflated(spare) flat(tire1) Inflate(tire1) intact(tire1) on(tire1) inflated(tire1) A questo punto c è la condizione intact(tire1) che non può essere ottenuta con nessuna azione fallimento nel piano usare le azioni che permettono di fare verifiche e costruire un piano condizionale Console, Botta - Dip. Informatica, Univ. Torino Planning 51 on(tire1) on(tire1) flat(tire1) inflated(tire1) inflated(spare) [intact(tire1)] flat(tire1) inflate(tire1) check(tire1) intact(tire1) [intact(tire1)] Problemi [ intact(tire1)] intact(tire1) vale in una delle possibili risposte alla verifica in un contesto in quel contesto il piano è a posto però si devono considerare anche tutti gli altri possibili contesti e costruire piani anche per quei casi Generare una copia del goal del piano per ogni altro possibile contesto in questo modo si avrà un piano condizionale che può funzionare in diversi contesti Console, Botta - Dip. Informatica, Univ. Torino Planning 52

27 check(tire1) on(tire1) flat(tire1) inflated(spare) flat(tire1) inflate(tire1) intact(tire1) [intact(tire1)] on(tire1) inflated(tire1) [intact(tire1)] intact(tire1) on(x) inflated(x) [ intact(tire1)] Si costruisce quindi il piano on(tire1) flat(tire1) inflated(spare) flat(tire1) inflate(tire1) check(tire1) intact(tire1) [intact(tire1)] intact(tire1) remove(tire1) puton(spare) on(tire1) inflated(tire1) [intact(tire1)] on(spare) inflated(spare) [ intact(tire1)] Console, Botta - Dip. Informatica, Univ. Torino Planning 53 Algoritmo per conditional planning function CPOP (initialgoal, operators) returns plan INITIAL_PLAN(,, initialgoal) loop if non ci sono precondizioni non soddisfatte o contesti non analizzati then return plan; if sono stati generati piani per i contesti C1, Cn then aggiungi nuovo goal con contesto (C1... Cn); seleziona uno step SN con precondizione C; seleziona S da operatori che aggiunge C oppure che permette di verificare C ed è compatibile con contesto corrente; if non esiste una tale azione then fail; aggiungi S C SN ai legami causali; aggiungi S p SN ai vincoli di ordinamento; if S è una nuova azione then aggiungi S a step(plan), aggiungi il vincolo p S p Console, Botta - Dip. Informatica, Univ. Torino Planning 54

28 end risoluzione threats: for each azione S che viola il vincolo causale Si C Sj choose either promotion: aggiungi il vincolo S p Si demotion: aggiungi il vincolo Sj p S conditioning: trovare uno step condizionale Scond in cui il contesto di Scond è compatibile con S e Sj Scond ha possibili risultati compatibili uno con Si e un altro con Sj; aggiungere link condizionali da Scond a Si e da Scond a Sj if nessuna scelta consistente then fail endfor Console, Botta - Dip. Informatica, Univ. Torino Planning 55 Integrazione tra planning ed esecuzione dei piani Pianificazione avviene per poi eseguire le azioni Esecuzione delle azioni può avvenire in modo corretto senza problemi In molti casi tuttavia si deve tener conto di eventuali situazioni anomale che possono avvenire durante l esecuzione di un piano errori nell esecuzione di azioni da parte dell agente modifiche impreviste allo stato per effetto di azioni di altri agenti o della natura (che può essere vista come un altro agente) Necessità di integrazione tra pianificazione ed esecuzione di piani verificare effetto di ogni azione ripianificare se vi sono stati problemi correggere i piani se avvengono azioni esterne impreviste Un esempio pianificazione nel mondo dei blocchi con azioni esterne errori di esecuzione Console, Botta - Dip. Informatica, Univ. Torino Planning 56

Intelligenza Artificiale. Lezione 14. Pianificazione automatica

Intelligenza Artificiale. Lezione 14. Pianificazione automatica Pianificazione automatica (Capitolo 11 del R& N) Intelligenza Artificiale Ricerca vs. Pianificazione Linguaggio di specifica: STRIPS Pianificazione nello spazio degli stati Lezione 14 POP: Partial Order

Dettagli

Pianificazione Non Lineare

Pianificazione Non Lineare Pianificazione Non Lineare Pianificare -> prendere molte decisioni. Il pianificatore non conosce a priori l effetto che ogni decisione avrà sul piano. Può essere necessario tornare indietro e prendere

Dettagli

PLANNING. diagnosi: pianificazione di test o azioni per riparare (riconfigurare) un sistema scheduling robotica

PLANNING. diagnosi: pianificazione di test o azioni per riparare (riconfigurare) un sistema scheduling robotica PLANNING La pianificazione automatica (planning) rappresenta un importante attività di problem solving che consiste nel sintetizzare una sequenza di azioni che eseguite da un agente a partire da uno stato

Dettagli

Esercizi su planning 1

Esercizi su planning 1 ESERCIZI SU PIANIFICAZIONE AUTOMATICA 13 Settembre 2004 Si consideri il problema di trasportare un carico tramite un carrello ferroviario che puo percorrere le tratte tra città connesse. Inizialmente il

Dettagli

Tipologie di pianificatori. Pianificazione. Partial Order Planning. E compiti diversi. Pianificazione gerarchica. Approcci integrati

Tipologie di pianificatori. Pianificazione. Partial Order Planning. E compiti diversi. Pianificazione gerarchica. Approcci integrati Tipologie di pianificatori Pianificazione Intelligenza Artificiale e Agenti II modulo Pianificazione a ordinamento parziale (POP) (HTN) pianificazione logica (SatPlan) Pianificazione come ricerca su grafi

Dettagli

Intelligenza Artificiale. Pianificazione. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 0

Intelligenza Artificiale. Pianificazione. Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 0 Intelligenza Artificiale Pianificazione Intelligenza Artificiale Daniele Nardi, 2003 Pianificazione 0 Pianificazione automatica (Capitolo 12 del R& N) Estensioni di POP: Partial Order Planning Applicazioni

Dettagli

FONDAMENTI DI INTELLIGENZA ARTIFICIALE 1 parte (6 CFU) 12 Luglio 2012 Tempo a disposizione: 2 h Risultato: 32/32 punti

FONDAMENTI DI INTELLIGENZA ARTIFICIALE 1 parte (6 CFU) 12 Luglio 2012 Tempo a disposizione: 2 h Risultato: 32/32 punti FONDAMENTI DI INTELLIGENZA ARTIFICIALE 1 parte (6 CFU) 12 Luglio 2012 Tempo a disposizione: 2 h Risultato: 32/32 punti Esercizio 1 (7 punti) Si formalizzi in logica dei predicati del primo ordine la seguente

Dettagli

Problema di Planning

Problema di Planning Pianificazione (Planning) apitolo 11, Russell & Norvig Questa presentazione include lucidi creati da: B.J. Dorr, L. Getoor, A. Lazaric, Russel & Norvig, M. Simi, S. Sceffer Problema di Planning Trovare

Dettagli

Fondamenti di Intelligenza Artificiale M. Altri possibili esercizi

Fondamenti di Intelligenza Artificiale M. Altri possibili esercizi Fondamenti di Intelligenza Artificiale M Altri possibili esercizi 1 Esempi di possibili esercizi Description Logic e SW e domande sui seminari in generale Introdurre brevemente la differenza tra Open World

Dettagli

Intelligenza Artificiale. Lezione 23. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 0

Intelligenza Artificiale. Lezione 23. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 0 Intelligenza Artificiale Lezione 23 Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 0 Azioni e cambiamento Il calcolo delle situazioni Pianificazione Deduttiva (Capitolo 11 delle dispense, 7.6

Dettagli

Problemi di soddisfacimento di vincoli. Formulazione di problemi CSP. Colorazione di una mappa. Altri problemi

Problemi di soddisfacimento di vincoli. Formulazione di problemi CSP. Colorazione di una mappa. Altri problemi Problemi di soddisfacimento di vincoli Maria Simi a.a. 2014/2015 Problemi di soddisfacimento di vincoli (CSP) Sono problemi con una struttura particolare, per cui conviene pensare ad algoritmi specializzati

Dettagli

Rappresentazione della conoscenza. Lezione 11. Rappresentazione della Conoscenza Daniele Nardi, 2008Lezione 11 0

Rappresentazione della conoscenza. Lezione 11. Rappresentazione della Conoscenza Daniele Nardi, 2008Lezione 11 0 Rappresentazione della conoscenza Lezione 11 Rappresentazione della Conoscenza Daniele Nardi, 2008Lezione 11 0 Sommario Pianificazione Deduttiva nel calcolo delle situazioni (Reiter 3.3) Teoria del calcolo

Dettagli

Ambienti più realistici. Ricerca online. Azioni non deterministiche L aspirapolvere imprevedibile. Soluzioni più complesse. Alberi di ricerca AND-OR

Ambienti più realistici. Ricerca online. Azioni non deterministiche L aspirapolvere imprevedibile. Soluzioni più complesse. Alberi di ricerca AND-OR Ambienti più realistici Ricerca online Maria Simi a.a. 2011/2012 Gli agenti risolutori di problemi classici assumono: Ambienti completamente osservabili e deterministici il piano generato può essere generato

Dettagli

Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale

Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale di Francesco Maria Milizia francescomilizia@libero.it Model Checking vuol dire cercare di stabilire se una formula è vera

Dettagli

Gli algoritmi: definizioni e proprietà

Gli algoritmi: definizioni e proprietà Dipartimento di Elettronica ed Informazione Politecnico di Milano Informatica e CAD (c.i.) - ICA Prof. Pierluigi Plebani A.A. 2008/2009 Gli algoritmi: definizioni e proprietà La presente dispensa e da

Dettagli

Idee guida. Finite State Machine (1) Un automa a stati finiti è definito da una 5- pla: FSM = , dove: Finite State Machine (2)

Idee guida. Finite State Machine (1) Un automa a stati finiti è definito da una 5- pla: FSM = <Q,,, q0, F>, dove: Finite State Machine (2) Idee guida ASM = FSM con stati generalizzati Le ASM rappresentano la forma matematica di Macchine Astratte che estendono la nozione di Finite State Machine Ground Model (descrizioni formali) Raffinamenti

Dettagli

Ancora su diagnosi. Lezione 9 giugno. Conoscenza incompleta e senso comune. Frameworks per il ragionamento basato su assunzioni

Ancora su diagnosi. Lezione 9 giugno. Conoscenza incompleta e senso comune. Frameworks per il ragionamento basato su assunzioni Ancora su diagnosi Lezione 9 giugno Ancora su diagnosi Conoscenza incompleta, senso comune e ragionamento basato su assunzioni Cenni su pianificazione Abbiamo accennato alla diagnosi di guasti. Occorre

Dettagli

Intelligenza Artificiale

Intelligenza Artificiale Intelligenza Artificiale Esercizi e Domande di Esame Tecniche di Ricerca e Pianificazione Esercizi Griglia Si consideri un ambiente costituito da una griglia n n in cui si muove un agente che può spostarsi

Dettagli

Algebra Booleana ed Espressioni Booleane

Algebra Booleana ed Espressioni Booleane Algebra Booleana ed Espressioni Booleane Che cosa è un Algebra? Dato un insieme E di elementi (qualsiasi, non necessariamente numerico) ed una o più operazioni definite sugli elementi appartenenti a tale

Dettagli

FONDAMENTI DI INTELLIGENZA ARTIFICIALE M 15 Luglio 2010 Tempo a disposizione 2h 45min Risultato 32/32 punti

FONDAMENTI DI INTELLIGENZA ARTIFICIALE M 15 Luglio 2010 Tempo a disposizione 2h 45min Risultato 32/32 punti FONDAMENTI DI INTELLIGENZA ARTIFICIALE M Luglio 2010 Tempo a disposizione 2h 45min Risultato 32/32 punti Esercizio 1 (punti 4) Si formalizzino il logica dei predicati del I ordine le seguenti frasi: Ogni

Dettagli

Università degli Studi di Napoli Federico II. Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica

Università degli Studi di Napoli Federico II. Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Università degli Studi di Napoli Federico II Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Anno Accademico 2009/2010 Appunti di Calcolabilità e Complessità Lezione 9: Introduzione alle logiche

Dettagli

Elementi di Informatica e Programmazione

Elementi di Informatica e Programmazione Elementi di Informatica e Programmazione Il concetto di Algoritmo e di Calcolatore Corsi di Laurea in: Ingegneria Civile Ingegneria per l Ambiente e il Territorio Università degli Studi di Brescia Cos

Dettagli

Dispense del corso di Logica a.a. 2015/16: Problemi di primo livello. V. M. Abrusci

Dispense del corso di Logica a.a. 2015/16: Problemi di primo livello. V. M. Abrusci Dispense del corso di Logica a.a. 2015/16: Problemi di primo livello V. M. Abrusci 12 ottobre 2015 0.1 Problemi logici basilari sulle classi Le classi sono uno dei temi della logica. Esponiamo in questa

Dettagli

Progettazione concettuale

Progettazione concettuale Progettazione concettuale Strategie top-down A partire da uno schema che descrive le specifiche mediante pochi concetti molto astratti, si produce uno schema concettuale mediante raffinamenti successivi

Dettagli

La programmazione con vincoli in breve. La programmazione con vincoli in breve

La programmazione con vincoli in breve. La programmazione con vincoli in breve Obbiettivi Introdurre la nozione di equivalenza di CSP. Dare una introduzione intuitiva dei metodi generali per la programmazione con vincoli. Introdurre il framework di base per la programmazione con

Dettagli

Testing: basato su analisi dinamica del codice. Metodi Formali: basato su analisi statica del codice.

Testing: basato su analisi dinamica del codice. Metodi Formali: basato su analisi statica del codice. Convalida: attività volta ad assicurare che il SW sia conforme ai requisiti dell utente. Verifica: attività volta ad assicurare che il SW sia conforme alle specifiche dell analista. Goal: determinare malfunzionamenti/anomalie/errori

Dettagli

f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da

f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede

Dettagli

Intelligenza Artificiale. Lezione 10

Intelligenza Artificiale. Lezione 10 Un sentito ringraziamento ed un ricordo per Raymond Reiter Intelligenza Artificiale Lezione 10 Rappresentazione della Conoscenza Daniele Nardi, 2008Lezione 10 0 Sommario Il calcolo delle situazioni Reiter

Dettagli

Schedulazione di attività in presenza di attività interrompibili

Schedulazione di attività in presenza di attività interrompibili Schedulazione di attività in presenza di attività interrompibili Maria Silvia Pini Resp. accademico: Prof.ssa Francesca Rossi Università di Padova Attività FSE DGR 1102/2010 La gestione dell informazione

Dettagli

Fondamenti di Intelligenza Artificiale M

Fondamenti di Intelligenza Artificiale M Fondamenti di Intelligenza Artificiale M 1 Esempi di possibili esercizi Description Logic e SW Introdurre brevemente la differenza tra Open World Assumption e Close World Assumption, illustrando tale differenza

Dettagli

Normalizzazione. Relazionali

Normalizzazione. Relazionali Normalizzazione di Schemi Relazionali Normalizzazione Forme Normali Una forma normale è una proprietà di uno schema relazionale che ne garantisce la qualità, cioè l assenza di determinati difetti Una relazione

Dettagli

Algoritmo. I dati su cui opera un'istruzione sono forniti all'algoritmo dall'esterno oppure sono il risultato di istruzioni eseguite precedentemente.

Algoritmo. I dati su cui opera un'istruzione sono forniti all'algoritmo dall'esterno oppure sono il risultato di istruzioni eseguite precedentemente. Algoritmo Formalmente, per algoritmo si intende una successione finita di passi o istruzioni che definiscono le operazioni da eseguire su dei dati (=istanza del problema): in generale un algoritmo è definito

Dettagli

Evoluzioni di Ontologie in Frame Logic

Evoluzioni di Ontologie in Frame Logic Evoluzioni di Ontologie in Frame Logic Francesco Mele 1, Antonio Sorgente 1, Giuseppe Vettigli 1 1 C.N.R. Istituto di Cibernetica E. Caianiello, Via Campi Flegrei, 34 Pozzuoli, Naples, Italy. {f.mele,

Dettagli

Progetto Lauree Scientifiche Liceo Classico L.Ariosto, Ferrara Dipartimento di Matematica Università di Ferrara 24 Gennaio 2012

Progetto Lauree Scientifiche Liceo Classico L.Ariosto, Ferrara Dipartimento di Matematica Università di Ferrara 24 Gennaio 2012 Progetto Lauree Scientifiche Liceo Classico L.Ariosto, Ferrara Dipartimento di Matematica Università di Ferrara 24 Gennaio 2012 Concetti importanti da (ri)vedere Programmazione imperativa Strutture di

Dettagli

Risolvere un problema significa individuare un procedimento che permetta di arrivare al risultato partendo dai dati

Risolvere un problema significa individuare un procedimento che permetta di arrivare al risultato partendo dai dati Algoritmi Algoritmi Risolvere un problema significa individuare un procedimento che permetta di arrivare al risultato partendo dai dati Il procedimento (chiamato algoritmo) è composto da passi elementari

Dettagli

4.1 Modelli di calcolo analisi asintotica e ricorrenze

4.1 Modelli di calcolo analisi asintotica e ricorrenze 4 Esercizi Prima Parte 4.1 Modelli di calcolo analisi asintotica e ricorrenze Esercizio 4 1 Rispondere alle seguenti domande: 1. Come misuriamo l efficienza di un algoritmo?. Quali sono gli algoritmi più

Dettagli

Intelligenza Artificiale Ing. Tiziano Papini

Intelligenza Artificiale Ing. Tiziano Papini Intelligenza Artificiale Ing. Tiziano Papini Email: papinit@dii.unisi.it Web: http://www.dii.unisi.it/~papinit Constraint Satisfaction metodi costruttivi Intelligenza Artificiale - CSP Tiziano Papini -

Dettagli

Note su quicksort per ASD 2010-11 (DRAFT)

Note su quicksort per ASD 2010-11 (DRAFT) Note su quicksort per ASD 010-11 (DRAFT) Nicola Rebagliati 7 dicembre 010 1 Quicksort L algoritmo di quicksort è uno degli algoritmi più veloci in pratica per il riordinamento basato su confronti. L idea

Dettagli

Ricerca non informata in uno spazio di stati

Ricerca non informata in uno spazio di stati Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A5_2 V2.4 Ricerca non informata in uno spazio di stati Il contenuto del documento è liberamente utilizzabile dagli

Dettagli

Ottimizzazione in ECLiPSe

Ottimizzazione in ECLiPSe OTTIMIZZAZIONE In molte applicazioni non siamo interessati a soluzioni ammissibili, ili, ma alla soluzione ottima rispetto a un certo criterio. ENUMERAZIONE trova tutte le soluzioni ammissibili scegli

Dettagli

/* Goal a b c */ goal(s) :- ontable(c,s), on(a,b,s), on(b,c,s), clear(a,s). È necessario controllare la ricerca del piano

/* Goal a b c */ goal(s) :- ontable(c,s), on(a,b,s), on(b,c,s), clear(a,s). È necessario controllare la ricerca del piano Il motore di inferenza del Prolog potrebbe non trovare soluzioni /* file: simpleproblem3.pl */ /* Initial Situation a b c */ ontable(b,s0). ontable(c,s0). on(a,b,s0). clear(a,s0). clear(c,s0). /* Goal

Dettagli

Sommario della lezione

Sommario della lezione Universitá degli Studi di Salerno Corso di Algoritmi Prof. Ugo Vaccaro Anno Acc. 2014/15 p. 1/36 Sommario della lezione Ulteriori esempi di applicazione della Programmazione Dinamica Esempio di applicazione

Dettagli

Semantica Assiomatica

Semantica Assiomatica Semantica Assiomatica Anche nella semantica assiomatica, così come in quella operazionale, il significato associato ad un comando C viene definito specificando la transizione tra stati (a partire, cioè,

Dettagli

Descrizione di un algoritmo

Descrizione di un algoritmo Descrizione di un algoritmo Un algoritmo descrive due tipi fondamentali di oper: calcoli ottenibili tramite le oper primitive su tipi di dato (valutazione di espressioni) che consistono nella modifica

Dettagli

Massimo Paolucci (paolucci@dist.unige.it) DIST Università di Genova. Metodi per supportare le decisioni relative alla gestione di progetti

Massimo Paolucci (paolucci@dist.unige.it) DIST Università di Genova. Metodi per supportare le decisioni relative alla gestione di progetti Project Management Massimo Paolucci (paolucci@dist.unige.it) DIST Università di Genova Project Management 2 Metodi per supportare le decisioni relative alla gestione di progetti esempi sono progetti nell

Dettagli

TSP con eliminazione di sottocicli

TSP con eliminazione di sottocicli TSP con eliminazione di sottocicli Un commesso viaggiatore deve visitare 7 clienti in modo da minimizzare la distanza percorsa. Le distanze (in Km) tra ognuno dei clienti sono come segue: 3 5 7-8 9 57

Dettagli

Correttezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007

Correttezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007 Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1 Dispensa 10 Correttezza A. Miola Novembre 2007 http://www.dia.uniroma3.it/~java/fondinf1/ Correttezza 1 Contenuti Introduzione alla correttezza

Dettagli

Introduzione ai Metodi Formali

Introduzione ai Metodi Formali Intruzione ai Meti Formali Sistemi software anche molto complessi regolano la vita quotidiana, anche in situazioni life-critical (e.g. avionica) e business-critical (e.g. operazioni bancarie). Esempi di

Dettagli

Nozione di algoritmo. Gabriella Trucco

Nozione di algoritmo. Gabriella Trucco Nozione di algoritmo Gabriella Trucco Programmazione Attività con cui si predispone l'elaboratore ad eseguire un particolare insieme di azioni su particolari informazioni (dati), allo scopo di risolvere

Dettagli

I Problemi e la loro Soluzione. Il Concetto Intuitivo di Calcolatore. Risoluzione di un Problema. Esempio

I Problemi e la loro Soluzione. Il Concetto Intuitivo di Calcolatore. Risoluzione di un Problema. Esempio Il Concetto Intuitivo di Calcolatore Fondamenti di Informatica A Ingegneria Gestionale Università degli Studi di Brescia Docente: Prof. Alfonso Gerevini I Problemi e la loro Soluzione Problema: classe

Dettagli

Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione

Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione Versione 11/03/2004 Contenuto e scopo esercitazione Contenuto esempi di problema di programmazione

Dettagli

Fondamenti di Intelligenza Artificiale M a.a. 2010/2011. Note sul compito d esame

Fondamenti di Intelligenza Artificiale M a.a. 2010/2011. Note sul compito d esame Fondamenti di Intelligenza Artificiale M a.a. 2010/2011 Note sul compito d esame 1 Composizione di un possibile testo d esame Il testo d esame di Fondamenti di Intelligenza Artificiale M, dal 2009/2010

Dettagli

Algebra Booleana 1 ALGEBRA BOOLEANA: VARIABILI E FUNZIONI LOGICHE

Algebra Booleana 1 ALGEBRA BOOLEANA: VARIABILI E FUNZIONI LOGICHE Algebra Booleana 1 ALGEBRA BOOLEANA: VARIABILI E FUNZIONI LOGICHE Andrea Bobbio Anno Accademico 2000-2001 Algebra Booleana 2 Calcolatore come rete logica Il calcolatore può essere visto come una rete logica

Dettagli

Tecnologia di un Database Server (centralizzato) Introduzione generale

Tecnologia di un Database Server (centralizzato) Introduzione generale Introduzione Basi di Dati / Complementi di Basi di Dati 1 Tecnologia di un Database Server (centralizzato) Introduzione generale Angelo Montanari Dipartimento di Matematica e Informatica Università di

Dettagli

Come ragiona il computer. Problemi e algoritmi

Come ragiona il computer. Problemi e algoritmi Come ragiona il computer Problemi e algoritmi Il problema Abbiamo un problema quando ci poniamo un obiettivo da raggiungere e per raggiungerlo dobbiamo mettere a punto una strategia Problema Strategia

Dettagli

Verifica parte IIA. Test (o analisi dinamica) Mancanza di continuità. Esempio

Verifica parte IIA. Test (o analisi dinamica) Mancanza di continuità. Esempio Test (o analisi dinamica) Verifica parte IIA Rif. Ghezzi et al. 6.3-6.3.3 Consiste nell osservare il comportamento del sistema in un certo numero di condizioni significative Non può (in generale) essere

Dettagli

Progettazione del Software A.A.2008/09

Progettazione del Software A.A.2008/09 Laurea in Ing. Informatica ed Ing. dell Informazione Sede di latina Progettazione del Software A.A.2008/09 Domenico Lembo* Dipartimento di Informatica e Sistemistica A. Ruberti SAPIENZA Università di Roma

Dettagli

SISTEMI OPERATIVI. Deadlock (blocco critico) Domande di verifica. Luca Orrù Centro Multimediale Montiferru 04/06/2007

SISTEMI OPERATIVI. Deadlock (blocco critico) Domande di verifica. Luca Orrù Centro Multimediale Montiferru 04/06/2007 2007 SISTEMI OPERATIVI Deadlock (blocco critico) Domande di verifica Luca Orrù Centro Multimediale Montiferru 04/06/2007 Deadlock (blocco critico) 1. Si descriva il deadlock e le condizioni sotto cui si

Dettagli

FONDAMENTI DI INTELLIGENZA ARTIFICIALE (8 CFU)

FONDAMENTI DI INTELLIGENZA ARTIFICIALE (8 CFU) FONDAMENTI DI INTELLIGENZA ARTIFICIALE (8 CFU) 13 Febbraio 2015 Tempo a disposizione: 2 h Risultato: 32/32 punti Esercizio 1 (punti 6) Si esprimano in logica dei predicati del I ordine le seguenti frasi:

Dettagli

Utilizzo I mintermini si usano quando si considererà la funzione di uscita Q come Somma di Prodotti (S. P.) ossia OR di AND.

Utilizzo I mintermini si usano quando si considererà la funzione di uscita Q come Somma di Prodotti (S. P.) ossia OR di AND. IPSI G. Plana Via Parenzo 46, Torino efinizione di Mintermine onsiderata una qualunque riga della tabella di verità in cui la funzione booleana di uscita Q vale, si definisce mintermine il prodotto logico

Dettagli

Processo di risoluzione di un problema ingegneristico. Processo di risoluzione di un problema ingegneristico

Processo di risoluzione di un problema ingegneristico. Processo di risoluzione di un problema ingegneristico Processo di risoluzione di un problema ingegneristico 1. Capire l essenza del problema. 2. Raccogliere le informazioni disponibili. Alcune potrebbero essere disponibili in un secondo momento. 3. Determinare

Dettagli

Basi di Dati prof. A. Longheu. 5 Progettazione fisica

Basi di Dati prof. A. Longheu. 5 Progettazione fisica Basi di Dati prof. A. Longheu 5 Progettazione fisica Progettazione Fisica Per effettuare la progettazione fisica, ossia l implementazione reale del modello logico creato nella fase della progettazione

Dettagli

Esercizi di Gestione della Produzione Industriale. Tabella 1: tempi di lavorazione di un set di job.

Esercizi di Gestione della Produzione Industriale. Tabella 1: tempi di lavorazione di un set di job. Esercizio 1: schedulazione con il modello di Johnson...2 Soluzione dell esercizio 1 (schedulazione con il modello di Johnson)...2 Esercizio 2: schedulazione con il modello di Hodgson...3 Soluzione dell

Dettagli

Introduzione alla tecnica di Programmazione Dinamica

Introduzione alla tecnica di Programmazione Dinamica Universitá degli Studi di Salerno Corso di Algoritmi Prof. Ugo Vaccaro Anno Acc. 2014/15 p. 1/37 Sommario della lezione Introduzione alla tecnica di Programmazione Dinamica Esempio di applicazione n. 1:

Dettagli

Il tipo di dato astratto Pila

Il tipo di dato astratto Pila Il tipo di dato astratto Pila Il tipo di dato Pila Una pila è una sequenza di elementi (tutti dello stesso tipo) in cui l inserimento e l eliminazione di elementi avvengono secondo la regola seguente:

Dettagli

ROUTINE E PROGRAMMAZIONE

ROUTINE E PROGRAMMAZIONE LEZIONE-TSQL-02 TRIGGER E PROCEDURE (VER03 PAG. 1 / 6 LEZIONE-TSQL-02 TRIGGER E PROCEDURE (VER03 T-SQL PROGRAMMAZIONE PARTE SECONDA ROUTINE E PROGRAMMAZIONE In TSQL è possibile definire alcune routine

Dettagli

Automazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it

Automazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione

Dettagli

Dispense di Informatica Anno Scolastico 2008/2009 Classe 3APS. Dal Problema all'algoritmo

Dispense di Informatica Anno Scolastico 2008/2009 Classe 3APS. Dal Problema all'algoritmo stituto Tecnico Statale Commerciale Dante Alighieri Cerignola (FG) Dispense di nformatica Anno Scolastico 2008/2009 Classe 3APS Dal Problema all'algoritmo Pr.: 001 Ver.:1.0 Autore: prof. Michele Salvemini

Dettagli

Sistemi di Controllo Real Time

Sistemi di Controllo Real Time Sistemi di Controllo Real Time Automazione 13/10/2015 Vincenzo Suraci STRUTTURA DEL NUCLEO TEMATICO SISTEMI REAL TIME CLASSIFICAZIONE DEI SISTEMI REAL TIME PARALLELISMO E PROGRAMMAZIONE CONCORRENTE SISTEMI

Dettagli

Crittografia. Primalità e Fattorizzazione. Corso di Laurea Specialistica. in Informatica

Crittografia. Primalità e Fattorizzazione. Corso di Laurea Specialistica. in Informatica Crittografia Corso di Laurea Specialistica in Informatica Primalità e Fattorizzazione Alberto Leporati Dipartimento di Informatica, Sistemistica e Comunicazione Università degli Studi di Milano Bicocca

Dettagli

Un programma GOLOG è un azione complessa, che viene ridotta ad azioni primitive, corrispondenti ad azioni reali nel dominio di applicazione.

Un programma GOLOG è un azione complessa, che viene ridotta ad azioni primitive, corrispondenti ad azioni reali nel dominio di applicazione. GOLOG GOLOG è un linguaggio di programmazione ad altissimo livello che permette di modellare comportamenti complessi in un mondo che evolve dinamicamente. Nei linguaggi di programmazione standard i programmi

Dettagli

INFORMATICA GENERALE Prof. Alberto Postiglione Dipartimento Scienze della Comunicazione Università degli Studi di Salerno

INFORMATICA GENERALE Prof. Alberto Postiglione Dipartimento Scienze della Comunicazione Università degli Studi di Salerno INFORMATICA GENERALE Prof. Alberto Postiglione Dipartimento Scienze della Comunicazione Università degli Studi di Salerno UD 3.1b: Costrutti di un Algoritmo Dispense 1.2 I Costrutti di base 13 apr 2010

Dettagli

Trattamento degli errori

Trattamento degli errori Corso di Laurea Magistrale in Ingegneria Informatica A.A. 2011-2012 Linguaggi Formali e Compilatori Trattamento degli errori Giacomo PISCITELLI Trattamento degli errori Comunemente gli errori di programmazione

Dettagli

La programmazione. Sviluppo del software

La programmazione. Sviluppo del software La programmazione problema Sviluppo del software idea (soluzione informale) algoritmo (soluzione formale) programma (traduzione dell algoritmo in una forma comprensibile da un elaboratore elettronico)

Dettagli

Fasi del ciclo di vita del software (riassunto) Progetto: generalità. Progetto e realizzazione (riassunto)

Fasi del ciclo di vita del software (riassunto) Progetto: generalità. Progetto e realizzazione (riassunto) Università degli Studi di Roma La Sapienza Facoltà di Ingegneria Sede di Latina Laurea in Ingegneria dell Informazione Fasi del ciclo di vita del software (riassunto) Corso di PROGETTAZIONE DEL SOFTWARE

Dettagli

Algebra e Logica Matematica. Calcolo delle proposizioni Logica del primo ordine

Algebra e Logica Matematica. Calcolo delle proposizioni Logica del primo ordine Università di Bergamo Anno accademico 2006 2007 Ingegneria Informatica Foglio Algebra e Logica Matematica Calcolo delle proposizioni Logica del primo ordine Esercizio.. Costruire le tavole di verità per

Dettagli

La selezione binaria

La selezione binaria Andrea Marin Università Ca Foscari Venezia Laurea in Informatica Corso di Programmazione part-time a.a. 2011/2012 Introduzione L esecuzione di tutte le istruzioni in sequenza può non è sufficiente per

Dettagli

Algoritmi Genetici. e programmazione genetica

Algoritmi Genetici. e programmazione genetica Algoritmi Genetici e programmazione genetica Algoritmi Genetici Algoritmi motivati dall analogia con l evoluzione biologica Lamarck: le specie trasmutano nel tempo Darwin e Wallace: variazioni consistenti

Dettagli

I metodi formali nel processo di sviluppo del software

I metodi formali nel processo di sviluppo del software I metodi formali nel processo di sviluppo del software I metodi formali consentono di creare una specifica più completa, uniforme e non ambigua di quelle prodotte usando i metodi convenzionali ed orientati

Dettagli

DI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1

DI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1 DIAGRAMMI A BLOCCHI TEORIA ED ESERCIZI 1 1 Il linguaggio dei diagrammi a blocchi è un possibile formalismo per la descrizione di algoritmi Il diagramma a blocchi, o flowchart, è una rappresentazione grafica

Dettagli

Calcolo degli Eventi (EC)

Calcolo degli Eventi (EC) Calcolo degli Eventi (EC) Framework basato su FOL per ragionare su azioni, eventi, e tempo Permette di modellare e ragionare su proprietà la cui verità varia nel tempo (fluenti) Quindi di rappresentare

Dettagli

Manuale d uso. UTILIZZO delle PROCEDURE

Manuale d uso. UTILIZZO delle PROCEDURE Manuale d uso UTILIZZO delle PROCEDURE Versione 1.0 Maint manager è sviluppato da ISI per Sommario. Manuale utente...1 Sommario...2 Gestione della manutenzione:...3 Richieste di servizio...3 Dichiarazione

Dettagli

Progettazione e realizzazione di uno strumento per la risoluzione distribuita e decentralizzata di problemi di soddisfacimento di vincoli.

Progettazione e realizzazione di uno strumento per la risoluzione distribuita e decentralizzata di problemi di soddisfacimento di vincoli. UNIVERSITÀ DEGLI STUDI DI PARMA Facoltà di Scienze Matematiche Fisiche e Naturali Corso di Laurea in Informatica Tesi di Laurea Triennale Progettazione e realizzazione di uno strumento per la risoluzione

Dettagli

INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI

INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI Prima di riuscire a scrivere un programma, abbiamo bisogno di conoscere un metodo risolutivo, cioè un metodo che a partire dai dati di ingresso fornisce i risultati attesi.

Dettagli

Soluzione del problema come ricerca in uno spazio degli stati:

Soluzione del problema come ricerca in uno spazio degli stati: Soluzione del problema come ricerca in uno spazio degli stati: Gran parte dei problemi di Intelligenza Artificiale hanno la ricerca (o controllo) come componente fondamentale. I problemi si possono modellare

Dettagli

Lezione 8. Motori di Ricerca

Lezione 8. Motori di Ricerca Lezione 8 Motori di Ricerca Basi di dati Un campo prevalente dell applicazione informatica è quello costituito dall archiviazione e dalla gestione dei dati (basi di dati). Sistema Informativo. Un sistema

Dettagli

Interpretazione astratta

Interpretazione astratta Interpretazione astratta By Giulia Costantini (819048) e Giuseppe Maggiore (819050) Contents Interpretazione astratta... 2 Idea generale... 2 Esempio di semantica... 2 Semantica concreta... 2 Semantica

Dettagli

Tipologie di macchine di Turing

Tipologie di macchine di Turing Tipologie di macchine di Turing - Macchina di Turing standard - Macchina di Turing con un nastro illimitato in una sola direzione - Macchina di Turing multinastro - Macchina di Turing non deterministica

Dettagli

Variabili e tipi di dato

Variabili e tipi di dato Variabili e tipi di dato Tutte le variabili devono essere dichiarate, specificandone il tipo La dichiarazione deve precedere l uso Il tipo è un concetto astratto che esprime: L allocazione di spazio per

Dettagli

Sistemi e schedulazione in tempo reale

Sistemi e schedulazione in tempo reale Sistemi e schedulazione in tempo reale 1 Sistemi in tempo reale Sistemi di calcolo in cui la correttezza del funzionamento dipende criticamente dal tempo in cui i risultati sono prodotti. Possibili campi

Dettagli

Ordinamento degli eventi. Lezione 11. Osservazioni. Relazione verificato prima. Cenni ai sistemi operativi distribuiti 3. Coordinazione distribuita

Ordinamento degli eventi. Lezione 11. Osservazioni. Relazione verificato prima. Cenni ai sistemi operativi distribuiti 3. Coordinazione distribuita Lezione 11 Cenni ai sistemi operativi distribuiti 3. Coordinazione distribuita Ordinamento degli eventi Un sistema monoprocessore Unico clock Unica memoria Ordinamento degli eventi Mutua esclusione Deadlock

Dettagli

SISTEMI OPERATIVI DISTRIBUITI

SISTEMI OPERATIVI DISTRIBUITI SISTEMI OPERATIVI DISTRIBUITI E FILE SYSTEM DISTRIBUITI 12.1 Sistemi Distribuiti Sistemi operativi di rete Sistemi operativi distribuiti Robustezza File system distribuiti Naming e Trasparenza Caching

Dettagli

Lezione n.19 Processori RISC e CISC

Lezione n.19 Processori RISC e CISC Lezione n.19 Processori RISC e CISC 1 Processori RISC e Superscalari Motivazioni che hanno portato alla realizzazione di queste architetture Sommario: Confronto tra le architetture CISC e RISC Prestazioni

Dettagli

I giochi delle Gioc-Arte

I giochi delle Gioc-Arte I giochi delle Gioc-Arte Giochi basati sulla capacità di osservazione e di attenzione. Indovina l opera Numero di giocatori: da 2 a tutta la classe. Ognuno col suo mazzo, o una parte di esso, senza le

Dettagli

CALCOLATORI ELETTRONICI A cura di Luca Orrù. Lezione n.6. Unità di controllo microprogrammata

CALCOLATORI ELETTRONICI A cura di Luca Orrù. Lezione n.6. Unità di controllo microprogrammata Lezione n.6 Unità di controllo microprogrammata 1 Sommario Unità di controllo microprogrammata Ottimizzazione, per ottimizzare lo spazio di memoria occupato Il moltiplicatore binario Esempio di architettura

Dettagli

Raffinamento dello schema e forme normali. T. Catarci, M. Scannapieco, Corso di Basi di Dati, A.A. 2008/2009, Sapienza Università di Roma

Raffinamento dello schema e forme normali. T. Catarci, M. Scannapieco, Corso di Basi di Dati, A.A. 2008/2009, Sapienza Università di Roma Raffinamento dello schema e forme normali 1 Forme Normali Le forme normali consentono di valutare la qualità delle relazione Sono state proposte diverse forme normali che includono, in ordine di generalità:

Dettagli

Soluzione del problema come ricerca in uno spazio degli stati:

Soluzione del problema come ricerca in uno spazio degli stati: Soluzione del problema come ricerca in uno spazio degli stati: Gran parte dei problemi di Intelligenza Artificiale hanno la ricerca (o controllo) come componente fondamentale. I problemi si possono modellare

Dettagli

Linguaggio C. Fondamenti. Struttura di un programma.

Linguaggio C. Fondamenti. Struttura di un programma. Linguaggio C Fondamenti. Struttura di un programma. 1 La storia del Linguaggio C La nascita del linguaggio C fu dovuta all esigenza di disporre di un Linguaggio ad alto livello adatto alla realizzazione

Dettagli

Logica del primo ordine

Logica del primo ordine Logica del primo ordine Sistema formale sviluppato in ambito matematico formalizzazione delle leggi del pensiero strette relazioni con studi filosofici In ambito Intelligenza Artificiale logica come linguaggio

Dettagli

Artifact Centric Business Processes (I)

Artifact Centric Business Processes (I) Introduzione Autore: Docente: Prof. Giuseppe De Giacomo Dipartimento di Informatica e Sistemistica SAPIENZA - Universitá di Roma 16 Novembre 2008 Una visione assiomatica La modellazione dei processi di

Dettagli