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

Dimensione: px
Iniziare la visualizzazioe della pagina:

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

Transcript

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

2 Azioni e cambiamento Il calcolo delle situazioni Pianificazione Deduttiva (Capitolo 11 delle dispense, 7.6 RN) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 1

3 Calcolo delle situazioni Linguaggio del primo ordine con uguaglianza e con più sorti: azione oggetto situazione Il linguaggio contiene: do(a, s), che fornisce come valore una situazione; < ( ) che si applica a coppie di situazioni, la costante S 0 di sorte situazione Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 2

4 Fluenti Un fluente si differenzia da un simbolo normale perché il suo valore può variare al variare della situazione P (x 1,..., x n, s); f(x 1,..., x n, s). Esempi: Su(x, y, s), Su(x, y, s ), colore(x, s) = rosso, colore(x, s ) = rosso. P oss(a, s) è un fluente il cui significato intuitivo è che l azione a è possibile nella situazione s. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 3

5 La teoria del calcolo delle situazioni La teoria del calcolo delle situazioni consiste in una assiomatizzazione per le situazioni, la quale garantisce che la struttura delle situazioni sia un albero (di profondità infinita e con una ramificazione limitata dalla cardinalità del dominio di sorte azione) e una assiomatizzazione che definisce le leggi causali del dominio che si intende descrivere. L assiomatizzazione per le situazioni, che chiamiamo Σ, è la seguente: s1. s < S 0, s2. do(a 1, s 1 ) = do(a 2, s 2 ) a 1 = a 2 s 1 = s 2 s3. s < do(a, s ) s s s4. P (S 0 ) ( a, s)[p (s) P (do(a, s))] ( s)p (s) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 4

6 La teoria del calcolo delle situazioni Il modello di Σ è: GS = (A S,, cons, [ ]) Dove è l unione disgiunta; A è il dominio della sorte azione, i cui elementi saranno indicati con α; S è il dominio della sorte situazione, ed è definito come l insieme induttivo che soddisfa: [ ] S σ S implica per ogni α A, cons(α, σ) S dove [ ], è l interpretazione di S 0 ; cons interpreta la funzione do ed è definito induttivamente come segue: cons(α, [ ]) = [α] cons(α, cons(α, σ)) = cons(α, [α, σ]) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 5

7 Assiomatizzazione della descrizione del dominio 1. Gli assiomi di nome unico per le azioni (una unique name axioms): sono gli assiomi che stabiliscono che tutte le azioni hanno nome unico. 2. La descrizione del dominio nello stato iniziale S Gli assiomi di precondizione (ap): costituiscono la descrizione delle condizioni per le quali un azione è eseguibile, un assioma per ciascuna azione. 4. Gli assiomi di stato successore (ss): sono la descrizione delle leggi causali del dominio, un assioma per ciascun fluente. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 6

8 Problemi (aspetti) della rappresentazione qualificazione delle precondizioni (qualification problem) specifica degli effetti (frame problem: frame = cornice, problema del cambiamento) assiomi statici e ramificazione degli effetti (ramification problem) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 7

9 Qualificazione (delle precondizioni) Condizione necessaria per la riparazione P oss(ripara(w, x), s) hacolla(w, s) rotto(x, s) ma è anche sufficiente? hacolla(w, s) rotto(x, s) P oss(ripara(w, x), s) Basta avere la colla per aggiustare un oggetto rotto? La colla potrebbe essere secca, inadatta per il materiale dell oggetto, potrebbe risultare impossibile aprire il barattolo... Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 8

10 Soluzioni al problema della qualificazione 1. Si assume che le precondizioni siano necessarie e sufficienti (p.e. nel calcolo delle situazioni) In questo modo si esclude la possibililità che esistano impedimenti all esecuzione dell azione. 2. Occorre fare un ipotesi del tipo a meno che non ci siano impedimenti che porta ad una forma di ragionamento non monotono. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 9

11 Frame problem Specifica compatta di ciò che non cambia. Effetto di sposta(b 1, b 2, tavolo) non cambia il colore di b 1, e nemmeno quello degli altri blocchi, e del tavolo!!!! Quindi tra gli effetti di sposta occorre aggiungere x, b, s.colore(b, x, do(sposta, s)) = colore(b, x, s) E poi, c è il peso, la forma, la posizione... Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 10

12 Persistenza Per ogni azione ci sono molte proprietà che non vengono modificate dall esecuzione, cioè persistono. Soluzioni al Frame Problem (***): 1. assiomi di stato successore la logica rimane monotona, ma ci sono delle restrizioni (p.e. sull uso degli assiomi statici ) 2. aggiungendo regole del tipo tutto ciò che non viene specificato negli effetti persiste la logica diventa non monotona Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 11

13 Soluzione (monotona) al frame problem 1. si considerano gli effetti positivi e negativi delle azioni per ogni fluente: γ F + (x, a, s) F (x, do(a, s)) γf (x, a, s) F (x, do(a, s)) 2. Si assume la completezza causale: il fluente F è completamente definito dai due assiomi al punto 1 3. si fa l ipotesi di nome unico per le azioni 4. si ottengono gli assiomi di stato successore: F (x, do(a, s)) γ F + (x, a, s) F (x, s) γ F (x, a, s) Nel calcolo delle situazioni si scrivono direttamente gli assiomi di stato successore. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 12

14 Ramificazioni degli effetti È utile spesso specificare delle condizioni che valgono indipendentemente dalle situazioni: assiomi statici Se la porta e la finestra sono aperte si crea corrente (indipendentente dalla particolare situazione). portaaperta f inestraaperta corrente L effetto dell azione aprip orta è portaaperta, ma se f inestraaperta un effetto indiretto di aprip orta è corrente. Un assioma statico deve sempre essere verificato e ciò può creare dei problemi con la persistenza: Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 13

15 normalmente corrente persiste quando viene eseguita aprip orta, ma non se f inestraaperta. Si hanno in genere diverse ramificazioni (situazioni possibili). Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 14

16 La teoria dinamica del dominio La teoria D che descrive il comportamento dinamico del dominio è definita come segue: D = Σ D S0 D una D ap D ss Dove Σ D una D S0 D ap D ss è l insieme degli assiomi fondazionali; è un insieme di assiomi del tipo a a per tutte le azioni; è l insieme di assiomi che descrivono lo stato iniziale; è l insieme di assiomi della forma: P oss(a(x 1,..., x n ), s) Π a ((x 1,..., x n ), s) dove Π a è una formula con variabili libere al più (x 1,..., x n stabilisce che l azione a è possibile nella situazione s; è l insieme di assiomi della forma: F (x 1,..., x n, do(a, s)) Ψ F ((x 1,..., x n ), a, s) dove Ψ F è una formula con variabili libere al più (x 1,..., x n stabilisce le condizioni per cui il fluente F è vero nella situa Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 15

17 Una descrizione dinamica: l agente-fidanzato Agente che compra dei fiori, li porta e li offre alla sua ragazzaagente, che quindi è contenta. Azioni: andare da(x), andare via da(x) comprare(x) procurarsi soldi, offrire(x, y) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 16

18 Una descrizione dinamica: l agente-fidanzato 2 Simboli di predicato (oltre a P oss): Dove(a, x) è vero se x è il luogo in cui l azione a viene eseguita; Sono vicino a(x, s) è vero se l agente è vicino all oggetto x nella situazione s; Ho soldi per(x, s) è vero se l agente ha soldi per comprare l oggetto x nella situazione s; P ossiedo(x, s) è vero se l agente ha l oggetto x nella situazione s; Contenta(x, s) è vero se l agente x è contento nella situazione s. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 17

19 Precondizioni 1. P oss(procurarsi soldi, s) 2. P oss(andare da(x), s) 3. P oss(andare via da(x), s) 4. P oss(comprare(x), s) ydove(comprare(x), y) Sono vicino a(y, s) Ho soldi per(x, s) 5. P oss(offrire(x, y), s) P ossiedo(x) Sono vicino a(y, s) x = fiori y = mia agente ragazza Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 18

20 Assiomi di stato successore 6. Ho soldi per(x, do(a, s)) a = procurarsi soldi (Ho soldi per(x, s) z a = comprare(z)) 7. Sono vicino a(x, do(a, s)) a = andare da(x) (Sono vicino a(x, s) a andare via da(x)) 8. P ossiedo(x, do(a, s)) a = comprare(x) (P ossiedo(x, s) a offrire(x, y)) 9. Contenta(x, do(a, s)) a = offrire(fiori, x) x = mia agente ragazza (Contenta(x, s) a = andare via da(x))) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 19

21 Mondo dei blocchi in SitCal Fluenti e azioni: P osso(a, s) è un predicato a due argomenti; ci dice se si può fare l azione a in s; Libero(x, s) è un predicato a due argomenti; ci dice se un blocco x non ha altri blocchi sopra di sé in s; Su(x, y, s) è un predicato a tre argomenti; ci dice se un blocco x si trova sopra (a contatto di) y in s; Sul tavolo(x, s) è un predicato a due argomenti; ci dice se un blocco x si trova a contatto del tavolo in s; muovere(x, y) è una funzione, ovvero un azione; ci dice che il blocco x viene mosso su y; muovere sul tavolo(x) è una funzione, ovvero un azione; ci dice che il blocco x viene mosso sul tavolo. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 20

22 Assiomi di precondizione 1 P osso(muovere(x, y), s) Libero(x, s) Libero(y, s) x y 2 P osso(muovere sul tavolo(x), s) Libero(x, s) Sul tavolo(x, s) Assiomi di di nome unico 6 muovere(x, y) muovere sul tavolo(z) 7 muovere(x, y) = muovere(x, y ) x = x y = y 8 muovere sul tavolo(x) = muovere sul tavolo(x ) x = x Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 21

23 Assiomi di stato successore 3 Libero(x, do(a, s)) y (( z a = muovere(y, z) a = muovere sul tavolo(y)) Su(y, x, s)) Libero(x, s) ( y a = muovere(y, x)) 4 Su(x, y, do(a, s)) a = muovere(x, y) Su(x, y, s) a = muovere sul tavolo(x) z a = muovere(x, z) 5 Sul tavolo(x, do(a, s)) a = muovere sul tavolo(x) Sul tavolo(x, s) y a = muovere(x, y) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 22

24 Situazione iniziale Blocco(a) Blocco(b) Blocco(c) Blocco(d) Blocco(e) Blocco(f) Su(c, b, S 0 ) Su(b, a, S 0 ) Su(a, tavolo, S 0 ) Su(e, d, S 0 ) Su(f, tavolo, S 0 ) Dobbiamo aggiungere che i blocchi sono tutti e soli quelli elencati: Blocco(x) x = a x = b x = c x = d x = e x = f Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 23

25 La pianificazione deduttiva Un problema di pianificazione deduttiva nel calcolo delle situazioni è definito da: D = sgoal(s) dove D è la teoria delle azioni che comprende: D S0, D una, D ap, D ss e Σ. Poiché una teoria dinamica D è verificata in strutture ad albero, un goal può essere verificato seguendo diversi percorsi s = do(a k,... do(a 1, S 0 )). Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 24

26 Correttezza e completezza L approccio deduttivo alla pianificazione garantisce correttezza e completezza, cioè: Se un piano per il Goal esiste esso viene trovato Se una sequenza viene dedotta, questa è un piano. L indecidibilità del calcolo del primo ordine fa sì che delle deduzioni potrebbero non necessariamente terminare. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 25

27 Eseguibilità Con la formulazione data un piano potrebbe includere una azione che non può essere eseguita. Un piano deve essere legale, o eseguibile D = s(executable(s) Goal(s)) La condizione executable(s) garantisce che per ogni passo del piano vengano verificate le precondizioni per l esecuzione delle azioni. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 26

28 Ottimalità Correttezza e completezza non eliminano la possibilità di dedurre piani che contengono cicli o piani non ottimali. Per eliminare le sequenze inutili occorre evitare di ripetere certe azioni una volta che un determinato fluente è stato verificato; Questo può essere fatto inserendo nella assiomatizzazione la descrizione delle cosiddette bad situations, cioè situazioni che non si vuole il pianificatore raggiunga, in modo da potare l albero di ricerca ed evitare azioni inutili. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 27

29 La regressione Nella pianificazione deduttiva i piani possono essere generati con una ricerca nello spazio degli stati, che a partire dalla situazione iniziale, raggiunga uno stato che soddisfa l obiettivo. La Regressione è un metodo per verificare la derivabilità di un piano: D = Goal(do(a k,..., do(a 1, S 0 ))) se e solo se D S0 = R(Goal(do(a k,..., do(a 1, S 0 ))) dove R è un operatore che, data una formula in cui tutti i termini di tipo situazione che vi occorrono sono chiusi, restituisce una formula in cui l unico termine di tipo situazione che vi occorre è la costante S 0. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 28

30 Aggiornamento delle basi di dati Lo stato (situazione) in cui si trova una base di dati può essere descritta come il risultato di una sequenza di transazioni (operazioni di aggiornamento). Nel calcolo delle situazioni il problema si modella: i dati nella based i dati corrispondono a relazioni le operazioni di aggiornamento sono azioni tutto ciò che non è modificato da una transazione persiste La regressione consente di calcolare lo stato della base di dati. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 23 29

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

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

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

Componenti di un sistema KNOWLEDGE-BASED

Componenti di un sistema KNOWLEDGE-BASED Componenti di un sistema KNOWLEDGE-BASED DYNAMIC DATABASE PROBLEM FORMALIZATION CONTROL STRATEGY IL DATABASE DESCRIVE LA SITUAZIONE CORRENTE NELLA DETERMINAZIONE DELLA SOLUZIONE AL PROBLEMA. LA FORMALIZZAZIONE

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

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

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

ALGEBRA I: CARDINALITÀ DI INSIEMI

ALGEBRA I: CARDINALITÀ DI INSIEMI ALGEBRA I: CARDINALITÀ DI INSIEMI 1. CONFRONTO DI CARDINALITÀ E chiaro a tutti che esistono insiemi finiti cioè con un numero finito di elementi) ed insiemi infiniti. E anche chiaro che ogni insieme infinito

Dettagli

SISTEMI INFORMATIVI AZIENDALI

SISTEMI INFORMATIVI AZIENDALI SISTEMI INFORMATIVI AZIENDALI Prof. Andrea Borghesan venus.unive.it/borg borg@unive.it Ricevimento: Alla fine di ogni lezione Modalità esame: scritto 1 Sistemi informazionali La crescente diffusione dei

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

LOGICA DEI PREDICATI. Introduzione. Predicati e termini individuali. Termini individuali semplici e composti

LOGICA DEI PREDICATI. Introduzione. Predicati e termini individuali. Termini individuali semplici e composti Introduzione LOGICA DEI PREDICATI Corso di Intelligenza Artificiale A.A. 2009/2010 Prof. Ing. Fabio Roli La logica dei predicati, o logica del primo ordine (LPO) considera schemi proposizionali composti

Dettagli

Tipi di Dato Ricorsivi

Tipi di Dato Ricorsivi Tipi di Dato Ricorsivi Luca Abeni September 2, 2015 1 Tipi di Dato Vari linguaggi di programmazione permettono all utente di definire nuovi tipi di dato definendo per ogni nuovo tipo l insieme dei suoi

Dettagli

Appendice A. Il sistema assiomatico di Zermelo per la teoria degli insiemi

Appendice A. Il sistema assiomatico di Zermelo per la teoria degli insiemi Appendice A Il sistema assiomatico di Zermelo per la teoria degli insiemi Ernest Zermelo (1871-1953) rilevò che la presenza delle antinomie poteva essere collegata ad un insufficiente definizione del concetto

Dettagli

Metodi formali per la verifica dell affidabilità di sistemi software (e hardware) (Peled, Software Reliability Methods, cap. 1) Importanza della

Metodi formali per la verifica dell affidabilità di sistemi software (e hardware) (Peled, Software Reliability Methods, cap. 1) Importanza della Metodi formali per la verifica dell affidabilità di sistemi software (e hardware) (Peled, Software Reliability Methods, cap. 1) Importanza della verifica di sistemi (safety-critical, commercially critical,

Dettagli

Agent and Object Technology Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma. Fondamenti di Informatica

Agent and Object Technology Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma. Fondamenti di Informatica Agent and Object Technology Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma Fondamenti di Informatica Linguaggi di Programmazione Michele Tomaiuolo Linguaggi macchina I

Dettagli

Il principio di induzione e i numeri naturali.

Il principio di induzione e i numeri naturali. Il principio di induzione e i numeri naturali. Il principio di induzione è un potente strumento di dimostrazione, al quale si ricorre ogni volta che si debba dimostrare una proprietà in un numero infinito

Dettagli

Ricerca Automatica. Esercitazione 3. Ascensore. Ascensore. Ascensore

Ricerca Automatica. Esercitazione 3. Ascensore. Ascensore. Ascensore Ascensore Ricerca Automatica Esercitazione In un grattacielo ci sono coppie formate da marito e moglie. Il cancello delle scale viene chiuso e l unico modo per scendere è con l ascensore che può portare

Dettagli

Lezione 10. La classificazione dell Intelligenza Artificiale

Lezione 10. La classificazione dell Intelligenza Artificiale Lezione 10 Intelligenza Artificiale Cosa è l Intelligenza Artificiale Elaborazione del linguaggio naturale La visione artificiale L apprendimento nelle macchine La classificazione dell Intelligenza Artificiale

Dettagli

Intelligenza Artificiale (lucidi lezione introduttiva)

Intelligenza Artificiale (lucidi lezione introduttiva) Intelligenza Artificiale (lucidi lezione introduttiva) Prof. Alfonso Gerevini Dipartimento di Elettronica per l Automazione Facoltà di Ingegneria Università degli Studi di Brescia 1 Che cosa è l Intelligenza

Dettagli

NORMALIZZAZIONE DI SCHEMI RELAZIONALI. Prof.ssa Rosalba Giugno

NORMALIZZAZIONE DI SCHEMI RELAZIONALI. Prof.ssa Rosalba Giugno NORMALIZZAZIONE DI SCHEMI RELAZIONALI Prof.ssa Rosalba Giugno PROBLEMA GENERALE La progettazione concettuale e logica produce uno schema relazionale che rappresenta la realta dei dati nella nostra applicazione.

Dettagli

(anno accademico 2008-09)

(anno accademico 2008-09) Calcolo relazionale Prof Alberto Belussi Prof. Alberto Belussi (anno accademico 2008-09) Calcolo relazionale E un linguaggio di interrogazione o e dichiarativo: at specifica le proprietà del risultato

Dettagli

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA 1. RICHIAMI SULLE PROPRIETÀ DEI NUMERI NATURALI Ho mostrato in un altra dispensa come ricavare a partire dagli assiomi di

Dettagli

ASSE MATEMATICO. Competenze Abilità Conoscenze

ASSE MATEMATICO. Competenze Abilità Conoscenze Competenze di base a conclusione del I Biennio Confrontare ed analizzare figure geometriche del piano e dello spazio individuando invarianti e relazioni. Analizzare, correlare e rappresentare dati. Valutare

Dettagli

Richiami di microeconomia

Richiami di microeconomia Capitolo 5 Richiami di microeconomia 5. Le preferenze e l utilità Nell analisi microeconomica si può decidere di descrivere ogni soggetto attraverso una funzione di utilità oppure attraverso le sue preferenze.

Dettagli

Logica dei predicati

Logica dei predicati IV Logica dei predicati 14. FORMULE PREDICATIVE E QUANTIFICATORI 14.1. Dalla segnatura alle formule predicative Il simbolo (x).ϕ(x) [per ogni x, ϕ(x) è vera] denota una proposizione definita, e non c è

Dettagli

Ricerca Operativa Dualità e programmazione lineare

Ricerca Operativa Dualità e programmazione lineare Ricerca Operativa Dualità e programmazione lineare L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi alle spiegazioni del

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità

Dettagli

Il primo teorema di incompletezza di Gödel

Il primo teorema di incompletezza di Gödel Il primo teorema di incompletezza di Gödel Stefano Nasini Dept. of Statistics and Operations Research Universitat Politécnica de Catalunya 1. Introduzione Questo documento vuole essere una spiegazione

Dettagli

EMERGENCE OF SELF ORGANIZATION AND SEARCH FOR OPTIMAL ENTERPRISE STRUCTURE: AI EVOLUTIONARY METHODS APPLIED TO AGENT BASED PROCESS SIMULATION

EMERGENCE OF SELF ORGANIZATION AND SEARCH FOR OPTIMAL ENTERPRISE STRUCTURE: AI EVOLUTIONARY METHODS APPLIED TO AGENT BASED PROCESS SIMULATION EMERGENCE OF SELF ORGANIZATION AND SEARCH FOR OPTIMAL ENTERPRISE STRUCTURE: AI EVOLUTIONARY METHODS APPLIED TO AGENT BASED PROCESS SIMULATION remond@di.unito.it Department of Computer Science University

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

Il linguaggio di specifica formale Z

Il linguaggio di specifica formale Z Il linguaggio Z (Spivey, 1992) Il linguaggio di specifica formale Z Sviluppato presso l Università di Oxford (UK) Basato su FSM Applicato in ambito industriale Dotato di numerose estensioni (Object Z,

Dettagli

Rappresentazione della conoscenza. ha poco potere espressivo in quanto ha un ontologia limitata: il mondo consiste di fatti, es.

Rappresentazione della conoscenza. ha poco potere espressivo in quanto ha un ontologia limitata: il mondo consiste di fatti, es. Scaletta argomenti: Rappresentazione della conoscenza Logica del primo ordine Logiche non-monotone Reti semantiche Frame e script Regole di produzione Logica del Primo Ordine - Logica proposizionale ha

Dettagli

Dispense del corso di ALGEBRA 1 a.a. 2008 2009

Dispense del corso di ALGEBRA 1 a.a. 2008 2009 Dispense del corso di ALGEBRA 1 a.a. 2008 2009 2 Indice I INSIEMI E NUMERI 5 1 Insiemi e applicazioni 7 1.1 Insiemi..................................... 7 1.2 Operazioni tra insiemi.............................

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

Funzioni funzione dominio codominio legge argomento variabile indipendente variabile dipendente

Funzioni funzione dominio codominio legge argomento variabile indipendente variabile dipendente Funzioni In matematica, una funzione f da X in Y consiste in: 1. un insieme X detto dominio di f 2. un insieme Y detto codominio di f 3. una legge che ad ogni elemento x in X associa uno ed un solo elemento

Dettagli

Appunti di Logica Matematica

Appunti di Logica Matematica Appunti di Logica Matematica Francesco Bottacin 1 Logica Proposizionale Una proposizione è un affermazione che esprime un valore di verità, cioè una affermazione che è VERA oppure FALSA. Ad esempio: 5

Dettagli

I Modelli della Ricerca Operativa

I Modelli della Ricerca Operativa Capitolo 1 I Modelli della Ricerca Operativa 1.1 L approccio modellistico Il termine modello è di solito usato per indicare una costruzione artificiale realizzata per evidenziare proprietà specifiche di

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

Descrizione Formale Esplicita Dominio

Descrizione Formale Esplicita Dominio Ontologia Abbiamo visto che tassonomie e tesauri fissano una semantica. Per arricchire la semantica si deve passare a modelli concettuali e teorie logiche. Un modello concettuale è il modello di una particolare

Dettagli

database: modello entityrelationship

database: modello entityrelationship Insegnamento di Informatica CdS Scienze Giuridiche A.A. 2007/8 database: modello entityrelationship Prof.Valle D.ssaFolgieri Lez7 25.10.07 Trattamento dati. Database: modello entity-relationship 1 Fasi

Dettagli

Linguaggi e Traduttori: Introduzione al corso

Linguaggi e Traduttori: Introduzione al corso Linguaggi e Traduttori: Introduzione al corso Armando Tacchella Sistemi e Tecnologie per il Ragionamento Automatico (STAR-Lab) Dipartimento di Informatica Sistemistica e Telematica (DIST) Università di

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità à 1. Introduzione Calcolo delle Probabilità Il Calcolo delle Probabilità nasce dagli studi matematici sui giochi d azzardo. Il Calcolo delle Probabilità è lo strumento che permette all uomo di assumere

Dettagli

Dispense per il laboratorio di rappresentazione e algoritmi

Dispense per il laboratorio di rappresentazione e algoritmi Dispense per il laboratorio di rappresentazione e algoritmi 1. Introduzione All interno di un elaboratore esistono diversi livelli di descrizione delle informazioni. Il livello più basso è rappresentato

Dettagli

Vincere a testa o croce

Vincere a testa o croce Vincere a testa o croce Liceo B. Russell - Cles (TN) Classe 3D Insegnante di riferimento: Claretta Carrara Ricercatrice: Ester Dalvit Partecipanti: Alessio, Christian, Carlo, Daniele, Elena, Filippo, Ilaria,

Dettagli

Liceo linguistico Trento Classi quarte vecchio ordinamento Studio di funzioni (prima parte) Visita il sito: www.raimondovaleri.it

Liceo linguistico Trento Classi quarte vecchio ordinamento Studio di funzioni (prima parte) Visita il sito: www.raimondovaleri.it Liceo linguistico Trento Classi quarte vecchio ordinamento Studio di funzioni (prima parte) Visita il sito: www.raimondovaleri.it Esempio 1 y= f (x)= x 1 x 2 9 a Dominio: D= R { 3,3} Il denominatore deve

Dettagli

Ricerca Operativa Esercizi risolti sulle condizioni di complementarietà primale-duale. L. De Giovanni, V. Dal Sasso

Ricerca Operativa Esercizi risolti sulle condizioni di complementarietà primale-duale. L. De Giovanni, V. Dal Sasso Ricerca Operativa Esercizi risolti sulle condizioni di complementarietà primale-duale L. De Giovanni, V. Dal Sasso 1 Esercizio 1. Dato il problema min 2x 1 x 2 s.t. x 1 + 2x 2 7 2x 1 x 2 6 3x 1 + 2x 2

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

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

Anno 4 Grafico di funzione

Anno 4 Grafico di funzione Anno 4 Grafico di funzione Introduzione In questa lezione impareremo a disegnare il grafico di una funzione reale. Per fare ciò è necessario studiare alcune caratteristiche salienti della funzione che

Dettagli

Introduzione ai Sistemi Esperti. Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56126 PISA

Introduzione ai Sistemi Esperti. Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56126 PISA Introduzione ai Sistemi Esperti Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, 2 56126 PISA SISTEMI ESPERTI ARCHITETTURA TIPICA DI UN SE Un sistema esperto (SE)

Dettagli

I Insiemi e funzioni

I Insiemi e funzioni I Insiemi e funzioni 1. INSIEMI ED OPERAZIONI SU DI ESSI 1.1. Insiemi Dal punto di vista intuitivo, il concetto di insieme può essere fatto corrispondere all atto mentale mediante il quale associamo alcuni

Dettagli

Linguistica Generale

Linguistica Generale Linguistica Generale Docente: Paola Monachesi Aprile-Maggio 2003 Contents 1 Ordine delle parole in italiano 2 2 Sintagmi e ordine dei costituenti 3 3 I test di costituenza 3 4 Grammatica dell italiano

Dettagli

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

LICEO SCIENTIFICO opzione delle scienze applicate MATEMATICA

LICEO SCIENTIFICO opzione delle scienze applicate MATEMATICA LICEO SCIENTIFICO opzione delle scienze applicate MATEMATICA PROFILO GENERALE E COMPETENZE Al termine del percorso liceale lo studente dovrà padroneggiare i principali concetti e metodi di base della matematica,

Dettagli

Obiettivo Principale: Aiutare gli studenti a capire cos è la programmazione

Obiettivo Principale: Aiutare gli studenti a capire cos è la programmazione 4 LEZIONE: Programmazione su Carta a Quadretti Tempo della lezione: 45-60 Minuti. Tempo di preparazione: 10 Minuti Obiettivo Principale: Aiutare gli studenti a capire cos è la programmazione SOMMARIO:

Dettagli

Le funzioni elementari. La struttura di R. Sottrazione e divisione

Le funzioni elementari. La struttura di R. Sottrazione e divisione Le funzioni elementari La struttura di R La struttura di R è definita dalle operazioni Addizione e moltiplicazione. Proprietà: Commutativa Associativa Distributiva dell addizione rispetto alla moltiplicazione

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

Informatica 3. LEZIONE 23: Indicizzazione. Modulo 1: Indicizzazione lineare, ISAM e ad albero Modulo 2: 2-3 trees, B-trees e B + -trees

Informatica 3. LEZIONE 23: Indicizzazione. Modulo 1: Indicizzazione lineare, ISAM e ad albero Modulo 2: 2-3 trees, B-trees e B + -trees Informatica 3 LEZIONE 23: Indicizzazione Modulo 1: Indicizzazione lineare, ISAM e ad albero Modulo 2: 2-3 trees, B-trees e B + -trees Informatica 3 Lezione 23 - Modulo 1 Indicizzazione lineare, ISAM e

Dettagli

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo Statistica 1 Esercitazioni Dott. 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it

Dettagli

Analisi dei Requisiti e Specifica

Analisi dei Requisiti e Specifica Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi A3_2 V2.1 Analisi dei Requisiti e Specifica Tecniche e linguaggi Il contenuto del documento è liberamente utilizzabile

Dettagli

Quando compro qualcosa ho dei diritti

Quando compro qualcosa ho dei diritti Questa guida è scritta in linguaggio facile da leggere Quando compro qualcosa ho dei diritti cittadino a pieno titolo Il progetto A MODO MIO, cittadino a pieno titolo. è finanziato dal Ministero del Lavoro

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

Distribuisce le carte Inizia una nuova mano Piazza la stessa puntata della mano precedente Annulla le puntate già presenti sul tavolo

Distribuisce le carte Inizia una nuova mano Piazza la stessa puntata della mano precedente Annulla le puntate già presenti sul tavolo REGOLAMENTO BACCARAT Questo gioco offre il gioco del Baccarat da 6 mazzi. Più sotto nel capitolo REGOLE DEL BACCARAT sono descritte le regole del gioco di carte del Baccarat. Per giocare: Cliccare su una

Dettagli

Caso e probabilità. Il caso. Il caso. Scommesse e probabilità Fenomeni aleatori Probabilità

Caso e probabilità. Il caso. Il caso. Scommesse e probabilità Fenomeni aleatori Probabilità Introduzione Il caso Il caso commesse e probabilità Il caso i chiama evento casuale quello che si verifica in una situazione in cui gli eventi possibili sono più d uno, ma non si sa a priori quale si verificherà.

Dettagli

Probabilità discreta

Probabilità discreta Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che

Dettagli

INGEGNERIA DEL SOFTWARE. Prof. Paolo Salvaneschi

INGEGNERIA DEL SOFTWARE. Prof. Paolo Salvaneschi Università di Bergamo Facoltà di Ingegneria Corso di Laurea in Ingegneria Informatica INGEGNERIA DEL SOFTWARE Prof. Paolo Salvaneschi 1 Obiettivi Scopi del corso: - Fornire gli elementi di base della disciplina,

Dettagli

La scelta in condizioni di incertezza

La scelta in condizioni di incertezza La scelta in condizioni di incertezza 1 Stati di natura e utilità attesa. L approccio delle preferenza per gli stati Il problema posto dall incertezza riformulato (state-preference approach). L individuo

Dettagli

Matematica Discreta. Gianfranco Niesi. Appunti per il corso di. C.S. in Informatica. Dipartimento di Matematica A.A. 2005-2006

Matematica Discreta. Gianfranco Niesi. Appunti per il corso di. C.S. in Informatica. Dipartimento di Matematica A.A. 2005-2006 Appunti per il corso di Matematica Discreta C.S. in Informatica UNIVERSITÀ DI GENOVA A.A. 2005-2006 Gianfranco Niesi Dipartimento di Matematica URL: http://www.dima.unige.it/ niesi 4 ottobre 2005 2 Indice

Dettagli

Innovazioni nella programmazione 2014-2020 e valutazione ex ante. Paola Casavola DPS UVAL 11 luglio 2013

Innovazioni nella programmazione 2014-2020 e valutazione ex ante. Paola Casavola DPS UVAL 11 luglio 2013 Innovazioni nella programmazione 2014-2020 e valutazione ex ante Paola Casavola DPS UVAL 11 luglio 2013 Perché le innovazioni nella programmazione sono molto rilevanti per la valutazione ex ante e la VAS?

Dettagli

G. Pareschi ALGEBRE DI BOOLE. 1. Algebre di Boole

G. Pareschi ALGEBRE DI BOOLE. 1. Algebre di Boole G. Pareschi ALGEBRE DI BOOLE 1. Algebre di Boole Nel file precedente abbiamo incontrato la definizione di algebra di Boole come reticolo: un algebra di Boole e un reticolo limitato, complementato e distributivo.

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

APPUNTI DI MATEMATICA LE DISEQUAZIONI NON LINEARI

APPUNTI DI MATEMATICA LE DISEQUAZIONI NON LINEARI APPUNTI DI MATEMATICA LE DISEQUAZIONI NON LINEARI Le disequazioni fratte Le disequazioni di secondo grado I sistemi di disequazioni Alessandro Bocconi Indice 1 Le disequazioni non lineari 2 1.1 Introduzione.........................................

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

Si basano sul seguente Teorema: S = A sse S { A} è insoddisfacibile.

Si basano sul seguente Teorema: S = A sse S { A} è insoddisfacibile. Deduzione automatica La maggior parte dei metodi di deduzione automatica sono metodi di refutazione: anziché dimostrare direttamente che S A, si dimostra che S { A} è un insieme insoddisfacibile (cioè

Dettagli

Categorie e oggetti. Il Web semantico. Ontologie di dominio. Le motivazioni del web semantico. Web semantico e logiche descrittive

Categorie e oggetti. Il Web semantico. Ontologie di dominio. Le motivazioni del web semantico. Web semantico e logiche descrittive Categorie e oggetti Web semantico e logiche descrittive M. Simi, 2014-2015 Cap 2 del "Description Logic Handbook" Lezioni di U.Straccia Molti dei ragionamenti che si fanno sono sulle categorie piuttosto

Dettagli

Appunti del corso di Informatica 1 (IN110 Fondamenti) 4 Linguaggi di programmazione

Appunti del corso di Informatica 1 (IN110 Fondamenti) 4 Linguaggi di programmazione Università Roma Tre Dipartimento di Matematica e Fisica Corso di Laurea in Matematica Appunti del corso di Informatica 1 (IN110 Fondamenti) 4 Linguaggi di programmazione Marco Liverani (liverani@mat.uniroma3.it)

Dettagli

Teoria dei Giochi. Anna Torre

Teoria dei Giochi. Anna Torre Teoria dei Giochi Anna Torre Almo Collegio Borromeo 3 marzo 2015 email: anna.torre@unipv.it sito web del corso:www-dimat.unipv.it/atorre/borromeo2015.html MODALITÀ DI ESAME È previsto un appello alla fine

Dettagli

LICEO DELLE SCIENZE APPLICATE

LICEO DELLE SCIENZE APPLICATE LICEO DELLE SCIENZE APPLICATE San Benedetto PIANO DI LAVORO Docente Stefano Maggi Disciplina INFORMATICA Libro di testo INFORMATICA 2 di Gallo Sirsi ed. Minerva Scuola Classe/Sezione Terza Anno scolastico

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

Rappresentazione di Piani con Scelte ed Azioni Stocastiche

Rappresentazione di Piani con Scelte ed Azioni Stocastiche Università degli Studi di Roma La Sapienza Corso di Laurea in Ingegneria Informatica A.A. 2005/2006 Rappresentazione di Piani con Scelte ed Azioni Stocastiche Matteo Leonetti Relatore Prof. Luca Iocchi

Dettagli

6) f(x, y) = xy 1 log(5 2x 2y) x + y. 2x x 2 y 2 z 2 x 2 + y 2 + z 2 x Esercizio 2. Studiare gli insiemi di livello delle seguenti funzioni:

6) f(x, y) = xy 1 log(5 2x 2y) x + y. 2x x 2 y 2 z 2 x 2 + y 2 + z 2 x Esercizio 2. Studiare gli insiemi di livello delle seguenti funzioni: FUNZIONI IN PIÙ VARIABILI 1. Esercizi Esercizio 1. Determinare il dominio delle seguenti funzioni, specificando se si tratta di un insieme aperto o chiuso: 1) f(x, ) = log(x x ) ) f(x, ) = x + 3) f(x,

Dettagli

Matematica SECONDO BIENNIO NUOVO ORDINAMENTO I.T.Ag Noverasco PIANO DI LAVORO ANNUALE 2014/2015

Matematica SECONDO BIENNIO NUOVO ORDINAMENTO I.T.Ag Noverasco PIANO DI LAVORO ANNUALE 2014/2015 Istituto di Istruzione Superiore ITALO CALVINO telefono: 0257500115 via Guido Rossa 20089 ROZZANO MI fax: 0257500163 Sezione Associata: telefono: 025300901 via Karl Marx 4 - Noverasco - 20090 OPERA MI

Dettagli

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)

Dettagli

Intelligenza Artificiale. Metodi di ricerca

Intelligenza Artificiale. Metodi di ricerca Intelligenza Artificiale Metodi di ricerca Marco Piastra Metodi di ricerca - 1 Ricerca nello spazio degli stati (disegno di J.C. Latombe) I nodi rappresentano uno stato Gli archi (orientati) una transizione

Dettagli

Ricapitoliamo. Ricapitoliamo

Ricapitoliamo. Ricapitoliamo Ricapitoliamo Finora ci siamo concentrati sui processi computazionali e sul ruolo che giocano le procedure nella progettazione dei programmi In particolare, abbiamo visto: Come usare dati primitivi (numeri)

Dettagli

Semantica operazionale dei linguaggi di Programmazione

Semantica operazionale dei linguaggi di Programmazione Semantica operazionale dei linguaggi di Programmazione Oggetti sintattici e oggetti semantici Rosario Culmone, Luca Tesei Lucidi tratti dalla dispensa Elementi di Semantica Operazionale R. Barbuti, P.

Dettagli

Identificazione di modulo C 3

Identificazione di modulo C 3 Identificazione di modulo C 3 Titolo Basi legali pianificare e organizzare dei corsi Condizioni Competenza Certificato di competenza Livello Obiettivi Competenza del modulo B 8 o possesso della licenza

Dettagli

Logica del primo ordine

Logica del primo ordine Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A7_4 V1.3 Logica del primo ordine Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio

Dettagli

MODULO 2 www.sapienzafinanziaria.com. la formazione finanziaria è il miglior investimento per il tuo domani

MODULO 2 www.sapienzafinanziaria.com. la formazione finanziaria è il miglior investimento per il tuo domani MODULO 2 www.sapienzafinanziaria.com la formazione finanziaria è il miglior investimento per il tuo domani Lezione n. 1 Edizione marzo / giugno 2015 La simulazione del trading su dati storici www.sapienzafinanziaria.com

Dettagli

Note sull esperienza Misura di g versione 1, Francesco, 7/05/2010

Note sull esperienza Misura di g versione 1, Francesco, 7/05/2010 Note sull esperienza Misura di g versione 1, Francesco, 7/05/010 L esperienza, basata sullo studio di una molla a spirale in condizioni di equilibrio e di oscillazione, ha diversi scopi e finalità, tra

Dettagli

PERCORSI MATEMATICI AMBIENTE DIDATTICO NELLA SCUOLA DELL INFANZIA. di Caterina Scapin

PERCORSI MATEMATICI AMBIENTE DIDATTICO NELLA SCUOLA DELL INFANZIA. di Caterina Scapin PERCORSI MATEMATICI AMBIENTE DIDATTICO NELLA SCUOLA DELL INFANZIA di Caterina Scapin Ci sono delle attività che producono COMPETENZE Alcune COMPETENZE sono predittive di DIFFICOLTA - DISTURBO DISLESSIA

Dettagli

Elementi di topologia della retta

Elementi di topologia della retta Elementi di topologia della retta nome insieme definizione l insieme è un concetto primitivo che si accetta come intuitivamente noto secondo George Cantor, il padre della teoria degli insiemi: Per insieme

Dettagli

MODULO 3 LEZIONE 23 FORMAZIONE DEL MOVIMENTO (SECONDA PARTE)

MODULO 3 LEZIONE 23 FORMAZIONE DEL MOVIMENTO (SECONDA PARTE) MODULO 3 LEZIONE 23 FORMAZIONE DEL MOVIMENTO (SECONDA PARTE) Contenuti Michelene Chi Livello ottimale di sviluppo L. S. Vygotskij Jerome Bruner Human Information Processing Teorie della Mente Contrapposizione

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

Matematica finanziaria: svolgimento prova di esonero del 15 maggio 2007

Matematica finanziaria: svolgimento prova di esonero del 15 maggio 2007 Matematica finanziaria: svolgimento prova di esonero del 5 maggio 2 a. Assumendo che il colore dei capelli negli esseri umani sia determinato da una coppia di alleli, diciamo (B, S), presi a caso con probabilità

Dettagli

9. Urti e conservazione della quantità di moto.

9. Urti e conservazione della quantità di moto. 9. Urti e conservazione della quantità di moto. 1 Conservazione dell impulso m1 v1 v2 m2 Prima Consideriamo due punti materiali di massa m 1 e m 2 che si muovono in una dimensione. Supponiamo che i due

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

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

Dettagli

CONCETTO DI LIMITE DI UNA FUNZIONE REALE

CONCETTO DI LIMITE DI UNA FUNZIONE REALE CONCETTO DI LIMITE DI UNA FUNZIONE REALE Il limite di una funzione è uno dei concetti fondamentali dell'analisi matematica. Tramite questo concetto viene formalizzata la nozione di funzione continua e

Dettagli

Pag. 1. Gestione delle transazioni. Linguaggio SQL: costrutti avanzati. Esempio applicativo. Gestione delle transazioni. Prelievo. Esempio applicativo

Pag. 1. Gestione delle transazioni. Linguaggio SQL: costrutti avanzati. Esempio applicativo. Gestione delle transazioni. Prelievo. Esempio applicativo Gestione delle transazioni Introduzione Transazioni in SQL Linguaggio SQL: costrutti avanzati 2 applicativo Operazioni bancarie operazione di prelievo dal proprio conto corrente mediante bancomat Gestione

Dettagli