Ricerca non informata in uno spazio di stati

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Ricerca non informata in uno spazio di stati"

Transcript

1 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 studenti, per studio personale e per supporto a lezioni universitarie. Ogni altro uso è riservato, e deve essere preventivamente autorizzato dall autore. Sono graditi commenti o suggerimenti per il miglioramento del materiale Nota: è utilizzato in parte il materiale didattico associato al testo di Stuart J. Russell, Peter Norvig A5 Ricerca non inform Paolo Salvaneschi 1

2 INDICE Algoritmi di ricerca non informati Breadth-first Uniform-cost Depth-first Depth-limited Iterative-Deepening Depth-first Search Bidirectional Search Il problema degli stati ripetuti Ricerca con informazioni parziali Esempio A5 Ricerca non inform Paolo Salvaneschi 2 A5 Ricerca non inform Paolo Salvaneschi 2

3 Algoritmi di ricerca non informati Strategie di ricerca non informata La ricerca utilizza solo le informazioni disponibili dalla definizione del problema Vari algoritmi di ricerca Breadth-first Uniform-cost Depth-first Depth-limited Iterative-Deepening Depth-first Search Bidirectional Search A5 Ricerca non inform Paolo Salvaneschi 3 A5 Ricerca non inform Paolo Salvaneschi 3

4 Breadth-first A5 Ricerca non inform Paolo Salvaneschi 4 A5 Ricerca non inform Paolo Salvaneschi 4

5 Breadth-first Nodi espansi Nodi generati ma non ancora espansi A Implementazione della ricerca con una coda FIFO (contiene i nodi da espandere - fringe) A5 Ricerca non inform Paolo Salvaneschi 5 A5 Ricerca non inform Paolo Salvaneschi 5

6 Breadth-first CB A5 Ricerca non inform Paolo Salvaneschi 6 A5 Ricerca non inform Paolo Salvaneschi 6

7 Breadth-first EDC A5 Ricerca non inform Paolo Salvaneschi 7 A5 Ricerca non inform Paolo Salvaneschi 7

8 Breadth-first Prossimo nodo da espandere GFED A5 Ricerca non inform Paolo Salvaneschi 8 A5 Ricerca non inform Paolo Salvaneschi 8

9 Breadth-first shallowest goal node A5 Ricerca non inform Paolo Salvaneschi 9 A5 Ricerca non inform Paolo Salvaneschi 9

10 Breadth-first Nota: Completezza Se il nodo obiettivo più superficiale nell albero di ricerca è a profondità d, alla fine la ricerca lo troverà dopo avere espanso tutti i nodi più superficiali (se il branching factor b è finito) A5 Ricerca non inform Paolo Salvaneschi 10 A5 Ricerca non inform Paolo Salvaneschi 10

11 Breadth-first Nota: Ottimalità In presenza di più nodi obiettivo nell albero di ricerca, il nodo obiettivo più superficiale non è necessariamente quello ottimo Lo è se costo = 1 per ogni step (o più precisamente se il path cost del nodo obiettivo è una funzione non decrescente della profondità del nodo obiettivo. (Ciò, come caso particolare, si ottiene quando tutte le azioni hanno lo stesso costo) A5 Ricerca non inform Paolo Salvaneschi 11 A5 Ricerca non inform Paolo Salvaneschi 11

12 Breadth-first NB Più nodi obiettivo nell albero di ricerca corrispondono allo stesso stato obiettivo nello spazio degli stati 10 B 30 Passo appenninico Stato iniziale: città A A E D C 10 Stato obiettivo: città E Costo (km stradali) Path cost A5 Ricerca non inform Paolo Salvaneschi 12 A5 Ricerca non inform Paolo Salvaneschi Il goal node più superficiale non è ottimo Path cost del nodo obiettivo B E 40 A C D E Depth 1 Depth 2 Depth 3 funzione decrescente Profondità del nodo obiettivo

13 Breadth-first Step cost costante 10 B 10 Stato iniziale: città A A E D C 10 Stato obiettivo: città E Costo (km stradali) Path cost A5 Ricerca non inform Paolo Salvaneschi 13 A5 Ricerca non inform Paolo Salvaneschi Il goal node più superficiale è ottimo Path cost del nodo obiettivo B E A C D E Depth 1 Depth 2 Depth 3 funzione non decrescente Profondità del nodo obiettivo

14 Breadth-first Nota: Spazio e tempo Ogni nodo generato deve restare in memoria (o è parte del fringe o è un predecessore) La memoria e il tempo sono un problema La tecnica può essere utilizzata solo per problemi limitati Problema generale per tutti gli algoritmi di ricerca non informati A5 Ricerca non inform Paolo Salvaneschi 14 A5 Ricerca non inform Paolo Salvaneschi 14

15 Breadth-first Including the expanded nodes at the depth level. NB1 NB2 N.B. A5 Ricerca non inform Paolo Salvaneschi 15 A5 Ricerca non inform Paolo Salvaneschi 15

16 Uniform-cost A5 Ricerca non inform Paolo Salvaneschi 16 A5 Ricerca non inform Paolo Salvaneschi 16

17 Uniform-cost Nota: complete if step cost >= ε (piccola costante positiva) Path Cost. costo g(x) dallo stato iniziale al nodo che si considera la ricerca considera il costo totale del percorso eseguito + il costo del passo successivo ε Ricerca non completa loop Ricerca completa No loop (sommando ε si supererà 1) A5 Ricerca non inform Paolo Salvaneschi 17 A5 Ricerca non inform Paolo Salvaneschi 17

18 Depth-first A5 Ricerca non inform Paolo Salvaneschi 18 A5 Ricerca non inform Paolo Salvaneschi 18

19 Depth-first La ricerca procede al livello più profondo dell albero, fino a che i nodi non hanno successori Quando un nodo è espanso completamente, viene rimosso da fringe E la ricerca torna indietro al nodo successivo più superficiale che ha ancora successori non esplorati A5 Ricerca non inform Paolo Salvaneschi 19 A5 Ricerca non inform Paolo Salvaneschi 19

20 Depth-first A Implementazione della ricerca con uno stack (contiene i nodi da espandere - fringe) A5 Ricerca non inform Paolo Salvaneschi 20 A5 Ricerca non inform Paolo Salvaneschi 20

21 Depth-first B C A5 Ricerca non inform Paolo Salvaneschi 21 A5 Ricerca non inform Paolo Salvaneschi 21

22 Depth-first D E C A5 Ricerca non inform Paolo Salvaneschi 22 A5 Ricerca non inform Paolo Salvaneschi 22

23 Depth-first H I E C A5 Ricerca non inform Paolo Salvaneschi 23 A5 Ricerca non inform Paolo Salvaneschi 23

24 Depth-first I E C I nodi che sono stati espansi e non hanno discendenti in fringe possono essere eliminati dalla memoria A5 Ricerca non inform Paolo Salvaneschi 24 A5 Ricerca non inform Paolo Salvaneschi 24

25 Depth-first La ricerca torna indietro al nodo successivo più superficiale che ha ancora successori non esplorati E C I nodi che sono stati espansi e non hanno discendenti in fringe possono essere eliminati dalla memoria A5 Ricerca non inform Paolo Salvaneschi 25 A5 Ricerca non inform Paolo Salvaneschi 25

26 Depth-first A5 Ricerca non inform Paolo Salvaneschi 26 A5 Ricerca non inform Paolo Salvaneschi 26

27 Depth-first A5 Ricerca non inform Paolo Salvaneschi 27 A5 Ricerca non inform Paolo Salvaneschi 27

28 Depth-first A5 Ricerca non inform Paolo Salvaneschi 28 A5 Ricerca non inform Paolo Salvaneschi 28

29 Depth-first A5 Ricerca non inform Paolo Salvaneschi 29 A5 Ricerca non inform Paolo Salvaneschi 29

30 Depth-first A5 Ricerca non inform Paolo Salvaneschi 30 A5 Ricerca non inform Paolo Salvaneschi 30

31 Depth-first Goal node A5 Ricerca non inform Paolo Salvaneschi 31 A5 Ricerca non inform Paolo Salvaneschi 31

32 Depth-first shallowest goal node A5 Ricerca non inform Paolo Salvaneschi 32 A5 Ricerca non inform Paolo Salvaneschi 32

33 Depth-first Nota: completezza Rischio di esplorare in profondità (anche infinita) una parte dell albero, mentre la soluzione era più superficiale altrove Es. nell albero precedente se una soluzione è C, la parte sinistra dell albero è totalmente esplorata inutilmente A5 Ricerca non inform Paolo Salvaneschi 33 A5 Ricerca non inform Paolo Salvaneschi 33

34 Depth-first Nota: ottimalità Non ottimo Esplorando in profondità può trovare una soluzione (es. J) mentre esiste un altra soluzione (es. C) più superficiale che non è considerata A5 Ricerca non inform Paolo Salvaneschi 34 A5 Ricerca non inform Paolo Salvaneschi 34

35 Depth-first Nota: Spazio Deve restare in memoria il singolo percorso dalla radice alla foglia con i nodi parenti non ancora espansi Quando tutti i discendenti di un nodo sono stati esplorati il nodo può essere rimosso dalla memoria A5 Ricerca non inform Paolo Salvaneschi 35 A5 Ricerca non inform Paolo Salvaneschi 35

36 Depth-first Variante: backtracking search Non sono generati tutti i successori di un nodo ma uno solo alla volta Ogni nodo espanso parzialmente ricorda il nodo successivo da espandere Se, nelle espansioni derivanti dal nodo in considerazione non è raggiunto l obiettivo, si torna indietro e si espande il nodo successivo ricordato Risparmia memoria A5 Ricerca non inform Paolo Salvaneschi 36 A5 Ricerca non inform Paolo Salvaneschi 36

37 Depth-limited Introduce una causa ulteriore di incompletezza A5 Ricerca non inform Paolo Salvaneschi 37 A5 Ricerca non inform Paolo Salvaneschi 37

38 Depth-limited A5 Ricerca non inform Paolo Salvaneschi 38 A5 Ricerca non inform Paolo Salvaneschi 38

39 Iterative-Deepening Depth-first Search Esegue una ricerca depth-limited incrementando gradualmente la profondità A5 Ricerca non inform Paolo Salvaneschi 39 A5 Ricerca non inform Paolo Salvaneschi 39

40 Iterative-Deepening Depth-first Search A5 Ricerca non inform Paolo Salvaneschi 40 A5 Ricerca non inform Paolo Salvaneschi 40

41 Iterative-Deepening Depth-first Search Combina i vantaggi della ricerca breadth-first e depth-first Depth-first: requisiti modesti di memoria Come breadth-first: E completa (se branching factor finito) E ottima se path cost del nodo obiettivo è funzione non decrescente della profondità del nodo obiettivo (ad es costo = 1 per ogni step). In generale non è ottima Nota: l iterazione sui livelli consuma tempo ma le iterazioni all interno dei livelli alti usano poco tempo (se branching factor simile per tutti i livelli) A5 Ricerca non inform Paolo Salvaneschi 41 A5 Ricerca non inform Paolo Salvaneschi 41

42 Iterative-Deepening Depth-first Search In generale è il metodo preferito con Larghi spazi di ricerca Profondità della soluzione non nota A5 Ricerca non inform Paolo Salvaneschi 42 A5 Ricerca non inform Paolo Salvaneschi 42

43 Iterative-Deepening Depth-first Search A5 Ricerca non inform Paolo Salvaneschi 43 A5 Ricerca non inform Paolo Salvaneschi 43

44 Iterative-Deepening Depth-first Search A5 Ricerca non inform Paolo Salvaneschi 44 A5 Ricerca non inform Paolo Salvaneschi 44

45 Iterative-Deepening Depth-first Search shallowest goal node A5 Ricerca non inform Paolo Salvaneschi 45 A5 Ricerca non inform Paolo Salvaneschi 45

46 Bidirectional Search Bidirectional Search Sono eseguite due ricerche simultanee Una forward dallo stato iniziale L altra backward dall obiettivo Stop quando le due ricerche si trovano Problema: quando l obiettivo è dato come definizione implicita di un largo insieme di stati A5 Ricerca non inform Paolo Salvaneschi 46 A5 Ricerca non inform Paolo Salvaneschi 46

47 Sintesi degli algoritmi Algoritmi di ricerca A5 Ricerca non inform Paolo Salvaneschi 47 A5 Ricerca non inform Paolo Salvaneschi 47

48 Il problema degli stati ripetuti Se lo spazio degli stati è un albero ogni stato è incontrato ed espanso una sola volta durante la ricerca Se lo spazio è un grafo è possibile perdere tempo espandendo stati già espansi (problema degli stati ripetuti) Uno spazio finito di stati può diventare un albero di ricerca infinito A5 Ricerca non inform Paolo Salvaneschi 48 A5 Ricerca non inform Paolo Salvaneschi 48

49 Il problema degli stati ripetuti Il problema degli stati ripetuti si pone per tutti problemi applicativi in cui le azioni sono reversibili (es. trovare la strada su un grafo stradale) Soluzione:implementazione di un algoritmo di ricerca che mantiene in una struttura dati tutti i nodi espansi. Se il nodo corrente coincide con un nodo già espanso allora è scaricato A5 Ricerca non inform Paolo Salvaneschi 49 A5 Ricerca non inform Paolo Salvaneschi 49

50 Il problema degli stati ripetuti GENERAL GRAPH SEARCH ALGORITHM Se è la prima volta che lo stato relativo al nodo è considerato, allora inserisci lo stato in closed ed espandi il nodo, altrimenti non considerare il nodo Closed-list nodi già espansi Open-list (fringe) nodi da espandere A5 Ricerca non inform Paolo Salvaneschi 50 A5 Ricerca non inform Paolo Salvaneschi 50

51 Algoritmi di ricerca GENERAL TREE SEARCH ALGORITHM Confronta con GRAPH SEARCH Per ogni possibile effetto di ogni possibile azione della funzione successore (insieme di coppie azione-stato) del nodo corrente Costruisci la struttura di dati del nuovo nodo espanso A5 Ricerca non inform Paolo Salvaneschi 51 A5 Ricerca non inform Paolo Salvaneschi 51

52 Il problema degli stati ripetuti Complessità nel tempo e nello spazio di GENERAL GRAPH SEARCH ALGORITHM Proporzionale alla dimensione dello spazio degli stati A5 Ricerca non inform Paolo Salvaneschi 52 A5 Ricerca non inform Paolo Salvaneschi 52

53 Il problema degli stati ripetuti Ottimalità di GENERAL GRAPH SEARCH ALGORITHM Quando più percorsi passano dallo stesso stato, l algoritmo considera il primo ed elimina i successivi. E se un successivo percorso è a costo minore del primo percorso? L algoritmo può perdere un percorso ottimo? Si dimostra che ciò non può accadere per uniform-cost search e breadth-first search con step cost costante, mentre può accadere per Iterative deepening search A5 Ricerca non inform Paolo Salvaneschi 53 A5 Ricerca non inform Paolo Salvaneschi 53

54 Ricerca con informazioni parziali Assunzione: ambiente completamente osservabile e deterministico. L agente conosce le conseguenze delle proprie azioni e conosce sempre in quale stato è Che succede se la conoscenza degli stati o delle azioni è incompleta? A5 Ricerca non inform Paolo Salvaneschi 54 A5 Ricerca non inform Paolo Salvaneschi 54

55 Ricerca con informazioni parziali Agente privo di sensori. Non conosce il suo stato iniziale Ricerca in uno spazio di stati in cui ogni stato è un insieme di stati reali in cui l agente può credere di essere (belief state) Lo stato obiettivo è un belif state i cui stati reali sono tutti obiettivi La ricerca avviene nello spazio dei belief states A5 Ricerca non inform Paolo Salvaneschi 55 A5 Ricerca non inform Paolo Salvaneschi 55

56 Ricerca con informazioni parziali L ambiente è parzialmente osservabile o il risultato delle azioni è incerto L agente ottiene nuove percezioni dopo ogni azione L agente non cerca prima ed esegue il percorso trovato successivamente, ma interfoglia ricerca ed esecuzione considerando ad ogni passo l eventuale nuova informazione Algoritmi di pianificazione in ambienti reali A5 Ricerca non inform Paolo Salvaneschi 56 A5 Ricerca non inform Paolo Salvaneschi 56

57 Esempio Gioco dell otto Partendo da una disposizione assegnata di tessere, raggiungere una disposizione finale attraverso una successione di mosse A5 Ricerca non inform Paolo Salvaneschi 57 A5 Ricerca non inform Paolo Salvaneschi 57

58 Esempio Stato: Configurazione di tessere Rappresentazione dello stato: tabella 3x3 contenente i numeri 1,2,..8; 0 rappresenta lo spazio vuoto A5 Ricerca non inform Paolo Salvaneschi 58 A5 Ricerca non inform Paolo Salvaneschi 58

59 Esempio Azioni : Scorrimento della posizione vuota Azioni possibili: A5 Ricerca non inform Paolo Salvaneschi 59 A5 Ricerca non inform Paolo Salvaneschi 59

60 Esempio Stato iniziale e stato finale A5 Ricerca non inform Paolo Salvaneschi 60 A5 Ricerca non inform Paolo Salvaneschi 60

61 Porzione dello spazio degli stati che contiene una soluzione Esempio A5 Ricerca non inform Paolo Salvaneschi 61 A5 Ricerca non inform Paolo Salvaneschi 61

62 Esempio Schema di ricerca di una soluzione S stato attuale Si stato iniziale Sf stato finale A5 Ricerca non inform Paolo Salvaneschi 62 A5 Ricerca non inform Paolo Salvaneschi 62

63 Esempio Ricerca in profondità Si applicano gli operatori (applicabili) nell ordine SINISTRA, ALTO, DESTRA, BASSO Si seleziona lo stato generato più di recente Si eliminano gli stati ripetuti SINISTRA non è applicabile Stati iniziale e finale A5 Ricerca non inform Paolo Salvaneschi 63 A5 Ricerca non inform Paolo Salvaneschi 63

64 Esempio Ricerca in ampiezza A5 Ricerca non inform Paolo Salvaneschi 64 A5 Ricerca non inform Paolo Salvaneschi 64

65 Esempio A5 Ricerca non inform Paolo Salvaneschi 65 A5 Ricerca non inform Paolo Salvaneschi 65

66 Esempio A5 Ricerca non inform Paolo Salvaneschi 66 A5 Ricerca non inform Paolo Salvaneschi 66

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

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

Sono casi particolari di MCF : SPT (cammini minimi) non vi sono vincoli di capacità superiore (solo x ij > 0) (i, j) A : c ij, costo di percorrenza

Sono casi particolari di MCF : SPT (cammini minimi) non vi sono vincoli di capacità superiore (solo x ij > 0) (i, j) A : c ij, costo di percorrenza Il problema di flusso di costo minimo (MCF) Dati : grafo orientato G = ( N, A ) i N, deficit del nodo i : b i (i, j) A u ij, capacità superiore (max quantità di flusso che può transitare) c ij, costo di

Dettagli

Università di Bergamo Facoltà di Ingegneria. Intelligenza Artificiale. Paolo Salvaneschi A1_1 V1.1. Introduzione

Università di Bergamo Facoltà di Ingegneria. Intelligenza Artificiale. Paolo Salvaneschi A1_1 V1.1. Introduzione Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A1_1 V1.1 Introduzione Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale

Dettagli

Intelligenza Artificiale. Lezione 14. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 14 0

Intelligenza Artificiale. Lezione 14. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 14 0 Intelligenza Artificiale Lezione 14 Intelligenza Artificiale Daniele Nardi, 2003 Lezione 14 0 Sommario Russell & Norvig Capitolo 4, Paragrafi 3 4 IDA* SMA* Ricerca Hill-climbing Simulated annealing Intelligenza

Dettagli

Implementazione del gioco del Bantumi Corso di Intelligenza Artificiale 2012

Implementazione del gioco del Bantumi Corso di Intelligenza Artificiale 2012 Implementazione del gioco del Bantumi Corso di Intelligenza Artificiale 2012 Nicola Febbrari Università degli Studi di Verona Facoltà MM.FF.NN. nicola.febbrari@studenti.univr.it 22 gennaio 2013 1 Introduzione

Dettagli

Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE. Paolo Salvaneschi A2_3 V2.0. Processi. Scelta dei processi adeguati

Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE. Paolo Salvaneschi A2_3 V2.0. Processi. Scelta dei processi adeguati Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi A2_3 V2.0 Processi Scelta dei processi adeguati Il contenuto del documento è liberamente utilizzabile dagli studenti,

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

Agenti che risolvono problemi attraverso la ricerca in uno spazio di stati

Agenti che risolvono problemi attraverso la ricerca in uno spazio di stati Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A5_1 V1.4 Agenti che risolvono problemi attraverso la ricerca in uno spazio di stati Il contenuto del documento è

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

Gestione dello sviluppo software Modelli Agili

Gestione dello sviluppo software Modelli Agili Università di Bergamo Facoltà di Ingegneria GESTIONE DEI SISTEMI ICT Paolo Salvaneschi A4_3 V1.1 Gestione dello sviluppo software Modelli Agili Il contenuto del documento è liberamente utilizzabile dagli

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

Il Metodo Branch and Bound

Il Metodo Branch and Bound Il Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 4 Novembre 2014 Ricerca Operativa 2 Laurea Magistrale in Ingegneria Gestionale

Dettagli

Ricerca euristica. Funzioni di valutazione euristica. Esempi di euristica. Strategia best-first: esempio. Algoritmo di ricerca Best-First 03/03/15

Ricerca euristica. Funzioni di valutazione euristica. Esempi di euristica. Strategia best-first: esempio. Algoritmo di ricerca Best-First 03/03/15 Ricerca euristica Ricerca euristica Maria Simi a.a. 2014/2015 La ricerca esaustiva non è praticabile in problemi di complessità esponenziale Noi usiamo conoscenza del problema ed esperienza per riconoscere

Dettagli

Esercizi Capitolo 5 - Alberi

Esercizi Capitolo 5 - Alberi Esercizi Capitolo 5 - Alberi Alberto Montresor 19 Agosto, 2014 Alcuni degli esercizi che seguono sono associati alle rispettive soluzioni. Se il vostro lettore PDF lo consente, è possibile saltare alle

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

Esercizio su MT. Svolgimento

Esercizio su MT. Svolgimento Esercizio su MT Definire una macchina di Turing deterministica M a nastro singolo e i concetti di configurazione e di transizione. Sintetizzare una macchina di Turing trasduttore che trasformi un numero

Dettagli

Ricerca informata. Scelta dell euristica

Ricerca informata. Scelta dell euristica Ricerca informata Scelta dell euristica SMA* (Simplified Memory-Bounded A*) SMA* espande sempre la foglia migliore finché la memoria è piena A questo punto deve cancellare un nodo in memoria SMA* cancella

Dettagli

1. Considerazioni generali

1. Considerazioni generali 1. Considerazioni generali Modelli di shop scheduling In molti ambienti produttivi l esecuzione di un job richiede l esecuzione non simultanea di un certo numero di operazioni su macchine dedicate. Ogni

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

Approcci esatti per il job shop

Approcci esatti per il job shop Approcci esatti per il job shop Riferimenti lezione: Carlier, J. (1982) The one-machine sequencing problem, European Journal of Operational Research, Vol. 11, No. 1, pp. 42-47 Carlier, J. & Pinson, E.

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

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

Algoritmi e strutture dati. Codici di Huffman

Algoritmi e strutture dati. Codici di Huffman Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per

Dettagli

PROVA FINALE V. AULETTA G. PERSIANO ALGORITMI II - -MAGIS INFO

PROVA FINALE V. AULETTA G. PERSIANO ALGORITMI II - -MAGIS INFO PROVA FINALE V. AULETTA G. PERSIANO ALGORITMI II - -MAGIS INFO 1. Load Balancing Un istanza del problema del load balancing consiste di una sequenza p 1,..., p n di interi positivi (pesi dei job) e un

Dettagli

Quando A e B coincidono una coppia ordinata é determinata anche dalla loro posizione.

Quando A e B coincidono una coppia ordinata é determinata anche dalla loro posizione. Grafi ed Alberi Pag. /26 Grafi ed Alberi In questo capitolo richiameremo i principali concetti di due ADT che ricorreranno puntualmente nel corso della nostra trattazione: i grafi e gli alberi. Naturale

Dettagli

Algoritmi di Visita di Grafi. Damiano Macedonio mace@unive.it

Algoritmi di Visita di Grafi. Damiano Macedonio mace@unive.it lgoritmi di Visita di rafi amiano Macedonio mace@unive.it Original work opyright lberto Montresor, Università di Trento, Italy Modifications opyright 00 0, Moreno Marzolla, Università di ologna, Italy

Dettagli

Università di Bergamo Facoltà di Ingegneria GESTIONE DEI SISTEMI ICT. Paolo Salvaneschi A6_5 V1.0. Security Management

Università di Bergamo Facoltà di Ingegneria GESTIONE DEI SISTEMI ICT. Paolo Salvaneschi A6_5 V1.0. Security Management Università di Bergamo Facoltà di Ingegneria GESTIONE DEI SISTEMI ICT Paolo Salvaneschi A6_5 V1.0 Security Management Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale

Dettagli

Laboratorio di Programmazione II Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona

Laboratorio di Programmazione II Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona e e Laboratorio di Programmazione II Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario e ed implementazione in Java Visita di un grafo e e Concetti di base Struttura

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

I tipi di dato astratti

I tipi di dato astratti I tipi di dato astratti.0 I tipi di dato astratti c Diego Calvanese Fondamenti di Informatica Corso di Laurea in Ingegneria Elettronica A.A. 001/00.0 0 I tipi di dato astratti La nozione di tipo di dato

Dettagli

MATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010

MATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010 elementi di teoria dei grafi anno acc. 2009/2010 Grafi semplici Un grafo semplice G è una coppia ordinata (V(G), L(G)), ove V(G) è un insieme finito e non vuoto di elementi detti vertici o nodi di G, mentre

Dettagli

40 Algoritmi sui Grafi

40 Algoritmi sui Grafi Università degli Studi di Napoli Parthenope Corso di Laurea in Informatica A.A 2014/15 PROGETTO PROGRAMMAZIONE III 40 Algoritmi sui Grafi Relatore: Prof. Raffaele Montella Studente: Diego Parlato Matricola:

Dettagli

Appunti di Algoritmi e Strutture Dati. Grafi. Gianfranco Gallizia

Appunti di Algoritmi e Strutture Dati. Grafi. Gianfranco Gallizia Appunti di Algoritmi e Strutture Dati Grafi Gianfranco Gallizia 12 Dicembre 2004 2 Indice 1 Grafi 5 1.1 Definizione.............................. 5 1.2 Implementazione........................... 5 1.2.1

Dettagli

A3_4 V2.2 Analisi dei Requisiti e Specifica Relazioni con le altre fasi

A3_4 V2.2 Analisi dei Requisiti e Specifica Relazioni con le altre fasi Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi A3_4 V2.2 Analisi dei Requisiti e Specifica Relazioni con le altre fasi Il contenuto del documento è liberamente utilizzabile

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

Clickomania con Blockly

Clickomania con Blockly Clickomania con Blockly Violetta Lonati Sommario Clickomania è un solitario, noto anche come Chain Shot! o Same Game. Il campo di gioco è costituito da una parete inizialmente coperta di mattoni, uno per

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

Gestione della conoscenza

Gestione della conoscenza Università di Bergamo Facoltà di Ingegneria GESTIONE DEI SISTEMI ICT Paolo Salvaneschi A10_1 V1.1 Gestione della conoscenza Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio

Dettagli

Ottimizzazione Multi Obiettivo

Ottimizzazione Multi Obiettivo Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali

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

Metodi basati sugli autovettori per il Web Information Retrieval

Metodi basati sugli autovettori per il Web Information Retrieval Metodi basati sugli autovettori per il Web Information Retrieval HITS, PageRank e il metodo delle potenze LSI e SVD LSI è diventato famoso per la sua abilità nel permettere di manipolare i termini (all

Dettagli

Corso di Politica Economica Teoria delle votazioni

Corso di Politica Economica Teoria delle votazioni Corso di Politica Economica Teoria delle votazioni Prof. Paolo Buonanno Università degli Studi di Bergamo Funzione di Benessere Sociale Problema della scelta di un punto socialmente ottimale lungo la frontiera

Dettagli

A3_1 V2.2 Analisi dei Requisiti e Specifica Significato, motivazioni e processi

A3_1 V2.2 Analisi dei Requisiti e Specifica Significato, motivazioni e processi Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi A3_1 V2.2 Analisi dei Requisiti e Specifica Significato, motivazioni e processi Il contenuto del documento è liberamente

Dettagli

Alberi binari di ricerca

Alberi binari di ricerca Alberi binari di ricerca Definizione Visita dell albero inorder Ricerca Ricerca minimo, massimo e successore. Inserimento ed eliminazione di un nodo Problema del bilanciamento dell albero Albero binario

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

Laboratorio di Algoritmi e Strutture Dati

Laboratorio di Algoritmi e Strutture Dati Laboratorio di Algoritmi e Strutture Dati Docente: Camillo Fiorentini 18 dicembre 2007 Esercizio 1: rappresentazione di una tabella di occorrenze L obiettivo è quello di rappresentare in modo efficiente

Dettagli

per immagini guida avanzata Uso delle tabelle e dei grafici Pivot Geometra Luigi Amato Guida Avanzata per immagini excel 2000 1

per immagini guida avanzata Uso delle tabelle e dei grafici Pivot Geometra Luigi Amato Guida Avanzata per immagini excel 2000 1 Uso delle tabelle e dei grafici Pivot Geometra Luigi Amato Guida Avanzata per immagini excel 2000 1 Una tabella Pivot usa dati a due dimensioni per creare una tabella a tre dimensioni, cioè una tabella

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

Introduzione E. TINELLI LTW A. A. 2011-2012

Introduzione E. TINELLI LTW A. A. 2011-2012 Corso di Laurea Specialistica in Ingegneria Informatica Corso di Linguaggi e Tecnologie Web A. A. 2011-2012 Web Information Retrieval Eufemia TINELLI Introduzione Per Web information Retrieval si intende

Dettagli

Sistemi Qualità e normativa

Sistemi Qualità e normativa Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi B2_1 V3.0 Sistemi Qualità e normativa Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio

Dettagli

Applicazioni Customer Relationship Management

Applicazioni Customer Relationship Management Università di Bergamo Facoltà di Ingegneria Applicazioni Internet B Paolo Salvaneschi A4_1 V1.2 Applicazioni Customer Relationship Management Il contenuto del documento è liberamente utilizzabile dagli

Dettagli

Laboratorio di architettura degli elaboratori Progetto finale AA 2005/2006

Laboratorio di architettura degli elaboratori Progetto finale AA 2005/2006 Laboratorio di architettura degli elaboratori Progetto finale AA 2005/2006 Esercizio 1 - Heapsort Si consideri la seguente struttura dati, chiamata heap. Essa è un albero binario semi-completo (ossia un

Dettagli

Applicazioni Intranet e gestione della conoscenza

Applicazioni Intranet e gestione della conoscenza Università di Bergamo Facoltà di Ingegneria Applicazioni Internet B Paolo Salvaneschi A6_1 V1.5 Applicazioni Intranet e gestione della conoscenza Il contenuto del documento è liberamente utilizzabile dagli

Dettagli

Sommario della lezione

Sommario della lezione Università degli Studi di Salerno Corso di Algoritmi Prof. Ugo Vaccaro Anno Acc. 2014/15 p. 1/33 Sommario della lezione Ancora sui cammini minimi: Cammini minimi in grafi con archi di costo negativo Algoritmi

Dettagli

Service Desk Incident Problem Management

Service Desk Incident Problem Management Università di Bergamo Facoltà di Ingegneria GESTIONE DEI SISTEMI ICT Paolo Salvaneschi A6_2 V1.2 Service Desk Incident Problem Management Il contenuto del documento è liberamente utilizzabile dagli studenti,

Dettagli

I mercati dei beni e i mercati finanziari: il modello IS-LM. Assunzione da rimuovere. Investimenti, I

I mercati dei beni e i mercati finanziari: il modello IS-LM. Assunzione da rimuovere. Investimenti, I I mercati dei beni e i mercati finanziari: il modello IS-LM Assunzione da rimuovere Rimuoviamo l ipotesi che gli Investimenti sono una variabile esogena. Investimenti, I Gli investimenti delle imprese

Dettagli

Università di Bergamo Facoltà di Ingegneria GESTIONE DEI SISTEMI ICT. Paolo Salvaneschi B1_1 V1.0. Strumenti software

Università di Bergamo Facoltà di Ingegneria GESTIONE DEI SISTEMI ICT. Paolo Salvaneschi B1_1 V1.0. Strumenti software Università di Bergamo Facoltà di Ingegneria GESTIONE DEI SISTEMI ICT Paolo Salvaneschi B1_1 V1.0 Strumenti software Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale

Dettagli

IL PROBLEMA DELLO SHORTEST SPANNING TREE

IL PROBLEMA DELLO SHORTEST SPANNING TREE IL PROBLEMA DELLO SHORTEST SPANNING TREE n. 1 - Formulazione del problema Consideriamo il seguente problema: Abbiamo un certo numero di città a cui deve essere fornito un servizio, quale può essere l energia

Dettagli

(a cura di Francesca Godioli)

(a cura di Francesca Godioli) lezione n. 12 (a cura di Francesca Godioli) Ad ogni categoria della variabile qualitativa si può assegnare un valore numerico che viene chiamato SCORE. Passare dalla variabile qualitativa X2 a dei valori

Dettagli

Le preferenze e la scelta

Le preferenze e la scelta Capitolo 3: Teoria del consumo Le preferenze e la scelta 1 Argomenti trattati in questo capitolo Usiamo le preferenze dei consumatori per costruire la funzione di domanda individuale e di mercato Studiamo

Dettagli

Schedulazione delle attività di un progetto in presenza di multi-calendari

Schedulazione delle attività di un progetto in presenza di multi-calendari Schedulazione delle attività di un progetto in presenza di multi-calendari Maria Silvia Pini Resp. accademico: Prof.ssa Francesca Rossi Università di Padova Attività FSE DGR 1102/2010 La gestione dell

Dettagli

Parte 3: Gestione dei progetti, Shop scheduling

Parte 3: Gestione dei progetti, Shop scheduling Parte : Gestione dei progetti, Shop scheduling Rappresentazione reticolare di un progetto Insieme di attività {,...,n} p i durata (nota e deterministica dell attività i) relazione di precedenza fra attività:

Dettagli

2) Codici univocamente decifrabili e codici a prefisso.

2) Codici univocamente decifrabili e codici a prefisso. Argomenti della Lezione ) Codici di sorgente 2) Codici univocamente decifrabili e codici a prefisso. 3) Disuguaglianza di Kraft 4) Primo Teorema di Shannon 5) Codifica di Huffman Codifica di sorgente Il

Dettagli

b i 1,1,1 1,1,1 0,1,2 0,3,4

b i 1,1,1 1,1,1 0,1,2 0,3,4 V o Appello // RICERCA OPERATIVA - Corso A (a.a. 9/) Nome Cognome: Corso di Laurea: L C6 LS LM Matricola: ) Si consideri il problema di flusso di costo minimo in figura. Si verifichi se il flusso ammissibile

Dettagli

Generare sequenze di azioni.

Generare sequenze di azioni. Cercare soluzioni L idea è quella di mantenere ed estendere un insieme di sequenze soluzioni parziali. Un agente con diverse opzioni immediate di esito sconosciuto può decidere cosa fare esaminando prima

Dettagli

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Gestione della produzione e della supply chain Logistica distributiva Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Problemi di Distribuzione: Il problema del Vehicle Rou:ng

Dettagli

Appunti sulla Macchina di Turing. Macchina di Turing

Appunti sulla Macchina di Turing. Macchina di Turing Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso

Dettagli

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi

Dettagli

Alberi binari. Ilaria Castelli castelli@dii.unisi.it A.A. 2009/2010. Università degli Studi di Siena Dipartimento di Ingegneria dell Informazione

Alberi binari. Ilaria Castelli castelli@dii.unisi.it A.A. 2009/2010. Università degli Studi di Siena Dipartimento di Ingegneria dell Informazione Alberi binari Ilaria Castelli castelli@dii.unisi.it Università degli Studi di Siena Dipartimento di Ingegneria dell Informazione A.A. 2009/2010 I. Castelli Alberi binari, A.A. 2009/2010 1/20 Alberi binari

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

Quadratic assignment Problem: The Hospital Layout

Quadratic assignment Problem: The Hospital Layout Università degli Studi di Modena e Reggio Emilia Corso di Laurea Magistrale in Ingegneria Gestionale Metodi di ottimizzazione per la logistica e la produzione Quadratic assignment Problem: The Hospital

Dettagli

Ottimizzazione nella gestione dei progetti

Ottimizzazione nella gestione dei progetti Ottimizzazione nella gestione dei progetti Capitolo 2: Reti di attività CARLO MANNINO Università di Roma La Sapienza Dipartimento di Informatica e Sistemistica Definizioni di ase Il Progetto è costituito

Dettagli

Prolog: aritmetica e ricorsione

Prolog: aritmetica e ricorsione Capitolo 13 Prolog: aritmetica e ricorsione Slide: Aritmetica e ricorsione 13.1 Operatori aritmetici In logica non vi è alcun meccanismo per la valutazione di funzioni, che è fondamentale in un linguaggio

Dettagli

Esercitazioni di Progettazione del Software. Esercitazione (Prova al calcolatore del 17 settembre 2010)

Esercitazioni di Progettazione del Software. Esercitazione (Prova al calcolatore del 17 settembre 2010) Sapienza - Università di Roma Facoltà di Ingegneria dell Informazione, Informatica e Statistica Corso di Laurea in Ingegneria Informatica ed Automatica, Ingegneria dei Sistemi Informatici Esercitazioni

Dettagli

Altri metodi di indicizzazione

Altri metodi di indicizzazione Organizzazione a indici su più livelli Altri metodi di indicizzazione Al crescere della dimensione del file l organizzazione sequenziale a indice diventa inefficiente: in lettura a causa del crescere del

Dettagli

Progetto Febbraio 2013 - Appello 1: Diffusione di tweets sul grafo di Twitter

Progetto Febbraio 2013 - Appello 1: Diffusione di tweets sul grafo di Twitter UNIVERSITÀ DEGLI STUDI DI MILANO, DIPARTIMENTO DI INFORMATICA LAUREA TRIENNALE IN COMUNICAZIONE DIGITALE CORSO DI RETI DI CALCOLATORI ANNO ACCADEMICO 2011/2012 Progetto Febbraio 2013 - Appello 1: Diffusione

Dettagli

16.3.1 Alberi binari di ricerca

16.3.1 Alberi binari di ricerca 442 CAPITOLO 16. STRUTTURE DI DATI DINAMICHE root 7 5 11 2 8 13 10 Figura 16.11 Esempio di albero binario: ogni nodo contiene il dato da immagazzinare e tre puntatori che definiscono le sue relazioni di

Dettagli

Sommario. 1 Realizzazione del STG. Introduzione. 1 traduzione delle specifiche informali in specifiche formali (STG o

Sommario. 1 Realizzazione del STG. Introduzione. 1 traduzione delle specifiche informali in specifiche formali (STG o Sommario Sintesi di macchine a stati finiti 1 Realizzazione del ST M. avalli 2 utoma minimo di SM completamente specificate 6th June 2007 3 Ottimizzazione di SM non completamente specificate Sommario ()

Dettagli

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................

Dettagli

LA MAPPA CONCETTUALE Lezione n. 10

LA MAPPA CONCETTUALE Lezione n. 10 LA MAPPA CONCETTUALE Lezione n. 10 Finalità: Sistemattizzare i concetti probabilistici studiati. Realizzare la mappa concettuale. Metodo: Costruzione della mappa concettuale lavornado in gruppi. Discussione

Dettagli

Logica proposizionale

Logica proposizionale Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A7_2 V1.1 Logica proposizionale Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale

Dettagli

Minimo Albero Ricoprente

Minimo Albero Ricoprente Minimo lbero Ricoprente Pag. 1/20 Minimo lbero Ricoprente Il problema della definizione di un Minimo lbero Ricoprente trova applicazione pratica in diverse aree di studio, quali ad esempio la progettazione

Dettagli

Teoria dei Giochi. Teoria dei Giochi

Teoria dei Giochi. Teoria dei Giochi Teoria dei Giochi E uno strumento decisionale, utile per operare previsioni sul risultato quando un decisore deve operare in concorrenza con altri decisori. L ipotesi principale su cui si basa la TdG è

Dettagli

Gestione Operativa e Supporto

Gestione Operativa e Supporto Università di Bergamo Facoltà di Ingegneria GESTIONE DEI SISTEMI ICT Paolo Salvaneschi A6_1 V1.0 Gestione Operativa e Supporto Il contenuto del documento è liberamente utilizzabile dagli studenti, per

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

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

Ottimizzazione non Vincolata

Ottimizzazione non Vincolata Dipartimento di Informatica e Sitemistica Università di Roma Corso Dottorato Ingegneria dei Sistemi 15/02/2010, Roma Outline Ottimizzazione Non Vincolata Introduzione Ottimizzazione Non Vincolata Algoritmi

Dettagli

Intelligenza Artificiale. Lezione 6bis. Intelligenza Artificiale Daniele Nardi, 2004 Lezione 6bis 0

Intelligenza Artificiale. Lezione 6bis. Intelligenza Artificiale Daniele Nardi, 2004 Lezione 6bis 0 Intelligenza Artificiale Lezione 6bis Intelligenza Artificiale Daniele Nardi, 2004 Lezione 6bis 0 Sommario CSP RN 3.8, 4.3, 4.5 Giochi RN 5 Intelligenza Artificiale Daniele Nardi, 2004 Lezione 6bis 1 Problemi

Dettagli

Alberi auto-aggiustanti

Alberi auto-aggiustanti Alberi auto-aggiustanti Dispensa didattica per il corso di Algoritmi e Strutture Dati a.a. 2007/2008 ver. 1.3 Ing. Claudio Mazzariello, Prof. Carlo Sansone 27 Maggio 2008 A differenza di altre possibili

Dettagli

Indice dei contenuti

Indice dei contenuti Gesttiione Knowlledge Base Serrviiziio dii Conttactt Centterr 055055 Manualle dii consullttaziione Indice dei contenuti 1. Introduzione... 4 2. Modalità di accesso alle informazioni... 5 2.1. Accesso diretto

Dettagli

Politecnico di Milano Facoltà di Ingegneria dell Informazione AGENTI AUTONOMI E SISTEMI MULTIAGENTE Appello COGNOME E NOME

Politecnico di Milano Facoltà di Ingegneria dell Informazione AGENTI AUTONOMI E SISTEMI MULTIAGENTE Appello COGNOME E NOME Politecnico di Milano Facoltà di Ingegneria dell Informazione AGENTI AUTONOMI E SISTEMI MULTIAGENTE Appello COGNOME E NOME 5 luglio 2006 RIGA COLONNA MATRICOLA Il presente plico pinzato, composto di quattro

Dettagli

Sistemi Qualità e normativa

Sistemi Qualità e normativa Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi B2_1 V2.1 Sistemi Qualità e normativa Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio

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: 7-8 9 7 9-8 79

Dettagli

Capitolo 6. 6.1 TOTALI PARZIALI E COMPLESSIVI Aprire la cartella di lavoro Lezione2 e inserire la tabella n 2 nel Foglio1 che chiameremo Totali.

Capitolo 6. 6.1 TOTALI PARZIALI E COMPLESSIVI Aprire la cartella di lavoro Lezione2 e inserire la tabella n 2 nel Foglio1 che chiameremo Totali. Capitolo 6 GESTIONE DEI DATI 6.1 TOTALI PARZIALI E COMPLESSIVI Aprire la cartella di lavoro Lezione2 e inserire la tabella n 2 nel Foglio1 che chiameremo Totali. Figura 86. Tabella Totali Si vuole sapere

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo

Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo L. De Giovanni G. Zambelli 1 Problema del flusso a costo minimo Il problema del flusso a costo minimo é definito

Dettagli

Minimo sottografo ricoprente. Minimo sottografo ricoprente. Minimo albero ricoprente. Minimo albero ricoprente

Minimo sottografo ricoprente. Minimo sottografo ricoprente. Minimo albero ricoprente. Minimo albero ricoprente Minimo sottografo ricoprente Minimo sottografo ricoprente Dato un grafo connesso G = (V, E) con costi positivi sugli archi c e, un minimo sottografo ricoprente è un insieme di archi E E tale che: G = (V,

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

IGRP Interior Gateway Routing Protocol

IGRP Interior Gateway Routing Protocol IGRP Interior Gateway Routing Protocol Mario Baldi Politecnico di Torino mario.baldi[at]polito.it http://staff.polito.it/mario.baldi IGRP - 1 Nota di Copyright Questo insieme di trasparenze (detto nel

Dettagli

Ricerca Operativa A.A. 2007/2008

Ricerca Operativa A.A. 2007/2008 Ricerca Operativa A.A. 2007/2008 9. Cenni su euristiche e metaeuristiche per ottimizzazione combinatoria Motivazioni L applicazione di metodi esatti non è sempre possibile a causa della complessità del

Dettagli