Ricerca non informata
|
|
- Cipriano Donati
- 5 anni fa
- Visualizzazioni
Transcript
1 Ricerca non informata Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò 05/03/2018
2 Ricerca non informata Definizione del problema della ricerca Architettura necessaria Blind search techniques
3 Agente risolutore di problemi Agente basato su obbiettivi hanno una valutazione interna del fatto che l obbiettivo sia stato raggiunto Rappresentazione atomica dello stato Dobbiamo generare una sequenza di azioni atomiche per raggiungere un dato stato obbiettivo A priori dobbiamo dare: Formulazione obbiettivo: determinare la situazione corrente e quella in cui l obbiettivo è raggiunto Formulazione problema: decisione obbiettivo, azioni e stati da considerare
4 Esempio: raggiungere Bucarest partendo da Arad
5 Proprietà dell ambiente Completamente osservabile / parzialmente osservabile Agente singolo / multiagente Deterministico / stocastico Episodico / sequenziale Statico / dinamico / semidinamico Discreto / continuo Noto / ignoto
6 Formulazione problema Soluzione: elenco di azioni che specificano cosa compiere in quale stato (banale in questo caso, non in generale) Ricerca: analisi di sequenze di azioni per trovare una soluzione Esecuzione: attuazione della soluzione trovata precedentemente Formulazione del problema: Insieme degli stati Stato iniziale Azioni ammissibili (in ogni stato) Modello di transizione (grafo) Test obbiettivo Costo di passo Soluzione ottima: soluzione con costo di cammino minima
7 Esempio viaggio Formulazione del problema: Insieme degli stati: città raggiungibili Stato iniziale: Arad Azioni ammissibili (in ogni stato): determinate dai collegamenti Modello di transizione (grafo): deterministico, il nuovo stato corrisponde alla città di arrivo Test obbiettivo: positivo solo a Bucharest Costo di passo: distanza tra due città
8 Cercare soluzioni Formalizziamo il processo di ricerca con un albero di ricerca: Nodi stati nello spazio degli stati del problema Archi azioni Ad ogni passo verificheremo che il nodo raggiunto non sia un nodo obbiettivo In caso negativo dobbiamo espandere lo stato corrente per comprendere nuovi nodi stato I nuovi nodi saranno figli degli stati correntemente considerati
9 Iniziando da Arad Arad Frontiera Sibiu Timisoara Zerind Arad Fagaras Oradea Rimnicu Vilcea Attenzione: la sequenza Arad, Sibiu, Arad, Sibiu,... continua all infinito albero di profondità infinita Ricerca: scelta di quale degli stati della frontiera espandere ulteriormente
10 Evitare i cicli Il processo di espansione viene iterato fino a che non si raggiunge uno stato obbiettivo Affinchè il processo sia efficace dobbiamo definire una strategia di ricerca Con questa rappresentazione potremmo anche espandere lo stesso nodo più volte Mantenendo un insieme che contiene i nodi esplorati posso ovviare al problema (ricerca su grafo), dove la frontiera è quell insieme di nodi che divide i nodi esplorati da quelli inesplorari
11 Dall idea all implementazione Una volta capito che cosa dobbiamo fare per risolvere il problema dovremo operativamente scrivere un programma che lo risolva Decidere le strutture dati (per i nodi, la frontiera) Valutare se l algoritmo è valido per il problema affrontato Nel caso medio Nel caso pessimo In termini temporali In termini spaziali
12 Stuttura dati nodo Ogni nodo deve avere specificato: Lo stato corrispondente Un puntatore al nodo padre (che l ha generato) Un azione (applicata al padre per ottenere il nodo) Un costo di cammino (dallo stato iniziale al nodo corrente) Esempio: Fagaras - Fagaras - Sibiu - Vai a Fagaras = 239 Così trovata una soluzione possiamo trovare la sequenza di azioni per ragggiungerla
13 Rappresentazione della frontiera Nella frontiera devo poter: Controllare se è vuota (la ricerca finisce) Estrarre un elemento (FIFO, LIFO, priorità) Inserire un elemento La scelta di appropriate strutture dati può rendere la ricerca più o meno efficiente (e.g., tabella hash per controllare facilemente gli stati ripetuti) Fondamentale che si definisca una forma canonica dei dati che renda facile il controllo dell uguaglianza tra nodi
14 Valutazione dell algoritmo Per determinare se un algoritmo è valido per risolvere un problema dovremo verificare la sua: Completezza: garantisce di trovare una soluzione Ottimalità: la soluzione trovata è ottima (rispetto al costo di cammino) Complessità temporale: numero di passi utilizzati per arrivare alla soluzione Complessità spaziale: quantità di dati utilizzati durante l esecuzione La complessità solitamente è espressa in termini di dimensioni del grafo che spesso è infinito, quindi valutiamo: b branching factor d profondità (depth) m lunghezza massima dei cammini
15 Efficienza di un algoritmo di ricerca A seconda del problema possiamo considerare come misura di efficienza dell algoritmo di ricerca: Costo della ricerca: costo temporale per trovare una soluzione più potenzialmente un costo relativo alla memoria utilizzata Costo totale: costo temporale della ricerca e costo del cammino corrispondente alla soluzione trovata Non è detto che due algoritmi siano facilmente confrontabili (non esiste una conversione km e sec nel caso del viaggio)
16 Blind search Se non abbiamo informazioni sul problema dobbiamo utilizzare una delle tecniche di ricerca non informata Non ho altre informazioni riguardo i nodi se non quella data dalla definizione del problema Ricerca in ampiezza Ricerca a costo uniforme Ricerca in profondità Raffinamenti Più avanti vedremo anche algoritmi di ricerca informata (o euristica)
17 Ricerca in ampiezza (breadth first)
18 Ricerca in ampiezza (breadth first) Idea: non espando un nodo prima che quelli sul livello superiore dell albero siano già tutti stati espansi Implementabile facilmente con una lista FIFO sulla frontiera Il test obbiettivo è applicato quando il nodo viene generato e non quando viene espanso (risparmio un livello di espansione) Sto implicitamente cercando dei cammini il più corti possibili (in termine di azioni)
19 Analisi ricerca in ampiezza Completezza: se il branch factor è finito arrivo alla soluzione meno profonda (se esiste) Ottimalità: non necessariamente (sì se le azioni hanno tutte lo stesso costo) Complessità temporale: b + b 2 + b 3 = O(b d ) Complessità spaziale: O(b d 1 ) nodi esplorati, O(b d ) nodi inesplorati con b = 10, 1 ns per il controllo di un nodo, 1 kbyte per nodo Profondità Nodi Tempo Memoria ms 10.6 MB s 1 GB min 103 GB h 10 TB d 1 PB
20 Ricerca a costo uniforme
21 Ricerca a costo uniforme Se i costi sono tutti uguali la ricerca in ampiezza e a costo uniforme coincidono In questo caso il test obbiettivo viene attuato quando è selezionato per l espansione Infatti: se il nodo viene aggiunto più volte alla frontiera viene scelto il cammino a costo minimo
22 Analisi ricerca a costo uniforme Completezza: se il branch factor è finito e ogni passo ha costo almeno ε, arrivo alla soluzione Ottimalità: vado a selezionare la soluzione con costo di cammino minore (se ne esistesse un altro l avrei espanso prima) Definiamo C costo del cammino ottimo e ε costo minimo di cammino C 1+ Complessità temporale: O(b ε ) C 1+ Complessità spaziale: O(b ε ) Idea: esploro prima i nodi con costo piccolo e poi quelli con costo grande
23 Ricerca in profondità
24 Ricerca in profondità (su albero)
25 Ricerca in profondità Anche in questo caso possiamo implementare l algoritmo di ricerca come una coda LIFO L implementazione più diretta utilizza la ricorsione sui figli per generare la soluzione (a patto di mettere un controllo sulla profondità massima) Se utilizziamo una ricerca su grafo arriviamo ad espandere l intero spazio, con la ricerca su albero potrebbe rimanere in un loop
26 Analisi della ricerca in profondità Completezza: su grafo è completa, su albero no Ottimalità: non ottimale Definiamo m profondità massima di un cammino (potenzialmente molto più profonda di quella della soluzione ottima) Complessità temporale: O(b m ) Complessità spaziale: O bm Backtracking: espando un solo nodo alla volta invece che tutti e segno quali azioni ho già fatto Richiede una memoria di O m nodi
27 Ricerca a profondità limitata Nel caso in cui m sia infinito la ricerca in profondità fallisce Idea: limitare la profondità massima l Potremmo impostare una profondità troppo piccola e introdurre dell incompletezza nell algoritmo Se conosco il diametro del problema posso impostare quello come profondità massima Spesso non ho informazioni relative al diametro finchè non risolvo il problema
28 Ricerca ad approfondimento iterativo Idea: provo a trovare la soluzione con profondità massima l = 1, se non la trovo provo con l = 2, se non la trovo provo con l = 3, etc. Completezza: come la ricerca in ampiezza Ottimalità: trova la soluzione con profondità minima Complessità temporale: db + d 1 b b d = O(b d ) poichè passo sugli stessi nodi più volti Complessità spaziale: O bd come la ricerca in profondità
29 Ricerca bidirezionale Riduzione della ricerca in ampiezza a O(b d 2) Problema: richiede di conoscere esplicitamente lo stato obbiettivo
Espansione: si parte da uno stato e applicando gli operatori (o la funzione successore) si generano nuovi stati.
CERCARE SOLUZIONI Generare sequenze di azioni. Espansione: si parte da uno stato e applicando gli operatori (o la funzione successore) si generano nuovi stati. Strategia di ricerca: ad ogni passo scegliere
DettagliIntelligenza Artificiale. Risoluzione dei Problemi
Intelligenza Artificiale Risoluzione dei Problemi Strategie non-informate: principali 1. breadth-first; 2. depth-first; 3. depth-first a profondità limitata; 4. ad approfondimento iterativo. Ricerca in
DettagliAlgoritmi di Ricerca
Algoritmi di Ricerca Contenuto Algoritmi non informati Nessuna conoscenza sul problema in esame Algoritmi euristici Sfruttano conoscenze specifiche sul problema Giochi Quando la ricerca è ostacolata da
DettagliRicerca Cieca. Spazio di Ricerca. ! albero di ricerca. Russell & Norvig: Introduzione al Problem Solving. Introduzione al Problem Solving
Ricerca Cieca Russell & Norvig: 3.4 3.6 Spazio di Ricerca! albero di ricerca Concetti di Base Albero di ricerca Espansione nodi Strategia di ricerca: Per ogni nodo determina quale nodo espandere Nodi di
Dettagli1 SOLUZIONE DEI PROBLEMI TRAMITE GRAFI
1 SOLUZIONE DEI PROBLEMI TRAMITE GRAFI Questo capitolo tratta della possibilità di risolvere problemi analizzando le diverse possibilità prodotte dalla scelta dell agente. Abbiamo già visto come un agente
Dettagli2 Problemi di Ricerca
Esercizio 2.1 Formalizzare come problema di ricerca il problema delle 8 regine. Esercizio 2.2 Analizzare l algoritmo di ricerca a lunghezza iterativa. Tale algoritmo incrementa iterativamente il limite
DettagliAgenti 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
DettagliGenerare 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
DettagliAgenti Intelligenti. Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò
Agenti Intelligenti Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 26/02/2018 Agenti Intelligenti Definizione di agente Razionalità Specifica dell ambiente Design di un agente
DettagliRisoluzione automatica di problemi. Sistemi distribuiti LS Prof. Andrea Omicini A.A
Risoluzione automatica di problemi Sistemi distribuiti LS Prof. Andrea Omicini A.A. 2003-2004 Problemi del risolvere problemi Goal organizzare il comportamento del problema attorno al goal rappresentare
DettagliAgenti risolutori di problemi
Agenti risolutori di problemi Agenti risolutori di problemi Risolvere i problemi come ricerca Maria Simi a.a 2010/2011 Adottano il paradigma della risoluzione di problemi come ricerca in uno spazio di
DettagliIntelligenza Artificiale. Tecniche di ricerca basate sullo spazio degli stati
Intelligenza Artificiale Tecniche di ricerca basate sullo spazio degli stati Marco Piastra Ricerca e stati - 1 Problemi diversi, soluzioni simili Fox, Goat and Cabbage La definizione prevede Uno stato
DettagliRicerca con avversari
Ricerca con avversari Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 12/03/2018 Ricerca con avversari Definizione di gioco Giochi deterministici Giochi stocastici Giochi con parziale
DettagliProblem-solving agents
Problem-solving agents 1 Formulazione del problema :! lo stato iniziale;" Descrizione delle azioni possibili che sono disponibili da parte dell agente (operatori che trasformano uno stato in un altro o
DettagliConstraint Satisfaction Problems
Constraint Satisfaction Problems Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 19/03/2018 Constraint Satisfaction problem Fino ad ora ogni stato è stato modellizzato come una
DettagliIntelligenza Artificiale Compito - 12 Marzo 2007
Intelligenza Artificiale Compito - 1 Marzo 007 Nome e Cognome: Matricola: Nickname: ESERCIZIO N 1 Ricerca Informata A* 4 punti Stabilite se un euristica monotona permette ad A* di espandere sempre meno
DettagliAgenti risolutori di problemi. Risolvere i problemi mediante ricerca Maria Simi a.a 2014/2015
Agenti risolutori di problemi Risolvere i problemi mediante ricerca Maria Simi a.a 2014/2015 Agenti risolutori di problemi Adottano il paradigma della risoluzione di problemi come ricerca in uno spazio
DettagliIntelligenza Artificiale. Lezione 5. Sommario. Ricerca Best-first. Ricerca golosa. Russell & Norvig Capitolo 4, Paragrafi 1 2. Ricerca Best-first
Sommario Russell & Norvig Capitolo 4, Paragrafi 1 2 Intelligenza Artificiale Ricerca Best-first Ricerca A Euristiche Lezione 5 IDA* SMA* Intelligenza Artificiale Daniele Nardi, 2004 Lezione 5 0 Intelligenza
DettagliAgenti risolutori di problemi
Agenti risolutori di problemi Agenti risolutori di problemi Risolvere i problemi mediante ricerca Maria Simi a.a 2012/2013 Adottano il paradigma della risoluzione di problemi come ricerca in uno spazio
DettagliRicerca informata in uno spazio di stati
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A5_3 V2.5 Ricerca informata in uno spazio di stati Il contenuto del documento è liberamente utilizzabile dagli studenti,
DettagliIntelligenza Artificiale. Ricerca euristica Algoritmo A*
Intelligenza Artificiale Ricerca euristica Algoritmo A* Marco Piastra Metodi di ricerca - Ricerca non informata Ricerca nello spazio degli stati Definizione di un grafo come spazio degli stati I nodi rappresentano
DettagliAgenti Basati su Logica
Agenti Basati su Logica Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 09/04/2018 Agenti basati sulla logica Generico agente logico Il mondo del Wumpus Logica proposizionale Inferenza
DettagliIntelligenza Artificiale. Ricerca euristica L algoritmo A*
Intelligenza Artificiale Ricerca euristica L algoritmo A* Marco Piastra Ricerca euristica - Ricerca non informata Ricerca nello spazio degli stati Definizione di un grafo come spazio degli stati I nodi
DettagliCorso di Laurea in Scienze cognitive e Processi decisionali Intelligenza Artificiale e analisi dei dati. Alberi di decisione
Corso di Laurea in Scienze cognitive e Processi decisionali Intelligenza Artificiale e analisi dei dati Alberi di decisione Alberto Borghese Università degli Studi di Milano Laboratorio di Sistemi Intelligenti
DettagliAgenti risolutori di problemi
Agenti risolutori di problemi Risolvere i problemi mediante ricerca Alessio Micheli a.a. 2015/2016 Credits: Maria Simi Russell-Norvig Agenti risolutori di problemi Adottano il paradigma della risoluzione
DettagliTecnologie informatiche multimediali
Università degli Studi di Ferrara Facoltà di Lettere e Filosofia Corso di Laurea in «Scienze e ecnologie della Comunicazione» aa 2011-2012 ecnologie informatiche multimediali Prof. Giorgio Poletti giorgio.poletti@unife.it
Dettagli3 Ricerca per Giochi e CSP
Esercizio 3.1 Dire quale tecnica usereste per risolvere i seguenti giochi: 1. Backgammon 2. Scarabeo 3. Scacchi 4. Go 5. Monpoli 6. Poker Motivate le risposte con adeguate ragioni basate sulle caratteristiche
DettagliQuinto appello 27/6/ = 4. B b B = 2 b N = 4
Quinto appello // RICERCA OPERATIVA (a.a. /) Nome: Cognome: Matricola: ) Si risolva il problema di PL dato applicando l algoritmo del Simplesso Duale, per via algebrica, a partire dalla base B {, }. Per
DettagliTECNOLOGIE INFORMATICHE MULTIMEDIALI
TECNOLOGIE INFORMATICHE MULTIMEDIALI ««Gli errori sono necessari, utili come il pane e spesso anche belli: per esempio, la torre di Pisa.» (Gianni Rodari, Il libro degli errori) Prof. Giorgio Poletti giorgio.poletti@unife.it
DettagliIntelligenza Artificiale
Intelligenza Artificiale 17 Marzo 2005 Nome e Cognome: Matricola: ESERCIZIO N 1 Ricerca Cieca 5 punti 1.A) Elencare in modo ordinato i nodi (dell'albero sotto) che vengono scelti per l'espansione dalle
DettagliMETODI DELLA RICERCA OPERATIVA
Università degli Studi di Cagliari FACOLTA' DI INGEGNERIA CORSO DI METODI DELLA RICERCA OPERATIVA Dott.ing. Massimo Di Francesco (mdifrance@unica.it) i i Dott.ing. Maria Ilaria Lunesu (ilaria.lunesu@unica.it)
DettagliRicerca in uno spazio di stati (SEARCH)
Ricerca in uno spazio di stati (SEARCH) DEFINIZIONE E CLASSIFICAZIONE DEI PROBLEMI ALGORITMI DI RICERCA Algoritmi ciechi Algoritmi euristici Algoritmi A*, IDA* Riferimenti : Stuart J. Russell, Peter Norvig
Dettagli3.4 Metodo di Branch and Bound
3.4 Metodo di Branch and Bound Consideriamo un generico problema di Ottimizzazione Discreta dove X è la regione ammissibile. (P ) z = max{c(x) : x X} Metodologia generale di enumerazione implicita (Land
Dettagli5.1 Metodo Branch and Bound
5. Metodo Branch and Bound Consideriamo un generico problema di ottimizzazione min{ c(x) : x X } Idea: Ricondurre la risoluzione di un problema difficile a quella di sottoproblemi più semplici effettuando
DettagliIl metodo dei Piani di Taglio (Cutting Planes Method)
Il metodo dei Piani di Taglio (Cutting Planes Method) E un metodo di soluzione dei problemi (IP) di tipo generale. L idea di base: Se la soluzione di (RL) non è intera allora la soluzione ottima intera
DettagliVisite in Grafi BFS e DFS
Visite in Grafi BFS e DFS Visita di un Grafo Obiettivo: Visitare una sola volta tutti i nodi del grafo. Es.: visitare un porzione del grafo del Web Difficoltà: Presenza di cicli: Marcare i nodi visitati
DettagliRICERCA OPERATIVA (a.a. 2017/18) Nome: Cognome: Matricola:
Sesto appello 7/7/8 RICERCA OPERATIVA (a.a. 7/8) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL applicando l algoritmo del Simplesso Duale, per via algebrica, a partire dalla base B
DettagliIntelligenza Artificiale. Lezione 3. Intelligenza Artificiale Daniele Nardi, 2004/05 Lezione 3 0
Intelligenza Artificiale ezione 3 Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 0 isoluzione automatica di problemi Prolem solving sommario(ussell&norvig Cap. 3) Agenti risolutori di problemi
DettagliParte III: Algoritmo di Branch-and-Bound
Parte III: Algoritmo di Branch-and-Bound Sia Divide et Impera z* = max {c T x : x S} (1) un problema di ottimizzazione combinatoria difficile da risolvere. Domanda: E possibile decomporre il problema (1)
DettagliAlgoritmo di Branch & Bound
Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Algoritmo di Branch & Bound Docente: Renato Bruni bruni@dis.uniroma.it Corso di: Ottimizzazione Combinatoria
DettagliOttimizzazione Combinatoria e Reti (a.a. 2007/08)
o Appello 6/07/008 Ottimizzazione Combinatoria e Reti (a.a. 007/08) Nome Cognome: Matricola: ) Dopo avere finalmente superato l esame di Ricerca Operativa, Tommaso è pronto per partire in vacanza. Tommaso
DettagliRisoluzione automatica di problemi Prolem solving Architetture di agente Progetto di agenti basati su obiettivi basati su riflessi semplici
isoluzione automatica di problemi Prolem solving Intelligenza Artificiale sommario(ussell&norvig Cap. 3) Agenti risolutori di problemi ezione 3 Tipi di problemi Formulazione del problema Esempi di problemi
DettagliPLANNING LINEARE FORWARD. Esercizio in Prolog
PLANNING LINEARE FORWARD Esercizio in Prolog 1 Prendiamo l esempio noto come anomalia di Sussman: Stato iniziale: Planning lineare in Prolog c" b a " Stato finale: a " b" c " 2 Stato Per rappresentare
DettagliFigura 1: 1) Si scriva la formulazione del problema come problema di PLI (con un numero minimo di vincoli) e la matrice dei vincoli.
ESERCIZIO 1 Sia dato il grafo orientato in Figura 1. Si consideri il problema di flusso a 1 2 4 Figura 1: costo minimo su tale grafo con b 1 = 4 b 2 = 2 b = b 4 = e c 12 = 2 c 1 = 4 c 14 = 1 c 2 = 1 c
Dettagli5.1 Metodo Branch and Bound
5. Metodo Branch and Bound Si consideri il problema min{ c(x) : x X } Idea: Ricondurre la risoluzione di un problema difficile a quella di sottoproblemi più semplici effettuando una partizione (ricorsiva)
DettagliIntroduzione all Intelligenza Artificiale a.a. 2016/17
Introduzione all Intelligenza Artificiale a.a. 2016/17 Prima prova intermedia 7 Aprile 2017 PRIMA PARTE Domande (punti 7) La risposta corretta alla maggior parte delle domande abilita la correzione della
DettagliRicerca euristica. Funzioni di valutazione euristica. Esempi di euristica. Strategia best-first: esempio. Algoritmo di ricerca Best-First 3/17/11
Ricerca euristica Ricerca euristica Maria Simi a.a. 2010/2011 La ricerca esaustiva non è praticabile in problemi di complessità esponenziale Noi usiamo conoscenza del problema ed esperienza per riconoscere
DettagliProgrammazione a numeri interi: il metodo del Branch and Bound
Programmazione a numeri interi: il metodo del Branch and Bound L. De Giovanni G. Zambelli Un problema di programmazione lineare intera è una problema della forma z I = maxc T x Ax b x 0 x i Z, i I. (1)
DettagliAlgoritmo dibranch & Bound
Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Algoritmo dibranch & Bound Docente: Renato Bruni bruni@dis.uniroma.it Corso di: Ottimizzazione Combinatoria
DettagliAgenti basati su Ricerca: Introduzione
Agenti basati su Ricerca: Introduzione Intelligenza Artificiale Prof. Alfonso E. Gerevini Dipartimento Ingegneria dell Informazione Università degli Studi di Brescia Un Agente Risolutore di Problemi Segue
DettagliRICERCA OPERATIVA (a.a. 2016/17) Nome: Cognome: Matricola:
Secondo appello //0 RICERCA OPERATIVA (a.a. 0/) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL max x x x x x + x x x per via algebrica, mediante l algoritmo del Simplesso Primale a partire
DettagliCorso di Intelligenza Artificiale
Nome e Cognome: Matricola: Corso di Intelligenza Artificiale Anno Accademico 2010/2011 Compitino del 14 Febbraio 2011 Istruzioni Scrivere la risposta nello spazio bianco al di sotto della domanda; Non
DettagliProgrammazione Lineare Intera (ILP)
Programmazione Lineare Intera (ILP) (P) min (x), x F Z : R n ->R è lineare: (x) = c, x = c 1 x 1 + c 2 x 2 +... + c n x n F R n è definito da : g i (x) 0 (i = 1,...,m), con g i : R n R lineare i Z insieme
DettagliIntelligenza Artificiale Compito - 12 Marzo 2007
Intelligenza Artificiale Compito - 1 Marzo 007 Nome e Cognome: Matricola: Nickname: ESERCIZIO N 1 Ricerca Informata A* 4 punti Stabilite se un euristica monotona permette ad A* di espandere sempre meno
DettagliRICERCA OPERATIVA (a.a. 2017/18) Nome: Cognome: Matricola:
Primo appello 9//8 RICERCA OPERATIVA (a.a. 7/8) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL max x + x x + x x x x x applicando l algoritmo del Simplesso Primale, per via algebrica,
DettagliSommario. Tecniche di Decomposizione dei Problemi. Algoritmi: Costruzione. Tipi di problemi
Sommario Tecniche di Decomposizione dei Problemi Costruzione di algoritmi Approccio alla soluzione di problemi complessi Sequenza; Selezione; Iterazione; Ricorsione Tecniche di Decomposizione dei Problemi
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Studi in Ingegneria Informatica Ricerca Operativa 1 Seconda prova intermedia 20 giugno 2014
A Ricerca Operativa 1 Seconda prova intermedia Un tifoso di calcio in partenza da Roma vuole raggiungere Rio De Janeiro per la finale del mondiale spendendo il meno possibile. Sono date le seguenti disponibilità
DettagliIntelligenza Artificiale. Problem Solving -Agenti risolutori di problemi
Intelligenza Artificiale Problem Solving -Agenti risolutori di problemi Ragionare per cercare soluzioni Un problema viene risolto ricercandone la soluzione in un ampio spazio di possibili soluzioni. La
DettagliINSTRADAMENTO: ALGORITMO DI BELLMAN-FORD
UNIVERSITA' DEGLI STUDI DI BERGAMO Dipartimento di Ingegneria INSTRADAMENTO: ALGORITMO DI BELLMAN-FORD FONDAMENTI DI RETI E TELECOMUNICAZIONE A.A. 2012/13 - II Semestre Esercizio 1 Sia dato il grafo G=
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Studi in Ingegneria Informatica Ricerca Operativa 1 Seconda prova intermedia 17 giugno 2013
A UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Studi in Ingegneria Informatica Ricerca Operativa Seconda prova intermedia 7 giugno 0 Nome: Cognome: Matricola: Orale /06/0 ore aula N Orale 0/07/0 ore aula N
DettagliFONDAMENTI DI INTELLIGENZA ARTIFICIALE 16 Giugno 2016 Tempo a disposizione: 2 h Risultato: 32/32 punti
FONDAMENTI DI INTELLIGENZA ARTIFICIALE 16 Giugno 2016 Tempo a disposizione: 2 h Risultato: 32/32 punti Esercizio 1 (6 punti) Si modellino le seguenti frasi (si noti che il dominio contiene solo entità
DettagliPROBLEMA DEI CAMMINI MINIMI [CORMEN ET AL. CAP. 24] Il costo di cammino minimo da un vertice u ad un vertice v è definito nel seguente modo:
PROBLEMA DEI CAMMINI MINIMI [CORMEN ET AL. CAP. 24] Sia G = (V,E) un grafo orientato ai cui archi è associato un costo W(u,v). Il costo di un cammino p = (v 1,v 2,...,v k ) è la somma dei costi degli archi
DettagliCorso di Programmazione Problem Solving. Tipi di Problemi. Problemi Complessi Soluzione. Dott. Pasquale Lops. Primitivi. Complessi
Materiale didattico preparato dal dott. Stefano Ferilli Corso di Programmazione Problem Solving Dott. Pasquale Lops lops@di.uniba.it Corso di Programmazione - DIB 1/30 Tipi di Problemi Primitivi Risolubili
DettagliRICERCA OPERATIVA (a.a. 2017/18) Nome: Cognome: Matricola:
Terzo appello //8 RICERCA OPERATIVA (a.a. 7/8) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL max x x x x x x x x x applicando l algoritmo del Simplesso Primale, per via algebrica, a
DettagliAlgoritmi e Strutture Dati. Capitolo 3 Strutture dati elementari
Algoritmi e Strutture Dati Capitolo 3 Strutture dati elementari Gestione di collezioni di oggetti Tipo di dato: Specifica una collezione di oggetti e delle operazioni di interesse su tale collezione (es.
DettagliSoluzioni della settima esercitazione di Algoritmi 1
Soluzioni della settima esercitazione di Algoritmi 1 Beniamino Accattoli 19 dicembre 2007 1 Grafi Un grafo è non orientato se descrivendo un arco come una coppia di vertici (i,j) l ordine è ininfluente
DettagliRICERCA OPERATIVA (a.a. 2015/16) Nome: Cognome: Matricola:
o Appello 8// RICERCA OPERATIVA (a.a. /) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL max x x x x x x + x x per via algebrica, mediante l algoritmo del Simplesso Primale a partire
Dettagli12.1 IL PROBLEMA DEL CAMMINO MINIMO: L ALGORITMO DI DIJKSTRA
Problemi strutturati. IL PROBLEMA DEL CAMMINO MINIMO: L ALGORITMO DI DIJKSTRA Esercizio.. Dato il grafo di Figura.., trovare il peso dei cammini minimi dal nodo a tutti gli altri nodi del grafo (il peso
DettagliAgenti basati su Ricerca: Introduzione
Agenti basati su Ricerca: Introduzione Intelligenza Artificiale Prof. Alfonso E. Gerevini Dipartimento Ingegneria dell Informazione Università degli Studi di Brescia 1 Un Agente Risolutore di Problemi
DettagliCorso di Logistica dei Trasporti e della Distribuzione
Corso di Logistica dei Trasporti e della Distribuzione Cenni d'intelligenza Artificiale Modulo II Lezione 3 Data 19/06/2013 Cosa vedremo? 1. Introduzione 1. I sistemi di trasporto intelligenti 2. Comportamento
DettagliParte III: Algoritmo di Branch-and-Bound
Parte III: Algoritmo di Branch-and-Bound Divide et Impera Sia z * max {c T x : x S} (1) un problema di ottimizzazione combinatoria difficile da risolvere. Domanda: E possibile decomporre il problema (1)
DettagliEsercizi Capitolo 11 - Strutture di dati e progettazione di algoritmi
Esercizi Capitolo 11 - Strutture di dati e progettazione di algoritmi Alberto Montresor 19 Agosto, 2014 Alcuni degli esercizi che seguono sono associati alle rispettive soluzioni. Se il vostro lettore
DettagliEsercizi d'esame su strategie di ricerca, CSP e Giochi. Compiti d'esame 2017 e 2018
Esercizi d'esame su strategie di ricerca, CSP e Giochi Compiti d'esame 2017 e 2018 1 Giugno 2018 Strategia a costo uniforme Si consideri il seguente grafo in cui gli archi sono annotati col costo e si
DettagliLaboratorio di Algoritmi
Laboratorio di Algoritmi Corso di Laurea in Matematica Roberto Cordone DI - Università degli Studi di Milano Lezioni: Martedì 8.30-10.30 in aula 3 Mercoledì 10.30-12.30 in Aula 2 Giovedì 8.30-10.30 in
DettagliIl Branch & Bound. Definizione 1. Sia S R n. La famiglia S = {S 1, S 2,..., S k S} tale che S 1 S 2 S k = S viene detta suddivisione di S.
Il Branch & Bound Il metodo Branch & Bound è una tecnica che permette di risolvere all ottimo un generico problema di Programmazione Lineare Intera. Tale metodo si basa su due concetti cardine: quello
DettagliEsercitazione 7. Grafi. Rappresentazione e algoritmi di visita
Esercitazione 7 Grafi Rappresentazione e algoritmi di visita Grafo G = (V,E) non orientato 1 1 G = (V,E) orientato 6 Rappresentazione Grafo G = (V,E) metodi standard per la rappresentazione Liste di adiacenza
DettagliRICERCA OPERATIVA (a.a. 2014/15) Nome: Cognome: Matricola:
o Appello // RICERCA OPERATIVA (a.a. /) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL max x x x + x x x x x x applicando l algoritmo del Simplesso Primale per via algebrica a partire
DettagliTecniche euristiche Ricerca Locale
Tecniche euristiche Ricerca Locale PRTLC - Ricerca Locale Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali Come ricavare una stima dell ottimo: rilassamenti Rilassamento
DettagliPossibile applicazione
p. 1/4 Assegnamento Siano dati due insiemi A e B entrambi di cardinalità n. Ad ogni coppia (a i,b j ) A B è associato un valore d ij 0 che misura la "incompatibilità" tra a i e b j, anche interpretabile
DettagliTecniche euristiche greedy
Tecniche euristiche greedy PRTLC - Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali
DettagliRICERCA OPERATIVA. Stock bamboline automobiline libri peluches costo (euro)
RICERCA OPERATIVA Tema d esame del 15/12/2008 (5 crediti) COGNOME: NOME: MATRICOLA: 1. Babbo Natale deve organizzare gli acquisti per le prossime festività. Sono arrivate richieste di 15000 bamboline,
DettagliRICERCA OPERATIVA (a.a. 2011/12) Nome: Cognome: Matricola:
5 o Appello 8/0/0 RICERCA OPERATIVA (a.a. 0/) Nome: Cognome: Matricola: ) Si individui un albero dei cammini minimi di radice sul grafo in figura, utilizzando l algoritmo più appropriato dal punto di vista
DettagliRICERCA OPERATIVA (a.a. 2016/17) Nome: Cognome: Matricola:
Primo appello //7 RICERCA OPERATIVA (a.a. 6/7) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL applicando l algoritmo del Simplesso Duale, per via algebrica, a partire dalla base B {,
DettagliGrafi non orientati. Grafi (non orientati) Rappresentazione di Grafi: matrice delle adiacenze. Tipiche applicazioni di modelli basati su grafi
Grafi non orientati Grafi (non orientati) Notazione. G = (V, E) V = nodi (o vertici). E = archi (o lati) tra coppie di nodi. Modella relazioni definite tra coppie di oggetti. aglia di un grafo: numero
Dettaglimax e tagli alfa-beta Una funzione euristica h(n) è detta ammissibile se non sbaglia mai per eccesso la stima del costo per arrivare all obbiettivo
Strategie di ricerca Esercizi Martedì Maggio 005 Scopo:. Esercizi sulle strategie di ricerca. Esercizi sui giochi, alberi min-max max e tagli alfa-beta Errata corrige precedente esercitazione Una funzione
DettagliGrafi: definizioni e visite
Grafi: definizioni e visite Grafi (non orientati) Grafo (non orientato): G = (V, E) V = nodi (o vertici) E = archi fra coppie di nodi distinti. Modella relazioni fra coppie di oggetti. Parametri della
DettagliAlgoritmi e Strutture Dati. Capitolo 3 Strutture dati elementari
lgoritmi e Strutture Dati Capitolo 3 Strutture dati elementari Gestione di collezioni di oggetti Tipo di dato: Specifica una collezione di oggetti e delle operazioni di interesse su tale collezione (es.
DettagliMassimo flusso e matching
Capitolo Massimo flusso e matching. Problema del massimo matching. Nel problema del massimo matching è dato un grafo non orientato G(V, A); un matching in G è un insieme di archi M A tale che nessuna coppia
DettagliAlgoritmi e Strutture Dati
Algoritmi e Strutture Dati Grafi e visite di grafi Domenico Fabio Savo 1 Grafo: definizione Un grafo G=(V,E) consiste in: - un insieme V di vertici (o nodi) - un insieme E di coppie di vertici, detti archi
Dettagli2 OTTIMIZZAZIONE SU GRAFI. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
2 OTTIMIZZAZIONE SU GRAFI E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Molti problemi decisionali possono essere formulati utilizzando il linguaggio della teoria dei grafi. Esempi: - problemi di
DettagliCOMPITO DI RICERCA OPERATIVA APPELLO DEL 07/04/04
COMPITO DI RICERCA OPERATIVA APPELLO DEL 07/04/04 Esercizio 1 1)Dato il seguente problema di PL: max 2x 1 x 2 x 1 + x 2 2 x 1 + 2x 2 7 x 1 + x 2 1 x 1, x 2 0 trasformarlo in forma standard (2 punti) 2)
DettagliDefinizione FONDAMENTI DI INFORMATICA. Esempio di algoritmo: determinare il maggiore di due numeri interi x, y. Proprietà degli algoritmi
Università degli Studi di Cagliari Corsi di Laurea in Ingegneria Chimica e Ingegneria Meccanica FONDAMENTI DI INFORMATICA http://www.diee.unica.it/~marcialis/fi A.A. 201/2017 Docente: Gian Luca Marcialis
DettagliUNIVERSITÀ DEGLI STUDI DI PAVIA FACOLTÀ DI INGEGNERIA. Algoritmi
UNIVERSITÀ DEGLI STUDI DI PAVIA FACOLTÀ DI INGEGNERIA Algoritmi Algoritmi classici Alcuni problemi si presentano con elevata frequenza e sono stati ampiamente studiati Ricerca di un elemento in un vettore
DettagliFONDAMENTI DI INTELLIGENZA ARTIFICIALE 11 Gennaio 2018 Tempo a disposizione: 2 h Risultato: 32/32 punti
FONDAMENTI DI INTELLIGENZA ARTIFICIALE 11 Gennaio 2018 Tempo a disposizione: 2 h Risultato: 32/32 punti Esercizio 1 (6 punti) Si formalizzino le seguenti frasi in logica dei predicati: 1. Chi conosce la
DettagliFONDAMENTI DI INFORMATICA
Università degli Studi di Cagliari Corsi di Laurea in Ingegneria Chimica e Ingegneria Meccanica FONDAMENTI DI INFORMATICA http://people.unica.it/gianlucamarcialis A.A. 2018/2019 Docente: Gian Luca Marcialis
DettagliCammini minimi fra tutte le coppie
Capitolo 12 Cammini minimi fra tutte le coppie Consideriamo il problema dei cammini minimi fra tutte le coppie in un grafo G = (V, E, w) orientato, pesato, dove possono essere presenti archi (ma non cicli)
DettagliVisite in Grafi BFS e DFS. PDF created with FinePrint pdffactory trial version
Visite in Grafi BFS e DFS Visita di un Grafo 8Obiettivo: 4Visitare una sola volta tutti i nodi del grafo. 4Es.: visitare un porzione del grafo del Web 8Difficoltà : 4Presenza di cicli: Marcare i nodi visitati
Dettagli