Ricerca non informata in uno spazio di stati
|
|
|
- Gianfranco Mura
- 10 anni fa
- Visualizzazioni
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 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
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
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
Il Metodo Branch and Bound
Il Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa [email protected] http://www.di.unipi.it/~galli 4 Novembre 2014 Ricerca Operativa 2 Laurea Magistrale in Ingegneria Gestionale
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,
(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
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
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
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
B+Trees. Introduzione
B+Trees Introduzione B+Trees Il B+Trees e la variante maggiormente utilizzata dei BTrees BTrees e B+trees fanno parte della famiglia degli alberi di ricerca. Nel B+Trees i dati sono memorizzati solo nelle
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
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
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
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
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
4. SERIE NUMERICHE FIGURALI
4. SERIE NUMERICHE FIGURALI Le serie numeriche figurali consistono in: - una successione di numeri collocati all interno di alcune figure, OPPURE - una serie di figure a cui è possibile associare un valore
A intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini.
Algoritmi di routing dinamici (pag.89) UdA2_L5 Nelle moderne reti si usano algoritmi dinamici, che si adattano automaticamente ai cambiamenti della rete. Questi algoritmi non sono eseguiti solo all'avvio
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
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
Lezione 8. La macchina universale
Lezione 8 Algoritmi La macchina universale Un elaboratore o computer è una macchina digitale, elettronica, automatica capace di effettuare trasformazioni o elaborazioni su i dati digitale= l informazione
Le Macchine di Turing
Le Macchine di Turing Come è fatta una MdT? Una MdT è definita da: un nastro una testina uno stato interno un programma uno stato iniziale Il nastro Il nastro è infinito suddiviso in celle In una cella
Sommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi.
Algoritmi 1 Sommario Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. 2 Informatica Nome Informatica=informazione+automatica. Definizione Scienza che si occupa dell
DI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1
DIAGRAMMI A BLOCCHI TEORIA ED ESERCIZI 1 1 Il linguaggio dei diagrammi a blocchi è un possibile formalismo per la descrizione di algoritmi Il diagramma a blocchi, o flowchart, è una rappresentazione grafica
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
Teoria dei Giochi. Anna Torre
Teoria dei Giochi Anna Torre Almo Collegio Borromeo 9 marzo 2010 email: [email protected] sito web del corso:www-dimat.unipv.it/atorre/borromeo2010.html TEOREMI DI ESISTENZA TEOREMI DI ESISTENZA Teorema
Automazione Industriale (scheduling+mms) scheduling+mms. [email protected]
Automazione Industriale (scheduling+mms) scheduling+mms [email protected] Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
Sequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione
Sequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione presentato in questo file trova la seq. a costo minimo per
f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
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
Esempi di algoritmi. Lezione III
Esempi di algoritmi Lezione III Scopo della lezione Implementare da zero algoritmi di media complessità. Verificare la correttezza di un algoritmo eseguendolo a mano. Imparare a valutare le prestazioni
regola(1,[e,f],b) regola(2,[m,f],e) regola(3,[m],f) regola(4,[b,f],g) regola(5,[b,g],c) regola(6,[g,q],a)
![regola(1,[e,f],b) regola(2,[m,f],e) regola(3,[m],f) regola(4,[b,f],g) regola(5,[b,g],c) regola(6,[g,q],a)](/thumbs/32/15545837.jpg "regola(1,[e,f],b) regola(2,[m,f],e) regola(3,[m],f) regola(4,[b,f],g) regola(5,[b,g],c) regola(6,[g,q],a)")
ESERCIZIO1 PREMESSA Per risolvere problemi spesso esistono delle regole che, dai dati del problema, permettono di calcolare o dedurre la soluzione. Questa situazione si può descrivere col termine regola(,
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. [email protected] 22 gennaio 2013 1 Introduzione
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:
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
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
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
11/02/2015 MANUALE DI INSTALLAZIONE DELL APPLICAZIONE DESKTOP TELEMATICO VERSIONE 1.0
11/02/2015 MANUALE DI INSTALLAZIONE DELL APPLICAZIONE DESKTOP TELEMATICO VERSIONE 1.0 PAG. 2 DI 38 INDICE 1. PREMESSA 3 2. SCARICO DEL SOFTWARE 4 2.1 AMBIENTE WINDOWS 5 2.2 AMBIENTE MACINTOSH 6 2.3 AMBIENTE
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
LA TRASMISSIONE DELLE INFORMAZIONI QUARTA PARTE 1
LA TRASMISSIONE DELLE INFORMAZIONI QUARTA PARTE 1 I CODICI 1 IL CODICE BCD 1 Somma in BCD 2 Sottrazione BCD 5 IL CODICE ECCESSO 3 20 La trasmissione delle informazioni Quarta Parte I codici Il codice BCD
2 FUNZIONI REALI DI VARIABILE REALE
2 FUNZIONI REALI DI VARIABILE REALE 2.1 CONCETTO DI FUNZIONE Definizione 2.1 Siano A e B due insiemi. Una funzione (o applicazione) f con dominio A a valori in B è una legge che associa ad ogni elemento
Aprire WEKA Explorer Caricare il file circletrain.arff Selezionare random split al 66% come modalità di test Selezionare J48 come classificatore e
Alberi di decisione Aprire WEKA Explorer Caricare il file circletrain.arff Selezionare random split al 66% come modalità di test Selezionare J48 come classificatore e lanciarlo con i parametri di default.
Problemi di localizzazione impianti
Problemi di localizzazione impianti Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa [email protected] http://www.di.unipi.it/~galli 2 Dicembre 2014 Ricerca Operativa 2 Laurea
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
E possibile modificare la lingua dei testi dell interfaccia utente, se in inglese o in italiano, dal menu [Tools
Una breve introduzione operativa a STGraph Luca Mari, versione 5.3.11 STGraph è un sistema software per creare, modificare ed eseguire modelli di sistemi dinamici descritti secondo l approccio agli stati
Corso di Informatica
Corso di Informatica Modulo T Scorrimento-Rotazione-Ricerca Prerequisiti Programmazione elementare Conoscenza ed uso di vettori Introduzione Lo scopo di questa Unità è approfondire il concetto di vettore
Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale
Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale di Francesco Maria Milizia [email protected] Model Checking vuol dire cercare di stabilire se una formula è vera
Capitolo 25: Lo scambio nel mercato delle assicurazioni
Capitolo 25: Lo scambio nel mercato delle assicurazioni 25.1: Introduzione In questo capitolo la teoria economica discussa nei capitoli 23 e 24 viene applicata all analisi dello scambio del rischio nel
risulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
Sistema di numerazione binario, operazioni relative e trasformazione da base due a base dieci e viceversa di Luciano Porta
Sistema di numerazione binario, operazioni relative e trasformazione da base due a base dieci e viceversa di Luciano Porta Anche se spesso si afferma che il sistema binario, o in base 2, fu inventato in
Ottimizazione vincolata
Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l
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
B-Tree. Struttura dati usata in applicazioni che necessitano di gestire insiemi di chiavi ordinate Una variante (B+-Tree) è diffusa in:
B-Tree Prof. Rudolf Bayer Struttura dati usata in applicazioni che necessitano di gestire insiemi di chiavi ordinate Una variante (B+-Tree) è diffusa in: Filesystem: btrfs, NTFS, ReiserFS, NSS, XFS, JFS
Capitolo V. I mercati dei beni e i mercati finanziari: il modello IS-LM
Capitolo V. I mercati dei beni e i mercati finanziari: il modello IS-LM 2 OBIETTIVO: Il modello IS-LM Fornire uno schema concettuale per analizzare la determinazione congiunta della produzione e del tasso
GESTIONE INFORMATICA DEI DATI AZIENDALI
GESTIONE INFORMATICA DEI DATI AZIENDALI Alberto ZANONI Centro Vito Volterra Università Tor Vergata Via Columbia 2, 00133 Roma, Italy [email protected] Rudimenti di programmazione Programming
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
STUDIUM.UniCT Tutorial per gli studenti
STUDIUM.UniCT Tutorial per gli studenti Studium.UniCT Tutorial Studenti v. 6 06/03/2014 Pagina 1 Sommario 1. COS È STUDIUM.UniCT... 3 2. COME ACCEDERE A STUDIUM.UniCT... 3 3. COME PERSONALIZZARE IL PROFILO...
ISTITUTO COMPRENSIVO DI CANEVA DIPARTIMENTO AREA MATEMATICA-SCIENZE-TECNOLOGIA Scuola Primaria di SARONE. Il Supermercato a scuola
ISTITUTO COMPRENSIVO DI CANEVA DIPARTIMENTO AREA MATEMATICA-SCIENZE-TECNOLOGIA Scuola Primaria di SARONE Il Supermercato a scuola C osa? C ome? Q uando? P erché? Abbiamo scelto di creare a scuola un angolo
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
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
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
Workland CRM. Workland CRM Rel 2570 21/11/2013. Attività --> FIX. Magazzino --> NEW. Nessuna --> FIX. Ordini --> FIX
Attività Attività --> FIX In alcuni casi, in precedenza, sulla finestra trova attività non funzionava bene la gestione dei limiti tra date impostati tramite il menu a discesa (Oggi, Tutte, Ultima Settimana,
Algoritmi e Strutture Dati
Elementi di Programmazione Dinamica Maria Rita Di Berardini, Emanuela Merelli 1 1 Dipartimento di Matematica e Informatica Università di Camerino Il problema La CMC produce automobili in uno stabilimento
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
Matematica e giochi di gruppo
Matematica e giochi di gruppo Possiamo riempire di contenuti matematici situazioni di piccola sfida personale, situazioni di giochi di società. Di seguito proponiamo attività che affrontano i seguenti
Manuale d'uso. Manuale d'uso... 1. Primo utilizzo... 2. Generale... 2. Gestione conti... 3. Indici di fatturazione... 3. Aliquote...
Manuale d'uso Sommario Manuale d'uso... 1 Primo utilizzo... 2 Generale... 2 Gestione conti... 3 Indici di fatturazione... 3 Aliquote... 4 Categorie di prodotti... 5 Prodotti... 5 Clienti... 6 Fornitori...
PABI NOTE OPERATIVE ERRORI FORMALI
Pag. 1 di 14 INDICE INTRODUZIONE... 2 COME SI ACCEDE ALL ELENCO DEGLI ERRORI FORMALI E RELATIVA CORREZIONE... 3 COME CORREGGERE ERRORE FORMALE E STATO SUPERATO IL LIMITE DI 60 GIORNI... 14 QUANDO ESEGUIRE
Esercizi Capitolo 6 - Alberi binari di ricerca
Esercizi Capitolo 6 - Alberi binari di ricerca Alberto Montresor 23 settembre 200 Alcuni degli esercizi che seguono sono associati alle rispettive soluzioni. Se il vostro lettore PDF lo consente, è possibile
Dove metti il divano?
Dove metti il divano? Indicazioni per l insegnante Obiettivi didattici le preposizioni a, da e di + articolo le espressioni di luogo Svolgimento Obiettivo dell attività-gioco proposta è quello di far utilizzare
Concetti di soluzione in giochi dinamici a informazione perfetta in strategie pure (LEZIONE 4)
Economia Industriale (teoria dei giochi) Concetti di soluzione in giochi dinamici a informazione perfetta in strategie pure (LEZIONE 4) Valerio Sterzi Università di Bergamo Facoltà di ingegneria 1 Cosa
Programmazione dinamica
Capitolo 6 Programmazione dinamica 6.4 Il problema della distanza di edit tra due stringhe x e y chiede di calcolare il minimo numero di operazioni su singoli caratteri (inserimento, cancellazione e sostituzione)
Università degli Studi di Ferrara - A.A. 2014/15 Dott. Valerio Muzzioli ORDINAMENTO DEI DATI
ORDINAMENTO DEI DATI Quando si ordina un elenco (ovvero una serie di righe contenenti dati correlati), le righe sono ridisposte in base al contenuto di una colonna specificata. Distinguiamo due tipi di
I Problemi e la loro Soluzione. Il Concetto Intuitivo di Calcolatore. Risoluzione di un Problema. Esempio
Il Concetto Intuitivo di Calcolatore Fondamenti di Informatica A Ingegneria Gestionale Università degli Studi di Brescia Docente: Prof. Alfonso Gerevini I Problemi e la loro Soluzione Problema: classe
ALLEGATO 14 PROBLEMATICHE APPLICATIVE PASSERELLA ESPORTAZIONE DATI E CAPRES
ALLEGATO 14 PROBLEMATICHE APPLICATIVE PASSERELLA ESPORTAZIONE DATI E CAPRES 1 INTRODUZIONE Il presente documento illustra le problematiche tecniche emerse nell utilizzo degli applicativi Viriato e Capres
I sistemi di numerazione
I sistemi di numerazione 01-INFORMAZIONE E SUA RAPPRESENTAZIONE Sia dato un insieme finito di caratteri distinti, che chiameremo alfabeto. Utilizzando anche ripetutamente caratteri di un alfabeto, si possono
GUIDA DOCENTE ALL USO DELLA PIATTAFORMA EXCHANGE E-LEARNING - Lotus Quickr
GUIDA DOCENTE ALL USO DELLA PIATTAFORMA EXCHANGE E-LEARNING - Lotus Quickr Accesso - Interfaccia e navigazione Cartella personale studente Download allegati Risposta ad un messaggio ricevuto - Invio nuovo
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
Fondamenti e didattica di Matematica Finanziaria
Fondamenti e didattica di Matematica Finanziaria Silvana Stefani Piazza dell Ateneo Nuovo 1-20126 MILANO U6-368 [email protected] 1 Unità 9 Contenuti della lezione Operazioni finanziarie, criterio
Dipartimento per le Libertà Civili e l Immigrazione
Dipartimento per le Libertà Civili e l Immigrazione SUI Sportello Unico Immigrazione Sistema inoltro telematico Manuale utente Versione 9 Data aggiornamento 19/11/2010 17.19.00 Pagina 1 (1) Sommario 1.
BANCA DATI PER L OCCUPAZIONE DEI GIOVANI GENITORI
Istituto Nazionale Previdenza Sociale Direzione centrale entrate Direzione centrale sistemi informativi e tecnologici BANCA DATI PER L OCCUPAZIONE DEI GIOVANI GENITORI Guida alla procedura di richiesta
ControlloCosti. Cubi OLAP. Controllo Costi Manuale Cubi
ControlloCosti Cubi OLAP I cubi OLAP Un Cubo (OLAP, acronimo di On-Line Analytical Processing) è una struttura per la memorizzazione e la gestione dei dati che permette di eseguire analisi in tempi rapidi,
Informatica Generale
Insegnamento di Informatica Generale Corso di Laurea in Economia delle banche, delle assicurazioni e degli intermediari finanziari (aa 2010-2011) Guido Fiorino ([email protected]) 1 informazioni.tex:
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.....................
Sistema operativo. Sommario. Sistema operativo...1 Browser...1. Convenzioni adottate
MODULO BASE Quanto segue deve essere rispettato se si vuole che le immagini presentate nei vari moduli corrispondano, con buona probabilità, a quanto apparirà nello schermo del proprio computer nel momento
Luigi Piroddi [email protected]
Automazione industriale dispense del corso 10. Reti di Petri: analisi strutturale Luigi Piroddi [email protected] Analisi strutturale Un alternativa all analisi esaustiva basata sul grafo di raggiungibilità,
Testo alla base del Pitgame redatto dal prof. Yvan Lengwiler, Università di Basilea
Testo alla base del Pitgame redatto dal prof. Yvan Lengwiler, Università di Basilea Funzionamento di un mercato ben organizzato Nel Pitgame i giocatori che hanno poche informazioni private interagiscono
SINTESI MANUALE DI RIFERIMENTO PROCEDURA DI REGISTRAZIONE
SINTESI MANUALE DI RIFERIMENTO PROCEDURA DI REGISTRAZIONE - 1 - ISTRUZIONI OPERATIVE PER LA REGISTRAZIONE AL PORTALE SINTESI DI AZIENDE ED ALTRI DATORI DI LAVORO Questa guida è uno strumento di supporto
e-dva - eni-depth Velocity Analysis
Lo scopo dell Analisi di Velocità di Migrazione (MVA) è quello di ottenere un modello della velocità nel sottosuolo che abbia dei tempi di riflessione compatibili con quelli osservati nei dati. Ciò significa
Dimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
Algoritmi e Strutture Dati
Alberi Binari di Ricerca (BST) Maria Rita Di Berardini, Emanuela Merelli 1 1 Dipartimento di Matematica e Informatica Università di Camerino A.A. 2006/07 Alberi Binari di Ricerca (Binary Search Trees BST)