Zoeken met beperkt geheugen. Zoekalgoritmen ( ) College 7: Zoeken met beperkt geheugen. Een representatie van het kleuringsprobleem
|
|
- Bram Stefan Veenstra
- 7 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Zoeken met beperkt geheugen Zoekalgoritmen ( ) College 7: Zoeken met beperkt geheugen Dirk Thierens, Tekst: Linda van der Gaag algoritmen voor zoeken met beperkt geheugen zijn ontwikkeld voor problemen met grote oplossingsdiepten; waarbij een oplossing slechts een doeltoestand is; een algoritme voor zoeken met beperkt geheugen doorzoekt slechts een deel van de zoekruimte van een probleem, gestuurd door kennis van het probleem; enkele algoritmen voor zoeken met beperkt geheugen zijn: (random-restart) hill climbing; beam search; simulated annealing; tabu search. Zoekalgoritmen: Zoeken met kosten 159 / 353 Zoekalgoritmen: Beperkt geheugen 160 / 353 Impliciete doeltoestanden Voor veel zoekproblemen geldt: de doeltoestanden van het probleem zijn impliciet omschreven; een oplossing van het probleem is dan een enkele doeltoestand. Voorbeeld Gegeven zijn een landkaart en drie kleuren: Een representatie van het kleuringsprobleem Het kleuringsprobleem kan als volgt als een zoekprobleem geformuleerd worden: een toestand van de landkaart is een toekenning van een kleur aan elk land op de kaart: Een doeltoestand is een kleuring van de landen zodanig dat aangrenzende landen verschillend gekleurd zijn. de toestandsruimte van het probleem is de verzameling van alle mogelijke toestanden van de kaart; Zoekalgoritmen: Beperkt geheugen Impliciete doeltoestanden 161 / 353 Zoekalgoritmen: Beperkt geheugen Impliciete doeltoestanden 162 / 353
2 Een representatie vervolg Een representatie vervolg een begintoestand is een willekeurige toestand van de landkaart; een doeltoestand is een toestand van de kaart waarin aangrenzende landen verschillend gekleurd zijn: de ene toestand van de landkaart wordt in de andere getransformeerd door van één land de kleur te wijzigen: Zoekalgoritmen: Beperkt geheugen Impliciete doeltoestanden 163 / 353 Zoekalgoritmen: Beperkt geheugen Impliciete doeltoestanden 164 / 353 Hill climbing inleiding Hill climbing Hill climbing is sterk gerelateerd aan best-first search: beide algoritmen maken gebruik van heuristische waarden van toestanden om het zoekproces te sturen. De belangrijkste verschillen zijn: hill climbing houdt slechts de huidige toestand bij; hill climbing selecteert nooit een toestand met een slechtere heuristische waarde dan de huidige toestand. Verder gebruikt hill climbing meestal een kwaliteitsbegrip als heuristische functie. De essentie van hill climbing is in pseudocode procedure hill-climb(t,h) returns t: t argmax{h(s) s in successors(t)}; while h(t ) h(t) do t t ; t argmax{h(s) s in successors(t)} enddo endprocedure De procedure hill-climb wordt aangeroepen met een begintoestand t en een te maximaliseren heuristische kwaliteitsfunctie h. Zoekalgoritmen: Beperkt geheugen Hill climbing 165 / 353 Zoekalgoritmen: Beperkt geheugen Hill climbing 166 / 353
3 Een voorbeeld De vier eigenschappen Beschouw nogmaals het kleuringsprobleem en de volgende toestand: De heuristische waarde van een toestand is het aantal landen met anders gekleurde buren. Het hill-climbing algoritme construeert bijvoorbeeld: Als de toestandsruimte van een zoekprobleem tenminste één doeltoestand bevat, dan geldt: hill climbing vindt niet noodzakelijk een doeltoestand; als hill climbing met een toestand termineert, dan is dit niet noodzakelijk een doeltoestand; hill climbing kost constant veel ruimte; hill climbing kost in de praktijk polynomiaal veel tijd. Zoekalgoritmen: Beperkt geheugen Hill climbing 167 / 353 Zoekalgoritmen: Beperkt geheugen Hill climbing: Eigenschappen 168 / 353 Een heuristisch landschap Globale en lokale maxima De heuristische functie voor een zoekprobleem definieert een landschap op de toestandsruimte van het probleem: heuristische waarde globaal maximum lokaal maximum huidige toestand toestanden Beschouw de toestandsruimte T van een zoekprobleem en een heuristische functie h op T: een globaal maximum voor h is een toestand t waarvoor geldt dat h(t) h(t ) voor alle t T; een lokaal maximum voor h is een toestand t waarvoor geldt dat er is een t T met h(t ) > h(t); voor alle successors s van t geldt dat h(s) < h(t). Hill climbing beklimt een berg in het landschap. Zoekalgoritmen: Beperkt geheugen Heuristisch landschap 169 / 353 Zoekalgoritmen: Beperkt geheugen Heuristisch landschap 170 / 353
4 Een voorbeeld Beschouw nogmaals de te maximaliseren heuristische functie voor de 8-puzzel. Veronderstel dat het hill-climbing algoritme de volgende tussentoestand heeft gegenereerd: Plateaus Beschouw de toestandsruimte T van een zoekprobleem en een heuristische functie h op T. Een toestand t bevindt zich op een voor h als geldt dat h(s) h(t) voor alle successors s van t; er is tenminste één successor s met h(s ) = h(t). heuristische waarde globaal maximum tussentoestand doeltoestand lokaal maximum Toepassing van elke mogelijke operator op de toestand verkleint het aantal correct gepositioneerde tegels: de tussentoestand is een lokaal maximum. huidige toestand toestanden Zoekalgoritmen: Beperkt geheugen Heuristisch landschap 171 / 353 Zoekalgoritmen: Beperkt geheugen Heuristisch landschap 172 / 353 Een voorbeeld Het gedrag van hill climbing Beschouw nogmaals de te maximaliseren functie voor het kleuringsprobleem. Veronderstel dat het hill-climbing algoritme de volgende toestand heeft gegenereerd: Beschouw een landschap op de toestandsruimte van een zoekprobleem: zodra hill climbing een maximum bereikt, termineert het; hill climbing kan het lokale maximum niet onderscheiden van het globale maximum; hill climbing kan niet uit een lokaal maximum ontsnappen; op een vertoont hill climbing onsystematisch zoekgedrag. Toepassing van de operatoren laat het aantal landen met anders gekleurde buren onveranderd of verkleint dit aantal: de toestand bevindt zich op een. Hill climbing hanteert een onherroepelijke zoekstrategie. Zoekalgoritmen: Beperkt geheugen Heuristisch landschap 173 / 353 Zoekalgoritmen: Beperkt geheugen Heuristisch landschap 174 / 353
5 De effectiviteit van hill climbing De invloed van probleemrepresentatie De grilligheid van het landschap op de toestandsruimte van een zoekprobleem bepaalt de effectiviteit van het hill-climbing algoritme: h(t) De grilligheid van het heuristische landschap voor hill climbing wordt bepaald door attractieveld t de representatie van het praktijkprobleem als een zoekprobleem: de definitie van de verzameling van toestanden van het probleem; de definitie van de operatoren; hoe meer lokale maxima, hoe kleiner de kans dat hill climbing het globale maximum vindt; hoe kleiner het attractieveld van het globale maximum, hoe kleiner de kans dat hill climbing het vindt. de gekozen heuristische functie. Zoekalgoritmen: Beperkt geheugen Heuristisch landschap 175 / 353 Zoekalgoritmen: Beperkt geheugen Representatie 176 / 353 Een alternatieve representatie Een alternatieve representatie vervolg Het kleuringsprobleem kan ook als volgt als een zoekprobleem geformuleerd worden: een toestand van de landkaart is een partiële toekenning van kleuren aan de landen op de kaart: de begintoestand is de lege toestand waarin geen enkele kleur is toegekend: de toestandsruimte is de verzameling van alle mogelijke toestanden van de kaart; een doeltoestand is een toestand waarin alle landen een kleur hebben en aangrenzende landen verschillend gekleurd zijn; Zoekalgoritmen: Beperkt geheugen Representatie 177 / 353 Zoekalgoritmen: Beperkt geheugen Representatie 178 / 353
6 Een alternatieve representatie vervolg De twee representaties vergeleken Vergelijk nu de volgende operatoren: een toestand van de landkaart wordt in een andere getransformeerd door aan een nog ongekleurd land een kleur toe te kennen; een toestand wordt in een andere getransformeerd door aan een nog ongekleurd land een kleur toe te kennen die ongelijk is aan de kleuren van de buren. Beschouw nogmaals de oorspronkelijke representatie van het kleuringsprobleem en veronderstel dat de landkaart een oplossing heeft: als het hill climbing algoritme termineert, dan heeft het een doeltoestand gevonden; het hill climbing algoritme kan een pad van exponentiële lengte in de toestandsruimte doorlopen; het hill climbing algoritme vindt een doeltoestand met een kans die nadert naar Zoekalgoritmen: Beperkt geheugen Representatie 179 / 353 Zoekalgoritmen: Beperkt geheugen Representatie 180 / 353 De twee representaties vergeleken vervolg Convergentie versus diversiteit Beschouw nu de alternatieve representatie van het kleuringsprobleem en veronderstel dat de landkaart een oplossing heeft: als het hill climbing algoritme termineert, dan heeft het niet noodzakelijk een doeltoestand gevonden; het hill climbing algoritme doorloopt een pad van lineaire lengte in de toestandsruimte; de kans dat hill climbing een doeltoestand vindt is sterk afhankelijk van de specifieke landkaart. Algoritmen en representaties voor zoeken met beperkt geheugen moeten een afweging maken van: convergentie: het zoekproces wordt gestuurd naar een maximum; diversiteit: een verscheidenheid aan alternatieven wordt onderzocht. Sterke convergentie gaat meestal ten koste van diversiteit, en vice versa. Zoekalgoritmen: Beperkt geheugen Representatie 181 / 353 Zoekalgoritmen: Beperkt geheugen Convergentie en diversiteit 182 / 353
Lokaal zoeken. Computationele Intelligentie. Een representatie van het kleuringsprobleem. Impliciete doeltoestanden. Lokaal zoeken
Lokaal zoeken Computationele Intelligentie Lokaal zoeken algoritmen voor lokaal zoeken zijn ontwikkeld voor problemen I met grote oplossingsdiepten; I waarbij een oplossing slechts een doeltoestand is;
Nadere informatieComputationale Intelligentie Dirk Thierens
Computationale Intelligentie Dirk Thierens Organisatie Onderwijsvormen: Docent: Topic: Collegemateriaal: Boek: Beoordeling: hoorcollege, practicum, werkcollege Dirk Thierens Deel : Zoekalgoritmen Toets
Nadere informatieKosten. Zoekalgoritmen ( ) College 5: Zoeken met kosten. Een zoekprobleem met stapkosten. Een voorbeeld: het vinden van een route
Kosten Zoekalgoritmen (00 00) ollege 5: Zoeken met kosten Peter de Waal, Tekst: Linda van der aag Veel zoekproblemen omvatten kosten: een afstand in kilometers; een geldbedrag; een hoeveelheid tijd; ongemak;...
Nadere informatieRecapitulatie: Ongeïnformeerd zoeken. Zoekalgoritmen ( ) College 2: Ongeïnformeerd zoeken. Dynamische breadth-first search
Recapitulatie: Ongeïnformeerd zoeken Zoekalgoritmen (009 00) College : Ongeïnformeerd zoeken Peter de Waal, Tekst: Linda van der Gaag een algoritme voor ongeïnformeerd zoeken doorzoekt de zoekruimte van
Nadere informatieKosten. Computationale Intelligentie. Een zoekprobleem met stapkosten. Een voorbeeld: het vinden van een route. Zoeken met kosten.
Kosten omputationale Intelligentie Zoeken met kosten Veel zoekproblemen omvatten kosten: een afstand in kilometers; een geldbedrag; een hoeveelheid tijd;... Voorbeelden van dergelijke problemen zijn: het
Nadere informatieComputationele Intelligentie
Computationele Intelligentie Uitwerking werkcollege Representatie, Ongeïnformeerd zoeken, Heuristisch zoeken 1 lokkenwereld a. De zoekboom die door het dynamische breadth-first search algoritme wordt gegenereerd
Nadere informatieZoekproblemen met tegenstanders. Zoekalgoritmen ( ) College 9: Zoeken met een tegenstander (I) Een zoekprobleem met een tegenstander
Zoekproblemen met tegenstanders Zoekalgoritmen (29 2) College 9: Zoeken met een tegenstander (I) Dirk Thierens, Tekst: Linda van der Gaag Zoekproblemen met meer dan één partij worden gekenmerkt door interventies
Nadere informatieComputationele Intelligentie
Computationele Intelligentie Uitwerking werkcollege Representatie, Ongeïnformeerd zoeken, Heuristisch zoeken 1 lokkenwereld a. De zoekboom die door het dynamische breadth-first search algoritme wordt gegenereerd
Nadere informatieConstraint satisfaction. Zoekalgoritmen ( ) College 11: Constraint Satisfaction. Voorbeelden. Een constraint satisfaction probleem
Constraint satisfaction Zoekalgoritmen (2009 2010) College 11: Constraint Satisfaction Dirk Thierens, Tekst: Linda van der Gaag Een constraint satisfaction probleem (CSP) bestaat uit: een verzameling variabelen;
Nadere informatieEen voorbeeld. Computationele Intelligentie Zoeken met een tegenstander. Een voorbeeld vervolg. Een zoekprobleem met een tegenstander
Computationele Intelligentie Zoeken met een tegenstander Beschouw het boter-kaas-en-eieren spel: een probleemtoestand is een plaatsing van i kruisjes en j nulletjes in de vakjes van het raam, met i j en
Nadere informatieDuration: 2 hrs; Total points: 100 No documents allowed. Use of electronic devices, such as calculators, smartphones, smartwatches is forbidden.
: Computationele Intelligentie (INFOBCI) Midterm Exam Duration: hrs; Total points: No documents allowed. Use of electronic devices, such as calculators, smartphones, smartwatches is forbidden. Question
Nadere informatieConstraint satisfaction. Computationele Intelligentie. Voorbeelden. Een constraint satisfaction probleem. Constraint Satisfaction
Constraint satisfaction Computationele Intelligentie Constraint Satisfaction Een constraint satisfaction probleem (CSP) bestaat uit: een verzameling variabelen; een domein van waarden voor elke variabele;
Nadere informatieTransparanten bij het vak Inleiding Adaptieve Systemen: Evolutionary Computation. f(s max ) f(s) s
Transparanten bij het vak Inleiding Adaptieve Systemen: Evolutionary Computation. M. Wiering f(s max ) f(s) s Evolutionary Computation (EC) Optimalisatie algoritmen geinspireerd door Darwin s evolutie
Nadere informatieKunstmatige Intelligentie (AI) Hoofdstuk 6 van Russell/Norvig = [RN] Constrained Satisfaction Problemen (CSP s) voorjaar 2015 College 7, 31 maart 2015
AI Kunstmatige Intelligentie (AI) Hoofdstuk 6 van Russell/Norvig = [RN] Constrained Satisfaction Problemen (CSP s) voorjaar 2015 College 7, 31 maart 2015 www.liacs.leidenuniv.nl/ kosterswa/ai/ 1 Introductie
Nadere informatieLocal search. Han Hoogeveen CGN A februari, 2009
1 Local search Han Hoogeveen CGN A312 j.a.hoogeveen@cs.uu.nl www.cs.uu.nl/docs/vakken/opt/colleges.html 4 februari, 2009 2 Inhoud vandaag In totaal vier uur Slides staan al op het web www.cs.uu.nl/docs/vakken/opt/colleges.html
Nadere informatieDoorzoeken van grafen. Algoritmiek
Doorzoeken van grafen Algoritmiek Vandaag Methoden om door grafen te wandelen Depth First Search Breadth First Search Gerichte Acyclische Grafen en topologische sorteringen 2 Doolhof start eind 3 Depth
Nadere informatieLocal search. Han Hoogeveen. 21 november, 2011
1 Local search Han Hoogeveen 21 november, 2011 Inhoud vandaag 2 Inhoud: Uitleg methode Bespreking oude opdrachten: ˆ Bezorgen wenskaarten ˆ Roosteren tentamens Slides staan al op het web www.cs.uu.nl/docs/vakken/opt/colleges.html
Nadere informatieDe statespace van Small World Networks
De statespace van Small World Networks Emiel Suilen, Daan van den Berg, Frank van Harmelen epsuilen@few.vu.nl, daanvandenberg1976@gmail.com, Frank.van.Harmelen@cs.vu.nl VRIJE UNIVERSITEIT AMSTERDAM 2 juli
Nadere informatieInleiding Programmeren 2
Inleiding Programmeren 2 Gertjan van Noord November 28, 2016 Stof week 3 nogmaals Zelle hoofdstuk 8 en recursie Brookshear hoofdstuk 5: Algoritmes Datastructuren: tuples Een geheel andere manier om te
Nadere informatieOptimalisering en Complexiteit, College 2. Han Hoogeveen, Utrecht University
Optimalisering en Complexiteit, College 2 Han Hoogeveen, Utrecht University Inhoud vandaag Inhoud: Uitleg methode Bespreking oude opdracht: Bezorgen wenskaarten Slides staan al op het web www.cs.uu.nl/docs/vakken/opt/colleges.html
Nadere informatieGrafen en BFS. Mark Lekkerkerker. 24 februari 2014
Grafen en BFS Mark Lekkerkerker 24 februari 2014 1 Grafen Wat is een graaf? Hoe representeer je een graaf? 2 Breadth-First Search Het Breadth-First Search Algoritme Schillen De BFS boom 3 Toepassingen
Nadere informatieVierde college algoritmiek. 2 maart Toestand-actie-ruimte Exhaustive Search
Algoritmiek 2018/Toestand-actie-ruimte Vierde college algoritmiek 2 maart 2018 Toestand-actie-ruimte Exhaustive Search 1 Algoritmiek 2018/Toestand-actie-ruimte Kannen Voorbeeld 4: Kannenprobleem We hebben
Nadere informatieHeuristisch zoeken. Computationele Intelligentie. Een heuristische functie op de toestandsruimte. Voorbeelden van kennis. Heuristisch zoeken
Heuristisch zoeken Computationele Intelligentie Heuristisch zoeken een algoritme voor heuristisch zoeken oorzoekt e zoekruimte van een proleem op een systematische wijze, gestuur oor kennis van het proleem;
Nadere informatieDatastructuren en Algoritmen
Datastructuren en Algoritmen Tentamen Vrijdag 6 november 2015 13.30-16.30 Toelichting Bij dit tentamen mag je gebruik maken van een spiekbriefje van maximaal 2 kantjes. Verder mogen er geen hulpmiddelen
Nadere informatieInleiding Programmeren 2
Inleiding Programmeren 2 Gertjan van Noord November 26, 2018 Stof week 3 nogmaals Zelle hoofdstuk 8 en recursie Brookshear hoofdstuk 5: Algoritmes Datastructuren: tuples Een geheel andere manier om te
Nadere informatiePuzzels en wiskunde. Inleiding. Algoritme. Sudoku. 22 Puzzels en wiskunde
Een miljoen dollar verdienen in de kerstvakantie? Het enige dat u hoeft te doen, is een polynomiaal algoritme te vinden om een sudoku mee op te lossen. Niels Oosterling schetst waar u dan rekening mee
Nadere informatieAlgoritmiek. 15 februari Grafen en bomen
Algoritmiek 15 februari 2019 Grafen en bomen 1 Grafen (herhaling) Een graaf G wordt gedefinieerd als een paar (V,E), waarbij V een eindige verzameling is van knopen (vertices) en E een verzameling van
Nadere informatie(On)Doenlijke problemen
Fundamentele Informatica In3 005 Deel 2 College 1 Cees Witteveen Parallelle en Gedistribueerde Systemen Faculteit Informatie Technologie en Systemen Overzicht Inleiding - Relatie Deel 1 en Deel 2 - Doenlijke
Nadere informatieBegrenzing van het aantal iteraties in het max-flow algoritme
Begrenzing van het aantal iteraties in het max-flow algoritme Het oplossen van het maximum stroom probleem met behulp van stroomvermeerderende paden werkt, maar het aantal iteraties kan aardig de spuigaten
Nadere informatieTweede college algoritmiek. 12 februari Grafen en bomen
College 2 Tweede college algoritmiek 12 februari 2016 Grafen en bomen 1 Grafen (herhaling) Een graaf G wordt gedefinieerd als een paar (V,E), waarbij V een eindige verzameling is van knopen (vertices)
Nadere informatieVierde college complexiteit. 14 februari Beslissingsbomen
College 4 Vierde college complexiteit 14 februari 2017 Restant zoeken Beslissingsbomen 1 Binair zoeken Links := 1; Rechts := n; while Links Rechts do Midden := Links + Rechts 2 ; if X = A[Midden] then
Nadere informatieOpgaven Kunstmatige intelligentie 4 mei 2012
Opgaven Kunstmatige intelligentie 4 mei 2012 Opgave 28. (opgave tentamen 12 augustus 2002) Stel dat we een handelsreizigersprobleem op willen lossen, en dat we dat met een genetisch algoritme willen doen.
Nadere informatieAlgoritmiek. 2 februari Introductie
College 1 Algoritmiek 2 februari 2017 Introductie 1 Introductie -1- docent: Rudy van Vliet rvvliet@liacs.nl assistent werkcollege: Bart van Strien bartbes@gmail.com website: http://www.liacs.leidenuniv.nl/~vlietrvan1/algoritmiek/
Nadere informatieZoemzinnen. Algemene info. Functies met een variabel aantal argumenten
Zoemzinnen Functies met een variabel aantal argumenten Bij het definiëren van een functie leg je in principe vast hoeveel argumenten er aan de functie moeten doorgegeven worden. Dit aantal correspondeert
Nadere informatieVeelvlakken kleuren. Dion Gijswijt
Stel, je wilt de zijvlakken van een veelvlak kleuren, en wel zo dat aangrenzende veelvlakken verschillende kleur krijgen. Hoeveel kleuren heb je dan minimaal nodig? Veelvlakken kleuren Dion Gijswijt De
Nadere informatieUitgebreide uitwerking tentamen Algoritmiek Dinsdag 5 juni 2007, uur
Uitgebreide uitwerking tentamen Algoritmiek Dinsdag juni 00, 0.00.00 uur Opgave. a. Een toestand bestaat hier uit een aantal stapels, met op elk van die stapels een aantal munten (hooguit n per stapel).
Nadere informatieBranch-and-Bound en Cutting Planes
Branch-and-Bound en Cutting Planes Vandaag: Er is nog geen algoritme om ILP s in polynomiale tijd op te lossen. Twee opties: 1 Exponentiëel algoritme dat optimale oplossing geeft 2 Polynomiaal algoritme
Nadere informatieUitwerking tentamen Analyse van Algoritmen, 29 januari
Uitwerking tentamen Analyse van Algoritmen, 29 januari 2007. (a) De buitenste for-lus kent N = 5 iteraties. Na iedere iteratie ziet de rij getallen er als volgt uit: i rij na i e iteratie 2 5 4 6 2 2 4
Nadere informatieHoofdstuk 3 (vanaf 3.5) en 4 van Russell/Norvig = [RN] Gericht zoeken en verder
I Kunstmatige Intelligentie (I) Hoofdstuk 3 (vanaf 3.5) en 4 van Russell/Norvig = [RN] Gericht zoeken en verder voorjaar 2016 ollege 5, 15 maart 2016 www.liacs.leidenuniv.nl/ kosterswa/i/ 1 I Gericht zoeken
Nadere informatieKunstmatige Intelligentie (AI) Hoofdstuk van Russell/Norvig = [RN] Genetische algoritmen. voorjaar 2016 College 11, 3 mei 2016
AI Kunstmatige Intelligentie (AI) Hoofdstuk 4.1.4 van Russell/Norvig = [RN] Genetische algoritmen voorjaar 2016 College 11, 3 mei 2016 www.liacs.leidenuniv.nl/ kosterswa/ai/ 1 Introductie Er zijn allerlei
Nadere informatieBenaderingsalgoritmen
Benaderingsalgoritmen Eerste hulp bij NP-moeilijkheid 1 Herhaling NP-volledigheid (1) NP: er is een polynomiaal certificaat voor jainstanties dat in polynomiale tijd te controleren is Een probleem A is
Nadere informatie8. Complexiteit van algoritmen:
8. Complexiteit van algoritmen: Voorbeeld: Een gevaarlijk spel 1 Spelboom voor het wespenspel 2 8.1 Complexiteit 4 8.2 NP-problemen 6 8.3 De oplossing 7 8.4 Een vuistregel 8 In dit hoofdstuk wordt het
Nadere informatieV el v'akk n kl ure. door Dion Gijswijt
door Dion Gijswijt V el v'akk n kl ure Stel, je wilt de zijvlakken van een veelvlak kleuren, en wel zo dat aangrenzende veelvlakken verschillende kleur krijgen. Hoeveel kleuren heb je dan minimaal nodig?
Nadere informatieHoofdstuk 17: Approximation Algorithms
Hoofdstuk 17: Approximation Algorithms Overzicht: Vorige week: Π NP-volledig Π waarschijnlijk niet polynomiaal oplosbaar 2 opties: 1 Optimaal oplossen, niet in polynomiale tijd (B&B, Cutting planes) 2
Nadere informatie8C080 deel BioModeling en bioinformatica
Vijf algemene opmerkingen Tentamen Algoritmen voor BIOMIM, 8C080, 22 april 2009,14.00-17.00u. Het tentamen bestaat uit 2 delen, een deel van BioModeling & bioinformatics en een deel van BioMedische Beeldanalyse.
Nadere informatieWorkshop DisWis, De Start 13/06/2007 Bladzijde 1 van 7. Sudoku. Sudoku
DisWis DisWis is een lessenserie discrete wiskunde die De Praktijk vorig jaar in samenwerking met prof.dr. Alexander Schrijver heeft opgezet. Gedurende vier weken komt een wiskundestudent twee blokuren
Nadere informatieOpgaven bij Hoofdstuk 3 - Productiesystemen
Opgaven bij Hoofdstuk 3 - Productiesystemen Top-down inferentie In de opgaven in deze paragraaf over top-down inferentie wordt aangenomen dat de feitenverzameling alleen feiten bevat die als getraceerd
Nadere informatieDatastructuren en Algoritmen III, 2010
Datastructuren en Algoritmen III, 2010 Gunnar Brinkmann 27 september 2010 Inhoudsopgave 1 Introductie 2 2 Metaheuristieken 3 2.1 Local search............................ 5 2.1.1 Het belang van de buurfunctie..............
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 7 Leo van Iersel Technische Universiteit Delft 26 oktober 2016 Leo van Iersel (TUD) TW2020 Optimalisering 26 oktober 2016 1 / 28 Deze week: analyseren van algoritmes Hoe
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 8 Leo van Iersel Technische Universiteit Delft 2 november 2016 Leo van Iersel (TUD) TW2020 Optimalisering 2 november 2016 1 / 28 Minimum Opspannende Boom (Minimum Spanning
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 11 Leo van Iersel Technische Universiteit Delft 25 november 2015 Leo van Iersel (TUD) TW2020 Optimalisering 25 november 2015 1 / 28 Vandaag Vraag Voor welke problemen
Nadere informatieTwaalfde college complexiteit. 11 mei 2012. Overzicht, MST
College 12 Twaalfde college complexiteit 11 mei 2012 Overzicht, MST 1 Agenda voor vandaag Minimum Opspannende Boom (minimum spanning tree) als voorbeeld van greedy algoritmen Overzicht: wat voor technieken
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 8 Leo van Iersel Technische Universiteit Delft 28 oktober 2015 Leo van Iersel (TUD) TW2020 Optimalisering 28 oktober 2015 1 / 25 Definitie Een boom is een samenhangende
Nadere informatieUitgebreide uitwerking Tentamen Complexiteit, mei 2007
Uitgebreide uitwerking Tentamen Complexiteit, mei 007 Opgave. a. Een beslissingsboom beschrijft de werking van het betreffende algoritme (gebaseerd op arrayvergelijkingen) op elke mogelijke invoer. In
Nadere informatieTentamen Kunstmatige Intelligentie (INFOB2KI)
Tentamen Kunstmatige Intelligentie (INFOB2KI) 12 december 2014 8:30-10:30 Vooraf Mobiele telefoons en dergelijke dienen uitgeschakeld te zijn. Het eerste deel van het tentamen bestaat uit 8 multiple-choice
Nadere informatieTiende college algoritmiek. 2 mei Gretige algoritmen, Dijkstra
College 10 Tiende college algoritmiek mei 013 Gretige algoritmen, Dijkstra 1 Muntenprobleem Gegeven onbeperkt veel munten van d 1,d,...d m eurocent, en een te betalen bedrag van n (n 0) eurocent. Alle
Nadere informatieTiende college algoritmiek. 14 april Gretige algoritmen
College 10 Tiende college algoritmiek 1 april 011 Gretige algoritmen 1 Greedy algorithms Greed = hebzucht Voor oplossen van optimalisatieproblemen Oplossing wordt stap voor stap opgebouwd In elke stap
Nadere informatieStrategisch Redeneren. Halfbeslisbaarheid. Zoekstrategieën. Resolutie als zoeken. Redeneren (in logica):
Redeneren (in logica): Strategisch Redeneren hoeft niet te eindigen kan zeer inefficiënt zijn hoeft de oplossingen niet altijd in de juiste volgorde op te leveren Otter: automatisch redenerend programma
Nadere informatie1 Complexiteit. of benadering en snel
1 Complexiteit Het college van vandaag gaat over complexiteit van algoritmes. In het boek hoort hier hoofdstuk 8.1-8.5 bij. Bij complexiteitstheorie is de belangrijkste kernvraag: Hoe goed is een algoritme?
Nadere informatieVijfde college algoritmiek. 2/3 maart Exhaustive search
Vijfde college algoritmiek 2/3 maart 2017 Exhaustive search 1 Voor- en nadelen Brute force: Voordelen: - algemeen toepasbaar - eenvoudig - levert voor een aantal belangrijke problemen (zoeken, patroonherkenning)
Nadere informatieDiscrete modellen in de toegepaste wiskunde (WISB136) Uitwerkingen proeftentamen.
Discrete modellen in de toegepaste wiskunde (WISB6) Uitwerkingen proeftentamen. Docent: Rob H. Bisseling april 202. Begin met een matching M = {x y, x y, x 6 y 6 } aangegeven door de vette lijnen. x De
Nadere informatieExamen Datastructuren en Algoritmen II
Tweede bachelor Informatica Academiejaar 2008 2009, eerste zittijd Examen Datastructuren en Algoritmen II Naam :.............................................................................. Lees elke
Nadere informatieDerde college algoritmiek. 16/17 februari Toestand-actie-ruimte
Derde college algoritmiek 16/17 februari 2017 Toestand-actie-ruimte 1 Toestand-actie-ruimte Probleem Toestand-actie-ruimte Een toestand-actie-ruimte (toestand-actie-diagram, state transition diagram, toestandsruimte,
Nadere informatieRecursion. Introductie 37. Leerkern 37. Terugkoppeling 40. Uitwerking van de opgaven 40
Recursion Introductie 37 Leerkern 37 5.1 Foundations of recursion 37 5.2 Recursive analysis 37 5.3 Applications of recursion 38 Terugkoppeling 40 Uitwerking van de opgaven 40 Hoofdstuk 5 Recursion I N
Nadere informatieOverzicht. 1. Definities. 2. Basisalgoritme. 3. Label setting methoden. 4. Label correcting methoden. 5. Ondergrenzen. 6.
Overzicht 1. Definities 2. Basisalgoritme 3. Label setting methoden 4. Label correcting methoden 5. Ondergrenzen 6. Resultaten Kortste Pad Probleem 1 Definities Een graaf G = (V, E) bestaat uit een verzameling
Nadere informatieDerde college algoritmiek. 23 februari Complexiteit Toestand-actie-ruimte
Algoritmiek 2018/Complexiteit Derde college algoritmiek 2 februari 2018 Complexiteit Toestand-actie-ruimte 1 Algoritmiek 2018/Complexiteit Tijdcomplexiteit Complexiteit (= tijdcomplexiteit) van een algoritme:
Nadere informatieTentamen IN3105. Complexiteitstheorie. 16 april 2012, uur
Faculteit Elektrotechniek, Wiskunde en Informatica Ti Delft Tentamen IN3105 Complexiteitstheorie 16 april 2012, 9.00-12.00 uur Dit tentamen bestaat uit 10 meerkeuzevragen, 5 korte (open) vragen en 2 open
Nadere informatieVierde college complexiteit. 16 februari Beslissingsbomen en selectie
Complexiteit 2016/04 College 4 Vierde college complexiteit 16 februari 2016 Beslissingsbomen en selectie 1 Complexiteit 2016/04 Zoeken: samengevat Ongeordend lineair zoeken: Θ(n) sleutelvergelijkingen
Nadere informatieStochastische Modellen in Operations Management (153088)
Stochastische Modellen in Operations Management (153088) S1 S2 X ms X ms R1 S0 240 ms Ack L1 R2 10 ms Internet R3 L2 D0 10 ms D1 D2 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219
Nadere informatieTiende college algoritmiek. 13/21 april Gretige Algoritmen Algoritme van Dijkstra
Algoritmiek 017/Gretige Algoritmen Tiende college algoritmiek 13/1 april 017 Gretige Algoritmen Algoritme van Dijkstra 1 Algoritmiek 017/Gretige Algoritmen Muntenprobleem Gegeven onbeperkt veel munten
Nadere informatieDerde college algoritmiek. 18 februari Toestand-actie-ruimte
Derde college algoritmiek 18 februari 2016 Toestand-actie-ruimte 1 BZboom: zoeken Na het bomenpracticum 60 20 80 10 40 70 100 1 15 30 75 5 25 35 2 BZboom: verwijderen 60 20 80 10 40 70 100 1 15 30 75 5
Nadere informatieZevende college complexiteit. 17 maart Ondergrens sorteren, Quicksort
College 7 Zevende college complexiteit 17 maart 2008 Ondergrens sorteren, Quicksort 1 Sorteren We bekijken sorteeralgoritmen gebaseerd op het doen van vergelijkingen van de vorm A[i] < A[j]. Aannames:
Nadere informatie(vi) Als u een stelling, eigenschap,... gebruikt, formuleer die dan, toon aan dat de voorwaarden vervuld zijn, maar bewijs die niet.
Examen Functieruimten - Deel theorie 15 januari 2016, 08:30 uur Naam en Voornaam: Lees eerst dit: (i) Naam en voornaam hierboven invullen. (ii) Nietje niet losmaken. (iii) Enkel deze bundel afgeven; geen
Nadere informatieDerde college complexiteit. 7 februari Zoeken
College 3 Derde college complexiteit 7 februari 2017 Recurrente Betrekkingen Zoeken 1 Recurrente betrekkingen -1- Rij van Fibonacci: 0,1,1,2,3,5,8,13,21,... Vanaf het derde element: som van de voorgaande
Nadere informatieVierde college algoritmiek. 1 maart Toestand-actie-ruimte Brute Force
Algoritmiek 2019/Toestand-actie-ruimte Vierde college algoritmiek 1 maart 2019 Toestand-actie-ruimte Brute Force 1 Algoritmiek 2019/Toestand-actie-ruimte Torens van Hanoi Voorbeeld 3: Torens van Hanoi
Nadere informatieAchtste college algoritmiek. 8 april Dynamisch Programmeren
Achtste college algoritmiek 8 april 2016 Dynamisch Programmeren 1 Werkcollege-opgave Dutch Flag Problem Gegeven een array gevuld met R, W, en B. Reorganiseer dit array zo dat van links naar rechts eerst
Nadere informatieOptimaliseren in Netwerken
Optimaliseren in Netwerken Kees Roos e-mail: C.Roos@tudelft.nl URL: http://www.isa.ewi.tudelft.nl/ roos Kaleidoscoop college Zaal D, Mekelweg 4, TU Delft 11 October, A.D. 2006 Optimization Group 1 Onderwerpen
Nadere informatieHoofdstuk 3 (tot en met 3.4) van Russell/Norvig = [RN] Probleemoplossen en zoeken
AI Kunstmatige Intelligentie (AI) Hoofdstuk 3 (tot en met 3.4) van Russell/Norvig = [RN] Probleemoplossen en zoeken voorjaar 2015 College 4, 3 maart 2015 www.liacs.leidenuniv.nl/ kosterswa/ai/ 1 AI Robotica
Nadere informatieTijd is geen goede maatstaf, want is afhankelijk van computer waarop algoritme wordt gedraaid.
Complexiteit of efficiëntie van algoritmen Hoe meet je deze? Tijd is geen goede maatstaf, want is afhankelijk van computer waarop algoritme wordt gedraaid. Een betere maatstaf is het aantal berekeningsstappen
Nadere informatieCover Page. The handle holds various files of this Leiden University dissertation
Cover Page The handle http://hdl.handle.net/1887/39637 holds various files of this Leiden University dissertation Author: Smit, Laurens Title: Steady-state analysis of large scale systems : the successive
Nadere informatieRedeneren & probleemoplossen. Bij hoofdstuk 6 Breinmakers en Breinbrekers docent: Rineke Verbrugge
Redeneren & probleemoplossen Bij hoofdstuk 6 Breinmakers en Breinbrekers docent: Rineke Verbrugge Inleiding Hoofdstuk 5 was: geheugen, het opslaan van kennis. Voor intelligent gedrag moet kennis gebruikt
Nadere informatieDivide & Conquer: Verdeel en Heers vervolg. Algoritmiek
Divide & Conquer: Verdeel en Heers vervolg Algoritmiek Algoritmische technieken Vorige keer: Divide and conquer techniek Aantal toepassingen van de techniek Analyse met Master theorem en substitutie Vandaag:
Nadere informatieElfde college algoritmiek. 16 mei Dijkstra, Gretige algoritmen en Branch & Bound
Algoritmiek 013/11 College 11 Elfde college algoritmiek 1 mei 013 Dijkstra, Gretige algoritmen en Branch & Bound 1 Algoritmiek 013/11 Voorbeeld -1- A B C D E F G H 9 7 5 A B C D E F G H 0 9 9 7 5 A B C
Nadere informatieUitleg van de Hough transformatie
Uitleg van de Hough transformatie Maarten M. Fokkinga, Joeri van Ruth Database groep, Fac. EWI, Universiteit Twente Versie van 17 mei 2005, 10:59 De Hough transformatie is een wiskundige techniek om een
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 12 Leo van Iersel Technische Universiteit Delft 7 december 2016 Leo van Iersel (TUD) TW2020 Optimalisering 7 december 2016 1 / 25 Volgende week: Study guide Vragenuurtje
Nadere informatieStelling. SAT is NP-compleet.
Het bewijs van de stelling van Cook Levin zoals gegeven in het boek van Sipser gebruikt niet-deterministische turing machines. Het is inderdaad mogelijk de klasse NP op een alternatieve wijze te definiëren
Nadere informatieOptimalisatie van de indeling van instrumentennetten Engelse titel: Optimization of scheduling and assignment of instrument nets
Technische Universiteit Delft Faculteit Elektrotechniek, Wiskunde en Informatica Delft Institute of Applied Mathematics Optimalisatie van de indeling van instrumentennetten Engelse titel: Optimization
Nadere informatieExamenvragen Hogere Wiskunde I
1 Examenvragen Hogere Wiskunde I Vraag 1. Zij a R willekeurig. Gegeven is dat voor alle r, s Q geldt dat a r+s = a r a s. Bewijs dat voor alle x, y R geldt dat a x+y = a x a y. Vraag 2. Gegeven 2 functies
Nadere informatieOntwerp van Algoritmen: opgaven weken 3 en 4
0 Ontwerp van Algoritmen: opgaven weken 3 en 4 Voor alle volgende opgaven over programmaatjes geldt de spelregel: formuleer altijd eerst alle bewijsverplichtingen. selectie 45. (tail distribution)(prima
Nadere informatieNegende college complexiteit. 9 april NP-volledigheid I: introductie
College 9 Negende college complexiteit 9 april 2019 NP-volledigheid I: introductie 1 Handelbaar/onhandelbaar -1- N 10 50 100 300 1000 log 2 N 3 5 6 8 9 5N 50 250 500 1500 5000 N log 2 N 33 282 665 2469
Nadere informatierecursie Hoofdstuk 5 Studeeraanwijzingen De studielast van deze leereenheid bedraagt circa 6 uur. Terminologie
Hoofdstuk 5 Recursion I N T R O D U C T I E Veel methoden die we op een datastructuur aan kunnen roepen, zullen op een recursieve wijze geïmplementeerd worden. Recursie is een techniek waarbij een vraagstuk
Nadere informatieOverzicht Fourier-theorie
B Overzicht Fourier-theorie In dit hoofdstuk geven we een overzicht van de belangrijkste resultaten van de Fourier-theorie. Dit kan als steun dienen ter voorbereiding op het tentamen. Fourier-reeksen van
Nadere informatieDerde college algoritmiek. 23 februari Toestand-actie-ruimte
College 3 Derde college algoritmiek 23 februari 2012 Toestand-actie-ruimte 1 BZboom: verwijderen 60 20 80 10 40 70 100 1 15 30 75 5 25 35 100 verwijderen = 60 20 80 10 40 70 1 15 30 75 5 25 35 verwijderen
Nadere informatieTiende college algoritmiek. 4 mei Gretige Algoritmen Algoritme van Dijkstra
Tiende college algoritmiek mei 018 Gretige Algoritmen Algoritme van Dijkstra 1 Muntenprobleem Gegeven onbeperkt veel munten van d 1,d,...d m eurocent, en een te betalen bedrag van n (n 0) eurocent. Alle
Nadere informatie1 Inleiding in Functioneel Programmeren
1 Inleiding in Functioneel Programmeren door Elroy Jumpertz 1.1 Inleiding Aangezien Informatica een populaire minor is voor wiskundestudenten, leek het mij nuttig om een stukje te schrijven over een onderwerp
Nadere informatieWeek 1 20-02-2013. Hier vind je uitwerkingen van enkele opgaven uit het dictaat Grafen: Kleuren en Routeren.
Combinatorische Optimalisatie, 2013 Week 1 20-02-2013 Hier vind je uitwerkingen van enkele opgaven uit het dictaat Grafen: Kleuren en Routeren. Opgave 1.16 Bewijs dat elke graaf een even aantal punten
Nadere informatieAutomaten. Informatica, UvA. Yde Venema
Automaten Informatica, UvA Yde Venema i Inhoud Inleiding 1 1 Formele talen en reguliere expressies 2 1.1 Formele talen.................................... 2 1.2 Reguliere expressies................................
Nadere informatieAutomaten & Complexiteit (X )
Automaten & Complexiteit (X 401049) Beschrijven van reguliere talen Jeroen Keiren j.j.a.keiren@gmail.com VU University Amsterdam 5 Februari 2015 Talen Vorig college: Talen als verzamelingen Eindige automaten:
Nadere informatieS n = tijdstip van de n-de gebeurtenis, T n = S n S n 1 = tijd tussen n-de en (n 1)-de gebeurtenis.
HET POISSON PROCES In veel praktische toepassingen kan het aaankomstproces van personen, orders,..., gemodelleerd worden door een zogenaamd Poisson proces. Definitie van een Poisson proces: Een Poisson
Nadere informatieSAMENVATTING IN HET NEDERLANDS
SAMENVATTING IN HET NEDERLANDS SUMMARY IN DUTCH INTRODUCTIE In 1909 ontving de Italiaan Marconi de Nobelprijs voor zijn baanbrekende werk op het gebied van de draadloze telegraaf. Sinds het eind van de
Nadere informatie