Baseado nos slides de Tom Lenarts (IRIDIA) Planeamento. Capítulo 11 Online
|
|
- Jorge Borba Monteiro
- 5 Há anos
- Visualizações:
Transcrição
1 Baseado nos slides de Tom Lenarts (IRIDIA) Planeamento Capítulo 11 Online
2 Planeamento O problema de planeamento: linguagens Planeamento com procura em espaço de estados Planeamento de ordem parcial Grafos em planeamento Planeamento com lógica proposicional Análise das abordagens para planeamento
3 Agentes de Planeamento Capítulo 3: agentes baseados em procura Capítulo 10: agentes baseados em lógica Neste capítulo: problemas de planeamento (clássicos) complexos Problemas clássicos: ambientes completamente observáveis, determinísticos, estáticos (mudança ocorre apenas quando o agente actua) e discretos (em tempo, acção, objectos e efeitos) Problemas não clássicos: parcialmente observáveis e estocásticos
4 O que é o Planeamento Geração de sequências de acções para realizar tarefas e atingir objectivos Estados, acções e objectivos Procura de soluções num espaço abstracto de planos Assistência em aplicações práticas Desenho e manufacturação Operações militares Jogos Exploração de espaço
5 Dificuldade dos problemas do mundo real Considere-se um agente que resolve problemas usando um método de procura Que acções são relevantes? Procura exaustiva Compra de um livro com 10 dígitos de ISBN 10 biliões de nós!!! Procura para trás Se o objectivo é Ter(ISBN ), e considerando que Comprar(x) Ter(x) então é necessário Comprar(ISBN ) O que são boas funções heurísticas? Boas estimativas do custo do estado? Dependentes ou independentes do problema? Como decompor um problema? A maioria dos problemas do mundo real são quase decomponíveis Decomposição reduz complexidade do problema
6 Linguagem de planeamento O que é uma boa linguagem? Uma linguagem suficientemente expressiva para descrever uma grande variedade de problemas Uma linguagem suficientemente restritiva para permitir que algoritmos eficientes operem sobre ela Um algoritmo de planeamento deve ser capaz de explorar a estrutura lógica do problema Linguagem STRIPS (STanford Reasearch Institute Problem Solver) representação básica Linguagem ADL (Action Description Language)
7 Características gerais da linguagem STRIPS (1) Representação de estados Decomposição do mundo em condições lógicas e representação de um estado como uma conjunção de literais positivos Literais proposicionais: Pobre Desconhecido Literais sem variáveis e sem funções: Em(Avião1, Melbourne) Em(Avião2, Sydney) Assumir que o mundo é fechado: as condições que não são mencionadas são falsas Representação de objectivos Estados parcialmente especificados e representados como uma conjunção de literais positivos sem variáveis Rico Famoso Um objectivo é satisfeito se o estado contém todos os literais do objectivo Rico Famoso Miserável
8 Características gerais da linguagem STRIPS (2) Representação de acções Acção = PRÉ-CONDIÇÃO + EFEiTO Acção(Voar(a,de,para), PRÉ-CONDIÇÃO: Em(a,de) Avião(a) Aeroporto(de) Aeroporto(para) EFEITO: Em(a,de) Em(a,para) = esquema de acção Nome da acção e lista de parâmetros Pré-condição (conj. de literais sem funções): o que tem de ser verdadeiro para a acção ser executada Efeito (conj. de literais sem funções): o que é verdadeiro (P) e o que é falso (P) após a acção ser executada Literais podem ser separados em lista de adições e lista de remoções
9 Semântica da linguagem Como é que as acções afectam os estados? Uma acção é aplicável em qualquer estado que satisfaça a pré-condição Aplicabilidade de uma acção pode envolver uma substituição para as variáveis na PRÉ-CONDIÇÃO Em(A1,JFK) Em(A2,SFO) Avião(A1) Avião(A2) Aeroporto(JFK) Aeroporto(SFO) Satisfaz : Em(a,de) Avião(a) Aeroporto(de) Aeroporto(para) Com ={a/a1,de/jfk,para/sfo} (há outras hipóteses) Logo a acção Voar(A1,JFK,SFO) é aplicável.
10 Semântica da linguagem O resultado de executar uma acção num estado s é um estado s s é o mesmo que s excepto Qualquer literal positivo P no efeito de a é adicionado a s Qualquer literal negativo P é removido de s Em(A1,SFO) Em(A2,SFO) Avião(A1) Avião(A2) Aeroporto(JFK) Aeroporto(SFO) Em STRIPS assume-se o seguinte: (para evitar o problema de representação de enquadramentos) Qualquer literal que NÃO esteja no efeito permanece inalterado Uma solução é uma sequência de acções que a partir do estado inicial conduz a um estado objectivo
11 Expressividade e extensões STRIPS é uma linguagem muito simples Só literais positivos nos estados Assume mundo fechado Efeito PQ significa inserir P e remover Q Não há variáveis nos objectivos Objectivos são conjunções Efeitos são conjunções Não suporta igualdade Não suporta tipos Símbolos de função não são permitidos: implicam um número infinito de estados e acções
12 STRIPS: transporte aéreo de carga Início(Em(C1, SFO) Em(C2,JFK) Em(A1,SFO) Em(A2,JFK) Carga(C1) Carga(C2) Avião(A1) Avião(A2) Aeroporto(JFK) Aeroporto(SFO)) Objectivo(Em(C1,JFK) Em(C2,SFO)) Acção(Carregar(c,a,l) PRÉ-CONDIÇÃO: Em(c,l) Em(a,l) Carga(c) Avião(a) Aeroporto(l) EFEITO: Em(c,l) Dentro(c,a)) Acção(Descarregar(c,a,l) PRÉ-CONDIÇÃO: Dentro(c,a) Em(a,l) Carga(c) Avião(a) Aeroporto(l) EFEITO: Em(c,l) Dentro(c,a)) Acção(Voar(a,de,para) PRÉ-CONDIÇÃO: Em(a,de) Avião(a) Aeroporto(de) Aeroporto(para) EFEITO: Em(a,de) Em(a,para)) [Carregar(C1,A1,SFO), Voar(A1,SFO,JFK), Descarregar(C1,A1,JFK), Carregar(C2,A2,JFK), Voar(A2,JFK,SFO), Descarregar(C2,A2,SFO)]
13 STRIPS: mundo dos blocos Início(On(A, Table) On(B,Table) On(C,Table) Block(A) Block(B) Block(C) Clear(A) Clear(B) Clear(C)) Objectivo(On(A,B) On(B,C)) Acção(Move(b,x,y) PRÉ-CONDIÇÃO: On(b,x) Clear(b) Clear(y) Block(b) Block(y) EFEITO: On(b,y) Clear(x) On(b,x) Clear(y)) Acção(MoveToTable(b,x) PRÉ-CONDIÇÃO: On(b,x) Clear(b) Block(b) EFEITO: On(b,Table) Clear(x) On(b,x)) Se não existisse o predicado Clear teríamos que usar a linguagem ADL para poder ter literais negativos na PRÉ-CONDIÇÃO ( On(x,b)) Acções irrelevantes são possíveis: e.g., Move(B,C,C) podem ser evitadas com desigualdades
14 Expressividade e extensões Extensão recente: Action Description Language (ADL) Literais positivos e negativos nos estados Assume mundo aberto Efeito PQ significa inserir P e Q e apagar P e Q Variáveis quantificadas nos objectivos Objectivos com conjunções e disjunções Existência de efeitos condicionais (e.g. P:E significa que P é efeito só se E for verdadeiro) Suporta igualdade Variáveis podem ter tipos Acção(Voar(a:Avião, de:aeroporto, para:aeroporto), PRECONDIÇÃO: Em(a,de) (de para) EFEITO: Em(a,de) Em(a,para)) Linguagem + usada: Planning Domain Definition Language (PDDL)
15 ADL: pneu sobresselente Início(Em(Furado, Eixo) Em(Sobresselente,Bagageira)) Objectivo(Em(Sobresselente,Eixo)) Acção(Remove(Sobresselente,Bagageira) PRÉ-CONDIÇÃO: Em(Sobresselente,Bagageira) EFEITO: Em(Sobresselente,Bagageira) Em(Sobresselente,Chão)) Acção(Remove(Furado,Eixo) PRÉ-CONDIÇÃO: Em(Furado,Eixo) EFEITO: Em(Furado,Eixo) Em(Furado,Chão)) Acção(Colocar(Sobresselente,Eixo) PRÉ-CONDIÇÃO: Em(Sobresselente,Chão) Em(Furado,Eixo) EFEITO: Em(Sobresselente,Eixo) Em(Sobresselente,Chão)) Acção(DeixarDuranteANoite PRÉ-CONDIÇÃO: EFEITO: Em(Sobresselente,Chão) Em(Sobresselente,Eixo) Em(Sobresselente,Bagageira) Em(Furado,Chão) Em(Furado,Eixo) ) Este exemplo está para além do STRIPS: literais negativos na pré-conditição (descrição ADL)
16 Planeamento com procura em espaço de estados Possibilidade de fazer procura progressiva ou regressiva Planeadores progressivos Procura progressiva em espaço de estados Considerar o efeito de todas as acções possíveis num dado estado Planeadores regressivos Procura regressiva em espaço de estados Para alcançar um objectivo, considerar o que tem de ser verdadeiro no estado anterior
17 Progressão e regressão
18 Algoritmo de progressão Formulação como um problema de procura num espaço de estados: Estado inicial = estado inicial do problema de planeamento Literais que não aparecem são falsos Acções = aquelas cujas pré-condições são satisfeitas Adicionar efeitos positivos, remover efeitos negativos Teste objectivo = se o estado verifica o objectivo Custo de transição = cada acção tem custo 1 Não há funções logo qualquer procura em grafo completa é uma algoritmo de planeamento completo Causas de ineficiência: (1) acções irrelevantes (2) procura eficiente dependente de uma boa heurística
19 Algoritmo de regressão Como determinar os predecessores? Quais são os estados para os quais aplicar uma dada acção leva ao objectivo? Estado objectivo = Em(C1, B) Em(C2, B) Em(C20, B) Acção que tem o primeiro objectivo como efeito: Descarregar(C1,a,B) Funciona apenas se as pré-condições são satisfeitas Estado anterior = Em(C1, a) Em(a, B) Em(C2, B) Em(C20, B) Sub-objectivo Em(C1,B) já não está presente neste estado Acções não devem anular objectivos alcançados Principal vantagem: só são consideradas acções relevantes Tipicamente factor de ramificação muito inferior ao da procura progressiva
20 Algoritmo de regressão Processo genérico para obter predecessores Dado um objectivo G Dada uma acção A que é relevante (para alcançar objectivos) e consistente (não invalida objectivos já alcançados) Um predecessor é obtido do seguinte modo: Quaisquer efeitos positivos de A que aparecem em G são removidos Cada pré-condição de A é adicionada aos objectivos, a não ser que já lá esteja Qualquer algoritmo de procura tradicional pode efectuar esta procura Termina quando predecessor é satisfeito pelo estado inicial Em Lógica de 1ª Ordem a satisfação pode implicar uma substituição
21 Heurísticas para procura em espaço de estados As procuras progressiva e regressiva não são eficientes sem uma boa heurística Quantas acções são necessárias para alcançar este objectivo? Solução exacta é NP difícil encontrar uma boa heurística Duas abordagens para encontrar uma heurística admissível: Uma solução óptima para um problema relaxado Remover todas as pré-condições das acções Assumir sub-objectivos independentes O custo de alcançar um conjunto de sub-objectivos é (aproximadamente) igual à soma dos custos de resolver os problemas independentemente
22 Planeamento de ordem parcial Planeamento com procura progressiva e regressiva resulta em planos de procura totalmente ordenados Não é possível obter as vantagens da decomposição de problemas Decisões devem ser feitas de modo a encontrar sequências de acções para todos os sub-problemas Estratégia do compromisso mínimo Adiar decisões durante a procura
23 Exemplo dos sapatos Goal(RightShoeOn LeftShoeOn) Init() Action(RightShoe, PRECOND: RightSockOn, EFFECT: RightShoeOn) Action(RightSock, PRECOND:, EFFECT: RightSockOn) Action(LeftShoe, PRECOND: LeftSockOn, EFFECT: LeftShoeOn) Action(LeftSock, PRECOND:, EFFECT: LeftSockOn) Plano: combinar duas sequências de acções (1)leftsock, leftshoe (2)rightsock, rightshoe
24 Planeamento de ordem parcial(pop) Acções num plano com ordem de execução não determinada; planos com ordem total são uma linearização da ordem parcial
25 POP como problema de procura Estados são (tipicamente) planos inacabados Plano vazio contém apenas acções iniciar e terminar Cada plano tem 4 componentes: Um conjunto de acções (etapas do plano) Um conjunto de restrições de ordem: A < B Ciclos representam contradições Um conjunto de ligações causais p A B Um plano não pode ser estendido com a adição de uma nova acção C que entra em conflito com uma ligação causal (se o efeito de C é p então C não pode vir depois de A e antes de B) Um conjunto de pré-condições abertas Pré-condições que ainda não foram alcançadas através de uma acção
26 POP como problema de procura Plano final do exemplo anterior corresponde a: Acções:{RightSock, RightShoe, LeftSock, LeftShoe, Start, Finish} Ordenações:{RightSock<RightShoe; LeftSock<LeftShoe} Ligações causais: {RightSock(RightSockOn)RightShoe; LeftSock(LeftSockOn)LeftShoe; RightShoe(RightShoeOn)Finish; LeftShoe(LeftShoeOn)Finish} Pré-condições abertas: {} Foram omitidas as ordenações relativas a Start/Finish
27 POP como problema de procura Um plano é consistente se e só se não existem ciclos nas restrições de ordem e não existem conflitos com as ligações causais Um plano consistente sem pré-condições abertas é uma solução Um plano de ordem parcial é executado ao executar repetidamente qualquer uma das próximas acções possíveis Esta flexibilidade é vantajosa em ambientes não cooperativos
28 POP: resolução Considerar problemas de planeamento proposicionais: O plano inicial contém Iniciar e Terminar, a restrição de ordem Iniciar < Terminar, não há ligações causais, todas as pré-condições em Terminar estão abertas Função sucessores: Escolher uma pré-condição p de uma acção B e Gerar um plano sucessor para todas as formas consistentes de escolher uma acção A que permite obter p Teste objectivo
29 Consistência Ao gerar um plano sucessor: A relação causal A--p->B e a restrição de ordem A < B é adicionada ao plano Se A é novo então adicionar também Iniciar < A e A < B ao plano Resolver conflitos entre novas ligações causais e as acções existentes Resolver conflitos entre a acção A (se for nova) e todas as ligações causais existentes
30 Resumo do processo Operadores em planos parciais Adicionar uma ligação do plano existente para uma pré-condição aberta Adicionar uma acção para alcançar uma précondição Ordenar uma acção em relação a outra para evitar possíveis conflitos Gradualmente passar de planos vagos/ incompletos para planos completos/correctos Retroceder se uma pré-condição não pode ser alcançada ou se um conflito não for resolúvel
31 Exemplo: Pneu sobresselente Init(At(Flat, Axle) At(Spare,Trunk)) Goal(At(Spare,Axle)) Action(Remove(Spare,Trunk) PRECOND: At(Spare,Trunk) EFFECT: At(Spare,Trunk) At(Spare,Ground)) Action(Remove(Flat,Axle) PRECOND: At(Flat,Axle) EFFECT: At(Flat,Axle) At(Flat,Ground)) Action(PutOn(Spare,Axle) PRECOND: At(Spare,Ground) At(Flat,Axle) EFFECT: At(Spare,Axle) Ar(Spare,Ground)) Action(LeaveOvernight PRECOND: EFFECT: At(Spare,Ground) At(Spare,Axle) At(Spare,Trunk) At(Flat,Ground) At(Flat,Axle) )
32 Resolução do problema Plano inicial: Início com EFEITO = Estado Inicial e Fim com PRÉ-CONDIÇÃO = Objectivo
33 Resolução do problema Plano inicial: Início com EFEITO e Fim com PRÉ-CONDIÇÃO Escolher uma pré-condição aberta: At(Spare, Axle) Somente a acção PutOn(Spare, Axle) é aplicável At(Spare,Axle) Adicionar ligação causal: PutOn(Spare, Axle) Finish Adicionar restrição: PutOn(Spare, Axle) < Finish
34 Resolução do problema Escolher uma pré-condição aberta: At(Spare, Ground) Somente Remove(Spare, Trunk) é aplicável Adicionar ligação causal: At( Spare, Ground ) Re move( Spare, Trunk) PutOn( Spare, Axle) Adicionar restrição: Remove(Spare, Trunk) < PutOn(Spare,Axle)
35 Resolução do problema Escolher uma pré-condição aberta: At(Flat, Axle) LeaveOverNight é aplicável At(Spare,Ground ) Conflito: Re move(spare,trunk) PutOn(Spare, Axle) Para o resolver, adicionar restrição : LeaveOverNight < Remove(Spare, Trunk) At( Flat, Axle) Adicionar ligação causal: LeaveOverNight PutOn( Spare, Axle)
36 Resolução do problema Escolher uma pré-condição aberta : At(Spare, Trunk) Somente Start é aplicável Adicionar ligação causal: Conflito: da ligação causal com o efeito At(Spare,Trunk) em LeaveOverNight Retrocesso Start At(Spare,Trunk) Re move(spare,trunk) Não é possível encontrar uma solução mesmo com reordenação
37 Resolução do problema Remover LeaveOverNight, Remove(Spare, Trunk) e ligações causais Repetir passo com Remove(Spare,Trunk) Adicionar também Remove(Flat,Axle) e Finish
38 Alguns pormenores O que acontece quando é usada uma representação em LPO que inclui variáveis? Complica o processo de detectar e resolver conflitos Podem ser solucionados introduzindo restrições de desigualdade CSPs: heurística da variável com mais restrições pode ser usada para os algoritmos de planeamento seleccionarem uma PRÉ-CONDIÇÃO
39 Grafos de planeamento Estrutura de dados usada para obter estimativas mais precisas para as heurísticas Solução também pode ser directamente extraída usando o algoritmo GRAPHPLAN Consiste numa sequência de níveis que correspondem a instantes de tempo no plano Nível 0 é o estado inicial Cada nível consiste num conjunto de literais e num conjunto de acções Literais = todos os literais que podem ser verdadeiros nesse instante de tempo, dependendo das acções executadas no instante de tempo anterior Acções = todas as acções que podem ter as suas pré-condições satisfeitas nesse instante de tempo, dependendo dos literais verdadeiros nesse instante
40 Grafos de planeamento Significado de podem? Registo de apenas um sub-conjunto restrito de possíveis interacções negativas entre acções Funciona apenas para problemas proposicionais Exemplo: Init(Have(Cake)) Goal(Have(Cake) Eaten(Cake)) Action(Eat(Cake), PRECOND: Have(Cake) EFFECT: Have(Cake) Eaten(Cake)) Action(Bake(Cake), PRECOND: Have(Cake) EFFECT: Have(Cake))
41 Exemplo do bolo Início no nível S0 e determina nível de acção A0 e nível seguinte S1. A0 >> todas as acções cujas pré-condições são satisfeitas no nível anterior Ligação de pré-condição e efeito de acções S0 --> S1 Inacção é representada pela persistência de acções () Nível A0 contém as acções que podem ocorrer Conflitos entre acções são representados por ligações mutex (exclusividade mútua) linhas curvas
42 Exemplo do bolo Nível S1 contém todos os literais que podiam resultar da escolha de qualquer subconjunto de acções em A0 Conflitos entre literais que não podem ocorrer juntos são representados por ligações mutex S1 define múltiplos estados e ligações mutex são restrições associadas a este conjunto de estados Continuar até que dois níveis S i-1 e S i sejam idênticos: grafo está leveled off Expansão adicional é desnecessária
43 Exemplo do bolo Uma relação mutex é estabelecida entre duas acções quando: Efeitos de inconsistência: uma acção nega o efeito da outra e.g. acção Eat(Cake) e persistência de Have(Cake) Interferência: um dos efeitos de uma acção é a negação da précondição de outra e.g. Eat(Cake) e persistência de Have(Cake) Competição: uma das pré-condições de uma acção é mutuamente exclusiva em relação à pré-condição de outra e.g. Eat(Cake) e Bake(Cake) em relação a Have(Cake)
44 Exemplo do bolo Uma relação mutex é estabelecida entre dois literais do mesmo nível quando (suporte inconsistente): Um é a negação do outro OU Qualquer par de acções possível que podia produzir esses literais é mutex Obs.: em S 2 Have(Cake) e Eaten(Cake) já são possíveis
45 Grafos de planeamento e heurísticas Planeamento com grafos disponibiliza informação sobre o problema Um literal que não aparece no nível final do grafo não pode ser alcançado por nenhum plano Útil para procura por retrocesso (custo = inf) Nível pode ser usado como estimativa do custo de alcançar literais objectivo = custo de nível Problema: podem ocorrer várias acções Restrição a uma acção usando grafos em série (adicionar ligações de exclusividade mútua entre cada par de acções, excepto para acções persistentes) Heurísticas: máximo nível, soma de níveis, Planeamento com grafos é um problema relaxado
46 Algoritmo GRAPHPLAN Como extrair uma solução directamente de um grafo? função GRAPHPLAN(problema) devolve solução ou falha grafo GRAFO-INICIAL-PLANEAMENTO(problema) objectivos OBJECTIVOS[problema] loop se objectivos são todos não mutex no último nível do grafo então solução EXTRAI-SOLUÇÃO(grafo,objectivos,COMPRIMENTO(grafo)) se solução falha então devolve solução senão se NÃO-HÁ-SOLUÇÃO-POSSÍVEL(grafo) então devolve falha grafo EXPANDE-GRAFO(grafo, problema)
47 Exemplo: Pneu sobresselente Init(At(Flat, Axle) At(Spare,Trunk)) Goal(At(Spare,Axle)) Action(Remove(Spare,Trunk) PRECOND: At(Spare,Trunk) EFFECT: At(Spare,Trunk) At(Spare,Ground)) Action(Remove(Flat,Axle) PRECOND: At(Flat,Axle) EFFECT: At(Flat,Axle) At(Flat,Ground)) Action(PutOn(Spare,Axle) PRECOND: At(Spare,Ground) At(Flat,Axle) EFFECT: At(Spare,Axle) Ar(Spare,Ground)) Action(LeaveOvernight PRECOND: EFFECT: At(Spare,Ground) At(Spare,Axle) At(Spare,Trunk) At(Flat,Ground) At(Flat,Axle) )
48 Exemplo GRAPHPLAN Inicialmente o plano consiste em 5 literais obtidos a partir do estado inicial (assumindo que o mundo é fechado) Adicionar acções cujas pré-condições sejam satisfeitas por EXPANDE- GRAFO (A0) Adicionar acções de persistência e relações mutex Adicionar os efeitos no nível S1 Repetir até que o objectivo esteja no nível Si
49 Exemplo GRAPHPLAN EXPANDE-GRAFO também procura relações mutex Efeitos inconsistentes E.g. Remove(Sobresselente,Bagageira) e DeixarDuranteANoite Interferência E.g. Remover(Furado,Eixo) e DeixarDuranteANoite Competição E.g. Colocar(Sobresselente,Eixo) e Remover(Furado,Eixo) Suporte inconsistente E.g. em S2, Em(Sobresselente,Eixo) e Em(Furado,Eixo)
50 Exemplo GRAPHPLAN Em S2, o literal objectivo existe e é não mutex em relação a qualquer outro literal Solução pode existir e EXTRAI-SOLUÇÃO tentará encontrá-la EXTRAI-SOLUÇÃO usa um algoritmo de procura: Estado inicial = último nível do grafo e objectivos do problema de planeamento Acções = qualquer selecção de acções não conflituosas que cubram os objectivos nesse estado Objectivo = alcançar o nível S0 tal que os objectivos sejam satisfeitos Custo = 1 por cada acção
51 Exemplo GRAPHPLAN Termina? SIM GP (grafos de planeamento) são monotonamente crescentes ou decrescentes: Literais aumentam monotonamente: um literal que apareça num estado aparece em todos os estados seguintes Acções aumentam monotonamente Mutexes diminuem monotonamente Devido a estas propriedades e ao facto de existir um número limitado de acções e literais, qualquer GP termina
52 Planeamento com lógica proposicional Planeamento pode ser feito através da prova de teoremas em cálculo situacional Aqui: testar a satisfação de uma frase em lógica: Frase contém proposições para a ocorrência de qualquer acção initial state all possible action descriptions goal Um modelo atribui verdadeiro às acções que fazem parte do plano correcto e falso às outras Uma atribuição que corresponde a uma plano incorrecto não será um modelo porque entrará em conflito com a necessidade do objectivo ser verdadeiro Se não existir nenhum plano possível então a frase será não satisfazível (não há nenhuma solução possível)
53 Algoritmo SATPLAN função SATPLAN(problema, T max ) devolve solução ou falha inputs: problema, um problema de planeamento T max, um limite superior para o comprimento do plano para T = 0 T max cnf, mapeamento TRADUZ-PARA_SAT(problema, T) atribuição SAT-SOLVER(cnf) se atribuição não é vazia então devolve falha devolve EXTRAI-SOLUÇÃO(atribuição, mapeamento)
54 cnf,mapeamento TRADUZ-PARA_SAT(problema,T) Proposições diferentes para factos em cada instante de tempo Cada proposição tem um instante de tempo associado Em(A1,SFO) 0 Em(A2,JFK) 0 Não podemos assumir que o mundo é fechado logo temos que especificar que proposições não são verdadeiras Em(A1,JFK) 0 Em(A2,SFO) 0 Proposições desconhecidas não são especificadas O objectivo está associado a um instante de tempo
55 cnf,mapeamento TRADUZ-PARA_SAT(problema,T) Como determinar o instante de tempo em que o objectivo será alcançado? Começar em T=0 Verificar Em(A1,SFO) 0 Em(A2,JFK) 0 Se falha... Tentar T=1 Verificar Em(A1,SFO) 1 Em(A2,JFK) 1 Repetir este processo até que um caminho de comprimento mínimo seja alcançado Terminação é assegurada por T max
56 cnf,mapeamento TRADUZ-PARA_SAT(problema,T) Como codificar acções em lógica proposicional? Versão proposicional dos axiomas de estado sucessor Em(A1,JFK) 1 (Em(A1,JFK) 0 (Voa(A1,JFK,SFO) 0 Em(A1,JFK) 0 )) (Voa(A1,SFO,JFK) 0 Em(A1,SFO) 0 ) Este tipo de axiomas é necessário para cada plano, aeroporto e instante de tempo Se tivermos mais aeroportos temos de acrescentar mais informação Uma vez construídos estes axiomas, um algoritmo de SAT pode começar a procurar um plano
57 atribuição SAT-SOLVER(cnf) Podem ser encontrados vários modelos Que NÃO são satisfatórios: (para T=1) Voa(A1,SFO,JFK) 0 Voa(A1,JFK,SFO) 0 Voa(A2,JFK,SFO) 0 A segunda acção não é possível Ainda que o plano seja um modelo da frase initial state all possible action descriptions goal 1 Evitar acções impossíveis através de axiomas de précondição Voa(A1,SFO,JFK) 0 Em(A1,JFK) 0 Agora existe apenas um modelo que satisfaz todos os axiomas e para o qual o objectivo é alcançado em T=1.
58 atribuição SAT-SOLVER(cnf) Um avião pode voar para dois destinos ao mesmo tempo Não devia ser possível Voa(A1,SFO,JFK) 0 Voa(A2,JFK,SFO) 0 Voa(A2,JFK,LAX) 0 A terceira acção não é possível Ainda que um plano possa conter acções irrelevantes Evitar acções irrelevantes: axiomas de exclusividade de acções (Voa(A2,JFK,SFO) 0 Voa(A2,JFK,LAX) 0 ) Evita acções simultâneas Perca de flexibilidade porque o plano tem de ser totalmente ordenado: não podem ocorrer acções no mesmo instante de tempo Usar exclusões parciais limitadas a pré-condições: duas acções não podem ocorrer simultaneamente se uma delas nega a précondição ou efeito da outra
59 Análise das abordagens de planeamento Planeamento é uma área de grande interesse em IA Procurar uma solução Provar construtivamente a existência de uma solução O maior problema é a possibilidade de uma explosão combinatória no número de estados Métodos eficientes em investigação E.g. dividir-para-conquistar
Grafos em planeamento
Planeamento Enquadramento Linguagens para planeamento Planeamento com procura em espaço de estados Planeamento de ordem parcial Grafos em planeamento Planeamento com lógica proposicional Análise das abordagens
Leia maisPlaneamento com procura em espaço de estados
Planeamento Enquadramento Linguagens para planeamento Planeamento com procura em espaço de estados Planeamento de ordem parcial Grafos em planeamento Planeamento com lógica proposicional Análise das abordagens
Leia maisBaseado nos slides de T. Lenarts (IRIDIA), L. Zuoquan(PeckingUniversity) e J.L.Ambite(ISI) Planeamento. Capítulo 11 (disponível online)
Baseado nos slides de T. Lenarts (IRIDIA), L. Zuoquan(PeckingUniversity) e J.L.Ambite(ISI) Planeamento Capítulo 11 (disponível online) O que é o planeamento? Um sistema de planeamento consiste num algoritmo
Leia maisBaseado nos slides de Tom Lenarts (IRIDIA) e Lin Zuoquan(PeckingUniversity) Capítulo 11
Baseado nos slides de Tom Lenarts (IRIDIA) e Lin Zuoquan(PeckingUniversity) Planeamento Capítulo 11 Planeamento Enquadramento Linguagens para planeamento Planeamento com procura em espaço de estados Planeamento
Leia maisBaseado nos slides de T. Lenarts (IRIDIA), L. Zuoquan(PeckingUniversity) e J.L.Ambite(ISI) Planeamento. Capítulo 11 (disponível online)
Baseado nos slides de T. Lenarts (IRIDIA), L. Zuoquan(PeckingUniversity) e J.L.Ambite(ISI) Planeamento Capítulo 11 (disponível online) O que é o planeamento? Um sistema de planeamento consiste num algoritmo
Leia maisPlaneamento Clássico
Planeamento Clássico Sumário O que é Planeamento (clássico) Linguagens Representação para Planeamento Planeamento com Procura em Espaço de Estados Procura para a frente Procura para trás Heurísticas para
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 12 Planejamento Edirlei Soares de Lima Introdução Agentes vistos anteriormente: Agentes baseados em busca. Busca cega; Busca heurística; Busca
Leia maisSituações como resultados de ações no mundo. Wumpus
Situation Calculus planejamento como dedução em lógica de primeira ordem Estado inicial é uma situação; Result(s, a) é uma situação, para o estado s e a ação a; Estados são situações uma situação é gerada
Leia maisGrafos de Planejamento
Grafos de Planejamento O planejador Graphplan Grafo de Planejamento [Blum&Furst 1997] Grafo de níveis: seqüência de níveis que correspondem a passos de tempo no plano. Nível 0 é o estado inicial. níveli:
Leia maisPROCURA E PLANEAMENTO
PROCURA E PLANEAMENTO Primeiro Exame 10 de Janeiro de 2012 9:00-11:30 Este exame é composto por 16 páginas contendo 6 grupos de perguntas. Identifique já todas as folhas do exame com o seu nome e número.
Leia maisPlanejamento em IA. Blackbox Graphplan + SATplan. Leliane Nunes de Barros
Planejamento em IA Blackbox Graphplan + SATplan Introdução SATplan métodos para compilar problemas de planejamento em fórmulas proposicionais (CNF) resolvidas por algoritmos SAT sistemáticos e estocásticos.
Leia maisPlanejamento & Escalonamento O algoritmo FF-métrico. Aldebaran Perseke 3 de abril de 2003
Planejamento & Escalonamento O algoritmo FF-métrico Aldebaran Perseke aldeba@ime.usp.br 3 de abril de 2003 Planejamento & Escalonamento Problemas de planejamento e escalonamento envolvem os seguintes aspectos:
Leia maisInteligência Artificial. Inteligência Artificial
Inteligência Artificial Planeamento Parte 1 Agenda Introdução Resolução de Problemas versus Planeamento Planeamento com Cálculo C Situacional Linguagem STRIPS Parte 2 Mundo de Blocos Anomalia de Sussman
Leia maisPlanejamento em Inteligência Artificial
Planejamento em Inteligência Artificial Anderson Amorim Lucas Leal Maíra Freitas Ricardo Igor Thiago Bomfim Túlio Miranda Departamento de Ciência da Computação Universidade Federal da Bahia (UFBA) Introdução
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 11 Planejamento Edirlei Soares de Lima Agentes Vistos Anteriormente Agentes Baseados em Busca. Busca cega; Busca heurística; Busca local; Agentes
Leia maislnteligência Artificial Planejamento
lnteligência Artificial Planejamento 1 Planejamento:Conceitos básicos A tarefa de apresentar uma seqüência de ações que alcançarão um objetivo é chamada planejamento. Vimos até agora dois exemplos de agentes
Leia maisIA - Planejamento I. Professor Paulo Gurgel Pinheiro. 11 de Novembro de 2010
IA - I Professor Paulo Gurgel Pinheiro MC906A - Inteligência Articial Instituto de Computação Universidade Estadual de Campinas - UNICAMP 11 de Novembro de 2010 1 / 54 http://www.ic.unicamp.br/ pinheiro/
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL Segundo Exame 11 de Julho de 2006 9:00-11:00 Este exame é composto por 11 páginas contendo 8 grupos de perguntas. Identifique já todas as folhas do exame com o seu nome e número.
Leia maisInteligência Artificial
Repescagem Segundo Teste 31 de Janeiro de 2014 10:30-12:00 1.º Enunciado Esta prova é constituída por 5 enunciados separados. Preencha cuidadosamente o nome e número na primeira página de cada um dos enunciados.
Leia maisGrafos de Planejamento. iane Nunes de Barros. Adaptado de Lectures Slides of Automated Planning: theory and practice (
Grafos de Planejamento Grafo de Planejamento: motivação Uma das razões da ineficiência dos algoritmos de busca é o fator de ramificação da árvore de busca, isto é, o número de filhos de cada nó Por exemplo:
Leia maisistemas Inteligentes,
istemas Inteligentes, 12-13 1 Cap. 11: PLANNING Uma vez tendo estabelecido um conjunto de estados e construído um modelo completo e correto, precisamos traçar um plano de ação de forma que o agente possa
Leia maisSatisfação de Restrições. Capítulo 5 (disponível online)
Satisfação de Restrições Capítulo 5 (disponível online) Sumário Problemas de Satisfação de Restrições (CSPs) Procura com Retrocesso para CSPs Procura Local para CSPs Estrutura dos CSPs Problemas de Satisfação
Leia maisInteligência Artificial Taguspark
Inteligência Artificial Taguspark Repescagem do Segundo Teste 22 de Julho de 2006 9H00-10H30 Nome: Número: Este teste tem 10 perguntas e 10 páginas. Escreva o número em todas as páginas. Deve ter na mesa
Leia maisPlaneamento em Robótica
PLANEAMENTO AUTOMÁTICO - Em Inteligência Artificial, Geração Automática de Planos estuda a resolução de um problema original através da decomposição em subproblemas mais elementares, propondo uma resolução
Leia maisPROCURA E PLANEAMENTO
PROCURA E PLANEAMENTO Primeiro Exame 20 de Janeiro de 2009 17:00-19:30 Este exame é composto por 14 páginas contendo 6 grupos de perguntas. Identifique já todas as folhas do exame com o seu nome e número.
Leia maisAnálise e Síntese de Algoritmos
Análise e Síntese de Algoritmos Problemas NP-Completos CLRS, Cap. 34 Contexto Algoritmos em Grafos Estruturas de Dados para Conjuntos Disjuntos Programação Linear Programação Dinâmica Algoritmos Greedy
Leia maisPlanejamento de Ordem Parcial. (ou planejamento como busca no espaço de planos) Revisão baseada no livro AIMA. Leliane Nunes de Barros
Planejamento de Ordem Parcial (ou planejamento como busca no espaço de planos) Revisão baseada no livro AIMA Leliane Nunes de Barros Introdução O que é planejamento? Artigo recomendado: A Review of AI
Leia maisInteligência Artificial Capítulo 4. Planejamento em. Espaço de Estados
Planejamento em Inteligência Artificial Capítulo 4 Planejamento em Espaço de Estados José de Jesús Pérez-Alcázar MAC 5788 - IME/USP segundo semestre de 2005 Motivação Quase todos os procedimentos de planejamento
Leia maislnteligência Artificial
lnteligência Artificial Planejamento 1 Planejamento:Conceitos básicos Planejador: objetiva encontrar um plano que permita um agente executar uma tarefa, a partir de uma situação inicial. Plano: seqüência
Leia maisSatisfação de Restrições. Capítulo 5 (disponível online)
Satisfação de Restrições Capítulo 5 (disponível online) Sumário Problemas de Satisfação de Restrições (CSPs, do Inglês Constraint Satisfaction Problems ) Procura com Retrocesso para CSPs Procura Local
Leia maisAnálise e Síntese de Algoritmos. Problemas NP-Completos CLRS, Cap. 34
Análise e Síntese de Algoritmos Problemas NP-Completos CLRS, Cap. 34 Contexto Revisões [CLRS, Cap. 1-10] Algoritmos em Grafos [CLRS, Cap. 22-26] Algoritmos elementares Árvores abrangentes Caminhos mais
Leia maisInteligência Artificial Alameda e Taguspark
Inteligência Artificial Alameda e Taguspark Repescagem do Segundo Teste 13 de Feveiro de 2009 17H00-17H30 Nome: Número: Este teste tem 8 perguntas e 7 páginas. Escreva o número em todas as páginas. Deve
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 10 Planejamento Edirlei Soares de Lima Agentes Vistos Anteriormente Agentes Baseados em Busca. Busca cega; Busca heurística; Busca local; Agentes
Leia maisRepresentação do Conhecimento
Baseado nos slides de Tom Lenarts (IRIDIA) Representação do Conhecimento Capítulo 10 Sumário Engenharia Ontológica Categorias e objectos Acções, situações e eventos Conhecimento sobre crenças O mundo de
Leia maisInteligência Artificial Alameda e Taguspark
Inteligência Artificial Alameda e Taguspark Segundo Teste 05 de Janeiro de 2009 9H00-10H30 Nome: Número: Este teste tem 8 perguntas e 6 páginas. Escreva o número em todas as páginas. Deve ter na mesa apenas
Leia maislnteligência Artificial
lnteligência Artificial Busca Heurística - Informada Estratégias de Busca Heurística Usam conhecimento específico do problema na busca da solução Mais eficientes que busca não informada Busca Informada
Leia maisInteligência Artificial
Inteligência Artificial Segundo Teste 15 de Janeiro de 2014 9:00-10:30 Este teste é composto por 11 páginas contendo 7 grupos de perguntas. Para perguntas com resposta de escolha mu ltipla, respostas erradas
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 11 Planejamento Introdução Agentes vistos anteriormente: Agentes baseados em busca. Busca cega; Busca heurística; Busca
Leia maisInteligência Artificial - IA. Resolução de problemas por meio de busca
Resolução de problemas por meio de busca 1 Agente reativo - definido por ação reação Agente de resolução de problemas (ou baseado em objetivos) encontra sequencias de ações que leva ao estado desejável.
Leia maisInteligência Artificial IA IV. RACIOCÍNIO BASEADO EM REGRAS
Inteligência Artificial IA Prof. João Luís Garcia Rosa IV. RACIOCÍNIO BASEADO EM REGRAS Parte 2 2004 Um Sistema de Dedução Regressivo Uma propriedade importante da lógica é a dualidade entre asserções
Leia maisAgentes Lógicos. Capítulo 7 (online)
Agentes Lógicos Capítulo 7 (online) Sumário Agentes baseados em conhecimento O mundo do Wumpus Lógica em geral Lógica proposicional (Booleana) Equivalência, validade, satisfação Regras de inferência e
Leia maisGeração de Planos (Planning) May 14, 2015
Geração de Planos (Planning) May 14, 2015 Uma vez tendo estabelecido um conjunto de estados e construído um modelo completo e correto, precisamos traçar um plano de ação de forma que o agente possa seguir
Leia maisBusca com informação e exploração. Inteligência Artificial
Busca com informação e exploração (Capítulo 4 - Russell) Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura Busca pela melhor escolha Busca gulosa pela melhor escolha Busca
Leia maisPROCURA E PLANEAMENTO
PROCURA E PLANEAMENTO Primeiro Exame 13 de Janeiro de 2007 11:00-13:30 Este exame é composto por 13 páginas contendo 6 grupos de perguntas. Identifique já todas as folhas do exame com o seu nome e número.
Leia maisExercícios de Procura e Planeamento 2013/2014
Exercícios de Procura e Planeamento 203/204 Fausto lmeida ula Prática de PP apítulo 2 apítulo 2 Estratégias ásicas de Procura Heurística Exercício onsidere o seguinte espaço de estados, com estado inicial,
Leia maisLógica Proposicional. LEIC - Tagus Park 2 o Semestre, Ano Lectivo 2007/08. c Inês Lynce c Luísa Coheur
Capítulo 2 Lógica Proposicional Lógica para Programação LEIC - Tagus Park 2 o Semestre, Ano Lectivo 2007/08 c Inês Lynce c Luísa Coheur Programa Apresentação Conceitos Básicos Lógica Proposicional ou Cálculo
Leia maisMétodos de Verificação
Método de Na construção de derivações no sistema de cálculo de sequentes: Na aplicação de cada regra, só a manipulação referente à fórmula principal é informativa. A cópia dos contextos revela-se assim
Leia maisPROCURA E PLANEAMENTO
PROCURA E PLANEAMENTO Primeiro Exame 31 de Janeiro de 2006 17:00-19:00 Este exame é composto por 12 páginas contendo 6 grupos de perguntas. Identifique já todas as folhas do exame com o seu nome e número.
Leia maisProblema do Planeamento
Geração Automática de Planos Metodologias de Inteligência Artificial 2005/2006 Problema do Planeamento Geração automática de Planos ( Planning ) Estudo e uso dos métodos de decomposição de um problema
Leia maisINTELIGÊNCIA ARTIFICIAL 2008/09
INTELIGÊNI RTIFIIL 2008/09 PROUR 1) onsidere o problema da torre de Hanoi com discos. Neste problema, existem três pinos, e e discos de diâmetros diferentes, estando no início todos os discos colocados
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL Primeiro Teste 29 de Outubro de 2011 17:00-18:30 Este teste é composto por 9 páginas contendo 11 perguntas. Para perguntas com resposta de escolha múltipla, respostas erradas com
Leia maisInteligência Artificial 2008/09 E z D
/Jan/009 9h-h Inteligência Artificial 008/09 DI/FCT/UNL, Duração: 3h Exame: Época Normal GRUP I I.) Considere o seguinte grafo de estados de um problema de procura. s valores apresentados nos arcos correspondem
Leia maisAlgoritmos Greedy. Pedro Ribeiro 2014/2015 DCC/FCUP. Pedro Ribeiro (DCC/FCUP) Algoritmos Greedy 2014/ / 40
Algoritmos Greedy Pedro Ribeiro DCC/FCUP 2014/2015 Pedro Ribeiro (DCC/FCUP) Algoritmos Greedy 2014/2015 1 / 40 Algoritmos Greedy Vamos falar de algoritmos greedy. Em português são conhecidos como: Algoritmos
Leia maisUsar a implementação Prolog do A*
Usar a implementação Prolog do A* 2018/09/16 O algoritmo A* serve para resolver problemas. Basicamente, descobre a sequência de passos necessários para converter um estado inicial num estado final (ou
Leia maisUniversidade Estadual de Maringá Departamento de Informática Disciplina Inteligência Artificial Profa. Josiane
Universidade Estadual de Maringá Departamento de Informática Disciplina 1018 - Inteligência Artificial Profa. Josiane Lista de Exercícios para o 3º bimestre: Problemas de Satisfação de Restrição Representação
Leia maisInteligência Artificial
Inteligência Artificial Segundo Teste 31 de Janeiro de 2014 08:00-11:00 A 1.º Enunciado Esta prova é constituída por 3 enunciados separados. Preencha cuidadosamente o nome e número na primeira página de
Leia mais1 Lógica de primeira ordem
1 Lógica de primeira ordem 1.1 Sintaxe Para definir uma linguagem de primeira ordem é necessário dispor de um alfabeto. Este alfabeto introduz os símbolos à custa dos quais são construídos os termos e
Leia maisProcura Informada. Capítulo 4
Procura Informada Capítulo 4 Sumário Procura Melhor Primeiro Procura Gananciosa Procura A * Heurísticas Procura local Árvore de Procura Uma estratégia de procura determina a ordem de expansão dos nós As
Leia maisCapítulo 5 Planejamento no espaço de planos
Planejamento em Inteligência Artificial Capítulo 5 Planejamento no espaço de planos Leliane Nunes de Barros MAC5788 IME-USP 2005 Motivação Problema com a busca de um caminho no grafo de um sistema de transição
Leia maisComplementos de Investigação Operacional. Folha nº 1 Programação Inteira 2007/08
Complementos de Investigação Operacional Folha nº Programação Inteira 2007/08 - A Eva e o Adão pretendem dividir entre eles as tarefas domésticas (cozinhar, lavar a louça, lavar a roupa, fazer as compras)
Leia maisLógica Computacional Aula 4
Lógica Computacional Aula 4 DCC/FCUP 2017/18 Conteúdo 1 Lógica proposicional 1 1.1 Fórmulas de Horn.......................................... 1 1.2 Satisfazibilidade............................................
Leia maisPROCURA E PLANEAMENTO
PROCURA E PLANEAMENTO Primeiro Exame 12 de Janeiro de 2006 17:00-19:00 Este exame é composto por 13 páginas contendo 6 grupos de perguntas. Identifique já todas as folhas do exame com o seu nome e número.
Leia maisPCS 3438 / PCS 3838 Inteligência Artificial
PCS 3438 / PCS 3838 Inteligência Artificial Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa Prof. Dra. Anarosa Alves Franco Brandão Planejamento Planejamento 1. Introdução 2. Planejamento
Leia maisEx. 1) Considere que a árvore seguinte corresponde a uma parte do espaço de estados de um jogo de dois agentes: f=7 f=7 f=1 f=2
LERCI/LEIC Tagus 2005/06 Inteligência Artificial Exercícios sobre Minimax: Ex. 1) Considere que a árvore seguinte corresponde a uma parte do espaço de estados de um jogo de dois agentes: Max Min f=4 f=7
Leia maisLógica Computacional
Lógica Computacional Lógica de Operadores Booleanos Interpretações Tautológicas, Lógicas e Analíticas Funcionalidade / Tabelas de Verdade dos Operadores Booleanos Consequências Tautológica, Lógica e Analítica
Leia maismétodo de solução aproximada
método de solução aproximada Definir - Representação - Objectivo - Função de avaliação 73 Representação do problema - Definição das variáveis de decisão do modelo escolhido para o problema real. Importante
Leia maisBusca Cega (Exaustiva) e Heurística. Busca Aula 2
Busca Cega (Exaustiva) e Heurística Busca Aula 2 Ao final desta aula a gente deve saber: Conhecer as várias estratégias de realizar Busca não-informada (Busca Cega) Determinar que estratégia se aplica
Leia maisIndução. Método de Prova por Indução. Jon Barwise e John Etchemendy, Capítulo: 16
Indução Método de Prova por Indução Referência: Capítulo: 16 Language, Proof and Logic Jon Barwise e John Etchemendy, 2008 1 Indução Métodos de prova já vistos relacionam-se diretamente com as propriedades
Leia maisLógica Computacional (CC2003)
Lógica Computacional (CC2003) Nelma Moreira Lógica Computacional 21 Conteúdo 1 Mais Teorias (decidíveis) 1 1.1 Resolução para a lógica proposicional................ 4 1.2 Cláusulas...............................
Leia maisIntrodução à Programação. João Manuel R. S. Tavares
Introdução à Programação João Manuel R. S. Tavares Sumário 1. Ciclo de desenvolvimento de um programa; 2. Descrição de algoritmos; 3. Desenvolvimento modular de programas; 4. Estruturas de controlo de
Leia maisInteligência Artificial
Inteligência Artificial Segundo Teste 20 de Janeiro de 2012 8:00-9:30 Este teste é composto por 12 páginas contendo 9 perguntas. Identifique já todas as folhas do teste com o seu nome e número. Na mesa
Leia maisComplementos de Investigação Operacional. Folha nº 1 Programação Inteira 2006/07
Complementos de Investigação Operacional Folha nº Programação Inteira 2006/07 - A Eva e o Adão pretendem dividir entre eles as tarefas domésticas (cozinhar, lavar a louça, lavar a roupa, fazer as compras)
Leia maisIntrodução à Programação
Introdução à Program João Manuel R. S. Tavares Sumário 1. Ciclo de desenvolvimento de um programa; 2. Descrição de algoritmos; 3. Desenvolvimento modular de programas; 4. Estruturas de controlo de um programa.
Leia maisResolução de Problemas de Busca
Resolução de Problemas de Busca 1 Ao final desta aula a gente deve Compreender o que é um problema de busca em IA Ser capaz de formulá-lo Conhecer algumas aplicações Entender como buscar a solução do problema
Leia maisInteligência Artificial
Inteligência Artificial Primeiro Teste 29 de Outubro de 2014 18:00-19:30 Este teste é composto por 8 páginas contendo 7 grupos de perguntas. Para perguntas com resposta de escolha múltipla, respostas erradas
Leia maisLógica Computacional
Lógica Computacional DCC/FCUP 2018/19 Conteúdo 1 Introdução à Programação em Lógica 1 1.1 Fórmulas de Horn.......................................... 1 1.2 Satisfazibilidade de Cláusulas....................................
Leia maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Leia maisConhecimento e Raciocínio Agente Lógicos Capítulo 7. Leliane Nunes de Barros
Conhecimento e Raciocínio Agente Lógicos Capítulo 7 Leliane Nunes de Barros leliane@ime.usp.br Agentes Lógicos Agentes que podem formar representações do mundo, usar um processo de inferência para derivar
Leia maisInteligência Artificial Taguspark
Inteligência Artificial Taguspark Repescagem do Primeiro Teste 22 de Julho de 2006 9H00-10H30 Nome: Número: Este teste tem 7 perguntas e 12 páginas. Escreva o número em todas as páginas. Deve ter na mesa
Leia maisLógica Computacional
Lógica Computacional Frases Quantificadas Quantificadores e Variáveis Fórmulas Bem Formadas: Sintaxe e Semântica Formas Aristotélicas 21 Outubro 2013 Lógica Computacional 1 Frases Quantificadas - Existem
Leia maisBCC204 - Teoria dos Grafos
BCC204 - Teoria dos Grafos Marco Antonio M. Carvalho (baseado nas notas de aula do prof. Haroldo Gambini Santos) Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal
Leia maisBCC402 Algoritmos e Programação Avançada Prof. Marco Antonio M. Carvalho Prof. Túlio Ângelo M. Toffolo 2011/1
BCC402 Algoritmos e Programação Avançada Prof. Marco Antonio M. Carvalho Prof. Túlio Ângelo M. Toffolo 2011/1 Na aula anterior Prova 2 Na aula de hoje Técnicas básicas de contagem; Tentativa e Erro; Recursividade.
Leia maisLERCI/LEIC TAGUSPARK INTELIGÊNCIA ARTIFICIAL 2005/06 PROCURA
LERI/LEI TGUSPRK INTELIGÊNI RTIFIIL 005/06 PROUR ) onsidere o espaço de estados definido pelo estado inicial,, e pela função que gera os sucessores de um estado, sucessores(n)={n, n+}. onsiderando o estado
Leia maisFormas Normais para Lógicas Modais
GoBack Formas Normais para Lógicas Modais Cláudia Nalon http://www.cic.unb.br/docentes/nalon nalon@{cic.unb.br, unb.br} Universidade de Brasília Instituto de Ciências Exatas Departamento de Ciência da
Leia maisTécnicas Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas Inteligência Artificial Aula 03 Métodos de Busca Parte 1 Prof. Max Pereira Solução de Problemas como Busca Um problema pode ser considerado
Leia maisComunicação. Capítulo 22 (Secções 1-3)
Comunicação Capítulo 22 (Secções 1-3) Sumário Comunicação Gramática Análise sintáctica (Parsing) Comunicação Perspectiva clássica (anterior a 1953) Linguagem consiste em frases que são V/F Wittgenstein
Leia mais2.3.4 Algoritmos de SAT
114 CAÍTULO 2. LÓGICA ROOSICIONAL 2.3.4 Algoritmos de SAT Os algoritmos de SAT (do inglês satisfiability ) têm o objectivo de determinar se uma dada fbf α é satisfazível ou não; em caso afirmativo, devolvem
Leia maisTarefa Orientada 7 Consultas de selecção
Tarefa Orientada 7 Consultas de selecção Objectivos: Consultas de selecção O Sistema de Gestão de Bases de Dados MS Access Consultas As consultas (queries) permitem interrogar a base de dados, de acordo
Leia maisPCC104 - Projeto e Análise de Algoritmos
PCC104 - Projeto e Análise de Algoritmos Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 1 de novembro de 2018 Marco Antonio
Leia maisTécnicas de análise de algoritmos
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS Técnicas de análise de algoritmos Algoritmos e Estruturas de Dados I Natália Batista https://sites.google.com/site/nataliacefetmg/ nataliabatista@decom.cefetmg.br
Leia maisResolução De Problemas Em Informática. Docente: Ana Paula Afonso Resolução de Problemas. 1. Analisar o problema
ALGORITMIA Resolução De Problemas Em Informática Docente: Ana Paula Afonso 2000-2001 Resolução de Problemas 1. Analisar o problema Conhecer o bem o problema Descrever o problema: subdividir, detalhar 2.
Leia maisInteligência Artificial. Resolução de problemas por meio de algoritmos de busca. Aula II Algoritmos básicos de busca cega
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Resolução de problemas por meio de algoritmos de busca Aula II Algoritmos básicos de busca
Leia maisPlanejamento de Ordem Parcial
Planejamento de Ordem Parcial Profa. Josiane David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach - cap. 8 setembro/2007 1 Planejamento de ordem parcial (POP) As ações
Leia maisAlgoritmos 3/17/ Algoritmos como área de estudo e investigação
Algoritmos e Complexidade Ana Teresa Freitas INESC-ID/IST ID/IST 3/17/2005 1 O que é um algoritmo? Algoritmos: Sequência de instruções necessárias para a resolução de um problema bem formulado [passíveis
Leia maisInteligência Artificial
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Pós-Graduação
Leia maisLógica. Fernando Fontes. Universidade do Minho. Fernando Fontes (Universidade do Minho) Lógica 1 / 65
Lógica Fernando Fontes Universidade do Minho Fernando Fontes (Universidade do Minho) Lógica 1 / 65 Outline 1 Introdução 2 Implicações e Equivalências Lógicas 3 Mapas de Karnaugh 4 Lógica de Predicados
Leia mais