Inteligência Artificial
|
|
- Thais Caldas da Silva
- 7 Há anos
- Visualizações:
Transcrição
1 Inteligência Artificial Estratégias de Resolução de Problemas Considerando Adversários (Jogos) Parte Agenda Introdução à procura adversária Algoritmo Mini-Max Poda Alpha-Beta Parte 2 Decisões imperfeitas Jogos não Determinísticos
2 Motivação Os procedimentos de procura cega e procura heurística apenas resultam em problemas (eventualmente jogos) de um único agente, dado que: Não existe a noção de turno, se existir mais de um agente envolvido, estes actuam de forma cooperativa. Não se considera a possibilidade de jogadas do adversário. Utilidade dos jogos em Problemas Considerando Adversários Os jogos são ideais para estudar o uso de estratégias adversárias, dado que: São aplicações atractivas para métodos de IA: Formulação simples do problema (acções bem definidas); Ambiente acessível; Abstracção (representação simplificada de problemas reais); Sinónimo de inteligência; Têm uma boa medida para o desempenho: a vitória. 2
3 Utilidade dos jogos em Problemas Considerando Adversários Conduzem aos seguintes desafios: Tamanho + limitação de tempo (35 00 nós para xadrez); Incerteza devido ao outro jogador; Problema de contingência : o agente deve agir antes de completar a procura (busca). Características dos Jogos Ambientes competitivos, nos quais os agentes têm objectivos que estão em conflito. Os jogos são normalmente classificados como de habilidade, e/ou de sorte. 3
4 Tipos de Jogos Tipos de Jogos: Informação: Perfeita: Xadrez, Damas, Go, Othello Imperfeitas: Poker, Bridge, Bisca, Copas Sorte ou Determinísticos: Determinísticos: Xadrez, Damas, Go, Othello. Jogos de Sorte: Gamão, Monopólio, Poker Plano de Ataque : Algoritmo para o jogo perfeito Horizonte finito, avaliação aproximada Cortes na árvores para reduzir custos Jogos e IA Quando os computadores se tornaram programáveis, em 950, Claude Shannon e Alan Turing programaram o primeiro jogo de Xadrez. Prova que uma máquina pode, de facto, fazer algo que se pensava requerer inteligência. As regras são simples, mas o jogo é complexo. Mundo totalmente acessível ao agente. Factor de ramificação médio é de 35, partida com 50 jogadas => folhas numa árvore de pesquisa (embora só existam 0 40 posições legais). Algumas das características que tornaram o xadrez atractivo computacionalmente são partilhadas por outros jogos. 4
5 Jogos e IA No xadrez, o jogo desenvolve-se entre dois agentes rivais. O jogo é completamente acessível para ambos os agentes. Isto faz com que seja possível pensar o desenvolvimento do jogo como uma procura num espaço formado pelas posições do mesmo, as quais são controladas alternativamente por cada um dos rivais. Jogos e IA Como dizíamos, o jogo desenvolve-se entre dois jogadores que são oponentes aquando os seus objectivos. Tradicionalmente, estes jogadores recebem os nomes de max e min por motivos que veremos a seguir. Max começa o jogo e a partir dali move em forma alternada até o fim do jogo. 5
6 Jogos e IA Um jogo pode definir-se formalmente como um problema de procura, com as seguintes características: Um estado inicial que inclui a posição do tabuleiro e a indicação de quem deve jogar. Um conjunto de operadores que definem os movimentos válidos á disposição dos jogadores. Um teste de terminação que estabelece quando o jogo está finalizado. Os estados onde o jogo acaba chamam-se finais. Uma função de utilidade que atribui um valor numérico ao estado final do jogo, que representa os pontos que max pode ganhar no jogo. Sendo que usualmente os valores são (ganha max), 0 (empate), (ganha min). Jogos e IA Num problema de procura, é suficiente que max, que começa o jogo, expandisse a árvore das jogadas e encontrasse o caminho até há meta, no qual seria um estado onde max ganhava. Porém, o jogador min também quer ganhar o jogo! Isto obriga a max a encontrar uma estratégia que lhe permita atingir o seu objectivo. 6
7 x x x x x x max x x x o x o x x o min o o x x x o x x max o x o o x x o x x x Terminais oo x x x o oo Utilidade para max 0 + Max e Min Vamos utilizar uma convenção para representar graficamente as situações do jogo em forma de árvore. O quadrado e o triângulo representam as jogadas do max e o círculo e o triângulo invertido as jogadas do min. e ou e max min max min 7
8 Max e Min max min max min Capa ou ply Max e Min max min max min Capa ou ply 8
9 O Algoritmo Minimax Este algoritmo está desenhado para determinar uma estratégia óptima para que max ganhe. Dessa forma pode decidir qual é a melhor escolha a cada turno onde tem que jogar. As suposições fundamentais são duas: max vá realizar sempre a sua melhor jogada. min vá realizar sempre a pior jogada para max. O Algoritmo Minimax. Gerar a árvore completa até aos estados terminais. 2. Aplicar a função utilidade a esses estados. 3. Propagar o valor da utilidade da seguinte forma: O melhor valor para Min (ou seja, o pior para Max). 4. Escolher o movimento com o valor mais elevado. 5. O valor no nó raiz é o valor máximo que max pode obter. O Minimax faz procura cega em profundidade. 9
10 Exemplo Exemplo
11 Exemplo Exemplo
12 Exemplo 2 Exemplo 2 2
13 Exemplo 2 Exemplo 2 3
14 Exemplo 2 Exemplo 2 4
15 Algoritmo Minimax function MINIMAX-DECISION(state) returns an action inputs: state, current state in game r MAX-VALUE(state) return the action in SUCESSORS(state) with value r function MAX-VALUE(state) returns a utility value if TERMINAL-TEST(state) then return UTILITY(state) v - for a, s in SUCESSORS(state) do v MAX(v,MIN_VALUE(s)) return v function MIN-VALUE(state) returns a utility value if TERMINAL-TEST(state) then return UTILITY(state) v for a, s in SUCESSORS(state) do v MIN(v,MAX_VALUE(s)) return v Propriedades do Minimax Completo? Sim, se a árvore for finita! Pode existir uma estratégia finita mesmo numa árvore infinita! Óptimo? Sim, contra um adversário óptimo! E se o adversário não for óptimo? O Max vai jogar ainda melhor! Complexidade no Tempo? O (b m ) Onde: b = factor de ramificação (movimentos válidos) m = profundidade Complexidade no Espaço? O (b m) (exploração primeiro em profundidade). Problema: Inviável para qualquer jogo minimamente complexo. 5
16 Exercício Dados 5 palitos cada jogador pode retirar, 2 ou 3 por turno. Perde o jogador que retira o último palito. Será que max pode ganhar o jogo?
17
18 O Max perde o jogo 5 X Y Pergunta: Preciso saber o valor de X Para calcular Y? 0 8
19 Poda Alpha-Beta O que é a poda (corte)? É o processo de eliminar uma ramificação da árvore de pesquisa de forma a que não seja examinada. Porquê podar? Para eliminar nós desnecessários à pesquisa. Para acelerar o processo de pesquisa. Poda Alpha-Beta A poda Alpha-Beta não afecta o resultado final. Boa ordenação melhora a eficiência dos cortes. Com ordenação perfeita: complexidade no tempo = O (b m/2 ) Duplica a profundidade de pesquisa Uma técnica particular para encontrar a solução óptima de acordo com a profundidade limite de pesquisa é usando funções de avaliação. 9
20 Poda Alpha-Beta Retorna as mesmas escolhas que o Minimax, mas examina menos nós. O nome deriva das duas variáveis que são passadas durante o percurso de pesquisa e que restringem o conjunto das soluções possíveis: Alpha representa o valor mais alto encontrado no caminho de Max. Beta representa o valor mais baixo encontrado no caminho de Min. Implementação Ajustar o alpha do nó da raiz á infinidade negativa e beta á infinidade positiva. Procurar a profundidade, propagando o alpha e beta para todos os nós visitados até alcançar a profundidade pretendida. Aplicar a função de avaliação para começar a utilidade desse nó. Se o pai desse nó for um nó Max, e a utilidade calculada for maior do que o valor actual do alpha pai, substitui esse valor do alpha com esta utilidade. 20
21 Implementação Se o pai deste nó é um nó MIN, e o valor de utilidade calculado é menor que o valor beta de seus pais, coloca em beta o valor de utilidade obtido. Com base nestes valores, compara os valores alpha e beta dos pais deste nó para determinar se deve olhar para as outras folhas ou então se deve retornar os valores conseguidos (backtrack up). Continua a pesquisa primeiro em profundidade desta forma, até que todos os passos com mais potência tenham sido avaliados. Poda Alpha-Beta. Exemplo 2
22 Poda Alpha-Beta. Exemplo - Poda Alpha-Beta. Exemplo
23 Poda Alpha-Beta. Exemplo Poda Alpha-Beta. Exemplo
24 Poda Alpha-Beta. Exemplo - + max(, - ) = Poda Alpha-Beta. Exemplo
25 Poda Alpha-Beta. Exemplo Poda Alpha-Beta. Exemplo
26 Poda Alpha-Beta. Exemplo - + min(, + ) = Poda Alpha-Beta. Exemplo
27 Poda Alpha-Beta. Exemplo - + Poda Alpha-Beta. Exemplo - + min(, ) = 27
28 Poda Alpha-Beta. Exemplo - + Poda Alpha-Beta. Exemplo
29 Poda Alpha-Beta. Exemplo - + max(, ) = Poda Alpha-Beta. Exemplo
30 Poda Alpha-Beta. Exemplo - min(, + ) = Poda Alpha-Beta. Exemplo - 30
31 Poda Alpha-Beta. Exemplo max(, - ) = Poda Alpha-Beta. Exemplo + 3
32 Poda Alpha-Beta. Exemplo + Poda Alpha-Beta. Exemplo 32
33 Poda Alpha-Beta. Exemplo Poda Alpha-Beta. Exemplo - 33
34 Poda Alpha-Beta. Exemplo - Poda Alpha-Beta. Exemplo max(, - ) = 34
35 Poda Alpha-Beta. Exemplo Poda Alpha-Beta. Exemplo 35
36 Poda Alpha-Beta. Exemplo Poda Alpha-Beta. Exemplo 36
37 Poda Alpha-Beta. Exemplo max(, ) = Poda Alpha-Beta. Exemplo 37
38 Poda Alpha-Beta. Exemplo Poda Alfa-Beta Nó max 38
39 Poda Alfa-Beta Nó min Poda Alfa-Beta Nó min
40 0.03 Poda Alfa-Beta Nó min O valor a propagar será sempre menor ou igual que Algoritmo Alpha-Beta function ALPHA-BETA-SEARCH(state) returns an action inputs: state, current state in game v MAX-VALUE(state, -, + ) return the action in SUCESSORS(state) with value v function MAX-VALUE(state, α, β ) returns a utility value inputs: state, current state in game α, the value of the best alternative for MAX along the path to state β, the value of the best alternative for MIN along the path to state if TERMINAL-TEST(state) then return UTILITY(state) v - for a, s in SUCESSORS(state) do v MAX(v, MIN-VALUE(s, α, β)) if v βthen return v α MAX(β,v) return v 40
41 Algoritmo Alpha-Beta (cont.) function MIN-VALUE(state, α, β ) returns a utility value inputs: state, current state in game α, the value of the best alternative for MAX along the path to state β, the value of the best alternative for MIN along the path to state if TERMINAL-TEST(state) then return UTILITY(state) v + for a, s in SUCESSORS(state) do v MIN(v, MAX-VALUE(s, α, β,)) if v αthen return v β MAX(β,v) return v Eficiência A eficiência depende da ordem como é feita a progressão da pesquisa. Se b é o factor de ramificação e m é a profundidade da procura, o melhor caso para alpha-beta é O (b m/2 ),isto é, a mesma quantidade que o Minimax numa árvore com metade da profundidade. Comparado com o melhor caso do Minimax que é de O (b m ), isto é, examina a mesma quantidade de estados, no pior dos casos. 4
42 Problemas Se só existe um movimento válido, este algoritmo continuará a gerar uma árvore inteira de pesquisa. Designado para identificar o melhor movimento e não para diferenciar entre outros movimentos. Menosprezam movimentos que penalizam algo no início para obter melhores posições mais tarde. Avaliação da utilidade usualmente não é exacta. Assume que o oponente escolherá sempre o melhor movimento possível. Resumindo Um Jogo é definido pelo seu estado inicial (disposição das peças no tabuleiro), o operador (que define os movimentos válidos), um teste terminal (que nos diz quando um jogo chega ao fim), e uma função de utilidade (que nos diz quem ganhou). Em jogos com informação perfeita entre dois jogadores, o algoritmo minimax pode determinar a melhor jogada (assumindo que o oponente joga sempre da melhor maneira), enumerando por completo toda a árvore de jogo. O algoritmo alpha-beta é mais eficiente que o minimax por causa dos cortes efectuados a árvore. 42
43 Fim Parte Introdução à Inteligência Artificial Estratégias de Resolução de Problemas Considerando Adversários (Jogos) 43
44 Parte Agenda Introdução à procura adversária Algoritmo Mini-Max Poda Alpha-Beta Parte 2 Decisões imperfeitas Jogos não Determinísticos Decisões Imperfeitas 44
45 Na maioria dos jogos O espaço de procura é muito grande. Existem restrições a nível de tempo. Por exemplo: o factor de ramificação do xadrez é35 Supondo que o nosso agente procura 000 estados por segundo E tem um tempo limite de 50 segundos Então pode procurar posições por movimento Na maioria dos jogos Que equivale a olhar 3 ou 4 jogadas em frente porque 35 3 = e 35 4 = Um jogador que olha e frente com profundidade 4 não é um grande jogador! Profundidade 4 => Jogador Novato Profundidade 8 => PC, Jogador humano muito bom Profundidade 2 => Deep Blue, Kasparov 45
46 Críticas ao MiniMax Problemas O tempo gasto é totalmente impraticável, porém o algoritmo serve como base para outros métodos mais realísticos. Complexidade: O (b m ). Para melhorar Cortar a árvore onde a procura seria irrelevante: poda alfa-beta. Porém não é suficiente! Críticas ao MiniMax Para utilizar a função de avaliação preciso de nós terminais. Será que posso avaliar nós intermédios sem ter que chegar ao fim da árvore? 46
47 Solução Alterar o Minimax ou o Alpha Beta de dois modos: Substituindo a função de utilidade por uma função de avaliação heurística EVAL. Que dá uma estimativa da utilidade das posições. Substituindo o teste terminal por um teste de Cutoff. Que decide quando aplicar a função EVAL. Isto é, quando vou olhar para a frente. A função de avaliação Retorna uma estimativa do valor de utilidade esperado do jogo, de uma dada posição. retorna uma estimativa do valor do próximo movimento. O desempenho de um programa de jogo está dependente da qualidade das funções de avaliação. As diferentes funções de avaliação estão dependentes da natureza do jogo. Função de avaliação simples para o jogo de xadrez: é a soma dos valores das peças brancas em jogo menos a soma dos valores das peças negras em jogo. Como desenhar boas funções de avaliação? 47
48 Qualidade da função de avaliação As funções de avaliação devem estar de acordo com a função de utilidade, em relação aos estados terminais. Não deve demorar muito tempo (equilíbrio entre exactidão e o custo). Para estados não terminais, a função de avaliação deve estar fortemente relacionada com a actual hipótese de ganhar. Função de peso linear: Função linear EVAL(S)=w f (s)+w 2 f 2 (s)+ +w n f n (s) w i é um peso f i é uma característica da posição Por exemplo no xadrez: w i pode ser o valor de cada peça f i pode ser o número de peças de cada tipo no tabuleiro 48
49 Exemplo: Xadrez Valores: Peão=, Cavalo=3, castelo=5, rainha=9 Peças Pretas: 5 peões, cavalo, 2 castelos Pontuação = *(5)+3*()+5*(2) = = 8 Peças Brancas: 5 peões, castelo Pontuação = *(5)+5*() = = 0 Pontuação total, deste estado de jogo: pretas = 80 = 8 brancas = 08 = -8 Cutoff Deve usar uma procura heurística. Usa uma função de avaliação. Faz uma estimativa da pontuação que um estado de jogo garante. Desenha o espaço de pesquisa até uma certa profundidade. A profundidade é escolhida para limitar o tempo necessário. Coloca os valores estimados no fim dos caminhos. Propaga esses valores até ao topo. 49
50 Como determinar o Cutoff A profundidade é fixada de modo a não exceder os limites (de custo) impostos pelas regras do jogo. Utilizando um limite de custo por jogada e/ou participante pode utilizar-se um algoritmo similar a profundidade iterada. Como determinar o Cutoff Porém, este tipo de solução pode não ser adequada, já que uma jogada decisiva pode estar no nível seguinte aquele onde a procura fez o corte. Isto é o chamado efeito horizonte. 50
51 Melhorias no Cutoff Estabilidade (Quiescence) É uma propriedade da função de avaliação. Significa que a função de avaliação comporta-se de maneira estável, isto é, sem produzir grandes mudanças no seu valor. As funções de avaliação só devem ser aplicadas a posições estáveis. São posições em que é improvável haver grandes mudanças de valores no futuro próximo. Posições não estáveis devem ser expandidas até um nó estável ser atingido. Esta pesquisa extra é chamada de pesquisa quiescente. Disponibiliza mais informação sobre um determinado nó da arvore de pesquisa mas pode resultar em perda de informação sobre os outros nós. A esperança é que a função continue com uma variação leve, mantendo o seu comportamento além do horizonte. Melhorias no Cutoff Estabilidade (Quiescence) Zona de Mudanças Zona de Quietude 5
52 Jogos não Determinísticos Jogos que Incluem o Elemento Sorte Existem elementos externos que afectam o jogo, tais como o lançamento de um dado, o tirar de uma carta ao acaso, o lançar uma moeda, etc. Existem dois tipos de jogos de azar: Jogos de Azar com Informação Perfeita Ex.: Gamão... Jogos de Azar com Informação Imperfeita Ex.: Poker... Deixa de ser possível construir uma árvore de jogo standard tal como nos jogos deterministas. 52
53 Jogos de Azar com Informação Perfeita O factor sorte passa a ser uma parte integrante do jogo. Passamos então a ter que considerar dois factores em comum para definir um bom jogador: a perícia + factor sorte. Nós de Probabilidades () A árvore de um Jogo de Azar passa a incluir, conjuntamente com os nós MAX e Min, os nós de Probabilidades. Um nó de Probabilidade tem associado estados (ou nós) sucessores, nomeadamente Min ou Max. Cada estado sucessor de um nó de probabilidade tem associada uma probabilidade de ser pesquisado. Ex.: Um nó de probabilidade envolvendo um DADO terá 6 sucessores, cada um deles representando um estado após o lançamento, sendo todos pesquisáveis com a mesma probabilidade de /6. 53
54 Nós de Probabilidades (2) O Nó de Probabilidade vem mudar a forma como os algoritmos de pesquisa funcionavam anteriormente. Como continuar a tomar as decisões correctas? Não é possível obter o conjunto de todos os movimentos válidos que o adversário tem ao seu dispor, portanto não podemos ter a certeza de como evitar certas jogadas por parte do adversário. Deixámos então de calcular valores exactos para passarmos a calcular valores esperados baseados em probabilidades. Introdução de Nós de Probabilidades 54
55 Cálculo do Valor Esperado Põe-se então a questão de saber como continuar a escolher a melhor jogada que nos leve para a melhor posição possível? A solução passa por fazer uma generalização do algoritmo Minimax para jogos que incluam nós de probabilidades. Essa generalização, denominada de ExpectiMinimax, em que os Nós Terminais, os Nós Max e Min continuam a ser avaliados como anteriormente e os Nós de Probabilidades são avaliados com base na média de todas as suas posições possíveis. Algoritmo ExpectiMinimax 55
56 Árvore com nós de probabilidades MAX Prob. MIN Prob. MAX Avaliação de posições em jogos com nós de probabilidades Para o Minimax, qualquer alteração no valor de avaliação nas folhas não afecta qualquer tomada de decisão. Para o ExpectiMinimax, devido á introdução de nós de probabilidades, apenas transformações lineares positivas vão manter a mesma tomada de decisão. 56
57 Complexidade do ExpectiMinimax Enquanto no Minimax tínhamos O(b m ), no ExpectiMinimax vamos ter O(b m n m ), onde n é o número de lançamentos efectuados. O Custo extra torna irrealista olhar muito á frente. A nossa habilidade de olhar mais á frente está dependente da quantidade de eventos aleatórios que possam ocorrer. Complexidade do ExpectiMinimax Em jogos de azar, não existe uma sequência exacta de movimentos, pois para que essa sequência exista é necessário em primeiro lugar, por exemplo, lançar um dado. Devido a não existirem sequências exactas de movimentos torna-se impossível aplicar os cortes Alfa-Beta a estes casos. Será então possível, com vista a reduzir esta complexidade, transportar a ideia dos cortes Alfa- Beta para jogos que incluam nós com probabilidades? Sim! 57
58 *-Minimax Bruce Ballard foi o primeiro a desenvolver esta técnica, chamada *-Minimax, para cortes nos nós de probabilidades. Ele propôs duas versões do seu algoritmo, chamadas de Star e Star2 (mais tarde refinada para Star2.5). Nos nós Min e Max vamos continuar a aplicar os cortes Alfa-Beta, visto que não foi alterada a definição dos nós Min e Max, apenas foi introduzido um novo tipo de nó. *-Minimax Suponhamos que nos encontrámos num nó de probabilidade. Será possível encontrar um limite que nos dê a variação de valores todos os sucessores deste nó, sem ser necessário examinar um por um? A primeira vista pode parecer impossível porque esse limite será a média de todos os nós sucessores. Antes de efectuarmos o lançamento do dado essa média poderá ser qualquer valor. A solução passa por impor limites aos valores atribuídos pela função de Utilidade. 58
59 *-Minimax: Algoritmo Star *-Minimax: Algoritmo Star A = 6 (-20) + 0 = -62 B= 6 (2+0) - 0 = 62 [-62,62] A = = -47 B= = 57 A = = -27 B = = 57 A = = 7 B = = 47 A = 7 +0 = -8 B = 47 0 = 36 [-47,57] [-27,57] [7,47] [-8,36] [-2,2] Max Chance /6 /6 /6 /6 /6 /6 Limite inicial: A= N x (alfa - U) + U B = N x (beta - L) + L ? Min Próximo limite: A i+= Ai + U - Vi B i+= Bi + L - Vi
60 Jogos de Azar com Informação Imperfeita Jogos com informação imperfeita Ex.: Jogos de cartas, onde inicialmente não são conhecidas as cartas do adversário. Tipicamente é possível calcular uma probabilidade para cada mão (de jogo) possível. Ideia: calcular o valor do Minimax para cada acção em cada mão, e depois escolher a acção com o maior valor esperado através das várias mãos. Caso especial: se uma acção é óptima para todas as mãos, então é a acção óptima! GIB, o melhor programa actual de bridge, faz a aproximação desta ideia: ) gerando 00 mãos consistentes 2) escolhendo a acção que em média, ganha mais partidas 60
61 Exemplo Mão de quatro cartas de bridge/copas, Max joga primeiro: Em análise * A intuição de que o valor de uma acção é a média dos valores de todos os estados actuais é ERRADA. Observando parcialmente, o valor de uma acção depende do estado de informação ou estado de crença no qual o agente está. Pode gerar e pesquisar uma árvore de estados de crença. Leva a comportamentos racionais, tais como: Agir de forma a obter informação Dar sinais ao parceiro Agir aleatoriamente de forma a minimizar informação que revela 6
62 Sumário Trabalhar com jogos é extremamente engraçado (e perigoso). Fácil testar novas ideias! Fácil comparar agentes com outros agentes e com humanos! Jogos ilustram diversos pontos interessantes de IA: Perfeição é inatingível => é necessário aproximar! É boa ideia pensar sobre o que pensar! A incerteza restringe a atribuição de valores aos estados! Jogos funcionam para a IA como a Fórmula para a construção de automóveis! Questões Pertinentes Q. Será a forma como os computadores jogam xadrez mais essencial do que a forma como as pessoas o jogam? Q2. Se os extraterrestres viessem á terra e nos desafiassem para um torneio de xadrez Quem enviaria: o Deep Blue ou o Kasparov? Drew McDermott: Dizer que o Deep Blue não pensa realmente sobre o xadrez é o mesmo que dizer que os aviões não voam, só porque não batem as asas. 62
63 Fontes Consultadas Russel, Norvig, Artificial Intelligence: A Modern Approach, Cap. 6. Acetatos Prof. Guillermo Simari. Universidad Nacional del Sur, Argentina Acetatos Alunos IIA semestre 2004/2005. Acetatos Prof. Geber Ramalho. CIN. Universidade Federal de Pernambuco, Brasil. Leituras LIVROS Russel, Norvig, Artificial Intelligence: A Modern Approach, Cap
64 FIM 64
Introdução à Inteligência Artificial 2007/08
Introdução à Inteligência rtificial 2007/08 Procura em contextos competitivos jogos Contexto Um agente vs multiagente mbiente cooperativo vs competitivo Teoria dos jogos (ramo da Economia) Sistema multiagente
Leia maisTeoria de Jogos. Algoritmo Minimax e Alfa-Beta AED - 2002
Teoria de Jogos Algoritmo Minimax e Alfa-Beta AED - 2002 Conceptualização do Problema Jogar pode ser visto como uma generalização do problema de procura em espaço de estados, em que existem agentes hostis
Leia maisBusca Competitiva. Inteligência Artificial. Até aqui... Jogos vs. busca. Decisões ótimas em jogos 9/22/2010
Inteligência Artificial Busca Competitiva Aula 5 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia-pos Capítulo 6 Russell & Norvig Seção 6.1 a 6.5 2 Até aqui... Problemas sem interação com outro agente.
Leia maisSumário. Decisões óptimas em jogos (minimax) Cortes α-β Decisões imperfeitas em tempo real
Jogos Capítulo 6 Sumário Decisões óptimas em jogos (minimax) Cortes α-β Decisões imperfeitas em tempo real Jogos vs. Problemas de Procura Adversário imprevisível" necessidade de tomar em consideração todas
Leia maisJogos com Oponentes. March 7, 2018
Jogos com Oponentes March 7, 2018 Jogos com Oponentes ˆ Problemas de busca: não assumem a presença de um oponente ˆ Jogos: oponente INCERTEZA! ˆ Incerteza porque não se conhece as jogadas exatas do oponente
Leia maisTécnicas para Implementação de Jogos
Técnicas para Implementação de Jogos Solange O. Rezende Thiago A. S. Pardo Considerações gerais Aplicações atrativas para métodos de IA Formulação simples do problema (ações bem definidas) Ambiente acessível
Leia maisJogos com Oponentes. Problemas de busca: não assumem a presença de um oponente
istemas Inteligentes, 10-11 1 Jogos com ponentes Problemas de busca: não assumem a presença de um oponente Jogos: oponente INCERTEZA! Incerteza porque não se conhece as jogadas exatas do oponente e não
Leia maisJogos com Oponentes. Problemas de busca: não assumem a presença de um oponente
Sistemas Inteligentes, 13-14 1 Jogos com ponentes Problemas de busca: não assumem a presença de um oponente Jogos: oponente INCERTEZA! Incerteza porque não se conhece as jogadas exatas do oponente e não
Leia maisPolos Olímpicos de Treinamento. Aula 6. Curso de Combinatória - Nível 2. Jogos. 1. Simetria. Prof. Bruno Holanda
Polos Olímpicos de Treinamento Curso de Combinatória - Nível 2 Prof. Bruno Holanda Aula 6 Jogos Quando falamos em jogos, pensamos em vários conhecidos como: xadrez, as damas e os jogos com baralho. Porém,
Leia maisInteligência Artificial. Resolução de problemas por meio de algoritmos de busca. Aula VI Busca Competitiva
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação http://www.inf.unioeste.br/~claudia/ia2017.html Inteligência Artificial Resolução de problemas por meio de algoritmos
Leia maisJogos com Oponentes. espaço de busca muito grande tempo para cada jogada
Jogos com Oponentes Jogos com Oponentes ˆ Problemas de busca: não assumem a presença de um oponente ˆ Jogos: oponente INCERTEZA! ˆ Incerteza porque não se conhece as jogadas exatas do oponente e não por
Leia maisTipos de problemas de programação inteira (PI) Programação Inteira. Abordagem para solução de problemas de PI. Programação inteira
Tipos de problemas de programação inteira (PI) Programação Inteira Pesquisa Operacional I Flávio Fogliatto Puros - todas as variáveis de decisão são inteiras Mistos - algumas variáveis de decisão são inteiras
Leia maisJogos Bayesianos Estratégias e Equilíbrio Aplicações. Jogos Bayesianos. Prof. Leandro Chaves Rêgo
Jogos Bayesianos Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Estatística - UFPE Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 14 de Outubro de 2014 Jogos Bayesianos Jogos
Leia maisUNIPAC Araguari FACAE - Faculdade de Ciências Administrativas e Exatas SISTEMAS DE INFORMAÇÃO
UNIPAC Araguari FACAE - Faculdade de Ciências Administrativas e Exatas SISTEMAS DE INFORMAÇÃO SAD Sistemas de Apoio à Decisão 2011/02 Aula Cinco crishamawaki@yahoo.com.br Modelos de decisão Sistemas de
Leia maisUnidade 10 Análise combinatória. Introdução Princípio Fundamental da contagem Fatorial
Unidade 10 Análise combinatória Introdução Princípio Fundamental da contagem Fatorial Introdução A escolha do presente que você deseja ganhar em seu aniversário, a decisão de uma grande empresa quando
Leia maisThe Princes of Florence
The Princes of Florence Regras Simplificadas Resumo Jogo para 3 a 5 jogadores. Jogo com 7 rondas No final do jogo quem tem mais PP (pontos de prestígio) ganha o Em caso de empate ganha o jogador que tiver
Leia maisMicroeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão. AULA 1.1 Descrição de Jogos não-cooperativos (forma normal)
Microeconomia II Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 1.1 Descrição de Jogos não-cooperativos (forma normal) Isabel Mendes 2007-2008 1. Teoria dos Jogos: definição e contexto
Leia maisInteligência Artificial. 3º Quadrimestre de 2018
Inteligência Artificial Prof. Fabrício Olivetti de França Prof. Denis Fantinato 3º Quadrimestre de 2018 1 Busca Competitiva 2 Busca Competitiva Quando falamos sobre agentes mencionamos alguns cenários
Leia maisFigura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall.
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 Bacharelado
Leia maisMatemática Aplicada às Ciências Sociais
ESCOLA SECUNDÁRIA DE AMORA PLANIFICAÇÃO ANUAL Matemática Aplicada às Ciências Sociais Ensino Regular Curso Geral de Ciências Sociais e Humanas 11º ANO Ano Letivo 2014 / 2015 PLANIFICAÇÃO A LONGO PRAZO
Leia maisBusca competitiva. Inteligência Artificial. Profª. Solange O. Rezende
Profª. Solange O. Rezende 1 O que vimos até agora... Busca não informada Baseada somente na organização de estados e a sucessão entre eles Busca informada Utiliza, também, informações a respeito do domínio
Leia maisAlternativamente pode ser pensado como uma forma de maximizar o minimo ganho possível.
Inteligência Artificial Algoritmo i com cortes Alfa-Beta Ana Saraiva 050509087 Ana Barbosa 050509089 Marco Cunha 050509048 Tiago Fernandes 050509081 FEUP - MIEIC 3ºAno/ºSemestre 1 Introdução O algoritmo
Leia maisInteligência Artificial (SI 214) Aula 6 Busca com Adversário. Prof. Josenildo Silva
Inteligência Artificial (SI 214) Aula 6 Busca com Adversário Prof. Josenildo Silva jcsilva@ifma.edu.br 2015 2012-2015 Josenildo Silva (jcsilva@ifma.edu.br) Este material é derivado dos slides de Hwee Tou
Leia maisÁrvore de Jogos Minimax e Poda Alfa-Beta
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Árvore de Jogos Minimax e Poda Alfa-Beta Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisAlgoritmos de Busca Local. Prof. Sheila Cáceres.Material baseado no livro de Inteligência Artificial de Russel e Norvig, Capítulo 4, Seções 3 4.
Algoritmos de Busca Local Prof. Sheila Cáceres. Material baseado no livro de Inteligência Artificial de Russel e Norvig, Capítulo 4, Seções 3 4. Prof. Sheila Cáceres.Material baseado no livro de Inteligência
Leia maisIntrodução à Inteligência Artificial. Procura em contextos competitivos jogos (cont.)
Introdução à Inteligência Artificial Procura em contextos competitivos jogos (cont.) Sumário n Vimos Jogos de 2 jogadores n Determinísticos, soma nula, informação perfeita Estratégia óptima minimax Algoritmos
Leia maisCiclo com Contador : instrução for. for de variável := expressão to. expressão do instrução
Métodos de Programação I 2. 27 Ciclo com Contador : instrução for identificador downto for de variável := expressão to expressão do instrução UMA INSTRUÇÃO (SIMPLES OU COMPOSTA) Neste caso o ciclo é repetido
Leia maisÁrvores Parte 1. Aleardo Manacero Jr. DCCE/UNESP Grupo de Sistemas Paralelos e Distribuídos
Árvores Parte 1 Aleardo Manacero Jr. DCCE/UNESP Grupo de Sistemas Paralelos e Distribuídos Árvores uma introdução As listas apresentadas na aula anterior formam um conjunto de TADs extremamente importante
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a variância de
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 04 Busca Heurística Edirlei Soares de Lima Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido.
Leia maisCurso básico de Xadrez
Projeto LIPRA Livro Interativo Potencializado com Realidade Aumentada Curso básico de Xadrez Autor: Raryel Costa Souza Orientação: Claudio Kirner Xadrez 1 Introdução O xadrez é um jogo de tabuleiro para
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 7 Algoritmos de Busca Competitiva 2 de 20 Sumário Introdução Busca Competitiva
Leia maisInteligência Artificial IA I. MÉTODOS DE BUSCA
Inteligência Artificial IA Prof. João Luís Garcia Rosa I. MÉTODOS DE BUSCA 2004 V1.4 Sistema de Produção Sistema de Produção: Base de dados global Regras de produção Estratégia de controle Exemplo: tabuleiro
Leia maisCEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 02
. CEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 02 Créditos: alguns itens desta lista são adaptados do material da disciplina CS188 - Artificial Intelligence
Leia maisMedidas e Escalas: Escalas não Comparativas
Medidas e Escalas: Escalas não Comparativas 1-1 Sumário do Capítulo 1) Escalas não comparativas 2) Escalas de rácios contínuos 3) Escalas de Itens i. Escala de Likert ii. iii. Escala de Diferencial semântico
Leia maisPROGRAMAÇÃO LINEAR. Formulação de problemas de programação linear e resolução gráfica
PROGRAMAÇÃO LINEAR Formulação de problemas de programação linear e resolução gráfica A programação linear surge pela primeira vez, nos novos programas de Matemática A no 11º ano de escolaridade. Contudo
Leia maisINTELIGÊNCIA ARTIFICIAL 2008/09
INTELIGÊNCIA ARTIFICIAL 2008/09 JOGOS Ex. 1) ( Teste 2005/06) Considere a seguinte árvore de procura de dois agentes. Reordene as folhas de modo a maximizar o número de cortes com uma procura da esquerda
Leia maisSOLUÇÕES N2 2015. item a) O maior dos quatro retângulos tem lados de medida 30 4 = 26 cm e 20 7 = 13 cm. Logo, sua área é 26 x 13= 338 cm 2.
Solução da prova da 1 a fase OBMEP 2015 Nível 1 1 SOLUÇÕES N2 2015 N2Q1 Solução O maior dos quatro retângulos tem lados de medida 30 4 = 26 cm e 20 7 = 13 cm. Logo, sua área é 26 x 13= 338 cm 2. Com um
Leia maisO posicionamento inicial das peças assim como o formato do tabuleiro é como o que se mostra na figura seguinte:
Regras do Xadrez Introdução O jogo de Xadrez é jogado por dois jogadores. Um jogador joga com as peças brancas o outro com as pretas. Cada um inicialmente tem dezasseis peças: Um Rei, uma Dama, duas Torres,
Leia maisAV2 - MA 12-2011 UMA SOLUÇÃO
Questão 1. Considere os caminhos no plano iniciados no ponto (0, 0) com deslocamentos paralelos aos eixos coordenados, sempre de uma unidade e no sentido positivo dos eixos x e y (não se descarta a possibilidade
Leia maisCAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES
CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES Vamos estudar alguns métodos numéricos para resolver: Equações algébricas (polinómios) não lineares; Equações transcendentais equações que envolvem funções
Leia maisOficina: Jogar para gostar e aprender matemática. Profa. Dra. Adriana M. Corder Molinari dri.molinari@uol.com.br
Oficina: Jogar para gostar e aprender matemática Profa. Dra. Adriana M. Corder Molinari dri.molinari@uol.com.br 1 Implicações do Jogo Quatro Cores: Para jogar bem, é preciso economia de cores e consideração
Leia maisCAMPEONATOS José Armando Barbosa Filho
CAMPEONATOS José Armando Barbosa Filho Nível Iniciante Há uma grande variedade de problemas de olimpíadas que envolvem campeonatos. A principio, para simplificar o problema, vamos analisar casos onde cada
Leia maisINSTITUTO SUPERIOR TÉCNICO Análise e Síntese de Algoritmos. RESOLUÇÃO DA RESPESCAGEM DO 2 o TESTE
INSTITUTO SUPERIOR TÉCNICO Análise e Síntese de Algoritmos Ano Lectivo de 2006/2007 2 o Semestre RESOLUÇÃO DA RESPESCAGEM DO 2 o TESTE I. (2,0+2,0+2,0 = 6,0 val.) 1) Calcule o valor óptimo da função objectivo
Leia maisLinguagens de Programação:
Capítulo I : Noções Gerais 11 Linguagens de Programação: Como comunicar com o computador? Linguagem Máquina: Conjunto básico de instruções, em código binário, características de cada computador, correspondentes
Leia maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.1. Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análise e Técnicas de Algoritmos Jorge Figueiredo Conceitos básicos Classes de de Complexidade P NP Redução Problemas NPC NP-Completude Introdução Existem alguns problemas computacionais que são
Leia mais0. Objectivo. 1. Erros no remate. 1.1. Ângulo de erro
0. Objectivo Vamos ver como algumas situações nos jogos de futebol podem ser estudadas de um ponto de vista matemático. Para isso, vamos considerar um modelo muito simplificado do que acontece realmente
Leia maisAvaliação e Desempenho Aula 1 - Simulação
Avaliação e Desempenho Aula 1 - Simulação Introdução à simulação Geração de números aleatórios Lei dos grandes números Geração de variáveis aleatórias O Ciclo de Modelagem Sistema real Criação do Modelo
Leia maisÁrvores de Decisão Matemática Discreta
Bruno Duarte Eduardo Germano Isolino Ferreira Vagner Gon Árvores de Decisão Matemática Discreta 28/04/2011 Serra IFES Definição de Árvores de Decisão: Arvore de Decisão é uma árvore em que seus nós internos
Leia maisDivulgação de conteúdos para quem quiser APRENDER A JOGAR XADREZ
Divulgação de conteúdos para quem quiser APRENDER A JOGAR XADREZ Este trabalho resulta de uma parceria entre a FPX e a FCCN, com o apoio do IDP. Vídeos de divulgação: Fase 1 Iniciação: Regras básicas e
Leia maisJogos e Busca. Silvio Lago
1 Jogos e Busca Silvio Lago slago@ime.usp.br 2 Sumário Jogos adversariais Algoritmo MINIMAX Algoritmo de poda α-β Função de avaliação e corte Jogos de sorte 3 Jogos Ambientes competitivos, em que as metas
Leia mais1. Noção de algoritmo
1. Noção de algoritmo Em português, a palavra algoritmo quer dizer operação ou processo de cálculo, entre outras definições possíveis (Dicionário Brasileiro de Língua Portuguesa, Mirador Internacional,
Leia maisNotas de aula de Lógica para Ciência da Computação. Aula 11, 2012/2
Notas de aula de Lógica para Ciência da Computação Aula 11, 2012/2 Renata de Freitas e Petrucio Viana Departamento de Análise, IME UFF 21 de fevereiro de 2013 Sumário 1 Ineficiência das tabelas de verdade
Leia maisÁrvore de Decisão. 3. Árvore de Decisão
Árvore de Decisão 3. Árvore de Decisão A árvore de decisão consiste de uma hierarquia de nós internos e externos que são conectados por ramos. O nó interno, também conhecido como nó decisório ou nó intermediário,
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 maisTOMADA DE DECISÃO TOMADA DE DECISÃO. Fases de tomada de decisão. O processo de Tomada de Decisão. Identificação do problema
TOMADA DE DECISÃO TOMADA DE DECISÃO A tomada de decisão é um processo multifacetado e omnipresente nas organizações, aos níveis individual, grupal e organizacional. Envolve aspectos racionais, mas também
Leia maisLógica e Raciocínio. Decisão sob Risco Utilidade. Universidade da Madeira. http://dme.uma.pt/edu/ler/
Lógica e Raciocínio Universidade da Madeira http://dme.uma.pt/edu/ler/ Decisão sob Risco Utilidade 1 Valor Monetário Esperado Assumamos que sempre podemos medir o valor das consequencias em termos monetarios
Leia maisAula 01 Introdução Custo de um algoritmo, Funções de complexidad e Recursão
MC3305 Algoritmos e Estruturas de Dados II Aula 01 Introdução Custo de um algoritmo, Funções de complexidad e Recursão Prof. Jesús P. Mena-Chalco jesus.mena@ufabc.edu.br 2Q-2015 1 Custo de um algoritmo
Leia maisMétodo Simplex das Duas Fases
Notas de aula da disciplina Pesquisa Operacional 1. 2003/1 c DECOM/ICEB/UFOP. Método Simplex das Duas Fases 1 Descrição do método Suponhamos inicialmente que tenham sido efetuadas transformações no PPL,
Leia maisForma Normal de Boyce-Codd
Teste de Preservação de Dependências Para verificar se α β é preservada na decomposição R em R 1, R 2,..., R n aplica-se o seguinte teste: res := α enquanto (houver alterações em res) faz para cada R i
Leia maisSemana 7 Resolução de Sistemas Lineares
1 CÁLCULO NUMÉRICO Semana 7 Resolução de Sistemas Lineares Professor Luciano Nóbrega UNIDADE 1 2 INTRODUÇÃO Considere o problema de determinar as componentes horizontais e verticais das forças que atuam
Leia maisAnálise de Regressão. Notas de Aula
Análise de Regressão Notas de Aula 2 Modelos de Regressão Modelos de regressão são modelos matemáticos que relacionam o comportamento de uma variável Y com outra X. Quando a função f que relaciona duas
Leia maisTeste de Funções por Cobertura do Grafo de Fluxo de Controle
Teste de Funções por Cobertura do Grafo de Fluxo de Controle Programação II Universidade de Lisboa Faculdade de Ciências Departamento de Informática Licenciatura em Tecnologias da Informação Vasco Thudichum
Leia maisEXAME DE MACS 2º FASE 2014/2015 = 193
EXAME DE MACS 2º FASE 2014/2015 1. Divisor Padrão: 00+560+80+240 200 = 190 = 19 200 20 Filiais A B C D Quota Padrão 1,088 58,01 86,010 24,870 L 1 58 86 24 L(L + 1) 1,496 58,498 86,499 24,495 Quota Padrão
Leia maisFicha de Exercícios nº 2
Nova School of Business and Economics Álgebra Linear Ficha de Exercícios nº 2 Matrizes, Determinantes e Sistemas de Equações Lineares 1 O produto de duas matrizes, A e B, é a matriz nula (mxn). O que pode
Leia maisProblems and Programmers
DCC / ICEx / UFMG Problems and Programmers Eduardo Figueiredo http://www.dcc.ufmg.br/~figueiredo Visão Geral do PnP O jogo Problems and Programmers (PnP) simula um processo de software Fase de requisitos
Leia maisXADREZ: REGRAS BÁSICAS DO JOGO. Prof. Dr. Wilson da Silva
XADREZ: REGRAS BÁSICAS DO JOGO Prof. Dr. Wilson da Silva 1 O TABULEIRO O tabuleiro de xadrez é formado por um quadrado de 8x8 com 64 casas iguais alternadamente claras (as casas brancas ) e escuras (as
Leia maisJogos Lógicos de Tabuleiro
Universidade Federal do Rio Grande do Sul Programa de Extensão 2014/2015 Jogos Lógicos de Tabuleiro Coordenadores: Liliane F. Giordani Renato P. Ribas www.inf.ufrgs.br/lobogames lobogames.ufrgs@gmail.com
Leia maisINTRODUÇÃO A ROBÓTICA. Prof. MSc. Luiz Carlos Branquinho Caixeta Ferreira
INTRODUÇÃO A ROBÓTICA Prof. MSc. Luiz Carlos Branquinho Caixeta Ferreira Email: luiz.caixeta@ifsuldeminas.edu.br Site intranet.ifs.ifsuldeminas.edu.br/~luiz.ferreira Atendimento: Segunda-feira, 12:30 a
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA 8.º ANO PLANIFICAÇÃO GLOBAL 1. Representação, comparação e ordenação. Representar números racionais
Leia maisOBSERVAÇÕES: EXERCÍCIOS
OBSERVAÇÕES: 1. Esta lista de exercícios poderá ser resolvida individualmente ou em grupos de 2 pessoas. 2. A lista possui 25 exercícios, destes você deve responder os 5 primeiros exercícios e os outros
Leia maisProjetos CUSTOS. Prof. Anderson Valadares
Projetos CUSTOS Prof. Anderson Valadares Gerenciamento de custo O gerenciamento de custos visa essencialmente assegurar aos patrocinadores que o projeto será concluído dentro do orçamento aprovado. Gerenciamento
Leia maisSolução da prova da 2a fase OBMEP 2014 Nível 2. Questão 1. item a)
Questão 1 Cada nova pilha tem dois cubinhos a mais em sua base. Assim, como a terceira pilha tem 5 cubinhos em sua base, a quarta pilha tem 5 + 2 = 7 cubinhos e a quinta pilha tem 7 + 2 = 9 cubinhos em
Leia maisTrabalho Prático II - Resta 1 Data de Entrega: Conferir no calendário!
ALGORITMOS E ESTRUTURAS DE DADOS I DCC/UFMG Trabalho Prático II - Resta 1 Data de Entrega: Conferir no calendário! Pedro O.S. Vaz de Melo May 29, 2013 1 DESCRIÇÃO DO PROBLEMA O objetivo deste trabalho
Leia maisJogos. Geralmente o oponente tentará, na medida do possível, fazer o movimento menos benéfico para o adversário.
Jogos Os jogos tem atraído a atenção da humanidade, às vezes de modo alarmante, desde a antiguidade. O que o torna atraente para a IA é que é uma abstração da competição (guerra), onde se idealizam mundos
Leia maisINVESTIGAÇÃO OPERACIONAL. Programação Linear. Exercícios. Cap. III Método Simplex
INVESTIGAÇÃO OPERACIONAL Programação Linear Eercícios Cap. III Método Simple António Carlos Morais da Silva Professor de I.O. INVESTIGAÇÃO OPERACIONAL (MS edição de 006) i Cap. III - Método Simple - Eercícios
Leia maisExemplo de aprendizagem máquina
(Primeiro exemplo) Jogo de damas c/ aprendizagem Tom Mitchell, Machine Learning, McGraw-Hill, 1997 chapter 1 17-Jul-13 http://w3.ualg.pt/~jvo/ml 12 1 Exemplo de aprendizagem máquina 1. Descrição do problema
Leia maiscuja distribuição é t de Student com n 1 graus de liberdade.
Aula 13 Teste de hipótese sobre a média de uma população normal σ 2 desconhecida Objetivos: Nesta aula você completará seu estudo básico sobre testes de hipóteses, analisando a situação relativa a uma
Leia maisMetodologias de Programação
Metodologias de Programação Bloco 1 José Paulo 1 Formador José António Paulo E-mail: questoes@netcabo.pt Telemóvel: 96 347 80 25 Objectivos Iniciar o desenvolvimento de raciocínios algorítmicos Linguagem
Leia maisEscalas ESCALAS COTAGEM
Escalas Antes de representar objectos, modelos, peças, etc. Deve-se estudar o seu tamanho real. Tamanho real é a grandeza que as coisas têm na realidade. Existem coisas que podem ser representadas no papel
Leia maisCAPÍTULO 4. 4 - O Método Simplex Pesquisa Operacional
CAPÍTULO 4 O MÉTODO SIMPLEX 4 O Método Simplex caminha pelos vértices da região viável até encontrar uma solução que não possua soluções vizinhas melhores que ela. Esta é a solução ótima. A solução ótima
Leia maisOs eixo x e y dividem a circunferência em quatro partes congruentes chamadas quadrantes, numeradas de 1 a 4 conforme figura abaixo:
Circunferência Trigonométrica É uma circunferência de raio unitário orientada de tal forma que o sentido positivo é o sentido anti-horário. Associamos a circunferência (ou ciclo) trigonométrico um sistema
Leia maisRaciocínio Lógico Matemático Cap. 8 Sequências Lógicas e Suas Leis de Formação
Raciocínio Lógico Matemático Cap. 8 Sequências Lógicas e Suas Leis de Formação Sequências Lógicas e Suas Leis de Formação Estudaremos, neste capítulo, várias sequências lógicas e buscaremos explorar quais
Leia maisBusiness intelligence para empresas de segurança. Como uma instituição pode gerar recursos e errar menos com ajuda da informação
Business intelligence para empresas de segurança Como uma instituição pode gerar recursos e errar menos com ajuda da informação 1. Introdução Pense no volume de informações geradas pela sua empresa de
Leia maisTOM, SEMITOM, SUSTENIDO, BEMOL.
TOM, SEMITOM, SUSTENIDO, BEMOL. Tom e semitom (ou tono e semitono): são diferenças específicas de altura, existentes entre as notas musicais, isto é, são medidas mínimas de diferença entre grave e agudo.
Leia maisCTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...
Leia maisIND 1115 Inferência Estatística Aula 8
Conteúdo IND 5 Inferência Estatística Aula 8 Setembro 4 Mônica Barros O - aproximação da Binomial pela Este teorema é apenas um caso particular do teorema central do limite, pois uma variável aleatória
Leia maisO cilindro deitado. Eduardo Colli
O cilindro deitado Eduardo Colli São poucas as chamadas funções elementares : potências e raízes, exponenciais, logaritmos, funções trigonométricas e suas inversas, funções trigonométricas hiperbólicas
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano 2011-2 a Fase
Prova Escrita de MATEMÁTICA A - 1o Ano 011 - a Fase Proposta de resolução GRUPO I 1. Como no lote existem em total de 30 caixas, ao selecionar 4, podemos obter um conjunto de 30 C 4 amostras diferentes,
Leia maisMétodos Quantitativos Aplicados a Custos Análise Estatística como um auxiliar valioso nas decisões
Métodos Quantitativos Aplicados a Custos Análise Estatística como um auxiliar valioso nas decisões Que métodos estatísticos podem auxiliar as análises de custos? Qual a relação entre regressão e correlação?
Leia maisProgramação Linear - Parte 4
Mestrado em Modelagem e Otimização - CAC/UFG Programação Linear - Parte 4 Profs. Thiago Alves de Queiroz Muris Lage Júnior 1/2014 Thiago Queiroz (DM) Parte 4 1/2014 1 / 18 Solução Inicial O método simplex
Leia maisParte 05 - Técnicas de programação (mapas de Veitch-Karnaugh)
Parte 05 - Técnicas de programação (mapas de Veitch-Karnaugh) Mapas de Veitch-Karnaugh Montar circuitos lógicos a partir de tabela verdade, embora seja tarefa fácil, geral um circuito extremamente grande.
Leia maisPlano da Apresentação. Correlação e Regressão linear simples. Correlação linear. Associação entre hábitos leitura e escolaridade.
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Plano da Apresentação Correlação linear Diagrama de dispersão Covariância Coeficiente de correlação de Pearson Teste de correlação
Leia maisCorrelação e Regressão linear simples
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Regressão linear simples Prof. Cesaltina Pires cpires@uevora.pt Plano da Apresentação Correlação linear Diagrama de dispersão Covariância
Leia maisREGULAMENTO DO I TORNEIO DE SUECA TERRAFLOR
REGULAMENTO DO I TORNEIO DE SUECA TERRAFLOR 1º Estrutura 1. O presente Regulamento estrutura o I Torneio de Sueca TERRAFLOR, organizado pelo grupo de técnicos de Educação Física do Município de Vila. 2.
Leia maisProblemas de Fluxos em Redes
Problemas de Fluxos em Redes O problema da distribuição de frigoríficos Um fabricante de frigoríficos tem fábricas, de onde abastece clientes (distribuidores). No início de cada mês recebe de cada cliente
Leia maisMatemática para a Economia I - 1 a lista de exercícios Prof. - Juliana Coelho
Matemática para a Economia I - 1 a lista de exercícios Prof. - Juliana Coelho 1 - Para cada função abaixo, calcule os valores pedidos, quando for possível: (a) f(x) = x 3 3x + 3x 1, calcule f(0), f( 1)
Leia maisLinha Técnica Sessão IV Variáveis Instrumentais
Impact Evaluation Linha Técnica Sessão IV Variáveis Instrumentais Human Development Human Network Development Network Middle East and North Africa Region World Bank Institute Spanish Impact Evaluation
Leia maisIII OLIMPÍADA DE JOGOS RECREATIVOS DA AABB-SP
III OLIMPÍADA DE JOGOS RECREATIVOS DA AABB-SP Regulamento Específico Truco Data: 03 de Setembro de 2016 (Sábado) Início: 14h Local: Bar Classe A Art.1 : O Truco será realizado em 1 categoria mista: a partir
Leia mais