Vorträge für das Seminar/Proseminar: Themen der Künstlichen

Vorträge für das Seminar/Proseminar:
Themen der Künstlichen Intelligenz
15. Juli 2003
Inhaltsverzeichnis
1 Suche
1.1 (P) Informierte und heuristische Suche — Der A∗ -Algorithmus .
1.2 (S) LAO∗ : A heuristic search algorithm that finds solutions with
loops . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 (P) Suche in Spielbäumen — Minimax-Methode und alpha-betaSuche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4 (P) Deep Blue . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
2
2 Evolutionäre und genetische Algorithmen
2.1 (P) Grundlagen genetischer Algorithmen . . . . . . . . . . . . .
2.2 (S) Towards an analytic framework for analysing the computation time of evolutionary algorithms . . . . . . . . . . . . . . . . .
3
3
3 Logik und logisches Programmieren
3.1 (P) Beweismethoden für Aussagenlogik I: Tableaukalkül und Resolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 (P) Beweismethoden für Aussagenlogik II: weitere Techniken . .
3.3 (P) Modallogik . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4 (S) Relevance from an epistemic perspective . . . . . . . . . . .
3.5 (P) Horn-Klauseln, SLD-Resolution und Prolog . . . . . . . . . .
3.6 (S) LUPS-A language for updating logic programs . . . . . . . .
3.7 (P) Default-Logiken . . . . . . . . . . . . . . . . . . . . . . . . .
3.8 (S) Logic programming and knowledge representation-The AProlog perspective . . . . . . . . . . . . . . . . . . . . . . . . . .
4
4 Planen
4.1 (P) Grundzüge des Planens . . . . . . . . . . . . . . . . . . . . .
4.2 (S) Minimax real-time heuristic search . . . . . . . . . . . . . . .
7
7
7
5 Wissensrepräsentation
5.1 (P) Einführung in Konzeptbeschreibungssprachen . . . . . . . .
5.2 (S) Expressive Description Logics . . . . . . . . . . . . . . . . .
7
7
7
1
2
3
3
3
4
4
4
5
5
5
6
6
6 Maschinelles Lernen
6.1 (P) Lernen von Entscheidungsbäumen und Konzepten . . . . . .
6.2 (P) Künstliche neuronale Netze . . . . . . . . . . . . . . . . . . .
6.3 (S) Programming backgammon using self-teaching neural nets .
8
8
8
8
7 Fallbasiertes Schließen
7.1 (P) Grundzüge des fallbasierten Schließens . . . . . . . . . . . .
8
8
8 Sprachverarbeitung
8.1 (P) Beschreibungsformalismen für sprachliches Wissen . . . . . .
8.2 (P) Semantik . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.3 (S) Database semantics for natural language . . . . . . . . . . .
9
9
9
9
1
1.1
Suche
(P) Informierte und heuristische Suche — Der A∗ Algorithmus
Kapitel 4 aus [RN95], Kapitel 4 aus [Lug02], Abschnitt 4.5 aus [PMG98] oder
Kapitel 3 aus [LC01].
Zusammenfassung
Eine Suche nennt man informiert“, wenn man eine Bewertung von
”
allen Knoten des Suchraumes angeben kann, d.h. eine Schätzfunktion,
die man interpretieren kann als Ähnlichkeit zu einem Zielknoten, oder
als Schätzung des Abstands zum Zielknoten. Der Zielknoten sollte ein
Maximum bzw. Minimum der Bewertungsfunktion sein.
Eine Heuristik ( Daumenregel“) ist eine Methode, die oft ihren Zweck
”
erreicht, aber nicht mit Sicherheit. Man spricht von heuristischer Suche,
wenn die Schätzfunktion in vielen praktisch brauchbaren Fällen die richtige Richtung zu einem Ziel angibt, aber möglicherweise manchmal versagt.
Das ursprüngliche Suchproblem kann jetzt ersetzt werden durch eine
Minimierung (bzw. Maximierung) einer Funktion auf einem gerichteten
Graphen.
1.2
(S) LAO∗ : A heuristic search algorithm that finds solutions with loops
Eric A. Hansen und Shlomo Zilberstein. In Artificial Intelligence 129 (2001),
1-2:35-62 Elsevier Science, June 2001
Vom Netz der Uni Frankfurt aus über http://else.hebis.de:3333 verfügbar.
Zusammenfassung
Classic heuristic search algorithms can find solutions that take the form
of a simple path (A∗ ), a tree, or an acyclic graph (AO∗ ). In this paper, we
describe a novel generalization of heuristic search, called LAO∗ , that can
find solutions with loops. We show that LAO∗ can be used to solve Markov
decision problems and that it shares the advantage heuristic search has
over dynamic programming for other classes of problems. Given a start
state, it can find an optimal solution without evaluating the entire state
space.
2
1.3
(P) Suche in Spielbäumen — Minimax-Methode und
alpha-beta-Suche
Kapitel 5 aus [RN95].
Zusammenfassung
Die Minimax-Methode wird zum Auffinden einer Gewinnstrategie in
einem Spielbaum unter Zuhilfenahme einer Bewertungsfunktion verwendet. Die alpha-beta-Suche stellt eine optimierte Variante dar.
1.4
(P) Deep Blue
Murray Campbell, A. Joseph Hoane Jr und Feng-hsiung Hsu. In Artificial Intelligence 134 (2002), 1-2:57-83 Elsevier Science, Januar 2002
Vom Netz der Uni Frankfurt aus über http://else.hebis.de:3333 verfügbar.
Zusammenfassung
Deep Blue is the chess machine that defeated then-reigning World
Chess Champion Garry Kasparov in a six-game match in 1997. There
were a number of factors that contributed to this success, including: a
single-chip chess search engine, a massively parallel system with multiple
levels of parallelism, a strong emphasis on search extensions, a complex
evaluation function, and effective use of a Grandmaster game database.
This paper describes the Deep Blue system, and gives some of the rationale
that went into the design decisions behind Deep Blue.
2
2.1
Evolutionäre und genetische Algorithmen
(P) Grundlagen genetischer Algorithmen
Kapitel 1 aus [Mic94].
Zusammenfassung
Das Ziel bzw. die Aufgabe von evolutionären Algorithmen ist eine Optimierung von Objekten mit komplexer Beschreibung, wobei es variable
Parameter gibt. Aus der Menge der Objekte, der Population, werden geeignete ausgewählt, aus denen, evtl. nach einer Transformation, eine neue
Population gebildet wird.
2.2
(S) Towards an analytic framework for analysing the
computation time of evolutionary algorithms
Jun He und Xin Yao. In Artificial Intelligence 145 (2003), 1-2:59-97 Elsevier
Science, April 2003
Vom Netz der Uni Frankfurt aus über http://else.hebis.de:3333 verfügbar.
Zusammenfassung
In spite of many applications of evolutionary algorithms in optimisation, theoretical results on the computation time and time complexity of
evolutionary algorithms on different optimisation problems are relatively
few. It is still unclear when an evolutionary algorithm is expected to solve
an optimisation problem efficiently or otherwise. This paper gives a general analytic framework for analysing first hitting times of evolutionary
3
algorithms. The framework is built on the absorbing Markov chain model
of evolutionary algorithms. The first step towards a systematic comparative study among different EAs and their first hitting times has been
made in the paper.
3
3.1
Logik und logisches Programmieren
(P) Beweismethoden für Aussagenlogik I: Tableaukalkül und Resolution
Kapitel 3 aus [Fit90].
Zusammenfassung
Die Aussagenlogik ist in vielen anderen Logiken enthalten; sie hat
einfache verstehbare Inferenzmethoden, man kann einfache Beispiele modellhaft in der Aussagenlogik betrachten. Bei der Verallgemeinerung auf
Prädikatenlogik und andere Logiken wie z.B. Modallogik startet man
meist auf der Basis der Aussagenlogik.
Es sollen die Beweismethoden des Tableaukalküls und der Resolution
behandelt werden, die beide Widerspruchsverfahren darstellen. Ziel ist,
vereinfachte Varianten von allgemeinen Verfahren zum Schlussfolgern zu
verstehen, damit man einen Einblick in die Wirkungsweise von Inferenzverfahren für Prädikatenlogik und andere Logiken gewinnen kann.
3.2
(P) Beweismethoden für Aussagenlogik II: weitere
Techniken
Kapitel 4 aus [Fit90].
Zusammenfassung
Neben Resolution und Tableaukalkül gibt es noch weitere Beweisverfahren für die Aussagenlogik. Diese sollen hier — auch im Vergleich zu
den erstgenannten — vorgestellt werden.
3.3
(P) Modallogik
Seiten 365-419 aus [Fit93].
Zusammenfassung
Die Aussagenlogik wird durch modale Operatoren, die u.a. Wissen
und Möglichkeit ausdrücken können, zur Modallogik erweitert. Es werden
Semantik und Beweisprozeduren untersucht.
4
3.4
(S) Relevance from an epistemic perspective
Gerhard Lakemeyer. In Artificial Intelligence 97 (1997), 1-2:137-167 Elsevier
Science, Dezember 1997
Vom Netz der Uni Frankfurt aus über http://else.hebis.de:3333 verfügbar.
Zusammenfassung
In this paper we study relevance relations in the context of propositional logical theories and subject matters or topics of interest, which we
take to be sets of atomic propositions. In particular, we are interested
in answering questions like the following: when is a sentence (or theory)
relevant to a subject matter, or, when is a topic relevant to another topic
or sentence given some background theory? Relevance is studied from a
subjective or epistemic point of view, that is, we try to capture relevance
relations from an agent’s point of view relative to his or her deductive
capabilities. For this purpose, we start out with the definition of regular
belief, which covers a wide range of belief models, from the very weak to
those closed under classical logical implication. In the paper, we consider
one example from each of the extremes, which are called explicit and implicit belief, respectively. We define a notion of prime implicates which
applies to all models of regular belief and which has its usual meaning
under implicit belief. Prime implicates turn out to be the right primitive from which all definitions of relevance are derived. Among the main
technical contributions is a detailed comparison between relevance under
implicit belief and three other approaches in the literature. This investigation reveals that all four share a lot of common ground even though
some have very different starting points. We also study the complexity
of determining relevance relations for implicit as well as explicit belief.
While intractability obtains often, but not always, for implicit belief, the
analogous problems for explicit belief are almost always tractable.
3.5
(P) Horn-Klauseln, SLD-Resolution und Prolog
Kapitel 14 aus [Lug02], Kapitel 9 und 10 aus [RN95], entsprechende Abschnitte
der Kapitel 3 und 9 aus [BKI03], Kapitel 4 aus [LC01], Kapitel 2 aus [Gör93],
[Yas95] und [CKLR90].
Zusammenfassung
Das Logische Programmieren basiert auf einer Untermenge der
Prädikatenlogik, der sogenannten Horn-Logik. Das Beweisprinzip der
SLD-Resolution bildet die Grundlage für Prolog-Implementierungen.
3.6
(S) LUPS-A language for updating logic programs
José Júlio Alferes, Luı́s Moniz Pereira, Halina Przymusinska und Teodor C.
Przymusinski. In Artificial Intelligence 138 (2002), 1-2:87-116 Elsevier Science,
Juni 2002
Vom Netz der Uni Frankfurt aus über http://else.hebis.de:3333 verfügbar.
Zusammenfassung
Most of the work conducted so far in the field of logic programming
has focused on representing static knowledge, i.e., knowledge that does
not evolve with time. To overcome this limitation, in a recent paper, the
authors introduced dynamic logic programming. There, they studied and
defined the declarative and operational semantics of sequences of logic
5
programs (or dynamic logic programs). Each program in the sequence contains knowledge about some given state, where different states may, for
example, represent different time periods or different sets of priorities.But
how, in concrete situations, is a sequence of logic programs built? For instance, in the domain of actions, what are the appropriate sequences of
programs that represent the performed actions and their effects? Whereas
dynamic logic programming provides a way for, given the sequence, determining what should follow, it does not provide a good practical language
for the specification of the sequence of updates which may be conditional
on the intervening states.Here we define the language LUPS-Language for
dynamic updatesdesigned for specifying changes to logic programs. Given an initial knowledge base (as a logic program) LUPS provides a way
for sequentially updating it. The declarative meaning of a sequence of
sets of update actions in LUPS is defined by the semantics of the dynamic logic program generated by those actions. Additionally, we provide a
translation of the sequence of update statements sets into a single logic
program written in a meta-language, in such a way that the stable models
of the resulting program correspond to the previously defined declarative
semantics. Finally, we exhibit the usage of LUPS in several application
domains.
3.7
(P) Default-Logiken
Kapitel 8 aus [BKI03].
Zusammenfassung
Sogenannte Default-Regeln, z.B. Regeln mit Ausnahmen oder solche,
die gelten, solange das Gegenteil nicht bewiesen ist, machen den Großteil
unseres Allgemeinwissens aus.
3.8
(S)
Logic
programming
and
knowledge
representation-The A-Prolog perspective
Michael Gelfond und Nicola Leone. In Artificial Intelligence 138 (2002), 1-2:3-38
Elsevier Science, Juni 2002
Vom Netz der Uni Frankfurt aus über http://else.hebis.de:3333 verfügbar.
Zusammenfassung
In this paper we give a short introduction to logic programming approach to knowledge representation and reasoning. The intention is to
help the reader to develop a ’feel’ for the field’s history and some of
its recent developments. The discussion is mainly limited to logic programs under the answer set semantics. For understanding of approaches
to logic programming built on well-founded semantics, general theories of
argumentation, abductive reasoning, etc., the reader is referred to other
publications.
6
4
4.1
Planen
(P) Grundzüge des Planens
Kapitel 11 aus [RN95].
Zusammenfassung
Ein Plan stellt eine Abfolge von Aktionen dar, die es einem Agenten
ermöglichen soll, ein bestimmtes Ziel zu erreichen, u.U. in Interaktion mit
seiner Umwelt.
4.2
(S) Minimax real-time heuristic search
Sven Koenig. In Artificial Intelligence 129 (2001), 1-2:165-197 Elsevier Science,
Juni 2001
Vom Netz der Uni Frankfurt aus über http://else.hebis.de:3333 verfügbar.
Zusammenfassung
Real-time heuristic search methods interleave planning and plan executions and plan only in the part of the domain around the current state
of the agents. So far, real-time heuristic search methods have mostly been applied to deterministic planning tasks. In this article, we argue that
real-time heuristic search methods can efficiently solve nondeterministic
planning tasks. We introduce Min-Max Learning Real-Time A∗ (MinMax LRTA∗ ), a real-time heuristic search method that generalizes Korf’s
LRTA∗ to nondeterministic domains, and apply it to robot-navigation
tasks in mazes, where the robots know the maze but do not know their
initial position and orientation (pose). These planning tasks can be modeled as planning tasks in nondeterministic domains whose states are sets of
poses. We show that Min-Max LRTA∗ solves the robot-navigation tasks
fast, converges quickly, and requires only a small amount of memory.
5
5.1
Wissensrepräsentation
(P) Einführung in Konzeptbeschreibungssprachen
Kapitel 2 aus [BCM+ 03].
Zusammenfassung
Auf Basis von Modal- und Prädikatenlogik wird eine Familie von Logiken für die Wissensrepräsentation und ihre Semantik vorgestellt.
5.2
(S) Expressive Description Logics
Kapitel 5 aus [BCM+ 03].
7
6
6.1
Maschinelles Lernen
(P) Lernen von Entscheidungsbäumen und Konzepten
Kapitel 18 aus [RN95], Kapitel 11 aus [PMG98] oder entsprechende Abschnitte
des fünften Kapitels aus [BKI03] bzw. dritten Kapitels aus [Gör93].
6.2
(P) Künstliche neuronale Netze
Kapitel 5 und 6 aus [LC01], Abschnitt 8.3 aus [Gör93] und entsprechende Abschnitte des Kapitels 9 aus [RN95].
6.3
(S) Programming backgammon using self-teaching
neural nets
Gerald Tesauro. In Artificial Intelligence 134 (2002), 1-2:181-199 Elsevier
Science, Januar 2002
Vom Netz der Uni Frankfurt aus über http://else.hebis.de:3333 verfügbar.
Zusammenfassung
TD-Gammon is a neural network that is able to teach itself to play
backgammon solely by playing against itself and learning from the results.
Starting from random initial play, TD-Gammon’s self-teaching methodology results in a surprisingly strong program: without lookahead, its positional judgement rivals that of human experts, and when combined with
shallow lookahead, it reaches a level of play that surpasses even the best
human players. The success of TD-Gammon has also been replicated by
several other programmers; at least two other neural net programs also appear to be capable of superhuman play.Previous papers on TD-Gammon
have focused on developing a scientific understanding of its reinforcement
learning methodology. This paper views machine learning as a tool in a
programmer’s toolkit, and considers how it can be combined with other
programming techniques to achieve and surpass world-class backgammon
play. Particular emphasis is placed on programming shallow-depth search
algorithms, and on TD-Gammon’s doubling algorithm, which is described
in print here for the first time.
7
7.1
Fallbasiertes Schließen
(P) Grundzüge des fallbasierten Schließens
Kapitel 6 aus [BKI03].
Zusammenfassung
Im Gegensatz zu regelbasierten Systemen sollen beim fallbasierten
Schließen Lösungen im wesentlichen durch Anpassung bekannter Fälle gefunden werden.
8
8
Sprachverarbeitung
8.1
(P) Beschreibungsformalismen für sprachliches Wissen
Entsprechender Abschnitt des fünften Kapitels aus [Gör93].
8.2
(P) Semantik
Entsprechender Abschnitt des fünften Kapitels aus [Gör93].
8.3
(S) Database semantics for natural language
Roland Hausser. In Artificial Intelligence 130 (2001), 1:27-74 Elsevier Science,
Juli 2001
Vom Netz der Uni Frankfurt aus über http://else.hebis.de:3333 verfügbar.
Zusammenfassung
This paper presents a formal ’fragment’ of database semantics as a
declarative model of a cognitive agent. It is called a Slim machine and
functionally integrates the procedures of natural language interpretation,
conceptualization, and production as well as query and inference. Each of
these functions is illustrated explicitly by a corresponding LA-grammar. In
addition, a control structure based on the principle of balance is presented.
This principle mediates between the knowledge of the Slim machine and
its current situation by selecting a suitable action.
Literatur
[BCM+ 03] Baader, Franz, Diego Calvanese, Deborah McGuinness,
Daniele Nardi und Peter Patel-Schneider (Herausgeber):
The Description Logic Handbook. Cambridge University Press, Januar 2003.
[BKI03]
Beierle, Christoph und Gabriele Kern-Isberner: Methoden
wissensbasierter Systeme – Grundlagen, Algorithmen, Anwendungen. Computational Intelligence. Vieweg-Verlag, Wiesbaden, zweite,
überarbeitete und erweiterte Auflage, Mai 2003.
[CKLR90] Cordes, R., R. Kruse, H. Langendörfer und H. Rust: PROLOG: Eine methodische Einführung. Vieweg, Braunschweig, 1990.
[Fit90]
Fitting, M.: First-Order Logic and Automated Theorem Proving.
Springer, New York, 1990.
[Fit93]
Fitting, M.: Basic Modal Logic. In: Gabbay, D. M., C. J. Hogger und J. A. Robinson (Herausgeber): Handbook of Logic in Artificial Intelligence and Logic Programming - Vol 1: Logical Foundations. Oxford, Clarendon Press, Seiten 365–448. 1993.
[Gör93]
Görz, Günther (Herausgeber): Einführung in die künstliche Intelligenz. Addison-Wesley, Bonn, Paris, u.a., 1993.
9
[LC01]
Lämmel, Uwe und Jürgen Cleve: Lehr- und Übungsbuch
Künstliche Intelligenz. Fachbuchverlag Leipzig, München, 2001.
[Lug02]
Luger, George F.: Artificial Intelligence – Structures and Strategies for Complex Problem Solving. Pearson Education Limited,
vierte Auflage, 2002.
[Mic94]
Michalewicz, Zbigniew: Genetic Algorithms + Data Structures =
Evolution Programs. Artificial Intelligence. Springer-Verlag, Berlin,
Heidelberg, New York, zweite Auflage, 1994.
[PMG98]
Poole, David, Alan Mackworth und Randy Goebel: Computational Intelligence – A Logical Approach. Oxford University Press,
New York, 1998.
[RN95]
Russell, Stuart und Peter Norvig: Artificial Intelligence – A
Modern Approach. Series in Artificial Intelligence. Prentice Hall,
1995.
[Yas95]
Yasdi, Ramin: Logik und Programmieren in Logik. Prentice-Hall,
München, 1995.
10