Αυτό το παιχνίδι είναι σχεδόν ίδιο με το προηγούμενο. Διαφορές Οι κυνηγοί δεν γνωρίζουν τη θέση του φυγάδα (αόρατος φυγάδας). Ο φυγάδας γνωρίζει τις θέσεις.

Slides:



Advertisements
Παρόμοιες παρουσιάσεις
Καταδίωξη / Διαφυγή. Οι κανόνες • Ένας «φυγάς», ένας ή περισσότεροι «κυνηγοί» • Κινούνται πάνω σε ένα γράφημα • Στην πιο απλή περίπτωση, μία κίνηση ο.
Advertisements

Κόστος.
Αναδρομικοί Αλγόριθμοι
Nikos Louloudakis Nikos Orfanoudakis Irini Genitsaridi
Αλγόριθμοι Αναζήτησης
Θέματα προς συζήτηση ... Ερωτήσεις από τα προηγούμενα lectures ...
Εισαγωγή στους Ηλεκτρονικούς Υπολογιστές
Αναδρομη και static Γραψετε την συναρτηση sequence_size που διαβαζει μια απροσδιοριστου μεγεθους σειρας και υπολογιζει και τυπωνει το μεγεθος της. int.
HY100 : ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΥΠΟΛΟΓΙΣΤΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ, ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ, ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ ΔΙΔΑΣΚΟΝΤΕΣ Αντώνιος Σαββίδης, Χρήστος.
Θεωρία Γραφημάτων Θεμελιώσεις-Αλγόριθμοι-Εφαρμογές
Προγραμματισμός PASCAL Πληροφορική Γ' Λυκείου μέρος γ
Rigidbody Δίνει στο αντικείμενο την ιδιότητα της μάζας, της βαρύτητας και της ταχύτητας Μπορούμε να επέμβουμε στη δύναμη της βαρύτητας στη σκηνή μας (διεύθυνση.
1 Αλγόριθμοι Παρακολούθησης Ακτίνας (Ray tracing) Τα μοντέλα τοπικού φωτισμού (π.χ. Phong) δεν ασχολούνται με τον έμμεσο φωτισμό των αντικειμένων. Τα μοντέλα.
Εισηγητής:Στέφανος Μέτης
Σχεδίαση αλγορίθμων (2ο μέρος)
ΜΑΘΗΜΑ: ΣΧΕΔΙΑΣΗ ΑΛΓΟΡΙΘΜΩΝ ΔΙΔΑΣΚΩΝ: Π. ΚΑΤΣΑΡΟΣ Δευτέρα, 12 Ιανουαρίου 2015Δευτέρα, 12 Ιανουαρίου 2015Δευτέρα, 12 Ιανουαρίου 2015Δευτέρα, 12 Ιανουαρίου.
ΟΙ ΣΥΝΑΡΤΗΣΕΙΣ ΚΑΙ ΤΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΤΟΥΣ
Σχεδίαση Αλγορίθμων - Τμήμα Πληροφορικής ΑΠΘ - Εξάμηνο 4ο1 Διαίρει και Βασίλευε γνωστότερη Η γνωστότερη μέθοδος σχεδιασμού αλγορίθμων: Διαιρούμε.
Ενεργή επιλογή αλγορίθμου, Active Algorithm Selection, Feilong Chen and Rong Jin Εύα Σιταρίδη.
Σχεδίαση Αλγορίθμων - Τμήμα Πληροφορικής ΑΠΘ - Εξάμηνο 4ο1 Ωμή Βία Είναι μία άμεση προσέγγιση που βασίζεται στην εκφώνηση του προβλήματος και τους ορισμούς.
Δυναμικη Δεσμευση Μνημης Συνδεδεμενες Λιστες (dynamic memory allocation, linked lists) Πως υλοποιουμαι προγραμματα που δεν γνωριζουμε πριν την εκτελεση.
Οι μαύρες τρύπες είναι γιγαντιαία άστρα τα οποία κατά το τέλος της ζωής τους καταρρέουν στην ιδία τους τη μάζα με αποτέλεσμα να καμπυλώνουν άπειρα τον.
Γιάννης Σταματίου Αναδρομή και αναδρομικές σχέσεις
Φροντίς Παιδείας Πόροι – Ποιότητα - Καινοτομίες. Γιώργος Ψαχαρόπουλος Outline Ποιοι είναι οι πόροι; Πως μετράται η ποιότητα; Καινοτομίες.
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδρομικός.
Μεταγωγή (Switching) Πως σχηματίζουμε διαδίκτυα. Περίληψη Μεταγωγή Κυκλωμάτων (Circuit switching) Μεταγωγή Πακέτων (Packet switching) Μεταγωγή Εικονικών.
1 Βέλτιστη δρομολόγηση (optimal routing) Αντιμετώπιση της δρομολόγησης σαν «συνολικό» πρόβλημα βελτιστoποίησης. Γιατί: Η αλλαγή της δρομολόγησης μιας συνόδου.
Searching Game Trees. The top-level statement play(Game) :- initialize(Game,Position,Player), display_game(Position,Player), play(Position,Player,Result).
Τι ακριβώς είναι οι Η.Υ.; Είναι μηχανές που επεξεργάζονται δεδομένα – για την ακρίβεια επεξεργάζονται σύμβολα – και παράγουν πληροφορίες. Τα δεδομένα είναι.
ΗΥ150 – ΠρογραμματισμόςΚώστας Παναγιωτάκης ΗΥ-150 Προγραμματισμός Αναδρομή (1/2)
1 Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής Πανεπιστήμιο Πατρών ΟΝΤΟΚΕΝΤΡΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΙΙ (C++) Πολυμορφισμός.
Αλγόριθμοι - Τμήμα Πληροφορικής ΑΠΘ - 4ο εξάμηνο1 Ανάλυση Αλγορίθμων b Θέματα: Ορθότητα Χρονική αποδοτικότητα Χωρική αποδοτικότητα Βελτιστότητα b Προσεγγίσεις:
Ασυμπτωτικός Συμβολισμός
1 ΤΜΗΜΑ ΜΠΕΣ Αλγόριθμοι Αναζήτησης Εργασία 1 Τυφλή Αναζήτηση.
ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Διδάσκοντες:Στάθης Ζάχος Νίκος Παπασπύρου
Θεωρία Γράφων Θεμελιώσεις-Αλγόριθμοι-Εφαρμογές TSP, Μέτρα κεντρικότητας, Dijkstra Data Engineering Lab.
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΗΥ150 – ΠρογραμματισμόςΞενοφών Ζαμπούλης ΗΥ-150 Προγραμματισμός Αναδρομή (1/2)
Διάλεξη 14: Εισαγωγή στη ροή ρευστών
Συνδετικότητα γραφήματος (graph connectivity). α β Υπάρχει μονοπάτι μεταξύ α και β; Παραδείγματα: υπολογιστές ενός δικτύου ιστοσελίδες ισοδύναμες μεταβλητές.
Αυτόνομοι Πράκτορες Ενισχυτική Μάθηση (Q-learning algorithm) in PONG Χανιά, 4/3/2011 Μπαμπαλής Μπάμπης.
Λήψη σύνθετων αποφάσεων. Ακολουθιακά προβλήματα αποφάσεων Η χρησιμότητα του αποτελέσματος κάθε ενέργειας, που μπορεί να επιλέξει σε μια χρονική στιγμή.
Εισαγωγή στη βελτιστοποίηση (Μέρος 1) Daniel Kirschen.
Συμπληρωματική Πυκνότητα Ελαστικής Ενέργειας Συμπληρωματικό Εξωτερικό Έργο W: Κανονικό έργο Τελικές δυνάμεις Ρ, τελικές ροπές Μ, ολικές μετατοπίσεις δ.
ΠΑΡΟΥΣΙΑΣΗ ΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ ΜΕ ΤΙΤΛΟ: «Ανάλυση του προβλήματος του περιπλανώμενου πωλητή και Υλοποίηση μεθόδων επίλυσης και βελτιστοποίησης ανάθεσης.
Εισαγωγή στην Αριθμητική Ανάλυση Εισαγωγή στη MATLAB
Προγραμματισμός έργων
Προβλήματα Ικανοποίησης Περιορισμών
Βελτιστοποίηση σε τρίλιζα Καταδίωξη/διαφυγή
Ειδικά θέματα σε κινητά και ασύρματα δίκτυα
Εφαρμογές Υπολογιστών
Τι μαθαίνει αυτός που μαθαίνει προγραμματισμό;
Συστήματα CAD Πανεπιστήμιο Θεσσαλίας Σχολή Θετικών Επιστημών
ΜΥΥ105: Εισαγωγή στον Προγραμματισμό
Βελτιστοποίηση σε τρίλιζα Καταδίωξη/διαφυγή
Βέλτιστη δρομολόγηση (optimal routing)
Διάλεξη 15: O αλγόριθμος SIMPLE
Εισαγωγή στα Νευρωνικά Δίκτυα
αναγκαίο κακό ή δώρο εξ’ ουρανού;
Measuring drosophila’s velocity
Τεχνολογία και Προγραμματισμός Υπολογιστών
Διάλεξη 2: Περιγραφή αριθμητικών μεθόδων
Ψηφιακός Έλεγχος διάλεξη Παρατηρητές Ψηφιακός Έλεγχος.
Μουσενίκας Δημήτριος Βλάχος Χριστόδουλος
Δυναμικός Προγραμματισμός
Β. Μάγκλαρης 2/11/2015 ΔΙΑΧΕΙΡΙΣΗ ΔΙΚΤΥΩΝ Δρομολόγηση στο Internet (II) Αλγόριθμοι Distance Vector (Bellman)
ΗΥ-150 Προγραμματισμός Αναδρομή (1/2).
A simple production function # Inputs # Outputs
Προβλήματα Μεταφοράς: Παραδείγματα και Εφαρμογές

Μεταγράφημα παρουσίασης:

Αυτό το παιχνίδι είναι σχεδόν ίδιο με το προηγούμενο. Διαφορές Οι κυνηγοί δεν γνωρίζουν τη θέση του φυγάδα (αόρατος φυγάδας). Ο φυγάδας γνωρίζει τις θέσεις των κυνηγών. Ο φυγάδας έχει πολύ μεγαλύτερη ταχύτητα από τους κυνηγούς. Εφαρμογή του παιχνιδιού: έρευνα μέσα σε ένα κτίριο. Pursuit Evasion με αόρατο φυγάδα

Όπως και στα προηγούμενα, με διακριτοποίηση καταλήγουμε σε καταδίωξη επί ενός γράφου.

Καταδίωξη / διαφυγή Αόρατου Φυγάδα επί ενός γράφου

Το πρόβλημα του αόρατου φυγάδα είναι υπολογιστικά πολύ πιο δύσκολο από αυτό του ορατού φυγάδα. Διάφορες λύσεις, όλες ευρετικές. Δεν υπάρχει minmax διατύπωση ανάλογη με του ορατού φυγάδα (γιατί δεν εφαρμόζεται η λύση του ορατού φυγάδα?) Βασική ιδέα: Σαρώνουμε το κτίριο, καθαρίζουμε τα δωμάτια, φροντίζουμε ώστε κανένα καθαρό δωμάτιο να μην ξαναμολυνθεί. Βασική ιδέα: Η κατάσταση (state) της καταδίωξης και η συνάρτηση εξέλιξης κατάστασης (state evolution function).

H Κατάσταση της Καταδίωξης Που βρίσκεται ο κάθε κυνηγός Που μπορεί να βρίσκεται ο φυγάδας (dirty set) Διάνυσμα κατάστασης (x t,D t ) Συνάρτηση εξέλιξης κατάστασης: (x t,D t )=F(x t-1,D t-1,u t ) Το Κόστος της Κατάστασης της Καταδίωξης J(x t,D t )=|D t |

Algorithm PEI (Pursue / Evasion Invisible) Input: Graph (V,E); Starting node n ₀ For t=1:Tmax For n=1:N Path(n)=[ ] DirtySet(n)=V Cost(n)=|DirtySet(n)| Next n Path(n ₀ )=[n ₀ ] DirtySet(n ₀ )=V-N(n ₀ ) Cost(n ₀ )=|DirtySet(n ₀ )| [Path, DirtySet, Cost]=SearchUpdate(Path, DirtySet, Cost) Next t Output: PathBest

Func[Path,DSet,Cost]=SearchUpdate(Path,DSet, Cost) For n=1:N For m=1:N If m is neighbor of n PathBest=Path(m) DirtyBest=DirtySet(m) CostBest=Cost(m) PathNew=[Path(n) m] DirtyNew=State(n,DirtySet(n),m) CostNew=|DirtyNew| If CostNew<CostBest PathBest=PathNew DirtyBest=DirtyNew CostBest=CostNew EndIf Path(m)=PathBest DirtySet(m)=DirtyBest Cost(m)=CostBest EndIf Next m Next n

PEI Computer Demo 1

PEI Computer Demo 2

PEI Computer Demo 3