Matti Järvisalo. Constraint Reasoning and Optimization group Tietojenkäsittelytieteen laitos Helsingin yliopisto Complexity theory SAT
|
|
- Emilia Aaltonen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Moderni näkökulma logiikkaan tekoälytutkimuksessa Matti Järvisalo Constraint Reasoning and Optimization group Tietojenkäsittelytieteen laitos Helsingin yliopisto Complexity theory Formal logic SAT Algorithm design Real-world applications Efficient implementation Matti Järvisalo (HY) Logiikka ja tekoäly / 34
2 Ei ainoastaan koneoppimista Matti Järvisalo (HY) Logiikka ja tekoäly / 34
3 Aihepiirit modernissa tekoälytutkimuksessa IJCAI & AAAI: AI-tutkimuksen pääkonferenssit maailmanlaajuisesti Konferenssien aihealueet: Planning and Scheduling Agent-based and Multi-agent systems Combinatorial & Heuristic Search Constraints & Satisfiability Knowledge Representation, Reasoning and Logic Machine Learning Natural Language Processing Robotics and Vision Uncertainty in AI Matti Järvisalo (HY) Logiikka ja tekoäly / 34
4 Aihepiirit modernissa tekoälytutkimuksessa IJCAI & AAAI: AI-tutkimuksen pääkonferenssit maailmanlaajuisesti Konferenssien aihealueet: Planning and Scheduling Agent-based and Multi-agent systems Combinatorial & Heuristic Search Constraints & Satisfiability Knowledge Representation, Reasoning and Logic Machine Learning Natural Language Processing Robotics and Vision Uncertainty in AI Matti Järvisalo (HY) Logiikka ja tekoäly / 34
5 Aihepiirit modernissa tekoälytutkimuksessa IJCAI & AAAI: AI-tutkimuksen pääkonferenssit maailmanlaajuisesti Konferenssien aihealueet: Planning and Scheduling Agent-based and Multi-agent systems Combinatorial & Heuristic Search Constraints & Satisfiability Knowledge Representation, Reasoning and Logic Machine Learning Natural Language Processing Robotics and Vision Uncertainty in AI Matti Järvisalo (HY) Logiikka ja tekoäly / 34
6 Aihepiirit modernissa tekoälytutkimuksessa IJCAI & AAAI: AI-tutkimuksen pääkonferenssit maailmanlaajuisesti Konferenssien aihealueet: Planning and Scheduling Agent-based and Multi-agent systems Combinatorial & Heuristic Search Constraints & Satisfiability Knowledge Representation, Reasoning and Logic Machine Learning Natural Language Processing Robotics and Vision Uncertainty in AI Matti Järvisalo (HY) Logiikka ja tekoäly / 34
7 Aihepiirit modernissa tekoälytutkimuksessa IJCAI & AAAI: AI-tutkimuksen pääkonferenssit maailmanlaajuisesti Konferenssien aihealueet: Planning and Scheduling Agent-based and Multi-agent systems Combinatorial & Heuristic Search Constraints & Satisfiability Knowledge Representation, Reasoning and Logic Machine Learning Natural Language Processing Robotics and Vision Uncertainty in AI applikaatiot applikaatiot yhteydet applikaatiot applikaatiot applikaatiot applikaatiot Matti Järvisalo (HY) Logiikka ja tekoäly / 34
8 Eksakteja ratkaisuja vaikeisiin ongelmiin Matti Järvisalo (HY) Logiikka ja tekoäly / 34
9 Tarve eksakteille ratkaisuille Useissa tapauksissa hyödyllistä: todistaa että ei ratkaisua, tai löytää mahdollisimman hyvä ratkaisu. Esimerkkejä: Find a shortest path/plan/execution/... to a goal state I Planning, model checking,... Find a smallest explanation I Debugging, configuration,... Find a least resource-consuming schedule I Scheduling, logistics,... Find a most probable explanation (MAP) I Probabilistic inference,... Matti Järvisalo (HY) Logiikka ja tekoäly / 34
10 Eksaktiuden tärkeys Annetaan periksi? The problem is NP-hard, so let s develop heuristics / approximation algorithms. Ei! Eksaktiuden hyötyjä: Resurssisäästöt I Aika, raha, ihmistyö Tarkkuus $$$ vs Haaste: skaalautuminen erittäin isoihin ongelmiin Matti Järvisalo (HY) Logiikka ja tekoäly / 34
11 Eksaktiuden välttämättömyys Ei vain testausta (software testing), vaan oikeellisuuden todistamista Logiikkapiirit, mikroprosessorit,... Ohjelmistot, laiteajurit Sulautetut järjestelmät Turvallisuuskriittiset järjestelmät I Lentokoneet, raideliikenne, sairaalalaitteet,... Keskiössä: automatisoitu looginen päättely SAT: lauselogiikan toteutumisongelma Propositional satisfiability, Boolean satisfiability Matti Järvisalo (HY) Logiikka ja tekoäly / 34
12 Eksaktiuden välttämättömyys Ei vain testausta (software testing), vaan oikeellisuuden todistamista Logiikkapiirit, mikroprosessorit,... Ohjelmistot, laiteajurit Sulautetut järjestelmät Turvallisuuskriittiset järjestelmät I Lentokoneet, raideliikenne, sairaalalaitteet,... Keskiössä: automatisoitu looginen päättely SAT: lauselogiikan toteutumisongelma Propositional satisfiability, Boolean satisfiability Matti Järvisalo (HY) Logiikka ja tekoäly / 34
13 SAT-ongelma Matti Järvisalo (HY) Logiikka ja tekoäly / 34
14 Esimerkki: Luennoijan pukukoodiongelma Kolme rajoitetta jotka tulee toteuttaa: 1 Selvästikään ei tule käyttää solmiota ilman paitaa. 2 On epäkohteliasta olla sekä ilman solmiota että ilman paitaa. 3 Sekä solmioon että paitaan pukeutuminen on liioittelua. Muuttujat solmio ja paita ovat binaarisia: voivat saada arvon 1 (tosi) tai 0 (epätosi) Voidaanko kaikki rajoitteet toteuttaa yhtäaikaisesti? Matti Järvisalo (HY) Logiikka ja tekoäly / 34
15 Esimerkki: Luennoijan pukukoodiongelma Kolme rajoitetta jotka tulee toteuttaa: 1 Selvästikään ei tule käyttää solmiota ilman paitaa. 2 On epäkohteliasta olla sekä ilman solmiota että ilman paitaa. 3 Sekä solmioon että paitaan pukeutuminen on liioittelua. Muuttujat solmio ja paita ovat binaarisia: voivat saada arvon 1 (tosi) tai 0 (epätosi) Voidaanko kaikki rajoitteet toteuttaa yhtäaikaisesti? Matti Järvisalo (HY) Logiikka ja tekoäly / 34
16 Esimerkki: Luennoijan pukukoodiongelma Kolme rajoitetta jotka tulee toteuttaa: 1 Selvästikään ei tule käyttää solmiota ilman paitaa. (EI solmio) TAIpaita 2 On epäkohteliasta olla sekä ilman solmiota että ilman paitaa. 3 Sekä solmioon että paitaan pukeutuminen on liioittelua. Muuttujat solmio ja paita ovat binaarisia: voivat saada arvon 1 (tosi) tai 0 (epätosi) Voidaanko kaikki rajoitteet toteuttaa yhtäaikaisesti? Matti Järvisalo (HY) Logiikka ja tekoäly / 34
17 Esimerkki: Luennoijan pukukoodiongelma Kolme rajoitetta jotka tulee toteuttaa: 1 Selvästikään ei tule käyttää solmiota ilman paitaa. (EI solmio) TAIpaita 2 On epäkohteliasta olla sekä ilman solmiota että ilman paitaa. solmio TAI paita 3 Sekä solmioon että paitaan pukeutuminen on liioittelua. Muuttujat solmio ja paita ovat binaarisia: voivat saada arvon 1 (tosi) tai 0 (epätosi) Voidaanko kaikki rajoitteet toteuttaa yhtäaikaisesti? Matti Järvisalo (HY) Logiikka ja tekoäly / 34
18 Esimerkki: Luennoijan pukukoodiongelma Kolme rajoitetta jotka tulee toteuttaa: 1 Selvästikään ei tule käyttää solmiota ilman paitaa. (EI solmio) TAIpaita 2 On epäkohteliasta olla sekä ilman solmiota että ilman paitaa. solmio TAI paita 3 Sekä solmioon että paitaan pukeutuminen on liioittelua. (EI solmio) TAI(EIpaita) Muuttujat solmio ja paita ovat binaarisia: voivat saada arvon 1 (tosi) tai 0 (epätosi) Voidaanko kaikki rajoitteet toteuttaa yhtäaikaisesti? Matti Järvisalo (HY) Logiikka ja tekoäly / 34
19 Esimerkki: Luennoijan pukukoodiongelma Kolme rajoitetta jotka tulee toteuttaa: 1 Selvästikään ei tule käyttää solmiota ilman paitaa. (EI solmio) TAIpaita 2 On epäkohteliasta olla sekä ilman solmiota että ilman paitaa. solmio TAI paita 3 Sekä solmioon että paitaan pukeutuminen on liioittelua. (EI solmio) TAI(EIpaita) Muuttujat solmio ja paita ovat binaarisia: voivat saada arvon 1 (tosi) tai 0 (epätosi) Voidaanko kaikki rajoitteet toteuttaa yhtäaikaisesti? Matti Järvisalo (HY) Logiikka ja tekoäly / 34
20 Luennoijan pukukoodi formaalimmin 1 (EI solmio )TAI paita 2 solmio TAI paita 3 (EI solmio )TAI (EI paita ) Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
21 Luennoijan pukukoodi formaalimmin 1 (EI solmio )TAI paita 2 solmio TAI paita 3 (EI solmio )TAI (EI paita ) Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
22 Luennoijan pukukoodi formaalimmin 1 (EI s )TAI paita 2 solmio TAI paita 3 (EI solmio )TAI (EI paita ) Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
23 Luennoijan pukukoodi formaalimmin 1 (EI s )TAI paita 2 s TAI paita 3 (EI solmio )TAI (EI paita ) Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
24 Luennoijan pukukoodi formaalimmin 1 (EI s )TAI paita 2 s TAI paita 3 (EI s )TAI (EI paita ) Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
25 Luennoijan pukukoodi formaalimmin 1 (EI s )TAI p 2 s TAI p 3 (EI s )TAI (EI p ) Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
26 Luennoijan pukukoodi formaalimmin 1 (EI s )TAI p 2 s TAI p 3 (EI s )TAI (EI p ) Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
27 Luennoijan pukukoodi formaalimmin 1 s TAI p 2 s TAI p 3 s TAI p Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
28 Luennoijan pukukoodi formaalimmin 1 s TAI p 2 s TAI p 3 s TAI p Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
29 Luennoijan pukukoodi formaalimmin 1 s _ p 2 s _ p 3 s _ p Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
30 Luennoijan pukukoodi formaalimmin 1 s _ p 2 s _ p 3 s _ p Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: ( s _ p), (s _ p), ( s _ p) Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
31 Luennoijan pukukoodi formaalimmin 1 s _ p 2 s _ p 3 s _ p Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: ( s _ p), (s _ p), ( s _ p) Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
32 Luennoijan pukukoodi formaalimmin 1 s _ p 2 s _ p 3 s _ p Muuttujat s (solmio) ja p (paita) EI: negaatio TAI: disjunktio _ Rajoitteet: ( s _ p), (s _ p), ( s _ p) Asetetaan arvot s =0jap =1 ) jokainen rajoitteista toteutuu ) arvojakelu s = 0, p = 1 on ongelman ratkaisu Esimerkki lauselogiikan toteutuvuusongelman instanssista ja sen ratkaisusta Matti Järvisalo (HY) Logiikka ja tekoäly / 34
33 Lauselogiikan toteutuvuusongelma (SAT) Rajoitteet muotoa (l 1 _ _l k ), missä k 1 I Kukin li on joko jokin binaarimuuttuja x tai sen negaatio x I Kukin muuttuja voi saada totuusarvon 1 (tosi) tai0(epätosi) Tulkinta (semantiikka): I x on tosi joss muuttuja x on epätosi I Rajoite (l1 _ _l k ) toteutuu kun jokin l i on tosi Lauselogiikan toteutuvuusongelma hakuongelmana Syöte: joukko rajoitteita, eli SAT-instanssi Ratkaisu: Arvojakelu joka toteuttaa jokaisen annetuista rajoitteista (jos olemassa) muuten ei Matti Järvisalo (HY) Logiikka ja tekoäly / 34
34 Lauselogiikan toteutuvuusongelma (SAT) Rajoitteet muotoa (l 1 _ _l k ), missä k 1 I Kukin li on joko jokin binaarimuuttuja x tai sen negaatio x I Kukin muuttuja voi saada totuusarvon 1 (tosi) tai0(epätosi) Tulkinta (semantiikka): I x on tosi joss muuttuja x on epätosi I Rajoite (l1 _ _l k ) toteutuu kun jokin l i on tosi Lauselogiikan toteutuvuusongelma hakuongelmana Syöte: joukko rajoitteita, eli SAT-instanssi Ratkaisu: Arvojakelu joka toteuttaa jokaisen annetuista rajoitteista (jos olemassa) muuten ei Matti Järvisalo (HY) Logiikka ja tekoäly / 34
35 Lauselogiikan toteutuvuusongelma (SAT) Rajoitteet muotoa (l 1 _ _l k ), missä k 1 I Kukin li on joko jokin binaarimuuttuja x tai sen negaatio x I Kukin muuttuja voi saada totuusarvon 1 (tosi) tai0(epätosi) Tulkinta (semantiikka): I x on tosi joss muuttuja x on epätosi I Rajoite (l1 _ _l k ) toteutuu kun jokin l i on tosi Lauselogiikan toteutuvuusongelma hakuongelmana Syöte: joukko rajoitteita, eli SAT-instanssi Ratkaisu: Arvojakelu joka toteuttaa jokaisen annetuista rajoitteista (jos olemassa) muuten ei Matti Järvisalo (HY) Logiikka ja tekoäly / 34
36 SAT ja laskennallinen vaativuus n muuttujaa, kukin voi saada arvon 1 tai 0 ) 2 n mahdollista ratkaisuehdokasta x1 =0 x1 =1 x3 =0 x4 =0 x2 =0 x2 =1 x2 =0 x2 =1 x3 =1 x3 =1 x3 =0 x3 =1 n muuttujaa 2 n mahdollista ratkaisua SAT yksi tunnetuimmista NP-täydellisistä ongelmista Polynomiaikaista ratkaisualgoritmia ei tunneta Kääntöpuolena: useita reaalimaailman ongelmia voidaan kuvata kompaktisti SAT-ongelmana Matti Järvisalo (HY) Logiikka ja tekoäly / 34
37 SAT ja laskennallinen vaativuus n muuttujaa, kukin voi saada arvon 1 tai 0 ) 2 n mahdollista ratkaisuehdokasta x1 =0 x1 =1 x3 =0 x4 =0 x2 =0 x2 =1 x2 =0 x2 =1 x3 =1 x3 =1 x3 =0 x3 =1 n muuttujaa 2 n mahdollista ratkaisua SAT yksi tunnetuimmista NP-täydellisistä ongelmista Polynomiaikaista ratkaisualgoritmia ei tunneta Kääntöpuolena: useita reaalimaailman ongelmia voidaan kuvata kompaktisti SAT-ongelmana Matti Järvisalo (HY) Logiikka ja tekoäly / 34
38 SAT teoriassa Keskeinen ongelma Cook-Levin -teoreema I NP-täydellisyys I Polynomiaikaiset reduktio Keskeinen P vs NP -kysymyksen suhteen I Yksi Clay Instituten Millenium -ongelmista I Ongelman tarkaisusta luvassa $ 1 miljoonan palkinto Matti Järvisalo (HY) Logiikka ja tekoäly / 34
39 Toteutuvuustarkastus käytännössä Yksi modernin tietojenkäsittelytieteen menestystarinoista Satoja käytännön sovelluksia: Hardware model checking, Automated Planning Software model checking; Termination analysis of term-rewrite systems; Test pattern generation (testing of software & hardware); Model finding; Symbolic trajectory evaluation; Knowledge representation; Games (n-queens, sudoku, etc.); Haplotype inference; Pedigree checking; Equivalence checking; Delay computation; Fault diagnosis; Digital filter design; Noise analysis; Cryptanalysis; Inversion attacks on hash functions; Graph coloring; Traveling salesperson; van der Waerden numbers; itemset mining; etc. etc. Matti Järvisalo (HY) Logiikka ja tekoäly / 34
40 Toteutuvuustarkastus käytännössä Yksi modernin tietojenkäsittelytieteen menestystarinoista Satoja käytännön sovelluksia: Hardware model checking, Automated Planning Software model checking; Termination analysis of term-rewrite systems; Test pattern generation (testing of software & hardware); Model finding; Symbolic trajectory evaluation; Knowledge representation; Games (n-queens, sudoku, etc.); Haplotype inference; Pedigree checking; Equivalence checking; Delay computation; Fault diagnosis; Digital filter design; Noise analysis; Cryptanalysis; Inversion attacks on hash functions; Graph coloring; Traveling salesperson; van der Waerden numbers; itemset mining; etc. etc. Polynomial-time reductions meet the real world! Matti Järvisalo (HY) Logiikka ja tekoäly / 34
41 SAT ja Teollisuudesta kumpuavat ongelmat SAT-solverit keskeisessä osassa monenlaisissa teollisissa logiikkapiiri- ja ohjelmistoverifiointiongelmissa Epäsuorasti vaikuttamassa jokapäiviseen elämäämme! Examples: Intel core I7 processor designed with the help of SAT solvers [Kaivola et al, CAV 2009] Windows 7 device drivers verified using SAT related technology [De Moura and Bjorner, IJCAR 2010] The Eclipse open platform uses SAT technology for resolving dependencies between components [Le Berre and Rapicault, IWOCE 2009] Matti Järvisalo (HY) Logiikka ja tekoäly / 34
42 SAT-pohjainen ongelmanratkaisuvuo ongelma (instanssi) 1. SAT kuvaus (ongelmakohtainen) 2. SAT instanssi (a _ x 2 ), (x 7 _ x 3 _ b), (c), ( b _ x 5 _ x 6 ), ( a _ x 2 _ x 1301 _ g), SAT ratkaisin (geneerinen) 4. ratkaisu a =0,b =1, c =0,x 3 =0,... 1 Kuvaus: ratkaistava ongelma esitetään SAT-instanssina I SAT-instanssin ratkaisujen tulee vastata alkuperäisen ongelman ratkaisuja 2 SAT-instanssi syötetään SAT-ratkaisimelle I Algoritmi SAT-ongelmalle 3 SAT-ratkaisin joko (a) tulostaa SAT-instanssin ratkaisun, tai (b) todistaa että SAT-instanssilla ei ole ratkaisuja 4 Mahdollinen ratkaisu tulkitaan alkuperäisen ongelman ratkaisuksi Ei tarvetta kehittää erityisalgoritmia jokaiselle ratkaistavalle ongelmalle Matti Järvisalo (HY) Logiikka ja tekoäly / 34
43 SAT-pohjainen ongelmanratkaisuvuo ongelma (instanssi) 1. SAT kuvaus (ongelmakohtainen) 2. SAT instanssi (a _ x 2 ), (x 7 _ x 3 _ b), (c), ( b _ x 5 _ x 6 ), ( a _ x 2 _ x 1301 _ g), SAT ratkaisin (geneerinen) 4. ratkaisu a =0,b =1, c =0,x 3 =0,... 1 Kuvaus: ratkaistava ongelma esitetään SAT-instanssina I SAT-instanssin ratkaisujen tulee vastata alkuperäisen ongelman ratkaisuja 2 SAT-instanssi syötetään SAT-ratkaisimelle I Algoritmi SAT-ongelmalle 3 SAT-ratkaisin joko (a) tulostaa SAT-instanssin ratkaisun, tai (b) todistaa että SAT-instanssilla ei ole ratkaisuja 4 Mahdollinen ratkaisu tulkitaan alkuperäisen ongelman ratkaisuksi Ei tarvetta kehittää erityisalgoritmia jokaiselle ratkaistavalle ongelmalle Matti Järvisalo (HY) Logiikka ja tekoäly / 34
44 SAT-ratkaisimien tehokkuudesta SAT-ratkaisimet tekevät SAT-pohjaisen lähestymistavan erittäin kilpailukykyiseksi monille vaikeille laskennallisille ongelmille Huikea kehitys viimeisten 20 vuoden aikana 100 muuttujasta ja 200 rajoitteesta jopa >10,000,000 muuttujaan ja 50,000,000 rajoitteeseen Grasp 96 zcha 01 Minisat 03 Lingeling 11 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
45 SAT-solvereista Matti Järvisalo (HY) Logiikka ja tekoäly / 34
46 SAT-solverin käyttöesimerkki Instance: aaai10-planning-ipc5-tpp-21-step11.cnf c Lingeling SAT Solver c Copyright (C) Armin Biere JKU Linz Austria. c read variables, clauses, literals in 0.00 seconds... sunsatisfiable... c % preprocessing 2% c % inprocessing 98% c================================== c % simplifying c % search c================================== c % all c decisions, decisions/sec c conflicts, conflicts/sec c propagations, 5.3 megaprops/sec c seconds, 42.1 MB Matti Järvisalo (HY) Logiikka ja tekoäly / 34
47 DPLL: klassinen syvyyssuuntainen haku (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) y =0 z =1 x =0 x =1 y =1 z =1 y =0 z =1 y =1 z =1 Esimerkissä: Jokaisessa haarassa asetettava kahden muuttujan arvo haarautumalla kolmannen muuttujan arvo päätellään yksikköpropagaatiolla Matti Järvisalo (HY) Logiikka ja tekoäly / 34
48 Yksikköpropagaatio unit propagation Matti Järvisalo (HY) Logiikka ja tekoäly / 34
49 DPLL-esimerkki Katsotaan vasemmanpuoleisinta haaraa Ensimmäinen klausuuli propagoi z = 1 Toinen klausuuli propagoi ristiriidan z = 0 (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) y =0 z =1 x =0 Perääntyvä haku (backtracking) Undo y = 0, z =1 Aseta y = 1 (toinen haara muuttujalle y) Matti Järvisalo (HY) Logiikka ja tekoäly / 34
50 Conflict-Driven Clause Learning (CDCL) CDCL: modernien SAT-solvereiden implementoima algoritmi Oppiva hakumenetelmä (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) y =0 z =1 x =0 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
51 Conflict-Driven Clause Learning (CDCL) CDCL: modernien SAT-solvereiden implementoima algoritmi Oppiva hakumenetelmä (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) decision! decision unit prop!! conflict! x =0 y =0 z =1 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
52 Conflict-Driven Clause Learning (CDCL) CDCL: modernien SAT-solvereiden implementoima algoritmi Oppiva hakumenetelmä (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) learned: (x _ y) decision! decision unit prop!! conflict! x =0 y =0 z =1 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
53 Conflict-Driven Clause Learning (CDCL) CDCL: modernien SAT-solvereiden implementoima algoritmi Oppiva hakumenetelmä (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) learned: (x _ y) decision! x =0 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
54 Conflict-Driven Clause Learning (CDCL) CDCL: modernien SAT-solvereiden implementoima algoritmi Oppiva hakumenetelmä (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) learned: (x _ y) decision unit prop!! unit prop! conflict! x =0 y =1 z =1 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
55 Conflict-Driven Clause Learning (CDCL) CDCL: modernien SAT-solvereiden implementoima algoritmi Oppiva hakumenetelmä (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) learned: (x _ y),(x) decision unit prop!! unit prop! conflict! x =0 y =1 z =1 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
56 Conflict-Driven Clause Learning (CDCL) CDCL: modernien SAT-solvereiden implementoima algoritmi Oppiva hakumenetelmä (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) learned: (x _ y), (x) unit prop! x =1 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
57 Conflict-Driven Clause Learning (CDCL) CDCL: modernien SAT-solvereiden implementoima algoritmi Oppiva hakumenetelmä (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) learned: (x _ y), (x) unit prop! decision! x =1 z =0 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
58 Conflict-Driven Clause Learning (CDCL) CDCL: modernien SAT-solvereiden implementoima algoritmi Oppiva hakumenetelmä (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) learned: (x _ y), (x),(z) unit prop! decision unit prop!! conflict! x =1 z =0 y =1 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
59 Conflict-Driven Clause Learning (CDCL) CDCL: modernien SAT-solvereiden implementoima algoritmi Oppiva hakumenetelmä (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) learned: (x _ y), (x), (z) unit prop! unit prop! unit prop! conflict! x =1 z =1 y =1 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
60 Conflict-Driven Clause Learning (CDCL) CDCL: modernien SAT-solvereiden implementoima algoritmi Oppiva hakumenetelmä (x _ y _ z) (x _ y _ z) (x _ y _ z) (x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) ( x _ y _ z) learned: (x _ y), (x), (z), ; unit prop! unit prop! unit prop! conflict! Termination: Learned the empty clause x =1 z =1 y =1 Matti Järvisalo (HY) Logiikka ja tekoäly / 34
61 SAT Solver Competitions See Matti Järvisalo (HY) Logiikka ja tekoäly / 34
62 SAT-solverien kehitys CPU Time (in seconds) Results of the SAT competition/race winners on the SAT 2009 application benchmarks, 20mn timeout Limmat (2002) Zchaff (2002) Berkmin (2002) Forklift (2003) Siege (2003) Zchaff (2004) SatELite (2005) Minisat 2 (2006) Picosat (2007) Rsat (2007) Minisat 2.1 (2008) Precosat (2009) Glucose (2009) Clasp (2009) Cryptominisat (2010) Lingeling (2010) Minisat 2.2 (2010) Glucose 2 (2011) Glueminisat (2011) Contrasat (2011) Number of problems solved Matti Järvisalo (HY) Logiikka ja tekoäly / 34
63 Mallintaminen Matti Järvisalo (HY) Logiikka ja tekoäly / 34
64 Verkon k-väritysongelma k väritysongelma Syöte: VerkkoG =(V, E), kokonaisluku k (värit 1,...,k). Ratkaisu: G:n k-väritys (jos olemassa), muuten ei k-väritys: NP-täydellinen Jokaiselle solmulle v 2 V : v väritetään täsmälleen yhdellä värillä. Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä. SAT-ratkaisimet käytännössä yksi tehokkaimpia tapoja värittää verkkoja Matti Järvisalo (HY) Logiikka ja tekoäly / 34
65 Verkon k-väritysongelma k väritysongelma Syöte: VerkkoG =(V, E), kokonaisluku k (värit 1,...,k). Ratkaisu: G:n k-väritys (jos olemassa), muuten ei k-väritys: NP-täydellinen Jokaiselle solmulle v 2 V : v väritetään täsmälleen yhdellä värillä. Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä. 3-väritys (1,2,3) SAT-ratkaisimet käytännössä yksi tehokkaimpia tapoja värittää verkkoja Matti Järvisalo (HY) Logiikka ja tekoäly / 34
66 Verkon k-väritysongelma k väritysongelma Syöte: VerkkoG =(V, E), kokonaisluku k (värit 1,...,k). Ratkaisu: G:n k-väritys (jos olemassa), muuten ei k-väritys: NP-täydellinen Jokaiselle solmulle v 2 V : v väritetään täsmälleen yhdellä värillä. Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä.? 3-väritys (1,2,3) ei 2-väritystä SAT-ratkaisimet käytännössä yksi tehokkaimpia tapoja värittää verkkoja Matti Järvisalo (HY) Logiikka ja tekoäly / 34
67 Verkon k-väritysongelma k väritysongelma Syöte: VerkkoG =(V, E), kokonaisluku k (värit 1,...,k). Ratkaisu: G:n k-väritys (jos olemassa), muuten ei k-väritys: NP-täydellinen Jokaiselle solmulle v 2 V : v väritetään täsmälleen yhdellä värillä. Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä.? 3-väritys (1,2,3) ei 2-väritystä SAT-ratkaisimet käytännössä yksi tehokkaimpia tapoja värittää verkkoja Matti Järvisalo (HY) Logiikka ja tekoäly / 34
68 3-värityksen kuvaus SAT-ongelmana 3-väritysongelma Syöte: VerkkoG =(V, E). Ratkaisu: G:n 3-väritys (jos olemassa), muuten ei Muuttujat: v i = solmu v väritetään värillä i 2{p, v, s} Rajoitteet: I Jokaiselle v 2 V : v väritetään täsmälleen yhdellä värillä. Toisin sanoen: v väritetään vähintään yhdellä värillä. v väritetään enintään yhdellä värillä. I Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä. Matti Järvisalo (HY) Logiikka ja tekoäly / 34
69 3-värityksen kuvaus SAT-ongelmana 3-väritysongelma Syöte: VerkkoG =(V, E). Ratkaisu: G:n 3-väritys (jos olemassa), muuten ei 3-väritysongelman SAT-kuvaus annetulle verkolla G =(V, E): Muuttujat: v i = solmu v väritetään värillä i 2{p, v, s} Rajoitteet: I Jokaiselle v 2 V : v väritetään täsmälleen yhdellä värillä. Toisin sanoen: v väritetään vähintään yhdellä värillä. v väritetään enintään yhdellä värillä. I Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä. Matti Järvisalo (HY) Logiikka ja tekoäly / 34
70 3-värityksen kuvaus SAT-ongelmana 3-väritysongelma Syöte: VerkkoG =(V, E). Ratkaisu: G:n 3-väritys (jos olemassa), muuten ei 3-väritysongelman SAT-kuvaus annetulle verkolla G =(V, E): Muuttujat: v i = solmu v väritetään värillä i 2{p, v, s} Rajoitteet: I Jokaiselle v 2 V : v väritetään täsmälleen yhdellä värillä. Toisin sanoen: v väritetään vähintään yhdellä värillä. v p _ v v _ v s v väritetään enintään yhdellä värillä. I Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä. Matti Järvisalo (HY) Logiikka ja tekoäly / 34
71 3-värityksen kuvaus SAT-ongelmana 3-väritysongelma Syöte: VerkkoG =(V, E). Ratkaisu: G:n 3-väritys (jos olemassa), muuten ei 3-väritysongelman SAT-kuvaus annetulle verkolla G =(V, E): Muuttujat: v i = solmu v väritetään värillä i 2{p, v, s} Rajoitteet: I Jokaiselle v 2 V : v väritetään täsmälleen yhdellä värillä. Toisin sanoen: v väritetään vähintään yhdellä värillä. v p _ v v _ v s v väritetään enintään yhdellä värillä. v p _ v v v p _ v s v v _ v s I Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä. Matti Järvisalo (HY) Logiikka ja tekoäly / 34
72 3-värityksen kuvaus SAT-ongelmana 3-väritysongelma Syöte: VerkkoG =(V, E). Ratkaisu: G:n 3-väritys (jos olemassa), muuten ei 3-väritysongelman SAT-kuvaus annetulle verkolla G =(V, E): Muuttujat: v i = solmu v väritetään värillä i 2{p, v, s} Rajoitteet: I Jokaiselle v 2 V : v väritetään täsmälleen yhdellä värillä. Toisin sanoen: v väritetään vähintään yhdellä värillä. v p _ v v _ v s v väritetään enintään yhdellä värillä. v p _ v v v p _ v s v v _ v s I Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä. v p _ u p v v _ u v v s _ u s Matti Järvisalo (HY) Logiikka ja tekoäly / 34
73 k värityksen kuvaus SAT-ongelmana k väritysongelma Syöte: VerkkoG =(V, E), kokonaisluku k. Ratkaisu: G:n k-väritys (jos olemassa), muuten ei k-väritysongelman SAT-kuvaus annetulle verkolle G =(V, E): Muuttujat: v i = solmu v väritetään värillä i 2{1,...,k} Rajoitteet: I Jokaiselle v 2 V : v väritetään täsmälleen yhdellä värillä. Toisin sanoen: v väritetään vähintään yhdellä värillä. v väritetään enintään yhdellä värillä. I Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä. Matti Järvisalo (HY) Logiikka ja tekoäly / 34
74 k värityksen kuvaus SAT-ongelmana k väritysongelma Syöte: VerkkoG =(V, E), kokonaisluku k. Ratkaisu: G:n k-väritys (jos olemassa), muuten ei k-väritysongelman SAT-kuvaus annetulle verkolle G =(V, E): Muuttujat: v i = solmu v väritetään värillä i 2{1,...,k} Rajoitteet: I Jokaiselle v 2 V : v väritetään täsmälleen yhdellä värillä. Toisin sanoen: v väritetään vähintään yhdellä värillä. v 1 _ _v k v väritetään enintään yhdellä värillä. I Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä. Matti Järvisalo (HY) Logiikka ja tekoäly / 34
75 k värityksen kuvaus SAT-ongelmana k väritysongelma Syöte: VerkkoG =(V, E), kokonaisluku k. Ratkaisu: G:n k-väritys (jos olemassa), muuten ei k-väritysongelman SAT-kuvaus annetulle verkolle G =(V, E): Muuttujat: v i = solmu v väritetään värillä i 2{1,...,k} Rajoitteet: I Jokaiselle v 2 V : v väritetään täsmälleen yhdellä värillä. Toisin sanoen: v väritetään vähintään yhdellä värillä. v 1 _ _v k v väritetään enintään yhdellä värillä. v i _ v j 8i 6= j 2{1,...,k} I Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä. Matti Järvisalo (HY) Logiikka ja tekoäly / 34
76 k värityksen kuvaus SAT-ongelmana k väritysongelma Syöte: VerkkoG =(V, E), kokonaisluku k. Ratkaisu: G:n k-väritys (jos olemassa), muuten ei k-väritysongelman SAT-kuvaus annetulle verkolle G =(V, E): Muuttujat: v i = solmu v väritetään värillä i 2{1,...,k} Rajoitteet: I Jokaiselle v 2 V : v väritetään täsmälleen yhdellä värillä. Toisin sanoen: v väritetään vähintään yhdellä värillä. v 1 _ _v k v väritetään enintään yhdellä värillä. v i _ v j 8i 6= j 2{1,...,k} I Jos kaari (v, u) 2 E, niinv ja u väritetään eri väreillä. v i _ u i 8i 2{1,...,k} Matti Järvisalo (HY) Logiikka ja tekoäly / 34
77 Optimointiongelman SAT-pohjainen ratkaiseminen: Verkon väritys mahdollisimman pienellä määrällä värejä Syöte: verkkog Kysymys: Pienin värien määrä k jolle G:lle on olemassa k väritys? Alustetaan värien määrä k := 1 k := k +1 "ei" verkko G, lukuk SAT kuvaus SAT instanssi SAT ratkaisin v 1 =0,v 2 =1, verkon optimaalinen k-väritys u 1 =0,u 2 =0,... Lähestymistapa soveltuu moniin optimointiongelmiin Mallintarkastus: Onko k:n mittaista suoritusta, joka vie ohjelman vikatilaan? Matti Järvisalo (HY) Logiikka ja tekoäly / 34
78 Optimointiongelman SAT-pohjainen ratkaiseminen: Verkon väritys mahdollisimman pienellä määrällä värejä Syöte: verkkog Kysymys: Pienin värien määrä k jolle G:lle on olemassa k väritys? Alustetaan värien määrä k := 1 k := k +1 "ei" verkko G, lukuk SAT kuvaus SAT instanssi SAT ratkaisin v 1 =0,v 2 =1, verkon optimaalinen k-väritys u 1 =0,u 2 =0,... Lähestymistapa soveltuu moniin optimointiongelmiin Mallintarkastus: Onko k:n mittaista suoritusta, joka vie ohjelman vikatilaan? Matti Järvisalo (HY) Logiikka ja tekoäly / 34
79 Mallintarkastuksesta automaattiseen suunnitteluun: Transitiojärjestelmien tarkastelu SAT-ongelmana Hyvin yleinen ongelmanasettelu Annettuna: yhden askeleen tilasiirtymäfunktio R, alkutila I,maalitilaG. Kysymys: Onko G saavutettavissa I :sta siirtymillä R? Mallintarkastus: Paha tila G saavutettavissa? Suunnittelu: Etsi suunnitelma päästä maalitilaan Matti Järvisalo (HY) Logiikka ja tekoäly / 34
80 Mallintarkastuksesta automaattiseen suunnitteluun: Transitiojärjestelmien tarkastelu SAT-ongelmana Hyvin yleinen ongelmanasettelu Annettuna: yhden askeleen tilasiirtymäfunktio R, alkutila I,maalitilaG. Kysymys: Onko G saavutettavissa I :sta siirtymillä R? Transition at time k 1 Goal state G Transition relation R k 1 Mallintarkastus: Paha tila G saavutettavissa? Suunnittelu: Etsi suunnitelma päästä maalitilaan SAT-pohjainen ratkaisu k^ 1 Onko I 0 ^ R i ^ G k toteutuva? i=0 Ratkaisu kuvaa esim. virheellisen ohjelmasuorituksen! Ei ratkaisua ; oikeellisuus k askeleella Transition at time 1 Transition at time 0 Transition relation R 1 Transition relation R 0 Initial state I Matti Järvisalo (HY) Logiikka ja tekoäly / 34
81 Yhteenveto Matti Järvisalo (HY) Logiikka ja tekoäly / 34
82 Yhteenveto Moderni tekoälytutkimus Matti Järvisalo (HY) Logiikka ja tekoäly / 34
83 Yhteenveto Moderni tekoälytutkimus Ei ainoastaan koneoppimista Matti Järvisalo (HY) Logiikka ja tekoäly / 34
84 Yhteenveto Moderni tekoälytutkimus Ei ainoastaan koneoppimista Logiikka olennaissa osassa modernia tekoälytutkimus Lauselogiikan toteutuvuusongelma (SAT) Laskennallisesti haastava ongelma Useita laskennallisia ongelmia voidaan kuvata SAT-ongelmana SAT-solverit I Olennaisia työkaluja tekoäly- ja teollisten ongelmien ratkaisemisessa Complexity theory Formal logic SAT Algorithm design Real-world applications Efficient implementation Matti Järvisalo (HY) Logiikka ja tekoäly / 34
85 Constraint Reasoning and TKTL Constraint Reasoning and Optimization Group Tutkimusteemoja: SAT-solvereiden ja muiden rajoiteratkaisumenetelmien kehitys Teoreettisista tarkasteluista optimoituihin implementaatioihin Vaikeiden, olennaisten laskennallisten ongelmien uudet ratkaisumenetelmät I Useilla moderneilla tekoälytutkimuksen alueilla: machine learning and data analysis, argumentation, decision theory, computational social choice,... Matti Järvisalo (HY) Logiikka ja tekoäly / 34
Graafin 3-värittyvyyden tutkinta T Graafiteoria, projektityö (eksakti algoritmi), kevät 2005
Graafin 3-värittyvyyden tutkinta T-79.165 Graafiteoria, projektityö (eksakti algoritmi), kevät 2005 Mikko Malinen, 36474R 29. maaliskuuta, 2005 Tiivistelmä Artikkelissa käydään läpi teoriaa, jonka avulla
LisätiedotJoonas Haapala Ohjaaja: DI Heikki Puustinen Valvoja: Prof. Kai Virtanen
Hävittäjälentokoneen reitin suunnittelussa käytettävän dynaamisen ja monitavoitteisen verkko-optimointitehtävän ratkaiseminen A*-algoritmilla (valmiin työn esittely) Joonas Haapala 8.6.2015 Ohjaaja: DI
LisätiedotLaskennan vaativuus ja NP-täydelliset ongelmat
Laskennan vaativuus ja NP-täydelliset ongelmat TRAK-vierailuluento 13.4.2010 Petteri Kaski Tietojenkäsittelytieteen laitos Tietojenkäsittelytiede Tietojenkäsittelytiede tutkii 1. mitä tehtäviä voidaan
Lisätiedot= k 0 NTIME(n k + k) Siis polynomisessa ajassa epädeterministisellä Turingin koneella tunnistettavien kielten joukko
238 7.2 Luokka NP Luokka NP on: NP = { NTIME(t) t on polynomi } = k 0 NTIME(n k + k) Siis polynomisessa ajassa epädeterministisellä Turingin koneella tunnistettavien kielten joukko P NP Luokan NP ongelmista
LisätiedotAlgoritmit 2. Luento 13 Ti Timo Männikkö
Algoritmit 2 Luento 13 Ti 2.5.2017 Timo Männikkö Luento 13 Merkkijonon sovitus Horspoolin algoritmi Laskennallinen vaativuus Päätösongelmat Epädeterministinen algoritmi Vaativuusluokat NP-täydellisyys
LisätiedotKierros 10: Laskennallisesti vaativampia ongelmia
Kierros 10: Laskennallisesti vaativampia ongelmia Tommi Junttila Aalto University School of Science Department of Computer Science CS-A1140 Data Structures and Algorithms Autumn 2017 Tommi Junttila (Aalto
LisätiedotLAUSELOGIIKKA (1) Sanalliset ilmaisut ovat usein epätarkkoja. On ilmaisuja, joista voidaan sanoa, että ne ovat tosia tai epätosia, mutta eivät molempia. Ilmaisuja, joihin voidaan liittää totuusarvoja (tosi,
LisätiedotAlgoritmit 1. Luento 1 Ti Timo Männikkö
Algoritmit 1 Luento 1 Ti 10.1.2017 Timo Männikkö Luento 1 Algoritmi Algoritmin toteutus Ongelman ratkaiseminen Algoritmin tehokkuus Algoritmin suoritusaika Algoritmin analysointi Algoritmit 1 Kevät 2017
LisätiedotEpädeterministisen Turingin koneen N laskentaa syötteellä x on usein hyödyllistä ajatella laskentapuuna
Epädeterministisen Turingin koneen N laskentaa syötteellä x on usein hyödyllistä ajatella laskentapuuna. q 0 x solmuina laskennan mahdolliset tilanteet juurena alkutilanne lehtinä tilanteet joista ei siirtymää,
LisätiedotSTeP-90. Finnish Artifical Intelligence Symposium Suomen Tekoalytutkimuksen paivat University of Oulu, June 11-14,1990
T E K N O L O G I A K A U P U N K l O U L U STeP-90 Finnish Artifical Intelligence Symposium Suomen Tekoalytutkimuksen paivat University of Oulu, June 11-14,1990 Edited by Markus Djupsund, Petri Salonen,
LisätiedotT Logiikka tietotekniikassa: perusteet Kevät 2008 Laskuharjoitus 5 (lauselogiikka ) A ( B C) A B C.
T-79.3001 Logiikka tietotekniikassa: perusteet Kevät 2008 Laskuharjoitus 5 (lauselogiikka 6.1 7.2) 27. 29.2.2008 Ratkaisuja demotehtäviin Tehtävä 6.1 a) A (B C) Poistetaan lauseesta ensin implikaatiot.
Lisätiedot5. Rajoitelaskenta (Constraint Satisfaction)
5. Rajoitelaskenta (Constraint Satisfaction) Eero Hyvönen Helsingin yliopisto Solution = An assignment of values for the variables satifying the contraints Some CSPs: optimal solution is the best solution
LisätiedotT kevät 2007 Laskennallisen logiikan jatkokurssi Laskuharjoitus 1 Ratkaisut
T-79.5101 kevät 2007 Laskennallisen logiikan jatkokurssi Laskuharjoitus 1 Ratkaisut 1. Jokaiselle toteutuvalle lauselogiikan lauseelle voidaan etsiä malli taulumenetelmällä merkitsemällä lause taulun juureen
LisätiedotToinen muotoilu. {A 1,A 2,...,A n,b } 0, Edellinen sääntö toisin: Lause 2.5.{A 1,A 2,...,A n } B täsmälleen silloin kun 1 / 13
2 3 Edellinen sääntö toisin: Lause 2.5.{A 1,A 2,...,A n } B täsmälleen silloin kun {A 1,A 2,...,A n,b } 0, jatkoa jatkoa 1 / 13 2 3 Edellinen sääntö toisin: Lause 2.5.{A 1,A 2,...,A n } B täsmälleen silloin
LisätiedotInduktiotodistus: Tapaus n = 0 selvä; ol. väite pätee kun n < m.
Väite: T (n) (a + b)n 2 + a. Induktiotodistus: Tapaus n = 0 selvä; ol. väite pätee kun n < m. Huomaa että funktion x x 2 + (m 1 x) 2 kuvaaja on ylöspäin aukeava paraabeli, joten funktio saavuttaa suurimman
LisätiedotComputing Curricula 2001 -raportin vertailu kolmeen suomalaiseen koulutusohjelmaan
Computing Curricula 2001 -raportin vertailu kolmeen suomalaiseen koulutusohjelmaan CC1991:n ja CC2001:n vertailu Tutkintovaatimukset (degree requirements) Kahden ensimmäisen vuoden opinnot Ohjelmistotekniikan
LisätiedotLauselogiikan toteutuvuusongelman ratkaiseminen laskennallisessa gridissä
Lauselogiikan toteutuvuusongelman ratkaiseminen laskennallisessa gridissä Antti E. J. Hyvärinen Teknillinen korkeakoulu Tietojenkäsittelyteorian laboratorio Antti.Hyvarinen@tkk.fi 1 Johdanto Laskennalliset
LisätiedotLogiikan kertausta. TIE303 Formaalit menetelmät, kevät Antti-Juhani Kaijanaho. Jyväskylän yliopisto Tietotekniikan laitos.
TIE303 Formaalit menetelmät, kevät 2005 Logiikan kertausta Antti-Juhani Kaijanaho antkaij@mit.jyu.fi Jyväskylän yliopisto Tietotekniikan laitos TIE303 Formaalit mentetelmät, 2005-01-27 p. 1/17 Luento2Luentomoniste
LisätiedotNBE-E4510 Special Assignment in Biophysics and Biomedical Engineering AND NBE-E4500 Special Assignment in Human. NBE-E4225 Cognitive Neuroscience
Neurotieteen ja lääketieteellisen tekniikan laitos Department of and Biomedical OPETUSOHJELMASTA POISTUNEET KURSSIT (Tfy-99, Becs-114, BECS, NBE)/päivitetty 16.5.2017 COURSES REMOVED FROM THE STUDY PROGRAMME
LisätiedotScheduling of Genetic Analysis Workflows on Grid Environments (valmiin työn esittely) Arttu Voutilainen
Scheduling of Genetic Analysis Workflows on Grid Environments (valmiin työn esittely) Arttu Voutilainen 20.4.2015 Ohjaaja: FT Lauri Eronen (Biocomputing Platforms Ltd.) Valvoja: Prof. Harri Ehtamo Työn
LisätiedotOnko algoritmiselle ongelmalle löydetty ratkaisualgoritmi riittävän hyvä?
Ongelman vaativuuden rajat Onko algoritmiselle ongelmalle löydetty ratkaisualgoritmi riittävän hyvä? Olisiko mahdollista löytää asymptoottisesti tehokkaampi ratkaisu, vai onko algoritmi optimaalinen? Kysymyksiin
LisätiedotT Kevät 2005 Logiikka tietotekniikassa: erityiskysymyksiä I Kertausta Ratkaisut
T-79.146 Kevät 2005 Logiikka tietotekniikassa: erityiskysymyksiä I Kertausta Ratkaisut 1. Jokaiselle toteutuvalle lauselogiikan lauseelle voidaan etsiä malli taulumenetelmällä merkitsemällä lause taulun
LisätiedotAlgoritmit 2. Luento 13 Ti Timo Männikkö
Algoritmit 2 Luento 13 Ti 8.5.2018 Timo Männikkö Luento 13 Laskennallinen vaativuus Päätösongelmat Epädeterministinen algoritmi Vaativuusluokat NP-täydellisyys Kertaus ja tenttivinkit Algoritmit 2 Kevät
LisätiedotAlgoritmit 2. Luento 10 To Timo Männikkö
Algoritmit 2 Luento 10 To 19.4.2018 Timo Männikkö Luento 10 Peruutusmenetelmä Osajoukon summa Verkon 3-väritys Pelipuut Pelipuun läpikäynti Algoritmit 2 Kevät 2018 Luento 10 To 19.4.2018 2/34 Algoritmien
LisätiedotP? = NP Kysymys ratkaisun keksimisestä ja sen tarkistamisesta
P? = NP Kysymys ratkaisun keksimisestä ja sen tarkistamisesta Juha Nurmonen Matematiikan laitos Helsingin yliopisto Ajatellaanpa esimerkiksi kauppamatkustajan jokapäiväistä ongelmaa: Kauppamatkustajan
Lisätiedot-Matematiikka on aksiomaattinen järjestelmä. -uusi tieto voidaan perustella edellisten tietojen avulla, tätä kutsutaan todistamiseksi
-Matematiikka on aksiomaattinen järjestelmä -uusi tieto voidaan perustella edellisten tietojen avulla, tätä kutsutaan todistamiseksi -mustavalkoinen: asia joko on tai ei (vrt. humanistiset tieteet, ei
Lisätiedot7. Product-line architectures
7. Product-line architectures 7.1 Introduction 7.2 Product-line basics 7.3 Layered style for product-lines 7.4 Variability management 7.5 Benefits and problems with product-lines 1 Short history of software
LisätiedotSFS/SR315 Tekoäly Tekoälyn standardisointi
SFS/SR315 Tekoäly Tekoälyn standardisointi Meri Seistola Toiminnanjohtaja, Mediakasvatuskeskus Metka ry SR 315 Tekoäly - Puheenjohtaja: Jarkko Vesa 1 SC42 Artificial Intelligence ISO/IEC JTC1 SC42 Artificial
LisätiedotVerkon värittämistä hajautetuilla algoritmeilla
Verkon värittämistä hajautetuilla algoritmeilla 5 12 30 19 72 34 Jukka Suomela 15 77 18 4 9. tammikuuta 2012 19 2 68 Verkko 2 Verkko solmu 3 Verkko solmu kaari 4 Hajautettu järjestelmä solmu (tietokone)
LisätiedotTIETOJOHDETTU RAKENNUSPROJEKTI Niko Vironen Kehityspäällikkö Fira Group
TIETOJOHDETTU RAKENNUSPROJEKTI Niko Vironen Kehityspäällikkö Fira Group Oy @NikoVironen niko.vironen@fira.fi CASE CAPELLA Tilaaja: Asumisoikeusyhdistys Suomen Omakoti Pääurakoitsija: Fira Oy Urakka-aika:
LisätiedotSekalukuoptimointi. Lehtonen, Matti Matemaattisen ohjelmoinnin seminaari, Tietojenkäsittelytieteen laitos Helsingin Yliopisto
Sekalukuoptimointi Lehtonen, Matti Matemaattisen ohjelmoinnin seminaari, 2000-10-11 Tietojenkäsittelytieteen laitos Helsingin Yliopisto 1 Tiivistelmä Seminaarin aihe käsittelee globaalin optimoinnin erästä
LisätiedotSatunnaisalgoritmit. Topi Paavilainen. Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos
Satunnaisalgoritmit Topi Paavilainen Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Helsinki, 23. helmikuuta 2014 1 Johdanto Satunnaisalgoritmit ovat algoritmeja, joiden
LisätiedotAlgoritmit 2. Luento 14 To Timo Männikkö
Algoritmit 2 Luento 14 To 2.5.2019 Timo Männikkö Luento 14 Laskennallinen vaativuus Päätösongelmat Epädeterministinen algoritmi Vaativuusluokat NP-täydelliset ongelmat Kertaus ja tenttivinkit Algoritmit
Lisätiedot7.4 Variability management
7.4 Variability management time... space software product-line should support variability in space (different products) support variability in time (maintenance, evolution) 1 Product variation Product
LisätiedotPropositiot: Propositiot ovat väitelauseita. Totuusfunktiot antavat niille totuusarvon T tai E.
Propositiot: Propositiot ovat väitelauseita. Totuusfunktiot antavat niille totuusarvon T tai E. Perusaksioomat: Laki 1: Kukin totuusfunktio antaa kullekin propositiolle totuusarvoksi joko toden T tai epätoden
LisätiedotICS. T-61 (Informaatiotekniikka)
Tietotekniikan tutkinto-ohjelma korvaavuusluettelo 2010-2014 Päivitetty 1.7.2016 Käyttöohje 1. Hae etsimäsi kurssi CTRL+F 2. Viimeisin sarake oikealla on voimassaoleva kurssi/ajankohtaisin tieto 3. Jos
LisätiedotImplementation of Selected Metaheuristics to the Travelling Salesman Problem (valmiin työn esittely)
Implementation of Selected Metaheuristics to the Travelling Salesman Problem (valmiin työn esittely) Jari Hast xx.12.2013 Ohjaaja: Harri Ehtamo Valvoja: Hari Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotT Syksy 2004 Logiikka tietotekniikassa: perusteet Laskuharjoitus 12 (opetusmoniste, kappaleet )
T-79.144 Syksy 2004 Logiikka tietotekniikassa: perusteet Laskuharjoitus 12 (opetusmoniste, kappaleet 9.1 9.5) 30.11. 3.12.2004 1. Osoita lauselogiikan avulla oheisten ehtolausekkeiden ekvivalenssi. (a)!(a
Lisätiedot1. Primitiivirekursiiviset funktiot muodostetaan kolmesta perusfunktiosta käyttäen. succ(n) = n + 1
Tik-79.148 Kevät 2001 Tietojenkäsittelyteorian perusteet Laskuharjoitus 11 Ratkaisut 1. Primitiivirekursiiviset funktiot muodostetaan kolmesta perusfunktiosta käyttäen kahta yhdistämissääntöä. Perusfunktioita
LisätiedotNP-täydellisyys. Joonas Järvenpää ja Topi Talvitie. Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos
NP-täydellisyys Joonas Järvenpää ja Topi Talvitie Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Helsinki, 23. helmikuuta 2014 Sisältö 1 Johdanto 1 2 Ongelman määrittely
LisätiedotBDD (behavior-driven development) suunnittelumenetelmän käyttö open source projektissa, case: SpecFlow/.NET.
BDD (behavior-driven development) suunnittelumenetelmän käyttö open source projektissa, case: SpecFlow/.NET. Pekka Ollikainen Open Source Microsoft CodePlex bio Verkkosivustovastaava Suomen Sarjakuvaseura
LisätiedotMallintarkastus. Mallin generointi. Esimerkki mallin SMV-kuvauksesta. Tila-avaruuden symbolinen esitys (I)
/ Kevät 2005 ML-10 1 Mallintarkastus / Kevät 2005 ML-10 3 Esimerkki mallin SMV-kuvauksesta Onko annettu lause P tosi annetussa mallissa M? Malli M: järjestelmän malli Saadaan järjestelmän kuvauksesta,
LisätiedotLogiikka 1/5 Sisältö ESITIEDOT:
Logiikka 1/5 Sisältö Formaali logiikka Luonnollinen logiikka muodostaa perustan arkielämän päättelyille. Sen käyttö on intuitiivista ja usein tiedostamatonta. Mikäli logiikka halutaan täsmällistää esimerkiksi
LisätiedotRajoittamattomat kieliopit (Unrestricted Grammars)
Rajoittamattomat kieliopit (Unrestricted Grammars) Laura Pesola Laskennanteorian opintopiiri 13.2.2013 Formaalit kieliopit Sisältävät aina Säännöt (esim. A -> B C abc) Muuttujat (A, B, C, S) Aloitussymboli
LisätiedotEnterprise Architecture TJTSE Yrityksen kokonaisarkkitehtuuri
Enterprise Architecture TJTSE25 2009 Yrityksen kokonaisarkkitehtuuri Jukka (Jups) Heikkilä Professor, IS (ebusiness) Faculty of Information Technology University of Jyväskylä e-mail: jups@cc.jyu.fi tel:
LisätiedotHY / Matematiikan ja tilastotieteen laitos Johdatus logiikkaan I, syksy 2018 Harjoitus 5 Ratkaisuehdotukset
HY / Matematiikan ja tilastotieteen laitos Johdatus logiikkaan I, syksy 2018 Harjoitus 5 Ratkaisuehdotukset 1. Päättele resoluutiolla seuraavista klausuulijoukoista: (a) {{p 0 }, {p 1 }, { p 0, p 2 },
LisätiedotWP3 Decision Support Technologies
WP3 Decision Support Technologies 1 WP3 Decision Support Technologies WP Leader: Jarmo Laitinen Proposed budget: 185 000, VTT 100 000, TUT 85 000. WP3 focuses in utilizing decision support technologies
LisätiedotLause (Cook-Levin) Kieli SAT = { on toteutuva lausekalkyylin kaava } on NP-täydellinen.
261 Lause (Cook-Levin) Kieli SAT = { on toteutuva lausekalkyylin kaava } on NP-täydellinen. Pitää osoittaa siis, että A mp SAT mielivaltaisella A NP Ainoa, mitä A:sta tiedetään on, että sillä on polynomisessa
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 4 OP PERIODI 1: 6.9.2012-12.10.2012 (6 VIIKKOA) LUENNOT (B123, LINUS TORVALDS -AUDITORIO): TO 10-12, PE 12-14 LASKUHARJOITUKSET
LisätiedotMalliperustainen ohjelmistokehitys - MDE Pasi Lehtimäki
Malliperustainen ohjelmistokehitys - MDE 25.9.2007 Pasi Lehtimäki MDE Miksi MDE? Mitä on MDE? MDA, mallit, mallimuunnokset Ohjelmistoja Eclipse, MetaCase Mitä jatkossa? Akronyymiviidakko MDE, MDA, MDD,
LisätiedotLineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla Juho Andelmin 21.1.213 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Raimo P. Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotV. V. Vazirani: Approximation Algorithms, luvut 3-4 Matti Kääriäinen
V. V. Vazirani: Approximation Algorithms, luvut 3-4 Matti Kääriäinen Luento omatoimisen luennan tueksi algoritmiikan tutkimusseminaarissa 23.9.2002. 1 Sisältö Esitellään ongelmat Steiner-puu Kauppamatkustajan
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2016-2017 3. Logiikka 3.1 Logiikka tietojenkäsittelyssä Pyritään formalisoimaan terveeseen järkeen perustuva päättely Sovelletaan monella alueella tietojenkäsittelyssä, esim.
LisätiedotNimitys Symboli Merkitys Negaatio ei Konjuktio ja Disjunktio tai Implikaatio jos..., niin... Ekvivalenssi... jos ja vain jos...
2 Logiikkaa Tässä luvussa tutustutaan joihinkin logiikan käsitteisiin ja merkintöihin. Lisätietoja ja tarkennuksia löytyy esimerkiksi Jouko Väänäsen kirjasta Logiikka I 2.1 Loogiset konnektiivit Väitelauseen
LisätiedotYleisen PSCR-menetelmän toteutus ohjelmoitavalla näytönoh
Yleisen n toteutus ohjelmoitavalla näytönohjaimella Mirko Myllykoski mirko.myllykoski@jyu.fi 15.2.2011 Mitä teen? Tarkoituksena toteuttaa (ja osin jo toteutettukin) stä versio ohjelmoitavalle näytönohjaimelle
LisätiedotWAMS 2010,Ylivieska Monitoring service of energy efficiency in housing. 13.10.2010 Jan Nyman, jan.nyman@posintra.fi
WAMS 2010,Ylivieska Monitoring service of energy efficiency in housing 13.10.2010 Jan Nyman, jan.nyman@posintra.fi Background info STOK: development center for technology related to building automation
LisätiedotProlog kielenä Periaatteet Yhteenveto. Prolog. Toni ja Laura Fadjukoff. 9. joulukuuta 2010
kielenä 9. joulukuuta 2010 Historia kielenä Historia Sovelluksia kehitettiin vuonna 1972 Kehittäjinä ranskalaiset Pääkehittäjä Alain Colmerauer Philippe Roussel programmation en logique Robert Kowalski
LisätiedotTIEA241 Automaatit ja kieliopit, syksy Antti-Juhani Kaijanaho. 8. syyskuuta 2016
TIEA241 Automaatit ja kieliopit, syksy 2016 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 8. syyskuuta 2016 Sisällys a https://tim.jyu.fi/view/kurssit/tie/ tiea241/2016/videoiden%20hakemisto Matemaattisen
Lisätiedotkaikki kielet tunnistettavat A TM HALT TM { a n } { a n b n } { a n b n c n } TOTAL TM EQ TM
Kurssi tähän asti: säännölliset yhteydettömät ratkeavat { a n } { a n b n } { a n b n c n } tunnistettavat A TM HALT TM kaikki kielet A TM HALT TM TOTAL TM TOTAL TM EQ TM EQ TM 277 5. Laskennan vaativuus
LisätiedotEpätäsmällisen tiedon esittäminen semanttisen webin ontologioissa
Epätäsmällisen tiedon esittäminen semanttisen webin ontologioissa FinnOnto, 16.11.2005 Markus Holi (markus.holi@tkk.fi) Semantic Computing Research Group http://www.seco.tkk.fi/ UNIVERSITY OF HELSINKI
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 5 OP PERIODI 3: 18.1.2016-6.3.2016 (7 VIIKKOA+KOE) LUENNOT (CK112): MA 14-16, TI 14-16 LASKUHARJOITUKSET: RYHMÄ
LisätiedotMinimilatenssiongelman ratkaisualgoritmeja (valmiin työn esittely)
Minimilatenssiongelman ratkaisualgoritmeja (valmiin työn esittely) Antti Salmela 03.03.2014 Ohjaaja: Harri Ehtamo Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotDMP / Kevät 2016 / Mallit Harjoitus 6 / viikko 13 / alkuviikko
DMP / Kevät 2016 / Mallit Harjoitus 6 / viikko 13 / alkuviikko Alkuviikon tuntitehtävä 1: Montako kahdeksaan yhtäsuureen sektoriin leikattua pitsaa voidaan tehdä kolmesta täytteestä siten, että kukin sektori
LisätiedotEsimerkkejä polynomisista ja ei-polynomisista ongelmista
Esimerkkejä polynomisista ja ei-polynomisista ongelmista Ennen yleisempiä teoriatarkasteluja katsotaan joitain tyypillisiä esimerkkejä ongelmista ja niiden vaativuudesta kaikki nämä ongelmat ratkeavia
LisätiedotDatatähti 2019 loppu
Datatähti 2019 loppu task type time limit memory limit A Summa standard 1.00 s 512 MB B Bittijono standard 1.00 s 512 MB C Auringonlasku standard 1.00 s 512 MB D Binääripuu standard 1.00 s 512 MB E Funktio
LisätiedotHY / Matematiikan ja tilastotieteen laitos Johdatus logiikkaan I, syksy 2018 Harjoitus 4 Ratkaisuehdotukset
HY / Matematiikan ja tilastotieteen laitos Johdatus logiikkaan I, syksy 2018 Harjoitus 4 Ratkaisuehdotukset 1. Etsi lauseen (p 0 (p 1 p 0 )) p 1 kanssa loogisesti ekvivalentti lause joka on (a) disjunktiivisessa
LisätiedotLaskennan teoria
581336-0 Laskennan teoria luennot syyslukukaudella 2003 Jyrki Kivinen tietojenkäsittelytieteen laudatur-kurssi, 3 ov pakollinen tietojenkäsittelytieteen suuntautumisvaihtoehdossa esitiedot käytännössä
LisätiedotLineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla Juho Andelmin 21.01.2013 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Raimo P. Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston
Lisätiedot7 LOOGISET AGENTIT. (reasoning) maailman tilasta. Tämä on erityisen tärkeää osittain havaittavissa
7 OOGIET GENTIT Tarkastelemme nyt tietämyskannan (knowledge base, K) omaavia agentteja, joita kutsumme tietämyspohjaisksi toimijoiksi (knowledge-based agents) Tietämyspohjaiset toimijat käyttävät tietämyskantaa
LisätiedotSmart City -ratkaisut
Smart City ratkaisut Kaupungin rakennuskannan energialaskenta Pekka Tuominen Senior Scientist Pekka.Tuominen@vtt.fi +358407345580 06/10/2017 1 KASVIHUONEKAASUPÄÄSTÖT MUUT PÄÄSTÖT ENERGIA EKOSYSTEEMIVAIKUTUKSET
LisätiedotISEB/ISTQB FOUNDATION CERTIFICATE IN SOFTWARE TESTING III
KOULUTUSTIEDOTE 1(5) ISEB/ISTQB FOUNDATION CERTIFICATE IN SOFTWARE TESTING III Kuvaus ja tavoite ISEB/ISTQB Foundation Certificate in Software Testing -sertifikaattiin valmentava koulutus (2,5 pv) ja sertifikaattikoe
LisätiedotΣ!3674. Advanced Test Automation for Complex Software-Intensive Systems
Advanced Test Automation for Complex Software-Intensive Systems = Advanced Test Automation for Complex Software- Intensive Systems Pääteemana kompleksisten ja erittäin konfiguroitavien softaintensiivisten
LisätiedotC C. x 2. x 3 x 3. Lause 3SAT p m VC Todistus. Olk. φ = C 1 C 2 C m 3-cnf-kaava, jossa esiintyvät muuttujat. φ toteutuva:
Lause 3SAT p m VC Todistus. Olk. φ = C 1 C C m 3-cnf-kaava, jossa esiintyvät muuttujat x 1,..., x n. Vastaava solmupeiteongelman tapaus G, k muodostetaan seuraavasti. G:ssä on solmu kutakin literaalia
LisätiedotDBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi
DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi Historiaa Bayesin kaavan hyödyntäminen BN-ohjelmistoja ollut ennenkin Tanskalaisten Hugin
LisätiedotVBE2 Työpaketit Jiri Hietanen / TTY
VBE2 Työpaketit Jiri Hietanen / TTY 1 WP2.1 Technology review and VBE platform 2 Tavoitteet In In charge: charge: Method: Method: Jiri Jiri Hietanen, Hietanen, TUT TUT Analysis Analysis of of existing
LisätiedotT Syksy 2004 Logiikka tietotekniikassa: perusteet Laskuharjoitus 7 (opetusmoniste, kappaleet )
T-79144 Syksy 2004 Logiikka tietotekniikassa: perusteet Laskuharjoitus 7 (opetusmoniste, kappaleet 11-22) 26 29102004 1 Ilmaise seuraavat lauseet predikaattilogiikalla: a) Jokin porteista on viallinen
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 5 OP PERIODI 3: 16.1.2017-3.3.2016 (7 VIIKKOA+KOE) LUENNOT (CK112): MA 14-16, TI 14-16 LASKUHARJOITUKSET: RYHMÄ
LisätiedotTekoäly muuttaa arvoketjuja
Tekoäly muuttaa arvoketjuja Näin kartoitat tekoälyn mahdollisuuksia projektissasi Harri Puolitaival Harri Puolitaival Diplomi-insinööri ja yrittäjä Terveysteknologia-alan start-up: Likelle - lämpötilaherkkien
LisätiedotTIEA382 Lineaarinen ja diskreetti optimointi
TIEA382 Lineaarinen ja diskreetti optimointi Jussi Hakanen Tietotekniikan laitos jussi.hakanen@jyu.fi AgC 426.3 Yleiset tiedot Tietotekniikan kandidaattiopintojen valinnainen kurssi http://users.jyu.fi/~jhaka/ldo/
Lisätiedot2 Description of Software Architectures
2 Description of Software Architectures 2.1 Significance of architectural descriptions 2.2 Context of architectural descriptions 2.3 Levels of architectural descriptions 2.4 Viewpoints and types in architecture
LisätiedotRatkaisu: Käytetään induktiota propositiolauseen A rakenteen suhteen. Alkuaskel. A = p i jollain i N. Koska v(p i ) = 1 kaikilla i N, saadaan
HY / Matematiikan ja tilastotieteen laitos Johdatus logiikkaan I, syksy 2018 Harjoitus 2 Ratkaisuehdotukset 1. Olkoon totuusjakauma v sellainen että v(p i ) = 1 kaikilla i N ja A propositiolause, jossa
LisätiedotLOGIIKKA johdantoa
LOGIIKKA johdantoa LUKUTEORIA JA TO- DISTAMINEN, MAA11 Logiikan tehtävä: Logiikka tutkii ajattelun ja päättelyn sääntöjä ja muodollisten päättelyiden oikeellisuutta, ja pyrkii erottamaan oikeat päättelyt
LisätiedotKahden virtualisointiohjelmiston suorituskyvyn testaus (valmiin työn esittely)
Kahden virtualisointiohjelmiston suorituskyvyn testaus (valmiin työn esittely) Jani Laine 31.10.2017 Ohjaaja: DI Jimmy Kjällman Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotSisältö. ICS-C2000 Tietojenkäsittelyteoria. Kertausta edellisistä kerroista...
Sisältö ICS-C2000 Tietojenkäsittelyteoria Luento 11: Ricen lause ja rajoittamattomat kieliopit Aalto-yliopisto Perustieteiden korkeakoulu Tietotekniikan laitos Kevät 2016 Aiheet: Ricen lause Yleiset eli
LisätiedotICS-C2000 Tietojenkäsittelyteoria
ICS-C2000 Tietojenkäsittelyteoria Luento 11: Ricen lause ja rajoittamattomat kieliopit Aalto-yliopisto Perustieteiden korkeakoulu Tietotekniikan laitos Kevät 2016 Sisältö Aiheet: Ricen lause Yleiset eli
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 5 OP PERIODI 1: 4.9.2014-17.10.2012 (7 VIIKKOA+KOE) LUENNOT (B123, LINUS TORVALDS -AUDITORIO): TO 10-12, PE 12-14
LisätiedotOhjelmistoarkkitehtuuriin vaikuttavia tekijöitä. Kari Suihkonen
Ohjelmistoarkkitehtuuriin vaikuttavia tekijöitä Kari Suihkonen Ohjelmistoarkkitehtuuriin vaikuttavia tekijöitä Tuote Ohjelmisto Ulkoiset tekijät Sisäiset tekijät 2 Hissin ohjausjärjestelmä ohjelmistotuotteena
LisätiedotIoT-platformien vertailu ja valinta erilaisiin sovelluksiin / Jarkko Paavola
IoT-platformien vertailu ja valinta erilaisiin sovelluksiin 10.3.2017 / Jarkko Paavola Prosessi state-of-the-art -tilan määrittelemiseksi Vaatimusmäärittely platformille Arkkitehtuuri Valittiin IIC:n (http://www.iiconsortium.org/)
LisätiedotDIPLOMITYÖ ARI KORHONEN
DIPLOMITYÖ ARI KORHONEN TEKNILLINEN KORKEAKOULU Diplomityö Tietotekniikan osasto 20.5.1997 Ari Korhonen WORLD WIDE WEB (WWW) TIETORAKENTEIDEN JA ALGORITMIEN TIETOKONEAVUSTEISESSA OPETUKSESSA Työn valvoja
LisätiedotSulautettu tietotekniikka 2007 2013 Real World Real Time First Lives. DM xxxxxx 05-2007 Copyright Tekes
Sulautettu tietotekniikka 2007 2013 Real World Real Time First Lives www.tekes.fi/ubicom Julkiset T&K-rahoitusresurssit Ubicom-alueella EU FP7 ARTEMIS EUREKA ITEA2 Ubicom EAKR OSKEt Suomen Akatemia Yo/tutk.laitos
LisätiedotLaskennan teoria
581336-0 Laskennan teoria luennot syyslukukaudella 2004 Jyrki Kivinen tietojenkäsittelytieteen laudatur-kurssi, 3 ov pakollinen tietojenkäsittelytieteen suuntautumisvaihtoehdossa, opettajan suuntautumisvaihtoehdossa
LisätiedotTekoäly ja alustatalous. Miten voit hyödyntää niitä omassa liiketoiminnassasi
Tekoäly ja alustatalous Miten voit hyödyntää niitä omassa liiketoiminnassasi AI & Alustatalous AI Digitaalisuudessa on 1 ja 0, kumpia haluamme olla? Alustatalouden kasvuloikka Digitaalisen alustatalouden
LisätiedotTodistusteoriaa. Kun kielen syntaksi on tarkasti määritelty, voidaan myös määritellä täsmällisesti, mitä pätevällä päättelyllä tarkoitetaan.
Todistusteoriaa Kun kielen syntaksi on tarkasti määritelty, voidaan myös määritellä täsmällisesti, mitä pätevällä päättelyllä tarkoitetaan. Todistusteoriassa annetaan joukko aksioomia ja päättely- sääntöjä,
LisätiedotOsallisuus ja tarinat kehitysyhteistyön arvioinnissa. Laura Lager 5/6/2013
Osallisuus ja tarinat kehitysyhteistyön arvioinnissa Laura Lager 5/6/2013 Miksi arvioidaan? Tili- ja vastuuvelvollisuus oppiminen ja toiminnan kehittäminen Rahoittajaan kohdistuvan tili- ja vastuuvelvollisuuden
LisätiedotMiksi ja millaisella muutoksella tulevaisuuteen? Sivistystoimen ja oppilaitosjohtamisen päivät Maarit Rossi
Miksi ja millaisella muutoksella tulevaisuuteen? Sivistystoimen ja oppilaitosjohtamisen päivät 13.9.2017 Maarit Rossi Maarit Rossi, maarit.rossi@pathstomath.com Osa 1: Voiko tulevaisuuteen mennä vanhoilla
LisätiedotTehtävä 1. Päättele resoluutiolla seuraavista klausuulijoukoista. a. 1 {p 3 } oletus. 4 {p 1, p 2, p 3 } oletus. 5 { p 1 } (1, 2) 7 (4, 6)
Tehtävä 1 Päättele resoluutiolla seuraavista klausuulijoukoista. a. {{p 0 }, {p 1 }, { p 0, p 2 }, {p 1, p 2, p 3 }, { p 2, p 3 }, {p 3 }}, b. {{ p 0, p 2 }, {p 0, p 1 }, {{ p 1, p 2 }, { p 2 }}, c. {{p
LisätiedotTIETOJENKÄSITTELYTEORIAN PÄÄAINEEN KORVAAVUUSPERIAATTEET
Versiohistoria Ensimmäinen versio 14.3.2005 / Ilkka Niemelä Koulutusohjelmatoimikunnan kokouksessa 4.4.2005 esitetyt muutokset tehty 8.4.2005. TIETOJENKÄSITTELYTEORIAN PÄÄAINEEN KORVAAVUUSPERIAATTEET Tietojenkäsittelyteorian
LisätiedotLineaaristen monitavoiteoptimointitehtävien
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Jerri Nummenpalo 17.09.2012 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotPrinLab. Antti Berg Oulun seudun ammattikorkeakoulu, Tekniikan yksikkö 29.2.2012
PrinLab Painettavien antureiden kehityslaboratorio Antti Berg Oulun seudun ammattikorkeakoulu, Tekniikan yksikkö 29.2.2012 1. Tausta 2. PrinLabtavoitteet 3. PrinLablaboratorio 4. Kehityslaboratorion toiminta
LisätiedotIntroduction to Machine Learning
Introduction to Machine Learning Aki Koivu 27.10.2016 HUMAN HEALT H ENVIRONMENTAL HEALT H 2016 PerkinElmer Miten tietokone oppii ennustamaan tai tekemään päätöksiä? Historia tiivistettynä Machine Learning
Lisätiedot