O'Reilly logo

Stay ahead with the world's most comprehensive technology and business learning platform.

With Safari, you learn the way you learn best. Get unlimited access to videos, live online training, learning paths, books, tutorials, and more.

Start Free Trial

No credit card required

Künstliche Intelligenz für Ingenieure, 3rd Edition

Book Description

Der Autor vermittelt eine umfassende Einführung in Entwurf und Realisierung "intelligenter Systeme" unter Nutzung der Methoden der Künstlichen Intelligenz in Verbindung mit erprobten Methoden der Ingenieurwissenschaften. Die dritte Auflage (2016) verbessert, ergänzt und erweitert die Darstellung der Methoden, die Beispiele und die Übungsaufgaben sowie die im Anhang angegebenen Lösungen.

Table of Contents

  1. Cover
  2. Titelseite
  3. Impressum
  4. Inhaltsverzeichnis
  5. Verzeichnis der Anwendungsbeispiele
  6. Hinweise zum Gebrauch des Buches
  7. 1 Das Fachgebiet Künstliche Intelligenz
  8. 1.1 Anliegen der Künstlichen Intelligenz
  9. 1.2 Ausgangspunkte
  10. 1.2.1 Mathematische Logik
  11. 1.2.2 Algorithmentheorie
  12. 1.2.3 Rechentechnik
  13. 1.3 Kurzer historischer Rückblick
  14. 1.3.1 Geburtsstunde: Dartmouth-Konferenz 1956
  15. 1.3.2 Die klassische Epoche: Spiele und logisches Schließen
  16. 1.3.3 Erste Erfolge:Verstehen natürlicher Sprache
  17. 1.3.4 Wissensbasierte Systeme und KI-Markt
  18. 1.3.5 Entwicklungstrend: Kognitive Systeme
  19. 1.4 Ingenieurtechnische Anwendungen der Künstlichen Intelligenz
  20. 1.4.1 Grundstruktur intelligenter technischer Systeme
  21. 1.4.2 Intelligente Agenten
  22. 1.4.3 Impulse der Künstlichen Intelligenz für die Lösung ingenieurtechnischer Probleme
  23. 1.5 Möglichkeiten und Grenzen der Künstlichen Intelligenz
  24. Literaturhinweise
  25. 2 Einführungsbeispiel
  26. 2.1 Qualitative und quantitative Beschreibung eines Wasserversorgungssystems
  27. 2.2 Einfache Methoden zur Verarbeitung von Regeln
  28. 2.2.1 Umformung der Wissensbasis
  29. 2.2.2 Verschachtelung der Regeln in einem Entscheidungsbaum
  30. 2.2.3 Anordnung der Regeln als Wissensbasis
  31. 2.3 Probleme der Wissensverarbeitung
  32. Literaturhinweise
  33. 3 Graphensuche
  34. 3.1 Grundbegriffe der Graphentheorie
  35. 3.1.1 Vorgehensweise
  36. 3.1.2 UngerichteteGraphen
  37. 3.1.3 Suchprobleme
  38. 3.2 Bestimmung von Erreichbarkeitsbäumen
  39. 3.2.1 Tremaux-Algorithmus
  40. 3.2.2 Geradeaussuche
  41. 3.2.3 Breite-zuerst-Suche
  42. 3.2.4 Tiefe-zuerst-Suche
  43. 3.2.5 Eigenschaften der Suchalgorithmen
  44. 3.3 Bestimmung von Pfaden
  45. 3.3.1 Tiefe-zuerst-Suche von Pfaden
  46. 3.3.2 Optimale Pfade
  47. 3.3.3 DIJKSTRA-Algorithmus
  48. 3.3.4 Gleiche-Kosten-Suche
  49. 3.4 Heuristische Suche
  50. 3.4.1 Erweiterungsmöglichkeiten der blinden Suche
  51. 3.4.2 A*-Algorithmus
  52. 3.5 Anwendungsbeispiel: Bahnplanung für Industrieroboter
  53. 3.5.1 Aufgabenstellung und Lösungsweg
  54. 3.5.2 Beschreibung kollisionsfreier Bahnen im Konfigurationsraum
  55. 3.5.3 Planungsalgorithmus
  56. 3.5.4 Erweiterungen
  57. 3.6 Zusammenfassung
  58. 3.6.1 Problemlösen durch Suche
  59. 3.6.2 Struktur und Eigenschaften von Suchsystemen
  60. Literaturhinweise
  61. 4 Regelbasierte Wissensverarbeitung
  62. 4.1 Zustandsraumdarstellung von Wissensverarbeitungsproblemen
  63. 4.1.1 Darstellung von Wissen in Formvon Regeln
  64. 4.1.2 Zustandsraumdarstellung
  65. 4.1.3 Wissensverarbeitung als Graphensuche
  66. 4.2 Problemlösen durch Vorwärtsverkettung von Regeln
  67. 4.2.1 Vorwärtsverkettung
  68. 4.2.2 Verarbeitung von Schlussfolgerungsregeln
  69. 4.2.3 Verarbeitung von Aktionsregeln
  70. 4.2.4 Beispiel: Zusammenfassung von Widerstandsnetzwerken
  71. 4.2.5 Kommutative und nichtkommutative regelbasierte Systeme
  72. 4.2.6 Beispiel: Lösung von Packproblemen
  73. 4.3 Problemlösen durch Rückwärtsverkettung von Regeln
  74. 4.3.1 Rückwärtsverkettung
  75. 4.3.2 Anwendungsgebiete der Rückwärtsverkettung
  76. 4.4 Architektur und Einsatzgebiete regelbasierter Systeme
  77. 4.4.1 Allgemeiner Wissensverarbeitungsalgorithmus
  78. 4.4.2 Architektur regelbasierter Systeme
  79. 4.4.3 Einsatzcharakteristika regelbasierter Systeme
  80. Literaturhinweise
  81. 5 Wissensverarbeitung mit strukturierten Objekten
  82. 5.1 Begriffsbildung und strukturierte Objekte
  83. 5.1.1 Begriffshierarchien und Vererbung von Eigenschaften
  84. 5.1.2 Multihierarchien und Sichten
  85. 5.2 Semantische Netze
  86. 5.2.1 Syntax und Semantik
  87. 5.2.2 Kausale Netze
  88. 5.3 Frames
  89. 5.3.1 Grundidee der Wissensrepräsentation mit Frames
  90. 5.3.2 Anordnung von Frames in Generalisierungshierarchien
  91. 5.3.3 Erweiterungsmöglichkeiten
  92. 5.3.4 Vergleich von Frames mit anderen Wissenrepräsentationsformen
  93. Literaturhinweise
  94. 6 Funktionale Programmierung in LISP
  95. 6.1 Einführung in die funktionale Programmierung
  96. 6.1.1 Grundidee von LISP
  97. 6.1.2 Rekursive Funktionen
  98. 6.2 Syntax von LISP
  99. 6.2.1 Listen
  100. 6.2.2 LISP-Ausdrücke
  101. 6.2.3 Spezielle Auswertungsregeln
  102. 6.2.4 Verarbeitung von Listen
  103. 6.2.5 Definition von Funktionen
  104. 6.2.6 Bedingte Anweisungen und Let-Konstruktionen
  105. 6.3 Programmbeispiel: Tiefe-zuerst-Suche in Graphen
  106. 6.3.1 Programmelemente
  107. 6.3.2 Zusammenfassung zur Funktion „Erreichbarkeitsbaum“
  108. 6.4 Merkmale der ProgrammierspracheLISP
  109. Literaturhinweise
  110. 7 Aussagenlogik
  111. 7.1 Einführung in die logikbasierte Wissensverarbeitung
  112. 7.2 Grundlagen der Aussagenlogik
  113. 7.2.1 Aussagen und logische Ausdrücke
  114. 7.2.2 Semantik logischer Ausdrücke
  115. 7.2.3 LogischeGesetze
  116. 7.2.4 LogischeAusdrücke in Klauselform
  117. 7.3 Aussagenkalkül
  118. 7.3.1 Folgerungen
  119. 7.3.2 Ableitungsregeln der Aussagenlogik
  120. 7.3.3 Beweis aussagenlogischer Ausdrücke
  121. 7.3.4 Eigenschaften des Aussagenkalküls
  122. 7.3.5 Formale Systeme der Aussagenlogik
  123. 7.4 Problemlösen durch Resolution
  124. 7.4.1 Resolutionsprinzip der Aussagenlogik
  125. 7.4.2 Widerspruchsbeweis
  126. 7.4.3 Resolutionskalkül
  127. 7.4.4 Steuerung des Inferenzprozesses
  128. 7.5 Anwendungsbeispiel: Verifikation von Steuerungen
  129. Literaturhinweise
  130. 8 Prädikatenlogik
  131. 8.1 Grundlagen der Prädikatenlogik
  132. 8.1.1 Prädikate, logische Ausdrücke und Aussageformen
  133. 8.1.2 PrädikatenlogischeAusdrücke in Klauselform
  134. 8.1.3 Semantik prädikatenlogischerAusdrücke
  135. 8.2 Prädikatenkalkül
  136. 8.2.1 Resolutionsregel der Prädikatenlogik
  137. 8.2.2 Resolutionskalkül
  138. 8.2.3 Merkmale von Resolutionssystemen
  139. 8.3 Resolutionswiderlegung in der logischen Programmierung
  140. 8.3.1 Resolutionsregel für Hornklauseln
  141. 8.3.2 Beweisverfahren der logischen Programmierung
  142. 8.4 Logik als Grundlage der Wissensrepräsentation und der Wissensverarbeitung
  143. 8.4.1 Modellierung technischer Systeme durch logische Ausdrücke
  144. 8.4.2 Beispiel: Prädikatenlogische Beschreibung von Planungsaufgaben
  145. 8.4.3 Vergleich von regelbasierter und logikbasierter Wissensverarbeitung
  146. 8.4.4 Erweiterungsmöglichkeiten der klassischen Logik
  147. Literaturhinweise
  148. 9 Logische Programmierung in PROLOG
  149. 9.1 Einführung in die logische Programmierung
  150. 9.2 Syntax von PROLOG
  151. 9.3 Abarbeitung logischer Programme
  152. 9.3.1 Semantik logischer Programme
  153. 9.3.2 Steuerfluss bei der Verarbeitung logischer Programme
  154. 9.3.3 Interpretation des Ergebnisses
  155. 9.4 Programmelemente
  156. 9.4.1 Listen
  157. 9.4.2 Rekursive Programmierung
  158. 9.4.3 Built-in-Prädikate
  159. 9.5 Programmbeispiele
  160. 9.5.1 Bestimmung von Pfaden in gerichteten Graphen
  161. 9.5.2 Zusammenfassung eines Widerstandsnetzwerkes
  162. 9.5.3 Handlungsplanung für Roboter
  163. 9.6 Anwendungsgebiete von PROLOG
  164. Literaturhinweise
  165. 10 Nichtmonotones Schließen und ATMS
  166. 10.1 Probleme und Lösungswege für die Verarbeitung unsicheren Wissens
  167. 10.1.1 Quellen für die Unbestimmtheiten der Wissensbasis
  168. 10.1.2 Probleme der Darstellung und der Verarbeitung unsicheren Wissens
  169. 10.1.3 Überblick über die Behandlungsmethoden für unsicheres Wissen
  170. 10.2 Darstellung veränderlichen Wissens
  171. 10.3 Grundidee des ATMS
  172. 10.3.1 Begründungen
  173. 10.3.2 ATMS-Graph
  174. 10.3.3 Lokale und globale Umgebungen
  175. 10.4 Erweiterungen
  176. 10.4.1 Verwaltung logischer Ausdrücke
  177. 10.4.2 Behandlung logischer Widersprüche
  178. 10.4.3 Zusammenspiel von Problemlöser und ATMS
  179. 10.5 Anwendungsbeispiel: Analyse eines verfahrenstechnischen Prozesses
  180. 10.5.1 AussagenlogischesModell
  181. 10.5.2 Bildung des ATMS-Graphen
  182. 10.5.3 Analyse und Prozessüberwachung mit dem ATMS
  183. 10.6 Fehlerdiagnose mit ATMS
  184. 10.6.1 Modellbasierte Diagnose
  185. 10.6.2 Diagnoseprinzip GDE
  186. 10.6.3 Realisierung von GDE miteinem ATMS
  187. 10.6.4 Erweiterungen
  188. Literaturhinweise
  189. 11 Mehrwertige und unscharfe Logik
  190. 11.1 Mehrwertige Logiken
  191. 11.1.1 LogischeAusdrücke der dreiwertigen Logik
  192. 11.1.2 Ableitungsregel und Theorembeweisen
  193. 11.1.3 Erweiterung von dreiwertiger auf mehrwertige Logiken
  194. 11.2 Wissensverarbeitungmit unscharfen Mengen
  195. 11.2.1 UnscharfeMengen
  196. 11.2.2 UnscharfeMengen in der Wissensrepräsentation
  197. 11.2.3 Unscharfe Logik
  198. 11.2.4 Fuzzifizierung und Defuzzifizierung
  199. 11.2.5 Anwendungsbeispiel: Fuzzyregelung
  200. Literaturhinweise
  201. 12 Probabilistische Logik und Bayesnetze
  202. 12.1 WahrscheinlichkeitstheoretischeModelle
  203. 12.1.1 Übersicht über die wahrscheinlichkeitstheoretische Behandlung unsicheren Wissens
  204. 12.1.2 Aussagenlogische Beschreibung zufälliger Ereignisse
  205. 12.1.3 Wahrscheinlichkeit logischer Ausdrücke
  206. 12.2 Probabilistische Logik
  207. 12.2.1 Modus Ponens der probabilistischen Logik
  208. 12.2.2 Fehlende Modularität der probabilistischen Logik
  209. 12.2.3 Bayessche Inferenzregel
  210. 12.2.4 Lösung von Diagnoseaufgaben
  211. 12.2.5 Aussagekraft probabilistischer Folgerungen
  212. 12.2.6 Anwendungsgebiete der probabilistischen Logik
  213. 12.3 Bayesnetze
  214. 12.3.1 Abhängige und unabhängige Ereignisse
  215. 12.3.2 Darstellung wahrscheinlichkeitstheoretischer Modelle durch Bayesnetze
  216. 12.3.3 Modellbildung mit Bayesnetzen
  217. 12.3.4 Kausales Schließenmit Bayesnetzen
  218. 12.3.5 Diagnostisches Schließen mit Bayesnetzen
  219. 12.3.6 Erweiterung der Bayesnetze
  220. 12.4 Zusammenfassung und Wertung
  221. Literaturhinweise
  222. 13 Heuristische Verfahren zur Darstellung und zur Verarbeitung unsicheren Wissens
  223. 13.1 Wissensverarbeitung auf der Grundlage der Evidenztheorie
  224. 13.1.1 Grundlagen der Evidenztheorie
  225. 13.1.2 Dempster-Regel
  226. 13.1.3 Erweiterung der Aussagenlogik mit Hilfe der Evidenztheorie
  227. 13.2 Heuristische Methoden
  228. 13.2.1 Beschreibung der Unbestimmtheit des Wissens durch Konfidenzfaktoren
  229. 13.2.2 Verarbeitung der Konfidenzfaktoren bei Ableitungen
  230. 13.3 Vergleichende Zusammenfassung der Methoden zur Verarbeitung unsicheren Wissens
  231. Literaturhinweise
  232. 14 Merkmale und technische Anwendungsgebiete der Wissensverarbeitung
  233. 14.1 Strukturwissensbasierter Systeme
  234. 14.2 Wissensrepräsentation
  235. 14.2.1 Modellbildung
  236. 14.2.2 Deklaratives und prozedurales Wissen
  237. 14.2.3 Anforderungen an die Wissensrepräsentation
  238. 14.2.4 Wissensrepräsentationsmodelle
  239. 14.2.5 Modularität der Wissensrepräsentation
  240. 14.2.6 Wissenserwerb
  241. 14.3 Wissensverarbeitung
  242. 14.3.1 Zusammenfassung der Verarbeitungsmethoden
  243. 14.3.2 Problemspezifikation und Algorithmierung
  244. 14.4 Ingenieurtechnische Anwendungsgebiete
  245. Literaturverzeichnis
  246. Anhänge
  247. Anhang 1: Lösung von Übungsaufgaben
  248. Anhang 2: Grundlagen der Wahrscheinlichkeitsrechnung
  249. Anhang 3: Aufgaben zur Prüfungsvorbereitung
  250. Anhang 4: Projektaufgabe
  251. Anhang 5: Fachwörter deutsch – englisch
  252. Sachwortverzeichnis
  253. Fußnoten