ISBN: 3836435381

Multi-Agent Simulationen, die z.B. den Verkehr einer Grossstadt oder einesganzen Landes simulieren, bestehen aus verschiedenen Modulen wie etwaBedürfnisgenerierung, Wegwahl oder Verk… Plus…

Multi-Agent Simulationen, die z.B. den Verkehr einer Grossstadt oder einesganzen Landes simulieren, bestehen aus verschiedenen Modulen wie etwaBedürfnisgenerierung, Wegwahl oder Verkehrs-Mikrosimulation. Eines dieserModule generiert für jeden Agenten einen individuellen Tagesplan, der auseiner Abfolge von täglichen Aktivitäten besteht. Oft werden die Tagesplänefür einen Tag im Voraus festgelegt und dann unabhängig von eventuellenEreignissen abgearbeitet. Dies ist jedoch unrealistisch, da in der Wirklichkeitein Tagesplan ständig der gegebenen Situation angepasst wird. So könnenAktivitäten als Reaktion auf einen Verkehrsstau verlängert, verkürzt oder garganz weggelassen werden.In diesem Buch werden zwei Methoden der künstlichen Intelligenz auf ihreTauglichkeit untersucht, solche flexiblen Tagespläne zu generieren. BeimQ-Learning wird für jeden möglichen Zustand die optimale Aktion erlernt,während die Learning Classifier Systems Regeln erzeugen, die für grössereZustandsmengen die beste Aktion ermitteln.Das Buch richtet sich an Wissenschaftler und Studierende, die realistischeMulti-Agent Simulationen durchführen möchten bzw. schon vorhandeneSimulationen verbessern wollen. Obwohl sich das Buch speziell auf Verkehrssimulationenbezieht, lassen sich die Ergebnisse leicht auch in anderen Simulationenanwenden., EAN: 9783836435383, ISBN: 3836435381 [SW:Verkehr ; Künstliche Intelligenz ; Computersimulation], [VÖ:20080200], Buch (dtsch.)<

ISBN: 3836435381

Multi-Agent Simulationen, die z.B. den Verkehr einer Grossstadt oder einesganzen Landes simulieren, bestehen aus verschiedenen Modulen wie etwaBedürfnisgenerierung, Wegwahl oder Verk… Plus…

Multi-Agent Simulationen, die z.B. den Verkehr einer Grossstadt oder einesganzen Landes simulieren, bestehen aus verschiedenen Modulen wie etwaBedürfnisgenerierung, Wegwahl oder Verkehrs-Mikrosimulation. Eines dieserModule generiert für jeden Agenten einen individuellen Tagesplan, der auseiner Abfolge von täglichen Aktivitäten besteht. Oft werden die Tagesplänefür einen Tag im Voraus festgelegt und dann unabhängig von eventuellenEreignissen abgearbeitet. Dies ist jedoch unrealistisch, da in der Wirklichkeitein Tagesplan ständig der gegebenen Situation angepasst wird. So könnenAktivitäten als Reaktion auf einen Verkehrsstau verlängert, verkürzt oder garganz weggelassen werden.In diesem Buch werden zwei Methoden der künstlichen Intelligenz auf ihreTauglichkeit untersucht, solche flexiblen Tagespläne zu generieren. BeimQ-Learning wird für jeden möglichen Zustand die optimale Aktion erlernt,während die Learning Classifier Systems Regeln erzeugen, die für grössereZustandsmengen die beste Aktion ermitteln.Das Buch richtet sich an Wissenschaftler und Studierende, die realistischeMulti-Agent Simulationen durchführen möchten bzw. schon vorhandeneSimulationen verbessern wollen. Obwohl sich das Buch speziell auf Verkehrssimulationenbezieht, lassen sich die Ergebnisse leicht auch in anderen Simulationenanwenden., EAN: 9783836435383, ISBN: 3836435381 [SW:Verkehr ; Künstliche Intelligenz ; Computersimulation], [VÖ:20080200], Buch (dtsch.)<

ISBN: 3836435381

Multi-Agent Simulationen, die z.B. den Verkehr einer Grossstadt oder einesganzen Landes simulieren, bestehen aus verschiedenen Modulen wie etwaBedürfnisgenerierung, Wegwahl oder Verk… Plus…

Multi-Agent Simulationen, die z.B. den Verkehr einer Grossstadt oder einesganzen Landes simulieren, bestehen aus verschiedenen Modulen wie etwaBedürfnisgenerierung, Wegwahl oder Verkehrs-Mikrosimulation. Eines dieserModule generiert für jeden Agenten einen individuellen Tagesplan, der auseiner Abfolge von täglichen Aktivitäten besteht. Oft werden die Tagesplänefür einen Tag im Voraus festgelegt und dann unabhängig von eventuellenEreignissen abgearbeitet. Dies ist jedoch unrealistisch, da in der Wirklichkeitein Tagesplan ständig der gegebenen Situation angepasst wird. So könnenAktivitäten als Reaktion auf einen Verkehrsstau verlängert, verkürzt oder garganz weggelassen werden.In diesem Buch werden zwei Methoden der künstlichen Intelligenz auf ihreTauglichkeit untersucht, solche flexiblen Tagespläne zu generieren. BeimQ-Learning wird für jeden möglichen Zustand die optimale Aktion erlernt,während die Learning Classifier Systems Regeln erzeugen, die für grössereZustandsmengen die beste Aktion ermitteln.Das Buch richtet sich an Wissenschaftler und Studierende, die realistischeMulti-Agent Simulationen durchführen möchten bzw. schon vorhandeneSimulationen verbessern wollen. Obwohl sich das Buch speziell auf Verkehrssimulationenbezieht, lassen sich die Ergebnisse leicht auch in anderen Simulationenanwenden., EAN: 9783836435383, ISBN: 3836435381 [SW:Verkehr ; Künstliche Intelligenz ; Computersimulation], [VÖ:20080200], Buch (dtsch.)<

2008, ISBN: 3836435381, Lieferbar binnen 4-6 Wochen Frais d'envoiVersandkostenfrei innerhalb der BRD

Internationaler Buchtitel. Verlag: VDM Verlag, Paperback, 96 Seiten, L=240mm, B=170mm, H=6mm, Gew.=197gr, [GR: 16320 - HC/Informatik], Kartoniert/Broschiert