Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Space One Mission bis hin zu Entscheidungsunterstützungssytemen <strong>für</strong><br />
Katastrofenhilfe. Planen ist die Aufgabe, eine Sequenz von Aktionen zu<br />
finden, die zu einem Zustand führen, in dem das Ziel erfüllt ist. Klassisches<br />
Planen mit vollständiger Information, deterministischen Aktionen, Pläne mit<br />
polynomieller Länge, etc. ist schon NP-vollständig. Diese Form wurde in den<br />
letzten Jahrzehnten sehr intensiv erforscht. In der Realität haben wir jedoch<br />
nur unvollständige Information, was die Komplexität auf die zweite Stufe der<br />
polynomiellen Hierarchie anhebt. In letzter Zeit wird auch diesem Gebiet in<br />
der Forschung mehr Aufmerksamkeit gewidmet. In dieser Arbeit zeigen wir,<br />
wie eine Planungssprache <strong>für</strong> klassisches Planen geschickt erweitert werden<br />
kann, um unvollständige Information auszudrücken. Zusätzlich werden wir<br />
eine schwache Form von Ungleichheit einführen und beweisen, dass Planen<br />
in dieser Sprache Sigma2P-vollständig ist. Weiters werden wir ein<br />
Planungstool entwickeln, welches das Planungsproblem auf das<br />
Erfüllbarkeitsproblem von quantifizierten, aussagenlogischen Formeln<br />
reduziert. Die Pläne von diesem Tool ist optimal bezüglich der Planlänge.<br />
Dieses Planungstool kann sowohl Planungsprobleme mit vollständiger als<br />
auch mit unvollständiger Information lösen. Wir werden einige<br />
Herausforderungen aufzeigen, um diesen exakten Ansatz wettbewerbsfähig<br />
zu machen. Hier<strong>für</strong> werden wir eine Reihe von Optimierungen vorstellen, die<br />
diese Herausforderungen unter Kontrolle bringen. Zusätzlich werden wir<br />
einen Benchmark entwickeln, um unser Tool zu testen.<br />
Lam Tung Nguyen<br />
An Efficient Algorithm For Phylogeny Reconstruction By Maximum Likelihood<br />
Studium: Masterstudium Information & Knowledge Management<br />
Betreuer: Privatdoz. Dr. Nysret Musliu<br />
Understanding the evolutionary relationships among species has been of<br />
tremendous interest since Darwin published the Origin of Species (Darwin,<br />
1859). The evolutionary history of species is typically represented as a<br />
phylogenetic tree. Nowadays, the reconstructing of the evolutionary history is<br />
still a major research topic. With the rise of molecular sequencing<br />
technologies, computational approaches have been proposed to reconstruct<br />
phylogenies. Maximum likelihood is a statistical approach for reconstructing<br />
phylogeny that gives better estimate of the true tree than other methods.<br />
However, the method is highly computational expensive. Therefore, different<br />
heuristics haven been proposed to solve this NP-hard problem. Among these<br />
IQPNNI (Vinh and von Haeseler, 2004) has been shown to have highly<br />
regarded results. Nevertheless, it requires a lot of computation time. In the<br />
present work we introduce an improved version of the IQPNNI algorithm<br />
called IQ-Tree. Here we focus on improving the run time performance of<br />
IQPNNI by proposing a fast and reliable search algorithm for phylogeny<br />
reconstruction. To this end, we used the metaheuristic Iterated Local Search<br />
(ILS) as our underlying search framework, from which the possibility of using<br />
the search history to improve performance has been identied. Based on the<br />
63