Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...

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