Transportna logistika i inteligentni transportni sustavi · Sinapsa: je prostor između neurona – ispunjena tekućinom prijenosnika signala (neurotransmiterima) koji ubrzavaju ili

Transportna logistika i inteligentni transportni sustavi

prof. dr. sc. Hrvoje GoldZagreb, 16.04.2010.

Sveučilište u ZagrebuFakultet prometnih znanosti

Poslijediplomski specijalistički studijTRANSPORTNA LOGISTIKA I MENADŽMENT

Sadržaj• Inteligentni transportni sustavi (ITS) • Modeliranje inteligentnog ponašanja

– ekspertni sustavi– neizrazita logika, – neuronske mreže, – genetski algoritmi

• Inteligentna logistika

2

Inteligenti transportni sustavi

3

ITS

Transporti promet

Inteligentni transportni sustavi

TELEMATIKA U PROMETU

Telekomunikacije i informatika

4

Telekomunikacije

Prijenos informacija na daljinu elektroničkim sredstvima

Telefon

Telefax

5

Informatika

- Unos- Obrada- Pohrana- Predaja

- Objava- Pristup- Razmjena

INFORMACIJA

6

Telematski sustav = infrastruktura inteligentnog transportnog sustava

TRANSPORT

ITS

WORLD WIDEWEB GIS +GPS

INTERNET/INTRANET

7

Logistika – MenadžmentInteligencija

8

9

10

11

Prirodna i umjetna inteligencija

12

Inteligencija

• Svojstvo uspješnog snalaženja u novim situacijama• Učenje na temelju iskustva • Sposobnost razumijevanja problema i načina

rješavanja problema• Svrsishodno i prilagodljivo ponašanje u zadanim

okolnostima• Sposobnost učenja, razmišljanja, prilagođavanja,

odlučivanja, prepoznavanja, zaključivanja, predviđanja

13

Umjetna inteligencija ...

• Pojavom računala omogućen razvoj umjetnih (stručnih/ekspertnih) sustava koji prikupljaju znanje i donose zaključke i odluke slično ljudima– Umjetna/Strojna inteligencija

(Artificial/Machine Intelligence – AI/MI)

14

Umjetna inteligencija

• Umjetni sustavi inteligentnog ponašanja• Sposobnost prikupljanja i uporabe znanja• Sposobnost postavljanja problema• Sposobnost učenja, zaključivanja, rješavanja problema• Sposobnost obrade i razmjene znanja

• Umjetni sustav je inteligentan ako u rješavanju spoznajnih zadataka postiže iste rezulate kao i čovjek

15

16

Inteligentni agenti ...• Posrednici (agenti) korisnika/vlasnika• Djeluju samostalno u ime korisnika:

– Obrada informacija– Suradnja– Dogovaranje

• Temelje se na: – tehnikama umjetne inteligencije, raspodjeljenom

programiranju, internet tehnologijama, mobilnim komunikacijama

Inteligentni agenti

17

OKOLINA

ODZIVI

PODRAŽAJI

AGENT

Područja umjetne inteligencije• Sustavi za potporu u odlučivanju• Ekspertni sustavi• Inteligentno pretraživanje podataka• Formalizmi i metode prikaza znanja• Rješavanje problema i metode pretraživanja • Učenje korištenjem primjera• Razumijevanje i obrada prirodnih (i umjetnih) jezika• Automatsko programiranje• Računalni vid, raspoznavanje uzoraka i analiza scene• Približno računanje (umjetne neuronske mreže, genetski

algoritmi, neizrazita logika)• Robotika

18

Integracija inteligentnih sustava• Sutavi temeljeni na pravilima• Neizrazita (fuzzy) logika

– računanje sa riječima– koristi neizrazite, približne vrijednosti koje opisuju

značenja, način zaključivanja i odlučivanja• Umjetne neuronske mreže

– uče na temelju iskustva i modificiraju postojeća ili proizvode nova pravila

• Evolucijski sustavi– zasnovani na modelima prirodne selekcije i genetika

• Hibridni sustavi

19

PRIMJERISAMOSTALNIH

INTELIGENTINHVOZILA

http://www.darpa.mil/grandchallenge/

~ 230 km~ 230.000 GPS

Najdulji prijeđeni putSandstorm ~ 12 km

DARPA Grand ChallengeRobot Vehicle Race 2004

Nagrada 1.000.000 USD

20

http://www.darpa.mil/grandchallenge/

DARPA Grand ChallengeRobot Vehicle Race 2005

Stanley - Stanford30 km/h – 6:54h

~ 210 kmPrijavljeno 195

Započelo 23

Nagrada 2.000.000 USD

Sandstorm H1ghlanderStanley

21

Stiglo na cilj:5 vozila

22

DARPA 3rd Grand ChallengeUrban Challenge November 2007

96 km gradske vožnje, za < 6 sati, poštujući prometna pravila

Nagrada za 1. mjesto CMU2.000.000 USD

1. mjesto Chevy Tahoe 4:10:204 vozila za < 4 sata6 vozila stiglo na cilj

http://www.darpa.mil/grandchallenge/index.asp

http://www.darpa.mil/grandchallenge/index.asp

- Ekspertni sustavi -

23

Ekspertni sustav

• Prikuplja, organizira i koristi znanje stručnjaka za rješavanje problema iz određenog (uskog) područja

• Ekspertni sustav – znanje i stručnost čovjeka izraženi u obliku

pravila (ako ... onda)– baza znanja i mehanizam zaključivanja su

razdvojeni– sustav može objasniti postupak zaključivanja

24

Inženjering znanja

• Način prikupljanja (izvlačenja), prikaza i upotrebe znanja

• Izražavanje stručnjaka – nepreciznim, dvosmislenim terminima

(gotovo uvijek, obično, ponekad) – korištenjem lingvističkih varijabli (visok,

brz, težak)• Postupak prikupljanja, provjere i preradbe

znanja je zamoran i skup25

Ontologije i baze znanja• Ontologija - proučavanje bitka ili suštine značenja

pojmova• Opis klasa pojmova i njihovih odnosa• Elementi u izgradnji ontologije:

– Klase pojmova– Obilježja pojmova koja opisuju značajke i atribute (uloge)

pojmova – Ograničenja na uporabu obilježja

• Ontologija sa skupom primjera pojmova tvori bazu znanja

• Programski alati za izgradnju ontologije– http://protege.stanford.edu/

http://protege.stanford.edu/

Struktura ekspertnog sustava

• Primjena na usko specijalizirano područje

• Koristi se heuristički način zaključivanja

• Jednostavno objašnjavanje postupka zaključivanja

• Simboličko zaključivanje –nenumerički podaci

• Približno zaključivanje sa nepotpunim i neizvjesnim podacima

Ciklus mehanizma zaključivanja

Logika sudova

• Sud, izreka, izjava, propozicija– P :: “Auto je skup”

• ovom sudu nije pridružena vrijednost istinitosti• istina za novi auto, laž za stari

• Sudu je uvijek pridružena vrijednost istinitosti (istina/laž, true/false) P

TF

Tablica istinitosti

• Negacija, komplement – ¬P :: “Auto nije skup”

• Povezivanje sudova veznicima / logičkim operatorima– I (AND)– ILI (OR) + ( )

P ¬PT FF T

Uvjetovani sudovi

• Pravila zaključivanja– P, (P->Q), zaključak Q

• Modus Ponens (potvrđivanjem)– P, (P->Q), ne Q, zaključak ne P

• Modus Tollens (opovrgavanjem)

Modus Ponens Modus Tollens

Primjer zaključivanja

• ((P->Q) (Q->R)), zaključak (P->R)– P :: “Svi ljudi su smrtni”– Q :: “Sokrat je čovjek”– Zaključak :: “Sokrat je smrtan”

33

- Neizrazita logika i približno zaključivanje -

Pojam skupa• Skup je cijelina sastavljena od dijelova, koji se

zovu članovi ili elementi skupa

• Članovi pridruženi skupu imaju zajednička obilježja

• Prema mjeri zajedničkih obilježja neki objekt pripada ili ne pripada skupu

a ∈ Xb ∉ X

Zadavanje izrazitih skupovaNabrajanjem članova:

A = { 1, 2, 3, ... , 98, 99, 100 }

Navođenjem zajedničkog svojstva članova:

A = { x ⏐ 1 ≤ x ≤ 100 i x je cijeli broj }

Unija skupova A i B:A ∪ B = { x⏐x ∈ A ili x ∈ B }

A B

X

A B

X

Presjek skupova A i B:A ∩ B = { x⏐x ∈ A i x ∈ B }

A

X

¬ AKomplement skupa A:

¬ A = { x⏐x ∉ A }

Osnovne operacije sa skupovima

Mala Srednja Velika

170 180

1

0

Visina Mala Srednja Velika168 cm 0.8 0.3 0.0171 cm 0.4 0.7 0.0179 cm 0.0 0.7 0.4

μ

Visina [cm]

179

168

1710.8

0.3

x1 = relativno malax2 = niža srednjax3 = viša srednja

Članstvo u neizrazitom skupu

Stupanj pripadnosti elementa x neizrazitom skupu A je zadan realnom vrijednošću između 0 i 1.

Izričaju stupnja pripadnosti odgovara funkcija članstva neizrazitog skupa.

( ) [ ]1,0: →AxAμ

Neizraziti (fuzzy, n-) skupovi

Univerzalni skup X je diskretan skup:

∑=

=

+++=n

iiiA

nnAAA

xx

xxxxxxA

1

2211

/)(

/)(/)(/)(

μ

μμμ L

Univerzalni skup X je neprekidan skup:

( ) iiA xxA /∫= μ

Označavanje n-skupova (Zadeh)

-2

1

0

0 2

A

x

AμNeprekidni skup

∫ ∫−

⎟⎠⎞

⎜⎝⎛ −

+⎟⎠⎞

⎜⎝⎛ +

=0

2

2

0 22

22 xxxxA

Trokutna funkcija članstva ...

-2

1

0

0 2

A

x

AμDiskretan skup

0.5

X = { -2, -1, 0, 1, 2 }A = 0.5/-1 + 1.0/0 + 0.5/1

Trokutna funkcija članstva

Prikaz znanja neizrazitom logikom

• Znanje ekspertnog sustava izraženo pravilima općeg oblika

AKO x je A I y je B ONDA z je C

pretpostavke, premise zaključak

x, y, z - varijableA, B, C - neizraziti skupovi, brojevi

Primjer neizrazitog pravilaAKO je sobna temperatura “malo viša”I vlaga je “dosta visoka”ONDA postaviti regulator klima uređaja

u položaj “jako vlažno”

AKO x je “oko 20 stupnjeva”I y je “oko 80 %”ONDA z je “oko 8”

x: sobna temperatura (°C) A: malo višay: vlaga (%) B: dosta visokaz: položaj regulatora (0,...,10) C: jako vlažno

Metode neizrazitog/približnog zaključivanja

Metode n-zaključivanja

Izravne metode

Neizravne metode

Izvorna izravna metoda(Mamdani)

Fuzzy modeliranje(Tagaki-Sugeno)

Metoda pojednostavljenogzaključka

Mamdami-jeva metoda

A. Odrediti vrijednosti premisa pravilaB. Izvesti zaključak pojedinog pravilaC. Izvesti rezultantni zaključak

1. Pravilo: AKO x je A1 I y je B1 ONDA z je C12. Pravilo: AKO x je A2 I y je B2 ONDA z je C2

A1, A2, B1, B2, C1, C2: neizraziti skupovi

Određivanje premisa pravila (x0, y0)

Ulazne varijable x i y su konačne vrijednosti x0 i y0

Premisa 1. pravila:

Premisa 2. pravila:

)()( 001 11yxW BA μμ ∧=

)()( 002 22yxW BA μμ ∧=

x1 je A1 I ... I xm je Am

Opći slučaj - m ulaza

)()( 11 mAA xxm

μμ ∧∧L

Grafički prikaz (x0, y0)

)()( 001 11yxW BA μμ ∧=

)()( 002 22yxW BA μμ ∧=

Izvođenje pojedinačnog zaključka

Zaključak 1. pravila:

Zaključak 2. pravila:

110' )()(11

CzzWx CC ∈∀∧= μμ

220' )()(22


Grafički prikaz

110' )()(11


220' )()(22


Izvođenje rezultantnog zaključka

Rezultantni zaključak:

)()()(21 '' zzz CCC μμμ ∨=

Opći slučaj - n pravila

)()()()( ''' 21zzzz

nCCCC μμμμ ∨∨∨= L

Grafički prikaz

)()()(21 '' zzz CCC μμμ ∨=

‘Defuzifikacija’ neizrazitog skupa

• Pretvorba neizrazitog skupa u konačnu vrijednost– Težišta skupa (centroid)

– Najveća vrijednost pripadnosti n-skupu

∫∫=

dzz

zdzzz

C

C

)(

)(0 μ

μ

))(max(0 zz Czμ=

Grafički prikaz ‘defuzifikacije’

Ekspertni sustav vozila

• Logika vožnje automobila na temelju udaljenosti i brzine vožnje između vozila

• Znanje se izražava u obliku pravila zaključivanja

Pravila vožnjePravilo 1: AKO udaljenost između vozila je mala

I brzina je mala ONDA papučicu gasa pustiti (održavati brzinu).

Pravilo 2: AKO udaljenost između vozila je malaI brzina je velika ONDA pritisnuti kočnicu (smanjiti brzinu).

Pravilo 3: AKO udaljenost između vozila je velikaI brzina je mala ONDA pritisnuti papučicu gasa (povečati brzinu).

Pravilo 4: AKO udaljenost između vozila je velikaI brzina je velika ONDA papučicu gasa pustiti (održavati brzinu).

Fuzifikacija pravila vožnje

Izražavanje linguističkih pravila n-skupovima– funkcijama članstva prilagođenim okolnostima primjene

x: udaljenost između vozilay: brzina vozila

z: prilagođenje (promjena) brzine (ubrzanje)

X: {x | 0 ≤ x ≤ 40} [m]Y: {y | 0 ≤ y ≤ 100} [km/h]Z: {z | -20 ≤ z ≤ 20} [km/h2]

Zadavanje neizrazitih skupova

A1: “blizu” (udaljenost između vozila)A2: “daleko” (udaljenost između vozila)B1: “mala” (brzina)B2: “velika” (brzina)C1: “održavanje” (brzine)C2: “smanjenje” (brzine)C3: “povećanje” (brzine)

Grafički prikaz n-skupovablizu

smanj. održ.

daleko

pove.

mala velika

ubrzanje

brzinaudaljenost

Baza znanja• Pravilo 1: AKO x je A1 I y je B1 ONDA z je C1• Pravilo 2: AKO x je A1 I y je B2 ONDA z je C2• Pravilo 3: AKO x je A2 I y je B1 ONDA z je C3• Pravilo 4: AKO x je A2 I y je B2 ONDA z je C1

B1 B2

C1

A2

A1 C2

C3 C1

yx

Tablični prikaz (pravila) baze znanja

Pravilo 1

Pravilo 2

Pravilo 3

Pravilo 4

donekle smanjiti brzinu

Rezultantni zaključak

• Ako je udaljenost između vozila 15 m i brzina 60 km/h, zaključak glasi “donekle smanjiti brzinu” (“održavati brzinu” i “smanjiti brzinu”)

62

- Umjetne neuronske mreže –

• Procesni elementi u mreži su povezani na način sličanpovezanosti neurona u kori mozga.

POJAM UMJETNE NEURONSKE MREŽE

• Umjetne neuronske mreže su mreže međusobnopovezanih procesnih elemenata čije je ponašanje sličnoponašanju biološkog neurona.

• Učenje na temelju iskustva

– prilagođenje okolini promjenom ponašanja• Sposobnost poopćavanja

– neosjetljivost na male promjene ulaznih podataka• Sposobnost apstrakcije

– odjeljivanje bitnog od nebitnog• Primjenljivost

– prepoznavanje uzoraka, klasifikacija, predviđanje, identifikacija, optimizacija, prilagodljivo vođenje ...

SPOSOBNOSTI UMJETNE NEURONSKE MREŽE (2)

• Mozak je složeni sustav sa sposobnošću:

– učenja, pamćenja, sjećanja, mišljenja, rješavanja, zaključivanja, prepoznavanja, klasifikacije

• Živac (neuron) je osnovna stanica živčanog sustava kore mozga.

BIOLOŠKE OSNOVE NEURONSKIH MREŽA

Dendriti

Sinapsa Akson

Stanična jezgra

• Neuron je procesni član• Dendriti su ulazi u neuron• Akson je izlaz iz neurona• Sinapsa je prostor između neurona

– ispunjena tekućinom prijenosnika signala (neurotransmiterima) koji ubrzavaju ili usporavaju prijenos električnih signala između neurona

– prilagođenjem otpora i vodljivosti u sinapsi neuronska mreža uči i pamti

• Jezgra neurona obrađuje električne signale

ELEMENTI BIOLOŠKOG NEURONA

– Kora mozga– Sadrži približno 1010 neurona i 1013 sinapsi

koje utječu na njegovo ponašanje– Brzina obrade iznosi od 400 do 500 operacija

u sekundi– Paralelni način rada

BIOLOŠKA NEURONSKA MREŽA

– Sadrži nekoliko tisuća umjetnih neurona s manje od 106 umjetnih sinapsi

– Brzina obrade iznosi od 100 do 200 milijuna operacija u sekundi– Serijski i paralelni načini rada

UMJETNA NEURONSKA MREŽA

MODEL UMJETNOG NEURONA

∑=

=n

iiijj xwI

1)( jj Iy Φ=

Aktivacijska funkcijaΦj

Zbroj opterećenih ulazaIj

JEZGRA

NEURON j

yj

x1

x2

xi

wij

SINAPSE -TEŽINE

w1j

w2j

xn

wnjDENDRITI

AKSON

ULAZNI SIGNALI

IZLAZNI SIGNAL

• Ulazni signali– veličine kontinuiranih vrijednosti

• Težine– prilagodljive veličine– pozitivne ili negativne vrijednosti: pojačano

(ekscitacijsko) ili oslabljeno (inhibicijsko) djelovanje na ulazne signale

• Jezgra– zbrajanje opterećenih ulaznih signala– aktivacijska funkcija (prijenosna funkcija)

neurona • Izlazni signal

ELEMENTI UMJETNOG NEURONA

Logistička funkcija (sigmoid)Ie

I α−+=Φ

11)(

Izlaz Φ(I)

Ulaz I

+1

1/2

0-2-4 2 4

α = 2.0

α = 0.5

α = 1.0koeficijent strmine

OSNOVNE AKTIVACIJSKE FUNKCIJE NEURONA (3)

– Sustav za obradu podataka sastavljen, po uzoru na strukturu mozga, od velikog broja jednostavnih vrlo povezanih procesnih elemenata (umjetnih neurona).

– Procesni elementi su ustrojeni u niz slojeva s potpunim ili slučajnim vezama između slojeva.

UMJETNA NEURONSKA MREŽA

Ciljni uzorak

Uspoređivanje

Pogreška

Prilagođenje težina

NADZIRANO UČENJE

Ulazni uzorak

Neuronske mreže - Učenje mreže 2-74

SIMULACIJE UČENJA I RADA VIŠESLOJNE MREŽE

1. Pogreška lokalnog i globalnog minimuma

2. Aproksimacija funkcije


1. Pogreška lokalnog i globalnog minimuma (1)






2. Aproksimacija funkcije (1)


2. Aproksimacija funkcije: Epoha = 300, ε = 4.34526 (2)













86

- Genetski algoritmi –

Genetski algoritam

• Postupak stohastičkog pretraživanja prostora rješenja na temelju “prirodnog” izbora najsposobnijih kandidatnih rješenja

• Optimizacija umjetnih (tehnoloških, tehničkih) sustava na temelju optimizacije prirodnih sustava

Prirodni izbor

• Organizmi su prilagođeni životu u prirodi• Darwin: Teorija razvoja (evolucije)

– Prilagodbu organizama uzrokuju procesi križanja i mijenjanja gena u kromosomima

– Radi ograničenosti prirodnih bogatstava preživljavaju samo najsposobniji (selekcija)

Dijagramtokagenetskogalgoritma

Ciklus genetskog aloritma

Naraštaj i

Naraštaj (i+1)

Križanje

Mutacija

Genetski algoritam ...1. Zadavanje početne populacije

– Slučajno generiranje skupa kandidatnihkromosoma {N}

2. Utvrđivanje vrijednosti uspješnosti nizova u populaciji

– Funkcija uspješnosti mora odgovaratipostavljenom zadatku

3. Reprodukcija– Na temelju vrijednosti uspješnosti nizova u

populaciji, stvara se nova populacija nizova na koju će se primijeniti genetski operatori

Genetski algoritam4. Križanje

– Operator križanja generira nove nizove spajanjem dijelova postojećih nizova

– Slučajni izbor parova nizova i mjesta spajanja na nizovima

5. Mutacija– Slučajna izmjena vrijednosti niza

• Korake algoritma od 2 do 5 ponavljati dok nije postignuta konvergencija ili prethodno utvrđeni broj naraštaja

Reprodukcija (odabir nizova) ...

• Metoda ruleta– Vjerojatnost odabira kromosoma je

proporcionalna njegovoj vrijednosti uspješnosti

∑=

i

ii f

fp

Reprodukcija (odabir nizova) ...Kromosom Uspješnost

1 1100010101 92 0000100010 73 1000000001 64 0001100010 55 1101110101 56 0001000100 47 1111111000 38 0000000001 39 1100001000 210 1111111111 1

120%

216%

313%4

11%

511%

69%

77%

87%

94%

102%

Niz 1: Vjerojatnost odabira 20% (9/45)

Reprodukcija (odabir nizova)

• Ako se kod zamjene stare populacije novom veličina populacije ne mijenja, očekivani broj reprodukcija i-tog niza iznosi

ff

Nf

ff

fNpNn i

i

i

i

iii =

∑ ⎟⎠⎞

⎜⎝⎛

=∑⋅=⋅=

Genetski operatori (1)

• Križanje:– Dijelovi (geni) odabranih parova nizova se

premještaju tako da tvore novi par nizova. – Mjesto premještanja se slučajno izabire

11|00100|10111|00010|101

00|00100|01000|00010|010


• Mutacija:– Uvođenje novih nizova u populaciju– Slučajna izmjena jednog dijela (gena) niza– Binarno kodirani niz - komplementiranje

1010010101

1010011101


• Inverzija:– Premještanje dijela (gena) unutar niza

1|10010|0101

1|01001|0101

Primjer: Optimizacija funkcije (1)

• Pronalaženje najmanje (ili najveće) vrijednosti funkcije

• Rješenje: x = 10, y(x) = 0.5

2

2001

1011)( xxxy +−=

Primjer: Optimizacija funkcije (2)

• Slučajno generirano 5 brojeva • Binarno kodirani 5 bitnim nizovima • Izračunate vrijednosti yi(x)• Minimum funkcije; maksimum uspješnosti• Vjerojatnost izbora niza• Očekivani broj reprodukcija i-tog niza fi/f’

Primjer: Optimizacija funkcije (3)Niz Vrijednost yi(x) fi(x) fi/Sfi fi/f'x x

v1 10111 23 1.345 0.743 0.101 0.504v2 01100 12 0.520 1.923 0.261 1.304v3 10100 20 1.000 1.000 0.136 0.677v4 00110 6 0.580 1.732 0.235 1.173v5 01001 9 0.505 1.980 0.267 1.342

Zbroj 7.378 1.000 5.000Prosj. 1.476 0.200 1.000Max. 1.980 0.267 1.432

fi(x) = 1/yi(x) f’ - prosječna uspješnost populacije

Primjer: Optimizacija funkcije (4)• Primjena operatora križanja i mutacije

između slučajno odabranih nizova• Mutacija na nizu v1 mijenja vrijednost

uspješnosti niza od 1.000 na 1.471

Nova pop. xi yi(x) fi(x)

Prije mutacije 10100 20 1.000 1.000

Poslije mutacije 10000 16 0.680 1.471

Primjer: Optimizacija funkcije (5)Repro. Slučajno Mjesto Nova xiskup odabr. par. križ. pop.

*v1 101|11 2 3 10000 16

01111 15v2 01|100 5 2 01001 9

01100 12v3 1010|0 1 4 10101 21

10110 22v4 0|0110 3 1 00100 4

10110 22v5 010|01 4 3 01010 10

00101 5

* mutacija

Primjer: Optimizacija funkcije (6)xi yi(x) fi(x) fi(x)**

v1 16 0.680 1.47115 0.625 1.600** 1.600

v2 9 0.505 1.980** 1.98012 0.520 1.923** 1.923

v3 21 1.105 0.90522 1.220 0.820

v4 4 0.680 1.47122 1.220 0.820

v5 10 0.500 2.000** 2.0005 0.625 1.600** 1.600

Zbroj 14.589 9.103Prosj. 1.459 1.821Max. 2.000 2.000

Literatura

• Gold, H.: Prezentacije s predavanja (pdf), 2009• Luger, G.F.: Artificial Intelligence, Addison

Wesley, 2005.• Russell, S., Norvig, P.: Artificial Intelligence: A

Modern Approach, Prentice Hall, 2003.• Mišljenović, D., Maršić, I.: Umjetna inteligencija,

Školska knjiga, 1991.

105

Documents

Transportna logistika i inteligentni transportni sustavi · Sinapsa: je prostor između neurona – ispunjena tekućinom prijenosnika signala (neurotransmiterima) koji ubrzavaju ili