Inteligenta Artificiala: Metode de Cautare

Inteligență artificială
2. Metode de căutare
Florin Leon
Universitatea Tehnică „Gheorghe Asachi” din Iași

Facultatea de Automatică și Calculatoare
http://florinleon.byethost24.com/curs_ia.html
v2022.1
Metode de căutare
1. Rezolvarea problemelor prin căutare
2. Căutarea neinformată (oarbă)
3. Căutarea informată (euristică)
4. Concluzii
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 2

Metode de căutare
4. Concluzii

Probleme de căutare
15 puzzle Turnurile din Hanoi
Găsirea rutelor Navigarea roboților 4

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html
Probleme de căutare
 Neinformată
 Căutare în lățime: cele mai scurte căi în rețele sociale,
web crawling
 Căutare în adâncime: parcurgerea unor componente
ierarhice ordonate topologic
 Descoperirea fișierelor dintr-o structură de directoare
 Compilare inteligentă în proiecte mari, ținând seama de
dependențe: detecția ciclurilor
 Informată
 Găsirea rutelor pentru mașini, trenuri sau avioane
 Mutarea trupelor în jocuri video

Componentele unei probleme de
căutare
 Starea inițială
 Starea scop
 O mulțime de operatori sau acțiuni
 Funcția de evaluare – pentru căutarea informată
 O estimare a distanței fiecărei stări față de starea scop
 Conține cunoștințe despre fiecare problemă în parte

Formalizarea unei probleme de
căutare
 Q este o mulțime finită de stări
 S ∈ Q este starea inițială
 G  Q este o mulțime nevidă de stări scop
 succs : Q  (Q) reprezintă mulțimea de stări care pot fi
atinse dintr-o stare s într-un singur pas
 Funcția primește o singură stare ca argument și returnează
o mulțime de stări ca rezultat
 cost : Q2  ℝ+ reprezintă costul de a ajunge dintr-o stare s
într-o stare s’
 Funcția primește două stări și returnează un număr pozitiv
 cost(s, s’ ) este definită doar când s’  succs(s)

Stare Rezolvarea
inițială unei probleme
prin căutare
Soluție
Seria de Spațiul de căutare
operatori
care trans-
(spațiul problemei)
Mulțimea tuturor stărilor care
formă starea
pot fi atinse prin aplicarea
inițială într-o
operatorilor disponibili
stare scop
Stare
scop
Soluția
 O soluție este o cale care leagă nodul inițial de
oricare din nodurile scop
 Costul soluției este suma costurilor arcelor care
formează calea
 O soluție optimă este soluția de cost minim
 Unele probleme nu au soluție!
1 2 3 4 1 2 3 4
5 6 7 8 ? 5 6 7 8
9 10 11 12 9 10 11 12
13 14 15 13 15 14 1000 $
Dimensiunea spațiului de
căutare
 8-puzzle  9! = 362.880 stări
 15-puzzle  16!  2 · 1013 stări
 24-puzzle  25!  1025 stări
 Doar jumătate din aceste stări pot fi atinse dintr-o

stare dată
 Într-o abordare simplă, acest lucru nu se cunoaște
dinainte

Importanța reprezentării
 Misionarii și canibalii:
 3 misionari, 3 canibali, 1 barcă
 Barca poate duce 2 persoane
 Dacă sunt mai mulți canibali decât misionari, îi mănâncă
 Reprezentare: numărul de persoane pe primul mal și barca
 Starea inițială: (3, 3, 1)
 Starea scop: (0, 0, 0)
 5 operatori: 1C, 1M, 2C, 2M, CM
 Alternativă: persoanele individuale (27 de operatori)
 O reprezentare mai bună reduce spațiul de căutare

Presupuneri
 Mediul este static: rămâne neschimbat cu excepția efectelor
acțiunilor agentului / algoritmul
 Mediul este discret (sau discretizabil): are un număr finit de stări
 Mediul este accesibil (complet observabil): agentul / algoritmul
are informații complete și actuale despre starea mediului
 Mediul este determinist: orice acțiune are un singur efect
garantat
 Chiar dacă aceste presupuneri nu sunt satisfăcute, căutarea

rămâne o metodă importantă de rezolvare a problemelor

Stări și noduri
 O stare este o configurație a problemei
 Un nod este o structură de date în program
 Două noduri diferite pot conține aceeași

stare!

Structuri de date

Structuri de date

Metoda de căutare
 Frontiera este mulțimea tuturor nodurilor care nu
au fost încă expandate
 De obicei, frontiera este implementată ca o listă
 Ordonarea nodurilor în frontieră definește
metoda de căutare, de exemplu, tratarea listei
ca o coadă (căutare în lățime) sau ca o stivă
(căutare în adâncime)

Măsuri de performanță
 Completitudine
 Un algoritm este complet dacă găsește o soluție atunci când
există una
 Dacă nu există o soluție, algoritmul ar trebui să nu ruleze la
infinit
 Optimalitate
 Un algoritm este optim dacă returnează o soluție de cost
minim când problema are soluții
 Complexitate
 Măsoară timpul și volumul de memorie necesare algoritmului

Metode de căutare
2.1. Căutarea bidirecțională
2.2. Căutarea iterativă în adâncime
2.3. Căutarea de cost uniform
4. Concluzii

Căutarea neinformată
 Căutarea constă în explorarea alternativelor,
fără a utiliza informații specifice despre
problemă

Căutarea în lățime
 Nodurile noi sunt inserate la sfârșitul
frontierei: lista este o coadă
1
Rezultat: 1, 2, 3, 4, 5, 6, 7
2 3
4 5 6 7

Parametri importanți
 Factorul de ramificare (branching factor) al arborelui
de căutare: b
 Numărul de succesori ai fiecărei stări
 Dacă numărul nu este uniform, se poate calcula o valoare
medie
 Adâncimea (depth) celui mai superficial nod scop din

arborele de căutare: d
 Lungimea minimă a căii între starea inițială și o stare scop
(≠ cost)

Evaluarea performanțelor
 Căutarea în lățime este:
 Completă
 Optimă dacă un pas are costul 1
 Cazul cel mai defavorabil
 N = 1 + b + b2 + … + bd = O(bd)
 N este numărul de noduri generate
 Complexitatea de timp și de spațiu este O(bd)
 Cazul cel mai favorabil
 N = 1 + b + b2 + … + bd–1 + 1 = O(bd–1)
 Nu este o diferență foarte mare, performanțele sunt destul de
predictibile

Notă
 Căutarea în lățime poate rula la infinit dacă:
 Problema nu are soluții și spațiul de căutare este
infinit
sau
 Stările pot fi revizitate de mai multe ori

Căutarea bidirecțională
s
 Există două frontiere. Căutarea se termină când cozile se intersectează

 Complexitatea de timp și spațiu este O(bd/2) ≪ O(bd) dacă ambii arbori
au același factor de ramificare b
 Permite un număr dublu de niveluri față de căutarea în lățime
 Căutarea înapoi poate fi mai dificilă decât căutarea înainte (vezi
exemplul următor)
Problema cănilor cu apă:
căutare înainte
 Avem la dispoziție 2 căni de capacități diferite A și B
 Scopul este ca în cana A să rămână o cantitate
specificată de apă prin aplicarea a 6 operații posibile:
 Umple cana A (↑A)
 Umple cana B (↑B)
 Toarnă apa din cana A în cana B (A→B)
 Toarnă apa din cana B în cana A (B→A)
 Varsă cana A (↓A)
 Varsă cana B (↓B)

căutare înainte
 Arborele rezultat prin
aplicarea celor 6 operații
unei probleme concrete:
cana A are capacitatea de
4l, cana B are capacitatea
de 3l, iar în final în cana A
trebuie să se obțină un
rest de 2l

căutare înainte
 Datorită complexității,
numai primul nivel a fost
completat, în rest
urmărindu-se drumul
către soluția optimă (calea
cea mai scurtă către scop)
 Nu există o singură soluție
optimă, ea poate fi atinsă
pe două căi diferite

căutare înapoi
 Pentru a o rezolva prin căutare înapoi, trebuie să
facem unele precizări suplimentare
 Când problema este rezolvată prin căutare înainte,
în starea scop în cana B se poate găsi orice cantitate
de apă
 Când problema este rezolvată prin căutare înapoi,
starea scop trebuie fixată complet (A și B, nu doar
A), pentru că de aici începe căutarea

căutare înapoi
 Să presupunem că dorim restul
de 2l în cana A și 0l în cana B
 Nu toate cele 6 operații se vor
putea aplica pentru orice nod
 Există constrângeri, de
exemplu, dacă la un anumit
moment în cana A sunt 0l, este
imposibilă aplicarea primei
operații (umple A); ar însemna
ca după umplerea cănii, în ea
să nu existe apă, ceea ce este
absurd

Căutarea în adâncime
 Nodurile noi sunt inserate la începutul
frontierei: lista este o stivă
1
Rezultat: 1, 2, 4, 5, 3, 6, 7
2 3
4 5 6 7

 b: factorul de ramificare; d: adâncimea celui mai superficial nod scop
 m: adâncimea arborelui de căutare
 Căutarea în adâncime:
 Nu este completă deoarece poate intra în bucle infinite
 Este completă dacă nu mai expandează stările deja vizitate
 Nu este optimă
 Cazul cel mai favorabil
 Complexitatea de timp și de spațiu este O(d) – extrem de rapidă
 Cazul mediu
 Complexitatea de timp este similară cu a căutării în lățime: O(bd)
 De obicei, DFS este mai rapid decât BFS
 Complexitatea de timp este O(bm) – căutarea este lentă
 Complexitatea de spațiu este O(b ∙ m) – excelentă
Căutarea limitată în adâncime
 Căutare în adâncime cu limitare la k niveluri
 Sub această adâncime, nodurile nu mai sunt
expandate

Pseudocod

Căutarea iterativă în adâncime
 Combină avantajele căutărilor în lățime și adâncime
 Ideea de bază: pentru k = 0, 1, 2, …
 Realizează o căutare limitată în adâncime pentru limita k:
generează nodurile cu adâncime  k
 Situații posibile:
 Găsirea unei soluții
 Eșec: nu există soluție
 Căutare incompletă: nu există soluție pe nivelurile
considerate




Pseudocod

Generarea soluției

 Căutarea iterativă în adâncime este:
 Completă
 Optimă dacă un pas are costul 1
 Complexitatea de timp:
 (d + 1) ∙ 1 + d ∙ b + (d – 1) ∙ b2 + … + 1 ∙ bd = O(bd)
 Comparabilă cu a căutării în lățime, puțin mai lentă din cauza
repetițiilor
 Complexitatea de spațiu: O(b ∙ d)
 Comparabilă cu a căutării în adâncime, foarte bună

Exemple: compararea
performanțelor
 Două probleme:
 15-puzzle: b = 2,13
 Cubul Rubik: b = 13,5
 Timpul și spațiul de prelucrare
 1 milion de noduri pe secundă
 100 octeți pe nod
 Tabelele următoare prezintă cazurile cele mai defavorabile
 Pentru analiza cazurilor celor mai favorabile:
 tw : cel mai defavorabil, tb : cel mai favorabil
 Căutare în lățime (BFS), bidirecțională  tw / tb  b
 Căutare iterativă în adâncime (IDS)  tw / tb  b / 2
 Căutare în adâncime (DFS)  tw este exponențial, tb este liniar

15-puzzle: b = 2,13

Cubul Rubik: b = 13,5

Evitarea repetării stărilor
 Evitarea întoarcerii în starea din care tocmai s-a
plecat
 Starea fiului este aceeași cu starea părintelui
 Evitarea căilor cu bucle
 Starea unui nod este aceeași cu starea unui nod de pe calea
din starea inițială
 Evitarea stărilor generate anterior
 Necesită memorarea tuturor stărilor generate: complexitate
de spațiu în cazul cel mai defavorabil O(bd)

Căutarea de cost uniform
 Utilizată pentru grafuri ponderate, în care muchiile
pot avea costuri diferite
 Frontiera este ordonată după o funcție g(n) care

reprezintă costul căii de la nodul inițial la nodul
curent n
Structura de date Nod

Pseudocod

Pseudocod

Metode de căutare
3.1. Algoritmul A*
3.2. Alți algoritmi
4. Concluzii

Căutarea informată (euristică)
 Factorii de ramificare mari sunt o problemă
serioasă
 Este necesară o modalitate de a reduce numărul
de noduri vizitate
 Metodele de căutare euristică încearcă alegerea
„inteligentă” a nodurilor care trebuie expandate

Euristică
 εὑρίσκειν = a găsi, εὕρηκα/evrika = am găsit
 O euristică este o metodă care furnizează rapid o
soluție, nu neapărat optimă
 Este o metodă aproximativă, spre deosebire de un
algoritm exact optim
 Deși nu garantează găsirea soluției optime, metodele
euristice găsesc de obicei o soluție acceptabilă și
deseori chiar soluția optimă

Metode neinformate vs.
metode informate
 Metodele neinformate (oarbe)
 Nu exploatează semnificațiile stărilor pentru a ordona
nodurile din frontieră
 Exploatează doar pozițiile nodurilor în arbore
 Tratează toate problemele la fel
 Metodele informate (euristice)
 Ordonează nodurile frontierei în funcție de semnificațiile
stărilor
 Cele mai promițătoare noduri sunt plasate la începutul
frontierei
 Utilizează cunoștințe specifice fiecărei probleme

Căutarea best-first
 Evaluează cât de bun (promițător) este un nod
 Utilizează o funcție de evaluare f care atribuie
fiecărui nod n un număr real f(n)  0
 f(n) este un cost estimat
 Cu cât este mai mic f(n), cu atât este mai bun nodul n
 Căutarea best-first sortează frontiera în ordinea
crescătoare a lui f
 Pentru f egale, se poate decide în mod aleatoriu

Definirea lui f
 Funcții utilizate în general
 g(n) este costul căii de la nodul inițial la n
 Este cunoscută
 h(n) este estimarea costului căii de la n la nodul scop
 Este o estimare euristică
 Căutarea de cost uniform (neinformată)
 f(n) = g(n)
 Căutarea greedy
 f(n) = h(n)
 Căutarea A*
 f(n) = g(n) + h(n)
 Reunește ideile căutărilor de cost uniform și greedy
 Problema principală: găsirea celei mai bune funcții h
Exemplu: căutarea greedy
(Arad – București)

Căutarea greedy
 Iași – Făgăraș: prin Piatra Neamț
 Dacă se permite revizitarea stărilor, apare o buclă infinită

Caracteristicile căutării greedy
 Nu este optimă
 Nu este completă

Calitatea căutării este dată de h
 Când h = costul până la scop
 Sunt expandate doar nodurile de pe calea corectă
 Se găsește soluția optimă
 Când h < costul până la scop

 Sunt expandate noduri suplimentare
 Se găsește soluția optimă
 Când h > costul până la scop

 Se poate găsi o soluție suboptimă

Euristici admisibile
 Fie h*(n) costul căii optime de la n la nodul scop
 Funcția euristică h(n) este admisibilă dacă:
0  h(n)  h*(n)
 Dacă G este scopul, atunci h(G) = 0
 O funcție euristică admisibilă este întotdeauna
optimistă (niciodată nu supraestimează)

Căutarea A*
 f(n) = g(n) + h(n), unde:
 g(n) = costul celei mai bune căi găsite până la n
 h(n) = o funcție euristică admisibilă
 Presupunem că: p, c,  : cost(p, c)   > 0
 Între două noduri diferite există întotdeauna un cost pozitiv
 Căile infinite au cost infinit
 Folosește două liste: lista deschisă și lista închisă
 Mulțimea nodurilor din lista deschisă reprezintă frontiera,
iar cele din lista închisă, nodurile deja vizitate

Greedy vs. A*
 f(n) = g(n) + h(n)
 f(B) = 15 + 20 + 30 = 65
 f(C) = 15 +10 + 35 = 60
 Greedy alege nodul B

(h = 30)
 A* alege nodul C
(f = 60)

Structuri de date

Structuri de date

Pseudocod A* simplificat

Pseudocod A* optimizat

Pseudocod A* optimizat

67
Important: Algoritmul A* nu
expandează nodurile arborelui în
mod greedy, ci după valorile
funcției f ale nodurilor din lista
deschisă. Deoarece aceasta este
o listă de priorități, căutarea
poate „sări” dintr-un subarbore
în altul, de exemplu, Râmnicu
Vâlcea – Făgăraș. A se vedea și
exemplul următor.

Revizitarea stărilor
 Euristica h este
c=1 2 admisibilă
h = 100 1
2 Pentru acest exemplu,

1 
90 euristica ar putea fi distanța

în linie dreaptă, iar nodul cu
100 h = 1 ar putea fi lângă scop,
dar despărțit de acesta de
0 un obstacol

c=1 2
f = 1+100 2+1
h = 100 1
2
1
90 4+90
100
?
0 104
Dacă eliminăm acest nod, algoritmul

expandează nodul scop vecin și
returnează o soluție suboptimă
1 2
1+100 2+1
100 1
2
1
90 2+90 4+90
100
0 102 104
Dacă nu eliminăm nodurile care revizitează

stările, căutarea se termină cu soluția optimă

Cum funcționează A*
Iterația 1
A open list: A (0+0:0)
closed list:
1 2 expand A (0+0:0)
successor(A): B (1+100:101)
add to open list: B (1+100:101)
100 B C 1
successor(A): C (2+1:3)
add to open list: C (2+1:3)
2
1 add to closed list: A (0+0:0)
D 90
Iterația 2
open list: C (2+1:3) B (1+100:101)
100 closed list: A (0+0:0)
expand C (2+1:3)
successor(C): A (4+0:4)
E 0 skip: parent pruning
successor(C): D (4+90:94)
add to open list: D (4+90:94)
add to closed list: C (2+1:3)

Iterația 3
A open list: D (4+90:94) B (1+100:101)
closed list: A (0+0:0) C (2+1:3)
1 2 expand D (4+90:94)
successor(D): B (5+100:105)
skip: lower G in open list
100 B C 1
successor(D): C (6+1:7)
skip: parent pruning
2
1 successor(D): E (104+0:104)
D 90 add to open list: E (104+0:104)
add to closed list: D (4+90:94)
100 Iterația 4
open list: B (1+100:101) E (104+0:104)
closed list: A (0+0:0) C (2+1:3) D (4+90:94)
E 0 expand B (1+100:101)
successor(B): A (2+0:2)
successor(B): D (2+90:92)
add to open list: D (2+90:92)
add to closed list: B (1+100:101)
Iterația 5
A open list: D (2+90:92) E (104+0:104)
closed list: A (0+0:0) C (2+1:3) D (4+90:94) B (1+100:101)
1 2 expand D (2+90:92)
successor(D): B (3+100:103)
100 B C 1
successor(D): C (4+1:5)
skip: lower G in closed list (& parent pruning)
2
1 successor(D): E (102+0:102)
D 90 add to open list: E (102+0:102)
replace in closed list: D (2+90:92)
100 Iterația 6
open list: E (102+0:102) E (104+0:104)
closed list: A (0+0:0) C (2+1:3) D (2+90:92) B (1+100:101)
E 0 expand E (102+0:102)
solution: A - B - D - E

Euristici monotone
p
 O euristică h este monotonă cost(p,c)
(sau consistentă) dacă:
 p un nod și c un fiu al lui p: c h(p)
h(p)  cost(p, c) + h(c) h(c)

 O euristică monotonă este și
admisibilă (inegalitatea în triunghi)
 O euristică monotonă devine din ce în ce mai precisă

cu cât înaintează în adâncimea arborelui de căutare
 În multe cazuri (dar nu întotdeauna), monotonia
euristicii accelerează găsirea soluției, deoarece
nodurile închise nu mai sunt redeschise
Ecuația pathmax
 Ecuația pathmax: la generarea unui nod fiu c al lui p
 f(c) = max( f(p), g(c) + h(c) )
 În exemplul anterior: nodul D
 f(D) = max( f(C), g(D) + h(D) ) = max(3, 94) = 94
 f(D) = max( f(B), g(D) + h(D) ) = max(101, 92) = 101
 Ecuația pathmax face ca valorile lui f să fie monoton
nedescrescătoare pe căile traversate din arborele de căutare
 Dacă există mai multe căi prin care se poate ajunge la scop,
valorile f pot rămâne nemonotone pentru căile netraversate încă

Exemplul anterior: comparație
Fără pathmax Cu pathmax
Iterația 4 Iterația 4
open list: B (1+100:101) E (104+0:104) open list: B (1+100:101) E (104+0:104)
closed list: A (0+0:0) C (2+1:3) D (4+90:94) closed list: A (0+0:0) C (2+1:3) D (4+90:94)
expand B (1+100:101) expand B (1+100:101)
successor(B): A (2+0:2) successor(B): A (2+0:101)
skip: parent pruning skip: parent pruning
successor(B): D (2+90:92) successor(B): D (2+90:101)
add to open list: D (2+90:92) add to open list: D (2+90:101)
add to closed list: B (1+100:101) add to closed list: B (1+100:101)

Efectul euristicilor monotone

Proprietăți
 A* este complet și optim dacă nodurile care
revizitează stările nu sunt eliminate
 Timp: calitatea euristicii h scade timpul necesar
 Cazul cel mai favorabil: h este perfectă, O(d)
 Cazul cel mai defavorabil: h = 0, O(bd) ~ BFS
 Spațiu
 Cazul cel mai defavorabil: O(nS), unde nS este numărul de
stări

Cazul cel mai defavorabil
 Exemplu de caz cel mai defavorabil pentru A* cu
euristici inconsistente: familia Martelli – G5
 O(2n) expandări de noduri pentru găsirea soluției pentru
calea de la n5 la n0
În noduri: h()
Pe arce: cost()

 După expandarea lui n5 (fără pathmax), lista deschisă este:
n1 (11+0), n2 (9+3), n3 (6+7), n4 (1+13)
 Înainte de găsirea soluției, lista deschisă este: n0 (23+0), n0 (24+0),
n0 (25+0), n0 (26+0), n0 (27+0), n0 (28+0), n0 (29+0), n0 (30+0)
 Soluția: n5 - n4 - n3 - n2 - n1 - n0 , 17 noduri expandate
 Cu pathmax, după expandarea lui n5, lista deschisă este:
n1 (11+0:23), n2 (9+3:23), n3 (6+7:23), n4 (1+13:23)
 Dacă ordinea în care sunt adăugați în listă succesorii este cea mai
favorabilă (n4, n3, n2, n1), soluția este găsită doar cu 6 noduri
expandate
Optimizări
 Optimizarea listelor
 Căutarea celui mai bun nod, de fiecare dată, este ineficientă
 Lista deschisă trebuie să fie o listă sortată sau un arbore heap
 Lista închisă poate fi un tabel de hash (hashtable)
 Optimizarea spațiului de căutare
 Cel mai simplu caz: parent pruning – evitarea expandării ca
succesor a părintelui unui nod, prin care s-ar reveni în starea
imediat anterioară
 Dacă se ignoră succesorii care au o stare deja vizitată, nu se
mai garantează optimalitatea algoritmului

Optimizări
 Aplicarea pe grid, de exemplu pentru jocuri, este costisitoare.
Factorul de ramificare este mare: 4, 8 sau 6 pentru grid
hexagonal. Există foarte multe stări dacă gridul este mare
 Multe căi au aceeași lungime. A* le poate explora pe toate.
Când valorile f sunt egale, se compară după valorile h
 Altă metodă pentru departajare: se preferă căile apropiate de
linia dreaptă între starea inițială și starea scop
 h poate fi mărită puțin, devenind neadmisibilă. Dacă funcția
rezultată h’ supraestimează rareori funcția h* cu o valoare mai
mare decât v, atunci algoritmul va găsi rareori o soluție al cărei
cost este mai mare cu v decât costul optim

Algoritmul HPA*
 A* ierarhic cvasi-optim (Near-Optimal Hierarchical
Pathfinding)

Algoritmul IDA*
 Căutarea iterativă în adâncime A* (Iterative
Deepening A*)
 Principiu similar cu acela al căutării iterative în
adâncime (neinformate)
 În loc de niveluri în arbore, se folosesc contururi de
cost ale funcției f
 În cadrul unui contur, se face o căutare în adâncime

Algoritmul MM
 Algoritm euristic bidirecțional în care căutările se întâlnesc
garantat la mijloc (Bidirectional Search that Is Guaranteed
to Meet in the Middle)
 Algoritmul face două căutări similare cu A* din starea
inițială, respectiv finală, deschizând la un moment dat
nodul cu prioritatea cea mai mică din cele două cozi
 Prioritatea este definită drept: pr(n) = max(f(n), 2g(n))
 Termenul 2g împiedică nodurile să se depărteze foarte
mult de starea inițială, favorizând intersectarea la mijlocul
distanței

Crearea de euristici
 O euristică admisibilă poate fi costul soluției
optime a unei probleme relaxate prin eliminarea
constrângerilor
 De exemplu, pentru navigare:
 Distanța Manhattan corespunde
eliminării obstacolelor
 Distanța euclidiană corespunde
eliminării obstacolelor și a
constrângerilor de mișcare pe grid

Euristici pentru 8-puzzle
1 2 3
Starea
curentă 4 5 6
7 8 11 22 33
Numărul de căsuțe
diferite (fără a 44 55 66
include spațiul) 1 2 3
Starea 77 8 8
scop 4 5 6
7 8
N N N
Doar 8 este plasat diferit, deci funcția
euristică este evaluată la 1 N N N
Euristica ne spune că o soluție ar putea fi N D
găsită în (cel puțin) o mutare: h(scrt) = 1

Euristici pentru 8-puzzle
3 2 8 3 3
Starea
curentă 4 5 6 2 spații
Distanța 7 1
Manhattan (fără
a include spațiul) 8
1 2 3
Starea 3 spații
scop 4 5 6
8
7 8
1
Doar căsuțele 3, 8 și 1 sunt plasate greșit, deci
funcția euristică întoarce 8 3 spații
Euristica ne spune că o soluție ar putea fi 1
găsită în cel puțin 8 mutări: h(scrt) = 8
Total 8

Modalități suplimentare de
alegere a funcției euristice
 Abordarea maximă, cu m euristici diferite
 h(n) = max( h1(n), …, hm(n) )
 Abordarea statistică
 De exemplu, dacă în 90% din cazuri când h(n) = 14,
h*(n) = 18, atunci când valoarea lui h(n) este 14,
returnăm 18
 Complexitatea euristicii nu trebuie să afecteze
eficiența căutării

Concluzii
 Metodele neinformate nu utilizează cunoștințe
specifice fiecărei probleme și deci tratează toate
problemele la fel
 Metodele informate sau euristice utilizează cunoștințe
specifice fiecărei probleme și expandează mai întâi
cele mai promițătoare noduri
 Funcțiile euristice care direcționează căutarea pot fi
construite prin simplificarea problemei inițiale, adică
eliminarea unor constrângeri

Inteligenta Artificiala: Metode de Cautare

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Inteligenta Artificiala: Metode de Cautare

Uploaded by

Copyright:

Available Formats

Inteligență artificială

Universitatea Tehnică „Gheorghe Asachi” din Iași

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 2

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 3

15 puzzle Turnurile din Hanoi

Găsirea rutelor Navigarea roboților 4

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 5

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 6

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 7

 Doar jumătate din aceste stări pot fi atinse dintr-o

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 10

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 11

 Chiar dacă aceste presupuneri nu sunt satisfăcute, căutarea

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 12

 Două noduri diferite pot conține aceeași

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 13

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 14

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 15

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 16

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 17

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 18

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 19

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 20

 Adâncimea (depth) celui mai superficial nod scop din

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 21

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 22

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 23

 Există două frontiere. Căutarea se termină când cozile se intersectează

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 25

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 26

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 27

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 28

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 29

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 30

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 32

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 33

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 34

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 35

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 36

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 37

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 38

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 39

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 40

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 41

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 42

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 43

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 44

 Frontiera este ordonată după o funcție g(n) care

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 46

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 47

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 48

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 49

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 50

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 51

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 52

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 53

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 55

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 57

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 58

 Când h < costul până la scop

 Când h > costul până la scop

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 59

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.html 60