Professional Documents
Culture Documents
Bilim kurgudaki insan benzeri robot, ideal zeki makinedir. Bu, mantıklı
zeki programlar yapmaktan farklıdır.
Diğer Alanlar
Dünya
Algılama Eylem
Çıkarsama
Ekran Çıktısı :
CLAUSES
Ali'nin Hobileri :
hoslanir(ali,okuma). Ne=okuma
hoslanir(ali,film). Ne=film
2 Solutions
GOAL
write("Ali'nin Hobileri :"),nl,
hoslanir(ali,Ne).
01.10.2003 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 23
PROLOG (Örnek 2)
araba(marka,yol,yas,renk,fiyat).
GOAL
GOAL
CLAUSES araba(Marka,_,Yas,Renk,_)and
araba(Marka,_,Yas,Renk,_) andYas
Yas<<7.7.
araba(renault,100,5,gri,20). Marka=renault,Yas=5,
Yas=5,Renk=gri
Renk=gri
Marka=renault,
araba(opel,20.5,1,mavi,35). Marka=opel,Yas=1,
Yas=1,Renk=mavi
Renk=mavi
Marka=opel,
araba(kartal,120,15,siyah,10). 22Solutions
Solutions
CLAUSES EkranÇıktısı
Ekran Çıktısı: :
anne(sue,joe). Dede=bill,Torun=joe
Dede=bill, Torun=joe
baba(eric,joe). Dede=george,Torun=eric
Dede=george, Torun=eric
baba(john,sue). Dede=john,Torun=joe
Dede=john, Torun=joe
baba(bill,eric). 33Solutions
Solutions
baba(george,bill).
dede(De,T) :- baba(De,G), baba(G,T).
dede(De,T) if baba(De,G) and anne(G,T).
GOAL
dede(Dede,Torun).
CLAUSES
member(Name, [Name|_]).
member(Name, [_|Tail]):-
member(Name,Tail).
GOAL
member(X,[ali,veli,cemil]).
CLAUSES EkranÇıktısı
Ekran Çıktısı: :
sumlist([],0,0). Average=43
Average=43
sumlist([H|T],Sum,N):- L=[42,36,51],Sum=129,
L=[42,36,51], Sum=129,N=3,
N=3,Ave=43
Ave=43
sumlist(T,S1,N1), 11Solution
Solution
Sum=H+S1, N=1+N1.
print_countries:-
country(X),
write(X), nl, fail.
GOAL
factorial(3,X).
EkranÇıktısı
Ekran Çıktısı: :
CLAUSES
2.236067977yes
2.236067977yes
run:-
A=sqrt(5),
write(A).
GOAL
run.
EkranÇıktısı
Ekran Çıktısı: :
A=2.236067977
A=2.236067977
11Solution
Solution
f : P * -> A
Agent Çatısı :
• Input : percept
• Output : action
• Variables : internal memory
Algoritma :
1. Update-memory(percept)
2. action = Choose-best-action(memory)
3. Update-memory(action)
4. return action
8 2 1 2 3
3 4 7 4 5 6
5 1 6 7 8
3 4
8 2 5 1 6
3 4 7
5 1 6 8 2 8 2
3 4 7 3 4 7
5 1 6 5 1 6
01.10.2003 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 47
Örnek Problem 2) 8-queens Problemi
Arama Yöntemleri
• Blind Strategies (Bilgiye dayanmayan arama)
• Heuristic Strategies (Sezgisel arama)
1 2 3
1 2 3 4 5 6
STATE
4 5 7 8
N2
7 8 6 Goal state
8 2 7
Durum Uzayı
Durum Uzayı sonlu
sonlu olsa
olsa bile
bile
3 4
Arama Ağacı
Arama Ağacı sonsuz
sonsuz olabilir.
olabilir.
5 1 6
8 2 8 2 8 4 2 8 2
3 4 7 3 4 7 3 7 3 4 7
5 1 6 5 1 6 5 1 6 5 1 6
01.10.2003 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 55
Sezgisel Olmayan Arama Yöntemleri
• Breadth-First
– Bidirectional
• Depth-First
– Depth-limited
– Iterative deepening
• Uniform-Cost
2 3 2 3
4 5 6 7 4 5 6 7
1
• Düğümleri, kuyruğun sonuna ekler.
• i. Düzeydeki tüm düğümler, (i+1).
2 3 Düzeydeki tüm düğümlerden önce
açılır. BFS, hedefe ulaştıran en kısa
yolu bulmayı garantiler.
4 5 6 7
01.10.2003 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 57
Çift Yönlü Arama
Bidirectional (BF) Search
Start Goal
4 5 8 11 12
• BFS’nin benzeridir.
• Basit kuyruk yerine öncelik kuyruğu kullanır.
• Düğümler, (o ana kadar gelenler içerisinde) artan
sırada kuyruğa yerleştirilirler.
• Optimal çözümü bulmayı garantiler.
• Best-First Search
• A* Search
• IDA* (Iterative Deepening A*) Search
• SMA* (Simplified Memory-Bounded A*) Search
• Tam değildir
• Optimal değildir.
• Zaman ve Yer Karmaşıklıkları kötüdür (üstel)
• Gerçek-zamanlı Arama
• Optimizasyon Problemlerinde Arama
• CSP’de Arama
Öğrenme algoritmalarında
popülerdir.
01.10.2003 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 83
Hill Climbing : Problemleri
• Tahtanın Durumu
• Geçerli Hareketler
• Uç Durumlar
• Strateji
• Minimax’a benzer.
• Farklı olarak, arama ağacının sonuçla ilgili
olmayan dallarını budar.
• Tüm oyun ağacını açmak (alpha-beta dahil) pek
önerilmez. Bir noktada kesilip, ona göre
değerlendirilmelidir.
• Şans oyunları da, minimax algoritmasına ek
yapılarak gerçekleştirilir.