Chương 1

MỞ ĐẦU
1.1. Tổng quan về khoa học trí tuệ nhân tạo
Trong CNTT, Trí Tuệ Nhân Tạo (Artificial Intelligence) là một ngành mới,
nhưng phát triển rất mạnh mẽ và đem lại nhiều kết quả to lớn. Con người thường
tự cho mình là sinh vật thông minh vì khả năng trí tuệ đóng vai trò quan trong
trong cuộc sống. Trong văn học cũng đã từng có những câu chuyện đề cao về trí
thông minh của con người.
Trí Tuệ Nhân Tạo chỉ mới hình thành từ năm 1956. Tuy nhiên, việc nghiên
cứu trí tuệ đã có từ lâu. Trên 2000 năm trước, các nhà triết học đã tìm hiểu về cách
thức nhìn nhận, học tập, nhớ và suy lý. Việc ra đời của máy tính điện tử vào những
năm 50 của thế kỷ 20 đã sinh ra khuynh hướng đưa các lĩnh vực nghiên cứu trí tuệ
về các vấn đề lý thuyết và thực nghiệm trên máy.
1.1.1. Đối tượng và mục tiêu nghiên cứu của trí tuệ nhân tạo
+ Đối tượng nghiên cứu: Trí tuệ nhân tạo nghiên cứu về cách hành xử (hay
cơ chế của các hành vi) thông minh (intelligent behaviour) ở người và máy.
+ Mục tiêu: Xây dựng lý thuyết đầy đủ về thông minh để có thể giải thích
được hoạt động thông minh của sinh vật và áp dụng được các hiểu biết vào các
máy móc nói chung, nhằm phục vụ cho con người. (Hay nói cách khác tạo chiếc
máy tính có khả năng nhận thức, suy luận và phản ứng).
* Thế nào là máy thông minh?
Là máy vượt qua được thử nghiệm (trắc nghiệm) Turing.
* Trắc nghiệm Turing (Turing test):
Năm 1950, một nhà toán học người Anh là Alan Turing đã viết những trang
sách đầu tiên trả lời một cách cụ thể câu hỏi: trí tuệ máy có liên hệ như thế nào với
máy tính kỹ thuật số hiện đại? Liệu có thể làm cho một máy tính thực sự có khả
năng suy nghĩ hay không?
Để giải quyết những mơ hồ trong câu hỏi này, ông đã đề xuất thay thế câu
trả lời bằng kết quả của một trắc nghiệm mang tính thực nghiệm - trắc nghiệm
Turing (Turing test) hay “trò chơi bắt chước”.

1

Hình 1.1. Trắc nghiệm Turing
Trong trắc nghiệm này: một máy tính và một người tham gia trắc nghiệm
được đặt vào trong các căn phòng cách biệt với một người thứ hai (người thẩm
vấn). Người thẩm vấn không biết được chính xác đối tượng nào là người hay máy
tính, và cũng chỉ có thể giao tiếp với hai đối tượng đó thông qua các phương tiện
kỹ thuật như một thiết bị soạn thảo văn bản, hay thiết bị đầu cuối.
Người thẩm vấn có nhiệm vụ phân biệt người với máy tính bằng cách chỉ
dựa trên những câu trả lời của họ đối với những câu hỏi được truyền qua thiết bị
liên lạc này.
Trong trường hợp nếu người thẩm vấn không thể phân biệt được máy tính
với người (tức không cần ràng buộc máy làm gì, như thế nào miễn là máy đó làm
cho người thẩm vấn tưởng máy là người) thì khi đó, theo Turing, máy tính này có
thể được xem là thông minh.
* Ưu điểm của trắc nghiệm Turing:
Nó đưa ra một khái niệm khách quan về trí tuệ, tức là hành vi của một thực
thể thông minh nào đó đáp ứng lại một tập hợp các câu hỏi đặc thù. Việc này cho
chúng ta một chuẩn mực để xác định trí thông minh.
Nó tránh cho chúng ta khỏi bị lạc đường bởi những câu hỏi rắc rối và hiện
thời chưa thể trả lời được, chẳng hạn như máy tính có sử dụng những suy luận
thích hợp bên trong nó hay không? hay máy tính thực sự có ý thức được những
hành động của nó hay không?
Nó loại trừ bất cứ định kiến thiên vị nào vì bắt buộc người thẩm vấn chỉ tập
trung vào nội dung các câu trả lời.
* Như vậy::
- Về mặt kỹ thuật: Tạo ra các máy thông minh để giải quyết vấn đề thực tế
dùng các kỹ thuật AI.
- Khoa học: Phát triển các khái niệm và thuật ngữ để hiểu được các hành xử
thông minh của sinh vật.
1.1.2. Vai trò của trí tuệ nhân tạo
2

Trí tuệ nhân tạo bao quát rất nhiều lĩnh vực nghiên cứu hẹp. Nó nghiên cứu
từ các lĩnh vực tổng quát như máy nhận biết, suy luận logic, đến các bài toán như
chơi cờ, chứng minh định lý. Thường thì các nhà khoa học ở các lĩnh vực khác tìm
đến với trí tuệ nhân tạo ở các kỹ thuật hệ thống hoá và tự động hoá các xử lý tri
thức cũng như các phương pháp thuộc lĩnh vực mang tính người.
Trí tuệ nhân tạo nghiên cứu kỹ thuật làm cho máy tính có thể “suy nghĩ một
cách thông minh” và mô phỏng quá trình suy nghĩ của con người khi đưa ra những
quyết định, lời giải. Trên cơ sở đó, thiết kế các chương trình cho máy tính để giải
quyết bài toán.
Sự ra đời và phát triển của Trí tuệ nhân tạo đã tạo ra một bước nhảy vọt về
chất trong kỹ thuật và kỹ nghệ xử lý thông tin. Trí tuệ nhân tạo chính là cơ sở của
công nghệ xử lý thông tin mới, độc lập với công nghệ xử lý thông tin truyền thống
dựa trên văn bản giấy tờ. Điều này được thể hiện qua các mặt sau:
- Nhờ những công cụ hình thức hoá (các mô hinh logic ngôn ngữ, logic
mờ,...), các tri thức thủ tục và tri thức mô tả có thể biểu diễn được trong máy. Do
vậy quá trình giải bài toán được tiến hành hữu hiệu hơn.
- Mô hình logic ngôn ngữ đã mở rộng khả năng ứng dụng của máy tính
trong lĩnh vực đòi hỏi tri thức chuyên gia ở trình độ cao, rất khó như: y học, sinh
học, địa lý, tự động hóa.
- Một số phần mềm trí tuệ nhân tạo thể hiện tính thích nghi và tính mềm dẻo
đối với các lớp bài toán thuộc nhiều lĩnh vực khác nhau.
- Khi máy tính được trang bị các phần mềm trí tuệ nhân tạo ghép mạng sẽ
cho phép giải quyết những bài toán cỡ lớn và phân tán.
So sánh kỹ thuật lập trình truyền thống và kỹ thuật xử lý tri thức
trong TTNT
Truyền thống
TTNT
Xử lý dữ liệu
Xử lý tri thức
Xử lý theo các thuật toán
Xử lý theo các thuật giải Heuristics
Xử lý tuần tự theo lô

Xử lý theo chế độ tương tác cao (ngôn ngữ tự
nhiên, có giao tiếp với bên ngoài)
Không giải thích trong quá trìnhCó thể giải thích hành vi hệ thống trong quá
thực hiện
trình thực hiện
1.1.3. Các kỹ thuật trí tuệ nhân tạo
Có nhiều kỹ thuật nghiên cứu, phát triển ngành khoa học Trí tuệ nhân tạo.
Tuy vậy, các kỹ thuật Trí tuệ nhân tạo thường khá phức tạp khi cài đặt cụ thể, lý

3

do là các kỹ thuật này thiên về xử lý các ký hiệu tượng trưng và đòi hỏi phải sử
dụng những tri thức chuyên môn thuộc nhiều lĩnh vực khác nhau.
Do vậy, các kỹ thuật Trí tuệ nhân tạo hướng tới khai thác những tri thức về
lĩnh vực đang quan tâm được mã hoá trong máy sao cho đạt được mức độ tổng
quát; dễ hiểu, dễ diễn đạt thông qua ngôn ngữ chuyên môn gần gũi với ngôn ngữ
tự nhiên; dễ sửa đổi, hiệu chỉnh, dễ sử dụng, khai thác nhằm thu hẹp các khả năng
cần xét để đi tới lời giải cuối cùng.
* Các kỹ thuật Trí tuệ nhân tạo cơ bản bao gồm :
- Lý thuyết giải bài toán và suy diễn thông minh: Lý thuyết giải bài toán
cho phép viết các chương trình giải câu đố, chơi các trò chơi thông qua các suy
luận mang tính người; các hệ thống chứng minh định lý. Ngoài ra các hệ thống hỏi
đáp thông minh còn cho phép lưu trữ và xử lý khối lượng lớn các thông tin.
- Lý thuyết tìm kiếm may rủi: Lý thuyết này bao gồm các phương pháp và
kỹ thuật tìm kiếm với sự hỗ trợ của thông tin phụ để giải bài toán một cách có hiệu
quả.
- Các ngôn ngữ về Trí tuệ nhân tạo: Để xử lý các tri thức người ta không
chỉ sử dụng các ngôn ngữ lập trình dùng cho các xử lý dữ liệu số, mà cần có ngôn
ngữ khác. Các ngôn ngữ chuyên dụng này cho phép lưu trữ và xử lý thông tin ký
hiệu. Một số ngôn ngữ được nhiều người biết đến là IPL.V,LISP, PROLOG.
- Lý thuyết thể hiện tri thức và hệ chuyên gia: Trí tuệ nhân tạo là khoa
học về thể hiện và sử dụng tri thức. Mạng ngữ nghĩa, lược đồ, logic vị từ, khung là
các phương pháp thể hiện tri thức thông dụng. Việc gắn liền cách thể hiện và sử
dụng tri thức là cơ sở hình thành hệ chuyên gia.
- Lý thuyết nhận dạng và xử lý tiếng nói: Giai đoạn phát triển đầu của Trí
tuệ nhân tạo gắn với lý thuyết nhận dạng. Các phương pháp nhận dạng chính gồm:
nhận dạng hình học, nhận dạng dùng tâm lý học, nhận dạng theo phương pháp
hàm thế, dùng máy nhận dạng. ứng dụng của phương pháp này trong việc nhận
dạng chữ viết, âm thanh.
- Người máy: Cuối những năm 70, người máy trong công nghiệp đã đạt
được nhiều tiến bộ. Người máy có bộ phận cảm nhận và các cơ chế hoạt động
được nối ghép theo sự điều khiển thông minh. Khoa học về cơ học và Trí tuệ nhân
tạo được tích hợp trong khoa học người máy.
- Tâm lý học xử lý thông tin : Các kết quả nghiên cứu của tâm lý học giúp
Trí tuệ nhân tạo xây dựng các cơ chế trả lời theo hành vi, có ý thức; nó giúp cho
việc thực hiện các suy diễn mang tính người.
- Ngoài ra, xử lý danh sách, kỹ thuật đệ quy, kỹ thuật quay lui và xử lý
cú pháp hình thức là những kỹ thuật cơ bản của tin học truyền thống có liên quan
trực tiếp đến Trí tuệ nhân tạo.
4

A. Theo các mốc phát triển. Shannon.Mc Carthy. • Vào cuối những năm 70 một vài kết quả như xử lý ngôn ngữ tự nhiên. Lịch sử phát triển của trí tuệ nhân tạo Lịch sử của Trí tuệ nhân tạo cho thấy ngành khoa học này có nhiều kết quả đáng ghi nhận. do giới hạn khả năng của các thiết bị. • Vào khoảng năm 1960 tại Đại học MIT (Massachussets Institure of Technology) ngôn ngữ LISP ra đời. Simon .2. người ta thấy Trí tuệ nhân tạo được sinh ra từ những năm 50 với các sự kiện sau: • Turing được coi là người khai sinh ngành Trí tuệ nhân tạo bởi phát hiện của ông về máy tính có thể lưu trữ chương trình và dữ liệu. • Những năm 60 là giai đoạn lạc quan cao độ về khả năng làm cho máy tính biết suy nghĩ. • Vào những năm 70. chương trình trợ giúp ELIZA (có khả năng làm việc giống như một chuyên gia phân tich tâm lý). 1964: Chương trình giải phương trình đại số sơ cấp. Cụ thể: 1961: Chương trình tính tích phân bất định 1963: Các chương trình Heuristics: Chương trình chứng minh các định lý hình học không gian có tên là “tương tự”. 1966: Chương trình phân tích và tổng hợp tiếng nói 1968: Chương trình điều khiển người máy (Robot) theo đồ án “Mắt – tay”. M.1. • Thuật ngữ Trí tuệ nhân tạo được dùng đầu tiên vào năm 1961 cũng tại MIT. Minsky. Những kết quả đó đã tạo điều kiện cho sản phẩm thương mại đầu tiên của Trí tuệ nhân tạo ra đời đó là Hệ chuyên gia. máy tính với bộ nhớ lớn và tốc độ tính toán nhanh nhưng các phương pháp tiếp cận Trí tuệ nhân tạo cũ vẫn thất bại (do sự bùng nổ tổ hợp trong quá trình tìm kiếm lời giải các bài toán đặt ra). • Tháng 8/1956 J. biểu diễn tri thức và giải quyết vấn đề. • Vào những năm 60. chương trình chơi cờ của Samuel. chương trình học nói. Trong giai đoạn này người ta đã được chứng kiến máy chơi cờ đầu tiên và các chương trình chứng minh định lý tự động. bộ nhớ và đặc biệt là yếu tố thời gian thực hiện nên có sự khó khăn trong việc tổng quát hoá các kết quả cụ thể vào trong một chương trình mềm dẻo thông minh. phù hợp với các nhu cầu xử lý đặc trưng của trí tuệ nhân tạo . Newell.đó là ngôn ngữ lập trình đầu tiên dùng cho trí tuệ nhân tạo. được đem áp dụng trong các lĩnh vực khác nhau (Hệ chuyên 5 . … đưa ra khái niêm “trí tuệ nhân tạo”.

thị trường các sản phẩm dân dụng đã có khá nhiều sản phẩm ở trình đô cao như: máy giặt. các kết quả của Trí tuệ nhân tạo là cụ thể. có vẻ mâu thuẫn. suy lý. • Một sự kiện quan trọng vào những năm 70 là sự ra đời ngôn ngữ Prolog. Các hệ thống nhận dạng và xử lý ảnh. Thứ nhất là những bài toán chưa có thuật giải ( bài toán nhận biết. tri giác và cả quá trình tư duy thông qua các hành vi. giao tiếp. máy ảnh. Một số vấn đề trí tuệ nhân tạo quan tâm 1. • Phương pháp may rủi hay được dùng trong Trí tuệ nhân tạo. các đối tượng ? dùng cho suy lý. nhận biết. đặc biệt là nghiên cứu về cơ chế suy lý. * Những đặc trưng của Trí tuệ nhân tạo • Trí tuệ nhân tạo xử lý thông tin theo trật tự ký hiệu.máy đi đôi với nhận biết tự động là cần thiết trong Trí tuệ nhân tạo. Tuy vậy. luật. Khái niệm cơ bản trong Trí tuệ nhân tạo là sự thể hiện. • Những năm 90. có khả năng giải quyết những yêu cầu của người sử dụng trong một mức độ nào đó. logic học. Các thông tin gồm: khái niệm. làm rõ hơn các ngành của khoa học Trí tuệ nhân tạo và tiến hành các nghiên cứu mới. không chính xác. Những vấn đề chung Khoa học Trí tuệ nhân tạo liên quan đến cảm giác. Thứ hai là các bài toán đã có thuật giải nhưng độ phức tạp lớn ( chẳng hạn bài toán chơi cờ). ra quyết định). • Trí tuệ nhân tạo liên quan đến nhiều lĩnh vực. 1. Trí tuệ nhân tạo còn nằm trong các lĩnh vực nghiên cứu nâng cao. ngôn ngữ học. • Vào những năm 80. Nó có các định hướng nghiên cứu. tương tự LISP nhưng nó có cơ sở dữ liệu đi kèm. tiếng nói. Các bài toán nhận dạng là ví dụ về yêu cầu này. sử dụng Trí tuệ nhân tạo. như các kỹ thuật mới. • Việc tương tác người. gọi chung là cài đặt trí tuệ nhân tạo. ứng dụng sau: 6 .3.. ở một trình độ như một chuyên gia con người có kinh nghiệm khá lâu năm). việc học và hệ thống cơ sở tri thức. • Trí tuệ nhân tạo xét đến những thông tin không đầy đủ. các nghiên cứu nhằm vào cài đặt thành phần thông minh trong các hệ thống thông tin. về các mô hình tương tác.3. khoa học về tổ chức.1.. về Trí tuệ nhân tạo phân tạo. khoa học nhận biết. các đề án nghiên cứu quan trọng. thần kinh học.. Phương pháp này cho phép giải hai lớp bài toán khó.gia là một phần mềm máy tính chứa các thông tin và tri thức về một lĩnh vực cụ thể nào đó.

Những vấn đề đặt ra trong tương lai của trí tuệ nhân tạo 7 . chức năng và sử dụng công nghệ thông tin. người ta chưa thể tạo lập được các hệ thống Trí tuệ nhân tạo có khả năng tự tổ chức. đặc biệt là trong các hệ thống tin học. Những vấn đề chưa được giải quyết trong trí tuệ nhân tạo Những thành tựu nghiên cứu và ứng dụng các kỹ thuật Trí tuệ nhân tạo đã khẳng định tính thực tiễn của các dự án xây dựng máy tính có khả năng suy nghĩ. 1.Dùng ngôn ngữ tự nhiên.Hình thức hoá các khía cạnh. điều này thể hiện ưu thế của máy tính so với bộ não người vì khả năng tính toán rất lớn (nhất là trong các chương trình xử lý dữ liệu lớn). Khả năng tự tổ chức: cho tới nay. tiếp thu và chuyển hoá sang dạng có thể xử lý được. . các hành vi liên quan đến Trí tuệ nhân tạo.3. từ đó diễn giải theo cách dễ hiểu nhất. máy tính còn thua xa so với hoạt động của hệ thần kinh con người: Sự khác nhau trong hoạt động giữa máy tính và bộ não con người.. Khả năng học: mặc dù hiện nay máy tính có nhiều tính năng cao nhưng cũng không thể mô phỏng được hoàn toàn khả năng học giống bộ não con người. tự điều khiển hoạt động của nó để thích nghi với môi trường. Về cài đặt hệ thống. Xử lý song song: mặc dù công nghệ điện tử hiện đại cho phép xây dựng các bộ đa xử lý. Tuy vậy trong một số phạm vi. Ngược lại. Khả năng diễn giải: con người có thể xem xét cùng một vấn đề theo những phương pháp khác nhau. Công việc sáng tạo được thực hiện trên mô hình theo cấu trúc. sự linh hoạt này không thể mô phỏng được trong các hệ thống Trí tuệ nhân tạo. Trước hết là ngôn ngữ được dùng để thể hiện tri thức. Do vậy có thể xây dựng các bài toán mang tính người và thông minh.3. xử lý ngôn ngữ tự nhiên.3.Tìm và nghiên cứu các thủ tục giúp con người tiến hành các hoạt động sáng tạo.2. 1. . song máy tính không thể hoạt động song song như bộ não con người được. người máy và hệ chuyên gia. phân tích ảnh và hình. hiểu tiếng nói. khuynh hướng hiện tại của Trí tuệ nhân tạo là cài đặt các hệ Trí tuệ nhân tạo trong các hệ thống khác. Các hoạt động lớn trong Trí tuệ nhân tạo bao gồm: chứng minh định lý. Lôgic rời rạc và tính liên tục: một thách đố lớn với các hệ thống Trí tuệ nhân tạo là khả năng kết hợp các phương pháp xử lý thông tin trong môi trường liên tục với các thao tác xử lý thông tin rời rạc.

các phương pháp giải quyết vấn đề đối với những bài toán phụ thuộc không gian.Xác định tập đích (goals). tiếng nói. Ngày nay. . xử lý thông tin hình ảnh.Trong tương lai.Áp dụng các cơ chế suy diễn cụ thể (inference mechanisms) để đưa các sự kiện ban đầu đi đến đích. Nghiên cứu và tạo lập các hệ thống có giao tiếp thân thiện giữa người và máy trên cơ sở nghiên cứu nhận thức máy. Những nghiên cứu các chuyên gia tâm lý học nhận thức chỉ ra rằng quá trình hoạt động trí tuệ của con người bao gồm 4 thao tác cơ bản: . 8 .4. 1. tự tổ chức. xử lý thông tin liên tục và rời rạc.Thu gọn (pruning) quá trình suy luận nhằm xác định tập các suy diễn có thể sử dụng được. những nghiên cứu và ứng dụng của Trí tuệ nhân tạo tập trung vào các vấn đề lớn sau: Nghiên cứu và thử nghiệm các mạng Neuron. tổng quát hoá. . thế giới đang chuyển mình trong những nghiên cứu về Trí tuệ nhân tạo. Chắc chắn rằng máy tính với trí tuệ như con người sẽ tác động mạnh đến cuộc sống xã hội. xử lý song song.Thu thập các sự kiện (facts) và các luật suy diễn (inference rules) để đạt được đích đặt ra. Các khái niệm cơ bản Trí tuệ con người (Human Intelligence): Cho đến nay có hai khái niệm về trí tuệ con người được chấp nhận và sử dụng nhiều nhất. thời gian. đó là: * Khái niệm trí tuệ theo quan điểm của Turing: “Trí tuệ là những gì có thể đánh giá được thông qua các trắc nghiệm thông minh” * Khái niệm trí tuệ đưa ra trong tụ điển bách khoa toàn thư: “Trí tuệ là khả năng: Phản ứng một cách thích hợp những tình huống mới thông qua hiệu chỉnh hành vi một cách thích đáng. Hiểu rõ những mối liên hệ qua lại của các sự kiện của thế giới bên ngoài nhằm đưa ra những hành động phù hợp đạt tới một mục đích nào đó. . tự thích nghi. có khả năng diễn giải. thu thập và xử lý tri thức. các hệ thống Trí tuệ nhân tạo mô phỏng chức năng hoạt động của bộ não với các khả năng học. Nghiên cứu các phương pháp biểu diễn tri thức và các phương pháp suy diễn thông minh.

Khả năng xử lý các thông tin không đầy đủ.Khả năng xử lý các biểu diễn hình thức như các ký hiệu tượng trưng.Khả năng mô phỏng hành vi của con người. 9 .Các mô hình thần kinh (Mạng Neuron và giải thuật di truyền) …. có khả năng ứng dụng được. tổng quát hoá và suy diễn .Xử lý ngôn ngữ tự nhiên .Máy học . .Lý thuyết nhận dạng . . Một số chuyên ngành (lĩnh vực ứng dụng) của trí tuệ nhân tạo . .Khả năng tự giải thích hành vi.Khả năng sử dụng tri thức heuristic. nhưng cũng có thể nêu các đặc trưng chính: . không chính xác.Khả năng học.Lập kế hoạch và Người máy (Robot) .Khả năng trừu tượng hoá.Hệ chuyên gia .Các phương pháp tìm kiếm lời giải .Khả năng thích nghi tình huống mới kể cả thu nạp tri thức và dữ liệu. . . 1. . các thuật toán cần thiết để áp dụng những tri thức đó. cùng các ngôn ngữ và kỹ thuật lập trình dùng cho việc cài đặt chúng. Những nguyên lý này bao gồm: các cấu trúc dữ liệu dùng cho biểu diễn tri thức.Trí tuệ máy: cũng không có một định nghĩa tổng quat.5. . AI là một bộ phận của khoa học máy tính và do đó nó phải được đặt trên những nguyên lý. lý thuyết vững chắc.Artificial Intelligence): có thể được định nghĩa như một ngành của khoa học máy tính liên quan đến việc tự động hóa các hành vi thông minh. Trí tuệ nhân tạo (AI ..

n).1. Ví dụ 1: Bài toán đong nước Cho 2 bình có dung tích lần lượt là m và n (lit). Nó có thể là không gian liên tục. Khi giải quyết bài toán bằng phương pháp tìm kiếm. vì thế chúng ta phải có những kỹ thuật tìm kiếm áp dụng để giải quyết các vấn đề (bài toán) đó.y).0) . Một phương pháp biểu diễn vấn đề phù hợp là sử dụng các khái niệm trạng thái (state) và toán tử (operator) [Phép biến đổi trạng thái]. chẳng hạn không gian các véctơ thực n chiều. dùng 2 bình trên để đong k lit nước. danh sách). Không mất tính tổng quát có thể giả thiết k <= min(m. nó cũng có thể là không gian các đối tượng rời rạc. Phương pháp giải quyết vấn đề dựa trên khái niệm trạng thái và toán tử được gọi là cách tiếp cận giải quyết vấn đề nhờ không gian trạng thái.2. cây. phù hợp bản chất vật lý của bài toán (Có thể sử dụng các xâu ký hiệu. Mỗi trạng thái chính là mỗi hình trạng của bài toán. Mô tả trạng thái Giải bài toán trong không gian trạng thái. Tại mỗi thời điểm xác định. chúng ta thường xuyên phải đối đầu với vấn đề (bài toán) tìm kiếm.Chương 2 BIỂU DIỄN VẤN ĐỀ TRONG KHÔNG GIAN TRẠNG THÁI 2.Gọi x là lượng nước hiện có trong bình dung tích m và y là lượng nước hiện có trong bình dung tích n. trước hết phải xác định dạng mô tả trạng thái bài toán sao cho bài toán trở nên đơn giản hơn. . Đặt vấn đề Trong các lĩnh vực nghiên cứu của Trí Tuệ Nhân Tạo.Trạng thái đầu: (0. 0 ≤ x ≤ m . trước hết ta phải xác định không gian tìm kiếm bao gồm tất cả các đối tượng trên đó thực hiện việc tìm kiếm.Trạng thái cuối: (x. Với cách mô tả như vậy. 0 ≤ y ≤ n Ví dụ 2: Bài toán trò chơi 8 số 10 .k) hoặc (k. ta sẽ xét việc biểu diễn một vấn đề trong không gian trạng thái sao cho việc giải quyết vấn đề được quy về việc tìm kiếm trong không gian trạng thái.y) có thể xem là trạng thái của bài toán. Như vậy. các trạng thái đặc biệt của bài toán sẽ là: . véctơ. Với nguồn nước không hạn chế. mảng hai chiều. 2. Như vậy bộ có thứ tự (x. các tình trạng ban đầu và tình trạng cuối của bài toán gọi là trạng thái đầu và trạng thái cuối. lượng nước hiện có trong mỗi bình phản ánh bản chất hình trạng của bài toán ở thời điểm đó.

. Chẳng hạn Hình 2.Trạng thái đầu của bài toán là ma trận: 2  1 7  8 6 0 3  4 5  . A B A B c C 1 2 3 1 2 Hình 2. .Mỗi lần chỉ chuyển một đĩa. Hãy dịch chuyển n đĩa đó sang cọc thứ 3 sao cho: .3. ∀i<>k. hãy dịch chuyển ô trống sang phải-right. 3.Trong bảng ô vuông 3 hàng. mỗi ô chứa một số nằm trong phạm vi từ 1 đến 8 sao cho không có 2 ô có cùng giá trị.2 Giá trị các phần tử trong bảng xác định trạng thái bài toán.Trong mỗi cọc không cho phép đĩa to nằm trên đĩa nhỏ hơn. Ở cọc 1 ban đầu có n đĩa sắp xếp theo thứ tự to dần từ dưới lên trên. sang trái-left. 3 cột . Bài toán tháp Hà Nội (n=3) 11 3 . Ví dụ 3: Bài toán tháp Hà Nội Cho ba cọc 1. j<> l.8}. aij < > akl.2 là bảng mà ta phải thực hiện các bước di chuyển ô trống để đạt được. aij∈{0.1 trên đây là bảng xuất phát và Hình 2..Trạng thái cuối là ma trận: 1  8 7  2 0 6 3  4 5  Có thể phát biểu dạng tổng quát của bài toán này (Trò chơi n2-1 số). Xuất phát từ một sắp xếp nào đó các số trong bảng. có một ô trong bảng bị trống (không chứa giá trị nào cả. Vì vậy có thể mô tả trạng thái của bài toán bằng một ma trận A3*3= (aij).1 Hình 2. Hình 2. lên trên-up hoặc xuống dưới-down (nếu có thể được) để đưa bảng ban đầu về bảng qui ước trước. 2.

3. 2. Khi đó bộ có thứ tự (x1.. . đổ hết nước trong một bình ra ngoài. . nếu trạng thái đang xét là (x. ..y) (x. Có hai cách dùng để biểu diễn các toán tử: .y) (x.n) nếu x+y > n (x+ y. . với cách thứ nhất ta phải dùng 3 danh sách động vì số đĩa trên mỗi cọc là khác nhau trong từng thời điểm khác nhau. Theo trên. vấn đề là chọn cách mô tả nào để đạt được mục đích dễ dàng nhất. Với cách mô tả này thì: .1.y) (0. cách này mô tả bài toán hiệu quả hơn.. đổ nước từ bình này sang bình khác.Biểu diễn như một hàm xác định trên tập các trạng thái và nhận giá trị cũng trong tập này. Hay nói cách khác. nhìn qua thì khó mô tả nhưng dựa vào khái niệm về bộ có thứ tự trong toán học. i∈{1 . Thật vậy. Toán tử chuyển trạng thái Toán tử chuyển trạng thái thực chất là các phép biến đổi đưa từ trạng thái này sang trạng thái khác. Như vậy. .n) (0.0) (x.3.y) thì các trạng thái kế tiếp có thể chuyển đến sẽ là: (m. x2.Trạng thái đầu là (1.Cọc 1 hiện đang chứa những đĩa nào? Cọc 2 hiện đang chứa những đĩa nào? Và cọc 3 đang chứa những đĩa nào.3) 2..Bài toán xác định khi biết được từng đĩa đang nằm ở cọc nào. 3}.0) nếu x+y < = m (m.xn) có thể dùng làm dạng mô tả trạng thái đang xét của bài toán. .Đĩa lớn thứ i hiện đang nàm ở cọc nào? ( i = 1 … n ) Như vậy cách mô tả trạng thái bài toán không duy nhất.1) . .. Cách thứ hai. x+y-m) nếu x+y > m Ví dụ 2: Trò chơi 8 số 12 . .Biểu diễn dưới dạng các quy tắc sản xuất S? A có nghĩa là nếu có trạng thái S thì có thể đưa đến trạng thái A. có hai cách xác định: . trong đó xi∈{1.n}. Ví dụ 1: Bài toán đong nước Các thao tác sử dụng để chuyển trạng thái này sang trạng thái khác gồm: Đổ đầy một bình. nếu gọi xi là cọc chứa đĩa lớn thứ i.Trạng thái cuối là (3. . x+ y) nếu x+y < = n (x+y -n.

j0). j) = (i0+1. j0+1). i0 <3 ai0. j) nếu j0 = 1 nếu (i. j0 nếu (i. j0) và i0 <3 ai0-1. j0). Mỗi trạng thái là một bộ ba (i. j. j) ≠ (i0. j) = (i0. j0 nếu (i. giả sử ô trống đang ở vị trí (i0. j0) và (i. j0 nếu (i. j) ≠ (i0-1. j0+1) và (i. j) nếu i0 = 3 fd(aij) = aij nếu (i. j) ≠ (i0. j) ≠ (i0. có thể xác định các phép chuyển ô trống xuống dưới fd. j0). j0) và j0 > 1 nếu (i. i0 <3 fl(aij) = aij aij ai0-1. k). gọi B (B= (bij)) là trạng thái sau khi di chuyển ô trống ở trạng thái A (A= (aij)) lên trên. qua phải fr như sau: aij ∀ (i. j0). j0 > 1 aij ∀ (i. j) ≠ (i0+1. j) ≠ (i0. j0 < 3 Ví dụ 3: Bài toán Tháp Hà Nội với n=3. j0-1). nghĩa là: B= fu(A). j) = (i0. j0) (hay nói cách khác ai0 j0 = 0) thì hàm f được xác định như sau: aij ∀ (i. j0). j) = (i0. Có các trường hợp như sau: 13 . lên. j0 > 1 nếu (i. j0) và (i. j0 nếu (i. j) ≠ (i0. j0 ∀ (i. j) = (i0-1. sang trái. qua trái fl.Biểu diễn theo một hàm: Gọi hàm fu là hàm biểu diễn cho toán tử chuyển ô trống lên trên. j0 nếu (i. j) ≠ (i0. . j) = (i0. j0) và i0 >1 ai0-1. j0-1) và (i. j0 ai0. j0). j) nếu i0 = 1 fu(aij) = aij nếu (i.Biểu diễn theo quy tắc sản xuất: 1342587 6 1325487 6 1342587 6 1342568 7 . j0 < 3 ai0. j) = (i0. i0 >1 ai0. j0) và j0 < 3 ai0-1. j) nếu j0 = 3 fr(aij) = aij nếu (i. i0 >1 Tương tự. j0 nếu (i. xuống nếu có thể được. j) = (i0.Các thao tác để chuyển trạng thái tương ứng với việc chuyển ô trống sang phải.

Không gian trạng thái của bài toán Không gian trạng thái là tập tất cả các trạng thái có thể có và tập các toán tử của bài toán. 3. j. i) (i. k) (i. x3)/ xi ∈ {1. j. i. Ký hiệu: K= (T. j) (i. k) (i. Không gian trạng thái là một bộ bốn. j. i. k) (i.Ba đĩa cùng nằm trên một cọc: (i. j) (i. 14 . F xác đinh như sau: 4 T = { (x. k) (k. (j. j. i) . i. Trong đó: T: tập tất cả các trạng thái có thể có của bài toán S: trạng thái đầu G: tập các trạng thái đích F: tập các toán tử Ví dụ 1: Không gian trạng thái của bài toán đong nước là bộ bốn T. i) (i. j) (i.k) hoặc (k. G. i. i. i. 3)} F = Tập các khả năng có thể chuyển đĩa đã xác định trong phần trước. S. i) (j. i) (i. i.4. x2. 0 <= y <= n} 7 F = Tập các thao tác đong đầy. j. j) (j. i. k) (i. 1) G = {(3. j) (i.y) / 0 <= x <= m. 2. k. i. (i. F).Ba đĩa nằm trên ba cọc phân biệt: (i. đổ ra hoặc đổ sang bình khác thực hiện trên một bình. j). i. i). i) 2. Ví dụ 2: Không gian trạng thái của bài toán Tháp Hà nội với n = 3: T = { (x1. k. i. 1. i. 3} } S = (1. i) (j. j. k) (i. G.0) 6 G = { (x. j) (i. i.y) / 0 <= x <= m. i) . j. S. 0 <= y <= n } 5 S = (0.. i. j. i) (i.Hai đĩa cùng nằm trên một cọc: (i. k) (i.

2. fu. Tập hợp tất cả các trạng thái có thể đạt tới từ trạng thái ban đầu bằng cách áp dụng một dãy toán tử. Trong đó mỗi toán tử mô tả một hành động hoặc một phép biến đổi có thể đưa một trạng thái tới một trạng thái khác.. i). • Cây là đồ thị có đỉnh gốc n0∈V thoả: Một đồ thị G=(V.G là đồ thị vô hướng thì (i.nk) được gọi là đường đi từ đỉnh n1 → nk nếu ni ∈V.E) trong đó V:tập đỉnh. fd} Tìm kiếm lời giải trong không gian trạng thái là quá trình tìm kiếm xuất phát từ trạng thái ban đầu. dựa vào toán tử chuyển trạng thái để xác định các trạng thái tiếp theo cho đến khi gặp được trạng thái đích. ni+1)∈E ∀i=1.. k -1. j) hoàn toàn khác với cung (j. ..5.Trạng thái ban đầu. ta cần xác định các yếu tố sau: . E) gọi là cây nếu tồn tại một đỉnh n0∈V có những tính chất sau: 15 .k (ni. Các khái niệm • Đồ thị G = (V. fr. j) là một cạnh cũng như là (j. Như vậy. ∀i=1.5.1. • Đường đi: p = (n1.Nếu G là đồ thị có hướng thì cung (i.. E: tập cung (E⊂V*V) Chú ý: .Một tập hợp các toán tử. j)∈E thì (j.m) ∈E} được gọi là tập các đỉnh kề của n. Biểu diễn không gian trạng thái dưới dạng đồ thị 2. lập thành không gian trạng thái của vấn đề. . muốn biểu diễn một vấn đề trong không gian trạng thái.i)∈E). T(n)={m∈V/ (n. i) (tức là:(i. Ví dụ: Xét đồ thị vô hướng G1 và đồ thị có hướng G2 1 2 1 4 2 4 G1 G2 3 3 • Tập đỉnh kề: ∀n∈V.Ví dụ 3: Không gian trạng thái của bài toán trò chơi 8 số: T = { (aij)3x3 / 0<= aij <= 8 và aij <> akl với i<> j hoặc k <> l} S = Ma trận xuất phát của bài toán G = Ma trận cuối cùng của bài toán (các số nằm theo vị trí yêu cầu) F = {fl.

Có hai cách thường dùng để biểu diễn đồ thị G lưu trữ trong máy tính. 4] 16 . trong đó: aij = 1 nếu (i. ta có bảng sau: KGTT Đồ thị Trạng thái Đỉnh Toán tử Cung Dãy các trạng thái liên tiếp Đường đi 2. Ví dụ: Với đồ thị vô hướng G1 và đồ thị có hướng G2 ở trên ta có các ma trận kề sau: G1: G2: 0 1 1 1 1 0 1 1 1 1 0 0 1 1 0 0 0 1 0 0 1 0 0 0 0 1 0 1 1 1 0 0 * Biểu diễn bằng danh sách kề Với mỗi đỉnh i của đồ thị. trong đó T(n0): tập các đỉnh thuộc dòng dõi của n0 (n0 là tổ tiên của n)..3. ∃!m∈V sao cho n∈T(m). 2. .∧ ∧ .∀n∈V.. n∈T(n0). Biểu diễn đồ thị Cho đồ thị G = (V. không gian trạng thái tương ứng với một đồ thị định hướng trong đó: Các trạng thái tương ứng với các đỉnh trong đồ thị. t).E). nếu tồn tại toán tử chuyển trạng thái thì có cung (s. ta ký hiệu là List(i).n}. Để thể hiện List(i) ta có thể dùng mảng. 2. m được gọi là cha của n. Ví dụ với đồ thị G1.2.5. Biểu diễn không gian trạng thái bằng đồ thị Theo ngôn ngữ đồ thị. Để thấy rõ mối tương quan.. ta có List(1)= [2.∀n∈V. giả sử V={1. j) ∈E 0 trong trường hợp ngược lại Nếu G là đồ thị vô hướng thì ma trận kề A là ma trận đối xứng.. 3.5.. ta có một danh sách tất cả các đỉnh kề với i. * Biểu diễn bằng ma trận kề Đồ thị G được biểu diễn bởi ma trận kề A=(aij)nxn với n là số đỉnh của đồ thị. kiểu tập hợp hay kiểu con trỏ.

0) (0.1) (2.2) (3. n=2.2) (3. k=1 (0.2) (1.1) Ví dụ 2: Tháp Hà Nội với n = 3 111 (112) 112 (111) (113) (132) (133) (123) (131) (121) (122) (233) (231) (221) (222) (223) (322) (232) (323) (212) (213) (321) (313) (211) 17 (311) (331) (312) (332) (333) .0) (0.2) (1.0) (2.Ví dụ 1: Bài toán đong nước m=3.0) (3.

xuất phát từ trạng thái ban đầu. thông qua các toán tử chuyển trạng thái. để đánh giá các trạng thái.Các kỹ thuật tìm kiếm kinh nghiệm (tìm kiếm heuristic): trong đó chúng ta dựa vào kinh nghiệm và sự hiểu biết của chúng ta về vấn đề cần giải quyết để xây dựng nên hàm đánh giá hướng dẫn sự tìm kiếm. trực giác. Việc chọn chiến lược tìm kiếm cho bài toán cụ thể phụ thuộc nhiều vào các đặc trưng của bài toán. . lần lượt đến các trạng thái tiếp theo cho đến khi gặp được trạng thái đích hoặc không còn trạng thái nào có thể tiếp tục được nữa.v… * Các chiến lược tìm kiếm có thể phân thành hai loại: . . dựa vào kinh nghiệm. không phải các phương pháp này có thể áp dụng để giải quyết cho tất cả các bài toán phức tạp mà chỉ cho từng lớp bài toán. .Các kỹ thuật tìm kiếm mù: trong đó chúng ta không có hiểu biết gì về các đối tượng để hướng dẫn tìm kiếm mà chỉ đơn thuần là xem xét theo một hệ thống nào đó tất cả các đối tượng để phát hiện ra đối tượng cần tìm. ta sẽ chọn trong số các trạng 18 .Chiến lược tìm kiếm Tuy nhiên. không có một sự hướng dẫn nào cho sự tìm kiếm. người ta thường quan tâm đến các vấn đề sau: .Kỹ thuật tìm kiếm lời giải .v.Phương pháp luận của việc tìm kiếm . Đặt vấn đề Quá trình tìm kiếm lời giải của bài toán được biểu diễn trong không gian trạng thái được xem như quá trình dò tìm trên đồ thị. Có hai kỹ thuật tìm kiếm mù cơ bản.1. * Chúng ta lần lượt nghiên cứu các kỹ thuật sau: . chúng ta có thể dựa vào sự hiểu biết của chúng ta về vấn đề. đó là tìm kiếm theo bề rộng (chiều rộng) và tìm kiếm theo độ sâu (chiều sâu). Ở tìm kiếm kinh nghiệm sử dụng sự đánh giá các trạng thái để hướng dẫn sự tìm kiếm: trong quá trình phát triển các trạng thái. Khi áp dụng các phương pháp tìm kiếm trong không gian trạng thái.Các chiến lược tìm kiếm mù: Trong các chiến lược tìm kiếm này.Chương 3 CÁC PHƯƠNG PHÁP TÌM KIẾM LỜI GIẢI TRONG KHÔNG GIAN TRẠNG THÁI 3. mà ta chỉ phát triển các trạng thái ban đầu cho tới khi gặp một trạng thái đích nào đó.Tìm kiếm kinh nghiệm (tìm kiếm heuristic): Trong rất nhiều vấn đề.

nó chuyển xuống mức sau để tiếp tục … đến khi định vị được lời giải nếu có. Như vậy.Tìm kiếm với tri thức bổ sung (Heuristic Search).thái chờ phát triển. Nếu không thấy lời giải tại mức này.2.Tìm kiếm theo chiều sâu (Depth – First Search) . Kỹ thuật tìm kiếm rộng Kỹ thuật tìm kiếm rông là tìm kiếm trên tất cả các nút của một mức trong không gian bài toán trước khi chuyển sang các nút của mức tiếp theo. .TÌM KIẾM MÙ 3.1. chẳng hạn “đi từ trái sang phải”. Phương pháp tìm kiếm theo chiều rộng 3. * Các thủ tục tìm kiếm điển hình bao gồm: . (Breadth First Search) 19 . 3.2. Trong tìm kiếm kinh nghiệm: ta chọn trạng thái dựa vào sự đánh giá các trạng thái. Do đó tốc độ tìm kiếm sẽ nhanh hơn. chiến lược tìm kiếm được xác định bởi chiến lược chọn trạng thái để phát triển ở mỗi bước: Trong tìm kiếm mù: ta chọn trạng thái để phát triển theo thứ tự mà chúng được sinh ra. theo hướng dẫn của luật trọng tài.2. Các phương pháp tìm kiếm dựa vào sự đánh giá các trạng thái để hướng dẫn sự tìm kiếm gọi chung là các phương pháp tìm kiếm kinh nghiệm. Giải thuật Input: Cây/Đồ thị G = (V. trạng thái được đánh giá là tốt nhất để phát triển. A .2.Tìm kiếm cực tiểu hoá giá thành (Cost minimization Search). Kỹ thuật tìm kiếm rộng bắt đầu từ mức thứ nhất của không gian bài toán.Tìm kiếm theo chiều rộng (Breadth – First Search) .E) với đỉnh gốc là n0 (trạng thái đầu) Tập đích Goals Output: Một đường đi p từ n0 đến một đỉnh n* ∈ Goals Method: Sử dụng hai danh sách hoạt động theo nguyên tắc FIFO (queue) MO và DONG Procedure BrFS.Tìm kiếm sâu dần (Depthwise Search) .

no) DONG=null.Begin Append(MO. Đối với loại bài toán này. * Nhược điểm: • Tìm kiếm lời giải theo thuật toán đã định trước. Nếu bài toán tìm được nghiệm theo phương pháp tìm kiếm rộng có độ dài d.n0) bổ sung một phần tử vào queue MO. Độ phức tạp không gian cũng là O(kd). do vậy tìm kiếm một cách máy móc. Như vậy độ phức tạp thời gian của giải thuật là O(kd). • Đường đi tìm được đi qua ít đỉnh nhất. đỉnh đích sẽ nằm ở mức d. Ưu và nhược điểm của phương pháp tìm kiếm rộng * Ưu điểm: • Kỹ thuật tìm kiếm rộng là kỹ thuật vét cạn không gian trạng thái bài toán vì vậy sẽ tìm được lời giải nếu có. For m∈ T(n) and m∉DONG+MO do Append(MO. mỗi trạng thái khi được xét sẽ sinh ra k trạng thái kế tiếp. + kd. do đó số đỉnh cần xét lớn nhất là: 1 + k + k2 + . Write (‘Không có lời giải’). Khi đó ta gọi k là nhân tố nhánh. vì tất cả các đỉnh của cây tìm kiếm ở mức d đều phải lưu vào danh sách. m).4. . khi không có thông tin hổ trợ cho quá trình tìm kiếm. 3. • Thuận lợi khi muốn tìm nhiều lời giải.Cần nhiều bộ nhớ theo số nút cần lưu trữ. 3. Append(DONG. .3. end. n). While MO <> null do begin n:= Take(MO).2. Đánh giá độ phức tạp của giải thuật tìm kiếm rộng Giả sử rằng.2. không nhận ra ngay lời giải. phương pháp tìm rộng đối mặt với các nhu cầu: . Như vậy. 20 . • Không phù hợp với không gian bài oán kích thước lớn. End. Chú ý: Thủ tục Append(MO. Hàm Take(MO) lấy một phần tử trong queue MO. if n∈ DICH then exit.

0) (0.0) (5.0) (0.0) (4.4) (5. • Giao tiếp với người dùng không thân thiện.0) (5.3) 21 . 3.0) (5.0) (1.0) (5.1).4) Mức 3: (5. (4.4) (5.4) (1.0) (4.4) (5.0) (5.Cần nhiều công sức xử lý các nút.0) (0.0) (4.5.0) (0.4) (0.0) (0. k =3.3) (0.0) (1.4) (0.0) Mức 2: Các trạng thái (5.0) (0.1) (0.4) (4. số nút tăng.1) (5.4) (1.3) (1.4) (4.1) (0.0) (0.0) (4. n= 4.0).3) vì vậy có được lời giải như sau: (0.4) (5. có thể trình bày quá trình tìm kiếm dưới dạng bảng sau: i T(i) DONG ↑MO ↓ (0.3) (5.0) (0. nhất là khi các nhánh cây dài.3) Ở mức 5 ta gặp trạng thái đích là (5.4) (4.4) (1.4) (5. (0.4) (0.0) (5. đưa đến việc tăng đáng kể số nút phải xử lý.4) (0.0) (0.0) (5.0) (0.0) (0. .4) (4. (5.0) (1.. (1.0) (1.0) (0.3) Để có được lời giải này ta phải lưu lại vết của đường đi.4) → (4.4) (1.4) (1.4) (4.4) (0.4) (5.4) (0.4) (5.0) (5.0) Mức 4: (1.4) (0.4) (4.4) (1.0) (5.0) (0.0) (1. (4.0) (5.4) Mức 5: (0.Dễ thực hiện các thao tác không thích hợp.0) (5.4) (1.0).0)→ (0. Do duyệt qua tất cả các nút.1) (5.4) (5.1) (0. • Không hiệu qủa nếu lời giải ở sâu.0) (1.4) (5.0) (5.4) (0.0) (1.4). Các ví dụ Ví dụ 1: Bài toán đong nước với m = 5.4) (0.0) (0.4) (4.4) (1.4) (0.4) (0.4) (0.0) (5.0) (4.0) (5.4) (5.0) (5.0) (1.4).0) (5.4) (0.0) → (4. Phương pháp này không phù hợp cho trường hợp có nhiều đường dẫn đến kết quả nhưng đều sâu.4) (0.0) (4.4) (0.4) → (5.4) (1.4) (5. Mức 1: Trạng thái đầu (0. việc tìm kiếm không tập trung vào một chủ đề.2.0) (5.0) (4. thừa.0) (1.0) (0.4) (5.4) (5.1) (5.1) (4.4) (0.

4)(0.4) (0.4) (5.0) (4.Ta có thể biểu diễn dưới dạng đồ thị sau: (0.0) Mức 4 (0.0) Mức 1 Mức 2 Mức 3 (5.4) (5.0) (0.4)(0.4) Mức 5 (5.4) (0.0) (4.4)(1.0)(1.1) (0.0) (5.3) (5.4) (0.0) Đích Ví dụ 2: Bài toán trò chơi 8 số.0) (1.0)(0.4) (5.4) (0.4) (0.1) (5.4)(4.0) (1.0) (5.0) (5. Bảng xuất phát 2 8 3 1 6 4 7 5 Bảng kết thúc 1 2 3 8 4 7 6 5 Mức 1: Có một trạng thái 2 8 3 1 6 4 7 5 Mức 2: Có ba trạng thái 2 8 3 1 4 7 6 5 Mức 3: Có năm trạng thái 2 8 3 1 4 7 6 5 2 1 8 6 7 3 4 5 2 1 8 6 7 3 4 5 2 1 7 2 1 7 8 4 6 3 2 1 7 2 1 7 8 6 5 3 22 5 4 8 6 5 8 6 3 4 3 4 5 .0) (5.

Mức 4: Có mười trạng thái 8 3 2 1 4 7 6 5 2 7 8 1 6 3 4 5 8 4 6 3 5 2 1 1 8 4 7 3 5 2 1 7 1 7 2 8 6 3 4 5 2 1 7 3 8 6 3 4 5 2 6 1 8 2 1 8 6 7 2 1 7 8 6 5 3 4 2 1 7 8 6 5 3 4 Mức 5: Có 12 trạng thái 1 2 3 8 4 7 6 5 2 1 7 3 8 6 4 1 6 3 4 5 2 7 6 8 1 3 4 5 4 6 8 3 5 2 1 7 8 4 3 5 6 6 7 3 4 5 2 6 1 3 4 5 2 1 7 8 2 7 2 1 7 8 2 1 2 6 1 8 7 7 4 5 3 4 5 5 8 7 3 4 5 6 5 8 3 4 23 .

3. chẳng hạn. hướng dẫn việc tìm. Tại mỗi nút có luật trong tài. Giải thuật Input: Cây/Đồ thị G = (V. Kỹ thuật tìm kiếm sâu Tìm kiếm sâu trong không gian bài toán được bắt đầu từ một nút rồi tiếp tục cho đến khi hoặc đến ngõ cụt hoặc đến đích. giả sử đang xét đỉnh i. đến nút “sát nút cực trái”. Hành động này gọi là quay lui.. Thuật toán tìm kiếm theo chiều sâu được hình dung như việc khảo sát một cây bắt đầu từ gốc đi theo mọi cành có thể được. + Nếu với mọi đỉnh kề với i đều đã được xét thì i coi như duyệt xong và quay trở lại tìm kiếm từ đỉnh mà từ đó ta đi đến được i.Ở bước tổng quát..3. Nếu không đi tiếp được. khi gặp cành cụt thì quay lại xét cành chưa đi qua. “đi theo nút cực trái”.1. hệ thống quay lại một mức trên đồ thị và tìm theo hướng khác.2 3 2 8 3 1 8 3 1 5 6 7 5 4 7 4 Mức 6: Có 24 trạng thái 1 2 3 1 2 3 8 4 7 8 4 7 6 5 6 5 .3. Phương pháp tìm kiếm theo chiều sâu 3.. khi đó các đỉnh kề với i có các trường hợp: + Nếu tồn tại đỉnh j kề i chưa được xét thì xét đỉnh này (nó trở thành đỉnh đã xét) và bắt đầu từ đó tiếp tục quá trình tìm kiếm với đỉnh này. Ở mức này ta gặp được trạng thái đích 1 2 3 8 4 7 6 5 3. . gọi là đến ngõ cụt.E) với đỉnh gốc là n0 (trạng thái đầu) Tập đích Goals Output: Một đường đi p từ n0 đến một đỉnh n* ∈ Goals Method: Sử dụng hai danh sách hoạt động theo nguyên tắc LIFO (Stack) MO và DONG 24 . 3.2. chẳng hạn.

3. Thuận lợi khi muốn tìm một lời giải * Nhược điểm: • Tìm sâu khai thác không gian bài toán để tìm lời giải theo thuật toán đơn giản một cách cứng nhắc.4. 3. end. Ưu và nhược điểm của phương pháp tìm kiếm sâu • • • • * Ưu điểm: Nếu bài toán có lời giải. Chú ý: Thủ tục Push(MO. Do đó độ phức tạp không gian của thuật toán là O(k*d). Do cách tìm của kỹ thuật này.3.no) DONG=null. Có thể xảy ra nghiệm là đỉnh cuối cùng được xét ở mức d+1 theo luật trọng tài. Nếu chọn nút ban đầu không thích hợp có thể không dẫn đến đích của bài toán. Đánh giá độ phức tạp của thuật toán tìm kiếm sâu Giả sử nghiệm của bài toán là đường đi có độ dài d. Để đánh giá độ phức tạp không gian của thuật toán tìm kiếm sâu ta có nhận xét ràng: Khi xét đỉnh j. push (DONG. n). (Depth First Search) Begin Push (MO. 25 . m). if n∈ DICH then exit. While MO <> null do begin n:=pop (MO). con người cảm thấy hài lòng khi các câu hỏi tập trung vào vấn đề chính.3.Procedure DFS. End. Trong quá trình tìm nó không có thông tin nào hổ trợ để phát hiện lời giải. cây tìm kiếm có nhân tố nhánh là k. phương pháp tìm kiếm sâu bảo đảm tìm ra lời giải.n0) thực hiện việc bổ sung n0 vào stack MO Hàm Pop(MO) lấy phần tử đầu tiên trong Stack MO. For m∈ T(n) and m∉DONG+MO do Push (MO.3. ta chỉ cần lưu các đỉnh chưa được xét mà chúng là những đỉnh con của những đỉnh nằm trên đường đi từ đỉnh gốc đến j. kỹ thuật tìm sâu sẽ tiết kiệm thời gian. Write (‘Không có lời giải’). Khi đó độ phức tạp thời gian của thuật toán tìm kiếm theo chiều sâu trong trường hợp xấu nhất là O(kd). Kỹ thuật tìm kiếm sâu tập trung vào đích. nếu lời giải ở rất sâu. Vì vậy chỉ cần lưu tối đa la k*d.

2) (1.1) (3.1.0) (5.1.1.0) (5.2.3.2.1) (1.2.2.1)(1. Quá trình tìm kiếm có thể trình bày bằng bảng sau.2) (3.2) (3.2) (1.2) (3.2.2.2)(1.1)(1.1. với xi là cọc chứa đĩa lớn thứ i.2)(1.4) (4.3) (1.2.2.1)(1.3)(1.0) (0.0) (0.3.2.2.3.4) (4.1)(3.1.1) (1.3) (1.5.4) (4.2) → (3.2) (1.2.3) (1.1.0) (0. i T(i) DONG MO ↓↑ (0.1.1) → (3.1.3) (1.0) (5.2) (3.1) (3.2) (3.1) (3.2.2) (3.1)(1.4) (0.3)(1.3.4) (0.2)(1.2) → (3.3) (1.1.3) Lời giải tìm được: (0.2.2) (3.0) (0. Nhắc lại. x2.1)(1. Chú ý: Nếu ta chọn nhánh ưu tiên đổ đầy bình thứ hai thì sẽ tìm thấy lời giải rất nhanh.4) (5. 3.1.1. k = 3.2.2.1) (1. Các ví dụ Ví dụ 1: Bài toán đong nước với m = 5.2.1. x3) biểu diễn trạng thái bài toán.2.3.1)(1.2.4) (4.2) (1.0) (4.0) (4.3)(1.1)(1.3.2.2.2)(1.1) (1.3)(1.4) (5.2.2) (1.1.1.3) (1.3) (5.1) (3.1.1.1) (1.1)(3.0) (5.3) (1.1) (3.2) (1.4) → (5.1.2.2.3) (1.2.0) (5.1.2.4) (4.2) (1.2.1)(3.2.1.4) (0.2) (1.2)(1.2) (3. dùng bộ ba (x1.2) (3.2.2) (1.4) (4.0) (0.3) (1.2.1.4) (5.2.1) → (1.1) (3.4) (0.3) (5.2.3)(1.4) (0.0) (0.2.1.1) (1.3) (1.1) (1.• Không phù hợp với không gian bài toán lớn.2.1.3) 26 .2. n = 4.1.1.2.2) (3.0) (4.0) (5.2.3.3)(1.0) → (0.3) → (1.1.3) (1.2)(1.4) (5.2.0) (4.1) → (3.1. i T(i) DONG MO ↓↑ (1.3.1.3.2.3.1.0) (5.4) → (4.0) (0.0) (5.3) (3.2.1) (3.1.2.1) (3.0) → (4.3) (1. kỹ thuật tìm kiếm sâu có thể không đến lời giải trong khoảng thời gian vừa phải.3) Lời giải của bài toán: (1.1.1.4) (0.2.3.4) (0.2.3) Ví dụ 2: Bài toán Tháp Hà nội với n = 3.0) (0.3)(1.3)(1.2.3) → (1.1)(3.3)(1.3) (1.1)(1.

Ví dụ 3: Bài toán tìm dãy hợp lý với số hạng đầu a1 = 26 Nhắc lại: Dãy a1. Với cách tìm kiếm theo theo thuật toán một cách máy móc như vậy thì rõ ràng không bao giờ đạt được đích.. Vì vậy có thể mô tả trạng thái bài toán tương ứng với giá trj ak tại thòi điểm đang xét. a3 = 53. 2.đến độ sâu max nào đó. a2 = 52.1.an là số nguyên tố . ….4. chăng hạn: a1 = 26.Cả hai ví dụ trên.an được gọi là hợp lý nếu thoả hai điều kiện: . n0 d 27 . Quá trình trên được lặp lại với d lần lượt là 1.ak+1 = ak+1 hoặc 2*ak Như vậy. tìm kiếm theo chiều sâu đều cho lời giải tốt và nhanh. Phương pháp tìm kiếm theo chiều sâu dần 3. a2. Kỹ thuật tìm kiếm sâu dần Kỹ thuật tìm kiếm sâu dần là thực hiện việc tìm kiếm với độ sâu ở mức giưói hạn d nào đó. Trong khi chúng ta dễ dàng nhận được lời giải..4. chúng ta đều thấy. Nếu không tìm ra nghiệm ta tăng độ sâu lên d+1 và lại tìm kiếm theo độ sâu tới mức d+1. 3. và nếu sử dụng tìm kiếm theo độ sâu ta có thể mắc kẹt ở một nhánh nào đó (thuật toán không dừng) và không tìm ra nghiệm. Như vậy n =3.. Kỹ thuật tìm kiếm sâu dần thường được thực hiện khi cây tìm kiếm chứa nhánh vô hạn. khi biết ak thì ta xác định được ak+1.. Ta có thể chỉ ra một cách tìm kiếm theo chiều sâu như sau I T(i) DONG MO ↓↑ 26 26 27 52 27 52 26 52 53 104 27 53 104 26 52 104 105 208 27 53 105 208 26 52 104 208 209 416 27 53 105 209 416 26 52 104 208 ..

depth(m)=depth(n)+1. Write (‘Không có lời giải’).Có độ phức tạp không gian là O(k*d) (giống tìm kiếm sâu). n). if depth(n)<=d then For m∈ T(n) and m∉DONG do begin Push (MO. miễn là chọn max đủ lớn (giống như tìm kiếm theo chiều rộng). Thuật toán tìm kiếm sâu dần (Depth_deepening_search) sẽ sử dụng thủ tục tìm kiếm sâu hạn chế như thủ tục con: Procedure Depth_deepening_search. Đó là thủ tục tìm kiếm theo chiều sâu nhưng chỉ tới độ sâu d nào đó rồi quay lên.Luôn tìm ra nghiệm (nếu bài toán có nghiệm). End.4. Begin For d:=0 to max do Depth_limited_search(d). push (DONG. . End. Thủ tục tìm kiếm sâu hạn chế (depth_limitedsearch) Procedure Depth_limited_search(d).3. Giải thuật Thuật toán tìm kiếm sâu dần sử dụng thuật toán tìm kiếm sâu hạn chế như thủ tục con. While MO <> null do begin n:=pop (MO). . If thành công then exit. Nhận xét .4. if n∈ DICH then exit. Depth(n0)=0.Có độ phức tạp thời gian là O(kd) (giống tìm kiếm rộng). 3.Giải thuật tìm kiếm sâu dần thường áp dụng cho các bài toán có không gian trạng thái lớn và độ sâu của nghiệm không biết trước. 28 . {d là tham số độ sâu} Begin Push (MO.2. {hàm depth ghi lại độ sâu mỗi đỉnh} DONG=null. . end. m). end.no).3.

chúng ta sẽ nghiên cứu các phương pháp tìm kiếm kinh nghiệm (tìm kiếm heuristic).B . kém hiệu quả và trong nhiều trường hợp không thể áp dụng được . Chúng ta có xây dựng được hàm đánh giá cho ta sự đánh giá đúng các trạng thái thì tìm kiếm mới hiệu quả.Biểu diễn thích hợp các trạng thái và các toán tử chuyển trạng thái . ta sẽ xác dịnh một giá trị số h(u). nó có thể dẫn ta đi chệch hướng và do đó tìm kiếm kém hiệu quả. Phương pháp tìm kiếm kinh nghiệm là phương pháp tìm kiếm có sử dụng đến hàm đánh giá. Quá trình tìm kiếm trong không gian trạng thái có sử dụng hàm đánh giá bao gồm các bước cơ bản sau: . Mặc dù có sử dụng tri thức về trạng thái của bài toán để hướng dẫn tìm kiếm nhưng không phổ biến. hàm đánh giá đóng vai trò cực kỳ quan trọng. số này đánh giá “sự gần đích” của trạng thái u. Như vậy. ta có thể sử dụng kinh nghiệm.TÌM KIẾM KINH NGHIỆM VÀ TỐI ƯU (Tìm kiếm heuristic) Kỹ thuật tìm kiếm mù là phương pháp cơ bản để khai thác không gian bài toán. Hàm đánh giá được xây dựng tùy thuộc vào vấn đề.Xây dựng hàm đánh giá . đó là các phương pháp sử dụng hàm đánh giá để hướng dẫn sự tìm kiếm. Chúng đều vét cạn không gian để tìm ra lời giải theo thủ tục xác định trước. 29 . trạng thái này được xem là trạng thái có nhiều hứa hẹn nhất hướng tới đích. Ví dụ 2: Bài toán 8 số. tại mỗi bước ta sẽ chọn trạng thái để phát triển là trạng thái có giá trị hàm đánh giá nhỏ nhất. Nếu hàm đánh giá không chính xác. * Hàm đánh giá và tìm kiếm kinh nghiệm: Trong nhiều vấn đề. tri thức của chúng ta về vấn đề đó để đánh giá các trạng thái của vấn đề. Sau đây là một số ví dụ về hàm đánh giá: Ví dụ 1: Trong bài toán tìm kiếm đường đi trên bản đồ giao thông. Với mỗi trạng thái u. Hàm h(u) được gọi là hàm đánh giá. ta có thể lấy độ dài của đường chim bay từ một thành phố tới một thành phố đích làm giá trị của hàm đánh giá.Thiết kế chiến lược chọn trạng thái ở mỗi bước Hàm đánh giá Trong tìm kiếm kinh nghiệm. Trong quá trình tìm kiếm.

Kỹ thuật tìm kiếm tốt nhất đầu tiên (Best First Search) 3. 6 và 1.1.Chúng ta có thể đưa ra hai cách xây dựng hàm đánh giá.5.Hàm h2: Gọi h2(u) là là tổng khoảng cách giữa vị trí của các quân trong trạng thái u và vị trí của nó trong trạng thái đích (khoảng cách được hiểu là số lần dịch chuyển ít nhất theo hàng hoặc cột để đưa một quân ở vị trí của hiện tại tới trạng thái đích). 30 .Tìm kiếm tốt nhất đầu tiên = Tìm kiếm theo bề rộng + Hàm đánh giá . Có thể xác định các chiến lược này như sau: . .Tìm kiếm leo đồi = Tìm kiếm theo độ sâu + Hàm đánh giá 3. thì h1(u) = 4. 8. nút có trọng số nhỏ (lớn) nhất sẽ được chọn trong quá trình tìm kiếm. Giá trị này được xem xét trong lúc tìm kiếm. Tìm kiếm tốt nhất đầu tiên khác với tìm kiếm theo chiều rộng ở chỗ: . Thông thường.5. Kỹ thuật tìm kiếm tốt nhất đầu tiên Sử dụng hàm đánh giá để hướng dẫn việc tìm kiếm.Trong tìm kiếm theo chiều rộng ta lần lượt phát triển tất cả các nút ở mức hiện tại để sinh ra các nút ở mức tiếp theo. quân 6 cần ít nhất 1 dịch chuyển và quân 1 cần ít nhất 3 dịch chuyển). . . Hàm này dùng các thông tin hiện tại về mức độ quan trọng của bài toán tại nút đó để gán giá trị cho nút này.Còn trong tìm kiếm tốt nhất đầu tiên ta chọn nút để phát triển là nút tốt nhất được xác định bởi hàm đánh giá (tức là nút có có trọng số nhỏ (lớn) nhất sẽ được chọn). nút này có thể ở mức hiện tại hoặc ở các mức trên. vì các quân không đúng vị trí là 3. quân 8 cần ít nhất 3 dịch chuyển. Tìm kiếm kinh nghiệm Hai chiến lược tìm kiếm kinh nghiệm quan trọng nhất là tìm kiếm tốt nhất đầu tiên (Best-First Search) và tìm kiếm leo đồi (Hill-Climbing Search). Ta có: h2(u)=2+3+1+3= 9 (vì quân 3 cần ít nhất 2 dịch chuyển. gọi là trọng số của nút.Hàm h1: Với mỗi trạng thái u thì h1(u) là số quân không nằm đúng vị trí của nó trong trạng thái đích.

5. . tăng dần của hàm đánh giá (hay for j ∈ T(i) do trọng số) Push(MO. 3. {theo thứ tự của hàm đánh giá} end.3. trong đó trạng thái ban đầu là A.Quá trình tìm kiếm có thể đi xa khỏi lời giải. end.2. Ưu và nhược điểm của phương pháp tìm kiếm tốt nhất đầu tiên * Ưu điểm: . Kỹ thuật này chỉ xét một phần của không gian và coi đó là phần hứa hẹn hơn cả. 31 .Phương pháp tìm kiếm tốt nhất đầu tiên tổ hợp các ưu điểm của phương pháp tìm kiếm rộng và tìm kiếm sâu.5. * Nhược điểm: .Ưu điểm chủ yếu của phương pháp tìm kiếm tốt nhất đầu tiên là dùng tri thức để dẫn dắt việc tìm kiếm. Giá trị của hàm đánh giá là các trọng số ghi cạnh mỗi nút. Giải thuật Dữ liệu tương tự như giải thuật tìm kiếm rộng và sâu. Do đó có thể thấy rõ đường đi hơn tìm kiếm rộng và tìm kiếm sâu. while MO <> null do begin i := Pop(MO). sử dụng danh sách MO để lưu các đỉnh sẽ xét. {Best First Search} Begin Push(MO. Sort(MO). if i ∈ Goals then danh sách MO được sắp theo thứ tự exit. trạng thái kết thúc là B. 3.5.3.j). Procedure BFS.n0). write(‘Khong co loi giai’). .4. Ví dụ Xét không gian trạng thái được biểu diễn bởi đồ thị trong hình sau.Tìm kiếm tốt nhất đầu tiên tuân theo cách suy lý của một chuyên gia. Tri thức này giúp người ta bắt đầu từ đâu là tốt nhất và cách tốt nhất để tiến hành tìm lời giải.

6.Trong số các nút chưa được phát triển C. K.Trong số các nút chưa được phát triển thì G tốt nhất.6. nó được chọn để phát triển và sinh ra các đỉnh G. Đến đây ta đã đạt tới trạng thái kết thúc.2. . Vấn đề quan trọng là biết khai thác khéo léo thông tin phản hồi để xác định hướng đi tiếp và đẩy nhanh quá trình tìm kiếm. I thì nút E có giá trị đánh giá nhỏ nhất. Tuy nhiên phương pháp này không được cải thiện so với các phương pháp khác trong một số trường hợp sau: 32 . 3. khi phát triển một đỉnh u thì bước tiếp theo ta chọn trong số các đỉnh con của u. Thông thường ta gán mỗi trạng thái của bài toán với một số đo (hàm đánh giá) nào đó nhằm đánh giá mức độ gần đích của nó. .Đầu tiên phát triển nút A sinh ra các nút kề là C. nó được chọn để phát triển và sinh ra F. Song khác với tìm kiếm theo độ sâu. Trong ba nút này. Nhận xét phương pháp tìm kiếm leo đồi Phương pháp tìm kiếm leo đồi chú trọng tìm hướng đi dễ dẫn đến trạng thái đích nhất.* Quá trình tìm kiếm tốt nhất đầu tiên diễn ra như sau: . đỉnh có hứa hẹn nhiều nhất để phát triển. đỉnh này được xác định bởi hàm đánh giá. F. nút D có giá trị hàm đánh giá nhỏ nhất. I. D và E. phát triển G sinh ra B. Phương pháp tìm kiếm leo đồi (Hill-Climbing Search) 3.6. Điều đó có nghĩa là nếu trạng thái hiện thời là u thì trạng thái v sẽ được phát triển tiếp theo nếu v kề với u và hàm đánh giá của v đạt giá trị max (hoặc min). Kỹ thuật tìm kiếm leo đồi Tìm kiếm leo đồi là tìm kiếm theo độ sâu được hướng dẫn bởi hàm đánh giá. Kết quả: 3. E.1. H.

sử dụng danh sách MO để lưu các đỉnh sẽ xét. Hàm đánh giá h(n) đối với mỗi đỉnh n. đỉnh xuất phát n0. Giải thuật Input: Đồ thị G = (V. if T(i) ∩ DICH <> null then begin L:= null. while MO <> null do begin i = Pop(MO). end.6. trong đó trạng thái ban đầu là A. 3. Giải pháp này đòi hỏi ghi nhớ lại nhiều đường đi. end.Cực trị địa phương: nút đang xét tốt hơn các nút lân cận. Output: Đường đi từ đỉnh n0 đến DICH.Cao nguyên bằng phẳng: Các giá trị của các phương án như nhau. ví vậy có thể phải quay lui về nút trước để đi theo hướng khác. nhưng đó không phải là phương án tốt nhất trong toàn thể.n0)..6.3. . {Hill Climbing Search} begin Push(MO. Procedure HLC. 33 . không xác định được ngay hướng nào là tốt hơn trong vùng lân cận. chuyển danh sách L vào đầu danh sách MO. Giá trị của hàm đánh giá là các trọng số ghi cạnh mỗi nút. Tập đỉnh đích DICH. 3. for j ∈ T(i) do if j chưa xét then đưa j vào danh sách L sắp xếp L theo thứ tự hàm đánh giá. Dữ liệu tương tự như giải thuật tìm kiếm sâu. trạng thái kết thúc là B.E). write(‘Khong co loi giai’). Các ví dụ Ví dụ 1: Xét không gian trạng thái được biểu diễn bởi đồ thị trong hình sau.4.

và nó sinh ra các đỉnh con B.* Quá trình tìm kiếm leo đồi diễn ra như sau: Đầu tiên phát triển đỉnh A sinh ra các đỉnh con C. Cây tìm kiếm leo đồi được cho trong hình dưới đây: Ví dụ 2: Bài toán trò chơi 8 số Trạng thái được chọn đi tiếp ở hướng mũi tên. nếu ta chọn phương án kia thì chắc chắn quá trình tìm kiếm sẽ khác đi nhiều. Quá trình tìm kiếm kết thúc. G. Ở mức 3 chúng ta thấy có hai trạng thái cùng giá trị hàm đánh giá (h = 3). Minh hoạ cây tìm kiếm cho trò chơi này theo giải thuật leo đồi với hướng chọn như sau: 34 . Đây là trương hợp “cao nguyên băng phẳng” như nhận xét trên. E. D. Trong các đỉnh này chọn D để phát triển.

ni+1 ) ký hiệu c(u) với u= (ni.1.7. Tìm kiếm đường đi có giá thành cực tiểu . ni+1)∈E 35 .Thuật giải AT 3. E) biểu diễn bài toán với đỉnh xuất phát n0 và tập đích DICH xác định.7. Đặt vấn đề Cho đồ thị G= (V. Với mỗi phép chuyển trạng thái ni→ni+1 tốn chi phí c(ni.2 1 7 8 6 3 4 5 h(u) = 4 2 1 8 3 6 4 7 5 h(u) = 5 2 8 3 1 4 7 6 5 h(u) = 3 2 8 3 1 6 4 7 5 h(u) = 5 2 8 3 1 4 7 6 5 h(u) = 3 2 3 1 8 4 7 6 5 h(u) = 3 2 8 3 1 4 7 6 5 h(u) = 4 2 3 1 8 4 7 6 5 h(u) = 2 2 3 1 8 4 7 6 5 h(u) = 4 1 2 3 8 4 7 6 5 h(u) = 1 1 8 7 2 6 3 4 5 3.

E). m )∈E Dùng 2 danh sách MO.Nếu c(u ) = k (const ) ∀u ∈ E thì c( p) → m ⇔ i #np → m ⇒i n Dùng phương pháp tìm kiếm theo chiều rộng. m)} ( n .7. ta có: g (m) = min { g (n) + c (n. { Dùng g0(n) là chi phí cực tiểu của đường đi từ đỉnh xuất phát đến đỉnh n tại thời điểm đang xét và xem như hàm g} Begin g(n0):= 0.j) ∈ E Tập các đỉnh đích DICH Output: Đường đi từ đỉnh n0 đến đỉnh n* ∈ DICH sao cho g(n*) = c(p) = min{g(n)| n∈DICH}. Procedure AT. Đỉnh xuất phát n0 Hàm chi phí c: E → R+ c(i. DONG như trên. khi đó bài toán có thể phát biểu như sau: * Tìm đường đi từ đỉnh n0 → nk ∈ DICH sao cho: g (nk ) = min { g (n) / n ∈ DICH } g ( n0 ) = 0 Lúc đó. 3. Thuật giải AT Input: Đồ thị G = (V.j) chính là độ dài của đường nối thành phố i với thành phố j. * Phương pháp giải .2.c(u) ni ni+1 * Vấn đề: n* ∈ DICH sao cho Tìm đường đi p: n0 c ( p ) = ∑c (u ) → min u∈p (Giá của đường đi là tổng giá các cung tham gia vào đường đi và vấn đề là tìm đường đi có giá min). giá của cung (i. Tại mỗi thời điểm chọn đỉnh n trong MO ra xét là đỉnh thoả. push(MO. Độ dài đường đi được xác định là tổng độ dài các cung trên đường đi.Gọi g(n) là giá của đường đi cực tiểu từ đỉnh n0 đến n. Vấn đề đặt ra là tìm đường đi ngắn nhất từ trạng thái ban đầu đến trạng thái đích. Chẳng hạn trong bài toán tìm đường đi trong bản đồ giao thông. While MO<>null do 36 . n0).j): xác định chi phí chuyển từ đỉnh i sang đỉnh j với (i. .

begin g ( n) := min g ( m) m∈MO if n∈DICH then exit {xay dung duong di cuc tieu} push(DONG.K} A 5 4 2 B E 3 F 1 G C 9 H D 1 I 2 K Có thể trình bày quá trình tìm kiếm bằng bảng dưới đây. n). Các ví dụ Ví dụ 1: 8 n0=A DICH={F. 3. g(m):=g(n)+c(n. if T(n) <>null then for m∈T(n) do if m∉MO+DONG then begin push(MO. End. writeln(‘Khong co duong di’). cha(m):=n.m) then begin g(m):=g(n)+c(n. cha(m):=n.3. end.m). Ký hiệu giá trị g(n) là chỉ số dưới tương ứng đỉnh n: ng(n) i T(i) MO A0 DONG 37 . end else if g(m) >g(n)+c(n.7.m). end.m).

1.1.1) = 0.1. Chi phí của đường đi là 14. Khi xét đỉnh (1. DICH = {G} A 5 B 7 6 3 1 C 4 4 8 E 2 i T(i) A C B D E F G BCD ABEFD ACE ACFG BCF CDEG MO A0 B5 C3 D6 B4 D6 E7 F11 D6 E7 F11 E7 F9 G15 F9 G15 G14 F D 9 3 5 G DONG A AC ACB ACBD ACBDE ACBDEF Đường đi tìm được p: A → D → F → G.A C D G I B K BCD G HI K EF B8 C4 D5 B8 D5 G5 B8 G5 H14 I6 B8 H14 I6 B8 H14 K8 H14 K8 E10 F11 A AC ACD ACDG ACDGI ACDGIB Lời giải của bài toán là A → D → I → K và chi phí của đường đi tìm được là 8 Ví dụ 2: n0 = A.1) ta có các đỉnh kề và chi phí tương ứng : 38 . Ví dụ 3: Bài toán Tháp Hà Nội .1).với chi phí chuyển đĩa như sau: Chi phí chuyển đĩa nhỏ giữa 2 cọc gần 1 Chi phí chuyển đĩa nhỏ giữa 2 cọc xa 3 Chi phí chuyển đĩa vừa giữa 2 cọc gần 2 Chi phí chuyển đĩa vừa giữa 2 cọc xa 5 Chi phí chuyển đĩa lớn giữa 2 cọc gần 4 Chi phí chuyển đĩa lớn giữa 2 cọc xa 8 Xuất phát từ đỉnh (1. ta có g(1.

2. 3. g(1. + h0(n) là ước lượng (dự đoán) chi phí đường đi từ đỉnh n đến đích (hay là giá trị ước lượng dựa trên sự khai thác thông tin của nút hướng tới tương lai). người ta sử dụng hàm đánh giá heuristic như sau: .2.1. g(3. chọn đỉnh (1. Đối với việc tìm kiếm đường đi với chi phí cực tiểu.g(1.2) có giá trị hàm g: g(1. Trong đó: + g0(n) là chi phí của đường đi từ đỉnh xuất phát đến đỉnh n tại thời điểm đang xét (hay là giá trị ước lượng dựa trên sự khai thác thông tin kinh nghiệm quá khứ). Việc chọn giá trị xấp xỉ h0(n) của h(n) không có một phương pháp tổng quát và được xem như một nghệ thuật. lại chọn đỉnh (1. Đặt vấn đề Đối với nhiều bài toán.2) = 1. Tại đỉnh n. Để làm giảm không gian tìm kiếm ta dựa vào heuristic để ước lượng giá trị các nút.1.3) = 3.1. .1) = 3 +1 = 4 (được tính lại). Tìm kiếm đường đi cực tiểu . g(n) xác định được.2. Giá trị chính xác chỉ biết được khi ta đến đích tức giải xong bài toán.1) Cứ tiếp tục như vậy cho đến khi xét đỉnh (3.2) = 5.3. chọn đỉnh (1.1.2) được chọn Các đỉnh kề của (1.1.2.3).Gọi g(n): giá cực tiểu đường đi từ n0→n.2) g(1.2. chọn đỉnh (1.8. như vậy đỉnh (1. 39 .2.8.3). Chỉ số “0” ám chỉ đây là giá trị ước lượng chứ không phải giá trị chính xác.Gọi h(n): giá cực tiểu đường đi từ n→DICH. Ta chú ý h0(n) càng lớn thì càng tốt.Thuật giải A* 3.2) = 3 + 8 = 11.1. Đặt f0(n)=g0(n)+h0(n): dự đoán chi phí cực tiểu của đường đi từ n0→DICH có đi qua đỉnh n.3) = 2. h(n) không xác định được ⇒ người ta tìm cách ước lượng giá trị này.1) = 2 + 3 = 5. việc tìm kiếm đường đi cực tiểu sẽ được định hướng tập trung xung quanh đường đi tốt nhất. chi phí của các đỉnh kề với nó: g(1. ta lại tính tiếp giá trị hàm g của các đỉnh kề với đỉnh này: g(1.3). nếu sử dụng các thông tin đặc tả về bài toán gọi là các heuristic.2) = 2 + 1 = 3.3) được tính lại).2. tức là khai thác nhiều thông tin về trạng thái hiện tại hướng tới tương lai.1.3) = 2 (ở đây giá của đỉnh (1. g(1.1. g(1.3.2. giá trị này sẽ do các chuyên gia đưa ra.

h0=0: phương án tồi nhất).E).Tuy nhiên người ta CM được rằng thuật toán A* chắc chắn dừng khi h0(n) <= h(n) (h0=h: phương án tốt nhất. Đỉnh xuất phát n0 Hàm chi phí c: E → R+ c(i. Lúc này giải thuật tìm kiếm cực tiểu sẽ thay việc xét hàm g (như đã biết mục trước) bởi hàm f. tính f(m).j) ∈ E h: V → R+. n0). cha(m):=n. cha(m):=n. While MO<>null do begin f ( n) := min f (m) m∈MO if n∈DICH then exit {xay dung duong di cuc tieu} push(DONG. end. n). end.2. writeln(‘Khong co duong di’). (ký hiệu h thay cho h0. push(MO.j): xác định chi phí chuyển từ đỉnh i sang đỉnh j với (i. h(n) xác định dự đoán chi phí tối ưu của đường đi từ đỉnh n đến đích. if T(n) <>null then for m∈T(n) do if m∉MO+DONG then begin push(MO. 3. Thuật giải A* Input: Đồ thị G = (V. end else if fmới(m) > fcũ(n) then begin f(m):= fmới(m). 40 . (tương tự g)) Tập các đỉnh đích DICH Output: Đường đi từ đỉnh n0 đến đỉnh n* ∈ DICH Procedure A* .8. Begin g(n0):= 0.m).

End. 3. f(H) = 15 + 10 = 25. H) = 7 + 8 = 15. Trong số các đỉnh cho phát triển. thì đỉnh E với đánh giá f(E) = 19 là đỉnh tốt nhất. Phát triển D.3. Tính giá trị của hàm f tại các đỉnh này ta có: g(C) = 9. KL: A  D  E  I  B 41 .8. g(D) = 7. f(F) = 20 +7 = 27 Như vậy đỉnh tốt nhất là D (vì f(D) = 13 là nhỏ nhất). g(F) = 20. D. Phát triển đỉnh này. E và F. các số ghi cạnh các cung là độ dài đường đi. Quá trình tìm kiếm trên được mô tả bởi cây tìm kiếm sau. trạng thái đích là B. trong đó các số cạnh các đỉnh là các giá trị của hàm đánh giá f. phát triển đỉnh A sinh ra các đỉnh con C. các số cạnh các đỉnh là giá trị của hàm h Đầu tiên. Ta đánh giá H và E (mới): g(H) = g(D) + Độ dài cung (D. Vậy đỉnh E mới có đánh giá là f(E) = g(E) + h(E) = 11 + 8 = 19. f(C) = 9 + 15 = 24. Đường đi tới E qua D có độ dài: g(E) = g(D) + Độ dài cung (D. ta nhận được các đỉnh con H và E. ta nhận được các đỉnh con của nó là K và I. Chúng ta tiếp tục quá trình trên cho tới khi đỉnh được chọn để phát triển là đỉnh kết thúc B. Các ví dụ Ví dụ 1: Trạng thái ban đầu là trạng thái A. E) = 7 + 4 = 11. độ dài đường đi ngắn nhất tới B là g(B) = 19. f(E) = 13 + 8 = 21. f(D) = 7 + 6 = 13 g(E) = 13.

Tính f(F) = 14. D. E. (đưa A vào danh sách DONG) ta có các đỉnh kề B. H. f(E) = 18. f(H) = 17. f(B) = 15. chọn E. g(D) = 7. chọn đỉnh C. có các đỉnh kề A. D. Trước tiên đỉnh A được đưa vào danh sách MO g(A) = 0. Tính lại f(H) = 15 và dừng. Các đỉnh kề của B là F. G.Ví dụ 2: Cho đồ thị biểu diễn bài toán và giá trị dự đoán h0 như sau: n A B C D E F G H h0(n) 14 10 10 5 5 4 4 0 B A 5 3 3 G H F C 4 7 12 7 2 D 6 E 5 2 3 Tìm đường đi từ đỉnh A đến đỉnh H. Đỉnh A đã ở trong danh sách DONG.E) + H(E) = 7 + 6 + 5 = 18. chọn B. f(E) = g(D) +c(D. G. E. 42 . f(G) không đổi. Đường đi tìm được là p: A  C  E  G  H với chi phí đường đi là 15. C. Xét đỉnh D (đưa D vào danh sách DONG) có các đỉnh kề A. C. h(A) = 14. B và f(B). chọn G. Các đỉnh kề của F là E. Các đỉnh kề của E là C. f(A) = 14 Xét đỉnh A. chọn F. f(D) = 12  chọn đỉnh D. f(C) = 13. F. g(C) = 3. Tính lại f(E) = 12. D: g(B) = 5. ta tính lại f(C) và tính f(E): f(C) không thay đổi. f(G) = 16.

0)(1.0) (1.0) (0. ngước lại. g: là độ dài mức đường đi từ nút gốc tới n Ta có thể biểu diễn dưới dạng đồ thị sau: g=0 (4.0) (4.3) (0. 1 bình dung tích 3 lít.3) (1. d.9.3) h=2 (4. Với phương pháp này nếu bài toán có lời giải thì sẽ đưa đến đích.2) h=2 (0. 43 .0) h=0 (0.1)(4.0) (0. .Trước hết tạo ra một giải pháp. và loại trừ trước các hướng không dẫn đến lời giải.0) (3.3) (4.3) (0. bởi vậy. nếu lời giải đạt được thì dừng.3)(0. e.Thứ hai. Làm thế nào để bình 4 có 2 lít. thử xem lời giải đó có thích hợp không bằng cách so sánh phương án khác hay so sanh với điểm cuối cần suy diễn. .3)(0. f <= 9. b.0)(3.Ví dụ 3: Cho 1 bình dung tích 4 lít. c.Tiếp theo.0) (4.3) h=0 (4. c.0)(3.0)(0.3) (4.3)(4.0) (2.0) h=2 h=2 h=1 h=1 (0.0) Đích Đích 3. d.2)(0. Phương pháp sinh và thử Chiến lược này đơn giản.3) (1. gồm ba bước: .3) h=2 g=1 g=2 g=3 g=4 g=5 g=6 (4. Trong vài bài toán cụ thể đó là việc chọn một lời giải trong không gian các lời giải hay tạo ra một đường đi.3) (2.1) (0. Bài toán trở thành (4.0)(2. e.2)(4. Giai đoạn sinh: tạo ra số có 6 chữ số và ta gọi các chữ số từ trái qua phải lần lượt là a.3)(0. không thể không tính đến chỉ một vài hướng đi được cảm nhận là tốt.3)(0. và cũng hy vọng ngẫu nhiên mà đạt được lời giải. Tuy nhiên kích thước bài toán lớn sẽ tăng khối lượng tính toán. Việc tạo lời giải ban đầu có thể thực hiện ngẫu nhiên.0) h=2 (4. f thì 0 < a <= 9 . Ví dụ 1: Tìm số có 6 chữ số mà tổng bình phương các chữ số chia hết cho3.3) h=1 h=1 (4.0)(4.3) (0.3) h=2 (4.3)(3.y) Cho h: độ lệch của mức nước hiện có trong bình 4lít so với đích (2lít). lặp lại từ bước đầu với nút khác.1) h=2 (4. 0 <= b.

e) Áp dụng các luật biến đổi không gian trạng thái tương ứng để tạo ra lời giải bộ phận. sang bước sau. nếu đúng là dương tính thì kết luận và điều trị bệnh lao phổi. Ví dụ 2: Một bệnh nhân có một vài triệu chứng. người ta sẽ cho làm ngay xét nghiệm. * Ví dụ: Xét bài toán điền các chữ số phân biệt thay cho các chữ cái S. O. .Tìm kiếm trong không gian các bài toán ban đầu. Mục đích đặt ra là xác định đường đi trong đồ thị không gian bài toán.Giai đoạn thử: nểu a*a + b*b + c*c + d*d + e*e + f*f chia hết cho 3 thì chon. a) Chọn một đỉnh chưa được xét trong đồ thị tìm kiếm.Các ràng buộc số học (cộng có nhớ hoặc không có nhớ. chẳng hạn: sốt cao về buổi chiều. Do vậy quá trình tìm kiếm lời giải bao gồm hai phần liên quan chặt chẽ với nhau: . Ngược lai. Y sao cho phép cộng sau là đúng: SEND MORE MONEY Các ràng buộc ban đầu: . bắt buộc bác sĩ phải chuyển hướng suy nghĩ sang một bệnh khác. đường đi từ trạng thái đầu đến trạng thái cuối đáp ứng một vài ràng buộc nào đó. v. D. M. Phương pháp thoả mãn ràng buộc Phương pháp thoả mãn ràng buộc hỗ trợ cho phương pháp sinh và thử.Các chữ cái khác nhau không nhận cùng một giá trị. ngược lai.10. E. tạo ra số khác. R. Thêm các lời giải bộ phận này vào đồ thị tìm kiếm. c) Nếu tập các ràng buộc mới có mâu thuẫn thì đưa ra thông báo đường đi hện thời tới nút đang xét dẫn tới bế tắc.v… 3. . N. khi chú ý tới một số ràng buộc áp đặt lên các nút trong không gian bài toán. Bác sĩ có chẩn đoán nghi bị lao phổi. ho và mệt mỏi . Nội dung của phương pháp như sau: Thực hiện các bước từ a) đến e) dưới đây cho đến khi tìm được lời giải đày đủ của bài toán hoặc tất cả các đương đều đã duyệt qua nhưng không cho kết quả.…. b) Áp dụng các luật suy diễn trên các ràng buộc đối với đỉnh đã chọn để tạo ra tập các ràng buộc mới.Tìm kiếm trong không gian các ràng buộc. ngược lại. Giải 44 . tương hợp với tập các ràng buộc hiện thời. d) Nếu tập ràng buộc mô tả lời giải đầy đủ của bài toán thì dừng và đưa ra thông báo thành công.

suy ra S = 8 và O = 0 (10-2) (vì M=1 và S <= 9).Gọi C1. R. N= 6.1} (3) D + E = Y + 10*C1 (4) N + R + C1 = E + 10*C2 (5) E + O + C2 = N + 10*C3 (6) S + M + C3 = O + 10*C4 (7) M = C4 (8) Từ ràng buộc (2) (3) và (8) suy ra M = 1 và C4=1 (9) Từ ràng buộc (7) và (9) suy ra S +C3 = O + 9.. 7}. Y = 2. 5. Ngoài ra D + E >= 12. Từ ràng buộc (6) ta có E + C2 = N +10 45 . Từ ràng buộc (11-1) suy ra N=7 = D mâu thuẫn.9} (1) S. Từ ràng buộc (11-1) ta suy ra N = 8 mâu thuẫn với (12-1) nên bị loại. Từ ràng buộc (11-1) ta suy ra N= 6. C4 lần lượt lá số nhớ của các cột từ phải sang trái. Y chỉ có thể nhận trong tập {2.D = 7 và E = 6 (hai trường hợp sau Y = 3) Xét khả năng thứ nhất. Từ ràng buộc (11-1) suy ra N = 8 mâu thuẫn với (12-1). C4 thuộc tập {0. E = 5. C2. Y thuộc tập {0 . 4. O = 0. M thuộc tập {1. như vậy S = 9 và O = 0 (10-1) Từ ràng buộc (6) ta có E + C2 = N. ta có R + C1 = 9. Xét khả năng thứ ba. N. 3. Đến bước này ta có thể khẳng định các giá trị của D. D = 7.D = 7 và E = 5 (hai truờng hợp này Y = 2) . Xét khả năng thứ hai.D = 6 và E = 7 . Từ ràng buộc (7) ta có S = O + 8. Vậy ta có nghiệm là: S = 9.9} (2) C1. Kiểm tra điều kiện bài toán đều thoả mãn. 6. Phương án 2: C3 = 1. khi đó ta có S = O + 9. Xét khả năng thứ tư. suy ra C2 = 1 và E+1=N (11-1) Từ ràng buộc (5). Khi đó ta xây dựng các ràng buộc cụ thể như sau: E.O.. C3. Từ ràng buộc (4) ta có D + E = Y +10.D = 5 và E = 7 . R = 8. C3. lúc này có hai phương án để lựa chọn: Phương án 1: C3 = 0. Vì vậy chỉ có các khả năng sau có thể xảy ra: . D. C2. M= 1. như vậy R = 8 và C1 = 1 (12-1) (do kết hợp với các ràng buộc (2) (3) và (10-1)). E.

Vậy phương án 2 không có lời giải. C2=0 thì E=N+10 mâu thuẫn với ràng buộc (1).C2=1 thì E= N+9 mâu thuẫn với ràng buộc (1) và (10-2). 46 .

2 ∫ x(lnx+x )d x ∫ x3dx ∫ xlnxdx ∫ xdx Hình 4.v… để đưa tích phân cần tính về tích phân của các hàm số sơ cấp mà chúng ta đã biết cách tính. tách ra các bài toán con. Trong chương này chúng ta sẽ nghiên cứu một phương pháp luận khác để giải quyết vấn đề. Quá trình trên có thể biểu diễn bởi đồ thị trong Hình 4. chúng ta thường sử dụng các quy tắc tính tích phân: tích phân của tổng. Đối với tích phân trên. Áp dụng quy tắc tích phân từng phần ta đưa tích phân ∫ xlnx về tích phân ∫ xdx. dựa trên việc quy vấn đề về các vấn đề con.1. 47 . quá trình này tiếp tục đối với các bài toán con cho đến khi gặp các bài toán sơ cấp (bài toán có lời giải ngay).1. Ví dụ 1: Xét bài toán tính tích phân ∫ x(ln x + x 2 )dx . các tích phân cơ bản là các trạng thái kết thúc. Ví dụ 2: Bài toán tìm đường đi trên bản đồ giao thông. Thông thường để tính tích phân bất định. quy tắc tích phân từng phần hay các phép biến đổi v. Đặt vấn đề Trong chương 2. Ý tưởng chủ yếu là xuất phát từ bài toán ban đầu.Chương 4 TÌM KIẾM LỜI GIẢI TRÊN ĐỒ THỊ VÀ/HOẶC 4. áp dụng quy tắc tích phân của tổng ta đưa về hai tích phân ∫ xlnxdx và tích phân ∫ x3dx.1 Trong bài toán tích phân. Khi đó việc tìm lời giải của bài toán được quy về việc tìm đường đi trong không gian trạng thái. chúng ta đã nghiên cứu việc biểu diễn bài toán thông qua các trạng thái và các toán tử.

trong đó mỗi trạng thái ứng với một thành phố. bởi vì đã có đường nối A với C. 48 . Mỗi một trong hai bài toán trên lại có thể phân nhỏ như sau: 1) Bài toán tìm đường đi từ A đến B qua E được quy về: 1. 2) Bài toán tìm đường đi từ A đến B qua G được quy về: 2. mỗi toán tử ứng với một con đường. hoặc từ D đến E. Ở đây mỗi bài toán tìm đường đi từ một thành phố tới một thành phố khác ứng với một trạng thái. Quá trình rút gọn vấn đề như trên có thể biểu diễn dưới dạng đồ thị (đồ thị và/hoặc) trong hình sau.2 Tìm đường đi từ G đến B. chẳng hạn từ A đến C.1 Tìm đường đi từ A đến G (và) 2.1 Tìm đường đi từ A đến E (và) 1. Có con sông chảy qua hai thành phố E và G và có cầu qua sông ở mỗi thành phố đó. Các trạng thái kết thúc là các trạng thái ứng với các bài toán tìm đường đi.Bài toán này đã được phát biểu như bài toán tìm đường đi trong không gian trạng thái. Như vậy bài toán tìm đường đi từ A đến B được quy về: 1) Bài toán tìm đường đi từ A đến B qua E (hoặc) 2) Bài toán tìm đường đi từ A đến B qua G. Giả sử ta cần tìm đường đi từ thành phố A tới thành phố B.2 Tìm đường đi từ E đến B. nối thành phố này với thành phố khác.. nối D với E. Mọi đường đi từ A đến B chỉ có thể qua E hoặc G. Bây giờ ta đưa ra một cách biểu diễn khác dựa trên việc quy vấn đề về các vấn đề con.

..2..4.. ngoài ra giữa các cung này cũng có đường nối với nhau... Đồ thị này được xây dựng như sau: Mỗi bài toán ứng với một đỉnh của đồ thị.. E) được gọi là đồ thị VÀ/HOẶC nếu ∀n ∈V . ta có biểu diễn như hình 4. nk n được gọi là đỉnh VÀ (n⇔ n1∩.2 Một cách hình thức ta có thể định nghĩa đồ thị và/hoặc như sau: Đồ thị G = (V.... Cách biểu diễn như sau: n n1 n2 . A A1 B1 A2 B2 Hình 4.∩ nk ) 49 . nk n được gọi là đỉnh HOẶC (n⇔ n1 ⇔...⇔ nk) n n1 n2 .. Chẳng hạn.2. Đồ thị Và/Hoặc Không gian trạng thái mô tả việc quy vấn đề về các vấn đề con có thể biểu diễn dưới dạng đồ thị định hướng đặc biệt gọi là đồ thị và/hoặc. giả sử bài toán A được đưa về hai bài toán tương đương A1 và A2.. Nếu một toán tử quy bài toán về các bài toán con thì cũng có các cung nối từ bài toán xuất phát đến các bài toán con.. Nếu có một toán tử quy bài toán về các bài toán tương đương thì sẽ có các cung đi từ bài toán xuất phát đến các bài toán tương đương đó. Bài toán A1 lại được quy về hai bài toán con B1 và B2. T(n) hoặc các bài toán con của n (n gọi là các đỉnh VÀ) hoặc là tập các bài toán tương đương với n (n gọi là đỉnh HOẶC).

. ⇒∃i ∈(1.Bài toán n được gọi là giải được nếu: + hoặc n là đỉnh kết thúc + hoặc T(n)={n1.Bài toán n được gọi là không giải được nếu: + hoặc n là đỉnh lá và n không phải là đỉnh kết thúc.∀n ∈V ' . ⇒∃i ∈(1.. k ..Khi đó để giải bài toán n ta phải tìm đồ thị con của G là một cây có gốc là đỉnh xuất phát n sao cho mọi đỉnh trên đồ thị con này đưa về được các bài toán sơ cấp (đỉnh kết thúc).. Nhận xét: Gọi VA: tập các đỉnh VÀ VO: tập các đỉnh HOẶC • Nếu VA= ∅ ⇒ tìm lời giải trên đồ thị biểu diễn bằng không gian trạng thái Khi đó: . • Ta có sự tương quan: Phân rã bài toán Đồ thị Và/Hoặc Bài toán Chuyển bài toán thành các bài toán con Bài toán sơ cấp Các bài toán con phụ Các bài toán con độc lập Giải bài toán Đỉnh Cung Đỉnh cuối Đỉnh VÀ Đỉnh HOẶC Tìm đồ thị con lời giải bài toán 4...Đỉnh gốc (xuất phát) n0 ∈V ' .. nk}và nếu n là đỉnh HOẶC không giải được... n2.3.. + hoặc T(n)={n1.. nk} và nếu n là đỉnh HOẶC giải được. k ) sao cho nj • Để tìm lời giải của bài toán khi được phân rã về đồ thị VÀ/HOẶC không phải tìm đường đi mà phải đi tìm đồ thị con gọi là đồ thị con lời giải (hay cây lời giải) Cây lời giải là đồ thị con G’ của G thoả: . ngược lại ni giải được ∀i =1... n giải được. ngược lại ni không giải được ∀i =1.. k ... k ) sao cho ni . Các phương pháp tìm kiếm lời giải trên đồ thị Và/Hoặc 50 . n2.

nếu đỉnh đầu giải được thì kết thúc công việc. Nếu đỉnh đang xét không phải là đỉnh kết thúc và nó là đỉnh lá.Tìm kiếm cây lời giải có giá nhỏ nhất. Begin 51 . Các quá trình này khác hẳn với các quá trình lựa chọn trong không gian trạng thái.Sau khi lựa chọn mô tả bài toán và các toán tử quy bài toán về bài toán con. trong trường hợp ngược lại thì tiếp tục xét các nút. chúng ta phải tiến hành tìm kiếm đồ thị lời giải. . Thay cho việc tìm kiếm đỉnh thoả mãn điều kện đích. ở những thời điểm nhất định. Tương tự như trong không gian trạng thái. ta có thể xây dựng đồ thị Và/hoặc để giải quyết bài toán ban đầu hoặc chứng tỏ tính không giải được của nó. Begin If <n so cap> then giaiduoc:=true else if T(n)<>null then if T(n)⊂VA then giaiduoc = and ( giaiduoc ( m)) m∈T ( n ) else giaiduoc = or ( giaiduoc ( m)) m∈T ( n ) else giaiduoc:=false. ngược lại. ta cung có các phương pháp sau: . Do đó. Cũng như đồ thị trong không gian trạng thái. Lúc này phải kiểm tra đỉnh đầu có phải không giải được hay không. End. Sự khác biệt chủ yếu là do việc kiểm tra tính kết thúc của quá trình tìm kiếm và các phương pháp sắp xếp và lựa chọn đỉnh để xét phức tạp hơn nhiều. Function khonggd(n):boolean.Tìm kiếm theo chiều rộng. chúng ta xây dựng các hàm kiểm tra một đỉnh n nào đó tại thời điểm đang xét có giải được hay không giải được không? Function giaiduoc(n):boolean. ta phải kiểm tra xem đỉnh đầu có giải được hay không. tức là đỉnh không giải được. đồ thị và/hoặc có thể cho dưới dạng tường minh hoặc không tường minh trên cơ sở toán tử xây dựng.Tìm kiếm theo chiều sâu. Trước khi tìm kiếm lời giải trong đồ thị VÀ/HOẶC. nếu đúng thì dừng. tiếp tục tìm kiếm.. . Các phương pháp tìm kiếm trên đồ thị và/hoặc khác nhau chủ yếu ở phương pháp lựa chọn và sắp xếp đỉnh trước khi tháo chúng.

52 . End.If T(n)<>null then if T(n)⊂VA then khonggd = or ( khonggd ( m)) m∈T ( n ) else khonggd = and ( khonggd ( m)) m∈T ( n ) else if <T(n) khong so cap> then khonggd:=true else khonggd:=false. MO). While MO<>null do begin n:=pop(MO). Begin Push(n0. write(‘Khong ket luan’). MO). end. * Ví dụ: Phương pháp tìm kiếm chiều rộng Procedure TKR. if T(m)=null then if giaiduoc(m) then if giaiduoc(n0) then exit else for k∈MO do if giaiduoc(k) then MO:=MO-[k] Else If khonggd(m) then If khonggd(n0) then Exit Else For k∈MO do if khonggd(k) then MO:=MO-[k] end. End. push(DONG. n). if T(n)<>null then for m ∈T (n) do begin push(m.

F CDF AB C G DFG ABC D H*. D BCD A B E*. C. I FGI ABCD F J GIJ ABCDF G K0 IJ ABCDFG I L* Dừng Cây lời giải ở hình sau: A D H* I L* (Xem thêm các ví dụ khác trong tài liệu tham khảo…) 53 .3. Quá trình tìm kiếm lời giải của đò thị trên bằng phương pháp tìm kiếm rộng có thể trình bày ở bảng sau n T(n) MO DONG A A B. A E* B C F G J M* D H* K I L* N O* Hình 4. Ví dụ. Xét đồ thị Hình 4.3 Các đỉnh kết thúc là các đỉnh đánh dấu *.* Nhận xét: Nếu tồn tại cây lời giải thì thủ tục tìm kiếm rộng sẽ dừng và cho kết quả là cây lời giải có độ cao nhỏ nhất.

Ví dụ: Phát biểu: “Chiếc xe hơi kia màu đỏ”. ). Mệnh đề . Phát biểu: "1+1=2" (có giá trị đúng). phủ định (¬ . các kết luận logic rất cần ngay cả trong cách tiếp cận dựa trên không gian trạng thái và quy bài toán về bài toán con. phép kéo theo (⇒. Phát biểu: “Nước thì ướt”. Logic mệnh đề 5.1. có thể chứng tỏ rằng một bài toán nào đó có thể giải được hay không?. Các ký hiệu mệnh đề biểu thị các mệnh đề (proposition) hay các phát biểu về thế giới thực mà giá trị của chúng có thể là đúng hoặc sai.1. Logic hình thức thường dùng để thu gọn quá trình tìm kiếm lời giải trước khi giải quyết vấn đề. . trong các phương pháp dựa trên không gian trạng thái. b. a. chẳng hạn như chứng minh một khẳng định nào đó là đúng khi biết những tiền đề ban đầu và các luật suy diễn.2.Chương 5 BIỂU DIỄN BÀI TOÁN NHỜ LOGIC HÌNH THỨC Trong chương này sẽ trình bày phương pháp biểu diễn vấn đề nhờ logic hình thức và các phương pháp giải quyết vấn đề trên cách biểu diễn này. ≡ .Tất cả các ký hiệu mệnh đề và ký hiệu chân lý đều là câu (sentences): true... 54 . P.chân trị (truth symbol) : true -1. false -0 hay các phép toán kết nối (phép toán logic) như : (phép tuyển (∨). Ngoài ra. 5. Q. c. p. nhờ phân tích logic.Các ký hiệu (symbol) của phép tính mệnh đề là các ký hiệu mệnh đề bởi chữ cái latinh (biến mệnh đề) : a. các kết luận logic dùng để kiểm tra một trạng thái nào đó có phải là trạng thái đích hay không?. R ….. phép hội (∧ ). phép tương đương (⇔.. Đây là một dạng quen thuộc nhất và được các chuyên gia TTNT quan tâm ngay từ đầu.=)).1.Mệnh đề là một phát biểu có thể khẳng định tính đúng hoặc sai (hay giá trị của nó chỉ có thể hoặc là đúng hoặc là sai). Logic hình thức có thể được sử dụng để giải quyết những bài toán chứng minh logic. b và c là các câu. 5. Câu Câu trong phép tính mệnh đề được cấu tạo từ những ký hiệu sơ cấp theo các luật sau đây : .1. →). q. các ký hiệu chân lý . Chẳng hạn. ~.

Ví dụ: (P ∨Q) ≡ R hoàn toàn khác với P ∨(Q ≡ R).4. Q.. Ngữ nghĩa của phép tính mệnh đề Phép gán giá trị chân lý cho các mệnh đề phức tạp thường được mô tả thông qua bảng chân trị như sau : 55 .Tương đương của hai câu là một câu : P ∨Q ≡ R là một câu Các câu hợp lệ được gọi là các công thức dạng chuẩn (well-formed formula) hay WFF. phủ định của các câu là câu. kéo theo của một câu là một câu. các ký hiệu ( ) và [ ] dùng để nhóm các ký hiệu vào các biểu thức con và nhờ đó kiểm soát được thứ tự của chúng trong việc đánh giá biểu thức và diễn đạt.Tuyển hay hoặc của hai câu là một câu : P ∨¬ P là một câu . Biểu thức Một biểu thức là một câu hay công thức dạng chuẩn. ∧. Ví dụ: (( P ∨Q) ⇒ R ≡ ¬ P ∧¬ Q ∧R là một câu dạng chuẩn trong phép tính mệnh đề vì : P. ∧. nó đã được xây dựng thông qua một loạt các luật hợp lệ và do đó nó có dạng chuẩn. ∨.Kéo theo của một câu để có một câu khác là một câu : P ⇒ Q là một câu . Ví dụ: p ∧(¬ q ∨r) Thứ tự ưu tiên của các phép toán logic: ¬. →. ∨. R là các mệnh đề và do đó là các câu. tuyển của hai câu là câu.Phủ định của một câu là một câu : ¬ P và ¬ false là các câu . ¬ P và ¬ Q. của phép tính mệnh đề khi và chỉ khi nó có thể được tạo từ những ký hiệu hợp lệ thông qua một dãy những luật này. (P ∧Q) ⇒ R. tuyển của hai câu là câu.1. hội của hai câu là một câu. tương đương của hai câu là câu.Hội hay và của hai câu là một câu : P ∧¬ P là một câu . Trong các câu phép tính mệnh đề. ≡ 5. ¬ P ∧¬ Q.3. P ∧Q. Đây là câu xuất phát. (( P ∨Q) ⇒ R ≡ ¬ P ∧¬ Q ∧R . 5. ¬ P ∧¬ Q ∧R.1. Biểu thức logic dạng chuẩn: là biểu thức được xây dựng từ các biến mệnh đề và các phép toán ¬.

Hay nói một cách khác là mệnh đề không có cấu trúc . ∃ : tồn tại) để tăng cường tính cấu trúc của một mệnh đề. người ta đã đưa vào khái niệm vị từ và lượng từ (∀: với mọi. Do đó. * Một số công thức biến đổi tương đương của các mệnh đề như sau: ¬(¬P) ≡ P (P∨Q) ≡ (¬P ⇒Q) Luật tương phản: (P ⇒Q) ≡ (¬Q ⇒ ¬P) Luật De Morgan: ¬(P ∨Q) ≡ (¬P ∧¬Q) ¬(P ∧Q) ≡ (¬P ∨¬Q) Luật giao hoán: (P ∧Q) ≡ (Q ∧P) (P∨Q) ≡ (Q∨P) Luật kết hợp: ((P ∧Q) ∧R) ≡ (P ∧(Q ∧R)) ((P ∨Q) ∨R) ≡ (P ∨(Q ∨R)) Luật phân phối: P ∨(Q ∧R) ≡ (P ∨Q) ∧(P ∨R) P ∧(Q ∨R) ≡ (P ∧Q) ∨(P ∧R) 5. .1.Hai biểu thức trong phép tính mệnh đề là tương đương nhau nếu chúng có cùng giá trị trong mọi phép gán chân trị. Khái niệm Biểu diễn tri thức bằng mệnh đề gặp phải một trở ngại cơ bản là ta không thể can thiệp vào cấu trúc của một mệnh đề.2.2. Logic vị từ 5. 56 .P T T F F Q T F T F ¬P F F T T P ∧Q T F F F P ∨Q T T T F P ⇒Q T F T T P≡ Q T F F T Ví dụ : Chân trị của mệnh đề (¬ P ∨ ¬ Q) ≡ (P ⇒ Q) được cho như trong bảng sau : P Q ¬P ¬ P ∨¬ Q P ⇒Q (¬ P ∨¬ Q) ≡ (P ⇒ Q) T T F T T T T F F F F T F T T T T T F F T T T T .Mọi biểu thức logic đều có thể chuyển về các biểu thức logic dạng chuẩn. Điều này làm hạn chế rất nhiều thao tác suy luận .

5.2. s. q. B) = Tồn tại Z sao cho : Bố (A.Với vị từ. thuộc tính. "Tú") sẽ có giá trị là đúng. là những mệnh đề mà giá trị của nó được xác định thông qua các đối tượng tri thức cấu tạo nên nó. chữ số.. Mỗi vị từ là vị từ của n biến (n≥ 0). like.. <đối tượng n>) Ví dụ: Để biểu diễn vị của các trái cây. thuộc tính được biểu diễn bằng chuỗi ký tự bắt đầu bằng chữ cái thường hoặc các chữ số hoặc chuỗi ký tự đặt trong bao nháy. một mệnh đề được cấu tạo bởi hai thành phần là các đối tượng tri thức và mối liên hệ giữa chúng (gọi là vị từ). mệnh đề Bố(A. và được bắt đầu bằng chữ cái. c.. Ví dụ: p.. Các ký hiệu vị từ không có biến là các ký hiệu mệnh đề. <đối tượng 2>. rain. …. V. ..Trong logic vị từ. Ví dụ: X.B) là một mệnh đề tổng quát Như vậy nếu ta có các mệnh đề cơ sở là : a) Bố ("An". Ví dụ: Chẳng hạn tri thức : "A là bố của B nếu B là anh hoặc em của một người con của A" có thể được biểu diễn dưới dạng vị từ như sau : Bố (A. các đối tượng tri thức chính là các tham số của hàm. People. . .. Ngọt) Cam có màu Xanh ⇒ Màu (Cam. Các mệnh đề sẽ được biểu diễn dưới dạng: Vị từ (<đối tượng 1>. Z) và (Anh(Z. Students...b. Z.Y) là vị từ của hai biến u(X) là vị từ một biến r là vị từ không biến 57 .Z)) Trong trường hợp này. "Bình") có giá trị đúng (Tú là anh của Bình) thì mệnh đề c) Bố ("An". "Bình") có giá trị đúng (Anh là bố của Bình) b) Anh("Tú". các mệnh đề sẽ được viết lại thành : Cam có vị Ngọt ⇒Vị (Cam. r. tên biến luôn bắt đầu bằng chữ cái viết hoa. “An”. Xanh) Kiểu biểu diễn này có hình thức tương tự như hàm trong các ngôn ngữ lập trình. ta có thể biểu diễn các tri thức dưới dạng các mệnh đề tổng quát. blue. “Ba”. Y. Cú pháp vị từ + Ký hiệu vị từ: là tập hợp gồm các chữ cái. Ví dụ: like(X. Ký hiệu vị từ có thể là: . U. giá trị mệnh đề chính là kết quả của hàm (thuộc kiểu BOOLEAN).Biến: chỉ một lớp tổng quát các đối tượng. Ví dụ: a. ký hiệu “_”.Vị từ: được biểu diễn bằng chuỗi ký tự bắt đầu bằng chữ cái thường.2. B) hoặc Anh(B. (An là bố của Tú)..Hằng: chỉ một đối tượng.

và kết thúc với dấu ‘.. + Mục hay hạng thức (term): là một hằng. Ngữ nghĩa phép tính vị từ 58 .Hàm: f. ∨ (tuyển). marry). nguyên tử hay mệnh đề Ví dụ : friends(helen. + Câu (hay công thức): được tạo ra bằng cách kết hợp các câu sơ cấp sử dụng: .’. chocolat).plus(two. ∀ X likes(X. price(bananas). ⇔ hay ≡ (kéo theo nhau.Trị chân lý true. like(tom. Ví dụ: father(david). + Các ký hiệu ngăn cách: dấu phẩy.plus(two. p(X) nghĩa là với mọi giá trị của biến X đều làm cho biểu thức p đúng.two). chocolat) ∧¬ likes(bart.Câu sơ cấp còn được gọi là: biểu thức nguyên tử. sister(mary)). + Câu sơ cấp: là một hằng vị từ với n ngôi theo sau bởi n thành phần nằm trong cặp dấu ( ).two).’ . Mỗi hàm là hàm của n biến (n≥ 1).3.tom). cách nhau bởi dấu ‘. false là các câu sơ cấp.Các phép kết nối logic: : ∧ (hội). sin là hàm một biến. ⇒ (kéo theo). ∃ Y friends(Y. sin. 5. ice-cream) o Lượng tử tồn tại: ∃ (tồn tại): dùng để chỉ một câu là đúng với một số giá trị nào đó của biến lượng giá. g. . Ví dụ: cos. một biến hay một biểu thức hàm. Ví dụ: ∃ Y. p(Y) nghĩa là có ít nhất một giá trị của biến Y để làm cho biểu thức p đúng. Ví dụ về câu: likes(helen.Các lượng tử biến: o Lượng tử phổ biến: ∀(với mọi): dùng để chỉ một câu là đúng với mọi giá trị của biến lượng giá Ví dụ: ∀X. two. likes(X. ice-cream). cos.five)= true. dấu mở ngoặc và dấu đóng ngoặc.five).2.. . (foo(two.three)) ∧equal(plus(three. ∃ X foo(X.three))) ⇒ (equal(plus(three.two. football). mary).. tương đương). likes.. + Biểu thức hàm: là một ký hiệu hàm theo sau bởi n đối số. ¬(phủ định). likes(hellen. likes(helen. Ký hiệu vị từ trong các câu này là friends. mother.

20). Câu này nhận giá trị True nếu và chỉ nếu ít nhất một trong ba người Lan. Ví dụ 2: Ngữ nghĩa của các câu ∀x (G). An. Hoa. Ví dụ 3: Cho trước một tập hợp các quan hệ gia đình như sau: 59 . An} thì ngữ nghĩa của câu ∃ X younger(x. các biến. Câu này đúng khi và chỉ khi cả ba câu thành phần đều đúng. Chẳng hạn. biến. ngữ nghĩa của phép tính vị từ cung cấp một cơ sở để xác định chân trị của các biểu thức dạng chuẩn. Ngữ nghĩa của công thức ∃ x (G) được xác định như là ngữ nghĩa của công thức là tuyển của tất cả các công thức nhận được từ công thức G bằng cách thay X bởi một đối tượng trong miền đối tượng. tức là cả Lan. Như vậy. Hoa} thì ngữ nghĩa của câu ∀x. Như vậy. và: . 20) là “X trẻ hơn 20 tuổi” và miền đối tượng gồm ba người {Lan. nếu ngữ nghĩa của câu younger(X. Hoa. công thức ∃ x(G) là đúng nếu và chỉ nếu một trong các công thức nhận được từ G bằng cách thay X bởi một đối tượng trong miền đối tượng là đúng. 20) ∨ younger(“An”. student(x) được xác định là ngữ nghĩa của câu student(“Lan”) ∧ student(“An”) ∧ student(“Hoa”).Giá trị của câu ∀ X <câu> là true nếu <câu> là T cho tất cả các phép gán có thể được cho X. Chân trị của các biểu thức phụ thuộc vào ánh xạ từ các hằng. tức là cả Lan và An đều là sinh viên.Giá trị của câu ∃ X <câu> là true nếu tồn tại một phép gán cho X làm cho <câu> có giá trị T. Chẳng hạn. vị từ và hàm. Giá trị chân lý của một câu sơ cấp được xác định qua sự thông dịch. Sự thông dịch (cách diễn giải) của một tập hợp các câu phép tính vị từ: là một sự gán các thực thể trong miền của vấn đề đang đề cập cho mỗi ký hiệu hằng. Đối với các câu không nguyên tử. An đều là sinh viên. Hoa. các vị từ và các hàm vào các đối tượng và quan hệ trong lĩnh vực được đề cập. Ví dụ 1: Câu student(“Lan”) ∧student(“An”) nhận giá trị true nếu cả hai câu student(Lan) và student(An) đều có giá trị true. . An trẻ hơn 20 tuổi.Tương tự như phép tính mệnh đề. 20) ∨ younger(“Hoa”. tức là G đúng cho tất cả đối tượng X trong miền đối tượng. sử dụng bảng chân lý cho cho các phép nối kết. nếu miền đối tượng gồm ba người {Lan. công thức ∀x (G) là đúng nếu và chỉ nếu mọi công thức nhận được từ G bằng cách thay X bởi một đối tượng bất kỳ trong miền đối tượng đều đúng. trong đó G là một công thức nào đó được xác định là ngữ nghĩa của công thức là hội của tất cả các công thức nhận được từ công thức G bằng cách thay X bởi một đối tượng trong miền đối tượng. 20) là ngữ nghĩa của câu younger(“Lan”.

∀ X ( basketball_player(X) ⇒ tall(X) ) Có người thích coca-cola.abel) mother(eve.4.Y) Ta có thể suy luận: parent(eve. ice-cream) . taxes) Hầu hết bất kỳ câu đúng ngữ pháp nào cũng có thể biểu diễn trong phép tính vị từ bậc nhất bằng cách sử dụng các ký hiệu. 5. ∃ X person(X) ∧likes(X.abel) parent(eve.2. Tom sẽ đi biển.8 : .cain) ! Không có nghĩa Chúng ta có các tương đương sau đây: ∀x (G(x)) ≡ ∀y (G(y)) ∃ x (G(x)) ≡ ∃ y (G(y)) ¬ (∀x (G(x))) ≡ ∃ x (¬G(x)) ¬ ∃ x (G(x)) ≡ ∀x (¬G(x)) ∀x (G(x) ∧H(x)) ≡ ∀x (G(x)) ∧∀x (H(x)) ∃ x (G(x) ∨H(x)) ≡ ∃ x (G(x))∨∃ x (H(x)) 5. Các luật suy diễn 60 .abel) father(adam.X) ∧parent(Z.cain) sibling(abel.cain) sibling(cain.abel) sibling(abel.Ví dụ hợp lệ: Nếu ngày mai trời không mưa.cain) father(adam.3.abel) sibling(cain. ¬weather(rain.mother (eve.cain) ∀X ∀Y father(X. tomorrow) ⇒ go(tom. sea) Tất cả các cầu thủ bóng rổ đều cao. coca-cola) Không ai thích thuế.Y) ⇒ parent(X.Y) ∀X ∀Y ∃ Z parent(Z. Phép tính vị từ bậc nhất Phép tính vị từ bậc nhất cho phép các biến lượng giá tham chiếu đến các đối tượng trong miền của vấn đề đang đề cập nhưng không được tham chiếu đến các vị từ và hàm. ¬ ∃ X likes(X.Ví dụ không hợp lệ: ∀(Likes) Likes(helen.abel) parent(adam. các phép kết nối và ký hiệu biến.Y) ⇒ sibling(X. Ví dụ 2.cain) parent(adam.Y) ∨mother(X.

Đối sánh mẫu và phép hợp nhất 5.1. Luật Modus Tollens (MT): P ⇒ Q ¬Q ¬P Luật triển khai phổ biến (Universal Instantiation -UI): ∀X P(X) a thuộc miền xác định của X P(a) Ví dụ: “Tất cả mọi người đều chết và Socrates là người do đó Socrates sẽ chết” Cho trước: (1) ∀X (man(X) ⇒ mortal(X)) (2) man(socrates) => (3) man(socrates) ⇒ mortal(socrates) từ (1). Giải thuật đối sánh mẫu (1) Hằng / hằng đối sánh : chỉ khi chúng giống hệt nhau VD: tom không đối sánh với jerry (2) Hằng a / biến X đối sánh: a. 5. Biến chưa kết buộc: biến trở thành kết buộc với hằng => Khi đó ta có phép thế {a/X} b. Một biến kết buộc và một biến chưa kết buộc: xem (2) 61 . Biến đã kết buộc : xem (1) (3) Biến X/ biến Y đối sánh: a. (4) mortal(socrates) từ (3) và (2) bằng luật MP. Khả năng suy ra những biểu thức đúng mới từ một tập hợp các khẳng định đúng là một đặc trưng quan trọng của phép tính vị từ.4.(2) bằng luật UI. Logic vị từ dùng các luật suy diễn sau : Luật Modus Ponens (MP): P P ⇒Q Q Ví dụ: Nếu ta có quan sát sau đây “nếu trời mưa thì sân ướt” (P ⇒ Q) và “trời đang mưa” (P) thì ta dễ dàng suy ra được “sân ướt” (Q).Ngữ nghĩa của phép tính vị từ cung cấp một cơ sở cho lý thuyết hình thức về suy diễn logic. Hai biến chưa kết buộc: luôn luôn đối sánh => Khi đó ta có phép thế {X/Y} b.4.

Phép hợp nhất Phép hợp nhất (unification) là một thuật toán dùng để xác định những phép thế cần thiết để làm cho hai biểu thức vị từ đối sánh (match) nhau.goo(Y)) không đối sánh foo(fred. Các chương trình giải quyết vấn đề 62 . Hai biến kết buộc: xem (1) (4) Biểu thức / biểu thức đối sánh: chỉ khi các tên hàm hoặc vị từ.Y) không đối sánh moo(X.Y) . Phép hợp nhất phức tạp do có thể thay thế một biến với bất kỳ mục nào gồm cả những biến và những biểu thức hàm khác với độ phức tạp tùy ý.b.2.moo(Z)/Y} Nói chung một quá trình giải quyết vấn đề sẽ đòi hỏi nhiều suy diễn và do đó cần nhiều phép hợp nhất nói tiếp nhau. các phép hợp nhất theo sau và các suy luận kế tiếp phải giữ sự kết buộc này.a. Một khi biến đã bị kết buộc.đối sánh với goo(foo(Y)) với phép thế {foo(Y) / X} Lưu ý : Phạm vi của một biến là một câu.goo(moo(Z))) {Z/X. số ngôi giống nhau thì áp dụng đối sánh từng đối số một.a. Hợp nhất và các luật suy diễn khác như Modus ponens cho phép chúng ta tạo ra các suy diễn dựa trên một tập hợp các khẳng định logic. VD: man(X) => mortal(X) Nếu ta thế X bởi socrates thì ta được: man(socrates) => mortal(socrates) 5.a.goo(Y)) với: foo(X. Những biểu thức này tự thân chúng lại có thể chứa các biến. Để áp dụng các luật như MP.a. goo(Z)) {fred/X. một hệ suy diễn phải có khả năng xác định khi nào thì hai biểu thức là một hay còn gọi là đối sánh (match).không đối sánh với foo(X) hay goo(X.jack/Y} foo(Z. Z/Y} foo(W.a.c.4. VD: goo(X) . Một biến có thể thay thế bởi một mục bất kỳ: Thay thế bởi Biến Biến đã kết buộc (bound) Hằng Biến khác Biến chưa kết buộc (unbound) Biểu thức hàm có thể chứa các biến khác Ví dụ: Đối sánh foo(X.goo(jack)) {W/X.foo(Y)) không đối sánh foo(X.

VP) get (P). GT2. ..2. //đưa từng GT về dạng chuẩn VP {KLi} ∪ VP. Rõ ràng rằng với hai phép suy luận cơ bản của logic mệnh đề (Modus Ponens.KLm Ra: Chứng minh GT1.. KL2. Bài toán Cho tập các giả thiết dưới dạng các biểu thức logic mệnh đề (hoặc vị từ) GT={GT1. KLm}. O(2n) với n là số biến mệnh đề. Hãy chứng minh tập kết luận KL={KL1. Tuy về lý thuyết.1.... GT2. ..5.GTn → KL1.. VP)}.. } //đưa vào vế trái for i=1 to m do { Trans (KLi).. VP) While P ≠ φ do { (VT. //đưa từng GT về dạng chuẩn VT {GTi} ∪ VT. //Lấy bài toán trong P 63 . Tuy nhiên.5. bạn có thể cho rằng ta sẽ dễ dàng chứng minh được mọi bài toán bằng một phương pháp "thô bạo" là lập bảng chân trị .logic phải duy trì tính nhất quán của các phép thế biến. KL2. (Xem thêm trong tài liệu tham khảo…) 5.....KLm) * Phương pháp: { for i=1 to n do { Trans (GTi).GTn Các biểu thức mệnh đề kết luận KL1. //P: tập chứa các bài toán (VT. thao tác biến đối hình thức là rất khó cài đặt được trên máy tính.. Đây cũng chính là bài toán chứng minh thường gặp trong toán học.KLm: True (Thông báo “thành công” nếu GT1 ∧GT2 ∧.. Thậm chí điều này còn khó khăn với cả con người! Với công cụ máy tính..... Điều này được phát biểu trong giải thuật đối sánh mẫu.. Sau đây chúng ta sẽ nghiên cứu các phương pháp chứng minh mệnh đề (hoặc vị từ) với độ phức tạp chỉ có O(n ): 5. Thủ tục Wong..5. KL2. ta cũng có thể chứng minh được phép suy diễn. GT2.. Modus Tollens) cộng với các phép biến đổi hình thức.GTn}.. H (Vương Hạo) Vào: Cho các biểu thức mệnh đề giả thiết GT1.. } //đưa vào vế phải P {(VT.∧GTn → KL1 KL2. Một số giải thuật chứng minh Một trong những vấn đề khá quan trọng của logic mệnh đề là chứng minh tính đúng đắn của phép suy diễn (a⇒b). phương pháp lập bảng chân trị luôn cho được kết quả cuối cùng nhưng độ phức tạp của phương pháp này là quá lớn. 5..

VP) then Exit (“ko thành công”). (a ∧¬b) ∨(c ∧d) 2.tach (VT. Nếu KLj có phép ∨ thì thay thế phép ∨bằng dấu ". ¬ p ⇒ q → p⇒ p. g. ¬ p ∨s ⇒ ¬ q. VP) thành 2 danh sách con nếu GTi có phép∨hoặc ở KLj có phép ∧. } } P : các bài toán con qua phép tach (VT. Ví dụ : p. Nếu tách được thì thủ tục tach (VT. } * Chú ý: . ¬ (r∧s).Một dòng được chứng minh nếu tồn tại chung một mệnh đề ở ở cả hai phía. ¬ p ⇒ q p.".VP) nhận giá trị True. Ví dụ : p. ¬s .if VT ∩ VP = φ then { chuyen (VT. if VT ∩ VP = φ then if not tach (VT. p ∨r. ¬ p → p∨q. q 64 . Ví dụ: p ∨q. q. r. Ví dụ: p ∧q. ¬ g. p ∨r ⇒ s. KLj ở dạng phủ định. ¬ (a ∧b) = ¬a ∨¬b Ví dụ: Biểu thức ¬ (a ⇒b) ∨(c ∧d) có thể đưa về thành: 1. chuẩn tuyển: tuyển các hội). VP) mà có write (“thành công”). VP): thủ tục tách (VT.chuyen (VT. (a ∨c) ∧(a ∨d) ∧(¬b ∨c) ∧(¬b ∨d) .Trans (BT:) là thủ tục đưa biểu thức BT về biểu thức chỉ chứa các phép toán ¬. ¬ s → p. r ∧(¬p ∨s) ⇒ ¬q. VP): thủ tục chuyển các GTi . ¬ p ∨q ⇒ q tách thành 2 dòng: p. ∨dưới dạng chuẩn (ví như chuẩn hội: hội các tuyển. ∧. q ⇒ q được chứng minh p. p ⇒ (r ∧s). s Và nếu GTi có phép ∧thì thay thế phép ∧bằng dấu ". Chú ý: a ⇒ b = ¬a ∨b." . VP). q ⇒ q .

Nếu một dòng không còn phép nối ∧hoặc ∨ở cả hai vế và ở 2 vế không có chung một biến mệnh đề thì dòng đó không được chứng minh.VP) đưa về dạng VT1 = ¬b ∨¬c ∨d. VP)} Áp dụng thủ tục chuyển (VT1 . VP) ta có kết quả bài toán được chứng minh (Xem hình sau). b → d VT VP . * Các ví dụ: VD1: Cần chứng minh rằng từ a ∧b → c và b ∧c → d và a và b. VP = d . .Như vậy: P = {(VT1. b. b.. suy ra d Giải: Viết lại dưới dạng chuẩn: (¬a ∨¬b ∨c) ∧(¬b ∨¬c ∨d) ∧a ∧b → d ¬a ∨¬b ∨c . VP = d VT2 = ¬b ∨c . VP). ¬b ∨¬c ∨d.Một vấn đề được chứng minh nếu tất cả dòng dẫn xuất từ dạng chuẩn ban đầu đều được chứng minh. a . a . ¬b ∨¬c ∨d. a Lúc này VT1 ∩ VP ≠ φ tức là VT1 → VP . ¬b ∨¬c ∨d. 65 . a . VP = d.Cứ tiếp tục như vậy để xử lý (VT2.Áp dụng thủ tục tách (VT. (VT2. b.VP) ta có 2 dòng: VT1 = ¬a. a .

b → d. Hãy chứng minh rằng “Lan không bị ướt” bằng phương pháp Vương Hạo Giải a. a . a . ¬b ∨¬c ∨d. b → d. a . b → d c. a . a . r: “Trời mưa” u: “Lan mang theo dù” w: “Lan bị ướt” Lúc đó. a . a . b : CM c. b → d ¬a . a : CM ¬b. b → d c. a . b→ d . d. b → d. ta có các biểu thức logic đúng sau: r →u u → ¬w ¬r → ¬w b. b → d ¬b ∨¬c ∨d. b : CM c. c : CM VD2: Xét các câu đúng sau: “Nếu trời mưa thì Lan mang theo dù” “Nếu Lan mang theo dù thì Lan không bị ướt” “Nếu trời không mưa thì Lan không bị ướt” a. b → d ¬b ∨c. b → d c. b → d: CM c. a . ¬b ∨¬c ∨d. Xây dựng các câu trên bằng các biểu thức logic mệnh đề b. a . ¬c. ¬b.¬a ∨¬b ∨c . b → d c. a . a . a . ¬b ∨¬c ∨d. b → d ¬b ∨¬c ∨d. ¬c ∨d. ¬b ∨¬c ∨d. ¬b ∨¬c ∨d.Ta phải chứng minh (r → u) ∧(u → ¬w) ∧(¬r → ¬w) → ¬w: True 66 .

Nếu suy ra được mâu thuẫn thì quá trình chứng minh xong... .. .5. else Exit (“ko thành công”)..Mâu thuẫn: Nếu trong P mà có 2 mệnh đề: p1 = ¬p2 hoặc ¬p1 = p2 ( với p1 ≠ p1) thì trong P có mâu thuẫn. } if mt(P) then Exit (“thành công”).KLm Ra: (Thông báo “thành công” nếu GT1∧GT2 ∧. } if mt(P) then Exit (“thành công”).. KL2. hopgiai(P).5.. Để chứng minh rằng từ các GT={GT1..Hợp giải: Nếu trong P mà có 2 mệnh đề: p1 = ¬a ∨b p2 = a ∨c thì ta bổ sung vào P thêm mệnh đề mới: p3 = b ∨c * Ví dụ: Cần chứng minh rằng từ a ∧b → c và b ∧c → d và a và b. } * Chú ý: .... Vào: Cho các biểu thức mệnh đề giả thiết GT1. P {GTi}. } for i=1 to m do { Trans (KLi). Thủ tục Robinson 1 (dùng cho logic mệnh đề) Thuật giải này do Robinson đề xuất và hoạt động dựa trên phương pháp chứng minh phản chứng. //nếu mâu thuẫn P P1 : = φ . While P ≠ P1 and ¬mt(P) do {P1: = P.. KLm hợp cùng giả thiết.. P {¬KLi}... KL2.GTn Các biểu thức mệnh đề kết luận KL1. KL2. suy ra d 67 .3. KLm}... ta chỉ cần lấy phủ định của KL1..... GT2.∧GTn → KL1∨KL2∨.GTn} suy ra một trong các kết luận KL={KL1. GT2.. .∨KLm) * Phương pháp: { for i=1 to n do { Trans (GTi).

3). 7. ¬a ∨c Res(1B. ¬b ∨c (là kết quả hợp giải dòng 1 và dòng 3. ¬a ∨¬b ∨c 2. b ∧c → d. ¬c Res(4.9A) 12. b. Thủ tục Robinson 2 (dùng cho logic vị từ) (Xem thêm trong tài liệu tham khảo…) 68 . c Res(3. ¬c ∨d Res(2A.4.5) 10.7A) 11. ¬b ∨¬c ∨d. b 5. ¬b ∨¬c Res(2C. (Xem hình sau) ¬a ∨¬b ∨c a b ¬b ∨¬c ∨d ¬d ¬b ∨c ¬a ∨c ¬c ∨d ¬b ∨¬c ¬c c Mâu thuẫn 5. ¬b ∨¬c ∨d 3.5. chữ A chỉ ra rằng lấy thành phần đầu tiên trong trong 1). a .tức {a ∧b → c.4) 8. b} → {d} Giải: P = {¬a ∨¬b ∨c . Mâu thuẫn giữa 10 và 11 Chứng minh xong. ¬d} Để đơn giản ta viết như sau: 1. ký hiệu là Res(1A. a 4. a. ¬d Quá trình hợp giải như sau: 6.4) 9.

) + Tri thức Heuristic : là một dạng tri thức cảm tính.1. Trong khi đó mục tiêu của trí tuệ nhân tạo ứng dụng là thiết kế các tác nhân thông minh (intelligent agent) cũng có khả năng đó như con người. Các định luật vật lý. Ví dụ: robots..là các tác nhân thông minh.. nhưng ngược lại phương pháp suy diễn chỉ có thể phù hợp cho một phương pháp biểu diễn tri thức nhất định. Phương pháp biểu diễn tri thức sẽ quyết định phương pháp suy diễn tương ứng... suy diễn.. Tri thức và dữ liệu .. tam giác đều có 3 góc 600. Tri thức và suy diễn là hai thành phần trong bất kỳ một hệ dựa trên tri thức nào. khái niệm... Chính vì vậy.Người ta thường phân loại tri thức ra làm các dạng như sau : + Tri thức sự kiện : là các khẳng định về một sự kiện. con người có thể đưa ra các hành động hợp lý cho công việc mà con người đang làm. cảm nhận. 2 mắt. (Chẳng hạn : mặt trời mọc ở đằng đông.. các hệ chuyên gia. ta cần phải có các phương pháp đưa tri thức vào máy tính được gọi là biểu diễn tri thức. phỏng đoán. Thuật toán. con người có 2 tay. thường được xếp vào loại này.. là tri thức . muốn xây dựng một trí thông minh nhân tạo. và thường được hình thành thông qua kinh nghiệm. Các tri thức thuộc loại này thường có dạng ước lượng.. cấu tạo như thế nào (một cái bàn thường có 4 chân.) + Tri thức thủ tục : thường dùng để diễn tả phương pháp. các bước cần tiến hành. khái niệm nào đó (trong một phạm vi xác định). Ví dụ: Hiểu biết về y học... 6. toán học. vấn đề. được thấy. Tác nhân thông minh là bất cứ cái gì có thể nhận thức được môi trường thông qua các bộ cảm nhận (sensors) và đưa ra hành động hợp lý đáp ứng lại môi trường thông qua bộ phận hành động (effectors). trình từ hay ngắn gọn là cách giải quyết một vấn đề.Tri thức: là sự hiểu biết về một miền chủ đề (lĩnh vực) nào đó. + Tri thức mô tả : cho biết một đối tượng.Chương 6 BIỂU DIỄN TRI THỨC VÀ CÁC PHƯƠNG PHÁP SUY DIỄN Như ta đã biết con người sống trong môi trường có thể nhận được thế giới nhờ các giác quan và sử dụng tri thức tích luỹ được và nhờ khả năng lập luận.. ... thuật giải là một dạng của tri thức thủ tục. 69 . . softrobot (software robot). văn học. sự kiện. .

cuống. được chuẩn hóa có thể dùng để vận hành nhiều loại xe máy khác nhau và cơ sở tri thức chính là loại nhiên liệu đặc biệt để vận hành loại động cơ này ! 70 . cơ sở tri thức và động cơ suy diễn là một bước tiến hóa mới của dữ liệu và thuật toán của chương trình! Bạn có thể hình dung động cơ suy diễn giống như một loại động cơ tổng quát.. Tuy vậy. Khó phân biệt giữa tri thức và dữ liệu (không có ranh giới rõ ràng giữa chúng)..Ở dạng đơn giản Tri thức . chương trình trí tuệ nhân tạo được cấu tạo từ hai thành phần là cơ sở tri thức (knowledge base) và động cơ suy diễn (inference engine).Định tính . + Động cơ suy diễn : là phương pháp vận dụng tri thức trong cơ sở tri thức để giải quyết vấn đề... + Cơ sở tri thức : là tập hợp các tri thức liên quan đến vấn đề mà chương trình quan tâm giải quyết. tri thức là dạng dữ liệu bậc cao.Ở dạng phức hợp .Không có cấu trúc hoặc có cấu trúc phức hợp .của nó như thế nào? và dựa vào hiểu biết của ta mà xác định xem quả cam đó là ngon hay không ngon.Định lượng . Tuy nhiên ta có thể phân biệt theo bảng sau: Dữ liệu .. ngon vừa. Nếu xét theo quan niệm biểu diễn tri thức thì cơ sở tri thức chỉ là một dạng dữ liệu đặc biệt và động cơ suy diễn cũng chỉ là một dạng của thuật toán đặc biệt mà thôi.. có thể nói rằng. Như vậy.So với chương trình truyền thống (được cấu tạo từ hai "chất liệu" cơ bản là dữ liệu và thuật toán).. Ví dụ: Đối với quả cam ta xét các dữ liệu như vỏ. màu sắc.Thu thập thông tin ta được dữ liệu và căn cứ vào tri thức ta có được những quyết định phán đoán.Có cấu trúc đơn giản .

2. các nhà TTNT đã phát triển một số cách biểu diễn (thể hiện) tri thức có hiệu quả trong máy. logic vị từ).2. 6. đỉnh (nút mạng) là các đối tượng. cung là mối liên hệ giữa các đối tượng. chúng ta cần phải biểu diễn tri thức dưới dạng thuận tiện cho máy tính. có thể xử lý được tri thức.2.1. các sự kiện cụ thể. E) gồm tập đỉnh V và tập cung E.2. Ví dụ: 71 . Các phương pháp biểu diễn tri thức (mô tả tri thức) Để máy tính có thể sử dụng được tri thức. Khi có <a là b> (hoặc "b bao gồm a"). sự kiện với nhau. Có một cung nối giữa hai đối tượng a và đối tượng b. 6. ký hiệu a b nếu có một quan hệ nào đó giữa hai đối tượng a. Đó là mục tiêu của biểu diễn tri thức.Ngược lại với quan hệ "là" là quan hệ "bao gồm". Biểu diễn tri thức nhờ mạng ngữ nghĩa Dùng một đồ thị G = (V.Cấu trúc chung nhất của một chương trình trí tuệ nhân tạo 6. Ví dụ: Yến chim ."a là b" nghĩa là đối tượng a thuộc vào tập đối tượng được biểu diễn bởi khái niệm b hoặc tập các đối tượng biểu diễn bởi khái niệm a là tập con của tập đối tượng biểu diễn khái niệm b (quan hệ is-a). Sau nhiều cố gắng. ta có thể biểu diễn bài toán bằng các biểu thức logic (logic mệnh đề. Trong đó. Có 2 loại quan hệ đặc biệt: . các thông tin cơ bản về các đối tượng được cho bởi b sẽ truyền lại cho a (nghĩa là a được thừa hưởng những gì b có). Biểu diễn tri thức nhờ logic Như ta đã nghiên cứu ở chương 5. b.

cánh

is-a
Chíp chíp

Yến

is-a

Chim

is-a

Cánh cụt

Không khí
is-a

thở
Con vật

hoạt động
bay

hoạt động
đi

Ưu điểm:
- Cho phép biểu diễn một cách trực quan các sự kiện và các mối liên hệ giữa
chúng.
- Tính mô đun cao theo nghĩa các tri thức mới được thêm vào hoàn toàn độc
lập với các tri thức cũ.
- Là ngôn ngữ biểu diễn dạng mô tả.
- Có thể áp dụng một số cơ chế suy diễn trên mạng: cơ chế truyền và thừa
hưởng thông tin giữa các đối tượng (tính kế thừa), cơ chế "cháy" trên mạng.
Nhược điểm:
- Không có một phương pháp suy diễn chung nào cho mọi loại mạng ngữ
nghĩa.
- Khó kiểm soát quá trình cập nhật tri thức để dẫn đến mâu thuẫn trong cơ
sở tri thức.
6.2.3. Biểu diễn tri thức bằng khung (Frame)
Khung thực chất là sự tổng quát hoá của cấu trúc bản ghi trong Pascal và
tương tự như cấu trúc đối tượng trong C++
Một khung được mô tả bởi cấu trúc:
- Tên khung: Định danh đối tượng mô tả.
- Các khe (slot): trên mỗi khe lưu trữ các thông tin, miền giá trị, thuộc tính
và chiều mũi tên chỉ đến các khung khác.
Ví dụ: Xét khung (frame) mô tả tập học sinh HOCSINH
72

Frame HOCSINH
IS-A:
PART-OF: NGUOI-DI-HOC
A KIND OF: (HOCSINHCOSO, HOCSINHTRUNGHOC)
Cân nặng: 10-60kg
Chiều cao: 80-170cm
Cấu trúc frame này cho ta một "khung dữ liệu" để khoanh vùng các đối
tượng là học sinh. Trường hợp gặp một người cao 175cm, nặng 45kg thì ta có thể
khẳng định rằng đó không phải là học sinh vì không thoã mãn các ràng buộc đã có.
Ngoài ra, một trong những đặc trưng quan trọng của frame là khả năng thừa
kế các thông tin của các khe có cùng tên ở đối tượng bậc trên.
Ví dụ: Trong frame HOCSINHCOSO, HOCSINHTRUNGHOC có khe
chiều cao với giá trị mô tả miền, thì sau khi thừa kế thông tin ở mức trên Frame
HOCSINH, khe này cần phải lấy các giá trị trong khoảng 80-170cm.
6.2.4. Biểu diễn tri thức nhờ các luật sản xuất
Phương pháp biểu diễn tri thức nhờ logic (logic mệnh đề và logic vị từ) khá
trực quan song chỉ phù hợp khi không có quá nhiều luật suy diễn.
Một tri thức được thể hiện bằng một câu Horn dạng chuẩn:
p1 ∧p2 ∧....∧pn ⇒ q
Các câu Horn dạng này còn được gọi là luật if- then (luật nếu - thì) và được
biểu diễn như sau:
if P1 and....and Pn then Q
Các Pi (i = 1, ..., n) được gọi là các điều kiện, Q được gọi là kết luận của
luật.
Một câu Horn dạng tổng quát:
p1 ∧p2 ∧....∧pn ⇒ q1 ∨q2 ∨....∨qm
Lưu ý:
Nếu có luật dạng: p1 ∧p2 ∧....∧pn ⇒ q1 ∨q2 ∨....∨qm thì tương đương với m luật
sau:
p1 ∧p2 ∧....∧pn ∧¬ q2 ∧....∧¬qm ⇒ q1
p1 ∧p2 ∧....∧pn ∧¬ q1 ∧¬ q3...∧¬qm ⇒ q2
p1 ∧p2 ∧....∧pn ∧¬ q1....∧¬qm-1 ⇒ qm
Tuy nhiên ta chỉ xét câu Horn dạng chuẩn (m=1)
- Nếu n=0, m=1: câu Horn có dạng ⇒ q: gọi là sự kiện (fact) q.
- Nếu n>0, m=1: câu Horn có dạng: p1 ∧p2 ∧....∧pn ⇒ q: gọi là luật (rule).

73

Trong các hệ chuyên gia, cơ sở tri thức gồm 2 phần: tập các sự kiện (facts) và
tập luật (rules).
Ví dụ:
- Ta có các luật về kinh nghiệm dự báo thời tiết:
"Chuồn chuồn bay thấp thì mưa, bay cao thì nắng, bay vừa thì râm"
a: chuồn chuồn bay thấp, b: chuồn chuồn bay cao, c: chuồn chuồn bay vừa
d: trời mưa, e: trời nắng, f: trời râm
lúc đó ta có các luật sau:
a ⇒d
b ⇒e
c ⇒f
- Nhiều định lý trong toán học có thể biểu diễn bởi các luật, ví dụ:
Nếu tam giác có một góc bằng 600 và tam giác có hai cạnh bằng nhau thì
tam giác đó là tam giác đều.
6.3. Suy diễn trên luật sản xuất
6.3.1. Khái niệm
Suy diễn là quá trình suy luận dựa vào các quy luật đã cho, thiết lập các
thông tin mới từ các thông tin đã biết. Suy diễn sẽ sử dụng tập sự kiện làm tiên đề.
Các phương pháp suy diễn dần dần chuyển từ các giả thiết về các kết luận
bằng cách thêm vào giả thiết những sự kiện đã được khẳng định đúng, dựa trên 2
phương thức:
- Modus ponens:
A, A⇒B
B
nghĩa là nếu A đúng và A⇒B đúng thì B cũng đúng
- Modus tollens
¬B, A⇒B
¬A
nghĩa là nếu B sai và biết rằng A⇒B đúng thì A cũng sai.
Trong quá trình suy diễn, ta cần quan tâm đến các vấn đề sau:
- Xây dựng tập luật, câu hỏi nào được chọn để người sử dụng trả lời?
- Chọn quá trình tìm kiếm như thế nào?
- Thông tin nhận được có ảnh hưởng đến quá trình tìm kiếm không?
6.3.2. Bài toán
Cho tập sự kiện F= {f1, f2,...,fn} và tập luật R= {r1, r2,...,rm}. Chứng minh tập
kết luận G đúng.
6.3.3. Các phương pháp suy diễn
74

6.3.3.1. Suy diễn tiến (lập luận tiến - forward chaining hoặc forward
reasoning)
(Tư tưởng cơ bản của suy diễn tiến là áp dụng luật suy diễn Modus Ponens tổng
quát)
Là quá trình suy diễn bắt đầu từ tập sự kiện đã biết, rút ra những sự kiện
mới và cứ như vậy cho đến khi có được sự kiện cần chứng minh hoặc không có
luật nào sinh ra các sự kiện mới (tập sự kiện đúng là cực đại).
* Phương pháp:
GỌi T là tập các sự kiện (mệnh đề) tại thời điểm đang xét (khởi tạo tập T=F:
tập sự kiện đúng ban đầu ).
Xét các luật ri có dạng: p1 ∧p2 ∧....∧pn ⇒ q và pj∈T ∀ =1, n nghĩa là left
(ri) ∈T
thì T= T+ right (ri)
quá trình lặp lại cho đến khi G⊂ T hoặc không có luật nào sinh ra thêm sự
kiện mới.
* Giải thuật:
Procedure suydientien;
Begin
T:= F;
S:= loc(R, T);{ S: là tập luật có dạng p1 ∧ p2 ∧ ....∧ pn ⇒ q sao cho pj∈T
∀ =1, n }
While G ⊄ T and S<>φ do
Begin
r := get(S);
T:= T + right(r);
R:=R \ {r};
S:= loc(R,T);
End;
If G ⊂ T then write (“thành công”)
Else write (“không thành công”);
End;
* Ví dụ:
Cho trước tập sự kiện F={a,b}. Sử dụng các luật:
r1: a ⇒ c
r2: b ⇒ d
r3: c ⇒ e
r4: a ∧d ⇒ e
r5: b ∧c ⇒ f
r6: e ∧f ⇒ g
j

j

75

r3. r4. r3.3.. nếu mọi ai đều dẫn xuất được giả thiết thì quá trình dẫn xuất ra b là đúng) * Giải thuật: 76 . r2.an. e. c. r2. b. Chính vì lẽ đó mà có tên là suy diễn tiến. r4. Quá trình trên cứ lặp lại cho đến khi nào không có luật nào sinh ra sự kiện mới. nếu đến một lúc nào đó phát hiện được rằng có một ai nào đó không dẫn xuất được từ các giả thiết thì quay lui sang các luật sản xuất khác sinh ra b có dạng b1∧. Suy diễn tiến chỉ là quá trình suy ra các sự kiện mới từ các sự kiện có trong bộ nhớ làm việc.. c. c. r6 r1 a. r6 r5 a. người ta xét một luật trong tập luật. Quá trình suy diễn tiến không định hướng tới giải quyết một vấn đề nào cả. r3.backward chaining hoặc backward reason) Là quá trình xuất phát từ sự kiện cần chứng minh và thay vào đó là những sự kiện ở vế trái của 1 luật có vế phải là sự kiện cần chứng minh. f. nếu tất cả các điều kiện của luật được thoã mãn thì sự kiện trong phần kết luận được xem là sự kiện được suy ra.. d.∧ an ⇒ b. 6.. r5 r2. không hướng tới tìm ra câu trả lời cho một câu hỏi nào cả.∧bm ⇒ b. phải đưa ra các kết luận a1. c.. Suy diễn lùi (lập luận lùi . e r4. r5 r3. e. r5. f r6 r6 r6 a. r6 r2 a. b.3. Ngược lại... r5. r5. với mỗi luật ta xét phần điều kiện (ở vế trái) tới phần kết luận (ở vế phải) và khi mà tất cả các điều kiện của luật đều thoã mãn thì ta suy ra sự kiện trong phần kết luận. r4. r6 r4 a. e r5 r5. b. Trong mỗi bước của thủ tục. r6 r3 a. b. c. ta thử tìm tất cả các luật có dạng: a 1 ∧. d.2. d.. So sánh mỗi điều kiện (ở vế trái) của tập luật với các sự kiện trong cơ sở sự kiện. Quá trình xác định ai cũng tương tự như đối với b. r5. b. r3 r1. b r1. b.. để có b. g Vậy g∈T nên bài toán được chứng minh (g: true). r5 r4.. d r3.cần suy ra g Giải: Ta thể hiện trên bảng sau: r T S R a. r4.. * Nhận xét: Quá trình suy diễn tiến là quá trình xem xét các luật. Quá trình này được thực hiện cho đến khi đưa về các sự kiện là tập sự kiện con của tập sự kiện giả thiết. Nếu sự kiện này là sự kiện mới (không có trong bộ nhớ làm việc) thì nó được đưa vào bộ nhớ làm việc. (Nghĩa là: để đưa ra kết luận b. d. c r2.

If S(p) = {} then write (‘g không chứng minh được ‘) Else For ri∈ S(p) do Begin T:= T \ right(ri). For l∈T \ F do suydienlui(l). và tập luật R: r1: p ⇒ q r2: q ∧r ⇒ s Chứng minh s p r T S(p) s s r2 q. + Suy diễn tiến là tiếp cận lý tưởng đối với các loại bài toán cần giải quyết các nhiệm vụ như lập kế hoạch. Nhược điểm: 77 . End. If T⊂ F then write (‘g đã được chứng minh ‘) Else Begin p:=get(T). + Cho ra khối lượng lớn các thông tin từ một số thông tin ban đầu.3. G là tập kết luận). S(p) ={ri∈R / right(ri) = p} ( là tập các luật trong R sao cho vế phải chứa p) Procedure suydienlui (g). Nó sinh ra nhiều thông tin mới. Begin T:= {g}. điều hành. T:= T + left(ri). điều khiển và diễn dịch. Nhận xét . r r2 q r1 r. r}. p r 6. End.Suy diễn tiến Ưu điểm: + Làm việc tốt khi bài toán có bản chất là đi thu thập thông tin rồi thấy điều cần suy diễn. End.GỌi T là tập các sự kiện cần chứng minh tại thời điểm đang xét (khởi tạo T= G. * Ví dụ: Cho tập sự kiện F={p.4.

dự đoán và tìm lỗi. Có thể các câu trả lời cũng quan trọng nhưng làm người dùng lúng túng khi phải trả lời các câu chẳng dính đến chủ đề. Ví dụ: Một bác sĩ có thể hiểu hàng trăm vấn đề có thể xảy ra với một cá nhân. dựa vào các ưu và nhược điềm của từng loại suy diễn mà ta nên chọn kỹ thuật suy diễn nào để áp dụng vào bài toán. 78 .Suy diễn lùi: Ưu điểm: + Phù hợp với bài toán đưa ra giả thuyết và liệu giả thuyết đó có đúng hay không? + Tập trung vào đích đã cho. nó chỉ tìm trên một phần của cơ sở tri thức thích đáng đối với bài toán đang xét. + Hệ thống có thể hỏi cả câu hỏi không liên quan. lúc đó cần suy diễn tiến. Như vậy. + Khi suy diễn một điều gì từ thông tin đã biết . Nguợc lại bác sĩ hầu như thấy được bệnh (ví dụ như viêm họng) thì ông ta dùng suy diễn lùi. Trước tiên. Nếu cần thu thập dữ liệu rồi mới quyết định suy diễn cái gì thì ta chọn suy diễn tiến. hệ thống hỏi các câu hỏi có thể hỏi mà không biết rằng chỉ một ít câu đã đi đến kết luận được. còn nếu đã có giử thuyết và cần chứng minh cái đích này thì ta dùng suy diễn lùi. + Suy diễn lùi được đánh giá cao trong các bài toán như là chẩn đoán. . nhưng vẫn phải tìm hiểu hiện trạng của bệnh nhân. ta xem xét các chuyên gia giải nó như thế nào?. Nó tạo ra một loạt câu hỏi chỉ liên quan đến vấn đề đang xét.+ Không cảm nhận được rằng chỉ cần một vài thông tin quan trọng. Nhược điểm: + Nhược điểm cơ bản của loại suy diễn này là nó thường tiếp theo dòng suy diễn thay vì đúng ra phải dừng ở đó mà sang nhánh khác. thuận tiện đối với người dùng.

......... Toán tử chuyển trạng thái............2........ Ưu và nhược điểm của phương pháp tìm kiếm sâu......1...20 3...............................................10 2.....................................3...........................................4..................1 1...................18 3.............. Nhận xét...............2............9 Chương 2.........5......................................... Các ví dụ....................5....................... Đặt vấn đề............................3..27 3..6..........................................................................3..................... Giải thuật.....10 BIỂU DIỄN VẤN ĐỀ TRONG KHÔNG GIAN TRẠNG THÁI............. Đánh giá độ phức tạp của thuật toán tìm kiếm sâu..................... Đối tượng và mục tiêu nghiên cứu của trí tuệ nhân tạo.......................... Phương pháp tìm kiếm theo chiều sâu dần...5 1......................6 1..30 3..4....... Ưu và nhược điểm của phương pháp tìm kiếm tốt nhất đầu tiên....................................18 KHÔNG GIAN TRẠNG THÁI..................................18 CÁC PHƯƠNG PHÁP TÌM KIẾM LỜI GIẢI TRONG ..................................24 3...............5......................................................1...... Biểu diễn không gian trạng thái bằng đồ thị...3............................................19 3.........19 3...................31 3.................................5....4.32 79 ............................ Những vấn đề chung ...................................................1 1................................. Không gian trạng thái của bài toán...........4......................................1.................5........5................................................................25 3..................................24 3............3.1.................10 2..............1.......................4..................10 2.3 1................... Giải thuật........ Những vấn đề đặt ra trong tương lai của trí tuệ nhân tạo........................................ Các khái niệm cơ bản......4...............................28 3......3................ Đặt vấn đề....................3...................6.........................2........1 MỞ ĐẦU...... Kỹ thuật tìm kiếm sâu dần...................2..................2..3................................. Phương pháp tìm kiếm theo chiều sâu. Các ví dụ..............3..............3..................2...................6 1....................................................................... Kỹ thuật tìm kiếm rộng........30 3......................... Giải thuật........15 2...31 3..............2............................................2...............3................3..........25 3.........................1 1......................................... Tổng quan về khoa học trí tuệ nhân tạo..................1...2.... Kỹ thuật tìm kiếm tốt nhất đầu tiên ........... Vai trò của trí tuệ nhân tạo...........28 3..................................... Những vấn đề chưa được giải quyết trong trí tuệ nhân tạo ....32 3..................................................................3................. 31 3.................20 3.........4.......1.....................7 1.......MỤC LỤC Chương 1...4... Kỹ thuật tìm kiếm tốt nhất đầu tiên (Best First Search).......................................2..... Giải thuật.................. Biểu diễn đồ thị......................................... Một số vấn đề trí tuệ nhân tạo quan tâm..5..2...26 3........... Kỹ thuật tìm kiếm leo đồi .......................................................2.............................1......................... Đánh giá độ phức tạp của giải thuật tìm kiếm rộng.7 1.. Ví dụ..............2 1..........................3....1......5..................16 Chương 3............................................3...3...........16 2...... Phương pháp tìm kiếm theo chiều rộng.....18 3......5....................................................24 3.5....5....1.........21 3...................8 1....... Kỹ thuật tìm kiếm sâu............3................... Các kỹ thuật trí tuệ nhân tạo......................14 2..........................................................................12 2..........................................2....5..................1................. Phương pháp tìm kiếm leo đồi (Hill-Climbing Search)............19 3.......... Lịch sử phát triển của trí tuệ nhân tạo........27 3....................... Mô tả trạng thái...........1.........2.......................... Một số chuyên ngành (lĩnh vực ứng dụng) của trí tuệ nhân tạo ........................3.................1........ Các khái niệm.................. Ưu và nhược điểm của phương pháp tìm kiếm rộng.............15 2...........................................4...... Biểu diễn không gian trạng thái dưới dạng đồ thị..........1........2......

...........................5.......................3........3................................................47 4................................Thuật giải A* ...................35 3...................................... Câu.........................3..................................................................2............................................4........................................................................63 5......................................................2....37 3..........................3....................................................3................................................................................4..74 6........... Các ví dụ...............33 3.....3..........2.................................1................3...................... Ngữ nghĩa của phép tính mệnh đề.1...................................3......1....1..... Đặt vấn đề ................ Logic mệnh đề ......2..............2............... Phép tính vị từ bậc nhất..................3......57 5.............................. Tìm kiếm đường đi cực tiểu ............................... Biểu diễn tri thức nhờ logic.1...................... Giải thuật....3..............3..........8............2..............54 BIỂU DIỄN BÀI TOÁN NHỜ LOGIC HÌNH THỨC.............5.......7...Thuật giải AT ......4.. Ngữ nghĩa phép tính vị từ................56 5.......2...........................6.......................................... Biểu diễn tri thức bằng khung (Frame).69 BIỂU DIỄN TRI THỨC VÀ CÁC PHƯƠNG PHÁP SUY DIỄN ...............................41 3.......................1............................77 80 ............55 5...... Tri thức và dữ liệu......5...................10.......................................40 3..............39 3.... Các ví dụ....1......54 5................................ Logic vị từ ...... Biểu diễn tri thức nhờ mạng ngữ nghĩa.............. Thuật giải AT................ Mệnh đề ...............................................60 5...1.................................55 5...2.................................................................................71 6.............................................................................44 Chương 4...................68 Chương 6.....2...........................8........... Khái niệm................ Nhận xét phương pháp tìm kiếm leo đồi ..............2..................69 6............... H (Vương Hạo)...36 3..2........................................... Thủ tục Robinson 2 (dùng cho logic vị từ)............. Thủ tục Wong....................56 5................................................................6.......................................58 5.................... Các phương pháp suy diễn.... Bài toán................................................4.................1....................61 5................ Thuật giải A*......... Thủ tục Robinson 1 (dùng cho logic mệnh đề).......................7.............7...................................60 5......................54 5..............................54 5.................. Phép hợp nhất....5...... Nhận xét..................2.63 5...............................................................2...1.................. Giải thuật đối sánh mẫu......62 5..................1.........................4...72 6..............4............................................................32 3....................4........8..54 5........................... Cú pháp vị từ.......74 6... Tìm kiếm đường đi có giá thành cực tiểu ......... Đặt vấn đề ......................................................................................39 3...2.... Các phương pháp biểu diễn tri thức (mô tả tri thức)........................4..8................. Phương pháp sinh và thử..................1.6................................9....................................................2................... Phương pháp thoả mãn ràng buộc.71 6....... Bài toán..................................................61 5.................................................................3...............74 6..................... Biểu thức..2.......................................2.......................69 6............................................................1........67 5....................47 TÌM KIẾM LỜI GIẢI TRÊN ĐỒ THỊ VÀ/HOẶC.........5.......................3................................1...................... Các phương pháp tìm kiếm lời giải trên đồ thị Và/Hoặc............33 3.........................3.........50 Chương 5. Đối sánh mẫu và phép hợp nhất..................63 5.....3.... Một số giải thuật chứng minh.......... Khái niệm...................................... Các luật suy diễn...............................................2............................71 6.........7....................2..........................................43 3............................................. Đồ thị Và/Hoặc. Đặt vấn đề.......................... Suy diễn trên luật sản xuất..........................1................4..........73 6.............2........... Các ví dụ.........3.47 4.....74 6......... Biểu diễn tri thức nhờ các luật sản xuất...............49 4.......35 3..................

81 .

Sign up to vote on this title
UsefulNot useful