TRƯỜNG ĐẠI HỌC ĐIỆN LỰC

KHOA CÔNG NGHỆ THÔNG TIN

BÁO CÁO CHUYÊN ĐỀ HỌC PHẦN

NHẬP MÔN TRÍ TUỆ NHÂN TẠO

ĐỀ TÀI:

ÁP DỤNG THUẬT TOÁN A* VÀO TRÒ CHƠI

GHÉP TRANH N - PUZZLE

Sinh viên thực hiện : VŨ THẾ MẠNH

BÙI MINH ĐỨC
ĐÀO VĂN TRIỆU
Giảng viên hướng dẫn : VŨ VĂN ĐỊNH
Ngành : CÔNG NGHỆ THÔNG TIN
Chuyên ngành : CÔNG NGHỆ PHẦN MỀM
Lớp : CNPM6
Khóa : D16

Hà Nội, tháng 11 năm 2023

 PHIẾU CHẤM ĐIỂM
Sinh viên thực hiện:

STT Họ và tên Nội dung thực hiện Điểm Chữ ký

sinh viên

1 Vũ Thế
Mạnh

2 Bùi Minh
Đức

3 Đào Văn
Triệu

Giảng viên chấm:

Họ và tên giảng viên Chữ ký Ghi chú

Giảng viên chấm 1 :

Giảng viên chấm 2 :

 MỤC LỤC

DANH MỤC HÌNH ẢNH.....................................................................................

PHẦN MỞ ĐẦU..................................................................................................1

CHƯƠNG 1: TỔNG QUAN THUẬT TOÁN A*.............................................1

1.1 Thuật toán A*.............................................................................................1

1.2 Mô tả thuật toán A*...................................................................................2

1.3 Một số tính chất..........................................................................................2

1.4 Một số hàm heuristic................................................................................3

CHƯƠNG 2:TRÒ CHƠI GHÉP TRANH N-PUZZLE...................................4

2.1 Tổng quan trò chơi.....................................................................................4

2.2 Heuristic thường sử dụng trong N-Puzzle...............................................4

2.3 Quy luật ước lượng lời giải........................................................................7

CHƯƠNG 3: CÀI ĐẶT CHƯƠNG TRÌNH.....................................................9

3.1 Công nghệ sử dụng.....................................................................................9

3.2 Cài đặt chương trình.................................................................................9

3.2.1 Thiết kế giao diện..............................................................................9

3.2.2 Lập trình..........................................................................................11

3.2.3 Chạy chương trình.........................................................................15

3.2.4 Kết quả thu được............................................................................18

PHẦN KẾT LUẬN............................................................................................20

TÀI LIỆU THAM KHẢO................................................................................21

 DANH MỤC HÌNH ẢNH

Hình 2.1. Ví dụ về trò chơi n-puzzle.....................................................................5

Hình 2.2. Ví dụ Misplaced tiles trong N-Puzzle................................................... 6

Hình 2.3. Ví dụ Manhattan Distance trong N-Puzzle............................................6

Hình 2.4. Ví dụ Euclidian Distance trong N-Puzzle............................................. 7

Hình 2.5. Ví dụ Chebyshev Distance trong N-Puzzle...........................................7

Hình 2.6. Ví dụ ước lượng lời giải........................................................................9

Hình 3.1. Giao diện ứng dụng.............................................................................11

Hình 3.2. Cài đặt tính toán heuristic Misplaced Title......................................... 12

Hình 3.3. Cài đặt tính toán heuristic Manhattan..................................................12

Hình 3.4. Cài đặt tính toán heuristic Euclidean...................................................13

Hình 3.7. Class AstarAlgorithm..........................................................................15

Hình 3.8. Helper class......................................................................................... 16

Hình 3.9. Khởi động chương trình và chọn ảnh..................................................17

Hình 3.10. Ước lượng không thấy lời giải.......................................................... 17

Hình 3.11. Đảo lại, ước lượng đã có lời giải.......................................................18

Hình 3.12. Cho máy tính chạy giải với cả 4 heuristic.........................................18

Hình 3.12. Lựa chọn chạy với heuristis Manhattan............................................ 19

Hình 3.13. Quá trình chạy đang diễn ra.............................................................. 19

Hình 3.14. Hoàn thành chạy................................................................................20

 PHẦN MỞ ĐẦU
Trong thời đại hiện đại, trí tuệ nhân tạo (AI) đã trở thành một lĩnh vực đầy
tiềm năng và đa dạng, có sự ứng dụng rộng rãi trong nhiều lĩnh vực. Trò chơi
ghép tranh N-Puzzle là một ví dụ tiêu biểu về cách AI có thể giúp giải quyết các
vấn đề thách thức thông qua các thuật toán thông minh. Trò chơi này đòi hỏi
người chơi sắp xếp các miếng ghép tranh sao cho hình ảnh ban đầu được tái tạo.

Thuật toán A* là một trong những thuật toán tìm kiếm đường đi ngắn nhất
phổ biến trong lĩnh vực trí tuệ nhân tạo. Nó được sử dụng rộng rãi trong việc
giải quyết các vấn đề tìm đường đi trong không gian trạng thái. Trong đề tài này,
chúng em sẽ áp dụng thuật toán A* để giải quyết trò chơi Ghép tranh N-Puzzle,
một bài toán tối ưu hóa thú vị và có ứng dụng thực tế.

Báo cáo này sẽ giới thiệu về trò chơi Ghép tranh N-Puzzle, trình bày về
thuật toán A* và cách áp dụng nó vào việc giải quyết trò chơi này. Nhóm tác giả
cũng sẽ xem xét hiệu suất và độ phức tạp của thuật toán A* trong ngữ cảnh của
trò chơi Ghép tranh N-Puzzle.

Nhóm tác giả tin rằng báo cáo này sẽ cung cấp một cái nhìn sâu sắc về
cách trí tuệ nhân tạo có thể được áp dụng vào giải quyết các vấn đề thực tế thông
qua trò chơi và thuật toán tối ưu hóa. Nó cũng sẽ giúp độc giả hiểu rõ hơn về cơ
chế hoạt động của thuật toán A* và cách nó có thể được sử dụng để giải quyết
các bài toán tìm đường đi phức tạp.

Cuối cùng, xin gửi lời cảm ơn chân thành đến thầy Vũ Văn Định đã
hướng dẫn trong môn học Trí Tuệ Nhân Tạo. Không thể phủ nhận sự tận tâm,
kiên nhẫn và kiến thức sâu rộng mà thầy đã truyền đạt trong suốt khoá học nhất
là trong thời gian thực hiện đề tài, để đề tài có thể hoàn thành một cách thành
công nhất.
 CHƯƠNG 1: TỔNG QUAN THUẬT TOÁN A*
1.1 Thuật toán A*
Thuật toán A* được mô tả lần đầu tiên vào năm 1986 bởi Peter Hart, Nils
Nilson và Bertram Raphael. Trong báo cáo của họ, thuật toán được gọi là thuật
toán A, khi sử dụng thuật toán này với một hàm đánh giá Heuristic thích hợp sẽ
thu được hoạt động tối ưu, do đó nó có tên là A*.

Trong khoa học máy tính, A* là một thuật toán tìm kiếm trong đồ thị. Thuật
toán này tìm một đường đi từ nút khởi đầu tới một nút đích cho trước(hoặc tới
một nút thỏa mãn điều kiện đích). Thuật toán này sử dụng một đánh giá Heuristic
để xếp loại từng nút theo ước lượng về tuyến đường tốt nhất đi qua nút đó. Thuật
toán này duyệt theo các nút theo thứ tự của đánh giá heuristic, do đó nó là một ví
dụ của tìm kiếm theo lựa chọn tốt nhất (Best-first search).

Xét bài toán tìm kiếm đường đi – bài toán mà thuật toán A* thường được
dùng để giải. Thuật toán xây dựng tăng dần các tuyến đường từ điểm xuất phát
cho tới khi nó tìm thấy một đường đi tới đích. Tuy nhiên, cũng giống các thuật
toán tìm kiếm có thông tin (như AT, AKT,…), nó chỉ xây dựng các tuyến đường
có vẻ dần về đích.

Để biết những tuyến đường nào có khả năng dẫn tới đích, A* sử dụng hàm
đánh giá heuristic về khoảng cách từ điểm bất kì cho tới đích. Trong trường hợp
tìm đường đi, đnash giá này có thể là khoảng cách đường chim bay – đánh giá
xấp xỉ thường dùng cho khoảng cách đường giao thông, cũng là cách tính thông
dụng nhất.

Điểm khác biệt của A* so với tìm kiếm theo lựa chọn tốt nhất như AT, AKT
là nó còn tính đến khoảng cách đã đi qua, điều này làm cho A* đầy đủ và tối ưu,
nghĩa là A* sẽ luôn tìm được đường đi ngắn nhất trong trường hợp bài toán có tồn
tại đường đi như thế. A* không đảm bảo rằng sẽ chạy nhanh hơn các thuật toán
khác. Ví dụ trong bài toán dạng mê cung, cách để đi đến đích có thể phải đi vòng

1
ra xa đích sau đó quay trở lại, trong trường hợp đó, việc thử các nút theo thứ tự
“gần đích hơn thì ưu tiên” có thể gây tốn thời gian hơn rất nhiều.

1.2 Mô tả thuật toán A*

A* lưu giữ một tập các lời giải chưa hoàn chỉnh, nghĩa là các đường đi qua
đồ thị, bắt đầu từ nút xuất phát. Tập lời giải này được lưu trong một hàng đợi ưu
tiên (priority queue). Thứ tự ưu tiên gán cho một đường đi x được quyết định bởi
hàm: f(x) = g(x) + h(x)

Trong đó:

g(x): là chi phí của đường đi cho đến thời điểm hiện tại, nghĩa là tổng
trọng số của các cạnh đã đi qua.
h(x): là hàm đánh giá heuristic về chi phí nhỏ nhất để đến đích từ x. Ví
dụ, nếu "chi phí" được tính là khoảng cách đã đi qua, khoảng cách đường chim
bay giữa hai điểm trên một bản đồ là một đánh giá heuristic cho khoảng cách
còn phải đi tiếp.

Mã giả:

function A*(điểm_xuất_phát,đích)
var đóng:= tập rỗng
var q:= tạo_hàng_đợi(tạo_đường_đi(điểm_xuất_phát))
while q không phải tập rỗng
var p:= lấy_phần_tử_đầu_tiên(q)
var x:= nút cuối cùng của p
if x in đóng
continue
if x == đích
return p
bổ sung x vào tập đóng
foreach y in các_đường_đi_tiếp_theo(p)

2
 đưa_vào_hàng_đợi(q, y)
return failure
1.3 Một số tính chất

 A* là một thuật toán đầy đủ, nếu có một lời giải cho bài toán, thì A* sẽ
tìm thấy nó.
 Tính chất tối ưu của A* liên quan đến hàm heuristic. Nếu hàm heuristic
đủ tốt thì A* sẽ cho ra lời giải tối ưu.
 A* sử dụng ít tài nguyên hơn so với các thuật toán khác khi sử dụng cùng
một hàm heuristic, với điều kiện hàm heuristic đảm bảo tính đơn điệu hoặc tối
ưu.
1.4 Một số hàm heuristic

Hàm heuristic (hàm ước tính) có vai trò quan trọng trong việc xác định chi
phí dự kiến từ nút hiện tại đến mục tiêu. Nó giúp A* quyết định xem nên mở
rộng nút nào tiếp theo để tìm kiếm đường đi ngắn nhất.

Hiện nay có rất nhiều hàm heuristic đã được sử dụng trong A*, ví dụ có thể
kể tới như:

· Misplaced tiles(Haming distance): Đây có lẽ là heuristic đơn giản nhất,

dựa trên việc đếm số vị trí đứng không đúng so với trạng thái mục tiêu.
· Euclidean Distance: Đây là một heuristic cơ bản dựa trên khoảng cách
Euclidean giữa hai điểm trên một lưới hoặc trong không gian Euclidean 2D
hoặc 3D. Nó được tính bằng công thức khoảng cách Euclidean thông thường.
Ví dụ trên không gian 3D:

· Manhattan Distance: Ước tính khoảng cách bằng cách sử dụng độ lệch
theo chiều ngang và dọc trên lưới (hoặc trong không gian 2D).

3
 · Chebyshev Distance: Đây là một loại heuristic khác dựa trên khoảng
cách theo đường chéo trên lưới (hoặc trong không gian 2D). Nó sử dụng lệch
tuyệt đối lớn nhất giữa các tọa độ x và y.

4
 CHƯƠNG 2:TRÒ CHƠI GHÉP TRANH N-PUZZLE

2.1 Tổng quan trò chơi

Trò chơi N-PUZZLE được biết đến với nhiều phiên bản và tên gọi khác
nhau như 8-puzzle, 15-puzzle, Gem puzzle, Boss puzzle, Game of Fifteen,
Mystic Square,…, là một bài toán khá hay và trí tuệ. Bài toán này là vấn đề cổ
điển cho mô hình thuật toán liên quan đến trí tuệ nhân tạo.
Mục tiêu trò chơi đặt ra là tìm đường đi từ trạng thái bất kì tới trạng thái
đích. Và đương nhiên có thể trạng thái ban đầu sẽ không bao giờ đi tới trạng
thái đích được.

Hình 2.1. Ví dụ về trò chơi n-puzzle

Để đơn giản trong cách tiếp cận giải bài toán, người ta giả định chỉ có ô
trống trong bảng là di chuyển đến những vị trí khác. Như vậy tại một trạng thái
thì chỉ có tối đa 4 cách đi để chuyển sang trạng thái khác (trái, phải, lên, xuống).

2.2 Heuristic thường sử dụng trong N-Puzzle

Trong N-Puzzle có một số heuristic phổ biến vì tính dễ cài đặt của nó. Trong đó
gồm có:

5
 Misplaced tiles: Heuristic này đếm số lượng mảnh sai vị trí so với trạng thái
đích. Ví dụ như hình vẽ:

Hình 2.2. Ví dụ Misplaced tiles trong N-Puzzle

 Manhattan Distance: vì ma trận bài toán N-PUZZLE dạng 2 chiều nên
hoàn toàn giống bên trên. Ta sẽ lần lượt đi tính số bước mà lần lượt các ô cần để
di chuyển tới vị trí đích, không quan tâm tới các ô khác.

Hình 2.3. Ví dụ Manhattan Distance trong N-Puzzle

6
 Euclidian Distance: Đối với N-PUZZLE là không gian 2D nên để tính
khoảng cách từ ô đang đứng tới ô đúng, ta sử dụng công thức tính khoản cách

trên mặt phẳng Oxy:

Hình 2.4. Ví dụ Euclidian Distance trong N-Puzzle

 Chebyshev Distance: Heuristic này tính khoảng cách Chebyshev từ vị trí
hiện tại đến vị trí mục tiêu. Khoảng cách Chebyshev giữa hai điểm là giá trị
lớn nhất giữa sự chênh lệch theo chiều ngang và chiều dọc giữa chúng.

Hình 2.5. Ví dụ Chebyshev Distance trong N-Puzzle

7
2.3 Quy luật ước lượng lời giải

Đối với mỗi bài toán, không phải lúc nào chúng ta cũng tìm ra lời giải.
Trong những bài toán không tìm ra lời giải, ta nên ước tính xem bài toán đó có
lời giải không, nếu có ta mới thực hiện tìm kiếm lời giải để tránh mất thời gian.
Bài toán N-PUZZLE cũng có cách ước lượng để tìm kiếm xem ở một trạng thái
bất kì có thể đưa về trạng thái đích được không.

Cho trạng thái đầu tiên, ta duyệt qua từng ô theo thứ tự từ trái qua và từ trên
xuống, ở mỗi ô số duyệt đến, ta hãy đếm xem có bao nhiêu ô số có giá trị bé hơn
nó (không tính ô trống). Đây chính là phương pháp tính heuristic Misplaced
tiles(Haming distance).

Với n là kích thước của trò chơi, H là hàm heuristic tính theo Misplaced
tiles, dòng của ma trận tính từ 1, ta có thể ước lượng:

 Với n lẻ:
o Nếu H chia hết cho 2, bài toán chắc chắn có lời giải, ngược lại
không thể tìm ra lời giải.
 Với n chẵn xảy ra 2 trường hợp có lời giải:
o H chia hết cho 2 và ô trống nằm trên dòng chẵn tính từ trên xuống.
o H không chia hết cho 2 và ô trống nằm trên dòng lẻ tính từ trên
xuống.

8
 Hình 2.6. Ví dụ ước lượng lời giải

Với trạng thái trên ta tính được heuristic của trạng thái này:

Vì n = 3 mà h chia hết cho 2, vậy trạng thái này có thể giải được.

Rất dễ thấy là mỗi trạng thái của bảng số là một hoán vị của n x n phần tử
(với n là cạnh), như vậy không gian trạng thái của nó là (n x n)!, với 8-puzzle là
9! = 362880 (n = 3) và 15-puzzle là 16! = 20922789888000 (n = 4). Khi n tăng
lên 1 đơn vị thì không gian trạng thái tăng lên rất nhanh, điều này khiến cho việc
giải quyết các phiên bản n>3 ít khi được áp dụng. Ước lượng lời giải rất hữu ích
trong việc ta cài đặt chạy trên bài toán n lớn. Ta có thể xử lý luôn được những
trạng thái không trả ra kết quả.

Lưu ý rằng đây chỉ là ước lượng bài toán có thể giải được, còn giải trong
bao lâu, giải bao nhiêu bước thì chưa thể xác định được.

9
 CHƯƠNG 3: CÀI ĐẶT CHƯƠNG TRÌNH

3.1 Công nghệ sử dụng

Nhóm tác giả chọn sử dụng ngôn ngữ lập trình C# và Winforms để xây
dựng chương trình demo giải bài toán N-PUZZLE.

Do máy tính cá nhân không đủ mạnh và với mục đích học tập nên chỉ cài
đặt chạy trên ma trận 3*3, 2*2 có thể nhìn và giải được(nếu có lời giải). Nếu
chạy ở mức cao hơn cần phải sử dụng thuật toán khác, máy tính cấu hình khác,
cần tối ưu hơn.

Lý do chọn sử dụng C# và Winforms:

 Nhanh chóng xây dựng ứng dụng: C# là một ngôn ngữ lập trình mạnh
mẽ và dễ học, có nhiều thư viện và khung làm việc sẵn có. WinForms
cung cấp một cách nhanh chóng và đơn giản để xây dựng giao diện
người dùng. Điều này cho phép phát triển ứng dụng nhỏ một cách
nhanh chóng.
 Hỗ trợ đa luồng: C# cung cấp hỗ trợ đa luồng mạnh mẽ. Trong bài
toán N-Puzzle cần thực hiện tính toán phức tạp trong thời gian dài.
Bằng cách sử dụng đa luồng, ta có thể tận dụng tối ưu CPU và ngăn
ứng dụng bị đứng trong quá trình chạy.
 Dễ dàng chia sẻ và triển khai: Sử dụng C# và WinForms khiến việc
đóng gói và cài đặt ứng dụng lên nhiều máy tính dễ dàng trên nền
tảng Windows.

3.2 Cài đặt chương trình

3.2.1 Thiết kế giao diện

 Giao diện chương trình được thiết kế với sự đơn giản và sử dụng các control
mặc định, tạo ra một trải nghiệm dễ nhìn và dễ sử dụng.

10
 Hình 3.1. Giao diện ứng dụng

 Chi tiết các phím:

 Phím “Chọn ảnh”: Chọn ảnh từ máy tính để sinh ra các ô ngẫu
nhiên, khuyến khích chọn ảnh kích thước từ 512x512 trở lên, hình vuông.
 Phím “Ngẫu nhiên”: trộn ngẫu nhiên ảnh trên màn hình.
 Phím “Ước lượng”: ước lượng xem bài toán có lời giải không.
 Phím “Giải hết”: giải với 3 heuristic được cài đặt sẵn, tính toán số
bước đi, thời gian thực hiện(theo mili second). Yêu cầu bấm phím “Ngẫu
nhiên” trước.
 Ô chọn “Heuristic”: có 3 heuristic được cài đặt sẵn: Misplaced
Tiles, Manhattan Distance và Euclidean Distance.
 Phím “Chạy”: Chạy tính toán với heuristic đang chọn, các bước sẽ
tuần tự thực hiện bên trái chương trình. Yêu cầu bấm phím “Ngẫu nhiên”
trước.
 Phím “Lời giải”: hiển thị số bước của lời giải, đang giải tới bước thứ
bao nhiêu.
 Phím “Tốc độ”: điều chỉnh tốc độ giải.
 Phím “Xóa hết”: xóa mọi trạng thái của ứng dụng, đưa ứng dụng
trở về trang thái ban đầu.

11
3.2.2 Lập trình

Do chương trình khá dài nên phần này nhóm tác giả chỉ trình bày những
phần cốt lõi liên quan tới thuật toán A*.

 Các hàm tính toán heuristic trên mảng 2 chiều

 Heuristic Misplaced Tile:

Hình 3.2. Cài đặt tính toán heuristic Misplaced Title

 Heuristic Manhattan:

Hình 3.3. Cài đặt tính toán heuristic Manhattan

12
  Heuristic Euclidean:

Hình 3.4. Cài đặt tính toán heuristic Euclidean

 Heuristic Chebyshev

Hình 3.5. Cài đặt tính toán heuristic Chebyshev

 Các class quan trọng
 Node: Biểu diễn các node trong quá trình tìm kiếm lời giải

13
 Hình 3.6. Class Node
o G: quãng đường đã đi được
o Heuristic: hàm heuristic tính toán so với trạng thái đích
o Index: chỉ số của node
o Matrix: trạng thái hiện tại đang nắm giữ
o Parent:Node cha sinh ra trạng thái hiện tại

 AstarAlgorithm: class này đảm nhiệm việc giải, truy vết kết quả

14
 Hình 3.7. Class AstarAlgorithm
o BestOpenIndex: trả về vị trí nút tốt nhất trong tập open.
o CompareBetter: so sánh node hiện tại với danh sách node trong tập
open hoặc close dựa vào ma trận.
o EqualMatrix: so sánh trạng thái hai ma trận có giống nhau hoàn toàn
hay không.
o GetDipdicateNodeInClose: tìm kiếm node trùng trong close, sử dụng
trong trường hợp trong close và open chung một node nhưng có nốt
tốt hơn.
o Solve:Sử dụng tất cả các method trên để tìm kết quả
o BacktrackingResult: quay lui tìm kết quả sau khi giải thành công.

 Helper class

15
 Hình 3.8. Helper class
o GameHelper: hỗ trợ việc ước lượng kết quả, tìm ra vị trí ô trống trên
ma trận.
o ImageHelper: giúp cắt ảnh, xử lý ảnh phù hợp với giao diện.
o TableLayoutHelper: giúp trực quan hóa ảnh, trực quan hóa các bước
di chuyển của thuật toán.
o MatrixHelper: giúp lấy ra ma trận hiện tại trên giao diện, lấy ma trận
đích, biến ma trận hai chiều thành 1 chiều.
o TaskHelper: Hỗ trợ đa luồng cho ứng dụng, giúp ứng dụng không bị
treo trong quá trình chạy kết quả thuật toán.
3.2.3 Chạy chương trình
Chương trình đã được kiểm thử một số lỗi cơ bản giúp trải nghiệm tốt hơn.

16
Hình 3.9. Khởi động chương trình và chọn ảnh

Hình 3.10. Ước lượng không thấy lời giải

17
 Hình 3.11. Đảo lại, ước lượng đã có lời giải

Hình 3.12. Cho máy tính chạy giải với cả 4 heuristic

18
Hình 3.12. Lựa chọn chạy với heuristis Manhattan

Hình 3.13. Quá trình chạy đang diễn ra

19
 Hình 3.14. Hoàn thành chạy
3.2.4 Kết quả thu được

 Như vậy sau khi chạy và kiểm thử, chương trình đã có thể đáp ứng đủ các
yêu cầu cơ bản để giải quyết bài toán N-PUZZLE.
 Dưới đây là bảng tính số bước chạy và thời gian chạy theo từng heuristic:

Bảng số bước chạy và thời gian chạy theo từng heuristic

Kết quả
Misplaced Tiles Manhattan Euclidean Chebyshev
Lần chạy
1 28 | 5ms 28 | 2ms 28 | 5ms 58 | 154ms

2 66 | 66ms 50 | 26ms 62 | 2ms 30 | 1ms

3 48 | 18ms 46 | 2ms 48 | 23ms 64 | 190ms

4 46 | 104ms 58 | 15ms 56 | 41ms 48 | 39ms

5 47 | 11ms 47 | 4ms 53 | 48ms 45 | 4ms

Trung bình 47 | 48ms 49 | 9,8ms 49, 23,8ms 49 | 77,6ms

20
 Nhận xét tổng quan sau 5 lần chạy: cả 4 heuristic trung bình số bước chạy
tương đương nhau, thời gian có một chút biến động:
o Manhattan: Thời gian chạy tốt nhất.
o Euclidean: Thời gian chạy tương đối thấp.
o Misplaced Tiles: Thời gian chạy ở mức trung bình.
o Chebyshev: Chạy lâu hơn.
 Dưới đây là mã nguồn của chương trình A* giải bài toán N-Puzzle đã được
triển khai và có sẵn cả bản cài đặt và mã nguồn đầy đủ. Dự án được lưu trữ
trên Github tại: https://github.com/D16IT6/AStarPuzzle.
 Tóm lại, chương trình N-Puzzle đã thành công trong việc thử nghiệm và triển
khai thuật toán tìm kiếm A*.

21
 PHẦN KẾT LUẬN
Bài báo cáo về bài toán N-Puzzle không chỉ là một sự giới thiệu sâu rộng
về thuật toán tìm kiếm và heuristics, mà còn là một hành trình khám phá thú vị
về ứng dụng của trí tuệ nhân tạo trong giải quyết vấn đề thực tế. Việc nghiên
cứu và cài đặt bài toán này không chỉ mang lại kiến thức vững về lý thuyết mà
còn mở rộng tầm nhìn về cách áp dụng chúng vào những thách thức phức tạp
hơn trong thế giới thực.
N-Puzzle đưa ra nhận thức về những thách thức khi áp dụng chúng vào
các trạng thái lớn hơn. Điều này đặt ra những cơ hội nghiên cứu tiềm năng về tối
ưu hóa thuật toán và phương pháp giải quyết bài toán trong các tình huống phức
tạp và thực tế.
Trong bài báo cáo, việc đánh giá sự hiệu quả của các heuristic như
Misplaced Tiles, Manhattan Distance, Euclidean Distance, Chebyshev Distance
là rất quan trọng. Điều này thúc đẩy sự nhận thức về tầm quan trọng của việc
chọn lựa và kết hợp các phương pháp khác nhau để đạt được hiệu suất tốt nhất
trong việc giải quyết bài toán N-Puzzle.
Mặc dù đã đạt được nhiều thành công, việc thừa nhận rằng vẫn còn những
thách thức và hướng nghiên cứu tiềm năng là một cách tiếp cận khôn ngoan.
Điều này thể hiện tinh thần tự học và không ngừng cải tiến trong lĩnh vực trí tuệ
nhân tạo. Việc chia sẻ những kiến thức và kinh nghiệm từ bài toán này thông
qua báo cáo cũng là một cách quan trọng để cộng đồng nghiên cứu có thể học
hỏi và phát triển.
Cuối cùng, việc mở cửa đón nhận sự đóng góp và phản hồi là một bước
quan trọng để nâng cao chất lượng của bài báo cáo. Bài báo cáo chắc chắn
không tránh khỏi những sai sót, mong các thầy cô, độc giả góp ý để hoàn thiện
hơn. Xin chân thành cảm ơn!

22
 TÀI LIỆU THAM KHẢO
[1]. Từ Minh Phương, Nhập môn trí tuệ nhân tạo, Học viện công nghệ bưu
chính viễn thông; 2014
[2]. Đinh Mạnh Tường. Trí tuệ nhân tạo, Nhà xuất bản Khoa học kỹ thuật,
2002

23