Professional Documents
Culture Documents
Artificial Intelligence
Artificial Intelligence
: نام مرجع
Email:amin.yousefli@pardisiau.ac.ir
Email:amin.yousefli@yahoo.com
1
هوش مصنوعي
فصل اول
مقدمه
2
Artificial Intelligence هوش مصنوعي
فهرست
هوش مصنوعي چيست؟
مباني هوش مصنوعي
تاريخچه هوش مصنوعي
مقدمه
هوش مصنوعي چيست؟
B
A
6
مقدمه
12
(تاريخچه هوش مصنوعي) مقدمه
،1956نشست کارگروهي دورتموند :انتخاب نام هوش مصنوعي
،1959هربرت جلونتر :برنامه( )GTPرا ساخت که قضايا را با اصل موضوعات مشخص
ثابت مي کرد.
،1958جان مک کارتي :تعريف زبان ليسپ که بهترين زبان هوش مصنوعي شد.
،1973-1958جيمز اسالگل :برنامه حل مسايل انتگرالگيري فرم بسته
تام ايوانز :برنامه حل مشابهت هاي هندس ي
دانيل بابروز :برنامه حل مسايل جبري
ديويد هافمن :پروژه محدوده بينايي روبات در جهان بلوکها
ديويد والتز :سيستم بينايي و انتشار محدود
13
پاتريک ونيستون :نظريه يادگيري
(تاريخچه هوش مصنوعي) مقدمه
( )1966-1973کند شدن مسير تحقيقات هوش مصنوعی
پيچيده شدن الگوريتم برنامه های جديد
برنامه ترجمه متون
16
هوش مصنوعي
فصل دوم
عاملهاي هوشمند
17
Artificial Intelligence هوش مصنوعي
فهرست
عامل
خواص محيطهای وظيفه
برنامه های عامل
18
عاملهای هوشمند
دنباله ادراک
سابقه کامل هر چيزی است که عامل تاکنون درک کرده است.
تابع عامل
رفتار عامل توسط تابع عامل توصيف ميشود که هر دنباله ادراک را به يک فعاليت
نقش ميکند.
f : P* A
دنباله ادراک :تابع عامل فعاليت
19
عاملهای هوشمند
عامل
حسگرها ادراک ها
فعاليت ها
محرکها
20
عاملهای هوشمند
معيارهای کارايي
معيار کارايي ،معياری برای موفقيت رفتار عامل است.
• بر اساس خواسته های فرد در محيط انتخاب ميشود
رفتار عقاليي
معيار کارايي که مالکهای موفقيت را تعريف ميکند
دانش قبلي عامل نسبت به محيط
فعاليتهايي که عامل ميتواند انجام دهد
دنباله ادراک عامل در اين زمان 21
عاملهای هوشمند
))Omni science عامل عالِـم
خروجی واقعی فعاليت خود را ميداند و ميتواند بر اساس آن عمل کند
24
عاملهای هوشمند
عاملهای واکنش ی ساده
حسگرها اين عاملها فعاليت را بر اساس
عامل درک فعلی و بدون در نظر گرفتن
جهان چگونه است
سابقه ادراک ،انتخاب ميکند
به خاطر حذف سابقه ادراک
محيط
برنامه عامل در مقايسه با جدول آن
قانون بسيار کوچک است
اکنون چه عملی بايد
شرط عمل انجام دهم
انتخاب فعاليت بر اساس يکسری
قوانين موقعيت شرطي انجام ميشود
محرکها
25
عاملهای هوشمند
مثالي از عامل واکنش ی ساده در دنيای جاروبرقي
تصممميگ گیممنی آن بممر اسمماس مکـان
فعل ـ ـ ـ ــی و کثي ـ ـ ـ ــف ب ـ ـ ـ ــودن آن مک م م م ممان
صورت ميگیند
در برنام م ممه عام م ممل در مقايس م ممه ب م مما
ج ممدول آن ،تع ممداد مالن ممای ممک ممن ا
4به 4کاهش مي يابد
)]function REFLEX-VACUUM-AGENT ([location, status
return an action انتخ م م م مماب فعالي م م م ممت ب م م م ممر اسم م م م مماس
if status == Dirty then return Suck
else if location == A then return Right موقعيت شرطي:
else if location == B then return Left If dirty then suck
26
عاملهای هوشمند
عاملهای واکنش ي مدل گرا
اس م م م ممتفاد ا دا م م م م “چگ ـ ـ ـ ــون ی
حالت حسگرها
عملکرد جهان” که مدل نام دارد
جهان چگونه
جهان چگونه است عام م م ممل بخش ـ ـ ـ ي از دني ـ ـ ــايي را ک م م ممه
تکامل می يابد
فعال ميبيند رديابی ميکند
محيط
کار فعاليت
چيست عامل بايمد حالت داخلـي را ذخیمن
کن م ممد ک م ممه ب م ممه س ـ ــابقه ادراک بس م ممت ي
قانون اکنون چه عملی بايد
شرط عمل انجام دهم
دارد
در ه م ممر و م ممعيت ,عامم ممل ميتوانم ممد
عامل محرکها توصــيف جديــدی ا جهممان را کس م
27
کند
عاملهای هوشمند
حسگرها
عاملهای هدف گرا
حالت
اي م ممن عام م ممل ع م ممالو ب م ممر توص م ممي مالم م ممت
فعلم م ممن ،ب م م مرای انتخم م مماب موقعيـ ـ ــت مطلـ ـ ــوب
جهان چگونه است نيا مند اطالعات هدف نیز ميباشد
جهان چگونه
تکامل می يابد جســت و جــو و برنامــه ري ــزی ،دنبالممه ای
محيط
اگر فعاليت Aرا ا فعالين مما را ب مرای رسمميدن عامممل بممه هممدف،
کار فعاليت انجام دهم چه خواهد
شد پيدا ميکند
چيست
اين نوع تصميگ گینی هموار آينـده را در
اکنون چه عملی بايد نظم ممر دارد و بم مما مم مموانین شم ممر عمم ممل تفم مماوت
اهداف انجام دهم دارد
ايممن نمموع عامممل ممارایي دنممدا م نممدارد ،ام ما
عامل محرکها قابليت انعطاف بيشتنی دارد
28
عاملهای هوشمند
حسگرها
عاملهای سودمند
حالت
اي ممن عام ممل بم مراي اهـ ــداف مشـ ــخص ،راه
هـ ــای مختلفـ ــی دارد ،ک ممه را م ممل ت ممن ب ممرای
جهان چگونه است عامل سودمندتر است.
جهان چگونه
تکامل می يابد ت ــابع س ــودمندی ،مال ممت ي مما دنبال ممه ای ا
اگر فعاليت Aرا
محيط
انجام دهم چه خواهد مالن ا را به يم عمدد حقيقـی ن اشمت ميکنمد
کار فعاليت شد که درجه رضايت را توصي ِميکند.
چيست
سودمند
در چنين حالتی چقدر ومت م اهــداف متضــاد باشممند ،بعض ـ ی ا
رضايت دارم آن ا برآورد ميشوند
اکنون چه عملی بايد اگممر هيچي ــک از اه ــداف بممه ط ممور مط ممن
انجام دهم مابممل مصممول نباشممند ،امتمممال موفقيممت بمما
عامل محرکها
اهميت هدف مقايسه ميشود
29
عاملهای هوشمند
استاندارد کارايي عاملهای يادگيرنده
عنص م م م م ِمر ِ يادگيرن ـ ـ ـ ــده مس م م م م ول ايج م م م مماد
منتقد حسگرها بودها
عنصر کارايي مس ول انتخماب فعالين مای
بازخورد
خارجن
محيط
تغييرات منتقــد مش م م ميکنممد کممه يادگیننممد بمما
عنصر
عنصر کارايي توجممه بممه اسممتانداردهای ممارایي د ونممه عمممل
يادگيرنده دانش
ميکند
يادگيری
اهداف
فهرست
عاملهای حل مسئله
مسئله
اندازه گيری کارايي حل مسئله
جستجوی ناآگاهانه
اجتناب از حالتهای تکراری
جستجو با اطالعات ناقص
32
حل مسئله با جستجو
عاملهای حل مسئله
چهار گام اساس ي برای حل مسائل
فرموله کردن هدف :وضعيتهای مطلوب نهايي کدامند؟
فرمولــه کــردن مســئله :چــه فعاليتهــا و وضــعيتهايي بــرای رســيدن بــه هــدف موجــود
است؟
جستجو :انتخاب بهترين دنباله از فعاليتهايي که منجر بـه حـاالتی بـا مقـدار شـناخته
شده ميشود.
اجـرا :وقتــی دنبالــه فعاليــت مطلــوب پيــدا شــد ،فعاليتهــای پيشــنهادی آن ميتوانــد اجــرا
شود.
33
حل مسئله با جستجو
مثال :نقشه رومانی
34
حل مسئله با جستجو
مثال :نقشه رومانی
صورت مسأله :رفتن از آراد به بخارست
مال ممت اولي ممه :ه ممر م ممالت ميتوان ممد ب ممه عن مموان مال ممت
اوليه طراحن شود
مال ممت اولي ممه :ه ممر م ممالت ميتوان ممد ب ممه عن مموان مال ممت
اوليه طراحن شود
مالت اوليه :هر مالتي را ميتوان به عنوان مالت اوليه در نظر گرفت
تممابع جا شممین :مالن ممای معتعممن ا دهممار عمممل ،انتقممال خانممه خممالن ب مه دممپ،
راست ،باال يا پايین
آ م ممون ه ممدف :بررس م ميکنممد کممه مممالت ک ممه اعممداد بممه ترتي م ديممد ش مد
اند(طبق شکل رو رو) رخ داد يا نه
40
حل مسئله با جستجو
مثال :معمای8
مالن ا :مکان هر هشت خانه شمار دار و خانه خالن در يکي ا 9خانه
مالت اوليه :هر مالتي را ميتوان به عنوان مالت اوليه در نظر گرفت
تممابع جا شممین :مالن ممای معتعممن ا دهممار عمممل ،انتقممال خانممه خممالن ب مه دممپ،
راست ،باال يا پايین
آ م ممون ه ممدف :بررس م ميکنممد کممه مممالت ک ممه اعممداد بممه ترتي م ديممد ش مد
اند(طبق شکل رو رو) رخ داد يا نه
41
حل مسئله با جستجو
مثال :مسئله 8وزير
فرمول بندی افزايش ي
مالن ا :هر ترتيبي ا 0تا 8و ير در صفحه ،ي مالت است
مالت اوليه :هيچ و يری در صفحه نيست
تابع جا شین :و يری را به خانه خالن ا افه ميکند
آ مممون هممدف8 :و يممر در صممفحه وجممود دارنممد و همميچ کممدام بممه
يکديگر گارد نميگینند
46
حل مسئله با جستجو
اندازه گيری کارايي حل مسئله
امل بودن :آيا ال وريتگ تضمین ميکند که در صورت وجود را مل ،آن را بيابد؟
ي :آيا اين راهعند ،را مل ينه ای را ارائه ميکند. ين
ما م :دقدر طول ميکشد تا را مل را پيدا کند؟ پيچيدگي
تعداد گر های توليد شد در اثنای جستجو
47
حل مسئله با جستجو
جستجوی ناآگاهانه
ناآگاهن اين است که ال وريتگ هيچ اطالعاتم غین ا تعري مس له در اختيار ندارد
اين ال وريتمها فقط ميتواند جا شيا ایي را توليد و هدف را ا غین هدف تش يم دهند
راهعندهممایي کممه تشم يم ميدهممد يم مالممت غیممن هممدف سممدت بممه گممر غیممن هممدف ديگممر ،اميممد بخم تممر اسممت،
جست و جوی آگاهانه يا جست و جوی اکتشاف ناميد ميشود.
راهبردها
جست و جوی هزينه يکنواخت جست و جوی عرض
جست و جوی عمقم محدود جست و جوی عمقم
جست و جوی دو طرفه جست و جوی عميق کنند تکراری
48
حل مسئله با جستجو
جستجوی عرض ی
A
49
حل مسئله با جستجو
جستجوی عرض ی
امل بودن :بله
بله (مشرو ) ين م :بله (مشرو )
گر در صورتم ينه است که هزينه مسین ،تاب ن غین نزو لن ا عمق
باشد(.مثل ومتي که فعالين ا هزينه يکسا م دارند)
7
4 J K L M N O P Q
5
53
حل مسئله با جستجو
جستجوی عمقی
امل بودن :خین
اگر ير درخت دپ عمق نامحدود داشت و فامد هر گونه را مل باشد،
جستجو هرگز خاتمه نمي يابد.
ين م :خین
m
) O(b پيچيدگي ما ي:
)O(bm پيچيدگم فضا:
54
حل مسئله با جستجو
جستجوی عمقی محدود
مس له درخن ای نامحدود ميتواند به وسيله جست و جوی عمقي با عمق محدود Lبود
يابد
A
57
حل مسئله با جستجو
جستجوی عميق کننده تکراري
A
58
حل مسئله با جستجو
جستجوی عميق کننده تکراري
A
J K L M N O P Q R S
59
حل مسئله با جستجو
جستجوی عميق کننده تکراري
امل بودن :بله
در صورتم که فاکتور ا شعاب محدود باشد
ين م :بله
ومت که هزينه مسین ،تاب ن غین نزو لن ا عمق گر باشد
d
) O(b پيچيدگي ما ي:
)O(bd پيچيدگم فضا:
60
حل مسئله با جستجو
جستجوی دو طرفه
انجام دو جست و جوی همزمان ،يکي ا مالت اوليه به هدف و ديگری ا هدف به مالت اوليه تا
ما م که دو جست و جو به هگ برسند
61
حل مسئله با جستجو
جستجوی دو طرفه
امل بودن :بله
اگر هر دو جستجو ،عرض باشند و هزينه تمام مرامل يکسان باشد
ين م :بله
اگر هر دو جستجو ،عرض باشند و هزينه تمام مرامل يکسان باشد
d/2
) O(b پيچيدگي ما ي:
) O(b d/2
پيچيدگم فضا:
62
حل مسئله با جستجو
اجتناب از حالتهای تکراری
وجود مالن ای تکراری در ي مس له مابل مل ،ميتواند آن را به مس له غین مابل مل تبديل کند
63
حل مسئله با جستجو
جستجو با اطالعات ناقص
مس له های فامد مسگر :اگر عامل فامد مسگر باشد ،ميتواند در يکي ا دند مالت اوليه باشد
و هر فعاليت ميتواند آن را به يکي ا دند مالت جا شین بعند
مس له های امتضایي :اگر محيط به طور جزئم مابل مشاهد باشد يا اگر فعالين ا مط نباشد،
ادرا ات عامل ،پس ا هر عمل ،اطالعات جديدي را ت يه ميکنند .هر ادراک ممکن ،امتضایم را تعري ميکند
که بايد برای آن برنامه ريزی شود
مسائل خصمانه :اگرعدم مطعيت در اثر فعالين ای عامل ديگری بوجود آيد ،مس له را
خصمانه گويند
مس له های اکتشافن :ومت مالن ا و فعالين ای محيط ناشناخته باشند ،عامل بايد س کند آن ا را
کش کند .مس له های اکتشافن را ميتوان شکل ن ایم مس له های امتضایي دا ست
64
حل مسئله با جستجو
مثال :دنيای جاروبرقی فاقد حسگر
عامممل جممارو تمممام اثمرات فعالين مماي را ميدانممد اممما فامممد
مسگر است.
مال م م م م م م م م م م م م م م م ممت اولي م م م م م م م م م م م م م م م ممه آن يک م م م م م م م م م م م م م م م ممي ا اعض م م م م م م م م م م م م م م م ممای
مجموعه{ }1،2،3،4،5،6،7،8ميباشد
{}2،4،6،8 فعاليت ((Right
66
هوش مصنوعي
فصل دهارم
جست و جوی آگاهانه و اکتشاف
67
Artificial Intelligence هوش مصنوعي
فهرست
متدهای جست و جوی آگاهانه
يادگيری برای جست و جوی بهتر
جست و جوی محلی و بهينه سازی
جست و جوی محلی در فضاهای پيوسته
عاملهای جست و جوی Online
68
جست و جوی آگاهانه و اکتشاف
70
جست و جوی آگاهانه و اکتشاف
جستجوی حريصانه
A
3 1
1 2
B C
1 2 1 1
5 3 3 2
D E F G
1 3 3 2 1 2 1 3
2 1 2 1 3
H I 3 J K L 3 M N O
3 2 3 2 3 0 3 2 1 1 2 3
3
P Q R S T U V W X Y Z
1 2 2 1 1 2 1 0 2 1 71
جست و جوی آگاهانه و اکتشاف
جستجوی حريصانه
A
2
1
3 1
2
1
B C
1 2 1 1
5 3 3 23
D E F
1
G
3
4
1 3
N O
1
5
X
0 72
جست و جوی آگاهانه و اکتشاف
جستجوی حريصانه
A
2 1
1 4
B C
1 1 1 1
5 1 3 3
D E F G
1 3 3 3 1 2 1 3
1 1
5 1
2
D
3
E
3
3
1
J K
0
74
جست و جوی آگاهانه و اکتشاف
جستجوی حريصانه
امل بودن :خین
اما اگر * h = hآن ا جستجو امل ميشود
ين م :خین
اما اگر * h = hآن ا جستجو امل ميشود
) O(bm پيچيدگي ما ي:
) O(bd اما اگر * h = hآن ا
) O(bm پيچيدگم فضا:
اما اگر * h = hآن ا ) O(bd
75
جست و جوی آگاهانه و اکتشاف
A* جستجوی
A/5
2 1
B/4 C/4
1 1 1 1
D/5 E/1 F/3 G/2
1 3 3 3 1 2 1 3
P/3 Q/1 R/2 S/2 T/1 U/1 V/2 W/1 X/0 Y/2 Z/1
76
جست و جوی آگاهانه و اکتشاف
جستجوی *A
A/5
2 1
51
6
B/4 C/4
1 1
5 42
F/3 G/2
1 3
3
N/1 4 O/3
8
1
X/0
4 77
جست و جوی آگاهانه و اکتشاف
A* جستجوی
A/5
2 1
B/1 C/4
1 1 1 1
D/5 E/1 F/3 G/2
1 3 3 3 1 2 1 3
P/3 Q/1 R/2 S/2 T/1 U/1 V/2 W/1 X/0 Y/2 Z/1
78
جست و جوی آگاهانه و اکتشاف
جستجوی *A
A/5
2 1
1
3B/1 C/4
53
1 1 1 1
8 4 5 44
D/5 E/1
2
F/3 G/2
3 3 1 3
5
7
J/1 K/0 6
N/1 4 O/3
8
1
X/0
4 79
جست و جوی آگاهانه و اکتشاف
A* جستجوی
A/5
2 1
B/1 C/9
1 1 1 1
D/5 E/1 F/3 G/2
1 3 3 3 1 2 1 3
P/3 Q/1 R/2 S/2 T/1 U/1 V/2 W/1 X/0 Y/2 Z/1
80
جست و جوی آگاهانه و اکتشاف
جستجوی *A
A/5
2 1
1
B/1 3
C/9
10
1 1
8 4
2
D/5
3
E/1
3
3
1
J/1
K/0
6
81
جست و جوی آگاهانه و اکتشاف
جستجوی *A
امل بودن :بله
ين م :بله
) O(bm پيچيدگي ما ي:
) O(bd اما اگر * h = hآن ا
) O(bm پيچيدگم فضا:
اما اگر * h = hآن ا ) O(bd
82
جست و جوی آگاهانه و اکتشاف
جستجوی *A
A A
1 1 1 1
1 B C 2 3 B C 4
1 1 1 1
1 D E 1 2 D E 1
1 1 1 1
1 F G 0 1 F G 0
1 1
10
H/80 J/82 M/75 N/72 K/85 L/80 W/52 X/58 O/78 P/79 U/81 V/83
8
1
B/80 90 105 C/95 100 D/90
3
2 4
106 E/86 F/78 98 G/90 110 T/60 80 95 M/75 I/87 107
S/70 110
5
N/72 102
6
T/60 100
9
82 W/52
87 Y/47
88 X/58
Z/50 90
O/78
108
P/79
109
7
10
102 W/52
X/58 108 Q/0 R/20
50 70
86
107 Y/47 Z/50 110
جست و جوی آگاهانه و اکتشاف
مثال ديگر از جستجوی *A
)f(n)=g(n) + h(n
87
جست و جوی آگاهانه و اکتشاف
جستجوی * Aدر نقشه رومانی
88
جست و جوی آگاهانه و اکتشاف
جستجوی * Aدر نقشه رومانی
94
جست و جوی آگاهانه و اکتشاف
جستجوی اکتشافی با حافظه محدود *IDA
سمماد تممرين را ب مرای مماه مافظممه مممورد نيمما * Aاسممتفاد ا عميممق کننممد تک مرار در مينممه
جست و جوی اکتشاف است.
در جستجوی * IDAمقدار برش مورد استفاد ،عمق نيست بلکه هزينه ) f(g+hاست.
IDA*ب مرای اغل م مس م له هممای بمما هزينممه هممای مرملممه ای ،مناس م اسممت و ا سممر ار نا م ي ا
نگهداری ص مرتبي ا گر ها اجتناب ميکند
95
جست و جوی آگاهانه و اکتشاف
بهترين جستجوی بازگشتي RBFS
ساختار آن شديه جست و جوی عمقي با گشتي است ،اما بمه جمای اينکمه دائمما بمه طمرف پمايین
مسممین مرکممت کنممد ،مقممدار fمر ممو بممه تممنين مسممین ا هممر جممد گممر فعلممن را نگهممداری ميکنمد ،اگممر
گر فعلن ا اين مد تجاو کند ،با گشت به عق برميگردد تا مسین ديگري را انتخاب کند.
اين جستجو اگر تابع اکتشافن مابل مبولن داشته باشد ،ينه است.
96
جست و جوی آگاهانه و اکتشاف
بهترين جستجوی بازگشتي RBFS
RBFSتا مدی ا * IDAارآمدتر است ،اما گر های يادی توليد ميکند.
IDA* و RBFSدر معم ممرا اف م مزاي تم مموا ي پيچيم ممدگي م م مرار دارنم ممد کم ممه در جسم ممت و جم مموی
گرافهمما مرسمموم اسممت ،يمرا نميتواننممد مالن ممای تکمراری را در غیممن ا مسممین فعلم بررسم ي کننممد .لم ا،
ممکن است ي مالت را دندين بار بررس ي کنند.
IDA* و RBFSا فضای اند ي استفاد ميکنند که به آن ا آسي مینساند IDA* .بین
هممر تکمرار فقممط يم عممدد را نگهممداری ميکنممد کممه فعلم هزينممه fاسممت RBFS .اطالعممات بيشممتنی
در مافظه نگهداری ميکند
97
جست و جوی آگاهانه و اکتشاف
بهترين جستجوی بازگشتي در نقشه رومانی
98
جست و جوی آگاهانه و اکتشاف
بهترين جستجوی بازگشتي در نقشه رومانی
99
جست و جوی آگاهانه و اکتشاف
بهترين جستجوی بازگشتي در نقشه رومانی
100
جست و جوی آگاهانه و اکتشاف
جستجوی حافظه محدود ساده *SMA
SMA*تنين برگ را بسمط ميدهمد تما مافظمه پمر شمود .در ايمن نقطمه بمدون ا بمین بمردن گمر
های مبل نميتواند گر جديدی ا افه کند
SMA*هميشممه بممدترين گممر بممرگ را م م ف ميکنممد و س م س ا طريممق گممر فراممموش شممد بممه
والممد آن بممر ميگممردد .پممس جممد يممر درخممت فراممموش شممد ،کيفيممت تممنين مسممین را در آن يمر درخممت
ميداند
اگر عمق سطحن ترين گر هدف کمتن ا مافظه باشد ,امل است.
SMA* تنين ال وريتگ همه منظور برای يافتن ملهای ينه ميباشد
101
جست و جوی آگاهانه و اکتشاف
جستجوی حافظه محدود ساده *SMA
اگمر مقمدار fتممام برگهمما يکسمان باشمد و ال موريتگ يم گمر را همگ بمرای بسممط و همگ بمرای مم ف
انتخماب کنمد SMA* ،ايممن مسم له را بمما بسمط تممنين بمرگ جديمد و مم ف تمنين بممرگ ممديم مممل
ميکند
ممک ممن اس ممت * SMAمجب ممور ش ممود دائم مما ب ممین مجموع ممه ای ا مس ممینهای م ممل اندي ممد تغيی ممن
مو ع دهد ،در مالن که بخ ودکم ا هر کدام در مافظه جا شود
محدودين ای مافظه ممکن است مس له ها را ا نظر مان محاسباتم ،غین مابل مل کند.
102
جست و جوی آگاهانه و اکتشاف
جستجوی گراف با *A
C/1 2
4 G/1
1 1 1
A/6
E/2
D/1 1 H/0
1 J/1 1
1 4 2
B/5 F/2
3
103
جست و جوی آگاهانه و اکتشاف
جستجوی گراف با *A
1
5
C/1
4
A/6
1
B/5
6
104
جست و جوی آگاهانه و اکتشاف
جستجوی گراف با *A
1
5
C/1 2
7
4 G/1
1
A/6
D/1
1
62
B/5
6
105
جست و جوی آگاهانه و اکتشاف
جستجوی گراف با *A
1
5
C/1 2
7
4 G/1
1
A/6
7
D/1 1
1
62
J/1
B/5
63
106
جست و جوی آگاهانه و اکتشاف
جستجوی گراف با *A
1
5 4
C/1 2
7 6
4 G/1
1
A/6 5
4 E/2
7
4 D/1
1 62
1
J/1
1 4
B/5 F/2
63 3
5
107
جست و جوی آگاهانه و اکتشاف
جستجوی گراف با *A
1
5 4
C/1 2
7 6
4 G/1
1 1
A/6 5
4 E/2
7
4 D/1
1 62
1
J/1
1 4 6
B/5 F/2
63 3
5 5
108
جست و جوی آگاهانه و اکتشاف
جستجوی گراف با *A
1
4
C/1 2
7 6
G/1
1 1
A/6 5
4 E/2 6
4 D/1 1
1 2 J/1
1 2 6
B/5 F/2
63 3
5 5
109
جست و جوی آگاهانه و اکتشاف
جستجوی گراف با *A
1
5 4
C/1 2
7 6
G/1
1 1
A/6 5 7
4
4 E/2
D/1
76
1 62
1
J/1
H/0
6
1 6
1
B/5 F/2
63 3
5 5
110
جست و جوی آگاهانه و اکتشاف
يادگيری برای جست و جوی بهتر
روشهای جست و جوی مبل ،ا روشهای ثابت استفاد ميکردند.
عامل با استفاد ا فضای حالت فراسطحی ميتواند ياد بگیند که تن جست و جو کند
ه ممر مال ممت در فض ــای حال ــت ف ــرا س ــطحی ،مال ممت(محاس ممباتم) داخل م ِمن برنام ممه ای را ت م م ین
ميکند که فضای حالت سطح ش یء ،مثل روما م را جست و جو ميکند
ال مموريتگ ي ــادگيری فراس ــطحی ميتوان ممد دیزه ممایي را ا تجر ي ممات بي ممامو د ت مما يردرخن ممای غی ممن
مابل مبول را اوش نکند.
هدف يادگینی ،کمينه کردن کل هزينه ،مل مس له است
111
جست و جوی آگاهانه و اکتشاف
توابع اکتشافی
ميانگين گره های بسط يافته در جستجوی IDSو * Aو فاکتور انشعاب مؤثر با استفاده از h1و h2
117
جست و جوی آگاهانه و اکتشاف
اثر دقت اکتشاف بر کارايي
اگر برای هر گر nداشته باشيگh2(n) >= h1(n) :
h2بر h1غال است
غال بودن مستقيما به ارایي ترجمه ميشود
تعداد گر هایي که با بکارگینی h2بسط داد ميشود ،هرگز بي ا بکارگینی h1نيست
120
جست و جوی آگاهانه و اکتشاف
جست و جوی تپه نوردی
ملقه اي که در جهت افزاي مقدار مرکت ميکند(بطرف باالی تپه)
رسيدن به بلندترين مله در همساي م مالت فعلن ،شر خاتمه است.
ساختمان داد گر فعلن ،فقط مالت و مقدار تابع هدف را نگه ميدارد
جست و جوی محلن مريصانه نیز نام دارد
بدون فکر مبل مالت همسايه خوبي را انتخاب ميکند
ال -مالت با هزينه h=17که مقدار hرا برای هر جا شین شان ميدهد
ب -کمينه محلن در فضای مالت 8و ير؛ h=1
123
جست و جوی آگاهانه و اکتشاف
جست و جوی شبيه سازی حرارت
تپه نوردی مرک با مرکت تصادفن
شديه سا ی مرارت :مرارت با درجه باال و به تدريج سرد کردن
مقايسه با مرکت توپ
توپ در فرود ا تپه به عميق ترين شکاف مینود
با تکان دادن سطح توپ ا بيشينه محل خارج ميشود
با تکان شديد شروع(دمای ياد)
بتدريج تکان اه (به دمای پايین تر)
ينه عمومم را مي يابد ماندندی دما به تدريج ،ال وريتگ ي با اه
124
جست و جوی آگاهانه و اکتشاف
جست و جوی پرتو محلي
به جای ي مالت k ،مالت را نگهداری ميکند
مالت اوليه k :مالت تصادفن
گام بعد :جا شین همه kمالت توليد ميشود
اگر يکي ا جا شین ها هدف بود ،تمام ميشود
وگر نه تنين جا شین را انتخاب کرد ،تکرار ميکند
ش م م م م م ممکلن ا جس م م م م م ممت و
جمموی پرتممو غیممن مط ممن
کم ممه مالن م ممای جا شم ممین
ا طريم م م م ممق ترکي م م م م م دو
مالم م م م ممت والم م م م ممد توليم م م م ممد
ميشود
126
جست و جوی آگاهانه و اکتشاف
الگوريتم های ژنتيک
127
جست و جوی آگاهانه و اکتشاف
جست و جوی محلی در فضاهای پيوسته
گسسته در مقابل محيط های پيوسته
در فضاهای پيوسته ،تابع جا شین در اغل موارد ،مالن ای نامتناهن را بر ميگرداند
مل مس له:
گسسته کردن همسايه هر مالت
استفاد ا شي منظر
f f
x x f where f , ,...
افسون x1
x 2
روش نيوتن ر
128
جست و جوی آگاهانه و اکتشاف
عاملهای جست و جوی Onlineو محيطهای ناشناخته
تا به مال همه ال وريتمها برون خطي بودند
برون خطم(:)Offlineرا مل مبل ا اجرا مش م است
درون خطم(:)Onlineبا ي در ميان کردن محاسبات و فعاليت عمل ميکند
روری برای مسئله اکتشاف است جست و جوی درون خطم ايد
فعالين ا و مالن ا برای عامل مش م نيستند
مثال:مرار گرفتن رو ات در محيطي جديد ,نو اد تا بدنيا آمد
129
جست و جوی آگاهانه و اکتشاف
مسئله های جست و جوی Online
اطالعات عامل
:Actions(s)ليست ا فعالين ای مجا در مالت s
تابع هزينه مرمله ای )’ :c(s,a,sاستفاد ومت که بداند ’ sنتيجه است
:Goal-Test(s)آ مون هدف
130
جست و جوی آگاهانه و اکتشاف
مسئله های جست و جوی Online
هدف :رسيدن به Gبا کمتنين هزينه
هزينه :مجموع هزينه های مرامل مسینی است که عامل طم ميکند
سدت رمابت :مقايسه هزينه با هزينه مسینی که اگر عامل فضای مالت را ا مبل
ميشناخت ،طم ميکرد
در بعض موارد ،تنين سدت رمابت
نامتناهن است
ممکن است جستجو به ي مالت
بن بست برسد که نتوان ا طريق آن به هدف رسيد
131
جست و جوی آگاهانه و اکتشاف
مسئله های جست و جوی Online
132
جست و جوی آگاهانه و اکتشاف
مسئله های جست و جوی Online
133
هوش مصنوعي
فصل پنجگ
مسائل ار ای محدوديت
134
Artificial Intelligence هوش مصنوعي
فهرست
ارضای محدوديت چيست؟
جست و جوی عقبگرد برای CSP
بررس ی پيشرو
پخش محدوديت
135
مسائل ار ای محدوديت
ار ای محدوديت ( )CSPديست؟
مجموعه متناهن ا متغینها؛ X1, X2, …, Xn
مجموعه متناهن ا محدودين ا؛ C1, C2, …, Cm
دامنه های ناته برای هر ي ا متغینها؛ DX1,DX2,…,DXn
هر محدوديت Ciيرمجموعه ای ا متغینها و ترکيب ای ممکن ا مقادير برای آن يرمجموعه ها
هر مالت با انتساب مقاديری به دند يا تمام متغینها تعري ميشود
انتسابم که هيچ محدوديت را نقض نکند ،انتساب سازگار نام دارد
انتساب کامل آن است که هر متغینی در آن باشد
راه حل CSPي انتساب امل است اگر تمام محدودين ا را برآورد کند
بعض ا CSPها به را ملهایي نيا دارند که تابع هدف را بيشينه کنند
136
مسائل ار ای محدوديت
مثال :CSPرنگ آمیزی نقشه
{(مرمز,سعز(),مرمز,آبم(),سعز,مرمز)،
(سعز,آبم(),آبم,مرمز(),آبم,سعز)}
137
مسائل ار ای محدوديت
139
مسائل ار ای محدوديت
مثال :CSPرمزن اری
دامنه9{:و8و7و6و5و4و3و2و1و}0 متغینهاF,T,U,W,R,O,X1,X2,X3:
142
مسائل ار ای محدوديت
مثال جست و جوی عقبگرد برای CSP
143
مسائل ار ای محدوديت
مثال جست و جوی عقبگرد برای CSP
144
مسائل ار ای محدوديت
مثال جست و جوی عقبگرد برای CSP
145
مسائل ار ای محدوديت
مثال جست و جوی عقبگرد برای CSP
146
مسائل ار ای محدوديت
کمينه()MRV مقادير باميماند
147
مسائل ار ای محدوديت
اکتشاف درجه ای
148
مسائل ار ای محدوديت
اکتشاف مقداری باکمتنين محدوديت
اين روش مقداری را ترجيح ميدهد که در گراف محدوديت ،متغینهای همسايه به ندرت آن را
انتخاب ميکنند
س ن بر ايجاد بيشتنين مابليت ا عطاف برای انتساب بعدی متغینها
149
مسائل ار ای محدوديت
بررس پيشرو
150
مسائل ار ای محدوديت
بررس پيشرو
151
مسائل ار ای محدوديت
بررس پيشرو
152
مسائل ار ای محدوديت
بررس پيشرو
153
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{1,2,3,4 }{1,2,3,4
1
2
3
4
X3 X4
}{1,2,3,4 }{1,2,3,4
154
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{1,2,3,4 }{1,2,3,4
1
2
3
4
X3 X4
}{1,2,3,4 }{1,2,3,4
155
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{1,2,3,4 }{ , ,3,4
1
2
3
4
X3 X4
}{ ,2, ,4 } { ,2,3,
156
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{1,2,3,4 }{ , ,3,4
1
2
3
4
X3 X4
}{ ,2, ,4 } { ,2,3,
157
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{1,2,3,4 }{ , ,3,4
1
2
3
4
X3 X4
} { , , , } { ,2,3,
158
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{ ,2,3,4 }{1,2,3,4
1
2
3
4
X3 X4
}{1,2,3,4 }{1,2,3,4
159
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{ ,2,3,4 }{ , , ,4
1
2
3
4
X3 X4
} {1, ,3, }{1, ,3,4
160
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{ ,2,3,4 }{ , , ,4
1
2
3
4
X3 X4
} {1, ,3, }{1, ,3,4
161
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{ ,2,3,4 }{ , , ,4
1
2
3
4
X3 X4
} {1, , , } {1, ,3,
162
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{ ,2,3,4 }{ , , ,4
1
2
3
4
X3 X4
} {1, , , } {1, ,3,
163
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{ ,2,3,4 }{ , , ,4
1
2
3
4
X3 X4
} {1, , , } { , ,3,
164
مسائل ار ای محدوديت
مثال :مس له -4و ير
X1 X2
1 2 3 4 }{ ,2,3,4 }{ , , ,4
1
2
3
4
X3 X4
} {1, , , } { , ,3,
165
مسائل ار ای محدوديت
پخ محدوديت
پخ الزام محدودين ای ي متغین به متغینهای ديگر
مثال :پخ محدودين ای WAو Qبه NTو SA
166
مسائل ار ای محدوديت
سا گاری يال
روش سری ن برای پخ محدود و مويتن ا بررس پيشرو
يال؛ يال جهت دار در گراف محدوديت
بررس سا گاری يال
ي مرمله پي پردا ش ،مبل ا شروع جستجو
ي مرمله پخش پس ا هر انتساب در مین جستجو
167
مسائل ار ای محدوديت
مثال :سا گاری يال
170
مسائل ار ای محدوديت
مثال :سا گاری يال
172
مسائل ار ای محدوديت
سا گاری K
بطور مثال:
سا گاری :1هر متغین با خودش سا گار است(سا گاری گر )
سا گاری :2مشابه سا گاری يال
سا گاری :kبسط هر جفت ا متغینهای همجوار به سومین متغین همسايه(سا گاری مسین)
در هر مرمله ،ي و ير برای انتساب مجدد در ستون خودش انتخاب ميگردد
تعداد برخوردها در هر مربع شان داد شد است
ال وريتگ و ير را به مرب با کمتنين برخورد انتقال ميدهد ،بطوريکه گر ها را بطور تصادفن ميشکند
175
هوش مصنوعي
فصل ششگ
جستجوی خصمانه
176
Artificial Intelligence هوش مصنوعي
فهرست
بازيها چيستند و چرا مطالعه ميشوند؟
انواع بازيها
الگوريتم minimax
بازيهای چند نفره
هرس آلفا-بتا
بازيهای قطعی با اطالعات ناقص
بازيهايي که حاوی عنصر شانس هستند
177
جستجوی خصمانه
با ی ها ديستند و درا مطالعه ميشوند؟
با ي ا مالت ا محيطهای دند عامل هستند
هر عامل نيا به در نظر گرفتن ساير عاملها و د ون م تأثین آن ا دارد
تمايز بین محيطهای دند عامل رمابتي و همکار
محيطهای رمابت ،که در آن ا اهداف عاملها با يکديگر برخورد دارند ،منجر به مس له های خصمانه
ميشود که به عنوان با ی شناخته ميشوند
178
جستجوی خصمانه
انواع با ی ها
قطعی تصادفی
شطرنج تخته نرد
اطالعات کامل
ريورس
پوکر
اطالعات ناقص
179
جستجوی خصمانه
ي نمونه با ی
با ی دو نفر Min :و Max
اول Maxمرکت ميکند و س س به نو ت با ی ميکنند تا با ی تمام شود
در پايان با ی ،برند جايز و با ند جريمه ميشود
مالت اوليه و مر ات معتعن برای هر با يکن ،درخت بازی را برای آن با ی ايجاد ميکند
180
جستجوی خصمانه
ي نمونه با ی
ال وريتگ؛
ب ـ ـ ـ ـ ــازيکن :انتخ م م م م مماب بهت ـ ـ ـ ـ ــرين
حالت
حري ـ ـ ـ ـ ــف :انتخ م م م م مماب ت م م م م ممنين
مومعي م م م ممت بم م م م مرای خ م م م ممودش ي م م م مما
بدترين وضعيت برای با يکن
182
جستجوی خصمانه
ي نمونه با ی
183
جستجوی خصمانه
ي نمونه با ی
184
جستجوی خصمانه
ي نمونه با ی
185
جستجوی خصمانه
ي نمونه با ی
186
جستجوی خصمانه
ي نمونه با ی
187
جستجوی خصمانه
ال وريتگ minimax
امل بودن :بله (اگر درخت محدود باشد)
ين ي :بله
) O(b m پيچيدگي ما م:
)O(bm پيچيدگم فضا:
188
جستجوی خصمانه
با ي ای دند نفر
تخصيم ي بردار به هر گر ،به جای ي مقدار
ً
با ي ای دند نفر معوال شامل اتحاد رسم يا غین رسمي بین با يکنان است
اتحاد با پيشروی با ی ايجاد و ا بین مینود
با يکنان بطور خود ار همکاری ميکنند ،تا به هدف مطلوب انحصاری برسند
189
جستجوی خصمانه
هرس آلفا-بتا
هرس آلفا-بتا:
ا شعا ایي که در تصميگ ن ایي تأثین ندارند را م ف ميکند
آلفا :مقدار تنين انتخاب در هر نقطه انتخاب در مسین Maxتاکنون
بتا :مقدار تنين انتخاب در هر نقطه انتخاب در مسین Minتاکنون
تعداد گر هایي که بايد بررس شوند به) O(bd/2تقليل ميابد
فاکتور ا شعاب مؤثر به جای bبرابر با ج ر bخواهد بود
پي بيني آن سدت به minimaxدو برابر است
190
جستجوی خصمانه
هرس آلفا-بتا
گر nکه هر جای درخت ميتواند باشد ،بررس ي
ميشود
اگر با يکن انتخاب تنی داشته باشد
در گر والد n
يا هر انتخاب تنی تا کنون
]∞[-∞, +
192
جستجوی خصمانه
مثال :هرس آلفا-بتا
]∞[-∞,+
][-∞,3
193
جستجوی خصمانه
مثال :هرس آلفا-بتا
]∞[-∞,+
][-∞,3
194
جستجوی خصمانه
]∞[3,+
][3,3
195
جستجوی خصمانه
مثال :هرس آلفا-بتا
]∞[3,+
][3,3 ][-∞,2
196
جستجوی خصمانه
مثال :هرس آلفا-بتا
][3,14 ,
197
جستجوی خصمانه
مثال :هرس آلفا-بتا
][3,5 ,
198
جستجوی خصمانه
مثال :هرس آلفا-بتا
][3,3
199
جستجوی خصمانه
مثال :هرس آلفا-بتا
][3,3
200
جستجوی خصمانه
با ي ای مط با اطالعات نامم
معاي ال وريتگ های پيشین
ال وريتگ minimaxل فضای جست و جوی با ی را توليد ميکند
ال وريتگ آلفا-بتا با وجود هرس درخت ،اما ل مسین مالن ای پايانه ،مدامل برای بخش ي ا
فضای مالت ،بايد جست و جو شود
اين عمق عمل نيست ،يرا مر ات بايد در ما م معقول انجام شود
شانون()1950
برای کمتن شدن مان جست و جو و اعمال تابع ار يابي اکتشافن به مالن ای جستجو ،تن است
ا گر های غین پايانه به گر های پايانه پرداخته شود
201
جستجوی خصمانه
با ي ای مط با اطالعات نامم
در شانون minimax ,و آلفا-بتا به دو روش بطور متناوب عمل ميکنند
جايگزيني تابع سودمندی با تابع ار يابم اکتشافن بنام EVAL
تخمين ا سودمندی مومعيت ارائه ميکند
202
جستجوی خصمانه
تابع ار يابي اکتشافن EVAL
تابع ار يابم ،ارائه تخمين ا سودمندی مورد انتظار با ی ا ي مومعيت خاص
توابع اکتشافن ،تخمين ا فاصله تا هدف را بر ميگرداندند
تابع ار يابم نميداند کدام مالت منجر به ده دیزی ميشود ،اما ميتواند مقداری برگرداند که
203
تناس مالن ا را با هر نتيجه شان دهد
جستجوی خصمانه
مثال :تابع EVAL
206
جستجوی خصمانه
با ي ایي که ماوی عنصر شا س هستند
شانس
شانس
پايانه
207
هوش مصنوعي
فصل هفتگ
عامل های منطقم
208
Artificial Intelligence هوش مصنوعي
فهرست
عاملهای مبتنی بر دانش
منطق
منطق گزاره ای
الگوهای استدالل در منطق گزاره ای
الگوريتم resolution
زنجير پيشرو و عقبگرد
209
عاملهای منطقم
عاملهای مبتن بر دا
،پاي اه دانش آن است مؤلفه اصل عامل مبتن بر دا
پاي ا دا :مجموعه ای ا جمالت
جمله :زبان نمايش دانش و بيان ادعاهایي در مورد جهان
محيط:
بوی تعفن در مربعهای همجوار WUMPUS
سيگ در مربعهای همجوار گودال
درخش در مربع ماوی طال
کشته شدن WUMPUSبا شلي در صورت مقابله
تین فقط مستقيگ عمل ميکند
برداشتن و انداختن طال
مسگرها:
بو تعفن ،سيگ ،تاب ،ر ه ،جيغ دن
محرکها:
گردش به دپ ،گردش به راست ،جلو رفتن ،برداشتن ،انداختن،
212
شلي کردن
عاملهای منطقم
جهان WUMPUS توصي
امل :خین ,فقط ادراک محل مابل مشاهد
ن :بله ،نتيجه دميقا مش م است مط
رويدادی :خین ،ترتيبي ا فعالين است
گسسته :بله
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
214
عاملهای منطقم
جهان WUMPUS توصي
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
215
عاملهای منطقم
جهان WUMPUS توصي
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
216
عاملهای منطقم
جهان WUMPUS توصي
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
217
عاملهای منطقم
جهان WUMPUS توصي
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
218
عاملهای منطقم
جهان WUMPUS توصي
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
219
عاملهای منطقم
جهان WUMPUS توصي
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
220
عاملهای منطقم
جهان WUMPUS توصي
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
221
عاملهای منطقم
منطق
ان رسمي: ي
ترکيب(نحو) :ده لمه بندی صحيح است(.خوش فرم)
معناشناس ی :ي لمه بندی صحيح ده معنایي دارد
در منطق ،معنای ان ،درست هر جمله را در برابر هر جهان ممکن تعري ميکند
222
عاملهای منطقم
استلزام
استلزام منطقي بین جمالت اين است که جمله ای بطور منطقي ا جمله ديگر پینوی
ميکند
a╞b
جمله aاستلزام جمله bاست
جمله aجمله bرا ايجاد ميکند
اگر و فقط اگر ،در هر مدل که aدرست است b ،نیز درست است
اگر aدرست باشد b ،نیز درست است
درست bدر درستي aن فته است
224
عاملهای منطقم
مدلهای Wumpus
KB
=
قوانين دنيای Wumpus
+
مشاهدات
225
عاملهای منطقم
مدلهای Wumpus
230
عاملهای منطقم
جدول درست پنج رابطه منطقم
P Q ┐P P ^ Q P ν Q P=>Q PQ
F F T F F T T
F T T F T T F
T F F F T F F
T T F T T T T
231
عاملهای منطقم
منطق گزار ای در دنيای Wumpus
232
عاملهای منطقم
ال وهای استدالل در منطق گزار ای
موانین استنتاج :ال وهایي استاندارد که نجین ای ا نتايج را برای رسيدن به هدف ايجاد
ميکند
را استنتاج کرد(يعن هر ومت مياس استثنایي :با استفاد ا ترکي عطفم ،ميتوان هر عط
جمله ای به شکل a=>bداد شود ،جمله bرا ميتوان استنتاج کرد).
233
عاملهای منطقم
م ف :andهر عط را ميتوان ا ترکي عطفم استنتاج کرد
234
عاملهای منطقم
resolution مانون
عبارت ديگری توليد ميکند، ي عبارت و ي ليتنال را گرفته، وامدresolution مانون
l1 ... lk , m
l1 ... li 1 li 1 ... lk
: امل تعميگ دادresulotion وامد ميتواند به مانونresulotion مانون
l1 ... lk , m1 ... mn
l1 ... li1 li1 ... lk m1 ... m j 1 m j 1 ... mn
235
عاملهای منطقم
ال وريتگ resolution
شکل نرمال عطفم( :)CNFجمله ای که بصورت ترکي عطفم ا ترکيبات فصل ليتنالها بيان ميشود.در
هر عبارت موجود در جمله k-CNFدميقا kليتنال وجود دارد
237
عاملهای منطقم
نجین پيشرو و عقبگرد
عبارات هورن :ترکي فصلن ليتنالهایي است که فقط يکي ا آن ا مثدت است
هر عبارت هورن را ميتوان به صورت ي استلزام نوشت که مقدمه آن ترکي عطفم ليتنالهای مثدت و
تالن آن ي ليتنال مثدت است
اين نوع عبارات هورن که فقط ي ليتنال مثدت دارند ،عبارات معين ناميد ميشوند
ليتنال مثدت را رأس و ليتنالهای منفم را بدنه عبارت گويند
عبارت معيني که فامد ليتنالهای منفم باشد ،گزار ای بنام حقيقت نام دارد
عبارات معين اساس برنامه نويس ي منطقی را ميسا د
استنتاج با عبارات هورن ،ا طريق ال وريتگ های زنجير پيشرو و زنجير عقبگرد انجام ميگیند
238
عاملهای منطقم
نجین پيشرو
ال وريتگ نجین پيشرو تعيین ميکند آيا نماد گزار ای (qتقا ا) ،توسط پاي ا دا
عبارات هورن ايجاب ميشود يا خین
239
عاملهای منطقم
نجین پيشرو
240
عاملهای منطقم
نجین پيشرو
241
عاملهای منطقم
نجین پيشرو
242
عاملهای منطقم
نجین پيشرو
243
عاملهای منطقم
نجین پيشرو
244
عاملهای منطقم
نجین پيشرو
245
عاملهای منطقم
نجین پيشرو
246
عاملهای منطقم
نجین پيشرو
247
عاملهای منطقم
ال وريتگ عقبگرد امل
248
عاملهای منطقم
ال وريتگ عقبگرد امل
تغيینات عمد :خاتمه ودرس ،اکتشاف نماد محض ،اکتشاف عبارت وامد
249
عاملهای منطقم
ال وريتگ عقبگرد امل
250
عاملهای منطقم
ال وريتگ عقبگرد امل
251
عاملهای منطقم
ال وريتگ عقبگرد امل
252
عاملهای منطقم
ال وريتگ عقبگرد امل
253
عاملهای منطقم
ال وريتگ عقبگرد امل
254
عاملهای منطقم
ال وريتگ عقبگرد امل
255
عاملهای منطقم
ال وريتگ عقبگرد امل
256
عاملهای منطقم
ال وريتگ عقبگرد امل
257
عاملهای منطقم
ال وريتگ عقبگرد امل
258
هوش مصنوعي
فصل هشتگ
منطق رتبه اول
259
Artificial Intelligence هوش مصنوعي
فهرست
مروری بر منطق گزاره ای
منطق رتبه اول
انواع منطق
نحو و معنای منطق رتبه اول
مهندس ی دانش
260
منطق رتبه اول
مروری بر منطق گزار ای
ويژگي ا
ماهيت اعال م
ً
و استنتاج متمايزند و استنتاج امال مستقل ا دامنه است دا
مدرت بيان افن برای ادار کردن اطالعات جزئي
با استفاد ا ترکي فصلن و نقيض
مابليت ترکي
معنای جمله ،تاب ا معنای بخشهای آن
معنا ،مستقل ا متن است
بر خالف ان ای طبي که ،معنای جمالت وابسته به متن است
معاي
فامد مدرت بيا ي برای تشريح دميق محيطم با اشياي مختل
بر خالف ان ای طبي ن 261
منطق رتبه اول
منطق رتبه اول
اساس منطق گزار ای را پ يرفته و بر اساس آن ي منطق بيا م ميسا يگ
ا ايد های نمايش ي ان طبي استفاد کرد ،ا عيوب آن اجتناب ميکنيگ
ان ای طبي ن ا جهان طبقه بندی ير را دارند
ای ...فوتبال ،آت و ... فوتبال،باآت ي و خانه،با ي ای
اعداد ،رنگها، اعداد،اد،رنگها، اشياء :افراد،خانه،
اشياء :افر
رابطه ها :رابطه ها:
مثلل و ...
مرمز ،گرد ،اول و ... گرد ،او
خواص مرمز،
مثلي يا
خواص يکا
ابطه های رابطه های يکاير يا
بخشو ...ا ،مالکيت و ...
مالکيت
گتن ،بودن،
بخشر ا ادربودن،
بودن ،بز مثلربر
گتن بودن ،بز هایرادر
دندتایي ابطهمثل ب
دندتایي
رابطه های ر
دوست... ،يکي بيشتن ا و ...
بيشتن ا و
بودن ،يکيتنين
تنينپدردوست، بودن،توابع:
توابع :پدر
منطق رتبه اول توسط اشيا و رابطه ها ساخته ميشود
262
منطق رتبه اول
انواع منطق
حقيقت شناس ی هستی شناس ی
زبان
(اعتقادات عامل راجع به حقايق) (آنچه در جهان هست)
درست/نادرست/نامش م مقايق منطق گزار ای
درست/نادرست/نامش م مقايق ،اشيا ،رابطه ها منطق رتبه اول
درست/نادرست/نامش م مقايق ،اشيا ،رابطه ها ،مان منطق مومت
درجه ای ا اعتقاد متعلق به
مقايق نظريه امتمال
][0,1
مقايق با درجه ای ا درست متعلق
در فاصله معین منطق فا ی
به ][0,1 263
منطق رتبه اول
نحو و معنای منطق رتبه اول
نمادهای ثابت؛ اشيا را شان ميدهد .مثال :علن ،2 ،ر ا... ،
نمادهای محمول؛ رابطه ها را شان ميدهد .مثال:برادر بودن ،بزرگتن بودن ا
نمادهای تابع؛ توابع را شان ميدهند .مثال :تابع پای دپ()LeftLeg
متغینهاx , y , a ,b :
روابط منطقم, , , , :
تساوی= :
سورها, :
264
منطق رتبه اول
جمالت اتمي
هر ترم ي عبارت منطقم است که به شيئ اشار ميکند
نمادهای ثابت ترم هستند
ء آسان نيست هميشه استفاد ا نماد متمايز برای نامگ اری
)LeftLeg(John پای دپ پای پادشا John
يا )ترم ،1ترم ، ... ،2ترم(nتابع = ترم ثابت يا متغير .
جمالت اتمي :ترکي ترمهای اشياء و محولهای روابط
)ترم ،1ترم ، ... ،2ترم(nمحمول = جمالت اتميک يا ترم =2ترم1 .
))Married(Father(Richard),Mother(John مثال:
پدر ريچارد با مادر جان ا دواج کرد است 265
منطق رتبه اول
جمالت پيچيد
با ترکي جمالت اتمي و روابط منطقم ميتوان جمالت پيچيد تری
ساخت
S, S1 S2, S1 S2, S1 S2, S1 S2
Brother(LeftLeg(Richard),John) :مثال
Brother(Richard,John) Brother(John,Richard)
King(Richard) King(John)
King(Richard) King(John)
266
منطق رتبه اول
مثال
ء، مدلن با پنج
دو رابطه
دودویي ،سه
رابطه يکا م و ي
تا يکا م به نام
پای دپ
267
منطق رتبه اول
سورها
کم ميکنند تا به جای شمارش اشيا ا طريق نام آن ا ،خواص
لکسيون اشيا را بيان کرد
سور عمومی؛ “ برای همه”
سور وجودی؛ “ وجود دارد مدامل”...
268
منطق رتبه اول
سور عمومم
>جمله< >متغینها<
x Pکه در آن Pي عبارت منطقي است ،بيان ميکند که
Pبرای هر ء xدرست است
)x King(x) Person(x مثال:
269
منطق رتبه اول
سور وجودی
273
منطق رتبه اول
ادعاها و تقا اها
ا افه ميشوند جمالت ا طريق TELLبه پاي ا دا
اين جمالت را ادعا گويند
TELL (KB , King(John))
TELL (KB , x King(x) => Person(x))
انجام ميدهيگ با استفاد ا ASKتقا اهایي را ا پلي ا دا
اين پرسشها ،تقاضا يا هدف نام دارد
ASK (KB , Person(John))
ASK(KB , x Person(x))
ليست جا شيني يا انقياد
ليستي ا جا شيني ا در صورت وجود بي ا ي پاسخ
274
منطق رتبه اول
دامنه خویشاوندی
مادر هر فرد والد مؤنث آن فرد است
m,c Mother(c) = m Femail(m) ^ Parent(m,c)
شوهر هر فرد ،همسر م کر آن فرد است
w,h Husband(h,w) Male(h) ^ Spouse(h,w)
م کر و مؤنث بودن طبقه های متمايزی هستند
x, Male(x) Female(x)
والد و فر ند ،رابطه های معکوس هستند
p,c Parent(p,c) Child(c,p)
والدين والدين هر فرد است
ِ پدر بزرگ يا مادر زرگ
g,c Grandparent(g,c) p Parent(g,p) ^ Parent(p,c)
275
منطق رتبه اول
اعداد و مجموعه ها
s Set(s) (s = {} ) (x,s2 Set(s2) s = {x|s2})
x,s {x|s} = {}
x,s x s s = {x|s}
x,s x s [ y,s2} (s = {y|s2} (x = y x s2))]
276
s1,s2 s1 s2 (x x s1 x s2)
منطق رتبه اول
مهندس ي دا
که شامل مرامل ذيل ميباشد: فرايند کلن ساخت پاي ا دا
مش م کردن ار
مر وطه مونتاژ دا
تصميگ گینی در مورد واژ نامه محمولها ،توابع و وراثت
کدگزاری دا کلن در مورد دامنه
کد گزاری توصي نمونه مس له خاص
ِ اعمال تقا اها به رويه استنتاج و دريافت پاسخ
اشکال دایي پاي ا دا
277