Sztuczna Inteligencja 2.1 Metody szukania na ślepo Włodzisław Duch
Katedra Informatyki Stosowanej UMK
Google: W. Duch
Sztuczna Inteligencja 2.1 Metody szukania na ślepo Włodzisław Duch
Katedra Informatyki Stosowanej UMK
Google: W. Duch
Szukanie - metoda uniwersalna Zakładamy, że problem jest zdefiniowany, tzn. jest:
Baza danych: fakty, stany, możliwości, opis sytuacji.
Możliwe operacje: zmieniają stan bazy danych. Potrzebna jest strategia kontrolna poszukiwania rozwiązania.
Proces przeszukiwania wygodnie jest przedstawiać za pomocą drzew i grafów.
Droga na grafie od sytuacji startowej do rozwiązania
<=> znalezieniu sekwencji operacji prowadzących do rozwiązania
<=> rozumowaniu.
Procedury szukania Szukanie na ślepo - nie mamy żadnej informacji.
Szukanie heurystycze - potrafimy ocenić postępy. Na ślepo:
Monte Carlo, czyli procedura Brytyjskiego Muzeum.
Dla większych problemów jeśli istnieje wiele rozwiązań może coś znaleźć ... i ślepej kurze ...
Szukanie w głąb.
Szukanie w szerz, sprawdzając wszystkie możliwości.
Ilustracje: Program PathDemo
W głąb, DS 0. uporządkuj operatory { O1 O2 ... ON-1 ON }
1. lista początkowa L(1) = Sw (stan wyjściowy)
2. wygeneruj stan L(k) = Oj L(k-1) dla kolejnego j
3. if (nie ma już nowych operatorów) k=k-1;
if (k=0) brak rozwiązania; else przejdź do 2
4. elseif (L(k) = Sf ) zakończ;
5. else k=k+1; przejdź do 2
Złożoność: b - średnia liczba możliwych rozgałęzień, d - średnia głębokość rozwiązań
czas ~ bd pamięć ~ bd.
Modyfikacja DS Zalety: wystarczy niewielka pamięć O(d)
dla problemów, które mają wiele rozwiązań może być szybkie
Wady: nieskończona głębokość, możliwe pętle w grafie,
nie gwarantuje prostoty znalezionego rozwiązania.
Modyfikacja metody DF:
ograniczaj głębokość szukania do poziomu l.
Złożoność: czas bl, pamięć bl.
Wada: jeśli l za małe nie znajdzie rozwiązania.
Wszerz, BS 1. lista początkowa L(1) = Sw (stan wyjściowy)
2. wygeneruj stany Skj = Ok L(j) dla wszystkich j
3. if Skj=Sf zakończ;
4. else skopiuj Skj -> L( ) i przejdź do 2
Zalety: znajduje najkrótszą listę operatorów jesli szuka do końca.
Wady: duża złożoność, przy liczbie operatorów b i kroków d
czas ~ O(bd), pamieć ~ O(bd)
np: dla 8-ki trzeba pamiętać około 320 = 3.5·109 stanów
IDDF, iteracyjne pogłębianie. IDDF lub IDS, iteracyjnie pogłębiane szukanie w głąb.
Próbuj szukać w głąb stopniowo zwiększając głębokość szukania - tani sposób na realizację szukania w głąb.
Zalety:
Zupełność – zawsze znajduje rozwiązanie.
Rozwiązanie jest optymalne (jeśli zwiększamy głębokość o 1)
Zużywa tylko bd. elementów pamięci (szukanie w głąb).
Wady: niewielkie zwiększenie kosztów na powtarzanie – ale ostatnie szukanie jest bardziej kosztowne niż wszystkie poprzednie, więc złożoność ~ O(bd).
BDS, szukanie dwukierunkowe. Szukaj wszerz startując od stanu wyjściowego i od stanu końcowego.
Złożoność: czas ~ O(bd/2), pamięć ~ O(bd/2)
PathDemo W programie używane są funkcje:
- Random Bounce. Po dojściu do przeszkody wykonaj jeden krok w przypadkowym kierunku i kontynuuj swój algorytm.
- Simple Trace. Obejdź przeszkodę aż będziesz mógł kontynuować w tym samym kierunku.
- Robust Trace. Oblicz kierunek pomiędzy blokującym klockiem a klockiem końcowym i obchodź przeszkody aż dojdziesz do kwadratu leżącego w tym kierunku.
Literatura
J. Chromiec, E. Strzemieczna, Sztuczna inteligencja. Podstawowe metody konstrukcji i analizy systemów eksperckich (Akademicka Oficyna Wydawnicza, Warszawa 1994)
E. Chwiałkowska, Sztuczna Inteligencja w Systemach Eksperckich (MIKOM 1991)
Z. Hippe, Zastosowanie metod sztucznej inteligencji w chemii (PWN, Warszawa 1993)
J. Mulawka, Sztuczna Inteligencja (1995)
L. Bolc, J. Cytowski, Metody przeszukiwania heurystycznego. PWN 1991
Jerzy Cytowski, Metody i algorytmy sztucznej inteligencji w cyfrowym przetwarzaniu sygnałów. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1999
Comments