Đề tài TÌM KIẾM HEURISTIC

• Các kỹ thuật tìm kiếm sử dụng hàm đánh giá để hướng dẫn sự tìm kiếm được gọi chung là các kỹ thuật tìm kiếm kinh nghiệm heuristic search.• Các giai đoạn cơ bản để giải quyết vấn đề bằ

• Các kỹ thuật tìm kiếm sử dụng hàm đánh giá để hướng dẫn sự tìm kiếm được gọi chung là các kỹ thuật tìm kiếm kinh nghiệm (heuristic search).

• Các giai đoạn cơ bản để giải quyết vấn đề bằng tìm kiếm kinh nghiệm như sau:

2 Ví dụ về hàm đánh giá

Ví dụ bài toán 8 số

Trạng thái đầu Trạng thái kết thúc

Chúng ta có thể đưa ra hai cách xây dựng hàm đánh giá h1, h2.

2 Ví dụ về hàm đánh giá (tiếp)

không nằm đúng vị trí so với trạng thái kết thúc Ta

2 Ví dụ về hàm đánh giá (tiếp)

- Hàm h2: h2(u) là tổng khoảng cách giữa vị trí các quân trong trạng thái đầu và vị trí của nó trong trạng thái đích.

Ở đây khoảng cách là số ít nhất các dịch chuyển theo hàng hoặc theo cột để đưa một quân tới vị trí của nó trong trạng thái đích.

2 Ví dụ về hàm đánh giá (tiếp)

Trạng thái đầu Trạng thái kết thúc

Quân 3 cần ít nhất 2 dịch chuyển

2 Ví dụ về hàm đánh giá (tiếp)

Quân 8 cần ít nhất 3 dịch chuyển

2 Ví dụ về hàm đánh giá (tiếp)

Trạng thái đầu Trạng thái kết thúc

Quân 6 cần ít nhất 1 dịch chuyển

2 Ví dụ về hàm đánh giá (tiếp)

Quân 1 cần ít nhất 3 dịch chuyểnVậy h2(u) = 2 + 3 + 1 + 3 = 9

1.Ý tưởng thuật toán

Đầu tiên chọn trạng thái ban đầu, sau đó phát triển k đỉnh tốt nhất ở một mức rồi phát triển k đỉnh tốt nhất ở mức tiếp theo (k được xác định bởi hàm đánh giá)

2 Ví dụ về tìm kiếm beam

Từ trạng thái ban đầu A chọn 2 đỉnh (D, E) có chi phí nhỏ nhất kề với A để phát triển tiếp

2 Ví dụ về tìm kiếm beam

Ở mức tiếp theo chọn 2 đỉnh I, G để phát triển tiếp

2 Ví dụ về tìm kiếm beam

Đỉnh được chọn để phát triển ở mức tiếp theo là trạng thái kết thúc (B) nên việc tìm kiếm dừng lại

2 Ví dụ về tìm kiếm beam

Chi phí từ A->D->I->B là 14 Chi phí từ A->E->G->B là 12

Vậy đường đi ngắn nhất là:A->E->G->B

2.3.1 Leo đồi đơn giản 2.3.2 Leo đồi dốc đứng 2.3.3 So sánh

2.3.4 Đánh giá

• Thuật giải

1 Xét trạng thái bắt đầu.

1 Nếu là đích -> dừng.

2 Ngược lại: thiết lập khởi đầu như TT hiện tại.

2 Lặp đến khi: gặp đích OR không còn luật nào chưa được áp dụng vào TT hiện tại

1 Lựa một luật để áp dụng vào TT hiện tại để sinh ra một TT mới.

2 Xem xét TT mới này:

k G

h f

e d

10

0

• Thuật giải:

1 Xét trạng thái bắt đầu.

1 Nếu là đích -> dừng.

2 Ngược lại: thiết lập khởi đầu như TT hiện tại.

2 Lặp đến khi: gặp đích OR không còn luật nào chưa được

áp dụng vào TT hiện tại

1 Lựa một luật để áp dụng vào TT hiện tại để sinh ra một TT mới

2 Xét mỗi trạng thái trong tập hợp vừa tạo ra

1 Nếu là đich -> Dừng

2 Nếu không là đích, nhưng tốt hơn TT hiện tại => ghi nhận trạng thái này

3 Lựa chọn TT tốt nhất trong các TT vừa ghi nhận làm TT hiện tại

(Nhằm mục đích chuyển hướng tìm kiếm lời giải nhanh đến đích nhất)

Input: TTban đầu u0 và TT đích ut

1 P:={u0} ; // Stack - Lưu các TT chờ phát triển

Q:=Φ ; // Queue - lưu các TT đã phát triển

P?:= Φ ; //P? để lưu tạm thời các TT kề với TTđang xét

found:= false;

2 While (P # φ) and (found=false) do

2.1 Loại bỏ trạng thái u ở đỉnh stack P và đặt nó vào hàng đợi Q

2.2 if u=ut then found:= true

Sắp xếp các TT trong P? theo trật tự tăng của hàm h;

Chuyển các TT trong P? vào P : TT có giá trị hàm h min ở đỉnh P;

Output: found = false => bài toán không có lời giải.

found = true => Dùng hàm father để xem đường đi từ u0 tới ut

k G

h f

e d

S1

1

cSfkh

khfba7

2

kcSG8

3

k G

h f

e d

S

a b c

b c a c abS

2

acbSfkh

372

khfakhf

hfakcbSG

483

• So sánh hai thuật giải:

• Hiệu quả của cả 2 giải thuật phụ thuộc vào:

+ Chất lượng của hàm Heuristic

+ Đặc điểm của không gian trạng thái

+ Trạng thái khởi đầu

2.4.1 Tư tưởng

2.4.2 Ví dụ

2.4.3 Thuật giải

 Tại mỗi bước của tìm kiếm BFS, chọn đi theo TT có khả

năng cao nhất trong số các TT đã được xét cho đến thời điểm đó

=> Ưu tiên đi vào những nhánh tìm kiếm có khả năng nhất (giống tìm kiếm leo đồi dốc đứng)

 Nếu phát hiện ra hướng đang đi càng đi thì càng tệ, đến

mức xấu hơn cả những hướng mà chưa đi

=> Không đi tiếp hướng hiện tại nữa mà chọn đi theo một

hướng tốt nhất trong số những hướng chưa đi.

C B

Dùng hai danh sách:

OPEN: chứa các TT sẽ được xét.

CLOSED: chứa các TT đã xét qua.

Giải thuật BFS:

1 OPEN = [TT đầu]

2 Lặp đến khi: gặp đích OR OPEN rỗng.

1 Lấy TT tốt nhất từ OPEN.

2 Phát sinh các con của nó.

3 Với mỗi con:

1 Nếu nó chưa được phát sinh: gán nó trị đánh giá, đưa vào OPEN, ghi nhận TT cha của nó.

2 Nếu đã được phát sinh trước: Nếu đạt đến bởi đường khác tốt hơn

=> Ghi nhận lại TT cha của nó, cập nhật lại trị đánh giá của nó

và của các con của nó.

I G

D

Q S

T

R P

O M

L K

F E

B4

C4,E5,F5,D6 B4,A5

C4

H3,G4,E5,F5,D6 C4,B4,A5

H3

O2,P3,G4,E5,F5,D6 H3,C4,B4,A5 P3,G4,E5,F5,D6 O2

O2,H3,C4,B4,A5 P3

TÌM RA LỜI GiẢI

 Ưu điểm DFS: ko quan tâm đến sự mở rộng của tất cả các

nhánh

 Ưu điểm BrFS: ko bị sa vào các đường dẫn bế tắc (các nhánh cụt)

⇒ BFS kết hợp 2 phương pháp trên cho phép ta đi theo 1 con

đường duy nhất tại 1 thời điểm, nhưng đồng thời vẫn "quan sát" được những hướng khác.

 So sánh BFS và leo đồi dốc đứng: BFS Leo đồi dốc đứng

-Tại 1 bước, có 1 TT được chọn nhưng

những TT khác vẫn được giữ lại

-Chọn TT tốt nhất mà không quan tâm

đến nó có tốt hơn các TT trước đó

không

-một TT được chọn và tất cả các TT khác bị loại bỏ

-Dừng nếu không có TT tiếp theo nào tốt hơn TT hiện hành

 Các heuristic và việc thiết kế thuật toán để thực hiện tìm

kiếm heuristic từ lâu đã là sự quan tâm chủ yếu của các công trình nghiên cứu trí tuệ nhân tạo

nhất, cả hai đều cần đến các heuristic để thu giảm bớt không gian giải pháp có thể

nhận mức độ quan trọng của các heuristic như là một phần không thể thiếu trong quá trình giải quyết vấn đề

Tài liệu tham khảo

1 Bài giảng trí tuệ nhân tạo – Nguyễn Thị Thủy,

ĐHNN HN

2 Võ Huỳnh Trâm- Trần Ngân Bình, Trí tuệ nhân tạo

3 TS Nguyễn Đình Thuận, Bài giảng trí tuệ nhân tạo,

6 Đặng Xuân Hà Bài giảng trí tuệ nhân tạo, 2006.

7 , PGS-TS Nguyễn Quang Hoan Nhập môn trí tuệ

nhân tạo, 2007, Học viện Bưu chính viễn thông