ΠΛΗ 405 Τεχνητή Νοηµοσύνη - TUC · 2008. 2. 12. · ΠΛΗ 405 –Τεχνητή...
Transcript of ΠΛΗ 405 Τεχνητή Νοηµοσύνη - TUC · 2008. 2. 12. · ΠΛΗ 405 –Τεχνητή...
-
ΠΛΗ 405Τεχνητή Νοηµοσύνη
Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ̟ολογιστώνΠολυτεχνείο Κρήτης
Α̟ληροφόρητη και Πληροφορηµένη
Αναζήτηση
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 2
Ε̟ανάληψη
� Πράκτορες
– χαρακτηριστικά στοιχεία και είδη πρακτόρων
� Περιβάλλοντα
– χαρακτηρισµοί και ιδιότητες
� Πράκτορας ε̟ίλυσης ̟ροβληµάτων
– πράκτορας µε στόχο
� Αναζήτηση
– διατύπωση
– δένδρο αναζήτησης
– γενικός αλγόριθµος
– µετρικές απόδοσης
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 3
Σήµερα
� Α̟ληροφόρητη αναζήτηση
– σε πλάτος, οµοιόµορφου κόστους, σε βάθος, περιορισµένου βάθους, επαναληπτική εκβάθυνση, αµφίδροµη αναζήτηση
– επαναλαµβανόµενες καταστάσεις
� Αναζήτηση µε µερική ̟ληροφόρηση
– προβλήµατα χωρίς αισθητήρες και προβλήµατα ενδεχοµένων
� Πληροφορηµένη αναζήτηση
– άπληστη αναζήτηση πρώτα στο καλύτερο, αναζήτηση Α*
� Πληροφορηµένη αναζήτηση µε ̟εριορισµό µνήµης
-
Α̟ληροφόρητη Αναζήτηση
Uninformed or Blind Search
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 5
Αναζήτηση σε Πλάτος (Breadth-First)
– επέκταση του κόµβου µε το µικρότερο βάθος στο τρέχον σύνορο
– υλοποίηση µε ουρά FIFO (First In, First Out)
– πλήρης, βέλτιστη (υπό προϋποθέσεις), εκθετική πολυπλοκότητα O(bd+1)
exabyte1χρόνια3.523101514
petabytes10χρόνια35101312
terabytes101ηµέρες129101110
terabyte1ώρες311098
gigabytes10λε̟τά191076
megabytes106δευτερόλε̟τα11111.1004
megabyte1δευτερόλε̟τα0.1111002
Μνήµη (1000 bytes/κόµβο)Χρόνος (10000 κόµβοι/sec)Κόµβοι (b=10)Βάθος (d)
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 6
Αναζήτηση Οµοιόµορφου Κόστους(uniform cost search)
– παραλλαγή της αναζήτησης κατά πλάτος
– επέκταση του κόµβου µε το µικρότερο κόστος διαδροµής
– σύνορο: κόµβοι µε (περίπου) οµοιόµορφο κόστος
– πλήρης, εάν το κόστος βήµατος είναι πάντα θετικό
– βέλτιστη, εάν το κόστος βήµατος είναι πάντα θετικό
– εκθετική πολυπλοκότητα� εξαρτώµενη από το βέλτιστο κόστος
� εξαρτώµενη από το ελάχιστο κόστος βήµατος
– πιθανόν καλύτερη, πιθανόν χειρότερη απόδοση
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 7
Αναζήτηση σε Βάθος (Depth-First)
– επέκταση του κόµβου µε το µεγαλύτερο βάθος στο τρέχον σύνορο
– οπισθοχώρηση στον αµέσως προηγούµενο κόµβο
– υλοποίηση µε ουρά LIFO (Last In, First Out) ή στοίβα (stack)
– δεν είναι πλήρης (διαδροµές απείρου µήκους)
– δεν είναι βέλτιστη (προχωράει σε βάθος ανεξάρτητα από κόστος)
– γραµµική χωρική πολυπλοκότητα� βελτίωση µε υπαναχώρηση (backtracking)
� βελτίωση µε µεταβολή κατάστασης (προϋποθέτει δυνατότητα αναίρεσης)
– εκθετική χρονική πολυπλοκότητα
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 8
Αναζήτηση κατά Βάθος
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 9
Αναζήτηση Περιοσµένου Βάθους(Depth-Limited Search)
– παραλλαγή της αναζήτησης κατά βάθος
– διακοπή της επέκτασης πέρα από κάποιο προκαθορισµένο βάθος
– ευρετικός προσδιορισµός ορίου βάθους (διάµετρος γράφου)
– πλεονέκτηµα: αποφυγή άπειρων διαδροµών
– µειονέκτηµα: πρόβληµα πληρότητας� η λύση µπορεί να βρίσκεται χαµηλότερα
– µειονέκτηµα: πρόβληµα βελτιστότητας� µια βέλτιστη λύση µπορεί να βρίσκεται χαµηλότερα
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 10
Ε̟αναλη̟τική Εκβάθυνση(Iterative-Deepening Search)
– έξυπνος χειρισµός αναζήτησης περιορισµένου βάθους
– σταδιακή αύξηση του ορίου βάθους (L = 0, 1, 2, 3, ...)
– συνδυάζει τα πλεονεκτήµατα των αναζητήσεων σε βάθος και πλάτος
– πλήρης
– βέλτιστη (υπό προϋποθέσεις)
– χωρική πολυπλοκότητα Ο(bd)� µικρότερη από τη χωρική πολυπλοκότητα της αναζήτησης σε πλάτος!
– χρονική πολυπλοκότητα� εκθετική, αλλά όχι µεγαλύτερη (d)b + (d – 1)b2 + … + (1)bd = O(bd) !!!!
– παραλλαγή: αναζήτηση επαναληπτικής επιµήκυνσης
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 11
Ε̟αναλη̟τική Εκβάθυνση
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 12
Ε̟αναλη̟τική Εκβάθυνση
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 13
Αµφίδροµη Αναζήτηση(Bidirectional Search)
bd/2+bd/2
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 14
Σύγκριση Α̟ληροφόρητων Στρατηγικών
-
Ε̟αναλαµβανόµενες Καταστάσεις
Repeated States
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 16
Ε̟αναλαµβανόµενες Καταστάσεις
– πρόβληµα: ένας γραµµικός χώρος φαίνεται εκθετικός
– συνήθως σε προβλήµατα µε αναστρέψιµες ενέργειες
– απλή σύγκριση µε τους κόµβους προς επέκταση δεν αρκεί
οι αλγόριθµοι ̟ου ξεχνούν την ιστορία τους είναι καταδικασµένοι να την ε̟αναλαµβάνουν
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 17
Α̟οφυγή Ε̟αναλαµβανόµενων Καταστάσεων
� Α̟οµνηµόνευση
– κλειστή λίστα (closed list): επεκταµένοι κόµβοι
– ανοικτή λίστα (open list): κόµβοι προς επέκταση – σύνορο
� Πλεονεκτήµατα
– απαιτήσεις χώρου και χρόνου ανάλογες µε το χώρο κατάστασης
– όλοι οι αλγόριθµοι γίνονται πλήρεις για πεπερασµένους χώρους
– γρήγορος έλεγχος για κλειστή λίστα µε πίνακα hash
� Μειονεκτήµατα
– κανείς αλγόριθµος δεν έχει πλέον γραµµικές απαιτήσεις χώρου
– χρειάζεται προσοχή στην επιλογή εναλλακτικών διαδροµών
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 18
Αλγόριθµος Αναζήτησης µεΑ̟οφυγή Ε̟αναλαµβανόµενων Καταστάσεων
-
Αναζήτηση µε Μερική Πληροφόρηση
Search with Partial Information
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 20
Προβλήµατα µε Ατελή Γνώση
� Προβλήµατα χωρίς αισθητήρες (sensorless problems)– ο πράκτορας δεν µπορεί να αντιληφθεί την κατάσταση
� Προβλήµατα ενδεχοµένων (contingency problems)
– µερικώς παρατηρήσιµα περιβάλλοντα ή αβέβαιες ενέργειες
– οι αντιλήψεις παρέχουν πληροφορίες και ορίζουν ενδεχόµενα
� Προβλήµατα αντι̟αλότητας (adversarial problems)
– η αβεβαιότητα προκαλείται από κάποιο άλλο πράκτορα
� Προβλήµατα εξερεύνησης (exploration problems)
– άγνωστος χώρος κατάστασης και άγνωστες ενέργειες
– ακραία περίπτωση προβληµάτων ενδεχοµένων
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 21
Προβλήµατα χωρίς Αισθητήρες
� Χαρακτηριστικά
– γνωστός ο χώρος κατάστασης και τα αποτελέσµατα των ενεργειών
– άγνωστη η τρέχουσα (αρχική, ενδιάµεση, τελική) κατάσταση
� Αντιµετώ̟ιση
– συλλογισµός µε σύνολα καταστάσεων, όχι µε απλές καταστάσεις
– χώρος πεποιθήσεων (beliefs): δυναµοσύνολο χώρου καταστάσεων� πεποίθηση: το υποσύνολο των καταστάσεων όπου µπορεί να βρίσκεται
� ενέργειες: µεταβάσεις µεταξύ πεποιθήσεων (ένωση ατοµικών µεταβάσεων)
– αρχικοποίηση: πεποίθηση µε όλες τις πιθανές καταστάσεις
– επίλυση: αναζήτηση στο χώρο των πεποιθήσεων
– στόχος: πεποίθηση όπου όλες οι καταστάσεις είναι στόχοι
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 22
Ενέργειες χωρίς Αισθητήρες
� Εξαναγκασµός– επιλογή κάποιας ενέργειας για
αποκλεισµό κάποιων καταστάσεων
� Παράδειγµα µικρόκοσµου– αρχική πεποίθηση {1,2,3,4,5,6,7,8}
– ενέργεια: ∆εξιά
– επόµενη πεποίθηση: {2,4,6,8}
– ενέργεια: Αναρρόφηση
– επόµενη πεποίθηση: {4,8}
– ...
� Γενίκευση– µη αιτιοκρατικές ενέργειες
µε αβέβαια αποτελέσµατα
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 23
Μικρόκοσµος Σκού̟ας χωρίς Αισθητήρες
-
Πληροφορηµένη Αναζήτηση
Informed Search
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 25
Αναζήτηση Πρώτα στο Καλύτερο
� Πληροφορηµένη αναζήτηση (informed search)
– χρήση ειδικής γνώσης για το πρόβληµα, όχι µόνο ο ορισµός
– απληροφόρητη αναζήτηση: βάθος, κόστος, επανάληψη, κλπ.
– πληροφορηµένη αναζήτηση: εξαγωγή πληροφορίας από κατάσταση
� Αναζήτηση ̟ρώτα στο καλύτερο (best-first search)
– συνάρτηση αξιολόγησης (evaluation function) «καλύτερου»
– αξιολόγηση κάθε κόµβου n µε τη συνάρτηση αξιολόγησης f(n)
– επέκταση του κόµβου µε τη µικρότερη τιµή αξιολόγησης
– υλοποίηση µε ουρά προτεραιότητας
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 26
Ά̟ληστη Αναζήτηση Πρώτα στο Καλύτερο(greedy best-first search)
� Συνάρτηση αξιολόγησης
– ευρετική συνάρτηση (heuristic function) h(n), h(G)=0
– εκτιµώµενο κόστος φθηνότερης διαδροµής από n σε στόχο
– η εκτίµηση εξαρτάται µόνο από τον κόµβο n και το στόχο
– αξιολόγηση: f(n) = h(n)
� Παράδειγµα: ∆ιαδροµές στη Ρουµανία
– hSLD (n) : Straight-Line Distance heuristic (ευθύγραµµη απόσταση)
– ευθύγραµµη απόσταση πόλης n από το Βουκουρέστι
– δεν µπορεί να προκύψει µόνο από τον ορισµό του προβλήµατος
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 27
∆ιαδροµές στη Ρουµανία
hSLDΠόληhSLDΠόλη
374Zerind244Lugoj
199Vaslui226Iasi
80Urziceni151Hirsova
329Timisoara77Giurgiu
253Sibiu176Fagaras
193RimniscVilcea
161Eforie
100Pitesti242Dobreta
380Oradea160Craiova
234Neamt0Bucharest
241Mehadia366Arad
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 28
∆ιαδροµές στη Ρουµανία
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 29
∆ιαδροµές στη Ρουµανία
Η διαδροµή που βρέθηκε
δεν είναι η συντοµότερη!
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 30
Ά̟ληστη Αναζήτηση Πρώτα στο Καλύτερο
� Πληρότητα
– γενικά όχι, µπορεί να µπλέξει σε ατέρµονα κλαδιά (Iasi → Fagaras)
– πλήρης σε πεπερασµένους χώρους µε αποφυγή επανάληψης
� Βελτιστότητα
– όχι, επιρρεπής σε λανθασµένες εκτιµήσεις (Sibiu → Bucharest)
� Χρονική και χωρική ̟ολυ̟λοκότητα
– εκθετική Ο(bm), όπου m είναι το µέγιστο βάθος του χώρου
� Γενικά
– οµοιάζει µε την αναζήτηση πρώτα κατά βάθος
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 31
Αναζήτηση Α*
� Συνάρτηση αξιολόγησης
– εκτιµώµενο κόστος h(n) φθηνότερης διαδροµής από n σε στόχο
– πραγµατικό κόστος g(n) τρέχουσας διαδροµής από αρχική έως n
– αξιολόγηση: f(n) = g(n) + h(n) – συνολικό κόστος µέσω κόµβου n
� Παραδεκτός ευρετικός µηχανισµός (admissible heuristic)
– κάνει πάντα αισιόδοξες εκτιµήσεις
– δεν κάνει υπερεκτιµήσεις του κόστους (για ελαχιστοποίηση)
– δεν κάνει υποεκτιµήσεις του κόστους (για µεγιστοποίηση)
� Θεώρηµα
– η αναζήτηση A* χωρίς κλάδεµα επαναλαµβανόµενων καταστάσεων είναι βέλτιστη αν η h(n) είναι παραδεκτή
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 32
∆ιαδροµές στη Ρουµανία (Α*)
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 33
∆ιαδροµές στη Ρουµανία (Α*)
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 34
Συνε̟είς Ευρετικές Συναρτήσεις
� Συνέ̟εια (consistency)
– συνεπής (consistent) ή µονοτονική (monotonic) ευρετική συνάρτηση
– γενικευµένη τριγωνική ανισότητα: h(n) ≤ c(n, a, n') + h(n')
� Θεώρηµα
– η αναζήτηση A* µε κλάδεµα επαναλαµβανόµενων καταστάσεων, χωρίς να λαµβάνεται υπόψη εάν η νέα κατάσταση έχει µικρότερη τιµή f(n) από την παλιά, είναι βέλτιστη αν η h(n) είναι συνεπής
� Πορίσµατα
– µια συνεπής ευρετική συνάρτηση είναι και παραδεκτή
– οι περισσότερες παραδεκτές ευρετικές συναρτήσεις είναι και συνεπείς
– h(n) συνεπής ⇒ η f(n) σε οποιαδήποτε διαδροµή είναι µη φθίνουσα
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 35
Ισοϋψείς Καµ̟ύλες Κόστους
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 36
Α̟οδοτικότητα Α*
� Πληρότητα
– ναι, εκτός αν υπάρχουν άπειροι κόµβοι µε f ≤ f(G) = C*
� Βελτιστότητα
– ναι, µε παραδεκτή ή συνεπή ευριστική συνάρτηση
– επέκταση: όλοι µε f(n)C*
� Πολυ̟λοκότητα
– εκθετικές απαιτήσεις σε χρόνο και (κυρίως) σε µνήµη
� Βέλτιστα α̟οδοτικός
– για το ίδιο πρόβληµα εξερευνά τις λιγότερες καταστάσεις από όλους τους βέλτιστους και πλήρεις αλγορίθµους αναζήτησης
-
Πληροφορηµένη Αναζήτησηµε Περιορισµένη Μνήµη
Informed Search with Bounded Memory
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 38
A* µε Ε̟αναλη̟τική Εκβάθυνση(Iterative-Deepening A* - IDA*)
� Μεθοδολογία
– ανάλογη µέθοδος µε την αναζήτηση επαναληπτικής επιµήκυνσης
– αναζήτηση πρώτα κατά βάθος µε περιορισµένο κόστος g(n) + h(n)
– σταδιακή αύξηση του ορίου αποκοπής 0, f1(n), f2(n), f3(n), ...
– νέο όριο: το µικρότερο f(n) πάνω από το όριο στο προηγούµενο στάδιο
– πλήρης και βέλτιστη µε παραδεκτή h
– γραµµική χωρική πολυπλοκότητα Ο(bd)
– εκθετική χρονική πολυπλοκότητα O(bd)
� Μειονεκτήµατα
– πιθανόν, αργή αύξηση του ορίου αποκοπής ⇒ αργή πρόοδος
– δεν ανιχνεύει επαναλαµβανόµενες καταστάσεις
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 39
Α* - Σύνορο Αναζήτησης
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 40
Α* - Ε̟έκταση Ορίου Α̟οκο̟ής
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 41
Στάδια Αναζήτησης IDA*
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 42
Αναδροµική Αναζήτηση Πρώτα στο Καλύτερο(Recursive Best-First Search, RBFS)
� Μεθοδολογία– αναζήτηση πρώτα στο καλύτερο µε γραµµικό χώρο
– ουσιαστικά, αναζήτηση κατά βάθος, όχι όµως τυφλά� θυµάται το καλύτερο κόστος f* γειτόνων κατά µήκος του µονοπατιού
� επέκταση κατά βάθος αν f ≤ f*, αλλιώς οπισθοχώρηση
– οπισθοδρόµηση πίσω στο καλύτερο εναλλακτικό µονοπάτι (f*)� αλλαγή του f κάθε κόµβου µε το καλύτερο f των παιδιών του
– πλήρης και βέλτιστη µε παραδεκτή h
– γραµµική χωρική, εκθετική χρονική πολυπλοκότητα
� Μειονεκτήµατα– πιθανόν, υπερβολική επαναπαραγωγή κόµβων ⇒ αργή πρόοδος
– δεν ανιχνεύει επαναλαµβανόµενες καταστάσεις
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 43
Αναζήτηση RBFS
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 44
Αναζήτηση RBFS
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 45
Αναζήτηση SMA*(Simple Memory-bounded A*)� Μεθοδολογία
– αναζήτηση A* µε περιορισµένο χώρο
– όταν γεµίσει η µνήµη, διαγράφει ένα παλιό κόµβο για κάθε νέο� διαγράφεται ο χειρότερος κόµβος (αυτός µε το µεγαλύτερο f)
και τα αδέλφια του και εισάγεται ο γονικός κόµβος
� η καλύτερη τιµή f των διαγραφόµενων κόµβων µεταφέρεται στον γονέα
� διαγράφεται ο παλαιότερος κόµβος, σε περίπτωση ισοτιµίας τιµών f
– πλήρης (υπό προϋποθέσεις) και βέλτιστη µε παραδεκτή h
– περιορισµένη χωρική, εκθετική χρονική πολυπλοκότητα
� Χαρακτηριστικά– γενικά, ο καλύτερος αλγόριθµος αναζήτησης γενικής χρήσης
– περιορισµός µνήµης, πιθανόν επιφέρει απαγορευτικό χρόνο
-
ΠΛΗ 405 – Τεχνητή Νοηµοσύνη – 2007
Μ. Γ. Λαγουδάκης Τµήµα ΗΜΜΥ – Πολυτεχνείο Κρήτης Σελίδα 46
Μελέτη
� Σύγγραµµα
– Ενότητες 3.4 – 3.7, 4.1