Bài giảng Trí tuệ nhân tạo - Phần 4

Lec 5Tìm kiếm tối ưu – Tìm kiếm có đối thủ Nội Dung Các kỹ thuật tìm đường đi ngắn nhất Thuật toán A* Thuật toán nhánh-cận Các kỹ thuật tìm kiếm đối tượng tốt nhất Tìm kiếm leo đồi Tìm kiếm Gradient Tìm kiếm mô phỏng luyện kim Tìm kiếm bắt chước sự tiến hoá: thuật toán di truyền Tìm đường đi ngắn nhất Trạng thái u gọi là trạng thái đạt tới nếu có đường đi từ trạng thái ban đầu u0 tới u . Hàm đánh giá: Độ dài đường đi ngắn nhất từ u0 tới u: g(u) Nếu u không phải trạng thái đích thì đường đi từ u0 tới u gọi là đường đi một phần Nếu u là trạng thái đích thì đường đi từ u0 tới u gọi là đường đi đầy đủ Độ dài đường đi ngắn nhất từ u tới trạng thái đích: h(u) hàm đánh giá: f(u) = g(u) + h(u) Cài Đặt Hàm Đánh Giá (Evaluation Function) start goal g(n) = 0 g(n) = 1 6 4 6 Xét trò chơi 8-puzzle. Cho mỗi trạng thái n một giá trị f(n): 	f(n) = g(n) + h(n) g(n) = khoảng cách thực sự từ n đến trạng thái bắt đầu h(n) = hàm heuristic đánh giá khoảng cách từ trạng thái n đến mục tiêu. f(n) = h(n): số lượng các vị trí còn sai Thuật toán A* Tìm kiếm tốt nhất đầu tiên + hàm đánh giá f(u) Procedure A*; Begin 	1. Khởi tạo danh sách L chỉ chứa trạng thái đầu; 	2. Loop do 	2.1 If L rỗng then {thông báo thất bại; stop}; 	2.2 Loại trạng thái u ở đầu danh sách L; 	2.3 If u là trạng thái kết thúc then 	{thông báo thành công; stop}; 	2.4 For mỗi trạng thái v kề u do 	{g(v)g(u)+k(u,v) 	f(v)g(v)+h(v); 	đặt v vào danh sách L;} 	2.5 Sắp xếp L theo thứ tự tăng dần của hàm f; End; Ví dụ: thuật toán A* Đồ thị không gian trạng thái với hàm đánh giá 10 Cây tìm kiếm theo thuật toán A* Nhận xét về thuật toán A* Nếu h(u) là đánh giá thấp (đặc biệt h(u)=0 với mọi trạng thái u), thì A* là thuật toán tối ưu, tức là nghiệm tìm được là tối ưu. Nếu độ dài các cung không nhỏ hơn một số dương δ nào đó thì A* là thuật toán đầy đủ, tức là nó luôn dừng và tìm ra nghiệm. Thuật toán tìm kiếm nhánh-cận Tìm kiếm leo đồi + hàm đánh giá f(u) Procedure Branch-and-Bound; Begin 	1. Khởi tạo danh sách L chỉ chứa trạng thái đầu; 	 Gán giá trị ban đầu cho cost; 	2. Loop do 	2.1 If L rỗng then {thông báo thất bại; stop}; 	2.2 Loại trạng thái u ở đầu danh sách L; 	2.3 If u là trạng thái kết thúc then 	 if g(u)cost then quay lại 2.1; 	2.5 For mỗi trạng thái v kề u do 	 {g(v) g(u)+k(u,v); 	 f(v) g(v) +h(v); 	 đặt v vào danh sách L1}; 	2.6 Sắp xếp L1 theo thứ tự tăng dần của hàm f; 	2.7 Chuyển danh sách L1vào đầu danh sách L sao cho L1 ở đầu danh sách L; End; Ví dụ: thuật toán nhánh-cận 10 Đồ thị không gian trạng thái với hàm đánh giá Nhận xét Thuật toán nhánh-cận cũng là thuật toán đầy đủ và tối ưu nếu h(u) là hàm đánh giá thấp và độ dài các cung không nhỏ hơn một số dương δ nào đó. Tìm đối tượng tốt nhất Trên không gian tìm kiếm U, mỗi đối tượng x được xác định với một hàm giá cost(x) cần tìm đối tượng mà hàm giá đạt giá trị lớn nhất, gọi là đối tượng tốt nhất. Tìm đối tượng tốt nhấtTìm kiếm leo đồi Tương tự kỹ thuật tìm kiếm leo đồi để tìm trạng thái kết thúc đã xét, tuy nhiên trong thuật toán này, từ một đỉnh u ta chỉ leo lên đỉnh tốt nhất v (được xác định bởi hàm giá cost) trong lân cận u nếu đỉnh này cao hơn u, tức là cost(v)>cost(u). Thuật toán dừng ngay khi không leo lên đỉnh cao hơn được nữa. Thuật toán di truyền TTDT bắt chước sự chọn lọc tự nhiên và di truyền: Chọn lọc tự nhiên: các cá thể khoẻ, có khả năng thích nghi tốt với môi trường sẽ được tái sinh và nhân bản ở các thế hệ sau Di truyền: Trong quá trình sinh sản, các cá thể con thừa huởng các phẩm chất của cha mẹ và có những đột biến. Mỗi cá thể được mã hoá bởi một cấu trúc DL mô tả cấu trúc gien của cá thể đó, gọi là nhiễm sắc thể. Một thế hệ là một quần thể ứng với một giai đoạn phát triển. TTDT bắt chước chọn lọc tự nhiên và di truyền để biến đổi các thế hệ. Thuật toán di truyềnCác toán tử biến đổi các thế hệ Toán tử tái sinh: các cá thể tốt được lựa chọn để đưa vào thế hệ sau, sự chọn lọc dựa vào độ thích nghi với môi trường. Toán tử lai ghép: hai cá thể cha mẹ trao đổi gen để tạo ra hai cá thể con. Toán tử đột biến: Một cá thể thay đổi một số gen để tạo thành cá thể mới. Thuật toán di truyền Procedure Genetic-Algorithm; Begin 	t  0; 	Khởi tạo thế hệ ban đầu P(t) 	Đánh giá P(t) (dựa vào hàm thích nghi); 	repeat 	t  t + 1; 	Sinh ra thế hệ mới P(t) từ P(t-1) bởi: 	Chọn lọc 	Lai ghép 	Đột biến; 	Đánh giá P(t); 	until điều kiện kết thúc được thoả mãn; End; Tìm kiếm có đối thủ Bài toán tìm kiếm có đối thủ (chơi cờ) được biểu diễn trong không gian trạng thái: Trạng thái ban đầu: sự sắp xếp các quân cờ của hai bên lúc bắt đầu chơi. Các toán tử: các nước đi hợp lệ Các trạng thái kết thúc: các tình thế mà cuộc chơi dừng. Hàm kết cuộc: ứng mỗi trạng thái kết thúc với một giá trị nào đó. Tìm kiếm có đối thủCây trò chơi Gốc ứng với trạng thái đầu Đỉnh ứng với trạng thái mà Trắng (Đen) đưa ra nước đi gọi là đỉnh Trắng (Đen) Các đỉnh con của đỉnh Trắng (Đen) biểu diễn trạng thái u là tất cả các đỉnh biểu diễn trạng thái v, v nhận được từ u do Trắng (Đen) thực hiện nước đi hợp lệ nào đó. Lá của cây ứng với trạng thái kết thúc. Tìm kiếm có đối thủVí dụ: Cây trò chơi Heuristic trong trò chơi có đối thủ Chiến lược min-max Hai đấu thủ trong trò chơi được gọi là MIN và MAX. Mỗi nút lá có giá trị: 1 nếu là MAX thắng, 0 nếu là MIN thắng. Minimax sẽ truyền các giá trị này lên cao dần trên đồ thị, qua các nút cha mẹ kế tiếp theo các luật sau: Nếu trạng thái cha mẹ là MAX, gán cho nó giá trị lớn nhất có trong các trạng thái con. Nếu trạng thái cha mẹ là MIN, gán cho nó giá trị nhỏ nhất có trong các trạng thái con. Minimax với độ sâu lớp cố định Minimax đối với một KGTT giả định. Các nút lá được gán các giá trị heuristic Còn giá trị tại các nút trong là các giá trị nhận được dựa trên giải thuật Minimax Giải thuật minimax Function MaxVal(u); begin 	if u là đỉnh kết thúc then MinVal(u)  f(u) 	else MinVal(u)  min{MaxVal(v) | v là đỉnh con của u} end; Function MinVal(u); begin 	if u là đỉnh kết thúc then MaxVal(u)  f(u) 	else MaxVal(u)  max{MinVal(v) | v là đỉnh con của u} end; Procedure Minimax(u, v); begin 	val -; 	for mỗi w là đỉnh con của u do 	if val(u) <= MinVal(w) then {val  MinVal(w); v  w} end; Áp dụng GT Minimax vào trò chơi NIM Heuristic trong trò chơi tic-tac-toe Hàm Heuristic: 	E(n) = M(n) – O(n) Trong đó:	M(n) là tổng số đường thắng có thể của tôi 	O(n) là tổng số đường thắng có thể của đối thủ 	E(n) là trị số đánh giá tổng cộng cho trạng thái n Minimax 2 lớp được áp dụng vào nước đi mở đầu trong tic-tac-toe Trích từ Nilsson (1971). Giải thuật cắt tỉa - Tìm kiếm theo kiểu depth-first. Nút MAX có 1 giá trị  (luôn tăng) Nút MIN có 1 giá trị  (luôn giảm) TK có thể kết thúc dưới bất kỳ: Nút MIN nào có    của bất kỳ nút cha MAX nào. Nút MAX nào có    của bất kỳ nút cha MIN nào. Giải thuật cắt tỉa - thể hiện mối quan hệ giữa các nút ở lớp n và n+2, mà tại đó toàn bộ cây có gốc tại lớp n+1 có thể cắt bỏ. Cắt tỉa  S A Z MAX MIN = z ≥  =  z ≤  =  Cắt tỉa  S A Z MIN MAX = z ≤  =  z ≥  =  Function MaxVal(u,, ); 	begin 	if u là lá của cây hạn chế hoặc đỉnh kết thúc then MaxValeval(u) 	else for mỗi đỉnh v là con của u do 	{  max[,MinVal(v,,)]; 	if    then exit}; 	MaxVal ; 	end; Function MinVal(u,, ); 	begin 	if u là lá của cây hạn chế hoặc đỉnh kết thúc then MinValeval(u) 	else for mỗi đỉnh v là con của u do 	{ min[,MaxVal(v,,)]; 	if    then exit}; 	MinVal  ; 	end; Procedure Alpha_beta(u,v); begin 	-; 	; 	for mỗi đỉnh w là con của u do 	if   MinVal(w, , ) then 	 {  MinVal(w, , ); 	 v w; } end; GT cắt tỉa - áp dụng cho KGTT giả định Các nút không có giá trị là các nút không được duyệt qua Bài Tập Chương 4