Upload
mohagheghiyan
View
1.152
Download
8
Embed Size (px)
DESCRIPTION
s
Citation preview
1
مصنوعی مصنوعی هوش هوشمرجع : نام
Artificial Intelligence A Modern ApproachArtificial Intelligence A Modern Approach:نویسنده
نورویگ یتر پ راسل، نورویگ استوارت یتر پ راسل، استوارت
ارزیابی
نمره4 میان ترم •
نمره12 پایان ترم •
نمره4 تمرینها و پیاده سازیها •
3
4
هوشيمصنوع لاول فصل
مقدمه
مصنوع Artificial Intelligence يهوش
فهرست
مصنوع يهوشچيست؟
ن ا مصنوع يمب يهوش
هوش تاريخچهيمصنوع
6
مقدمه
مصنوع يهوشچيست؟
کردن فکر انسان مانند
کردن عمل انسان مانند کردن عمل عاقلنه
کردن فکر عاقلنه
7
مقدمه
کردن عمل انسان نند Acting ما
humanly
ي نها ماشي ساخت ي يهنر کارها يکهتوسط کارها آن که ميدهند انجام را
ميشوند انجام کردن فکر با .انسان
برا برا يمطالعه کامپيوترها يساختي کارها را يانجام آنها انسان فعل که
ميدهد انجام .بهتر
8
کردن (مقدمه عمل انسان )مانند
تست تورينگ
A
B
کدامانساناست؟
A ا ي B
9
مقدمه
انسان نند Thinking کردن فکرما
humanly
برا انگيز هيجان و جديد يتلشي ها ماشين ا يساخت ب و متفکر
کامل حسها يخودکارساز مرتبط يفعاليت
ي تها ي ل فعا انسان، تفکر مثل يباگير يادگير يتصميم مسئله، حل ي،
10
مقدمه
کردن فکر Think rationally عاقلنه
ي ا ن توا از يذهن يها يمطالعهها مدل ت يطريق ا منطق( يمحاسب
)گرايي
ت ا محاسب به يمطالعه منجر کهم استدلل و .شود يدرک
11
مقدمه
کردن عاقلنه Act عمل
rationally
نتيجه يطور بهترين که کند عملدهد ارائه را
ت ا محاسب طراح يهوش مطالعه ي،ها است يعامل هوشمند
12
مقدمهن ا هوش يمب
يمصنوع منطق، :فلسفهناش ياستدلل،
مغز از تفکر شدنان يفيزيک مب ي،و ييادگير زبان ،
عقلنيتنمايش :رياضيات
، يرسم الگوريتمهاتصميم محاسبات،
تصميم يپذير واحتمال يناپذير ،
شناس :يروانطبيع اثر يتطبيق،
بر آن تاثير و ادراکمحيط
زبان :يشناس
ارائه، علمگرامر
13
مقدمه
نظريه :اقتصاد،يعقلي يتصميمها
باز ينظريه
علومنحوه :يعصب
اطلعات پردازشمغز توسط
و کنترل نظريهکنترل :سيبرنتيک تحت
محصولت آوردن درپايدار يمصنوع و ثبات ،ي،
بهينه يطراح عامل يمهندس
ساخت :کامپيوترسريع يکامپيوترها
ن ا هوش يمبيمصنوع
14
مقدمههوش تاريخچه
يمصنوع 1943 پ تر ل وا و کولوچ مک مصنوع يارا: تزي، نرون مدل يهلته ( يتيب حا قابل يريادگيقابل ) دو تابع هر محاسبه منظور به
.محاسبه
1950 تور آلن اول ي، د ينگ بار کامل ين مصنوع يد هوش ياز ” عنوان تحت ماش را هوشمند ينيمحاسبات را“ و نمود يا .ه
1951 ه اول ينسکي، ادموندز کامپ يو عصب ين شبکه را يوترکردند .طراحی
1952 سامو آرتور ا : لي، که يبرنامه م يساخت بهتر ياد گرفتنو باز ياز اش ت يسنده ن در ا يکند؛ که يجه را تصور نکار يکامپ” فقط م يوتر انجام “يرا شود گفته آن به که دهد
کرد .نقض
15
)يتاريخچه هوش مصنوع(مقدمه
1956 کارگروه هوش : دورتموند ي،نشست نام نتخاب ايمصنوع
1959 جلونتر هربرت قضا ) GTP(برنامه: ، که ساخت را يرا ام ثابت مشخص موضوعات اصل .کرد يبا
1958 کارت مک جان ل يتعر: ي، زبان بهتر يف که زبان يسپ نمصنوع .شد يهوش
1958-1973 ج اسلگل ي، مسا : مز حل انتگرالگ يبرنامه يريلبسته فرم
ا نزيتام ها : وا مشابهت حل يهندس يبرنامه
ن بابروز يدا مسا : ل حل جبر يبرنامه يل
هافمن يويد ب : د محدوده ايپروژه بلوکها يين جهان در روبات
لتز يويد وا ب يس: د ايستم محدود يين انتشار و
ون يپاتر يريادگيه ينظر: ستونيک
16
)يتاريخچه هوش مصنوع(مقدمه
هوش (1973-1966) تحقيقات مسير شدن کندمصنوعی
های برنامه الگوريتم شدن پيچيدهجديد
متون ترجمه برنامه
که مسائلی از بسياری ناپذيری انجامبود آنها حل در سعی
مفروضات با قضايا اثبات موفقيت عدمبيشتر
روی محدوديتها بعضی بکارگيریاساسی ساختارهای
دو پرسپترون نمايش محدوديتورودی
17
)يتاريخچه هوش مصنوع(مقدمه
مبتنی (1969- 1979) های سيستمدانش بر ا ت داشت يادگيری بر سعی که منظوره همه جوی و جست
کامل حل راه پيمودن برنامه سال DENDRALمثل در همکارانش و بوچانان ،1969
برنامه • غنی DENDRALمزيت پاداش سيستم اولين که بود اينبود
خبره سيستم جديد متدولوژی سيستم طراحی MYCINمثل خونی عفونتهای تشخيص برای که
شد
قطعيت • فاکتورهای از استفاده
دانش نمايش مای ش برای تقاضا افزايش يعنی مينسکی ايده از استفاده پرولوگ، در منطق از استفاده
و ...قابها
18
)يتاريخچه هوش مصنوع(مقدمه
کنون 1980 مصنوعی :تا هوش تبديلصنعت يک به
های :تاکنون1986 شبکه به برگشتعصبی
علم :تاکنون1987 به مصنوعی هوشميشود تبديل
هوشمند :تاکنون1995 عاملهای ظهور
19
هوشيمصنوع مدوم فصل
يعاملها دهوشمند
20
مصنوع Artificial Intelligence يهوش
فهرست
عاملخواص محيطهای وظيفهبرنامه های عامل
21
عاملهای هوشمند
تابع
هر عامل که ميشود توصيف عامل تابع توسط عامل رفتارميکند نقش فعاليت يک به را ادراک اله ب .دن
باله دندرک ادراک تاکنون عامل که است چيزی هر کامل سابقه
است .کرده
باله فعاليت دنعامل تابع: ادراک
€
f : P* → A
22
هوشمند عاملهای
عامل
حسگرها
محرکها
? محيط
ها ادراک
ها فعاليت
عامل
23
هوشمند عاملهای کارايي معيارهای
موفقيت برای معياری کارايي، معياراست عامل .رفتار
محيط • در فرد های خواسته اساس برميشود انتخاب
را موفقيت ملکهای که کارايي ار معيميکند تعريف
محيط به نسبت عامل قبلي دانش
دهد انجام تواند مي عامل که تهايي ي ل فعا
زمان اين در عامل ادراک اله ب دن
عقليي رفتار
24
هوشمند عاملهای لـم عا )Omni science)عامل
بر ند توا مي و ميداند را خود فعاليت واقعی خروجیکند عمل آن اساس
خردمند )Rational agent(عامل
را اش کارايي معيار که ميکند نتخاب ا را يتی ل فعاميکند حداکثر
يادگيری • اکتشاف، اطلعات، آوری جمع
مختار خود عاملکند جبران تواند مي را خود قبلی دانش نقص
25
هوشمند عاملهای
خواص
های محيطوظيفه
مشاهده قابل قابليت درمقابلکاملجزئی مشاهده
قطعی درمقابلقطعي غير راهبردی
ترتيبي درمقابلرويدادی
ا پويا درمقابلايست
پيوسته درمقابلگسسته عاملي عاملي درمقابلتک چند
رقابتي عاملي درمقابلچندهمياری چندعاملي
26
هوشمند عاملهایساختارعامل= معماری+ برنامهعاملها
طراحی مصنوعی هوش عامل کار تابع برنامه که استميکند سازی پياده را عامل
های برنامهواکنشی عامل عاملهای
ساده هدف عاملهای
گرا
واکنشی عاملهایگرا مدل
عاملهایسودمند
27
ساده واکنشی عاملهای
عاملهای هوشمند
عامل
طحي
م
حسگرها
است چگونه جهان
محرکها
قانونعمل شرط
چه اکنونبايد عملیدهم انجام
اين عاملها فعاليت را برفعلی اساس و بدوندرک
در نظر گرفتن سابقه ادراک،انتخاب ميکند
حذف سابقهبه خاطر برنامه عامل درادراک
ارمقايسه با جدول آن بسي استکوچک
انتخاب فعاليت بر اساسقوانين موقعيتيکسری انجام ميشودشرطي
28
هوشمند عاملهای
function REFLEX-VACUUM-AGENT ([location, status]) return an action
if status == Dirty then return Suckelse if location == A then return Rightelse if location == B then return Left
جاروبرقي دنيای در ساده واکنشی عامل از مثاليتصميم گيری آن بر
مکان فعلی واساس آن مکانکثيف بودن
صورت ميگيرد
در برنامه عامل درمقايسه با جدول آن،
تعداد حالتهای ممکن از مي يابد کاهش 4به 4
انتخاب فعاليت برموقعيتاساس
:شرطي Ifdirty thensuck
29
عاملهای هوشمندواکنشي عاملهایمدل گرا
عامل
طحي
م
حسگرها
است چگونه جهان
محرکها
قانونشرط عمل
اکنون چهبايد عملی انجام دهم
استفاده از دانش”چگونگی عملکرد
نام داردمدل که جهان“
بخشي ازعاملايي را که فعل ميبينددني ميکندرديابی
حالتعامل بايد را ذخيره کند کهداخلي
بستگيسابقه ادراکبه دارد
عامل, در هر وضعيت توصيف جديدیميتواند
از جهان را کسب کند
حالتجهانچگونه
تکامل میيابد
کار فعاليتچيست
34
عاملهای هوشمندعاملهای هدف
گرا
عامل
طحي
م
حسگرها
جهان چگونه است
محرکها
اهدافاکنون چهبايد عملی انجام دهم
حالت
جهانچگونه
تکامل میيابد
کار فعاليتچيست
اين عامل علوه بر توصيفحالت فعلی، برای انتخاب
مطلوب نيازمندموقعيت نيز ميباشدهدفاطلعات
جست و جو و برنامه، دنباله ای از فعاليتها راريزی
برای رسيدن عامل به هدف،پيدا ميکند
اين نوع تصميم گيریيندههمواره را در نظر دارد وآ
با قوانين شرط عمل تفاوتدارد
اين نوع عامل کارايي چندانی قابليت انعطافندارد، اما
بيشتری دارد
Aاگر فعاليت را انجام دهم
چه خواهدشد
35
عاملهای هوشمندعاملهایسودمند
عامل
طحي
م
حسگرها
جهان چگونه است
محرکها
سودمند
اکنون چهبايد عملی انجام دهم
حالت
جهانچگونه
تکامل میيابد
کار فعاليتچيست
اهدافاين عامل براي راه های مختلفی، مشخص
دارد، که راه حل بهتر برای. استسودمندترعامل
حالت ياتابع سودمندی ،دنباله ای از حالتها را به يک
نگاشت ميکند کهحقيقیعدد را توصيفدرجه رضايت
.ميکند
اهداف متضادوقتی از آنها برآوردهبعضیباشند، ميشوند
بههيچيک از اهدافاگر طور قطعی قابل حصولنباشند، احتمال موفقيت با
مقايسه ميشوداهميت هدف
Aاگر فعاليت را انجام دهم
چه خواهدشد
در چنين حالتیچقدر رضايت
دارم
36
عاملهای هوشمندعاملهای
يادگيرنده
عامل
حسگرها
محرکها
مسئوليادگيرندهعنصر ايجاد بهبودها
مسئولکاراييعنصر انتخاب فعاليتهای خارجی
مشخص ميکند کهمنتقد يادگيرنده با توجه به
استانداردهای کارايي چگونهعمل ميکند
مسئول پيشنهادمولد مسئله فعاليتهايي است که منجر به
تجربيات آموزنده جديدی ميشود
طحي
معنصر کارايي
منتقد
عنصريادگيرنده
له مولد مسئ
اندارد استکارايي
ورخ
ازب د
داه
اف
يردگ
يای
يرات تغي
دانش
37
هوشمسوميمصنوع فصل
تجست ابا همسئله حلجو
38
مصنوع Artificial Intelligence يهوش
فهرست مسئله حل عاملهایمسئلهاندازه گيری کارايي حل
مسئلهناآگاهانه جستجوی ناب از حالتهای اجت
تکراریجستجو با اطلعات
ناقص
39
له با جستجو حل مسئعاملهای حل مسئله
مسائل حل برای اساسي گام چهار هدف کردن نهايي :فرموله مطلوب وضعيتهای
کدامند؟
تهايي :فرموله کردن مسئله تها و وضعي ي ل چه فعابرای رسيدن به هدف موجود است؟
تهايي که :جستجو ي ل اله از فعا ب نتخاب بهترين دن اا مقدار شناخته شده ميشود .منجر به حالتی ب
اله فعاليت مطلوب پيدا شد، :اجرا ب وقتی دنتواند اجرا شود تهای پيشنهادی آن مي ي ل .فعا
40
له با جستجو حل مسئنقشه رومانی: مثال
41
له با جستجو حل مسئ
آراد به بخارست: صورت مسأله از رفتن
رسيدن به بخارست: فرموله کردن هدف
فرموله کردن مسئله:
ها ت مختلف :وضعي شهرهای
ها ت ي ل حرکت بين شهرها :فعا
اله ای از شهرها مثل: جستجو ب يو، فاگارس،:دن ب آراد، سيبخارستانتخاب ميشود ا توجه به کم هزينه ترين مسير ب اين جستجو
نقشه رومانی: مثال
42
له با جستجو حل مسئمسئله
حالتی که عامل از آن شروع ميکند: حالت اوليه .
شهر آراد :در مثال رومانی(n(Arad
توصيفي از فعاليتهای ممکن که برای عامل مهيا است: تابع جانشين.
در مثال رومانی: Zerind,Sibui,Timisoara{ {=(S(Arad
مجموعه ای از حالتها که از حالت اوليه ميتوان به آنها: فضای حالت. رسيد
شهرها که با شروع از آراد ميتوان به کليه: در مثال رومانیآنها رسيد
فضای حالت= حالت اوليه + تابع جانشين
43
له با جستجو حل مسئتعيين ميکند که آيا حالت خاصی، حالت هدف است يا: آزمون هدف
خيردر مثال رومانی، رسيدن به بخارست :هدف صريحدر مثال شطرنج، رسيدن به حالت کيش و مات :هدف انتزاعی
به هم متصلرا دنباله ای از حالتها که دنباله ای از فعاليتها : مسير. کندمي
در مثال رومانی: Arad, Sibiu, Fagaras يک مسير است
برای هر مسير يک هزينه عددی در نظر ميگيرد: هزينه مسير .طول مسير بين شهرها بر حسب کيلومتر :در مثال رومانی
مسئله مسيری از حالت اوليه به حالتراه حلهدف است
نه کمترين هزينه مسير راراه حل بهيدارد
44
له با جستجو حل مسئدنيای جارو برقي: مثال
دو مکان که هر يک ممکن :حالتها8 = 2^2* لذا .است کثيف يا تميز باشند
حالت در اين جهان وجود دارد2
هر حالتی ميتواند به :حالت اوليهعنوان حالت اوليه طراحی شود
حالتهای معتبر از سه :تابع جانشينراست، چپ، مکش: عمليات
تميزی تمام مربعها :آزمون هدف
تعداد مراحل در مسير :هزينه مسير
45
له با جستجو حل مسئدنيای جارو برقي: مثال
دو مکان که هر يک ممکن :حالتها8 = 2^2* لذا .است کثيف يا تميز باشند
حالت در اين جهان وجود دارد2
هر حالتی ميتواند به :حالت اوليهعنوان حالت اوليه طراحی شود
حالتهای معتبر از سه :تابع جانشينراست، چپ، مکش: عمليات
تميزی تمام مربعها :آزمون هدف
تعداد مراحل در مسير :هزينه مسير
46
له با جستجو حل مسئ8معمای: مثال
مکان هر هشت خانه شماره دار و خانه خالی :حالتهاخانه9 در يکي از
هر حالتي را ميتوان به عنوان حالت :حالت اوليهاوليه در نظر گرفت
حالتهای معتبر از چهار عمل، انتقال :تابع جانشينخانه خالی به چپ، راست، بال يا پايين
بررسی ميکند که حالتی که اعداد به :آزمون هدفرخ داده يا نه) طبق شکل روبرو(ترتيب چيده شده اند
برابر با تعداد مراحل در مسير :هزينه مسير
47
له با جستجو حل مسئ8معمای: مثال
مکان هر هشت خانه شماره دار و خانه خالی :حالتهاخانه9 در يکي از
هر حالتي را ميتوان به عنوان حالت :حالت اوليهاوليه در نظر گرفت
حالتهای معتبر از چهار عمل، انتقال :تابع جانشينخانه خالی به چپ، راست، بال يا پايين
بررسی ميکند که حالتی که اعداد به :آزمون هدفرخ داده يا نه) طبق شکل روبرو(ترتيب چيده شده اند
برابر با تعداد مراحل در مسير :هزينه مسير
48
له با جستجو حل مسئله : مثال وزير8 مسئ
فرمول بندی افزايشيوزير در صفحه،8 تا 0 هر ترتيبي از :حالتها
يک حالت است
هيچ وزيری در صفحه نيست :حالت اوليه
وزيری را به خانه خالی :تابع جانشيناضافه ميکند
وزير در صفحه وجود دارند8 :آزمون هدفو هيچ کدام به يکديگر گارد نميگيرند
بايد در اين فرمول بندی اله ممکن بررسی14^10*3 ب دن
ميشود
49
له با جستجو حل مسئله : مثال وزير8 مسئ
فرمول بندی افزايشيوزير در صفحه،8 تا 0 هر ترتيبي از :حالتها
يک حالت است
هيچ وزيری در صفحه نيست :حالت اوليه
وزيری را به خانه خالی :تابع جانشيناضافه ميکند
وزير در صفحه وجود دارند 8:آزمون هدفو هيچ کدام به يکديگر گارد نميگيرند
بايد در اين فرمول بندی اله ممکن بررسی14^10*3 ب دن
ميشود
50
له با جستجو حل مسئله : مثال وزير8 مسئ
فرمول بندی حالت کامل، بطوريکه در هر n ≥( 8≤(0وزير nچيدمان : حالتها
ستون سمت چپ، يک وزير قرار گيرد و nستون از هيچ دو وزيری بهم گارد نگيرند
وزير در صفحه شروع ميشود8 با :حالت اوليه
وزيری را در سمت چپ ترين ستون :تابع جانشينخالي قرار ميدهد، بطوری که هيچ وزيری آن را
گارد ندهد
وزير در صفحه وجود دارند و هيچ8 :آزمون هدفکدام به يکديگر گارد نميگيرند
اين فرمول بندی فضای حالت راکاهش2057 به 14^10*3 از
ميدهد
51
له با جستجو حل مسئله : مثال وزير8 مسئ
فرمول بندی حالت کامل، بطوريکه در هر n ≥( 8≤(0وزير nچيدمان : حالتها
ستون سمت چپ، يک وزير قرار گيرد و nستون از هيچ دو وزيری بهم گارد نگيرند
وزير در صفحه شروع ميشود8 با :حالت اوليه
وزيری را در سمت چپ ترين ستون :تابع جانشينخالي قرار ميدهد، بطوری که هيچ وزيری آن را
گارد ندهد
وزير در صفحه وجود دارند و هيچ 8:آزمون هدفکدام به يکديگر گارد نميگيرند
اين فرمول بندی فضای حالت راکاهش2057 به 14^10*3 از
ميدهد
52
له با جستجو حل مسئاندازه گيری کارايي حل مسئله
آيا الگوريتم تضمين ميکند که در صورت وجود :کامل بودنراه حل، آن را بيابد؟
آيا اين راهبرد، راه حل بهينه ای را ارائه ميکند :بهينگي.
چقدر طول ميکشد تا راه حل را پيدا :پيچيدگي زمانیکند؟
تعداد گره های توليد شده در اثنای جستجو
برای جستجو چقدر حافظه نياز دارد؟ :پيچيدگی فضاحداکثر تعداد گره های ذخيره شده در حافظه
53
له با جستجو حل مسئاندازه گيری کارايي حل مسئله
آيا الگوريتم تضمين ميکند که در صورت وجود :کامل بودنراه حل، آن را بيابد؟
آيا اين راهبرد، راه حل بهينه ای را ارائه ميکند :بهينگي.
چقدر طول ميکشد تا راه حل را پيدا :پيچيدگي زمانیکند؟
تعداد گره های توليد شده در اثنای جستجو
برای جستجو چقدر حافظه نياز دارد؟ :پيچيدگی فضاحداکثر تعداد گره های ذخيره شده در حافظه
54
له با جستجو حل مسئناآگاهانه جستجوی
ناآگاهی اين است که الگوريتم هيچ اطلعاتی غير از تعريف مسئله در اختيارندارد
اين الگوريتمها فقط ميتواند جانشينهايي را توليد و هدف را از غير هدفتشخيص دهند
راهبردهايي که تشخيص ميدهد يک حالت غير هدف نسبت به گره غير هدفديگر، اميد بخش تر است، جست و جوی آگاهانه يا جست و جوی اکتشافي ناميده
.ميشودراهبردها
جست و جوی عرضیجست و جوی عمقیجست و جوی عميق کننده تکراری
جست و جوی هزينهيکنواخت
جست و جوی عمقیمحدود
جست و جوی دو طرفه
55
له با جستجو حل مسئجستجوی عرضی
A
B C D
E F G H I
J K L NM O P Q
56
له با جستجو حل مسئجستجوی عرضی
بله :کامل بودن
)مشروط( بله :بهينگی
)مثل وقتي که فعاليتها هزينه يکسانی دارند.(گره باشد
:پيچيدگي زماني
:پيچيدگی فضا
)O(b 1d+
)O(b 1d+
:کامل بودن
)مشروط( بله :بهينگی
57
جستجو با مسئله حلجستجوی هزينه يکنواخت
A
B C D
E F G H I
J K L NM O P Q
11
3
را با کمترين هزينه مسير بسط ميدهد nاين جستجو گره
58
له با جستجو حل مسئ
بله :کامل بودن
)هزينه مسير با حرکت در مسير افزايش مي يابد(
بله :بهينگی
:پيچيدگي زماني
:پيچيدگی فضا
جستجوی هزينه يکنواخت
)O(b ]/[C* ε
)O(b ]/[C* ε
:کامل بودن
:بهينگی
59
له با جستجو حل مسئ
جستجوی عمقی2
3
45
6
7
B C D
E F G H I
J K L NM O P Q
60
له با جستجو حل مسئ
خير :کامل بودن
.باشد، جستجو هرگز خاتمه نمي يابد
خير :بهينگی:پيچيدگي زماني
:پيچيدگی فضا
جستجوی عمقی
)O(bm
O(bm)
:کامل بودن
:بهينگي
61
له با جستجو حل مسئجستجوی عمقی محدود
A
B C D
E F G H I
J K L NM O P Q
مسئله درختهای نامحدود ميتواند به وسيله جست و جوی عمقي بابهبود يابد L عمق محدود
62
له با جستجو حل مسئجستجوی عمقی محدود
خير :کامل بودن
.راهبرد کامل نخواهد بودداشته باشد، اين
خير :بهينگی
:پيچيدگي زماني
:پيچيدگی فضا
)O(bL
O(bL)
:کامل بودن
:بهينگي
63
له با جستجو حل مسئجستجوی عميق کننده تکراري
A
B C D
E F G H I
J K L NM O P Q
64
له با جستجو حل مسئجستجوی عميق کننده تکراري
A
B C D
E F G H I
J K L NM O P Q
65
له با جستجو حل مسئجستجوی عميق کننده تکراري
A
B C D
E F G H I
J K L NM O P Q SR
66
له با جستجو حل مسئجستجوی عميق کننده تکراري
بله :کامل بودن
بله :بهينگی
:پيچيدگي زماني
:پيچيدگی فضا
)O(bd
O(bd)
:کامل بودن
:بهينگي
67
له با جستجو حل مسئجستجوی دو طرفه
انجام دو جست و جوی همزمان، يکي از حالت اوليه به هدف و ديگریاز هدف به حالت اوليه تا زمانی که دو جست و جو به هم برسند
68
له با جستجو حل مسئجستجوی دو طرفه
بله :کامل بودن
بله :بهينگی
:پيچيدگي زماني
:پيچيدگی فضا
)O(bd/2
)O(bd/2
:کامل بودن
:بهينگي
69
له با جستجو حل مسئاجتناب از حالتهای تکراری
وجود حالتهای تکراری در يک مسئله قابل حل، ميتواند آن را به مسئلهغير قابل حل تبديل کند
70
له با جستجو حل مسئبا اطلعات ناقص جستجو
اگر عامل فاقشد حسشگر باششد، ميتواند در :مسئله های فاقد حسگريکي از چند حالت اوليه باشد و هر فعاليت ميتواند آن را به يکي از چند حالت
جانشين ببرد
اگر محيط به طور جزئی قابل مشاهده باشد يا :مسئله های اقتضايياگر فعاليتها قطعي نباشد، ادراکات عامل، پس از هر عمل، اطلعات جديدي را
هر ادراک ممکن، اقتضايی را تعريف ميکند که بايد برای آن برنامه. تهيه ميکنندريزی شود
ثر فعاليتهای عامل ديگری :مسائل خصمانه اگرعدم قطعيت در ابوجود آيد، مسئله را خصمانه گويند
وقتی حالتها و فعاليتهای محيط ناشناخته باشند، :مسئله های اکتشافیمسئله های اکتشافی را ميتوان شکل نهايی. عامل بايد سعي کند آنها را کشف کند
مسئله های اقتضايي دانست
71
له با جستجو حل مسئدنيای جاروبرقی فاقد: مثال
حسگر عامل جارو تمام اثرات فعاليتهايش را.ميداند اما فاقد حسگر است
حالت اوليه آن يکي از اعضایميباشد8} ،2،3،4،5،6،7،}1مجموعه
فعاليت)Right) {2،4،6،{8
فعاليت)Right,Suck) {4،{8
فعاليت)Right,Suck,Left,Suck( تضمينميکند که صرف نظر از حالت اوليه، به
برسد7 حالت هدف، يعنی
72
له با جستجو حل مسئدنيای
جاروبرقیحسگر عامل بايد راجع بهفاقد
مجموعه هاي حالتی کهميتواند به آنها برسد استدلل
اين مجموعه از حالتها. کند.را حالت باور گوييم
اگر فضای حالت فيزيکيحالت باشد فضای sدارای
حالت باور s^2حالت باور .خواهد داشت
73
هوشمچهارميمصنوع فصل
H هآگاهانه یجوی وو جستوفاکتشاف
74
مصنوع Artificial Intelligence يهوش
فهرست آگاهانه جوی و جست متدهای جوی و جست برای يادگيری
بهتر بهينه و محلی جوی و جست
سازی در محلی جوی و جست
پيوسته فضاهای جوی و جست Onlineعاملهای
75
جست و جوی آگاهانه و اکتشاف
آگاهانه جستجوی متدهایبهترين جستجو
حريصانه*A
*IDA
RBFS
*MA و *SMA
جستجوی محلی و بهينه سازی
تپه نوردیشبيه سازی حرارتپرتو محلیالگوريتمهای ژنتيک
76
جست و جوی آگاهانه و اکتشاف
تعاريف ،تابع هزينه مسير(g(n: هزينه مسير از گره اوليه تا گرهn
،تابع اکتشافی(h(n: هزينه تخمينی ارزان ترين مسير از گرهn به گرههدف
،تابع بهترين مسير(h*(n: ارزان ترين مسير از گرهn تا گره هدف
،تابع ارزيابي(f(n: هزينه تخمينی ارزان ترين مسير از طريقn
(f(n): g(n) + h(n
(f*(n : هزينه ارزان ترين مسير از طريقn (f*(n): g(n) + h*(n
77
جست و جوی آگاهانه و اکتشاف
A
B C
D E F G
H I K ML N O
3
P Q
J
WV X Y ZR S T U
1
1 2
1 3 3 2
3 2 3 2 3
1 1
1 2
3 2 1 1
1 3
2 3
1 2
5 3
0
132
3
1 2 2 1 1 2 1 0 2 1
3123
3 2
جستجوی حريصانه
78
جست و جوی آگاهانه و اکتشاف
1A
B C
D E F G
N O
3
X
1
1 2 1 1
1
1 3
1 2
5 3
0
31
3 2
2
3
4
5
جستجوی حريصانه
79
جست و جوی آگاهانه و اکتشافجستجوی حريصانه
A
F G
H I ML N O
P Q WV X Y ZR S T U
1 3
3 2 3 2 3
1 1
1 2
3 2 1 1
1 3
2 3
B C
2 11 4
D E
1 15 1
KJ
3 3
0
132
3
1 2 2 1 1 2 1 0 2 1
3123
3 3
80
جست و جوی آگاهانه و اکتشافجستجوی حريصانه
2
A
B C
2 11 4
D E
1 15 1
KJ
3 3
0
1
1
3
81
جست و جوی آگاهانه و اکتشافجستجوی حريصانه
خير :کامل بودن اما اگر*h = h آنگاه جستجو کامل ميشود
خير :بهينگی اما اگر*h = h آنگاه جستجو کامل ميشود
پيچيدگي زماني: اما اگر*h = h آنگاه
پيچيدگی فضا: اما اگر*h = h آنگاه
)( mbO
)( mbO
)(bdO
)(bdO
کامل:بودنبهينگی:
82
جست و جوی آگاهانه و اکتشافA*جستجوی
A/5
B/4 C/4
D/5 E/1 F/3 G/2
H/2 I/3 K/0 M/2L/3 N/1 O/3
2
P/3 Q/1
J/1
W/1V/2 X/0 Y/2 Z/1R/2 S/2 T/1 U/1
1
1 1
1 3 3 3
3 2 3 2 3
1 1
1 2
3 2 1 1
1 3
2 3
83
جست و جوی آگاهانه و اکتشافA*جستجوی
1
32
A/5
B/4 C/4
2 16 5
X/0
1
4
N/1 O/3
1 3
84
F/3 G/2
1 15 4
84
جست و جوی آگاهانه و اکتشافA*جستجوی
A/5
B/1 C/4
D/5 E/1 F/3 G/2
H/2 I/3 K/0 M/2L/3 N/1 O/3
2
P/3 Q/1
J/1
W/1V/2 X/0 Y/2 Z/1R/2 S/2 T/1 U/1
1
1 1
1 3 3 3
3 2 3 2 3
1 1
1 2
3 2 1 1
1 3
2 3
85
A*جستجوی
جست و جوی آگاهانه و اکتشاف
A/5
2
1 3
4
5
B/1 C/4
2 13 5
D/5 E/1
1 18 4
K/0J/1
3 3
67
X/0
1
4
N/1 O/3
1 3
84
F/3 G/2
1 15 4
86
A*جستجوی
جست و جوی آگاهانه و اکتشاف
A/5
B/1 C/9
D/5 E/1 F/3 G/2
H/2 I/3 K/0 M/2L/3 N/1 O/3
2
P/3 Q/1
J/1
W/1V/2 X/0 Y/2 Z/1R/2 S/2 T/1 U/1
1
1 1
1 3 3 3
3 2 3 2 3
1 1
1 2
3 2 1 1
1 3
2 3
87
A*جستجوی
جست و جوی آگاهانه و اکتشاف
A/5
2
1
3
B/1 C/9
2 13 10
D/5 E/1
1 18 4
K/0J/1
3 3
6
1
88
A*جستجوی
جست و جوی آگاهانه و اکتشاف
بله :کامل بودنبله :بهينگیپيچيدگي زماني:
اما اگر*h = h آنگاه
پيچيدگی فضا: اما اگر*h = h آنگاه
)( mbO
)( mbO
)(bdO
)(bdO
89
جست و جوی آگاهانه و اکتشاف
A
B C
D E
F G
1
H
1
1
1
1
1
1
1 2
1
1
0
0
1
A
B C
D E
F G
1
H
1
1
1
1
1
1
3 4
2
1
0
0
1
h ≤ h* h ≤ h*/
A*جستجوی
90
جست و جوی آگاهانه و اکتشافA*جستجوی
1
2
3
4
A
B C
D E
F G
1
H
1
1
1
1
1
1
1 2
1
1
0
0
1
A
B C
D E
F G
1
H
1
1
1
1
1
1
3 4
2
1
0
0
1
1
2
3
4
5
6
h ≤ h* h ≤ h*/
91
جست و جوی آگاهانه و اکتشاف
A/100
B/80 C/95
E/86 F/78 G/90 T/60
H/80 J/82 N/72 L/80K/85 W/52 X/58M/75
Y/47 Z/50O/78 P/79
D/90
M/75 I/87
P/79O/78 U/81 V/83
T/60
R/20Q/0W/52 X/58
Y/47 Z/50
S/70
10
ناب از گره های A*جستجوی و اجتتکراری
مرحله هر هزينهميباشد10
92
جست و جوی آگاهانه و اکتشافناب از گره های A*جستجوی و اجت
A/100تکراری
B/80 C/95 D/9090 105 100
E/86 F/78106 98 M/75 I/8795 107
P/79O/78
108 109
G/90 T/60 80110
W/52 X/58
Y/47 Z/50
8882
9087
R/20Q/0
7050
N/72M/75 105 102
T/60S/70 100110
W/52 X/58102 108
Y/47 Z/50107 110
1
2
3
4
5
6
7
8
9
10
93
جست و جوی آگاهانه و اکتشافA*مثال ديگر از جستجوی
f(n)=g(n) + h(n)
94
جست و جوی آگاهانه و اکتشافدر نقشه رومانی A*جستجوی
Aradبا شروع از Bucharestجستجوی
f(Arad) = g(Arad)+h(Arad)=0+366=366
95
جست و جوی آگاهانه و اکتشافدر نقشه رومانی A*جستجوی
Arad را باز کرده و(f(n را برای هر يک از زيربرگها محاسبه ميکنيم:f(Sibiu)=c(Arad,Sibiu)+h(Sibiu)=140+253=393
f(Timisoara)=c(Arad,Timisoara)+h(Timisoara)=118+329=447
f(Zerind)=c(Arad,Zerind)+h(Zerind)=75+374=449
انتخاب شهر است Sibiuبهترين
96
جست و جوی آگاهانه و اکتشافدر نقشه رومانی A*جستجوی
Sibiu را باز کرده و(f(n را برای هر يک از زيربرگها محاسبه ميکنيم:f(Arad)=c(Sibiu,Arad)+h(Arad)=280+366=646f(Fagaras)=c(Sibiu,Fagaras)+h(Fagaras)=239+179=415f(Oradea)=c(Sibiu,Oradea)+h(Oradea)=291+380=671f(Rimnicu Vilcea)=c(Sibiu,Rimnicu Vilcea)+ h(Rimnicu Vilcea)=220+192=413
انتخاب شهر است Rimnicu Vilceaبهترين
97
جست و جوی آگاهانه و اکتشافدر نقشه رومانی A*جستجوی
Rimnicu Vilcea را باز کرده و(f(n را برای هر يک از زيربرگها محاسبه:ميکنيم
f(Craiova)=c(Rimnicu Vilcea, Craiova)+h(Craiova)=360+160=526f(Pitesti)=c(Rimnicu Vilcea, Pitesti)+h(Pitesti)=317+100=417f(Sibiu)=c(Rimnicu Vilcea,Sibiu)+h(Sibiu)=300+253=553
انتخاب شهر است Fagarasبهترين
98
جست و جوی آگاهانه و اکتشافدر نقشه رومانی A*جستجوی
Fagaras را باز کرده و(f(n را برای هر يک از زيربرگها محاسبه ميکنيم:f(Sibiu)=c(Fagaras, Sibiu)+h(Sibiu)=338+253=591
f(Bucharest)=c(Fagaras,Bucharest)+h(Bucharest)=450+0=450
است Pitesti !!!بهترين انتخاب شهر
99
جست و جوی آگاهانه و اکتشافدر نقشه رومانی A*جستجوی
Pitesti را باز کرده و(f(n را برای هر يک از زيربرگها محاسبه ميکنيم:f(Bucharest)=c(Pitesti,Bucharest)+h(Bucharest)=418+0=418
انتخاب شهر است Bucharest !!!بهترين
100
جست و جوی آگاهانه و اکتشافدر نقشه رومانی A*جستجوی
101
جست و جوی آگاهانه و اکتشاف اکتشافی با حافظه محدودجستجوی
*IDA ساده ترين راه برای کاهش حافظه مورد نياز*A استفاده از عميق.کننده تکرار در زمينه جست و جوی اکتشافي است
الگوريتم عميق کننده تکرارA* *IDA
در جستجوی*IDA مقدار برش مورد استفاده، عمق نيست بلکه.است f(g+h)هزينه
*IDA برای اغلب مسئله های با هزينه های مرحله ای، مناسب استو از سربار ناشي از نگهداری صف مرتبي از گره ها اجتناب ميکند
102
RBFS بازگشتي جستجویبهترين
جست و جوی آگاهانه و اکتشاف
ساختار آن شبيه جست و جوی عمقي بازگشتي است، اما به جایمربوط به بهترين fاينکه دائما به طرف پايين مسير حرکت کند، مقدار
مسير از هر جد گره فعلی را نگهداری ميکند، اگر گره فعلی از اين حد.تجاوز کند، بازگشتی به عقب برميگردد تا مسير ديگري را انتخاب کند
اين جستجو اگر تابع اکتشافی قابل قبولی داشته باشد، بهينه است.
پيچيدگي فضايي آن(O(bd است
تعيين پيچيدگی زمانی آن به دقت تابع اکتشافی و ميزان تغيير.بهترين مسير در اثر بسط گره ها بستگی دارد
103
جست و جوی آگاهانه و اکتشافRBFS بازگشتي جستجویبهترين
RBFS تا حدی از*IDA کارآمدتر است، اما گره های زيادی توليد.ميکند
*IDA وRBFS در معرض افزايش تواني پيچيدگي قرار دارند کهدر جست و جوی گرافها مرسوم است، زيرا نميتوانند حالتهای تکراری
لذا، ممکن است يک حالت را. را در غير از مسير فعلي بررسي کنند.چندين بار بررسي کنند
*IDA وRBFS از فضای اندکي استفاده ميکنند که به آنها آسيببين هر تکرار فقط يک عدد را نگهداری ميکند که IDA*. ميرساند
اطلعات بيشتری در حافظه نگهداری RBFS. است fفعلي هزينه ميکند
104
جست و جوی آگاهانه و اکتشافبهترين جستجوی بازگشتي در نقشه
رومانی
105
جست و جوی آگاهانه و اکتشافبهترين جستجوی بازگشتي در نقشه
رومانی
106
بهترين جستجوی بازگشتي در نقشهرومانی
جست و جوی آگاهانه و اکتشاف
107
جست و جوی آگاهانه و اکتشاف SMA*جستجوی حافظه محدود ساده
*SMA در اين نقطه. بهترين برگ را بسط ميدهد تا حافظه پر شودبدون از بين بردن گره های قبلي نميتواند گره جديدی اضافه کند
*SMA هميشه بدترين گره برگ را حذف ميکند و سپس از طريقپس جد زير درخت فراموش. گره فراموش شده به والد آن بر ميگردد
شده، کيفيت بهترين مسير را در آن زير درخت ميداند
کامل, اگر عمق سطحی ترين گره هدف کمتر از حافظه باشد.است
*SMA بهترين الگوريتم همه منظوره برای يافتن حلهای بهينهميباشد
108
جست و جوی آگاهانه و اکتشاف SMA*جستجوی حافظه محدود ساده
اگر مقدارf تمام برگها يکسان باشد و الگوريتم يک گره را هم برایاين مسئله را با بسط SMA*بسط و هم برای حذف انتخاب کند،
بهترين برگ جديد و حذف بهترين برگ قديمی حل ميکند
ممکن است*SMA مجبور شود دائما بين مجموعه ای از مسيرهایحل کانديد تغيير موضع دهد، در حالی که بخش کوچکی از هر کدام
در حافظه جا شود
محدوديتهای حافظه ممکن است مسئله ها را از نظر زمان .محاسباتی، غير قابل حل کند
109
ا ب A*جستجوی گراف
جست و جوی آگاهانه و اکتشاف
2
14
1
11
1 24
3
1 H/0
A/6
B/5
C/1
D/1E/2
F/2
G/1
J/1 1
110
جست و جوی آگاهانه و اکتشاف
A/6
B/5
C/1
1
4
6
5 1ا ب A*جستجوی گراف
111
جست و جوی آگاهانه و اکتشافا ب A*جستجوی گراف
A/6
B/5
C/1
D/1
G/1
1
4
2
1
6
5
6
7
1
2
112
جست و جوی آگاهانه و اکتشافا ب A*جستجوی گراف
A/6
B/5
C/1
D/1
G/1
1
4
2
1
J/11
6
5
6
7
3
1
27
113
جست و جوی آگاهانه و اکتشافا ب A*جستجوی گراف
A/6
B/5
C/1
D/1E/2
F/2
G/1
1
4
4
3
2
1
1
J/11
6
5 4
4
6
5
67
5
3
1
27
4
114
جست و جوی آگاهانه و اکتشافا ب A*جستجوی گراف
A/6
B/5
C/1
D/1E/2
F/2
G/1
1
4
4
1
3
2
1
1
J/11
6
5 4
4
6
5
67
6
5
3
1
27
4
5
115
جست و جوی آگاهانه و اکتشافا ب A*جستجوی گراف
A/6
B/5
C/1
D/1E/2
F/2
G/1
1
1
3
2
21
1
J/11
6
4
4
5
67
6
5
3
1
2
5
64
116
جست و جوی آگاهانه و اکتشافا ب A*جستجوی گراف
H/0
A/6
B/5
C/1
D/1E/2
F/2
G/1
1
1
3
2
1
1
J/11
1
6
5 4
4
6
5
67
6
5
6
3
1
27
5
647
117
جست و جوی آگاهانه و اکتشافيادگيری برای جست و جوی بهتر
ثابت روشهای جست و جوی قبلي، از استفادهروشهای.ميکردند
ميتواند ياد بگيردفضای حالت فراسطحیعامل با استفاده از که بهتر جست و جو کند
محاسباتی(، حالتفضای حالت فرا سطحیهر حالت در(،حالت سطح شیءداخلی برنامه ای را تسخير ميکند که فضای
مثل رومانی را جست و جو ميکند
ميتواند چيزهايي را از تجربياتيادگيری فراسطحیالگوريتم .بياموزد تا زيردرختهای غير قابل قبول را کاوش نکند
،حل مسئله استکمينه کردن کل هزينههدف يادگيری ،
118
جست و جوی آگاهانه و اکتشافتوابع اکتشافی
معمای برای 8مثال ا ب ين هزينه حل تقري انگ مرحله و فاکتور انشعاب در22 مي
.است3 حدود 22 : جست و جوی جامع تا عمقتوان مراحل جستجو را انتخاب يک تابع اکتشافی مناسب مي ا ب
کاهش داد
1022 101.33 ×≈
119
جست و جوی آگاهانه و اکتشافدو روش اکتشافي متداول برای
8معمای
تعداد کاشيها در مکانهاینادرست
در حالت شروع
اکتشاف قابل قبولی است، زيرا هر کاشي که در
جای نامناسبی قرار دارد،حداقل يکبار بايد جابجا شود
81 =h=1h
1h
120
جست و جوی آگاهانه و اکتشافبرای متداول اکتشافي روش دو
8معمایموقعيتهای از کاشيها فواصل مجموعه
نها آ هدف شروع حالت در
چون کاشيها نميتوانند در امتداد قطر جا بهفاصله ای که محاسبه ميکنيم, جا شوند
.مجموع فواصل افقی و عمودی است يا فاصلهبلوک شهراين فاصله را فاصله
. مينامندمانهاتان
18233222132 =+++++++=h
=2h
121
جست و جوی آگاهانه و اکتشافدو روش اکتشافي متداول برای
8معمایمجموعه فواصل کاشيها از موقعيتهای
نها آ هدف
قابل قبول است، زيرا هر جابجايي که ميتواند انجام گيرد، به اندازه يک مرحله به
.هدف نزديک ميشود
=2h
2h
هيچ کدام از اين برآوردها، هزينهواقعی راه حل نيست
است36 هزينه واقعي
122
جست و جوی آگاهانه و اکتشافاثر دقت اکتشاف بر کارايي
فاکتور انشعاب مؤثر*b اگر تعداد گره هايي که برای يک مسئله خاص توسط*A توليد ميشود برابرانشعابی b*باشد، آن گاه dو عمق راه حل برابر با Nبا است کهفاکتور
گره باشد N+1بايد داشته باشد تا حاوی dدرخت يکنواختی به عمق
استمسئله های سخت ثابتفاکتور انشعاب مؤثر معمول برای
اندازه گيريهای تجربي*b بر روی مجموعه کوچکي از مسئله ها ميتواند اکتشاف باشدراهنمای خوبي برای مفيد بودن
مقدار*b است 1در اکتشافي با طراحي خوب، نزديک€
N+1=1+b*+(b*)2+...+(b*)d
123
جست و جوی آگاهانه و اکتشافکارايي بر اکتشاف دقت اثر
جو و جست هزينه فاکتور انشعاب مؤثر
جستجوی در يافته بسط های گره انگين و فاکتور انشعاب A*و IDSميا استفاده از ب h2و h1مؤثر
124
جست و جوی آگاهانه و اکتشافاثر دقت اکتشاف بر کارايي
اگر برای هر گرهn داشته باشيم : (h2(n) <= h1(nh2 برh1غالب استغالب بودن مستقيما به کارايي ترجمه ميشود تعداد گره هايي که با بکارگيریh2 بسط داده ميشود، هرگز بيش از
نيست h1بکارگيری
ا ب اکتشافی تابع از است بهتر هميشه استفاده کرد، به شرطیمقادير بزرگ
اکتشاف، خيليزمان محاسبهکه بزرگ نباشد
125
جست و جوی آگاهانه و اکتشافالگوريتم های جست و جوی محلی و
بهينه سازی الگوريتم های قبلی، فضای جست و جو را به طور سيستماتيک بررسیميکنند
تا رسيدن به هدف يک يا چند مسير نگهداری ميشوندمسير رسيدن به هدف، راه حل مسئله را تشکيل ميدهد
در الگوريتم های محلی مسير رسيدن به هدف مهم نيستوزير8 مسئله : مثال
دو امتياز عمده جست و جوهای محلياستفاده از حافظه کمکیارائه راه حلهای منطقي در فضاهای بزرگ و نامتناهیاين الگوريتمها برای حل مسائل بهينه سازی نيز مفيدند
يافتن بهترين حالت بر اساس تابع هدف
126
جست و جوی آگاهانه و اکتشافالگوريتم های جست و جوی محلی و
بهينه سازی
127
جست و جوی تپه نوردی
جست و جوی آگاهانه و اکتشاف
بطرف بالی تپه(حلقه اي که در جهت افزايش مقدار حرکت ميکند(رسيدن به بلندترين قله در همسايگی حالت فعلی، شرط خاتمه
.است
ساختمان داده گره فعلی، فقط حالت و مقدار تابع هدف را نگهميدارد
جست و جوی محلی حريصانه نيز نام داردبدون فکر قبلي حالت همسايه خوبي را انتخاب ميکند
تپه نوردی به دليل زير ميتواند متوقف شود:بيشينه محليبرآمدگي هافلت
128
جست و جوی آگاهانه و اکتشاف
انواع تپه نوردی:تپه نوردی غيرقطعی، تپه نوردی اولين انتخاب، تپه نوردی
شروع مجدد تصادفی
وزير8 مسئله : مثال وزير با استفاده از فرمولبندی حالت کامل8 مسئله
وزير در صفحه قرار دارند8 در هر حالت
انتقال يک وزير به مربع ديگر در همان ستون: تابع جانشين
جفت وزيرهايي که نسبت به هم گارد دارند: تابع اکتشافمستقيم يا غير مستقيم
جست و جوی تپه نوردی
129
جست و جوی آگاهانه و اکتشافمثال جست و جوی تپه نوردی
را برای هر جانشين نشان hکه مقدار h=17حالت با هزينه - الفميدهد
h=1وزير؛ 8 کمينه محلی در فضای حالت - ب
الف ب
130
جست و جوی آگاهانه و اکتشافجست و جوی شبيه سازی حرارت
تپه نوردی مرکب با حرکت تصادفی
حرارت با درجه بال و به تدريج سرد کردن: شبيه سازی حرارت
مقايسه با حرکت توپتوپ در فرود از تپه به عميق ترين شکاف ميرودبا تکان دادن سطح توپ از بيشينه محلي خارج ميشوددمای زياد(با تکان شديد شروع(به دمای پايين تر(بتدريج تکان کاهش(
با کاهش زمانبندی دما به تدريج، الگوريتم يک بهينه عمومی را مييابد
131
جست و جوی آگاهانه و اکتشافجست و جوی پرتو محلي
،به جای يک حالتk حالت را نگهداری ميکندحالت اوليه :k حالت تصادفیجانشين همه : گام بعدk حالت توليد ميشوداگر يکي از جانشين ها هدف بود، تمام ميشودوگر نه بهترين جانشين را انتخاب کرده، تکرار ميکند
تفاوت عمده با جستجوی شروع مجدد تصادفیدر جست و جوی شروع مجدد تصادفی، هر فرايند مستقل از بقيه اجرا ميشود در جست و جوی پرتو محلی، اطلعات مفيدی بينk فرايند موازی مبادله ميشود
جست و جوی پرتو غيرقطعی به جای انتخاب بهترينk ،از جانشينهاk جانشين تصادفی را بطوريکه احتمال
انتخاب يکي تابعی صعودی از مقدارش باشد، انتخاب ميکند
132
جست و جوی آگاهانه و اکتشاف
الگوريتم های ژنتيک
شکلی از جستو جوی پرتو غير
قطعی کهحالتهای
جانشين ازطريق ترکيب دوحالت والد توليد
ميشود
133
الگوريتم های ژنتيکجست و جوی آگاهانه و اکتشاف
134
جست و جوی آگاهانه و اکتشافجست و جوی محلی در فضاهای
پيوسته گسسته در مقابل محيط های پيوستهدر فضاهای پيوسته، تابع جانشين در اغلب موارد، حالتهای
نامتناهی را بر ميگرداند
حل مسئله:گسسته کردن همسايه هر حالتاستفاده از شيب منظره
روش نيوتن رافسون
€
x←x+α∇f where∇f= ∂f∂x1
,∂f∂x2
,...
135
جست و جوی آگاهانه و اکتشافجوی و جست و محيطهای Onlineعاملهای
ناشناختهتا به حال همه الگوريتمها برون خطي بودند
برون خطی)Offline:(راه حل قبل از اجرا مشخص استدرون خطی)Online:(با يک در ميان کردن محاسبات و فعاليت
عمل ميکند
جستجوی درون خطی در محيطهای پويا و نيمه پويا مفيد استآنچه را که بايد واقعا اتفاق بيفتد، در نظر گرفته نميشود
اکتشاف جست و جوی درون خطی ايده ضروری برای له مسئاست
فعاليتها و حالتها برای عامل مشخص نيستندنوزاد تازه بدنيا آمده, قرار گرفتن روبات در محيطي جديد:مثال
136
جست و جوی آگاهانه و اکتشافOnlineمسئله های جست و جوی
اطلعات عامل(Actions(s : ليستی از فعاليتهای مجاز در حالتs تابع هزينه مرحله ای(‘c(s,a,s : استفاده وقتی که بداند‘s نتيجه
است(Goal-Test(s :آزمون هدف
عامل حالت ملقات شده قبلی را تشخيص ميدهد
فعاليتها قطعی اند
دسترسی به تابع اکتشافی قابل قبول(h(s
137
جست و جوی آگاهانه و اکتشافOnlineمسئله های جست و جوی
رسيدن به : هدفG با کمترين هزينه
مجموع هزينه های مراحل مسيری است که عامل طی: هزينهميکند
مقايسه هزينه با هزينه مسيری که اگر عامل: نسبت رقابتیفضای حالت را از قبل ميشناخت، طی ميکرد
در بعض موارد، بهترين نسبت رقابتینامتناهی است
ممکن است جستجو به يک حالتبن بست برسد که نتوان از طريق آن به هدف رسيد
138
جست و جوی آگاهانه و اکتشافOnlineمسئله های جست و جوی
دو فضای حالت کهعامل جست و جوی
Online را به بن بستهر عاملي. ميرسانند
حداقل در يکي از ايندو فضا شکست می
خورد
139
جست و جوی آگاهانه و اکتشافOnlineمسئله های جست و جوی
يک محيط دو بعدی کهموجب ميشود عامل
Onlineجست و جویمسير دلخواه ناکارآمدی رابرای رسيدن به هدف حل
کند
140
هوشمپنجميمصنوع فصل
تمحدوديت یارضای مسائل
141
مصنوع Artificial Intelligence يهوش
فهرست چيست؟ محدوديت ارضای جست و جوی عقبگرد برایCSPبررسی پيشروپخش محدوديت
142
مسائل ارضای محدوديتچيست؟ )CSP(ارضای محدوديت
مجموعه متناهی از متغيرها؛X1, X2, …, Xn مجموعه متناهی از محدوديتها؛C1, C2, …, Cm
دامنه های ناتهی برای هر يک از متغيرها؛DX1,DX2,…,DXn هر محدوديتCi زيرمجموعه ای از متغيرها و ترکيبهای ممکنی از مقادير
برای آن زيرمجموعه ها
مقاديری به چند يا تمام متغيرها تعريف ميشودانتسابهر حالت با نام داردسازگارانتسابی که هيچ محدوديتی را نقض نکند، انتساب آن است که هر متغيری در آن باشدکاملانتساب راه حل CSP يک انتساب کامل است اگر تمام محدوديتها را
برآورده کند بعضی ازCSP را بيشينهتابع هدفها به راه حلهايي نياز دارند که
کنند
143
مسائل ارضای محدوديترنگ آميزی نقشه: CSPمثال
WA, NT, Q, NSW, V, SA, T :متغيرها
Di = }آبی، سبز، قرمز{ :دامنه
دو منطقه مجاور، همرنگ: محدوديتهانيستند
عضو (WA,NT)يعنی WA ≠ NT: مثال
،)قرمز,سبز),(آبی,قرمز),(سبز,قرمز({})سبز,آبی),(قرمز,آبی),(آبی,سبز(
144
مسائل ارضای محدوديت
راه حل انتساب مقاديری است که محدوديتها راارضا کند
145
مسائل ارضای محدوديتگراف محدوديت
در گراف محدوديت:متغيرها: گره هامحدوديتها: يالها
گراف برای ساده ترکردن جست و جو بکار
ميرود
146
مسائل ارضای محدوديترمزنگاری: CSPمثال
}0و1و2و3و4و5و6و7و8و9{:دامنه F,T,U,W,R,O,X1,X2,X3 :متغيرها
- ...O+O=R+10.X1- مخالفند F,T,U,R,O,W :محدوديتها
147
مسائل ارضای محدوديت
نمايش حالتها درCSP از الگوی استانداردی پيروی ميکند
برایCSP ميتوان فرمول بندی افزايشي ارائه کرد:که در آن، هيچ متغيری مقدار}} انتساب خالی :حالت اوليه
نداردانتساب يک مقدار به هر متغير فاقد مقدار، به :تابع جانشين
شرطی که با متغيرهايي که قبل مقدار گرفتند، متضاد نباشندانتساب فعلی کامل است :آزمون هدفهزينه ثابت برای هر مرحله :هزينه مسير
148
مسائل ارضای محدوديتCSPجست و جوی عقبگرد برای
جست و جوی عمقي
انتخاب مقادير يک متغير در هر زمان و عقبگرد درصورت عدم وجود مقداری معتبر برای انتساب به متغير
يک الگوريتم ناآگاهانه استبرای مسئله های بزرگ کارآمد نيست
149
مسائل ارضای محدوديتCSPمثال جست و جوی عقبگرد برای
150
مسائل ارضای محدوديتCSPمثال جست و جوی عقبگرد برای
151
مسائل ارضای محدوديتCSPمثال جست و جوی عقبگرد برای
152
مسائل ارضای محدوديتCSPمثال جست و جوی عقبگرد برای
153
مسائل ارضای محدوديت)MRV(مقادير باقيمانده کمينه
انتخاب متغيری با کمترين مقادير معتبر
متغيری انتخاب ميشود که به احتمال زياد، بزودی با شکست مواجهشده و درخت جست و جو را هرس ميکند
154
اکتشاف درجه ای
مسائل ارضای محدوديت
سعی ميکند فاکتور انشعاب را در انتخاب آينده کم کند
متغيری انتخاب ميکند که در بزرگترين محدوديتهای مربوط بهمتغيرهای بدون انتساب قرار دارد
155
اکتشاف مقداری باکمترين محدوديت
مسائل ارضای محدوديت
،اين روش مقداری را ترجيح ميدهد که در گراف محدوديتمتغيرهای همسايه به ندرت آن را انتخاب ميکنند
سعی بر ايجاد بيشترين قابليت انعطاف برای انتساب بعدی متغيرها
156
مسائل ارضای محدوديتبررسی پيشرو
صورت ميگيرد، فرايند بررسی پيشرو، Xوقتی انتساب به را در نظر ميگيرد که از Yمتغيرهای بدون انتساب مثل
متصل است و هر مقداری را Xطريق يک محدوديت به Yبرابر است، از دامنه Xکه با مقدار انتخاب شده برای
حذف ميکند
157
مسائل ارضای محدوديتبررسی پيشرو
158
مسائل ارضای محدوديتبررسی پيشرو
159
مسائل ارضای محدوديتبررسی پيشرو
160
1
3
2
4
32 41
X1{1,2,3,4}
X3{1,2,3,4}
X4{1,2,3,4}
X2{1,2,3,4}
مسائل ارضای محدوديتوزير4-مسئله : مثال
161
1
3
2
4
32 41
X1{1,2,3,4}
X3{1,2,3,4}
X4{1,2,3,4}
X2{1,2,3,4}
مسائل ارضای محدوديتوزير4-مسئله : مثال
162
1
3
2
4
32 41
X1{1,2,3,4}
X3{ ,2, ,4}
X4{ ,2,3, }
X2{ , ,3,4}
مسائل ارضای محدوديتوزير4-مسئله : مثال
163
1
3
2
4
32 41
X1{1,2,3,4}
X3{ ,2, ,4}
X4{ ,2,3, }
X2{ , ,3,4}
مسائل ارضای محدوديتوزير4-مسئله : مثال
164
1
3
2
4
32 41
X1{1,2,3,4}
X3{ , , , }
X4{ ,2,3, }
X2{ , ,3,4}
مسائل ارضای محدوديتوزير4-مسئله : مثال
165
1
3
2
4
32 41
X1{ ,2,3,4}
X3{1,2,3,4}
X4{1,2,3,4}
X2{1,2,3,4}
مسائل ارضای محدوديتوزير4-مسئله : مثال
166
1
3
2
4
32 41
X1{ ,2,3,4}
X3{1, ,3, }
X4{1, ,3,4}
X2{ , , ,4}
مسائل ارضای محدوديتوزير4-مسئله : مثال
167
1
3
2
4
32 41
X1{ ,2,3,4}
X3{1, ,3, }
X4{1, ,3,4}
X2{ , , ,4}
مسائل ارضای محدوديتوزير4-مسئله : مثال
168
1
3
2
4
32 41
X1{ ,2,3,4}
X3{1, , , }
X4{1, ,3, }
X2{ , , ,4}
مسائل ارضای محدوديتوزير4-مسئله : مثال
169
1
3
2
4
32 41
X1{ ,2,3,4}
X3{1, , , }
X4{1, ,3, }
X2{ , , ,4}
مسائل ارضای محدوديتوزير4-مسئله : مثال
170
1
3
2
4
32 41
X1{ ,2,3,4}
X3{1, , , }
X4{ , ,3, }
X2{ , , ,4}
مسائل ارضای محدوديتوزير4-مسئله : مثال
171
1
3
2
4
32 41
X1{ ,2,3,4}
X3{1, , , }
X4{ , ,3, }
X2{ , , ,4}
وزير4-مسئله : مثال
مسائل ارضای محدوديت
172
مسائل ارضای محدوديتپخش محدوديت
پخش الزام محدوديتهای يک متغير به متغيرهای ديگرپخش محدوديتهای : مثالWA وQ بهNT وSA
173
مسائل ارضای محدوديتسازگاری يال
روش سريعی برای پخش محدود و قويتر از بررسیپيشرو
يال؛ يال جهت دار در گراف محدوديت
بررسی سازگاری ياليک مرحله پيش پردازش، قبل از شروع جستجويک مرحله پخشی پس از هر انتساب در حين جستجو
174
مسائل ارضای محدوديتسازگاری يال: مثال
SA→ NSW سازگار است اگر SA=blue and NSW=red
175
مسائل ارضای محدوديتسازگاری يال: مثال
NSW→ SA سازگار است اگر SA=blue and NSW=red
???=NSW=blue and SA يال ميتواند سازگار شود با حذف blue ازNSW
176
مسائل ارضای محدوديتسازگاری يال: مثال
يال ميتواند سازگار شود با حذف blue ازNSW حذفred ازV
177
مسائل ارضای محدوديتسازگاری يال: مثال
يال ميتواند سازگار شود با حذف blue ازNSW حذفred ازV تکرار تا هيچ ناسازگاری باقی نماند
178
مسائل ارضای محدوديتKسازگاری
سازگاری يال تمام ناسازگاريهای ممکن را مشخصنميکند
با روش سازگاریKشکلهای قويتری از پخش را ميتوان ،تعريف کرد
در صورتیCSP سازگاریK است، که برای هرk-1 متغير و برای هر انتساب سازگار با آن متغيرها، يک مقدار
ام نسبت داده شودkسازگار، هميشه بتواند به متغير
179
مسائل ارضای محدوديتKسازگاری
مثالبطور:سازگاری گره(هر متغير با خودش سازگار است1: سازگاری(مشابه سازگاری يال 2: سازگاریبسط هر جفت از متغيرهای همجوار به سومين متغير: 3سازگاری
)سازگاری مسير(همسايه
گراف در صورتی قويا سازگارK است که:سازگارk باشدهمچنين سازگارk-1 و سازگارk-2 باشد1 سازگار ... و
در اين صورت، مسئله را بدون عقبگرد ميتوان حل کرد
پيچيدگی زمانی آن(O(nd است
180
مسائل ارضای محدوديتجست و جوی محلی در مسائل ارضای
محدوديت بسياری ازCSPها را بطور کارآمد حل ميکنندحالت اوليه، مقداری را به هر متغير نسبت ميدهدتابع جانشين، تغيير مقدار يک متغير در هر زمان
انتخاب مقدار جديد برای يک متغيرانتخاب مقداری که کمترين برخورد را با متغيرهای ديگر ايجاد
)اکتشاف برخورد کم(کند زمان اجرای برخورد کم مستقل از اندازه مسئله استبرخورد کم، برای مسئله های سخت نيز کار ميکند
،جست و جوی محلی ميتواند در صورت تغيير مسئلهرا انجام دهد Onlineتنظيمات
181
مسائل ارضای محدوديتمثال
وزير با استفاده از کمترين برخورد8راه حل دو مرحله ای برای مسئله
در هر مرحله، يک وزير برای انتساب مجدد در ستون خودش انتخاب ميگرددتعداد برخوردها در هر مربع نشان داده شده استالگوريتم وزير را به مربعي با کمترين برخورد انتقال ميدهد، بطوريکه گره ها را
بطور تصادفی ميشکند
182
هوشمششميمصنوع فصل
هخصمانه جستجوی
183
مصنوع Artificial Intelligence يهوش
فهرست مطالعه چرا و چيستند بازيها
ميشوند؟انواع بازيها الگوريتمminimaxبازيهای چند نفرهآلفا ا-هرس ت ببازيهای قطعی با اطلعات ناقصبازيهايي که حاوی عنصر شانس
ند هست
184
جستجوی خصمانهبازی ها چيستند و چرا مطالعه ميشوند؟
بازيها حالتی از محيطهای چند عاملي هستندهر عامل نياز به در نظر گرفتن ساير عاملها و چگونگی تأثير آنها داردتمايز بين محيطهای چند عامل رقابتي و همکارمحيطهای رقابتی، که در آنها اهداف عاملها با يکديگر برخورد دارند، منجر
به مسئله های خصمانه ميشود که به عنوان بازی شناخته ميشوند
چرا مطالعه ميشوند؟قابليتهای هوشمندی انسانها را به کار ميگيرندماهيت انتزاعی بازی هاحالت بازی را به راحتی ميتوان نمايش داد و عاملها معمول به مجموعه
کوچکی از فعاليتها محدود هستند که نتايج آنها با قوانين دقيقي تعريف شدهاند
185
جستجوی خصمانهانواع بازی ها
کامل اطلعات
اطلعات ناقص
قطعی تصادفیشطرنجريورسی
تخته نرد
پوکر
186
جستجوی خصمانهيک نمونه بازی
بازی دو نفره :Min وMax اولMax حرکت ميکند و سپس به نوبت بازی ميکنند تا بازی تمام شوددر پايان بازی، برنده جايزه و بازنده جريمه ميشود
بازی به عنوان يک جستجو:موقعيت صفحه و شناسه های قابل حرکت: حالت اوليهکه معرف يک حرکت معتبر است) حرکت,حالت(ليستی از :تابع جانشينحالتهای پايانه(پايان بازی چه موقع است؟:آزمون هدف(برای هر حالت پايانه يک مقدار عددی را ارائه ميکند: تابع سودمندی.
(1-)و بازنده(1+) مثل برنده
،بازی حالت اوليه و حرکات معتبر برای هر بازيکن را برایدرختآن بازی ايجاد ميکند
187
جستجوی خصمانهيک نمونه بازی
الگوريتم؛انتخاب :بازيکن
بهترين حالت
انتخاب :حريفبهترين موقعيت برای
بدترينخودش يا برای بازيکنوضعيت
ماکزيمم: بازيکنحالت
مينيمم حالت: حريف
188
جستجوی خصمانهminimaxالگوريتم
189
جستجوی خصمانهيک نمونه بازی
190
جستجوی خصمانهيک نمونه بازی
191
جستجوی خصمانهيک نمونه بازی
192
جستجوی خصمانهيک نمونه بازی
193
جستجوی خصمانهيک نمونه بازی
194
جستجوی خصمانهminimaxالگوريتم
)اگر درخت محدود باشد(بله : کامل بودن
بله: بهينگي
:پيچيدگي زمانی
:پيچيدگی فضا
)O(bm
O(bm)
195
جستجوی خصمانهبازيهای چند نفره
به هر گره، به جای يک مقداربردارتخصيص يک
رسمی يا غير رسمي بيناتحادبازيهای چند نفره معول شامل بازيکنان است
اتحاد با پيشروی بازی ايجاد و از بين ميرودبازيکنان بطور خودکار همکاری ميکنند، تا به هدف مطلوب انحصاری
برسند
196
جستجوی خصمانهبتا-هرس آلفا
:MaxMinدر الگوريتم ،تعداد حالتهای بازی که بايد بررسی شوند، بر حسب تعداد حرکتها
توانی استمحاسبه تصميم الگوريتم، بدون ديدن همه گره ها امکانپذير است: راه حل
:بتا-هرس آلفاانشعابهايي که در تصميم نهايي تأثير ندارند را حذف ميکند
مقدار بهترين انتخاب در هر نقطه انتخاب در مسير : آلفاMax تاکنونمقدار بهترين انتخاب در هر نقطه انتخاب در مسير : بتاMin تاکنونتعداد گره هايي که بايد بررسی شوند به تقليل ميابد فاکتور انشعاب مؤثر به جایb برابر با جذرb خواهد بود پيش بيني آن نسبت بهminimax دو برابر است
)d/2O(b
197
جستجوی خصمانهبتا-هرس آلفا
گرهn که هر جای درخت ميتواندباشد، بررسي ميشود
اگر بازيکن انتخاب بهتری داشته باشد در گره والدnيا هر انتخاب بهتری تا کنون
n هيچوقت در بازی واقعی قابلدسترس نخواهد بود
در نتيجهn هرس ميشود
198
جستجوی خصمانهبتا-هرس آلفا: مثال
[-∞, +∞]
[-∞,+∞]ممکن مقادير محدوده
199
جستجوی خصمانهبتا-هرس آلفا: مثال
[-∞,3]
[-∞,+∞]
200
جستجوی خصمانهبتا-هرس آلفا: مثال
[-∞,3]
[-∞,+∞]
201
جستجوی خصمانه
[3,+∞]
[3,3]
202
جستجوی خصمانهبتا-هرس آلفا: مثال
[-∞,2]
[3,+∞]
[3,3]
برای گره نيست Max این مناسب
203
جستجوی خصمانهبتا-هرس آلفا: مثال
[-∞,2]
[3,14]
[3,3] [-∞,14]
,
204
جستجوی خصمانهبتا-هرس آلفا: مثال
[−∞,2]
[3,5]
[3,3] [-∞,5]
,
205
جستجوی خصمانهبتا-هرس آلفا: مثال
[2,2][−∞,2]
[3,3]
[3,3]
206
جستجوی خصمانهبتا-هرس آلفا: مثال
[2,2][-∞,2]
[3,3]
[3,3]
207
جستجوی خصمانهبازيهای قطعي با اطلعات ناقص
معايب الگوريتم های پيشين الگوريتمminimax کل فضای جست و جوی بازی را توليد ميکند
بتا با وجود هرس درخت، اما کل مسير حالتهای پايانه،-الگوريتم آلفاحداقل برای بخشي از فضای حالت، بايد جست و جو شود
اين عمق عملي نيست، زيرا حرکات بايد در زمانی معقول انجام شود
(1950)شانون
برای کمتر شدن زمان جست و جو و اعمال تابع ارزيابي اکتشافی بهحالتهای جستجو، بهتر است از گره های غير پايانه به گره های پايانه
پرداخته شود
208
جستجوی خصمانهبازيهای قطعي با اطلعات ناقص
در شانون ,minimax بتا به دو روش بطور متناوب-و آلفاعمل ميکنند
جايگزيني تابع سودمندی با تابع ارزيابی اکتشافی بنامEVAL
تخمينی از سودمندی موقعيت ارائه ميکند
جايگزين تست پايانه با تست توقف تصميم ميگيردEVAL چه موقع اعمال شود
209
جستجوی خصمانهEVALتابع ارزيابي اکتشافی
تابع ارزيابی، ارائه تخمينی از سودمندی مورد انتظار بازی از يک موقعيتخاص
توابع اکتشافی، تخمينی از فاصله تا هدف را بر ميگرداندند
،گوناگونی از حالتها را محاسبه ميکنندخواصاغلب توابع ارزيابي خواص روی هم رفته، کلسهای هم ارزی يا دسته های مختلفی از حالتها را
تعريف ميکنندحالتهای هر دسته، برای تمام خواص مقدار يکسانی دارند
هر دسته حاوی چند حالت است کهموجب برنده شدنموجب رسم شدنمنجر به باختن
تابع ارزيابی نميداند کدام حالت منجر به چه چيزی ميشود، اما ميتواندمقداری برگرداند که تناسب حالتها را با هر نتيجه نشان دهد
210
جستجوی خصمانه
Eval(s) = w1 f1(s) + w2 f2(s) + … + wnfn(s)
EVALتابع : مثال
مقدار, اغلب توابع ارزيابیعددی جداگانه ای برای هر
خاصيت محاسبه، سپس آنها راترکيب ميکنند تا مقدار کل
بدست آيد
:مثال در تابع بازی شطرنج
تعداد هر نوع قطعه در صفحه
برای(1 مقادير آن قطعات 5 برای اسب يا فيل،3 پياده،
...)برای رخ و
if
iwif
211
جستجوی خصمانهEVALتابع : مثال
سفيد حرکت) بميکند
سفيد حرکت) الفميکند
سياه، مزيت اسب و دو پياده دارد و بازي را ميبرد) الف
پس از اينکه سفيد، وزير را در اختيار ميگيرد، سياه ميبازد) ب
از مقدار پيروزی در دو موقعيت کامل متفاوت EVALارزيابی تابع
212
جستجوی خصمانهاثر افق
وقتی بوجود مي آيد که برنامهبا اثری از رقيب مواجه شود که
منجر به خرابی جدی گشته واجتناب پذير است
شکل مقابل؛: مثالسياه در اصل جلوست، اما اگر
سفيد پياده اش را از سطر هفتمبه هشتم ببرد، پياده به وزير تبديلميشود و موقعيت برد برای سفيد
بوجود مي آيد
213
جستجوی خصمانه
Picture 3
بازيهايي که حاوی عنصر شانس هستند
ن شاس
شانس
ايانه پ
214
هوشمهفتميمصنوع فصل
یمنطقی یهای عامل
215
مصنوع Artificial Intelligence يهوش
فهرست دانش بر مبتنی عاملهایمنطقمنطق گزاره ایالگوهای استدلل در منطق گزارهای الگوريتمresolutionزنجير پيشرو و عقبگرد
216
عاملهای منطقیعاملهای مبتنی بر دانش
،دانش مؤلفه اصلي عامل مبتنی بر دانش آن استپايگاهمجموعه ای از جملت: پايگاه دانشدانش : جمله نمايش و بيان ادعاهايي در مورد جهانزبان
برای اضافه کردن جملت به پايگاه دانش و درخواست دانسته ها TELL وASKهر دو ممکن است شامل استنتاج باشند
انجام فرايند استنتاج تحت مقررات خاص:پيروی
بخشتاج ن است
ايگاه دانش پمحدوده اطلعات
خاصمحدوده اطلعات
خاص
يتمهای الگور محدوده مستقل
telltell askask
217
عاملهای منطقیعاملهای مبتنی بر دانش
عامل مبتنی بر دانش بايد بتواند:نمايش حالت و فعاليتهاترکيب ادراکات جديدبروز کردن تصور داخلی خود از جهاناستنباط خصوصيات مخفی جهاناستنتاج فعاليتهای مناسب
عامل پايگاه دانش خيلی شبيه به عاملهايي با حالت درونی است
عاملها در دو سطح متفاوت تعريف ميشوند:عامل چه چيزی ميداند و اهداف آن کدامند؟: سطح دانشساختمان داده اطلعات پايگاه دانش و چگونگی: سطح پياده سازی
دستکاری آنها
218
عاملهای منطقیWUMPUSجهان
معيار کارايي: +1000 ،افتادن در گودال يا1000- انتخاب طل
برای استفاده از10- هر مرحله، 1- خورده شدن، تير
محيط: بوی تعفن در مربعهای همجوارWUMPUSنسيم در مربعهای همجوار گودالدرخشش در مربع حاوی طل کشته شدنWUMPUS با شليک در صورت
مقابلهتير فقط مستقيم عمل ميکندبرداشتن و انداختن طل
حسگرها:بو تعفن، نسيم، تابش، ضربه، جيغ زدن
محرکها:،گردش به چپ، گردش به راست، جلو رفتن
برداشتن، انداختن، شليک کردن
219
عاملهای منطقیWUMPUSتوصيف جهان
فقط ادراک محلي, خير :قابل مشاهده کامل
بله، نتيجه دقيقا مشخص است :قطعی
خير، ترتيبي از فعاليتهاست :رويدادی
و گودالها حرکت ندارند WUMPUS, بله :ايستا
بله :گسسته
در اصل يک خصوصيت طبيعي WUMPUSبله، :تک عاملهاست
220
عاملهای منطقیWUMPUSکاوش در جهان
A= عامل B= نسيم
=درخشش،طل G
OK= مربع امن P= گودال S= تعفن V= ملقات شده
Wumpus =W
221
عاملهای منطقیWUMPUSتوصيف جهان
A= عامل B= نسيم
=درخشش،طل G
OK= مربع امن P= گودال S= تعفن V= ملقات شده
Wumpus =W
222
عاملهای منطقیWUMPUSتوصيف جهان
A= عامل B= نسيم
=درخشش،طل G
OK= مربع امن P= گودال S= تعفن V= ملقات شده
Wumpus =W
223
عاملهای منطقیWUMPUSتوصيف جهان
A= عامل B= نسيم
=درخشش،طل G
OK= مربع امن P= گودال S= تعفن V= ملقات شده
Wumpus =W
224
عاملهای منطقیWUMPUSتوصيف جهان
A= عامل B= نسيم
=درخشش،طل G
OK= مربع امن P= گودال S= تعفن V= ملقات شده
Wumpus =W
225
عاملهای منطقیWUMPUSتوصيف جهان
A= عامل B= نسيم
=درخشش،طل G
OK= مربع امن P= گودال S= تعفن V= ملقات شده
Wumpus =W
226
عاملهای منطقیWUMPUSتوصيف جهان
A= عامل B= نسيم
=درخشش،طل G
OK= مربع امن P= گودال S= تعفن V= ملقات شده
Wumpus =W
227
عاملهای منطقیWUMPUSتوصيف جهان
A= عامل B= نسيم
=درخشش،طل G
OK= مربع امن P= گودال S= تعفن V= ملقات شده
Wumpus =W
228
عاملهای منطقیمنطق
يک زبان رسمي:خوش فرم.(چه کلمه بندی صحيح است): نحو(ترکيب(يک کلمه بندی صحيح چه معنايي دارد: معناشناسیدر منطق، معنای زبان، درستی هر جمله را در برابر هر
جهان ممکن تعريف ميکند
مثال، در زبان رياضياتX+2 <= y يک جمله اماx2+y جمله نيستX+2 <= y در جهان درست است اگر x=7 وy =1 X+2 <= y در جهان غلط است اگر x=0 و y =6
229
عاملهای منطقیاستلزام
استلزام منطقي بين جملت اين است که جمله ای بطور منطقي ازجمله ديگر پيروی ميکند
a ╞ b جملهa استلزام جملهb است جملهa جملهb را ايجاد ميکند اگر و فقط اگر، در هر مدلي کهa ،درست استb نيز درست است اگرa ،درست باشدb نيز درست است درستیb در درستيa نهفته است
جمله : مثالx+y=4 مستلزم جملهx+y=4 است
230
عاملهای منطقیWumpusمدلهای
231
عاملهای منطقیWumpusمدلهای
KB
=
دنيای قوانينWumpus
+مشاهدات
232
عاملهای منطقیWumpusمدلهای
KB = wumpus مشاهدات+ دنيايα1 = "[1,2] امن است ,"KB ╞ α1
233
عاملهای منطقیWumpusمدلهای
KB = wumpus مشاهدات+ دنياي
234
عاملهای منطقیWumpusمدلهای
KB = wumpus مشاهدات+ دنيايα2 = "[2,2] امن است ,"KB ╞ α2
235
عاملهای منطقیمنطق گزاره ای
نحو منطق گزاره ای، جملت مجاز را تعريف ميکند
تشکيل شده از يک نماد گزاره) عناصر غير قابل تعميم(جملت اتميک
هر يک از اين نمادها به گزاره ای درست يا نادرست اختصاص دارد نمادها از حروف بزرگ مثلP,Q,R استفاده ميکنند
جملت پيچيده با استفاده از رابطهای منطقي، از جملت ساده تر ساختهميشوند┐ )not ( جمله ای مثل┐W1,3 نقيضW1,3 استاست) ليترال منفي(، يا يک جمله اتميک منفي)ليترال مثبت(ليترال يک جمله اتميک^) and ( مثلP1,3 ^ W1,3 هر بخش آن يک عطف ناميده.ترکيب عطفی نام دارد
ميشودν (or ( مثلW2,2 ν (P3,1 ^ W1,3 ( ترکيب فصلي مربوط به فصل هایW2,2 وP3,1 ^
W1,3
<=) استلزام :(W2,2 ┐ ν (P3,1 ^ W1,3 (استلزام يا شرطی ناميده ميشود.است ┐ W2,2و نتيجه يا تالي آن P3,1 ^ W1,3مقدمه يا مقدم آن
جمله تW2,2 W1,3 دو شرطی نام دارد
236
عاملهای منطقیمنطق گزاره ای
237
جدول درستی پنج رابطه منطقی
عاملهای منطقی
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
238
Wumpusمنطق گزاره ای در دنيای
عاملهای منطقی
نسيمي وجود دارد B1,1در B1,1 (P1,2 ν
P2,1(
گودالی وجود ندارد [1,1]در R1: ┐P1,1
239
عاملهای منطقیالگوهای استدلل در منطق گزاره ای
الگوهايي استاندارد که زنجيره ای از نتايج را برای: قوانين استنتاجرسيدن به هدف ايجاد ميکند
با استفاده از ترکيب عطفی، ميتوان هر عطف را: قياس استثناييرا ميتوان bداده شود، جمله a=<bيعنی هر وقت جمله ای به شکل (استنتاج کرد
.)استنتاج کرد
βαβα ,⇒ ميتوان از
(WumpusAhead ^ WumpusAlive)و
WumpusAhead ^ WumpusAlive) =< Shoot)Shoot را استنتاج کرد
240
عاملهای منطقی
حذفand :هر عطف را ميتوان از ترکيب عطفی استنتاج کردرا ميتوان از جمله زير استناج کرد WumpusAlive: مثال
(WumpusAhead ^ WumpusAlive)
αβα ∧
خاصيت يکنواختیمجموعه ای از جملت استلزامی که فقط ميتواند در صورت اضافه
. شدن اطلعات به پايگاه دانش رشد کند
αβα:داريم bو aبرای جملت =∧⇒= || KBKB
241
عاملهای منطقیresolutionقانون
قانونresolution واحد، يک عبارت و يک ليترال را گرفته، عبارتديگری توليد ميکند
قانونresulotion واحد ميتواند به قانونresulotion کامل تعميم:داد
kii
k
llll
mll
∨∨∨∨∨∨∨
+− ......
,...
111
1
njjkii
nk
mmmmllll
mmll
∨∨∨∨∨∨∨∨∨∨∨∨∨∨∨
+−+− ............
...,...
111111
11
242
عاملهای منطقیresolutionالگوريتم
شکل نرمال عطفی)CNF :(جمله ای که بصورت ترکيب عطفی از ترکيباتليترال kدقيقا k-CNFدر هر عبارت موجود در جمله .فصلي ليترالها بيان ميشود
وجود دارد
الگوريتمresolution:برای اينکه نشان دهيم KB|=a , مشخص ميکنيم)KB ^ ┐a (ارضا کننده
نيست ابتدا)KB ^ ┐a ( را بهCNF تبديل ميکنيم سپس قانونresulotion به عبارات کوچک حاصل اعمال ميشود ،هر جفتی که شامل ليترالهای مکمل باشدresulotion ميشود تا عبارت جديدی ايجاد
گردداگر اين عبارت قبل در مجموعه نباشد، به آن اضافه ميشودفرايند تا محقق شدن يکي از شروط زير ادامه مي يابد:
در اين مورد، . هيچ عبارت ديگری وجود نداشته باشد که بتواند اضافه شودb استلزامa نيست
کاربرد قانونresolution ،عبارت تهی را بدست ميدهد که در اين مورد ،b استلزامa است
)...(...)...( ,1,,11,1 knnk llll ∨∨∧∧∨∨
243
عاملهای منطقیresolutionالگوريتم :مثال
KB = (B1,1 ⇔ (P1,2∨ P2,1)) ∧¬ B1,1 α = ¬P1,2
244
عاملهای منطقیزنجير پيشرو و عقبگرد
ترکيب فصلی ليترالهايي است که فقط يکي از آنها مثبت: عبارات هورناست
را ميتوان به صورت يک استلزام نوشت که مقدمه آنهورنهر عبارت ترکيب عطفی ليترالهای مثبت و تالی آن يک ليترال مثبت است
،ارات معيناين نوع عبارات هورن که فقط يک ليترال مثبت دارند عبناميده ميشوند
سليترال مثبت را گويندعبارت بدنه و ليترالهای منفی را رأ نامحقيقتعبارت معيني که فاقد ليترالهای منفی باشد، گزاره ای بنام
داردرا ميسازدبرنامه نويسي منطقی اساس عبارات معين
پيشرو استنتاج با عبارات هورن، از طريق الگوريتم های وزنجير انجام ميگيردزنجير عقبگرد
245
عاملهای منطقیزنجير پيشرو
،)تقاضا(qالگوريتم زنجير پيشرو تعيين ميکند آيا نماد گزاره ای توسط پايگاه دانش عبارات هورن ايجاب ميشود يا خير
246
عاملهای منطقیزنجير پيشرو
247
عاملهای منطقیزنجير پيشرو
248
عاملهای منطقیزنجير پيشرو
249
عاملهای منطقیزنجير پيشرو
250
عاملهای منطقیزنجير پيشرو
251
عاملهای منطقیزنجير پيشرو
252
عاملهای منطقیزنجير پيشرو
253
عاملهای منطقیزنجير پيشرو
254
عاملهای منطقیالگوريتم عقبگرد کامل
255
عاملهای منطقیالگوريتم عقبگرد کامل
خاتمه زودرس، اکتشاف نماد محض، اکتشاف عبارت: تغييرات عمدهواحد
256
عاملهای منطقیالگوريتم عقبگرد کامل
257
عاملهای منطقیالگوريتم عقبگرد کامل
258
عاملهای منطقیالگوريتم عقبگرد کامل
259
عاملهای منطقیالگوريتم عقبگرد کامل
260
عاملهای منطقیالگوريتم عقبگرد کامل
261
عاملهای منطقیالگوريتم عقبگرد کامل
262
عاملهای منطقیالگوريتم عقبگرد کامل
263
عاملهای منطقیالگوريتم عقبگرد کامل
264
عاملهای منطقیالگوريتم عقبگرد کامل
265
هوشمهشتميمصنوع فصل
لاول هرتبه منطق
266
مصنوع Artificial Intelligence يهوش
فهرست ای گزاره منطق بر مروری اول رتبه منطق منطق انواع اول رتبه منطق معنای و نحو دانش مهندسی
267
منطق رتبه اولمروری بر منطق گزاره ای
ويژگيهاماهيت اعلنی
دانش و استنتاج متمايزند و استنتاج کامل مستقل از دامنه استقدرت بيان کافی برای اداره کردن اطلعات جزئي
با استفاده از ترکيب فصلی و نقيضقابليت ترکيب
معنای جمله، تابعي از معنای بخشهای آنمعنا، مستقل از متن است
بر خلف زبانهای طبيعي که، معنای جملت وابسته به متن است
معايبفاقد قدرت بياني برای تشريح دقيق محيطی با اشياي مختلف
بر خلف زبانهای طبيعی
268
منطق رتبه اولمنطق رتبه اول
اساس منطق گزاره ای را پذيرفته و بر اساس آن يک منطق بيانیميسازيم
از ايده های نمايشي زبان طبيعي استفاده کرده، از عيوب آن اجتنابميکنيم
زبانهای طبيعی از جهان طبقه بندی زير را دارندء ا ...افراد، خانه، اعداد، رنگها، بازيهای فوتبال، آتش و :اشي
:رابطه ها... رابطه های يکاني يا خواص مثل قرمز، گرد، اول و
رابطه های چندتايي مثل برادر بودن، بزرگتر بودن، بخشی از، مالکيت و......پدر بودن، بهترين دوست، يکي بيشتر از و :توابع
منطق رتبه اول توسط اشيا و رابطه ها ساخته ميشود
افراد، خانه، اعداد، رنگها، بازيهای فوتبال، آتش و :اشياء...رابطه ها:
رابطه های يکاني يا خواص مثل قرمز، گرد، اول و ...،رابطه های چندتايي مثل برادر بودن، بزرگتر بودن، بخشی از
...مالکيت و پدر بودن، بهترين دوست، يکي بيشتر از و :توابع...
269
منطق رتبه اولانواع منطق
شناسی حقيقت( به راجع عامل اعتقادات
)حقايق
شناسی هستی( هست جهان در )آنچه زبان
نامشخص/نادرست/درست حقايق منطق گزارهنامشخص/نادرست/درستای حقايق، اشيا، رابطه ها منطق رتبهاول
نامشخص/نادرست/درست حقايق، اشيا، رابطه ها،زمان
منطقموقتی
درجه ای از اعتقاد متعلق [0,1]به
حقايق نظريهاحتمال
در فاصله معين حقايق با درجه ای از [0,1]درستی متعلق به
منطق فازی
270
منطق رتبه اولنحو و معنای منطق رتبه اول
رضا، 2علی، : مثال. نمادهای ثابت؛ اشيا را نشان ميدهد ،...
برادر بودن، بزرگتر:مثال. نمادهای محمول؛ رابطه ها را نشان ميدهدبودن از
تابع پای چپ: مثال. نمادهای تابع؛ توابع را نشان ميدهند)LeftLeg(
متغيرها :x , y , a ,b
روابط منطقی :¬ ,⇒ ,∧ ,∨ ,⇔
تساوی= :
سورها :∀ ,∃
271
منطق رتبه اولجملت اتميک
يک عبارت منطقی است که به شيئ اشاره ميکندترم هر نمادهای ثابت ترم هستندهميشه استفاده از نماد متمايز برای نامگذاری شیء آسان نيست
پای چپ پای پادشاهJohn (LeftLeg(John
ترکيب ترمهای اشياء و محولهای روابط: جملت اتميک
مثال: ((Married(Father(Richard),Mother(John پدر ريچارد با مادر جان ازدواج کرده است
محمول= جملت اتميک )n ا ) ، ترم... ، 2، ترم1ترم ي2ترم=1ترم .
تابع= ترم )n ا ) ، ترم... ، 2، ترم1ترم ا ثابت ي ي. متغير
272
منطق رتبه اولجملت پيچيده
با ترکيب جملت اتميک و روابط منطقی ميتوانجملت پيچيده تری ساخت
¬ S, S1∧ S2, S1∨ S2, S1⇒ S2, S1⇔ S2
مثال: ¬ (Brother(LeftLeg(Richard),John
Brother(Richard,John)∧( Brother(John,Richard
King(Richard)∨( King(John
¬ King(Richard)⇒( King(John
273
منطق رتبه اول
مثالمدلی با پنج
شیء، دورابطه
دودويي، سهرابطه يکانی
و يک تايکانی به نام
پای چپ
274
منطق رتبه اولسورها
کمک ميکنند تا به جای شمارش اشيا از طريق نامآنها، خواص کلکسيون اشيا را بيان کرد
برای همه“ سور عمومی؛”
وجود دارد حداقل رسور وجودی؛ ” “...
275
منطق رتبه اولسور عمومی
∀< جمله> >متغيرها <
∀x P که در آنP ،يک عبارت منطقي استدرست است xبرای هر شیء Pبيان ميکند که
مثال :∀ x King(x)⇒( Person(x
276
منطق رتبه اولسور وجودی
∃ < جمله> >متغيرها <
∃ x P که در آنP ،يک عبارت منطقي است xحداقل برای يک شیء Pبيان ميکند که
درست استمثال :∃ x Crown(x)∧( OnHead(x , John
277
منطق رتبه اولخصوصيات سورها
رابط طبيعي برای کار با و طرابط طبيعي برای کار با ميباشد
منجر به حکم قوی ميشود بعنوان رابط اصلی با هاستفاده از منجر به حکم ضعيفي ميشود با هاستفاده از ∀ x∀ yبرابر است با y∀x وو x∃ yبرابر است با y∃ x
∃ x∀ yبرابر نيست با y∃x∃ x∀ y(Loves(x,y
حداقل يک نفر وجود دارد که همه چيز در جهان را دوست دارد∀ y∃(x Loves(x,y
همه در دنيا حداقل يک نفر را دوست دارند
278
منطق رتبه اولخصوصيات سورها
“ هر کسی بستنی را دوست دارد“ به معنای اين است که”هيچ کس وجود ندارد که بستنی را دوست نداشته باشد“
∀(x Likes(x , IceCream مهم ارز ه x¬(Likes(x , IceCream
∀ x¬ P مهم ارز x Pه
¬∀ x P مهم ارز x¬P
∀ x P هم ارز x¬P
∃ x P ه هم ارز x¬P
279
منطق رتبه اولتساوی
دو ترم به يک شیء اشاره ميکنند= با استفاده از
برای تعيين درستی جمله تساوی بايد ديد که آياارجاع ها به دو ترم، اشيای يکسانی اند يا خير
ريچارد حداقل دو برادر دارد: مثال∃ x,y Brother(x,Richard) ^ Brother(y,Richard) ^¬((x=y
280
منطق رتبه اولادعاها و تقاضاها
جملت از طريقTELL به پايگاه دانش اضافه ميشوند گويندادعا اين جملت را
TELL (KB(( , King(JohnTELL (KB ,∀((x King(x) =< Person(x
با استفاده ازASK تقاضاهايي را از پليگاه دانش انجام ميدهيم ،نام داردهدف يا تقاضااين پرسشها
ASK (KB(( , Person(JohnASK(KB ,∃ ((x Person(x
ليست جانشيني يا انقيادليستي از جانشينيها در صورت وجود بيش از يک پاسخ
281
منطق رتبه اولدامنه خويشاوندی
مادر هر فرد والد مؤنث آن فرد است∀ m,c Mother(c) = m⇔( Femail(m) ^ Parent(m,c
شوهر هر فرد، همسر مذکر آن فرد است∀ w,h Husband(h,w)⇔( Male(h) ^ Spouse(h,w
مذکر و مؤنث بودن طبقه های متمايزی هستند∀ x, Male(x)⇔ ¬(Female(x
والد و فرزند، رابطه های معکوس هستند∀ p,c Parent(p,c)⇔( Child(c,p
پدر بزرگ يا مادربزرگ والدين والدين هر فرد است∀ g,c Grandparent(g,c)⇔ ∃ (p Parent(g,p) ^ Parent(p,c
282
منطق رتبه اولاعداد 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))]
∀s1,s2 s1 ⊆ s2 ⇔ (∀x x ∈ s1 ⇒ x ∈ s2)
∀s1,s2 (s1 = s2) ⇔ (s1 ⊆ s2 ∧ s2 ⊆ s1)
∀x,s1,s2 x ∈ (s1 ∩ s2) ⇔ (x ∈ s1 ∧ x ∈ s2)
∀x,s1,s2 x ∈ (s1 ∪ s2) ⇔ (x ∈ s1 ∨ x ∈ s2)
283
منطق رتبه اولمهندسي دانش
فرايند کلی ساخت پايگاه دانش که شامل مراحل ذيل:ميباشدمشخص کردن کارمونتاژ دانش مربوطهتصميم گيری در مورد واژه نامه محمولها، توابع و وراثتکدگزاری دانش کلی در مورد دامنهکد گزاری توصيف نمونه مسئله خاصاعمال تقاضاها به رويه استنتاج و دريافت پاسخاشکال زدايي پايگاه دانش