آموزش هوش مصنوعی - بخش چهارم

مصنوعیآموزش هوش

faradars.org/fvsft102

:مدرس

محمد صبریدانشجوی دکتری مهندسی کامپیوتر گرایش هوش مصنوعی

تهرانهیات علمی دانشگاه آزاد اسالمی واحد شهر قدس عضو

هوش مصنوعی، رهیافتی نوین

«جستجوهای آگاهانه»: فصل سوم

فرادرس

FaraDars.org

فهرست مطالب

های آگاهانهاستراتژی•جستجوی حریصانه•*Aجستجوی •

کیفیت توابع هیوریستیک•ابداع توابع هیوریستیک•جستجوی محلی•

تپه نوردی••SAپرتوی محلی•ژنتیک•

فرادرس

FaraDars.org

فرادرس

FaraDars.org

جستجوی درختیfunction TREE-SEARCH(problem , fringe) return a solution or failure

fringe INSERT(MAKE-NODE(INITIAL-STATE[problem]), fringe)

loop do

if EMPTY?(fringe) then return failure

node REMOVE-FIRST(fringe)

if GOAL-TEST[problem] applied to STATE[node] succeeds

then return SOLUTION(node)

fringe INSERT-ALL(EXPAND(node, problem), fringe)

فرادرس

FaraDars.org

جستجوی سطحی

آگاهانهجستجویبرایکلیروش•f(n)ارزیابیتابعاساسبردادنبسطبرایگره:سطحیجستجوی•

.شودمیانتخاب

رااییرهگیعنی.کندمیگیریاندازهراهدفتافاصلهارزیابیتابع:ایده•.باشدبهتریننظربهکهکندمیانتخابدادنبسطبرای

f(n)اساسبرمرتبصفیکfringe:سازیپیاده•

فرادرس

FaraDars.org

تابع هیورستیک

[dictionary]“A rule of thumb, simplification, or

educated guess that reduces or limits the search for

solutions in domains that are difficult and poorlyunderstood.”

h(n) برابر با هزینه تخمینی راه حل بهینه از گرهnتا هدف اگرn،آنگاه برابر با هدف باشدh(n)=0خواهد بود.

فرادرس

FaraDars.org

مساله کشور رمانی

•hSLDهدفتاگرههرهواییمستقیمفاصله•hSLDشودمحاسبهمسالهصورتازتواندنمی.

f(n)=h(n):حریصانهجستجوی•

.باشدترنزدیکهدفبهکهبدهبسطرااییگره•

فرادرس

FaraDars.org

جستجوی حریصانه

شروعحالت=ریشه•

Arad (366)

فرادرس

FaraDars.org

Sibiu(253) Zerind(374)Timisoara(329)

فرادرس

FaraDars.org

Arad(366)

Fagaras(176)

Oradea(380)

Rimnicu Vilcea(193)

فرادرس

FaraDars.org

Fagaras

Sibiu(253)

Bucharest(0)

فرادرس

FaraDars.org

بودن؟کامل•(تکرارحلقه)خیر•

بودن؟بهینه•(نبودنکامل)خیر•

زمانی؟مرتبه•حافظه؟مرتبه•

O(bm )

فرادرس

FaraDars.org

*Aجستجوی

آگاهانهجستجویترینشدهشناخته•.کندمیاجتنابرسند،نمینظربهصرفهبهکههاییگرهبسطاز:ایده•

f(n)=g(n):ارزیابیتابع• + h(n)

•g(n)گرهتاشروعگرهازواقعیهزینهn

•h(n)گرهازتخمینیهزینهnهدفتا•f(n)گرهازعبورباهدفتاشروعگرهازتخمینیهزینهn

فرادرس

FaraDars.org

تابع هیوریستیک قابل پذیرش

:استپذیرشقابلهیوریستیکتابعیک•.ندهدارایههدفتاهزینهازاضافیتخمینهیچگاه1..باشدبینانهخوش2.

Formally:

1. h(n) <= h*(n) where h*(n) is the true cost from n

2. h(n) >= 0 so h(G)=0 for any goal G.

است؟پذیرشقابلhSLD(n)آیا•

فرادرس

FaraDars.org

فرادرس

FaraDars.org

*Aجستجوی

f(Arad) = c(??,Arad)+h(Arad)=0+366=366

فرادرس

FaraDars.org

*Aجستجوی

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

فرادرس

FaraDars.org

*Aجستجوی

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

فرادرس

FaraDars.org

*Aجستجوی

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

فرادرس

FaraDars.org

*Aجستجوی

f(Sibiu)=c(Fagaras, Sibiu)+h(Sibiu)=338+253=591f(Bucharest)=c(Fagaras,Bucharest)+h(Bucharest)=450+0=450

فرادرس

FaraDars.org

*Aجستجوی

f(Bucharest)=c(Pitesti,Bucharest)+h(Bucharest)=418+0=418

فرادرس

FaraDars.org

*Aجستجوی

Suppose suboptimal goal G2 in the queue.Let n be an unexpanded node on a shortest to optimal goal G.

f(G2 ) = g(G2 ) since h(G2 )=0> g(G) since G2 is suboptimal>= f(n) since h is admissible

Since f(G2) > f(n), A* will never select G2 for expansion

فرادرس

FaraDars.org

*Aجستجوی

A heuristic is consistent if

If h is consistent, we have

h(n) c(n,a,n') h(n')

f (n') g(n') h(n')

g(n) c(n,a,n') h(n')

g(n) h(n)

فرادرس

FaraDars.org

*Aجستجوی

بودن؟کامل•بلی•بودن؟بهینه•بلی•

– A* expands all nodes with f(n)< C*

– A* expands some nodes with f(n)=C*

– A* expands no nodes with f(n)>C*

.باشدمینیزموثربهینه*Aبنابراین•

فرادرس

FaraDars.org

*Aجستجوی

زمانی؟مرتبه•.باشدمینماییمرتبهازکماکان•حافظه؟مرتبه•.استزمانیپیچیدگیبامرتبههم•

.استبزرگتریمشکلمراتببهحافظه!

فرادرس

FaraDars.org

با حافظه محدود *Aجستجوی

بودنبهینهوکاملویژگیحفظبا*Aحافظهمشکلبهبود•.1ID A*:محدودهزینهیکتعیینf-cost (g+h)محدودعمقجایبه

.2RBFS:خطیحافظهداشتنبرایبازگشتیالگوریتم

.3: (S)MA*رپزماندرقدیمییگرهبدترینحذفوجدیدگرهبهترینبسطحافظهشدن

فرادرس

FaraDars.org

Recursive best-first search

function RECURSIVE-BEST-FIRST-SEARCH(problem) return a solution or failurereturn RFBS(problem,MAKE-NODE(INITIAL-STATE[problem]),∞)

function RFBS( problem, node, f_limit) return a solution or failure and a new f-cost limitif GOAL-TEST[problem](STATE[node]) then return nodesuccessors EXPAND(node, problem)if successors is empty then return failure, ∞for each s in successors do

f [s] max(g(s) + h(s), f [node])repeat

best the lowest f-value node in successorsif f [best] > f_limit then return failure, f [best]alternative the second lowest f-value among successorsresult, f [best] RBFS(problem, best, min(f_limit, alternative))if result failure then return result

فرادرس

FaraDars.org

RBFSالگوریتم

.شودانتخابآنبرایجانشینبهترینوبرگگرهبهترین1.

مسیرهبآنگاهشد،بیشترآنجانشینازبرگگرهبهترینمقداراگر2..شودعقبگردجانشین

.شودبروزرسانیf(n)مقدارعقبگرد،حیندر3.

.شوددادهبسطجانشینگره4.

فرادرس

FaraDars.org

فرادرس

FaraDars.org

فرادرس

FaraDars.org

فرادرس

FaraDars.org

•RBFSازموثرتریمراتببهجستجویID A*است..ردبمیرنجعقیدهتغییردلیلبهگرهزیادیبسیارتعدادتولیدازکماکان•

.استبهینهباشد،پذیرشقابلh(n)اگر*Aمانند•.استo(bd)حافظهپیچیدگی•.داردستگیبعقیدهتغییرمیزانوهیوریستیکتابعکیفیتبهزمانیپیچیدگی•

فرادرس

FaraDars.org

تابع هیوریستیک

.است22متوسططوربهبهینهجوابعمق•.است3متوسططوربهانشعابفاکتور•

3.1حالتفضایتعداد• x .باشدمی1010.دهدکاهشچشمگیریطرزبهراحالتفضایتواندمیخوبهیوریستیکتابع•

فرادرس

FaraDars.org

فرادرس

FaraDars.org

فرادرس

FaraDars.org

تابع هیوریستیک

•h1باشندنمیخودسرجایکههاییکاشیتعداد.h1(s)=8

•h2واقعیجایتاکاشیهر(منهتن)عمودی–افقیفاصلهمجموعh2(s)=3+1+2+2+2+3+3+2=18

•h3واقعیجایتاکاشیهرقطری–عمودی–افقیفاصلهمجموعh3(s)=2+1+1+1+2+2+2+2=13

فرادرس

FaraDars.org

کیفیت تابع هیوریستیک

یکنواختدرختدرانشعابفاکتور:(*b)موثرانشعابفاکتور•

است؟مقداریچه*bبرایمقداربهترین•

N 11 b*(b*) 2 ... (b*) dفرادرس

FaraDars.org

کیفیت تابع هیوریستیک

فرادرس

FaraDars.org

فرادرس

FaraDars.org

فرادرس

FaraDars.org

(1)ابداع تابع هیوریستیک قابل پذیرش

relax)مسالهازشدهسادهنسخهطریقاز• version)

h1شودمنتقلهرجاییبهتواندمیکاشیهر.h2شودمنتقلهمسایهخانههربهتواندمیکاشیهر.ABSolverزندمیتخمینراروبیکمکعببرایحلراههزینه.

فرادرس

FaraDars.org

(subproblem)مسالهازکوچترنسخهطریقاز•

فرادرس

FaraDars.org

learning)تجربهازیادگیریطریقاز• from experience)مسالهاززیادیبسیارتعدادحل:تجربه

فرادرس

FaraDars.org

فرادرس

FaraDars.org

فرادرس

FaraDars.org

جستجوی محلی

دخوبلکهباشدنمیمهمهدفتارسیدنحلراهمسایلازبرخیبرای•.باشدمیمهمهدفحالت

.شودمیاستفادهمحلیجستجویازمسایلاینگونهبرای•ایههمسبهترینبهونمودهذخیرهرافعلیحالتفقط:محلیجستجوی•

.کندمیحرکتتحاالتعدادبامسایلدرحلراهکردنپیداامکانوکمبسیارحافظه•

.استمحلیجستجوهایمزایایاززیاد،بسیار

فرادرس

FaraDars.org

الگوریتم تپه نوردی

دبرسقلهبهکهزمانی.کندمیحرکتبهبودجهتدرمتناوبطوربه•.شودمیمتوقف

هبدلیلهمینبهکند،نمیتوجهبرگهایگرهآیندهبهنوردیتپه•.استمشهورهمحریصانهمحلیجستجویالگوریتم

باشد،داشتهوجودبهترینگرهیکازبیشترصورتیکهدرنوردیتپه•.کندمیانتخابتصادفیصورتبهراگرهبهترین

فرادرس

FaraDars.org

فرادرس

FaraDars.org

function HILL-CLIMBING( problem) return a state that is a local maximum

input: problem, a problem

local variables: current, a node.

neighbor, a node.

current MAKE-NODE(INITIAL-STATE[problem])

loop do

neighbor a highest valued successor of current

if VALUE [neighbor] ≤ VALUE[current] then return STATE[current]

current neighbor

فرادرس

FaraDars.org

•h(n):یرغیامستقیمصورتبهراهمدیگرکهوزیرهاییجفتتعداد.کنندمیتهدیدمستقیم

a)h=3+4+2+3+2+2+1+0=17 b)h=1

فرادرس

FaraDars.org

فرادرس

FaraDars.org

تپه نوردیانواع الگوریتم

Stochastic)قطعیغیرنوردیتپه• hill-climbing):تمالاحالبته.شودانتخابتصادفیصورتبهیکیباالبهروهایحرکتبیندر

.استمتناسبشیبباانتخاب

First-choice)گزینهاولینانتخاببانوردیتپه• hill-climbing):شوندمیدادهبسطبهترگرهیکحصولتاهاگره.

Random-restart)تصادفینوردیتپه• hill-climbing):نمودخواهدشروعمجدداًجوابحصولتاتصادفیمجددشروعحالتاز.

فرادرس

FaraDars.org

Simulated annealing

رکتحانجامبهدادناجازهبامحلیهایبیشینهدرکردنگیرازاجتناب•آنتعدادواحتمالزمانگذشتحیندرکه،(مناسبنا)فرعیهای

.یابدمیکاهش.گرددمیبرمتالورژیعلومبهالگویتمپیشینه•Bouncing:مثال• ball analogy

فرادرس

FaraDars.org

Simulated annealing

function SIMULATED-ANNEALING( problem, schedule) return a solution stateinput: problem, a problem

schedule, a mapping from time to temperaturelocal variables: current, a node.

next, a node.T, a “temperature” controlling the probability of downward steps

current MAKE-NODE(INITIAL-STATE[problem])for t 1 to ∞ do

T schedule[t]if T = 0 then return currentnext a randomly selected successor of current∆E VALUE[next] - VALUE[current]if ∆E > 0 then current nextelse current next only with probability e∆E /T

فرادرس

FaraDars.org

Local beam search

.بردمیبهرهشروعحالتیکجایبهشروعحالتkاز•تصادفیحالتk:شروعحالت•هابرگتمامبینازحالتبهترینتاkانتخاب:بعدیحالت•حاالتتمامبررسییاهدفشدنپیدا:خاتمهحالت•

بهاطالعاتکهاستاینتصادفیمجددشروعبانوردیتپهباتفاوت•.شودمیگذاشتهاشتراک

.باشدبرخوردارکافیتنوععدمازالگوریتماستممکن•

فرادرس

FaraDars.org

Genetic algorithms

فرادرس

FaraDars.org

Genetic algorithms

فرادرس

FaraDars.org

فرادرس

FaraDars.org

فرادرس

FaraDars.org

این اسالید ها بر مبنای نکات مطرح شده در فرادرس

« آموزش هوش مصنوعی».تهیه شده است

یدبرای کسب اطالعات بیشتر در مورد این آموزش به لینک زیر مراجعه نمایfaradars.org/fvsft102

فرادرس

FaraDars.org

آموزش هوش مصنوعی - بخش چهارم

Education

آموزش استاتیک - بخش چهارم

بسمه تعالی پروژه درس هوش مصنوعی عاملهای منطقی و منطق گزاره ای نام استاد : استاد گودرزی پور

الگوریتم دسته ماهی های مصنوعی

هوش مصنوعی جستجو برای حل مسئله

هوش مصنوعی مسائل ارضای محدودیت

شبکه های عصبی مصنوعی

(فصل چهارم کتاب بلکویی)

هوش مصنوعی

شوه ناتسدورفِ 24آخرالزمانِ هوش مصنوعی میتازیم ما برای کنارآمدن با فناوری آینده بهشدت ناآماده ایم | نوشتۀيوولنواهراری

آموزش هوش مصنوعی - بخش یکم

شخصیسازی ارائه محتوا با استفاده از هوش مصنوعی

طرح هوش مصنوعی.pdf

فصل دوم - هوش مصنوعی

تعاريف هوش

هوش تجاری (سری دوم)

هوش تجاری (سری سوم)

شاهمیری جلسه چهارم

فیلمنامه سینمایی هوش مصنوعی.pdf

هوش تجاری (سری اول)

آموزش هوش مصنوعی - بخش دوم