Transcript هوش مصنوعی
هوش مصنوعي
نام مرجع :
Artificial Intelligence A Modern Approach
نويسنده :
استوارت راسل ،پيتر نورويگ
1
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
فصل اول
مقدمه
2
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
:AIبه طور رسمي در سال 1956مطرح شده است.
علل مطالعه :Al
• AIسعي دارد تا موجوديتهاي هوشمند را درک کند .از اين رو يکي از علل
مطالعه آن يادگيري بيشتر در مورد خودمان است.
• جالب و مفيد بودن موجوديتهاي هوشمند .
3
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
AIچيست؟
تعاريفي از AIکه به چهار قسمت تقسيم شدهاند:
•پردازش فکري و استداللي
• پردازش رفتاري
• ايدهآل هوشمندي (منطقي بودن)
• ارائه انساني
4
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
پردازشهاي فکري و استداللي
ايدهآل
هوشمندي
سيستمهايي که
به طور منطقي
فکر ميکنند
سيستمهايي که
مانند انسان فکر
ميکنند
سيستمهايي که
به طور منطقي
عمل ميکنند
سيستمهايي که
مانند انسان عمل
ميکنند
تمرکز بر روي پردازشهاي رفتاري
5
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ارائه انساني
.1انسان گونه عمل کردن :رهيافت آزمون تورينگ
آزموني از کامپيوتر به عمل آيد ،و آزمون گيرنده نتواند دريابد که در آن طرف انسان قرار دارد يا کامپيوتر.
براي اين کار کامپيوتر بايد قابليتهاي زير را داشته باشد:
پردازش زبان طبيعي = محاوره
بازنمايي دانش= ذخيره اطالعات
استدالل خودکار= استدالل و استخراج
يادگيري ماشيني= کشف الگو و برون ريزي
6
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
تست تورينگ :اين آزمون از ارتباط فيزيکي مستقيم بين کامپيوتر و محقق اجتناب
ميکند.
به منظور قبول شدن در تست تورينگ کلي ،کامپيوتر به موارد زير احتياج دارد:
بينايي ماشين براي درک اشياء
روباتيک به منظور حرکت آنها
7
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مقدمه
(مانند انسان عمل کردن)
تست تورينگ
B
A
8
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
.2انساني فکر کردن :-رهيافت مدلسازي شناختي:
چگونگي شناسايي عملکرد افکار انسان:
-1درون گرايي
-2تجارب روانشناس ي
علوم شناختي :مدلهاي کامپيوتر از AIو همچنين تکنيکهاي روانشناختي را
گرد هم ميآورد تا بتواند تئوريهاي دقيقي از کارکرد ذهن انسان به دست
آورند.
9
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
.3منطقي فکر کردن :قوانين رهيافت تفکر
رمز «تفکر درست» :ارسطو سعي در کشف آن داشت.
قياس :از موضوعات مطرح شده توسط ارسطو ميباشد ،که الگوهايي براي ساختار
توافقي ايجاد کرد که همواره نتايج صحيحي به اندازه مقدمات صحيح به دست
ميآورد.
مثال« :سقراط انسان است ،تمام انسانها ميميرند ،پس سقراط خواهد مرد».
10
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
دو مشکل عمده در اين رسم منطق‌گرايي وجود دارد:
تبديل دانش غير رسمي به شکل رسمي توسط اعالم ،منطقي ساده نيست.
تفاوت عمدهاي بين قادر به حل مسئله بودن در اصول و انجام آن در عمل وجود
دارد.
11
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
.4منطقي عمل کردن :رهيافت عامل منطقي
عامل :در اصل چيزي است که ابتدا درک ميکند و سپس عمل ميکند.
در نگرش «قوانين تفکر» تأکيد عمده بر روي استنتاجهاي صحيح بوده است.
«مهارتهاي شناخت» که براي آزمون تورينگ موردنياز است ،براي انجام فعاليتهاي
منطقي وجود دارند.
12
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مزاياي مطالعه AIبهعنوان طراحي عامل منطقي:
عموميتر از رهيافت «قوانين تفکر»
پيشرفت علمي ،بسيار قانونپذيرتر از رهيافتهايي است که بر تفکر يا
رفتار انساني متکي هستند.
13
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
زيربناي هوش مصنوعي:
،AIاز علوم مختلفي بهره ميبرد که از ميان آنها علوم زير مهمتر شناخته شدهاند:
علم فلسفه
علم رياض ي
علم روانشناس ي
علم زبانشناس ي
علم کامپيوتر
14
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ن)
فلسفه 428( :قبل از ميالد مسيح – تاکنو
پايههاي تفکر و فرهنگ غرب تشکيل شده است از :افالطون ،استادش سقراط ،و شاگردش ارسطو.
قياس :ارسطو ،سيستمي غيررسمي از قياس براي استدالل مناسب توسعه داد ،امکان توليد
نتايج ،بر پايه فرضيات اوليه به طور مکانيکي وجود داشت.
15
در نظر گرفتن ذهن بهعنوان سيستمي فيزيکي
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
رنه دکارت مدافع سرسخت قدرت استدالل بود؛ و همچنين طرفدار مکتب دواليسم.
ماترياليسم :در مقابل دواليسم قرار دارد و معتقد است تمامي جهان مطابق قوانين فيزيکي عمل ميکنند.
ويلهم اليبنيز:
تبديل موقعيت ماترياليستي به نتايج منطقي
ساخت ابزاري مکانيکي براي انجام عمليات منطقي
16
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ايجاد منبع دانش:
فرانسيس بيکن ،جنبش آزمونگرايان را آغاز کرد .و با شعار جان الک مفهوم يافت:
«هيچ چيز قابل فهم نيست اگر ابتدا در حس نباشد».
اصل استقراي امروزي ،در حقيقت از کتاب ديويد هيوم نشأت ميگيرد" :رسانهاي از
طبيعت انسان"
برتراندراسل ،پايهگذار پوزيوتيزم منطقي ،ارائهدهندة اين تئوري بود که:
«قوانين عمومي توسط تکرار ارتباطات بين عناصر آنها به وجود ميآيند».
17
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ارتباط بين دانش و عمل
اشياء را با تحليل ،دستهبندي ميکنيم و در اطراف آنها ،کارکرد مورد نيازشان نوسان مينمايد.
در اين ميان پايه سيستممکاشفهاي GPSبنيان گذارده ميشود.
18
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ن)
رياضيات (- C.800تاکنو
براي ارتباط فلسفه با دانش نظري ،نياز به فرمولسازي رياض ي در سه زمينه اصلي است:
محاسبات
منطق
احتماالت
19
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
محاسبات:
نظريه اظهار محاسبات به عنوان الگوريتمي رسمي به خوارزمي برميگردد ،رياضيدان عربي
قرن نهم که نوشتههاي وي ،جبر و تئوري اعداد عربي را به اروپا معرفي کرد.
20
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق:
در اين زمينه ،دانشمندان زيادي بر چگونگي شکلگيري و هدايت آن ،نقش داشتهاند که به چند نفر از آنها
اشاره ميکنيم:
ارسطو :دانشمندي که بيشترين شکلگيري نگرش فلسفي منطق را به او نسبت ميدهند.
جورج بول :يک زبان رسمي براي ساخت استنتاج منطقي ارائه داد.
:FREGEمنطق مرتبه اول را به شکلي مطرح نمود که در بيشتر سيستمهاي نمايش دانش پايه
استفاده ميشود.
آلفرد تارسکي :تئوري چگونگي ارتباط بين اشياء موجود در محيط منطقي ،و اشياء موجود در دنياي
واقعي را ارائه نمود.
21
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ديويد هيلبرت :رياضيدان بزرگي بود که شهرت وي به دليل مسائلي است که نتوانست حل کند.
راسل :قضيه کامل نبودن ) (incompletenessرا مطرح نمود.
تورينگ :ماشين تورينگ قادر به محاسبه هر تابع محاسبهپذيري است.
تئوري پيچيدگي:
.1
انجامناپذيري
.2
استحاله
استيون کوک و ريچارد کارپ :تئوري NP-completenessرا مطرح کردند.
22
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
احتماالت:
گاردنيوي :اولين کس ي بود که ايده احتمال را مطرح کرد.
پير فرمت ،پاسکال ،برنولي ،الپالس و ديگر دانشمندان بر رشد و توسعه اين ايده
تأثير داشتند.
برنولي :ديدگاه «درجه باور» ذهني را در مقايسه با نرخ نتايج عيني مطرح کرد.
بيس :قانوني براي بهنگامسازي احتماالت ذهني را به وجود آورد.
نيومن و مورگنسترن :تئوري تصميمگيري را آغاز کردند .و از ترکيب تئوري احتمال،
و تئوري سودمندي حاصل ميشود.
23
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ن):
روانشناس ي ( -1879تاکنو
هلمولتز :روش ي علمي براي مطالعه بينايي انسان به کار برد؛ که اين کتاب به عنوان مرجع بينايي
فيزيولوژيک و حتي بهعنوان «مهمترين رساله فيزيکي و روانشناختي بينايي انسان تا به امروز» شناخته
ميشود.
وندت :اولين آزمايشگاه روانشناس ي تجربي را در دانشگاه اليپزيک راهاندازي کرد.
داتسون و تورن دايک :حرکت رفتارگرايي ) (behaviorismرا مطرح کردند.
اساس مشخصه روانشناس ي شناختي) ،(congnitive psychologyاين نگرش است که مغز
دارنده و پردازشکننده اطالعات است.
24
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
25
کريک ،کتاب ماهيت بيان را منتشر کرد .و سه مرحله کليدي را براي عامل مبتني بر داشن معين کرد:
محرکها بايد به شکل دروني تبديل شوند.
بازنمايي توسط پردازشهاي شناختي بازنماييهاي داخلي جديدي را مشتق کند.
اينها دوباره به صورت عمل برگردند.
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مهندس ي کامپيوتر ( -1940تاکنون)
براي پيشرفت هوش مصنوعي ،به دو چيز احتياج داريم:
هوش
محصول مصنوعي
در اين تقسيمبندي ،کامپيوتر ميتواند به عنوان محصول مصنوعي محسوب گردد.
26
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
:Heath Robinsonاولين کامپيوتر مدرن عملياتي بود که در سال 1940توسط تيم آلن تورينگ
به منظور کدگشايي پيامهاي آملانها ساخته شد.
:Colossusنام ماشين بعدي بود که تيوپهاي مکنده در آن به کار برده شد.
:Z-3اولين کامپيوتر قابل برنامهريزي که توسط کنراد زوس در 1941اختراع شد.
27
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
اعداد با مميز شناور و زبان Plankalkulنيز توسط زوس اختراع شدند.
:ABCاولين کامپيوتر الکترونيک در امريکا توسط جان آتاناسف و کليفورد در دانشگاه ايالتي ايوا
ساخته شد.
:MARK I , II , IIIتوسط تيمي به رهبري هوراد ايکن در هاروارد توسعه داده شد.
:ENIACاولين کامپيوترديجيتال الکترونيک چند منظوره ،توسط تيمي به سرپرستي ماچلي و اکرت در
دانشگاه پنسيلوانيا ساخته شد.
28
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
:IBM 701اولين کامپيوتر سودآور ،توسط ناتانيل روچتر در 1952ساخته شد.
چارلز بابيج :طراحي ماشيني که جداول لگاريتمي را محاسبه کند.
29
طراحي موتور آناليتيکي
طرح حافظه قابلآدرسدهي ،برنامه ذخيره شده و پرشهاي شرطي
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
کار در زمينه AIمنجر به ايدههاي بسيار متعددي شد که به علوم کامپيوتر برگشت؛
مانند:
اشتراک زماني – مفسرهاي دوسويه – نوع داده ليست پيوندي – مديريت حافظه
خودکار و برخي نکات کليدي برنامهنويس ي ش يءگرا و محيطهاي توسعه برنامه مجتمع با
واسط کاربر گرافيکي.
30
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
زبانشناس ي ( -1975تاکنون)
اسکينر در سال 1975کتابي در زمينه رفتارگرايان براي يادگيري زبان ،با نام «رفتار زباني»
منتشر کرد.
نوآم چامسکي بر اساس تئوري خودش يعني ساختارهاي ترکيبي ،اين کتاب را تجديد نظر و
چاپ کرد .که به اندازه اصل کتاب شهرت پيدا کرد.
تئوري چامسکي بر اساس مدلهاي نحوي قرار دارد.
31
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
زبانشناس ي مدرن و AIدر يک زمان متولد شدند ،بنابراين زبانشناس ي نقش مهمي در رشد
AIبازي نميکند.
اين دو دريک زمينه مشترک به نام
زبانشناس ي محاسباتي) (Computatioal linguisticsيا
پردازش زبان طبيعي )(natural language processing
بهم تنيده شدهاند که در آن بر روي مسئله استفاده زبان تمرکز شده است.
32
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
تاريخچه هوش مصنوعي
پيدايش هوش مصنوعي ()1956 -1943
33
اشتياق زودهنگام ،آرزوهاي بزرگ ()1969-1952
مقداري واقعيت ()1966-1974
سيستمهاي مبتني بر دانش :کليد قدرت؟ ()1979-1969
بازگشت شبکههاي عصبي ( -1986تاکنون)
حوادث اخير ( -1987تاکنون)
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
پيدايش هوش مصنوعي
اولين کار جدي در حيطه ،AIتوسط وارن مککلود و والتر پيتز انجام شد.
سه منبع استفاده شده توسط آنها:
34
دانش فيزيولوژي پايه و عملکرد نرون در مغز
تحليل رسمي منطق گزارهها متعلق به راسل و رايت هد
تئوري محاسبات تورينگ
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
در 1949دونالد هب ،قانون ساده بهنگامسازي براي تغيير تقويت اتصاالت بين نرونها
را تعريف کرد که از طريق آن يادگيري ميسر ميگردد.
در زماني که کلود شانون و آلن تورينگ ،برنامه بازي شطرنج را نوشتند ،SNARC ،
اولين کامپيوتر شبکه عصبي در دانشگاه پرينستون توسط مينسکي و ادموندز ساخته
شد.
اين کامپيوتر ،از 3هزار تيوپ مکش ي و مکانيزم خلباني خودکار اضافي که مربوط به
بمبافکنهاي B24ميباشد براي شبيهسازي شبکه 40نروني استفاده کرد.
35
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
محققين عالقمند به تئوري آتوماتا ،شبکههاي عصبي و مطالعه هوش ،گرد يکديگر جمع شدند و در
کارگاهي در دورت موند مشغول فعاليت شدند .که در اين ميان نام هوش مصنوعي براي حيطه فعاليت
آنها انتخاب شد.
36
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
اشتياق زودهنگام ،آرزوهاي بزرگ ()1969-1952
37
فعاالن در عرصه :AI
روچستو و تيمش در IBM
هربرت جلونتر :با ساخت Geometry Theorem Prover
آرتور ساموئل :ساخت برنامه براي بازي چکر
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جان مک کارتي در :MIT
تعريف زبان ليسپ ) (Lispمهمترين زبان هوش مصنوعي
مفهوم اشتراک زماني )(time sharing
نشر مقالهاي با عنوان "برنامهها با حواس مشترک"
تشريح يک سيستم فرض ي به نام ، Advice Takerکه به اصول پايه بازنمايي
معرفت و استدالل تجسم بخشيد؛
38
کار بر روي سيستم برنامهريزي سؤال-جواب
کار بر روي پروژه روباتهاي shakey
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مينسکي :کار بر روي ميکرو ورلدها و همکاري با مککارتي ،ولي بر سر اختالف بر نگرش منطقي و
ضدمنطقي کار تحقيقاتي خود را از هم جدا کردند.
مينسکي با گروهي از دانشجويان بر روي ميکروورلدها کار کرد که برخي از آنها عبارتند از:
جيمز اسالگل ،SAINT ،قادر به حل مسائل انتگرالگيري فرم بسته
اوانز ،ANALOGY :حل مسائل مشابهت هندس ي در تستهاي هوش
رافائل :SIR :پاسخ به قضاياي پرسش ي جمالت ورودي
بابرو :STUDENT :حل مسائل داستاني جبر
39
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مقداري واقعيت ()1974-1966
ً
مشکالت تقريبا تمام پروژهها تحقيقي AIوقتي پديدار ميشدند که مسائل گستردهتري براي
حل توسط آنها مطرح ميشد:
برنامههاي اوليه اغلب داراي دانش محدود يا فاقد دانش در مورد موضوع کار بودند.
انجام ناپذيري بسياري از مسائل
به دليل اعمال برخي محدوديتهاي پايهاي بر روي ساختار پايه مورد استفاده براي توليد رفتار
هوشمند
40
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
سيستمهاي مبتني بر دانش :کليد قدرت؟ ()1979-1969
روشهاي ضعيف :مبتني بر يک جستجوي همهمنظوره ميباشند که قدمهاي اوليه
يادگيري را برميدارند اما تالش ي در جهت يافتن راهحلهاي کامل ندارند.
41
به اين دليل که اطالعات ضعيفي را در مورد دامنه فعاليت خود به کار ميبرند.
ً
پس براي حل مسائل دشوار ،تقريبا جواب را از قبل بايد بدانيم.
برنامه DENDRALاز برنامههايي است که از اين رهيافت استفاده ميکند.
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
اهميت برنامه DENDRALدر اين بود که اولين سيستم موفق با
دانش غني بود ،يعني تبحر سيستم بر پايه تعداد بسيار زيادي قانون
ايجاد شده بود .سيستمهاي بعدي ايده اصلي رهيافت Advice taker
مک کارتي را دنبال ميکردند يعني جداسازي دانش (در شکل قوانين) و
مؤلفه استدالل.
42
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
MYCINنسبت به DENDRALدو تفاوت عمده دارد:
برخالف قوانين ،DENDRALهيچ مدل تئوريوار عمومي براي آنکه
قوانين MYCINاستنتاج شود ،وجود نداشت.
قوانين ميبايست عدم قطعيت مربوط به دانش پزشکي را منعکس
ميکرد.
43
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
AIبه يک صنعت تبديل ميشود ()1988-1980
:RIاولين سيستم خبره تجاري موفق از شرکت DECکه سودآوري زيادي را براي شرکت بهمراه
داشت.
پروژه «نسل پنجم» :اين پروژه ژاپني به منظور ساخت کامپيوترهاي هوشمندي که پرولوگ را به جاي کد
ماشين اجرا ميکردند ،انجام شد.
شرکتهاي ديگر جهان از جمله ميکروالکترونيک ،MCC ،ليسپ ماشين ،تگزاس اينسترومنت،
سمبوليکس ،زيراکس و غيره در ساخت ايستگاههاي کاري بهينه شده در اين عرصه فعاليت داشتند.
44
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
بازگشت شبکههاي عصبي:
دانشمندان فعال در اين عرصه:
45
هاپ فيلد :که به آناليز خواص ذخيرهسازي و بهينهسازي شبکهها پرداخت.
راسل هارت و هينتون :مطالعه مدلهاي شبکه عصبي را ادامه دادند.
ً
بريسون و هو :الگوريتم يادگيري انتشار به عقب را مجددا مطرح کردند.
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حوادث اخير:
رهيافت :HMMرهيافت غالب در سالهاي اخير ميباشد که توسط مايکف به وجود
آمده است.
اين رهيافت از دو جنبه زير حائز اهميت است:
مبتني بر نظريه رياض ي محض است.
طي فرايندي با يادگيري گروه عظيمي از داده گفتار واقعي خود را بهبود ميبخشد.
46
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
برنامهريزي :در دهه 70فقط براي ميکرووردها مناسب بودند ،اکنون
براي زمانبندي کار در کارخانهها و مأموريتهاي فضايي استفاده
ميشوند.
بيان شبکه باور :استدالل کارا را در مورد ترکيب رويدادهاي غيرمنطقي
ممکن ساخت.
47
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ايده سيستمهاي خبره فرماتيو توسط کار جوداپير و ارديک هوروتيز و
ديويد هکرمن مطرح شد:
"سيستمهايي که مطابق قوانين تئوري تصميمگيري به طور منطقي عمل
ميکنند و سعي ندارند که تبحر انساني را تقليد کنند".
48
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
شرايط کنوني:
برخي از سيستمهايي موجود در جهان که از هوش مصنوعي استفاده ميکنند:
:HITECHاولين برنامه کامپيوتري که موفق به شکست استاد بزرگ شطرنج جهان،
آرنولد دنکر شده است.
:PEGASUSيک برنامه درک گفتار که سؤاالت کاربر را جواب ميدهد و تمامي
برنامههاي مسافرتي شخص را با يک برنامهريزي درست ،مقرون به صرفه ميکند.
:MARVELسيستم خبرهاي که دادههاي ارسالي از سفينه فضايي را تحليل نموده و در
صورت بروز مشکالت جدي ،پيغام هشدار به تحليلگران ميدهد.
49
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
فصل دوم
عاملهاي هوشمند
50
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
Artificial Intelligence
فهرست
عامل
خواص محيطهاي وظيفه
برنامه هاي عامل
51
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
عامل:
به هر چيزي اطالق ميشود ،که قادر به درک محيط پيرامون خود از طريق حسگرها()sensor
و اثرگذاري بر روي محيط از طريق اثرکنندهها ( )effectorباشد.
ي:
عامل نرم‌افزار
عامل نرمافزاري رشتههاي بيتي را به عنوان درک محيط و عمل ،کدگذاري ميکند.
52
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
عوامل انساني
.1
حس کردن :گوش ،چشم ،ديگر ارگانها
.2
اثرگذاري :دست ،پا ،بيني ،اندامهاي ديگر
عوامل روباتيک
53
.1
حس کردن :دوربين ،يابندههاي مادون قرمز
.2
اثرگذاري :موتور
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
دنباله ادراک
سابقه کامل هر چيزي است که عامل تاکنون درک کرده است.
تابع عامل
رفتار عامل توسط تابع عامل توصيف ميشود که هر دنباله ادراک را به يک
فعاليت نقش ميکند.
f : P* A
فعاليت
54
دنباله ادراک :تابع عامل
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
sensors
percepts
?
environment
agent
actions
effectors
4 - 3 - 2 - 1 ( نورویک- ) هوش مصنوعی راسل
55
عاملهاي هوشمند
معيارهاي کارايي
معيار کارايي ،معياري براي موفقيت رفتار عامل است.
• بر اساس خواسته هاي فرد در محيط انتخاب ميشود
رفتار عقاليي
معيار کارايي که مالکهاي موفقيت را تعريف ميکند
دانش قبلي عامل نسبت به محيط
فعاليتهايي که عامل ميتواند انجام دهد
56
دنباله ادراک عامل در اين زمان
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
عامل عالِـم
))Omni science
خروجي واقعي فعاليت خود را ميداند و ميتواند بر اساس آن عمل کند
عامل خردمند
()Rational agent
فعاليتي را انتخاب ميکند که معيار کارايي اش را حداکثر ميکند
• جمع آوري اطالعات ،اکتشاف ،يادگيري
عامل خود مختار
نقص دانش قبلي خود را ميتواند جبران کند
57
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
ً
کامال قابل مشاهده درمقابل قابليت مشاهده جزئي
قطعي درمقابل غير قطعي
خواص
راهبردي
رويدادي(اپيزوديک) درمقابل ترتيبي
ايستا درمقابل پويا
گسسته درمقابل پيوسته
تک عاملي درمقابل چند عاملي
محيط هاي وظيفه
چند عاملي رقابتي درمقابل چندعاملي همياري
58
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
قابل دسترس ي در مقابل غيرقابل دسترس ي
ً
( کامال قابل مشاهده در مقابل قابل مشاهده جزئي)
محيط قابل دسترس ي :محيطي که عامل آن توسط ابزار حسکنندهاش امکان دسترس ي به
وضعيت کامل محيط را داشته باشد.
محيط قابل دسترس ي راحت است ،زيرا عامل نيازمند دستکاري هيچ وضعيت داخلي براي حفظ
دنيا را نخواهد داشت.
59
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
قطعي در مقابل غير قطعي
محيط قطعي :محيطي است که اگر وضعيت بعدي محيط بوسيله وضعيت کنوني و اعمالي که
با عاملها انتخاب گردد ،تعيين شود.
بهتر است به قطعي يا غير قطعي بودن محيط از ديدگاه عامل نگاه کنيم.
60
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
اپيزوديک در مقابل غير اپيزوديک
محيط اپيزوديک ( ،)episodicتجربه عامل به اپيزودهايي تقسيم ميگردد.
هر اپيزود شامل درک و عمل عامل است.
کيفيت اعمال آن تنها به خود اپيزود وابسته است.
محيطهاي اپيزودي بسيار سادهترند زيرا عامل نبايد به جلوتر فکر کند.
61
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ايستا در مقابل پويا
محيط پويا :محيطي که در حين سنجيدن عامل تغيير ميکند.
محيط نيمه‌پويا :محيطي که با گذر زمان تغيير نميکند اما امتياز کارايي تغيير ميکند.
محيطهاي ايستا براي کار ساده هستند زيرا عامل نياز به نگاهکردن به دنيا در حين تصميمگيري
عملي نداشته و همچنين در مورد گذر زمان نيز نگران نميباشد.
62
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
گسسته در مقابل پيوسته
محيط گسسته :اگر تعداد محدود و مجزا از ادراک و اعمال بوضوح تعريف شده باشد.
-بازي شطرنج گسسته است.
رانندگي تاکس ي پيوسته است.سختترين حالت در بين حاالت موجود براي محيط:
غير قابل دسترس ي ،غير اپيزوديک ،پويا و پيوسته
63
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مثال‌هايي از انواع محيط و ويژگيهاي آنها
64
محيط
قابل دسترس ي
قطعي
اپيزوديک
ايستا
گسسته
شطرنج به همراه ساعت
YES
YES
NO
Semi
YES
شطرنج بدون ساعت
YES
YES
NO
YES
YES
پوکر
NO
NO
NO
YES
YES
تخته نرد
YES
NO
NO
YES
YES
راندن تاکس ي
NO
NO
NO
NO
NO
سيستم تشخيص پزشکي
NO
NO
NO
NO
NO
سيستم تحليل تصوير
YES
YES
YES
Semi
NO
ربات جابجا کننده اشياء
NO
NO
YES
NO
NO
کنترل‌کننده پااليشگاه
NO
NO
NO
NO
NO
آموزش‌دهنده انگليس ي با ارتباط متقابل
NO
NO
NO
NO
YES
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
ساختار عاملها
برنامه +معماري = عامل
کار هوش مصنوعي طراحي برنامه عامل است که تابع عامل را پياده سازي ميکند
65
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
براي مثال 4 ،عامل را مورد بررس ي قرار مي دهيم:
عاملهاي واکنش ي ساده
عاملهايي که اثرات دنيا را حفظ ميکنند (مدل گرا)
عاملهاي هدفگرا
عاملهاي سودمند
عامل های يادگيرنده
66
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
عاملهاي واکنش ي ساده
اين عاملها فعاليت را بر اساس
درک فعلي و بدون در نظر گرفتن
سابقه ادراک ،انتخاب ميکند
جهان چگونه است
به خاطر حذف سابقه ادراک
برنامه عامل در مقايسه با جدول آن
بسيار کوچک است(جدول خيلي
بزرگ ولي برنامه در مقابل آن کوچک)
اکنون چه عملي بايد
انجام دهم
حسگرها
عامل
محيط
انتخاب فعاليت بر اساس يکسري
محرکها
قوانين موقعيت شرطي انجام
67
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ميشود
قانون
شرط عمل
عاملهاي واکنش ي ساده
در اينجا جدول رجوع بايد مورد توجه قرار گرفته و فيلدهاي مختلف آن توسط اطالعات ورودي
پر شود.
اتصاالتي (واکنشهايي) وجود دارند که انسانها بسياري از آنها را دارا بوده:
برخي از آنها قابل يادگيري و برخي ديگر غريزي است.
مربع مستطيل :نشاندهنده وضعيت داخلي جاري فرايند تصميمگيري عامل
بيض ي :نشاندهنده وضعيت اطالعات پسزمينه
68
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
مثالي از عامل واکنش ي ساده در دنياي جاروبرقي
تصميم گيري آن بر اساس مکان
فعلـ ـ ـ ــي و کثيـ ـ ـ ــف بـ ـ ـ ــودن آن مکا ا ا ااان
صورت ميگيرد
انتخ ا ا ا اااب فعالي ا ا ا اات ب ا ا ا اار اس ا ا ا اااس
موقعيت شرطي:
If dirty then suck
)]function REFLEX-VACUUM-AGENT ([location, status
return an action
if status == Dirty then return Suck
else if location == A then return Right
else if location == B then return Left
69
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
عاملهاي واکنش ي مدل گرا
اسا ا ا ااتفاده از دان ا ا ا ااش “چگ ـ ـ ـ ــونگي
عملکرد جهان” که مدل نام دارد
عام ا ا اال باي ا ا ااد حالـ ـ ـ ــت داخلـ ـ ـ ــي را
ذخيا ااره کن ا ااد ک ا ااه با ااه س ـ ــابقه ادراک
بستگي دارد
جهان چگونه است
محيط
عام ا اال بخشـ ـ ـ ي از دني ـ ــايي را ک ا ااه
فعال ميبيند رديابي ميکند
حسگرها
حالت
جهان چگونه
تکامل مي يابد
کار فعاليت
چيست
اکنون چه عملي بايد
انجام دهم
در ه ا اار وض ا ااعيت ,عام ا اال ميتوان ا ااد
توصيف جديدي از جهاان را کساب
محرکها
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
70کند
قانون
شرط عمل
عامل
عاملهايي که اثرات دنيا را حفظ ميکنند
از آنجايي ناش ي ميشود که حسگرها نميتوانند دسترس ي کامل به وضعيت دنيا را به وجود
آورند.
در چنين شرايطي ،عامل ممکن است نيازمند دستکاري برخي اطالعات وضعيت داخلي باشد
تا از طريق آن تمايز بين وضعيتهاي دنيا که در ظاهر ورودي ادراکي يکساني ميکنند ولي در
ً
واقع معني کامال متفاوتي دارند را ميسر سازد.
71
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
بهنگامسازي اطالعات وضعيت داخلي همزمان با گذر زمان نيازمند دو نوع دانش کد شده در
برنامه عامل است.
اول :نيازمند آنيم که برخي اطالعات درباره چگونگي تغيير جهان مستقل از عامل را داشته
باشيم.
دوم :نيازمند اطالعات درباره اعمال خود هستيم که بر روي دنيا اثرگذار است.
72
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هدف گرا:
دانستن درباره وضعيت کنوني محيط همواره براي تصميمگيري عمل نميتواند کافي باشد.
به همان گونه که عامل نيازمند شرح وضعيت جاري است ،به نوعي نيازمند اطالعات
هدف( )goalميباشد که توضيح موقعيت مطلوب است.
73
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
عاملهاي هدف گرا
حسگرها
اي ا اان عام ا اال ع ا ااالوه ب ا اار توص ا اايف حال ا اات
فعل ا ااي ،با ا اراي انتخ ا اااب موقعي ـ ــت مطل ـ ــوب
نيازمند اطالعات هدف نيز ميباشد
جهان چگونه است
محيط
جســت و جــو و برنامــه ريــزي ،دنبالااه اي
از فعاليتها را براي رسيدن عامال باه هادف،
پيدا ميکند
اگر فعاليت Aرا
انجام دهم چه
خواهد شد
اياان نااوع تصااميم گيااري همااواره آينــده را
در نظر دارد و با قاوانين شارط عمال تفااوت
دارد
اکنون چه عملي بايد
انجام دهم
اين نوع عامل کارايي چنداني ندارد ،اماا
قابليت انعطاف بيشتري دارد
محرکها
74
حالت
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جهان چگونه
تکامل مي يابد
کار فعاليت
چيست
اهداف
عامل
برنامه عامل ميتواند اين اطالعات را با اطالعاتي درباره نتايج اعمال ممکن (همانند اطالعاتي
که در عامل واکنش براي بهنگامسازي وضعيت داخلي استفاده شد) ترکيب نموده تا اعمال
مناسب را براي دسترس ي به هدف انتخاب نمايد.
در مواقعي ساده است :که رضايت از هدف بالفاصله از عمل واحد توليد گردد.
در مواقعي پيچيده است :که عامل بايد دنبالههاي طوالني را در نظرگرفته تا راهي براي
دستيابي به هدف پيدا کند.
در مواقع پيچيده ،جستجو و برنامهريزي به يافتن دنباله اعمال منجر خواهند شد.
75
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
تفاوت عاملهاي واکنش ي و هدفگرا:
در طراحي عاملهاي واکنش ي طراح براي حاالت متفاوت عملي درست را پيش محاسبه ميکند .در
عاملهاي هدفگرا ،عامل ميتواند دانش خود را در مورد چگونگي واکنش بهنگام سازد.
76
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
تفاوت عاملهاي واکنش ي و هدفگرا:
.1براي عامل واکنش ي ما مجبور به دوباره نويس ي تعداد زيادي قوانين شرط –عمل خواهيم
بود.
.2عامل هدفگرا نسبت به رسيدن به مقاصد متفاوت انعطاف پذير است.
.3بسادگي با تعيين يک هدف تازه ،ميتوانيم عامل هدفگرا را به رفتار تازه برسانيم.
77
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي سودمند:
اهداف به تنهايي براي توليد رفتار با کيفيت باال کافي نيستند.
مالک کارايي عمومي بايد مقايسهاي بين وضعيتهاي دنياي متفاوت (يا دنباله حاالت) را بر
پايه چگونگي رضايت عامل در صورت حصول هدف بدهد.
بنابراين اگر يک وضعيت دنيا به ديگري ترجيح داده ميشود ،آنگاه آن براي عامل سودمندتر
خواهد بود
78
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
عاملهاي سودمند
حسگرها
اياان عاماال ب اراي اهــداف مشــخص ،راه
ه ــاي مختلف ــي دارد ،کااه راه ح اال بهت اار ب ااراي
عامل سودمندتر است.
وقتاي اهداف متضـاد باشاند ،بعضـ ي از
آنها برآورده ميشوند
جهان چگونه است
محيط
تــابع ســودمندي ،حالاات يااا دنبالااه اي از
حالته ا ااا را ب ا ااه ي ا ااک ع ا اادد حقيق ـ ــي نگاش ا اات
ميکن ا ا ااد ک ا ا ااه درج ـ ـ ــه رض ـ ـ ــايت را توص ا ا اايف
ِميکند.
حالت
اگر فعاليت Aرا
انجام دهم چه
خواهد شد
در چنين حالتي چقدر
رضايت دارم
اکنون چه عملي بايد
انجام دهم
اگاار هيچيــک از اهــداف بااه طااور قطعااي
قابل حصاول نباشاند ،احتماال موفقيات باا
79اهميت هدف مقايسه ميشود
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
محرکها
جهان چگونه
تکامل مي يابد
کار فعاليت
چيست
سودمند
عامل
سودمندي :تابعي است که يک وضعيت را به عدد حقيقي نگاشت ميدهد ،که درجه رضايت
مربوط را تشريح ميکند.
مشخصات کامل تابع سودمندي امکان تصميمگيري منطقي را براي دو نوع حالتي که هدف
مشکل دارد ،اجازه ميدهد.
.1زماني که اهداف متناقص وجود دارند.
.2زماني که چندين هدف دارند که عامل ميتواند آنها را هدف قرار دهد و هيچکدام از آنها با
قطعيت قابل حصول نيست.
80
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي هوشمند
عاملهاي يادگيرنده
استاندارد کارايي
عنصا ا ا ا ِار ِ يادگيرنـ ـ ـ ــده مسا ا ا اائول ايجا ا ا اااد
بهبودها
محيط
عنصر کارايي
مول ـ ـ ـ ـ ـ ــد مس ـ ـ ـ ـ ـ ـ له مسا ا ا ا ا اائول پيشا ا ا ا ا اانهاد
فعاليته ا ااايي اس ا اات ک ا ااه منج ا اار ب ا ااه تجربي ا اات
آموزنده جديدي ميشود
81
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
تغييرات
دانش
عنصر
يادگيرنده
اهداف
ي
يادگير
منتقد مشخص ميکند که يادگيرناده باا
توجه به استانداردهاي کارايي چگونه عمل
ميکند
بازخورد
عنص ا ا ا ا ا اار ک ـ ـ ـ ـ ـ ــارايي مس ا ا ا ا ا اائول انتخ ا ا ا ا ا اااب
فعاليتهاي خارجي
حسگرها
منتقد
مولد مس له
محرکها
عامل
هوش مصنوعي
فصل سوم
حل مسئله با جستجو
82
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
Artificial Intelligence
فهرست
عاملهاي حل مس له
مس له
اندازه گيري کارايي حل مس له
جستجوي ناآگاهانه
اجتناب از حالتهاي تکراري
جستجو با اطالعات ناقص
83
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
عاملهاي حل مس له
چهار گام اساس ي براي حل مسائل
فرموله کردن هدف :وضعيتهاي مطلوب نهايي کدامند؟
فرمولــه کــردن مسـ له :چــه فعاليتهــا و وضــعيتهايي بــراي رســيدن بــه هــدف موجــود
است؟
جسـ ــتجو :انتخـ ــاب بهتـ ــرين دنبالـ ــه از فعاليتهـ ــايي کـ ــه منجـ ــر بـ ــه حـ ــاالتي بـ ــا مقـ ــدار
شناخته شده ميشود.
اج ـرا :وقت ــي دنبال ــه فعالي ــت مطل ــوب پي ــدا ش ــد ،فعاليته ــاي پيشـ ـ هادي آن ميتوان ــد
84اجرا شود.
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
يک نوع عامل هدفگرا ،عامل حل مسئله ناميده ميشود.
عاملهاي حل مس له توسط يافتن ترتيب عمليات تصميم ميگيرند که چه انجام دهند تا
آنها را به حالتهاي مطلوب سوق دهد.
85
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي حل مس له
ً
عاملهاي هوشمند به طريقي عمل ميکنند که محيط مستقيما به داخل دنباله حالتهايي
وارد شود که معيار کارآرايي را افزايش ميدهند.
عمليات به گونهاي سادهسازي ميشوند که عامل قادر باشد تا هدفي را قبول کرده و به آن
برسد.
الگوريتم جستجو مسئلهاي را به عنوان ورودي دريافت نموده و راهحلي را به صورت دنباله
عمليات بر ميگرداند.
86
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
چهار نوع اساس ي از مسائل وجود دارند:
مسائل تک حالته )(Single-state
مسائل چند حالته )(Multiple-state
مسائل احتمالي )(Contingency
مسائل اکتشافي )(Exploration
87
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
دانش و انواع مس له
دنياي مکش (جاروبرقي):
اگر دنيا حاوي دو محل باشد:
هر محل ممکن است که شامل خاک باشد و يا نباشد و عامل ممکن است که در يک محل يا
ديگر محلها باشد؛ که داراي هشت حالت متفاوت خواهد بود.
هدف تميز کردن تمام خاکهاست که در اينجا معادل با مجموعه حالت {8و }7است.
88
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مدلهاي مختلف براي مسئله جاروبرقي:
مدل تک حالته:حسگرهاي عامل به آن اطالعات کافي ميدهند تا وضعيت دقيق مشخص شود( .دنيا قابل
دسترس ي است) .عامل ميتواند محاسبه کند که کدام وضعيت پس از هر دنباله از
عمليات قرار خواهد گرفت.
89
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مدل چند حالته:عامل تمام اثرهاي عملياتش را ميداند اما دسترس ي به حالت دنيا را محدود کرده است.
ً
زماني که دنيا تماما قابل دسترس ي نيست عامل بايد در مورد مجموعه حالتهايي که
ممکن است به آن برسد استدالل کند.
90
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مدل احتمالي:با اين مدل حل مسئله ،حسگرهايي را در طول فاز اجرايي نياز داريم .عامل اکنون بايد تمام
درخت عملياتي را بر خالف دنباله عملياتي منفرد ،محاسبه کند .که به طور کلي هر شاخه
درخت ،با يک امکان احتمالي که از آن ناش ي ميشود ،بررس ي ميشود.
91
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مدل اکتشافي:عاملي که هيچ اطالعاتي در مورد اثرات عملياتش ندارد.
در اين حالت ،عامل بايد تجربه کند و به تدريج کشف کند که چه عملياتي بايد انجام شود و
چه وضعيتهايي وجود دارند .اين روش يک نوع جستجو است.
اگر عامل نجات يابد« ،نقشهاي» از محيط را ياد ميگيرد که ميتواند مسائل بعدي را حل کند.
92
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
جستجو با اطالعات ناقص
مسئله هاي فاقد حسگر :اگر عامل فاقد حسگر باشد ،ميتواند در يکي از چند حالت اوليه
باشد و هر فعاليت ميتواند آن را به يکي از چند حالت جانشين ببرد
مسئله هاي اقتضايي :اگر محيط به طور جزئي قابل مشاهده باشد يا اگر فعاليتها قطعي
نباشد ،ادراکات عامل ،پس از هر عمل ،اطالعات جديدي را تهيه ميکنند .هر ادراک ممکن ،اقتضايي را
تعريف ميکند که بايد براي آن برنامه ريزي شود
مسائل خصمانه :اگرعدم قطعيت در اثر فعاليتهاي عامل ديگري بوجود آيد ،مسئله را
خصمانه گويند
مسئله هاي اکتشافي :وقتي حالتها و فعاليتهاي محيط ناشناخته باشند ،عامل بايد سعي کند آنها
را کشف کند .مسئله هاي اکتشافي را ميتوان شکل نهايي مسئله هاي اقتضايي دانست
93
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مثال :دنياي جاروبرقي فاقد حسگر
عام ا اال ج ا ااارو تم ا ااام اث ا ارات فعاليته ا ااايش را ميدان ا ااد ام ا ااا
فاقد حسگر است.
حال ا ا ا ا ا ا ا ا ا ا ا ا ا ا اات اولي ا ا ا ا ا ا ا ا ا ا ا ا ا ا ااه آن يک ا ا ا ا ا ا ا ا ا ا ا ا ا ا ااي از اعض ا ا ا ا ا ا ا ا ا ا ا ا ا ا اااي
مجموعه{ }1،2،3،4،5،6،7،8ميباشد
فعاليت ((Right
فعاليت ()Right,Suck
{}2،4،6،8
{}4،8
فعالي ا ا ا ا ا ا اات ( )Right,Suck,Left,Suckتض ا ا ا ا ا ا اامين
ميکنااد کااه صاارف نظاار از حالاات اوليااه ،بااه حالاات هاادف،
يعني 7برسد
94
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
دنياي جاروبرقي
فاقد حسگر
عاماال بايااد راجااع بااه مجموعااه هاااي
ح ا ا ااالتي ک ا ا ااه ميتوان ا ا ااد ب ا ا ااه آنه ا ا ااا برس ا ا ااد
اسااتدالل کنااد .اياان مجموعااه از حالته اا
را حالت باور گوييم.
اگ اار فض اااي حال اات فيزيک ااي داراي s
حالت باشاد فضااي حالات بااور 2^s
حالت باور خواهد داشت.
95
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
براي تعريف يک مسئله موارد زير نياز داريم:
وضعيت آغازين ( )initial stateکه عامل خودش از بودن در آن آگاه است.
مجموعهاي از عمليات ممکن ،که براي عامل قابل دسترس ي باشد.
آزمون هدف ( ،)goal testکه عامل ميتواند در يک تعريف وضعيت منفرد آن را تقاضا
کند تا تعيين گردد که آن حالت ،وضعيت هدف است يا خير.
تابع هزينه مسير ،تابعي است که براي هر مسير ،هزينهاي را در نظر ميگيرد؛ و با حرف g
مشخص ميشود.
هزينه يک سفر= مجموع هزينه‌هاي عمليات اختصاص ي در طول مسير
96
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
براي حل مسئله چند حالته ،فقط به يک اصالح جزئي نياز داريم:
يک مسئله شامل:
يک مجموعه حالت اوليه
مجموعهاي از عملگرهاي ويژه براي هر عمل به گونهاي که از هر وضعيت داده شده
مجموعهاي حاالت رسيده شده و يک آزمون هدف و تابع هزينه مسير را معين کند.
97
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
يک عملگر:
توسط اجتماع نتايج اعمال عملگر در هر وضعيت مجموعه ،به کار برده ميشود.
يک مسير:
مجموعه حاالت را مرتبط ميکند.
يک راه حل:
مسيري است که به مجموعهاي از حاالت که تمام آنها ،وضعيت هدف هستند ،سوق
ميدهند.
98
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
اندازهگيري کارايي حل مس له:
کارايي يک جستجو ،حداقل از سه طريق ميتواند اندازهگيري شود:
.1آيا اين جستجو راه حلي پيدا ميکند؟
.2آيا راه حلي مناسبي است؟
.3هزينه جستجو از نظر زماني و حافظه مورد نياز براي يافتن راه حل چيست؟
مجموع هزينه جستجو= هزينه مسير +هزينه جستجو
عامل بايد تصميم بگيرد که چه منابعي را فداي جستجو و چه منابعي را صرف اجرا کند.
99
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مثال :نقشه روماني
100
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مثال :نقشه روماني
صورت مسأله :رفتن از آراد به بخارست
فرموله کردن هدف :رسيدن به بخارست
فرموله کردن مس له:
وضعيتها :شهرهاي مختلف
فعاليتها :حرکت بين شهرها
جستجو :دنباله اي از شهرها مثل:آراد ،سيبيو ،فاگارس ،بخارست
اين جستجو با توجه به کم هزينه ترين مسير انتخاب ميشود
101
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مس له
حالت اوليه :حالتي که عامل از آن شروع ميکند.
در مثال روماني :شهر آراد )n(Arad
تابع جانشين :توصيفي از فعاليتهاي ممکن که براي عامل مهيا است.
در مثال رومانيS(Arad)={ Zerind,Sibui,Timisoara} :
فضاي حالت :مجموعه اي از حالتها که از حالت اوليه ميتوان به آنها رسيد.
در مثال روماني :کليه شهرها که با شروع از آراد ميتوان به آنها رسيد
تابع جانشين +حالت اوليه = فضاي حالت
102
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
آزمون هدف :تعيين ميکند که آيا حالت خاص ي ،حالت هدف است يا خير
هدف صريح :در مثال روماني ،رسيدن به بخارست
هدف انتزاعي :در مثال شطرنج ،رسيدن به حالت کيش و مات
مسير :دنباله اي از حالتها که دنباله اي از فعاليتها را به هم متصل ميکند.
در مثال روماني Arad, Sibiu, Fagaras :يک مسير است
هزينه مسير :براي هر مسير يک هزينه عددي در نظر ميگيرد.
در مثال روماني :طول مسير بين شهرها بر حسب کيلومتر
راه حل مس له مسيري از حالت اوليه به حالت هدف است
راه حل بهينه کمترين هزينه مسير را دارد
103
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مثال :دنياي جارو برقي
حالتهااا :دو مک ااان ک ااه هاار يااک ممکاان اساات کثي ااف ي اا
تميز باشند.لذا 2 *2^2 = 8حالت در ايان جهاان وجاود
دارد
حال اات اولي ااه :ه اار ح ااالتي ميتوان ااد ب ااه عن ااوان حال اات
اوليه طراحي شود
تا ا ااابع جانشا ا ااين :حالتها ا اااي معتبا ا اار از سا ا ااه عمليا ا ااات:
راست ،چپ ،مکش
آزمون هدف :تميزي تمام مربعها
هزينه مسير :تعداد مراحل در مسير
104
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مثال :دنياي جارو برقي
حالتهااا :دو مکااان کااه هاار يااک ممکاان اساات کثيااف ي اا
تميز باشند.لذا 2 *2^2 = 8حالت در ايان جهاان وجاود
دارد
حال اات اولي ااه :ه اار ح ااالتي ميتوان ااد ب ااه عن ااوان حال اات
اوليه طراحي شود
تا ا ااابع جانشا ا ااين :حالتها ا اااي معتبا ا اار از سا ا ااه عمليا ا ااات:
راست ،چپ ،مکش
آزمون هدف :تميزي تمام مربعها
هزينه مسير :تعداد مراحل در مسير
105
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مثال :معماي8
حالتها :مکان هر هشت خانه شماره دار و خانه خالي در يکي از 9خانه
حالت اوليه :هر حالتي را ميتوان به عنوان حالت اوليه در نظر گرفت
تااابع جانشااين :حالتهاااي معتباار از چهااار عماال ،انتقااال خانااه خااالي باه چااپ،
راست ،باال يا پايين
آزمااون هاادف :بررسا ي ميکنااد کااه حااالتي کااه اعااداد بااه ترتيااب چيااده شاده
اند(طبق شکل روبرو) رخ داده يا نه
هزينه مسير :برابر با تعداد مراحل در مسير
106
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مثال :معماي8
حالتها :مکان هر هشت خانه شماره دار و خانه خالي در يکي از 9خانه
حالت اوليه :هر حالتي را ميتوان به عنوان حالت اوليه در نظر گرفت
تاابع جانشااين :حالتهاااي معتباار از چهاار عماال ،انتقااال خاناه خااالي باه چااپ،
راست ،باال يا پايين
آزماون هادف :بررسا ي ميکناد کاه حااالتي کاه اعاداد بااه ترتياب چياده شاده
اند(طبق شکل روبرو) رخ داده يا نه
هزينه مسير :برابر با تعداد مراحل در مسير
107
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مثال :مس له 8وزير
فرمول بندي افزايش ي
حالتها :هر ترتيبي از 0تا 8وزير در صفحه ،يک حالت است
حالت اوليه :هيچ وزيري در صفحه نيست
تابع جانشين :وزيري را به خانه خالي اضافه ميکند
آزمااون هاادف8 :وزياار در صاافحه وجااود دارنااد و هاايچ کاادام بااه
يکديگر گارد نميگيرند
در اين فرمول بندي بايد 3*10^14دنباله ممکن
بررس ي ميشود
108
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مثال :مس له 8وزير
فرمول بندي افزايش ي
حالتها :هر ترتيبي از 0تا 8وزير در صفحه ،يک حالت است
حالت اوليه :هيچ وزيري در صفحه نيست
تابع جانشين :وزيري را به خانه خالي اضافه ميکند
آزمااون هاادف8 :وزياار در صاافحه وجااود دارنااد و هاايچ کاادام بااه
يکديگر گارد نميگيرند
109
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مثال :مس له 8وزير
فرمول بندي حالت کامل
حالتهاا :چيادمان nوزيار ) ،(0≤ n≤ 8بطوريکاه در هار ساتون از n
س ااتون س اامت چ ااپ ،ي ااک وزي اار قا ارار گي اارد و ه اايچ دو وزي ااري به اام گا ااارد
نگيرند
حالت اوليه :با 8وزير در صفحه شروع ميشود
تابع جانشين :وزيري را در سمت چپ ترين ستون خالي قارار ميدهاد،
بطوري که هيچ وزيري آن را گارد ندهد
آزمااون هاادف8 :وزياار در صاافحه وجااود دارنااد و هاايچ کاادام بااه يکااديگر
گارد نميگيرند
اين فرمول بندي فضاي حالت را از 3*10^14به
2057کاهش ميدهد
110
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
مثال :مس له 8وزير
فرمول بندي حالت کامل
حالتهاا :چيادمان nوزيار ) ،(0≤ n≤ 8بطوريکاه در هار ساتون از n
س ااتون س اامت چ ااپ ،ي ااک وزي اار قا ارار گي اارد و ه اايچ دو وزي ااري به اام گا ااارد
نگيرند
حالت اوليه :با 8وزير در صفحه شروع ميشود
تابع جانشين :وزيري را در سمت چپ ترين ستون خالي قرار ميدهد،
بطوري که هيچ وزيري آن را گارد ندهد
آزمااون هاادف8 :وزياار در صاافحه وجااود دارنااد و هاايچ کاادام بااه يکااديگر
گارد نميگيرند
111
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
اندازه گيري کارايي حل مس له
کام اال ب ااودن :آيااا الگااوريتم تضاامين ميکنااد کااه در صااورت وجااود راه حاال ،آن را
بيابد؟
بهينگي :آيا اين راهبرد ،راه حل بهينه اي را ارائه ميکند.
پيچيدگي
زماني :چقدر طول ميکشد تا راه حل را پيدا کند؟
تعداد گره هاي توليد شده در اثناي جستجو
پيچيدگي فضا :براي جستجو چقدر حافظه نياز دارد؟
حداکثر تعداد گره هاي ذخيره شده در حافظه
112
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
اندازه گيري کارايي حل مس له
کام اال ب ااودن :آيااا الگااوريتم تضاامين ميکنااد کااه در صااورت وجااود راه حاال ،آن را
بيابد؟
بهينگي :آيا اين راهبرد ،راه حل بهينه اي را ارائه ميکند.
پيچيدگي
زماني :چقدر طول ميکشد تا راه حل را پيدا کند؟
تعداد گره هاي توليد شده در اثناي جستجو
پيچيدگي فضا :براي جستجو چقدر حافظه نياز دارد؟
حداکثر تعداد گره هاي ذخيره شده در حافظه
113
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
جستجوي ناآگاهانه
ناآگاهي اين است که الگوريتم هيچ اطالعاتي غير از تعريف مسئله در اختيار ندارد
اين الگوريتمها فقط ميتواند جانشينهايي را توليد و هدف را از غير هدف تشخيص دهند
راهبردهايي که تشخيص ميدهد يک حالت غير هدف نسبت به گره غير هدف ديگار ،امياد بخاش تار اسات،
جست و جوي آگاهانه يا جست و جوي اکتشافي ناميده ميشود.
راهبردها
114
جست و جوي عرض ي
جست و جوي عمقي
جست و جوي عمقي محدود
جست و جوي عميق کننده تکراري
جست و جوي دو طرفه
جست و جوي هزينه يکنواخت
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
جستجوي عرض ي
A
D
C
I
H
Q
115
B
P
G
O
N
F
M
L
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
E
K
J
حل مس له با جستجو
جستجوي عرض ي
کامل بودن :بله
بهينگي :بله (مشروط)
بله (مشروط)
در صورتي بهينه است که هزينه مسير ،تابعي غير نزو لي از عمق گره
باشد(.مثل وقتي که فعاليتها هزينه يکساني دارند)
116
پيچيدگي زماني:
d1
پيچيدگي فضا:
d1
) O(b
) O(b
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
جستجوي هزينه يکنواخت
اين جستجو گره nرا با کمترين هزينه مسير بسط ميدهد
A
3
1
D
C
I
B
H
Q
117
1
P
G
O
N
F
M
L
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
E
K
J
حل مس له با جستجو
جستجوي هزينه يکنواخت
کامل بودن :بله
هزينه هر مرحله بزرگتر يا مساوي يک مقدار ثابت و مثبت ε
مسير با حرکت در مسير افزايش مي يابد)
بهينگي :بله
هزينه هر مرحله بزرگتر يا مساوي εباشد
پيچيدگي زماني:
پيچيدگي فضا:
118
)
)
] [C*/
O(b
] [C*/
O(b
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
باشد(.هزينه
حل مس له با جستجو
جستجوي عمقي
A
D
C
I
B
H
6
G
2
E
F
3
7
Q
P
O
N
M
L
K
5
119
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
J
4
حل مس له با جستجو
جستجوي عمقي
خير
بودن:
بودن:
کاملکامل
اگر زير درخت چپ عمق نامحدود داشت و فاقد هر گونه راه حل باشد،
جستجو هرگز خاتمه نمي يابد.
خير
بهينگي:
بهينگي:
120
m
پيچيدگي زماني:
) O(b
پيچيدگي فضا:
)O(bm
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
جستجوي عمقي محدود
مسئله درختهاي نامحدود ميتواند به وسيله جست و جوي عمقي با عمق محدود Lبهبود
يابد
A
D
C
I
H
Q
121
B
P
G
O
N
F
M
L
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
E
K
J
حل مس له با جستجو
جستجوي عمقي محدود
خير
بودن:
بودن:
کاملکامل
اين
اگر L<dو سطحي ترين هدف در خارج از عمق محدود قرار داشته باشد،
راهبرد کامل نخواهد بود.
خير
بهينگي:
بهينگي:
اگر L>dانتخاب شود ،اين راهبرد بهينه نخواهد بود.
122
پيچيدگي زماني:
) O(b
پيچيدگي فضا:
)O(bL
L
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
جستجوي عميق کننده تکراري
A
D
C
I
H
Q
123
B
P
G
O
N
F
M
L
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
E
K
J
حل مس له با جستجو
جستجوي عميق کننده تکراري
A
D
C
I
H
Q
124
B
P
G
O
N
F
M
L
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
E
K
J
حل مس له با جستجو
جستجوي عميق کننده تکراري
A
D
C
I
S
125
B
H
R
Q
P
G
O
N
F
M
L
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
E
K
J
حل مس له با جستجو
جستجوي عميق کننده تکراري
بله
بودن:
بودن:
کاملکامل
در صورتي که فاکتور انشعاب محدود باشد
بله
بهينگي:
بهينگي:
وقتي که هزينه مسير ،تابعي غير نزو لي از عمق گره باشد
126
d
پيچيدگي زماني:
) O(b
پيچيدگي فضا:
)O(bd
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
جستجوي دو طرفه
انجام دو جست و جوي همزمان ،يکي از حالت اوليه به هدف و ديگري از هدف به حالت اوليه
تا زماني که دو جست و جو به هم برسند
127
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
جستجوي دو طرفه
بله
بودن:
بودن:
کاملکامل
اگر هر دو جستجو ،عرض ي باشند و هزينه تمام مراحل يکسان باشد
بله
بهينگي:
بهينگي:
اگر هر دو جستجو ،عرض ي باشند و هزينه تمام مراحل يکسان باشد
128
پيچيدگي زماني:
d/2
پيچيدگي فضا:
d/2
) O(b
) O(b
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حل مس له با جستجو
اجتناب از حالتهاي تکراري
وجود حالتهاي تکراري در يک مسئله قابل حل ،ميتواند آن را به مسئله غير قابل حل تبديل
کند
129
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ي:
اجتناب از حاالت تکرار
باراي مسااائل زيااادي ،حاااالت تکاراري غيرقاباال اجتناااب هسااتند .اياان شااامل تمااام مسااائلي ميشااود
که عملگرها قابل وارونه شدن باشند ،مانند مسائل مسيريابي و کشيشها و آدمخوارها.
130
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ي
کامپيوتر وجود دارد:
کار
فشار
ي براي مقابله با افزايش مرتبه و سرريز
سه راه براي حل مشکل حاالت تکرار
به حالتي که هم اکنون از آن آمدهايد ،برنگرديد .داشتن تابع بسط (يا مجموعه عملگرها) از توليد مابعدهايي که
مشابه حالتي هستند که در آنجا نيز والدين اين گرهها وجود دارند ،جلوگيري ميکند.
.1از ايجاد مسيرهاي دوار بپرهيزيد .داشتن تابع بسط (يا مجموعه عملگرها) از توليد مابعدهاي يک گره که
مشابه اجداد آن گره است ،جلوگيري ميکند.
ً
ً
.2حالتي را که قبال توليد شده است ،مجددا توليد نکنيد .اين مسئله باعث ميشود که هر حالت در حافظه
نگهداري شود ،پيچيدگي فضايي ) O(bdداشته باشد .بهتر است که به ) O(sتوجه کنيد که sتعداد کل
حاالت در فضاي حالت ورودي است.
131
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
:Cryptarithmetic
در مسائل کريپتاريتمتيک ،حروف به جاي ارقام مينشينند و هدف يافتن جايگزيني از اعداد براي حروف
ً
است که مجموع نتيجه از نظر رياض ي درست باشد .معموال هر حرف بايد به جاي يک رقم مختلف
بنشينند.
مثال:
F=2, O=9, R=7, etc.
132
29786
FORTY
+ 850
+ TEN
+ 850
+ TEN
----------
----------
31486
SIXTY
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
يک فرمول ساده:
حاالت :يک معماي Cryptarithmeticبا چند حروف جايگزين شده توسط ارقام.
ً
عملگرها :وقوع يک حروف را با يک رقم جايگزين کنيد که قبال در معما ظاهر نشده باشد.
آزمون هدف :معما فقط شامل ارقام است و يک مجموع صحيح را بر ميگرداند.
هزينه مسير :صفر -تمام راه حلهاي صحيح است.
133
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ميخواهيم که از تبديل جايگزينيهاي مشابه اجتناب کنيم:
قبول يک ترتيب ثابت مانند ترتيب الفبايي.
هر کدام که بيشترين محدوديت جايگزيني را دارد ،انتخاب کنيم؛ يعني حرفي که کمترين
امکان مجاز را دارند ،محدوديتهاي معما را ميدهد.
134
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
دنياي مکش:
مس له تک حالته :عامل از جاي خودش اطالع دارد و تمام مکانهاي آلوده را ميشناسد و
دستگاه مکنده ما درست کار ميکند.
حاالت :يکي از 8حالت نشان داده شده.
عملگرها :حرکت به چپ ،حرکت به راست ،عمل مکش.
آزمون هدف :هيچ خاکي در چهار گوشها نباشد.
هزينه مسير :هر عمل ارزش 1دارد.
135
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
136
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مس له چند حالته :عامل داراي حسگر نميباشد.
مجموعه وضعيتها :زير مجموعهاي از حاالت.
عملگرها :حرکت به چپ ،حرکت به راست ،عمل مکش.
آزمون هدف :تمام حاالت در مجموعه حالتها فاقد خاک باشند.
هزينه مسير :هر عمل هزينه 1دارد.
137
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مس له کشيشها و آدمخوارها:
سه کشيش و سه آدم خوار در يک طرف رودخانه قرار دارند و هم چنين قايقي که قادر
است يک يا دو نفر را حمل کند .راهي را بيابيد که هر نفر به سمت ديگر رودخانه برود،
بدون آنکه تعداد کشيشها در يکجا کمتر از آدم خوارها شود.
138
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حاالت :يک حالت شامل يک دنبالة مرتب شده از عدد است که تعداد کشيشها ،تعداد
آدمخوارها و محل قايق در ساحلي از رودخانه که از آنجا مسئله شروع شده را نمايش ميدهد.
عملگرها :از هر حالت ،عملگرهاي ممکن يک کشيش ،يک آدمخوار ،دو کشيش ،دو آدمخوار،
يا يکي از هر کدام را در قايق جا ميدهند.
آزمون هدف :رسيدن به حالت(0و 0و .)0
هزينه مسير :تعداد دفعات عبور از رودخانه.
139
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل دنياي واقعي
مسيريابي:
الگوريتمهاي مسير يابي کاربردهاي زيادي دراند ،مانند مسيريابي در شبکههاي کامپيوتري،
سيستمهاي خودکار مسافرتي و سيستمهاي برنامهنويس ي مسافرتي هوايي.
140
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل فروشنده دوره گرد و تور :
مسئله فروشنده دوره گرد مسئله مشهوري است که در آن هر شهر حداقل يکبار بايد مالقات
شود هدف يافتن کوتاهترين مسير است.
عالوه بر مکان عامل ،هر حالت بايد مجموعه شهرهايي را که عامل مالقات کرده ،نگه دارد.
عالوه بر برنامهريزي صفر براي فروشنده دورهگرد ،اين الگوريتمها براي اعمالي نظير برنامهريزي
حرکات مته خوردکار سوراخکننده برد مدار استفاده ميشود.
141
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
طرح : VISI
ابزار طراحي کمکي کامپيوتري در هر فازي از پردازش استفاده ميشود دو وظيفه بسيار مشکل
عبارتند از:
Channel routing
Cell layout
که بعد از اينکه ارتباطات و اتصاالت مدار کامل شد ،اين دو قسمت انجام ميشوند.
142
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هدف طراحي مداري روي تراشه است که کمترين مساحت و طول اتصاالت و بيشترين سرعت را داشته
باشد.
هدف قرار دادن سلولها روي تراشه به گونهاي است که آنها روي هم قرار نگيرند و بنابراين فضايي نيز براي
سيمهاي ارتباطي وجود دارد که بايد بين سلولها قرار گيرند.
کاناليابي ،مسير ويژهاي را براي هر سيم که از فواصل بين سلولها استفاده ميکند ،پيدا ميکند.
143
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هدايت ربات:
يک ربات ميتواند در يک فضاي پيوسته با يک مجموعه نامحدودي از حاالت و عمليات
ممکن حرکت کند.
رباتهاي واقعي بايد قابليت تصحيح اشتباهات را در خواندن حسگرها و کنترل موتور
داشته باشند.
144
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
خط توليد خودکار:
در مسائل سرهمبندي ،مشکل يافتن قانوني است که تکههاي چند شيئي را جمع کند .اگر ترتيب
نادرست انتخاب شود ،راهي نيست که بتوان قسمتهاي بعدي را بدون از نو انجام دادن
قسمتهاي قبلي ،اضافه کرد.
کنترل يک مرحله در دنباله ،يک مسئله جستجوي پيچيدة هندس ي است که ارتباط نزديکي با
هدايت ربات دارد .از اين رو توليد مابعدهاي مجاز گرانترين قسمت دنباله سرهمبندي است و
استفاده از الگوريتمهاي آگاهانه براي کاهش جستجو ،ضروري است.
145
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
فصل چهارم
جست و جوي آگاهانه و اکتشاف
146
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
Artificial Intelligence
فهرست
متدهاي جست و جوي آگاهانه
يادگيري براي جست و جوي بهتر
ي
جست و جوي محلي و بهينه ساز
جست و جوي محلي در فضاهاي پيوسته
عاملهاي جست و جوي Online
147
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
متدهاي جستجوي آگاهانه
بهترين جستجو
حريصانه
تپه نوردي
A*
IDA*
RBFS
شبيه سازي حرارت
پرتو محلي
MA* و*SMA
148
جستجوي محلي
بهينه سازي
الگوريتمهاي ژنتيک
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
و
جستجوي بهترين:
اين استراتژي به اين صورت بيان ميشود که در يک درخت ،زماني که گرهها مرتب ميشوند،
گرهاي که بهترين ارزيابي را داشته باشد ،قبل از ديگر گرهها بسط داده ميشود.
ً
هدف :يافتن راهحلهاي کمهزينه است ،اين الگوريتمها عموما از تعدادي معيار تخمين براي
هزينه راهحلها استفاده ميکنند و سعي بر حداقل کردن آنها دارند.
149
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
حداقل هزينه تخمين زده شده براي رسيدن به هدف :جستجوي حريصانه
يکي از سادهترين استراتژيهاي جستجوي بهترين ،به حداقل رساندن هزينه تخمين زده شده
براي رسيدن به هدف است .بدين صورت که حالت گرهاي که به حالت هدف نزديکتر است،
ابتدا بسط داده ميشود.
ً
تابع کشفکننده :هزينه رسيدن به هدف از يک حالت ويژه ميتواند تخمين زده شود اما دقيقا
تعيين نميشود .تابعي که چنين هزينههايي را محاسبه ميکند تابع کشفکننده hناميده
ميشود.
جستجوي حريصانه :جستجوي بهترين که hرا به منظور انتخاب گره بعدي براي بسط
استفاده ميکند ،جستجوي حريصانه ) (greedy searchناميده ميشود.
150
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ويژگيهاي جستجوي حريصانه:
جستجوي حريصانه از لحاظ دنبال کردن يک مسير ويژه در تمام طول راه به طرف هدف ،مانند جستجوي
عمقي است ،اما زماني که به بنبست ميرسد ،برميگردد.
اين جستجو بهينه نيست و ناکامل است.
پيچيدگي زماني در بدترين حالت براي جستجوي حريصانه ) ،O(bmکه mحداکثر عمق فضاي جستجو
است.
جستجوي حريصانه تمام گرهها را در حافظه نگه ميدارد ،بنابراين پيچيدگي فضاي آن مشابه پيچيدگي زماني
آن است.
ميزان کاهش پيچيدگي به مسئله و کيفيت تابع hبستگي دارد.
151
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
تعاريف
تابع هزينه مسير : g(n) ،هزينه مسير از گره اوليه تا گره n
تابع اکتشافي : h(n) ،هزينه تخميني ارزان ترين مسير از گره nبه گره هدف
تابع بهترين مسير : h*(n) ،ارزان ترين مسير از گره nتا گره هدف
تابع ارزيابي : f(n) ،هزينه تخميني ارزان ترين مسير از طريق n
)f(n): g(n) + h(n
: f*(n)هزينه ارزان ترين مسير از طريقn
152
)f*(n): g(n) + h*(n
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
جستجوي حريصانه
A
1
2
3
B
C
1
1
2
G
3
3
3
Z
153
1
3
F
1
1
O
2
Y
2
2
N
2
1
M
L 3
K
1
2
3
V
U
1
X
0
W
1
2
5
E
2
1
1
2
3
1
D
3
1
I 3
3
2
3
2
T
S
2
R
2
Q
1
J
0
1
3
1
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
H
2
3
P
3
جست و جوي آگاهانه و اکتشاف
جستجوي حريصانه
A
2
2
3
1
C
1
1
23
3
O
F
1
1
2
3
E
4
N
1
X
0
1
1
5
5
154
3
G
3
B
1
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
D
جست و جوي آگاهانه و اکتشاف
جستجوي حريصانه
A
1
4
2
B
C
1
1
3
G
3
3
3
Z
155
1
3
F
1
1
O
2
Y
2
2
N
1
X
0
2
1
1
1
1
5
E
1
3
M
L 3
K
1
2
3
0
D
3
3
1
1
I 3
3
2
3
2
T
S
2
R
2
Q
1
J
U
V
W
1
2
1
) 1هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
H
2
3
P
3
جست و جوي آگاهانه و اکتشاف
جستجوي حريصانه
A
1
4
2
1
1 B
C
2
3
1
1
3
K
5
D
E
3
J
0
156
1
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
1
جست و جوي آگاهانه و اکتشاف
جستجوي حريصانه
کامل بودن :خير
اما اگر * h = hآنگاه جستجو کامل ميشود
بهينگي :خير
اما اگر * h = hآنگاه جستجو کامل ميشود
پيچيدگي زماني:
m
) O(b
اما اگر * h = hآنگاه ) O(bd
پيچيدگي فضا:
) O(bm
اما اگر * h = hآنگاه ) O(bd
157
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ي *A
حداقل‌سازي مجموع هزينه مسير :جستجو
جستجو با هزينه يکسان ،هزينه مسير g(n) ،را نيز حداقل ميکند.
با ترکيب دو تابع ارزيابي داريم:
)f(n) = g(n) + h(n
) :g(nهزينه مسير از گره آغازين به گره nرا به ما ميدهد.
) :h(nهزينه تخمين زده شده از ارزانترين مسير از nبه هدف است
و ما داريم:
هزينه تخمين زده شده ارزانترين راه حل از طريق f(n) = n
158
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
جستجوي *A
A/5
2
1
B/4
C/4
1
1
1
G/2
3
O/3
3
Z/1
159
2
Y/2
F/3
1
2
E/1
1
N/1
M/2
1
1
2
W/1
V/2
X/0
1
3
L/3
D/5
3
J/1
K/0
3
U/1
3
3
T/1
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
I/3
2
S/2
1
H/2
3
2
R/2
Q/1
3
P/3
جست و جوي آگاهانه و اکتشاف
جستجوي *A
A/5
1
51
6
C/4
8
3
B/4
1
1
42
2
G/2
5
F/3
1
3
O/3
N/1 4
1
X/0
160
4
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
جستجوي *A
A/5
2
1
B/1
C/4
1
1
1
G/2
3
O/3
3
Z/1
161
2
Y/2
F/3
1
2
E/1
1
N/1
M/2
1
1
2
W/1
V/2
X/0
1
3
L/3
D/5
3
J/1
K/0
3
U/1
3
3
T/1
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
I/3
2
S/2
1
H/2
3
2
R/2
Q/1
3
P/3
جست و جوي آگاهانه و اکتشاف
جستجوي *A
A/5
1
53
8
3
3B/1
C/4
1
1
44
2
1
5
F/3
G/2
1
2
4
3
1
8
D/5
E/1
3
5
O/3
N/1 4
K/0 6
J/1
1
X/0
162
4
1
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
7
جست و جوي آگاهانه و اکتشاف
جستجوي *A
A/5
2
1
B/1
C/9
1
1
1
G/2
3
O/3
3
Z/1
163
2
Y/2
F/3
1
2
E/1
1
N/1
M/2
1
1
2
W/1
V/2
X/0
1
3
L/3
D/5
3
J/1
K/0
3
U/1
3
3
T/1
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
I/3
2
S/2
1
H/2
3
2
R/2
Q/1
3
P/3
جست و جوي آگاهانه و اکتشاف
جستجوي *A
A/5
1
10
2
B/1
3
C/9
2
4
3
K/0
1
8
D/5
3
J/1
6
164
1
E/1
3
1
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
1
جست و جوي آگاهانه و اکتشاف
جستجوي *A
کامل بودن :بله
بهينگي :بله
پيچيدگي زماني:
) O(bm
اما اگر * h = hآنگاه
) O(bd
پيچيدگي فضا:
) O(bm
اما اگر * h = hآنگاه ) O(bd
165
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
جستجوي *A
A
1
C 4
1
0
A
1
1
3 B
1
C 2
1
166
1 B
1
E 1
2 D
E 1
1 D
1
1
1
1
G
1 F
0
G
1
*h ≤/ h
1
0 H
*h ≤ 4h
) هوش مصنوعی راسل -نورویک( - 3 - 2 - 1
1 F
1
0 H
جست و جوي آگاهانه و اکتشاف
جستجوي *A
A
1
C 4
1
E 1
1
0
G
A
1
1
B
1
3
1
4
C 2
1
2
2
D
1
F
1
E
1
1
3
0
5
6
G
1
4
0 H
*h ≤/ h
167
*h ≤ 4h
) هوش مصنوعی راسل -نورویک( - 3 - 2 - 1
1
1
B
1
1
2
1
D
1
F
3
1
1
0 H
جست و جوي آگاهانه و اکتشاف
ي
جستجوي * Aو اجتناب از گره هاي تکرار
A/100
10
D/90
I/87
V/83
C/95
M/75
U/81
P/79
T/60
O/78
X/58
G/90
W/52
Z/50
هزينه هر مرحله 10ميباشد
168
B/80
L/80
F/78
K/85
N/72
Y/47
R/20
Q/0
E/86
T/60
X/58
M/75
S/70
W/52
- 3 Z/50
) هوش مصنوعی راسل -نورویک( - 2 - 1
Y/47 4
P/79
O/78
J/82
H/80
جست و جوي آگاهانه و اکتشاف
ي
جستجوي * Aو اجتناب از گره هاي تکرار
A/100
8
3
100 D/90
105 C/95
B/80 90
I/87 107
T/60 80
F/78 98
G/90 110
5
P/79
O/78
109
108
88 X/58
N/72 102
82 W/52
6
T/60 100
9
87 Y/47
Z/50 90
S/70 110
7
169
2
4
95 M/75
1
R/20
Q/0
70
50
10
X/58 108
102 W/52
- 3 Z/50
-2-1
) هوش مصنوعی راسل -نورویک(
110
107 Y/47 4
M/75 105
106 E/86
جست و جوي آگاهانه و اکتشاف
مثال ديگر از جستجوي *A
)f(n)=g(n) + h(n
170
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
جستجوي * Aدر نقشه روماني
جستجوي Bucharestبا شروع از Arad
f(Arad) = g(Arad)+h(Arad)=0+366=366
171
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
جستجوي * Aدر نقشه روماني
ََ Aradرا باز کرده و ) f(nرا براي 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
بهترين انتخاب شهر Sibiuاست
172
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
در نقشه رومانيA* جستجوي
: را براي هر يک از زيربرگها محاسبه ميکنيمf(n) را باز کرده وSibiuََ
f(Arad)=c(Sibiu,Arad)+h(Arad)=280+366=646
f(Fagaras)=c(Sibiu,Fagaras)+h(Fagaras)=239+179=415
f(Oradea)=c(Sibiu,Oradea)+h(Oradea)=291+380=671
f(Rimnicu Vilcea)=c(Sibiu,Rimnicu Vilcea)+ h(Rimnicu Vilcea)=220+192=413
استRimnicu Vilcea بهترين انتخاب شهر
4 - 3 - 2 - 1 ( نورویک- ) هوش مصنوعی راسل
173
جست و جوي آگاهانه و اکتشاف
در نقشه رومانيA* جستجوي
: را براي هر يک از زيربرگها محاسبه ميکنيمf(n) را باز کرده وRimnicu Vilceaََ
f(Craiova)=c(Rimnicu Vilcea, Craiova)+h(Craiova)=360+160=526
f(Pitesti)=c(Rimnicu Vilcea, Pitesti)+h(Pitesti)=317+100=417
f(Sibiu)=c(Rimnicu Vilcea,Sibiu)+h(Sibiu)=300+253=553
استFagaras بهترين انتخاب شهر
4 - 3 - 2 - 1 ( نورویک- ) هوش مصنوعی راسل
174
جست و جوي آگاهانه و اکتشاف
جستجوي * Aدر نقشه روماني
ََ Fagarasرا باز کرده و ) f(nرا براي 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
175
شهر
انتخاب
است 4 -
3 - 2 -Pitesti
!!! -نورویک( 1
راسل
مصنوعی
بهترين هوش
)
جست و جوي آگاهانه و اکتشاف
جستجوي * Aدر نقشه روماني
ََ Pitestiرا باز کرده و ) f(nرا براي هر يک از زيربرگها محاسبه ميکنيم:
f(Bucharest)=c(Pitesti,Bucharest)+h(Bucharest)=418+0=418
176
است
بهترين انتخاب شهر !!! Bucharest
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
جستجوي * Aدر نقشه روماني
177
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
کشفکنندگي قابل قبو ل:
تابع hاي را که هزينهاي بيش از تخمين براي رسيدن به هدف نداشته باشد ،يک کشفکنندگي
قابل قبول ) (admissible heuristicگويند.
جستجوي *:A
جستجوي بهترين که fبه عنوان تابع ارزياب و يک تابع hقابل قبول استفاده ميکند ،به عنوان
جستجوي * Aشناخته ميشود.
178
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
فتار جستجوي *A
ر
نگاهي گذرا به اثبات کامل و بهينه بودن *:A
مشاهده مقدماتي:
ً
تقريبا تمام کشفکنندگيهاي مجاز داراي اين ويژگي هستند که در طول هر مسيري از ريشه،
هزينه fهرگز کاهش پيدا نميکند.
اين خاصيت براي کشفکنندگي ،خاصيت يکنوايي ) (monotonicityگفته ميشود.
اگر يکنوا نباشد ،با ايجاد يک اصالح جزئي آن را يکنوا ميکنيم.
179
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
بنابراين هر گره جديدي که توليد ميشود ،بايد کنترل کنيم که آيا هزينة fاين گره از هزينه f
پدرش کمتر است يا خير .اگر کمتر باشد ،هزينة fپدر به جاي فرزند مينشيند:
بنابراين:
fهميشه در طول هر مسيري از ريشه غيرکاهش ي خواهد بود ،مشروط بر اينکه hامکانپذير
باشد.
180
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
) :h*(nهزينه واقعي رسيدن از nبه هدف است.
در استفاده عملي ،خطاها با هزينه مسير متناسب هستند ،و سرانجام رشد نمايي هر کامپيوتر
را تسخير ميکند .البته ،استفاده از يک کشفکنندگي خوب هنوز باعث صرفهجويي زيادي
نسبت به جستجوي ناآگاهانه ميشود.
ً
* Aمعموال قبل از اينکه دچار کمبود زمان شود ،دچار کمبود فضا ميشود .زيرا اين جستجو
تمام گرههاي توليد شده را در حافظه ذخيره ميکند.
181
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
جستجوي اکتشافي با حافظه محدود *IDA
ساااده تاارين راه باراي کاااهش حافظااه مااورد نياااز * Aاسااتفاده از عميااق کننااده تکارار در زمينااه
جست و جوي اکتشافي است.
الگوريتم عميق کننده تکرار *A
*IDA
در جستجوي * IDAمقدار برش مورد استفاده ،عمق نيست بلکه هزينه ) f(g+hاست.
IDA*براي اغلب مسئله هاي با هزيناه هااي مرحلاه اي ،مناساب اسات و از ساربار ناشا ي از
نگهداري صف مرتبي از گره ها اجتناب ميکند
182
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
بهترين جستجوي بازگشتي RBFS
ساااختار آن شاابيه جساات و جااوي عمقااي بازگشااتي اساات ،امااا بااه جاااي اينکااه دائمااا بااه طاارف
پ ااايين مس ااير حرک اات کن ااد ،مق اادار fمرب ااوط ب ااه بهت اارين مس ااير از ه اار ج ااد گ ااره فعل ااي را نگه ااداري
ميکنااد ،اگاار گااره فعلااي از اياان حااد تجاااوز کنااد ،بازگشااتي بااه عقااب برميگااردد تااا مسااير ديگااري را
انتخاب کند.
اين جستجو اگر تابع اکتشافي قابل قبولي داشته باشد ،بهينه است.
پيچيدگي فضايي آن ) O(bdاست
تعيين پيچيدگي زماني آن به دقات تاابع اکتشاافي و ميازان تغييار بهتارين مساير در اثار بساط گاره
ها بستگي دارد.
183
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
بهترين جستجوي بازگشتي RBFS
RBFSتا حدي از * IDAکارآمدتر است ،اما گره هاي زيادي توليد ميکند.
IDA* و RBFSدر مع اارز اف ازايش ت ااواني پيچي اادگي ق ارار دارن ااد ک ااه در جس اات و ج ااوي
گرافها مرسوم است ،زيرا نميتوانند حالتهاي تکاراري را در غيار از مساير فعلاي بررسا ي کنناد .لاذا،
ممکن است يک حالت را چندين بار بررس ي کنند.
IDA* و RBFSاز فضاااي اناادکي اسااتفاده ميکننااد کااه بااه آنهااا آساايب ميرساااندIDA* .
بااين هاار تک ارار فقااط يااک عاادد را نگهااداري ميکنااد کااه فعلااي هزينااه fاساات RBFS .اطالعااات
بيشتري در حافظه نگهداري ميکند
184
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
يادگيري براي جست و جوي بهتر
روشهاي جست و جوي قبلي ،از روشهاي ثابت استفاده ميکردند.
عامل با استفاده از فضاي حالت فراسطحي ميتواند ياد بگيرد که بهتر جست و جو کند
هاار حال اات در فض ــاي حال ــت ف ــرا س ــطحي ،حالاات(محاس ااباتي) داخلا ِاي برنام ااه اي را تس ااخير
ميکند که فضاي حالت سطح ش يء ،مثل روماني را جست و جو ميکند
الگااوريتم يــادگيري فراســطحي ميتوانااد چيزهااايي را از تجربيااات بياااموزد تااا زيردرختهاااي غياار
قابل قبول را کاوش نکند.
هدف يادگيري ،کمينه کردن کل هزينه ،حل مسئله است
185
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
توابع اکتشافي
مثال براي معماي8
ميانگين هزينه حل تقريبا 22مرحله و فاکتور انشعاب در حدود 3است.
ِ
جست و جوي جامع تا عمق 322 3.11010 : 22
با انتخاب يک تابع اکتشافي مناسب ميتوان مراحل جستجو را کاهش داد
186
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
دو روش اکتشافي متداول براي معماي8
تعداد کاشيها در مکانهاي نادرست
در حالت شروع
h1
h1 8
h1اکتشاف قابل قبولي است ،زيـرا هـر کاشـ ي
که در جاي نامناسبي قرار دارد ،حداقل يکبار
بايد جابجا شود
187
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
دو روش اکتشافي متداول براي معماي8
مجموعه فواصل کاشيها از موقعيتهاي هدف آنها
در حالت شروع
h2
h2 3 1 2 2 2 3 3 2 18
188
چااون کاشاانها نميتواننااد در امتااداد قطاار جااا بااه جااا شااوند,
فاصااله اي کااه محاساابه ميکناايم مجمااوع فواصاال افقاي و
عم ا ااودي اس ا اات .اي ا اان فاص ا االه را فاص ا االه بل ـ ــوک ش ـ ــهر ي ا ااا
فاصله مانهاتان مينامند.
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
دو روش اکتشافي متداول براي معماي8
مجموعه فواصل کاشيها از موقعيتهاي هدف آنها
h2
h2قابا اال قبا ااول اسا اات ،زي ا ارا ها اار جابجا ااايي کا ااه ميتوانا ااد
انجا ااام گيا اارد ،با ااه انا اادازه يا ااک مرحلا ااه با ااه ها اادف نزديا ااک
ميشود.
هيچ کدام از اين برآوردها ،هزينه واقعي راه حل نيست
هزينه واقعي 36است
189
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
اثر دقت اکتشاف بر کارايي
فاکتور انشعاب مؤثر *b
اگاار تعااداد گااره هااايي کااه باراي يااک مساائله خاااص توسااط * Aتوليااد ميشااود براباار بااا Nو عمااق راه حاال
برابر با dباشد ،آن گاه * bفاکتور انشعابي اسات کاه درخات يکناواختي باه عماق dباياد داشاته باشاد تاا
حاوي N+1گره باشد
)*N 1 b * (b*) ... (b
d
2
ً
فاکتور انشعاب مؤثر معموال براي مس له هاي سخت ثابت است
اناادازه گيراهاااي تجربااي * bباار روي مجموعااه کااوچکي از مساائله هااا ميتوانااد راهنمــاي خــوبي بــراي مفيــد
بودن اکتشاف باشد
مقدار * bدر اکتشافي با طراحي خوب ،نزديک 1است
190
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
اثر دقت اکتشاف بر کارايي
فاکتور انشعاب مؤثر
هزينه جست و جو
ميانگين گره هاي بسط يافته در جستجوي IDSو * Aو فاکتور
انشعاب مؤثر با استفاده از h1و h2
191
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ITERSTIVE
DEEPING
SEARCH
جست و جوي آگاهانه و اکتشاف
اثر دقت اکتشاف بر کارايي
اگر براي هر گره nداشته باشيمh2(n) >= h1(n) :
h2بر h1غالب است
غالب بودن مستقيما به کارايي ترجمه ميشود
تعداد گره هايي که با بکارگيري h2بسط داده ميشود ،هرگز بيش از بکارگيري h1نيست
هميشه بهتر است از تابع اکتشافي با مقادير بزرگ استفاده
کرد ،به شرطي که زمان محاسبه اکتشاف ،خيلي بزرگ
نباشد
192
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
الگوريتم هاي جست و جوي محلي و بهينه سازي
الگوريتم هاي قبلي ،فضاي جست و جو را به طور سيستماتيک بررس ي ميکنند
تا رسيدن به هدف يک يا چند مسير نگهداري ميشوند
مسير رسيدن به هدف ،راه حل مسئله را تشکيل ميدهد
در الگوريتم هاي محلي مسير رسيدن به هدف مهم نيست
مثال :مسئله 8وزير
دو امتياز عمده جست و جوهاي محلي
استفاده از حافظه کمکي
ارائه راه حلهاي منطقي در فضاهاي بزرگ و نامتناهي
اين الگوريتمها براي حل مسائل بهينه سازي نيز مفيدند
193
يافتن بهترين حالت بر اساس تابع هدف
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
الگوريتم هاي جست و جوي محلي و بهينه سازي
194
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
جست و جوي تپه نوردي
hill climbing search
حلقه اي که در جهت افزايش مقدار حرکت ميکند(بطرف باالي تپه)
رسيدن به بلندترين قله در همسايگي حالت فعلي ،شرط خاتمه است.
ساختمان داده گره فعلي ،فقط حالت و مقدار تابع هدف را نگه ميدارد
جست و جوي محلي حريصانه نيز نام دارد
بدون فکر قبلي حالت همسايه خوبي را انتخاب ميکند
تپه نوردي به داليل زير ميتواند متوقف شود:
195
بيشينه محلي
برآمدگي ها
فالت
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
جست و جوي تپه نوردي
انواع تپه نوردي:
تپه نوردي غيرقطعي ،تپه نوردي اولين انتخاب ،تپه نوردي شروع مجدد تصادفي
مثال :مس له 8وزير
مسئله 8وزير با استفاده از فرمولبندي حالت کامل
در هر حالت 8وزير در صفحه قرار دارند
تابع جانشين :انتقال يک وزير به مربع ديگر در همان ستون
تابع اکتشاف :جفت وزيرهايي که نسبت به هم گارد دارند
196
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
ب
مثال جست و جوي تپه نوردي
الف -حالت با هزينه h=17که مقدار hرا براي هر جانشين نشان ميدهد
ب -کمينه محلي در فضاي حالت 8وزير؛ h=1
197
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
الف
جست و جوي آگاهانه و اکتشاف
جست و جوي شبيه سازي حرارت
Simulated annealing
تپه نوردي مرکب با حرکت تصادفي
شبيه سازي حرارت :حرارت با درجه باال و به تدريج سرد کردن
مقايسه با حرکت توپ
توپ در فرود از تپه به عميق ترين شکاف ميرود
با تکان دادن سطح توپ از بيشينه محلي خارج ميشود
با تکان شديد شروع(دماي زياد)
بتدريج تکان کاهش(به دماي پايين تر)
با کاهش زمانبندي دما به تدريج ،الگوريتم يک بهينه عمومي را مي يابد
گير افتادن در ماکزيمم محلی :حرکت به چند گام قبل برای فرار از ماکزيمم محلی
198
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
جست و جوي پرتو محلي
به جاي يک حالت k ،حالت را نگهداري ميکند
حالت اوليه k :حالت تصادفي
گام بعد :جانشين همه kحالت توليد ميشود
اگر يکي از جانشين ها هدف بود ،تمام ميشود
وگر نه بهترين جانشين را انتخاب کرده ،تکرار ميکند
تفاوت عمده با جستجوي شروع مجدد تصادفي
در جست و جوي شروع مجدد تصادفي ،هر فرايند مستقل از بقيه اجرا ميشود
در جست و جوي پرتو محلي ،اطالعات مفيدي بين kفرايند موازي مبادله ميشود
جست و جوي پرتو غيرقطعي
به جاي انتخاب بهترين kاز جانشينها k ،جانشين تصادفي را بطوريکه احتمال انتخاب يکي تابعي صعودي از
مقدارش باشد ،انتخاب ميکند
199
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
الگوريتم هاي ژنتيک
ش ا ا ا ا ا ااکلي از جس ا ا ا ا ا اات و
ج ااوي پرت ااو غي اار قطع ااي
ک ااه حالته اااي جانش ااين
از طريا ا ا ا ااق ترکيا ا ا ا ااب دو
حال ا ا ا اات وال ا ا ا ااد تولي ا ا ا ااد
ميشود
200
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جست و جوي آگاهانه و اکتشاف
الگوريتم هاي ژنتيک
201
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
فصل پنجم
مسائل ارضاي محدوديت
202
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
Artificial Intelligence
فهرست
ارضاي محدوديت چيست؟
جست و جوي عقبگرد براي CSP
بررس ي پيشرو
پخش محدوديت
203
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
ارضاي محدوديت ( )CSPچيست؟
مجموعه متناهي از متغيرها؛ X1, X2, …, Xn
مجموعه متناهي از محدوديتها؛ C1, C2, …, Cm
دامنه هاي ناتهي براي هر يک از متغيرها؛ DX1,DX2,…,DXn
هر محدوديت Ciزيرمجموعه اي از متغيرها و ترکيبهاي ممکني از مقادير براي آن زيرمجموعه ها
هر حالت با انتساب مقاديري به چند يا تمام متغيرها تعريف ميشود
انتسابي که هيچ محدوديتي را نقض نکند ،انتساب سازگار نام دارد
انتساب کامل آن است که هر متغيري در آن باشد
راه حل CSPيک انتساب کامل است اگر تمام محدوديتها را برآورده کند
بعض ي از CSPها به راه حلهايي نياز دارند که تابع هدف را بيشينه کنند
204
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال :CSPرنگ آميزي نقشه
متغيرهاWA, NT, Q, NSW, V, SA, T :
دامنه{ :آبي ،سبز ،قرمز} = Di
محدوديتها :دو منطقه مجاور ،همرنگ نيستند
مثال WA ≠ NT :يعني ) (WA,NTعضو
{(قرمز,سبز(),قرمز,آبي(),سبز,قرمز)،
(سبز,آبي(),آبي,قرمز(),آبي,سبز)}
205
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
راه حل انتساب مقاديري است که محدوديتها را ارضا کند
206
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
گراف محدوديت
در گراف محدوديت:
گره ها :متغيرها
يالها :محدوديتها
گراف براي ساده تر کردن
جست و جو بکار ميرود
207
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال :CSPرمزنگاري
متغيرهاF,T,U,W,R,O,X1,X2,X3:
محدوديتها F,T,U,R,O,W :مخالفند
208
دامنه9{:و8و7و6و5و4و3و2و1و}0
... - O+O=R+10.X1 -
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
نمايش حالتها در CSPاز الگوي استانداردي پيروي ميکند
براي CSPميتوان فرمول بندي افزايش ي ارائه کرد:
حالت اوليه :انتساب خالي{} که در آن ،هيچ متغيري مقدار ندارد
تابع جانشين :انتساب يک مقدار به هر متغير فاقد مقدار ،به شرطي که با
متغيرهايي که قبال مقدار گرفتند ،متضاد نباشند
آزمون هدف :انتساب فعلي کامل است
هزينه مسير :هزينه ثابت براي هر مرحله
209
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
جست و جوي عقبگرد براي CSP
جست و جوي عمقي
انتخاب مقادير يک متغير در هر زمان و عقبگرد در صورت عدم وجود
مقداري معتبر براي انتساب به متغير
يک الگوريتم ناآگاهانه است
براي مسئله هاي بزرگ کارآمد نيست
210
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال جست و جوي عقبگرد براي CSP
211
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال جست و جوي عقبگرد براي CSP
212
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال جست و جوي عقبگرد براي CSP
213
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال جست و جوي عقبگرد براي CSP
214
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مقادير باقيمانده کمينه()MRV
انتخاب متغيري با کمترين مقادير معتبر
متغيري انتخاب ميشود که به احتمال زياد ،بزودي با شکست مواجه شده و درخت
جست و جو را هرس ميکند
215
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
اکتشاف درجه اي
سعي ميکند فاکتور انشعاب را در انتخاب آينده کم کند
متغيري انتخاب ميکند که در بزرگترين محدوديتهاي مربوط به متغيرهاي بدون انتساب
قرار دارد
216
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
اکتشاف مقداري باکمترين محدوديت
اين روش مقداري را ترجيح ميدهد که در گراف محدوديت ،متغيرهاي همسايه به ندرت
آن را انتخاب ميکنند
سعي بر ايجاد بيشترين قابليت انعطاف براي انتساب بعدي متغيرها
217
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
بررس ي پيشرو
وقتي انتساب به Xصورت ميگيرد ،فرايند بررس ي پيشرو ،متغيرهاي بدون
انتساب مثل Yرا در نظر ميگيرد که از طريق يک محدوديت به Xمتصل
است و هر مقداري را که با مقدار انتخاب شده براي Xبرابر است ،از
دامنه Yحذف ميکند
218
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
بررس ي پيشرو
219
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
بررس ي پيشرو
220
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
بررس ي پيشرو
221
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{1,2,3,4
X1
}{1,2,3,4
X4
}{1,2,3,4
X3
}{1,2,3,4
4
3
2
1
1
2
3
222
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{1,2,3,4
X1
}{1,2,3,4
X4
}{1,2,3,4
X3
}{1,2,3,4
4
3
2
1
1
2
3
223
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{ , ,3,4
X1
}{1,2,3,4
X4
} { ,2,3,
X3
}{ ,2, ,4
4
3
2
1
1
2
3
224
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{ , ,3,4
X1
}{1,2,3,4
X4
} { ,2,3,
X3
}{ ,2, ,4
4
3
2
1
1
2
3
225
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{ , ,3,4
X1
}{1,2,3,4
X4
} { ,2,3,
X3
} { , , ,
4
3
2
1
1
2
3
226
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{1,2,3,4
X1
}{ ,2,3,4
X4
}{1,2,3,4
X3
}{1,2,3,4
4
3
2
1
1
2
3
227
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{ , , ,4
X1
}{ ,2,3,4
X4
}{1, ,3,4
X3
} {1, ,3,
4
3
2
1
1
2
3
228
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{ , , ,4
X1
}{ ,2,3,4
X4
}{1, ,3,4
X3
} {1, ,3,
4
3
2
1
1
2
3
229
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{ , , ,4
X1
}{ ,2,3,4
X4
} {1, ,3,
X3
} {1, , ,
4
3
2
1
1
2
3
230
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{ , , ,4
X1
}{ ,2,3,4
X4
} {1, ,3,
X3
} {1, , ,
4
3
2
1
1
2
3
231
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{ , , ,4
X1
}{ ,2,3,4
X4
} { , ,3,
X3
} {1, , ,
4
3
2
1
1
2
3
232
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
مثال :مسئله -4وزير
X2
}{ , , ,4
X1
}{ ,2,3,4
X4
} { , ,3,
X3
} {1, , ,
4
3
2
1
1
2
3
233
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
4
مسائل ارضاي محدوديت
پخش محدوديت
پخش الزام محدوديتهاي يک متغير به متغيرهاي ديگر
مثال :پخش محدوديتهاي WAو Qبه NTو SA
234
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
سازگاري يال
روش سريعي براي پخش محدود و قويتر از بررس ي پيشرو
يال؛ يال جهت دار در گراف محدوديت
بررس ي سازگاري يال
يک مرحله پيش پردازش ،قبل از شروع جستجو
يک مرحله پخش ي پس از هر انتساب در حين جستجو
235
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال :سازگاري يال
SA NSWسازگار است اگر
SA=blue and NSW=red
236
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال :سازگاري يال
237
NSW SA سازگار است اگر
SA=blue and NSW=red
???=NSW=blue and SA
يال ميتواند سازگار شود با حذف blueاز NSW
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال :سازگاري يال
يال ميتواند سازگار شود با حذف blueاز NSW
حذف redاز V
238
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال :سازگاري يال
يال ميتواند سازگار شود با حذف blueاز NSW
حذف redاز V
تکرار تا هيچ ناسازگاري باقي نماند
239
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
سازگاري K
سازگاري يال تمام ناسازگاراهاي ممکن را مشخص نميکند
با روش سازگاري ،Kشکلهاي قويتري از پخش را ميتوان تعريف کرد
در ص ااورتي CSPس ااازگاري Kاس اات ،ک ااه ب اراي ه اار k-1متغي اار و ب اراي ه اار
انتساب سازگار با آن متغيرها ،يک مقدار سازگار ،هميشاه بتواناد باه متغيار kام
نسبت داده شود
240
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
بطور مثال:
سازگاري K
سازگاري :1هر متغير با خودش سازگار است(سازگاري گره)
سازگاري :2مشابه سازگاري يال
سازگاري :kبسط هر جفت از متغيرهاي همجوار به سومين متغير همسايه(سازگاري مسير)
گراف در صورتي قويا سازگار Kاست که:
سازگار kباشد
همچنين سازگار k-1و سازگار k-2و ...سازگار 1باشد
در اين صورت ،مسئله را بدون عقبگرد ميتوان حل کرد
پيچيدگي زماني آن ) O(ndاست
241
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
جست و جوي محلي در مسائل ارضاي محدوديت
بسياري از CSPها را بطور کارآمد حل ميکنند
حالت اوليه ،مقداري را به هر متغير نسبت ميدهد
تابع جانشين ،تغيير مقدار يک متغير در هر زمان
انتخاب مقدار جديد براي يک متغير
انتخاب مقداري که کمترين برخورد را با متغيرهاي ديگر ايجاد کند(اکتشاف برخورد کم)
زمان اجراي برخورد کم مستقل از اندازه مسئله است
برخورد کم ،براي مسئله هاي سخت نيز کار ميکند
جست و جوي محلي ميتواند در صورت تغيير مسئله ،تنظيمات Onlineرا
انجام دهد
242
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
مسائل ارضاي محدوديت
مثال
راه حل دو مرحله اي براي مسئله 8وزير با استفاده از کمترين برخورد
در هر مرحله ،يک وزير براي انتساب مجدد در ستون خودش انتخاب ميگردد
تعداد برخوردها در هر مربع نشان داده شده است
الگوريتم وزير را به مربعي با کمترين برخورد انتقال ميدهد ،بطوريکه گره ها را بطور تصادفي ميشکند
243
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
فصل ششم
جستجوي خصمانه
244
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
Artificial Intelligence
فهرست
بازيها چيستند و چرا مطالعه ميشوند؟
انواع بازيها
الگوريتم minimax
بازيهاي چند نفره
هرس آلفا-بتا
بازيهاي قطعي با اطالعات ناقص
بازيهايي که حاوي عنصر شانس هستند
245
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
بازي ها چيستند و چرا مطالعه ميشوند؟
بازاها حالتي از محيطهاي چند عاملي هستند
هر عامل نياز به در نظر گرفتن ساير عاملها و چگونگي تأثير آنها دارد
تمايز بين محيطهاي چند عامل رقابتي و همکار
محيطهاي رقابتي ،که در آنها اهداف عاملها با يکديگر برخورد دارند ،منجر به مسئله هاي
خصمانه ميشود که به عنوان بازي شناخته ميشوند
چرا مطالعه ميشوند؟
قابليتهاي هوشمندي انسانها را به کار ميگيرند
ماهيت انتزاعي بازي ها
حالت بازي را به راحتي ميتوان نمايش داد و عاملها معموال به مجموعه کوچکي از فعاليتها محدود
هستند که نتايج آنها با قوانين دقيقي تعريف شده اند
246
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
انواع بازي ها
تصادفي
قطعي
تخته نرد
شطرنج
ريورس ي
پوکر
247
اطالعات کامل
اطالعات ناقص
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
يک نمونه بازي
بازي دو نفره Min :و Max
اول Maxحرکت ميکند و سپس به نوبت بازي ميکنند تا بازي تمام شود
در پايان بازي ،برنده جايزه و بازنده جريمه ميشود
بازي به عنوان يک جستجو:
حالت اوليه :موقعيت صفحه و شناسه هاي قابل حرکت
تابع جانشين:ليستي از (حالت,حرکت) که معرف يک حرکت معتبر است
آزمون هدف:پايان بازي چه موقع است؟(حالتهاي پايانه)
تابع سودمندي :براي هر حالت پايانه يک مقدار عددي را ارائه ميکند .مثال برنده( )+1و بازنده(-1
)
ي را براي آن بازي ايجاد ميکند
حالت اوليه و حرکات معتبر براي هر بازيکن ،درخت باز
248
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
يک نمونه بازي
الگوريتم؛
بـ ـ ـ ـ ــازيکن :انتخ ا ا ا اااب بهتـ ـ ـ ـ ــرين
حالت
حري ـ ـ ـ ـ ــف :انتخ ا ا ا ا اااب بهت ا ا ا ا اارين
موقعيا ا ا اات ب ا ا ا اراي خا ا ا ااودش يا ا ا ااا
بدترين وضعيت براي بازيکن
بازيکن :ماکزيمم حالت
حريف :مينيمم حالت
249
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
الگوريتم minimax
250
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
يک نمونه بازي
251
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
يک نمونه بازي
252
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
يک نمونه بازي
253
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
يک نمونه بازي
254
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
يک نمونه بازي
255
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
الگوريتم minimax
کامل بودن :بله (اگر درخت محدود باشد)
بهينگي :بله
256
m
پيچيدگي زماني:
) O(b
پيچيدگي فضا:
)O(bm
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
بازاهاي چند نفره
تخصيص يک بردار به هر گره ،به جاي يک مقدار
ً
بازاهاي چند نفره معوال شامل اتحاد رسمي يا غير رسمي بين بازيکنان است
اتحاد با پيشروي بازي ايجاد و از بين ميرود
بازيکنان بطور خودکار همکاري ميکنند ،تا به هدف مطلوب انحصاري برسند
257
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
هرس آلفا-بتا
در الگوريتم :MaxMin
تعداد حالتهاي بازي که بايد بررس ي شوند ،بر حسب تعداد حرکتها ،تواني است
راه حل :محاسبه تصميم الگوريتم ،بدون ديدن همه گره ها امکانپذير است
هرس آلفا-بتا:
انشعابهايي که در تصميم نهايي تأثير ندارند را حذف ميکند
آلفا :مقدار بهترين انتخاب در هر نقطه انتخاب در مسير Maxتاکنون
بتا :مقدار بهترين انتخاب در هر نقطه انتخاب در مسير Minتاکنون
) d/2
تقليلO(bميابد
تعداد گره هايي که بايد بررس ي شوند به
فاکتور انشعاب مؤثر به جاي bبرابر با جذر bخواهد بود
پيش بيني آن نسبت به minimaxدو برابر است
258
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
هرس آلفا-بتا
گره nکه هر جاي درخت ميتواند باشد ،بررس ي
ميشود
اگر بازيکن انتخاب بهتري داشته باشد
در گره والد n
يا هر انتخاب بهتري تا کنون
nهيچوقت در بازي واقعي قابل دسترس نخواهد
بود
در نتيجه nهرس ميشود
259
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
مثال :هرس آلفا-بتا
محدوده مقادیر ممکن
]∞[-∞,+
]∞[-∞, +
260
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
مثال :هرس آلفا-بتا
]∞[-∞,+
][-∞,3
261
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
مثال :هرس آلفا-بتا
]∞[-∞,+
][-∞,3
262
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
]∞[3,+
][3,3
263
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
مثال :هرس آلفا-بتا
]∞[3,+
این گره براي Maxمناسب نیست
][-∞,2
264
][3,3
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
مثال :هرس آلفا-بتا
,
][-∞,14
265
][3,14
][-∞,2
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
][3,3
جستجوي خصمانه
مثال :هرس آلفا-بتا
,
][-∞,5
266
][3,5
][−∞,2
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
][3,3
جستجوي خصمانه
مثال :هرس آلفا-بتا
][3,3
][2,2
267
][−∞,2
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
][3,3
جستجوي خصمانه
مثال :هرس آلفا-بتا
][3,3
][2,2
268
][-∞,2
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
][3,3
جستجوي خصمانه
بازاهاي قطعي با اطالعات ناقص
معايب الگوريتم هاي پيشين
الگوريتم minimaxکل فضاي جست و جوي بازي را توليد ميکند
الگوريتم آلفا-بتا با وجود هرس درخت ،اما کل مسير حالتهاي پايانه ،حداقل براي بخش ي از
فضاي حالت ،بايد جست و جو شود
اين عمق عملي نيست ،زيرا حرکات بايد در زماني معقول انجام شود
شانون()1950
براي کمتر شدن زمان جست و جو و اعمال تابع ارزيابي اکتشافي به حالتهاي جستجو ،بهتر است
از گره هاي غير پايانه به گره هاي پايانه پرداخته شود
269
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
بازاهاي قطعي با اطالعات ناقص
در شانون minimax ,و آلفا-بتا به دو روش بطور متناوب عمل ميکنند
جايگزيني تابع سودمندي با تابع ارزيابي اکتشافي بنام EVAL
تخميني از سودمندي موقعيت ارائه ميکند
جايگزين تست پايانه با تست توقف
تصميم ميگيرد EVALچه موقع اعمال شود
270
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
تابع ارزيابي اکتشافي EVAL
تابع ارزيابي ،ارائه تخميني از سودمندي مورد انتظار بازي از يک موقعيت خاص
توابع اکتشافي ،تخميني از فاصله تا هدف را بر ميگرداندند
اغلب توابع ارزيابي ،خواص گوناگوني از حالتها را محاسبه ميکنند
خواص روي هم رفته ،کالسهاي هم ارزي يا دسته هاي مختلفي از حالتها را تعريف ميکنند
حالتهاي هر دسته ،براي تمام خواص مقدار يکساني دارند
هر دسته حاوي چند حالت است که
موجب برنده شدن
موجب رسم شدن
منجر به باختن
تابع ارزيابي نميداند کدام حالت منجر به چه چيزي ميشود ،اما ميتواند مقداري برگرداند که
271
مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
نشانهوش
)
دهد
تناسب حالتها را با هر نتيجه
جستجوي خصمانه
مثال :تابع EVAL
اغل ا ا ااب تواب ا ا ااع ارزي ا ا ااابي ,مق ا ا اادار ع ا ا ااددي
جداگان ااه اي با اراي ه اار خاص اايت محاس اابه،
سااپس آنهااا را ترکيااب ميکننااد تااا مقاادار کاال
بدست آيد
fi
مثال در تابع بازي شطرنج:
fi
تعداد هر نوع قطعه در صفحه
wi
مق ا ااادير آن قطع ا ااات( 1با ا اراي پي ا اااده3 ،
براي اسب يا فيل 5،براي رخ و )...
272
)Eval(s) = w1 f1(s) + w2 f2(s) + … + wnfn(s
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
مثال :تابع EVAL
ارزيابي تابع EVALاز مقدار پيروزي در دو موقعيت کامال متفاوت
ب) سفيد حرکت ميکند
الف) سفيد حرکت ميکند
الف) سياه ،مزيت اسب و دو پياده دارد و بازي را ميبرد
273
ب) پس از اينکه سفيد ،وزير را در اختيار ميگيرد ،سياه ميبازد
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
اثر افق
وقتااي بوجااود مااي آيااد کااه برنامااه بااا اثااري از
رقيب مواجه شود که منجار باه خراباي جادي
گشته و اجتناب پذير است
مثال :شکل مقابل؛
سااياه در اصاال جلوساات ،امااا اگاار ساافيد پياااده
اش را از سااطر هفااتم بااه هشااتم بباارد ،پياااده بااه
وزير تباديل ميشاود و موقعيات بارد باراي سافيد
بوجود مي آيد
274
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
جستجوي خصمانه
بازاهايي که حاوي عنصر شانس هستند
شانس
شانس
پايانه
275
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
فصل هفتم
عامل هاي منطقي
276
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
Artificial Intelligence
فهرست
عاملهاي مبتني بر دانش
منطق
منطق گزاره اي
الگوهاي استدالل در منطق گزاره اي
الگوريتم resolution
زنجير پيشرو و عقبگرد
277
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
عاملهاي مبتني بر دانش
مؤلفه اصلي عامل مبتني بر دانش ،پايگاه دانش آن است
پايگاه دانش :مجموعه اي از جمالت
جمله :زبان نمايش دانش و بيان ادعاهايي در مورد جهان
محدوده الگو ِريتمهاي مستقل
خاص
اطالعاتخاص
محدودهاطالعات
محدوده
ask
براي اضافه کردن جمالت به پايگاه دانش و درخواست دانسته ها
TELL و ASK
هر دو ممکن است شامل استنتاج باشند
پيروي:انجام فرايند استنتاج تحت مقررات خاص
278
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
بخش استنتاج
tell
پايگاه دانش
عاملهاي منطقي
عاملهاي مبتني بر دانش
عامل مبتني بر دانش بايد بتواند:
نمايش حاالت و فعاليتها
ترکيب ادراکات جديد
بروز کردن تصور داخلي خود از جهان
استنباط خصوصيات مخفي جهان
استنتاج فعاليتهاي مناسب
عامل پايگاه دانش خيلي شبيه به عاملهايي با حالت دروني است
عاملها در دو سطح متفاوت تعريف ميشوند:
سطح دانش :عامل چه چيزي ميداند و اهداف آن کدامند؟
سطح پياده سازي :ساختمان داده اطالعات پايگاه دانش و چگونگي دستکاري آنها
279
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
معيار کارايي:
جهان WUMPUS
+1000انتخاب طال -1000 ،افتادن در گودال يا خورده شدن،
-1هر مرحله -10 ،براي استفاده از تير
محيط:
بوي تعفن در مربعهاي همجوار WUMPUS
نسيم در مربعهاي همجوار گودال
درخشش در مربع حاوي طال
کشته شدن WUMPUSبا شليک در صورت مقابله
تير فقط مستقيم عمل ميکند
برداشتن و انداختن طال
حسگرها:
بو تعفن ،نسيم ،تابش ،ضربه ،جيغ زدن
محرکها:
280
گردش به چپ ،گردش به راست ،جلو رفتن ،برداشتن،
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
انداختن ،شليک کردن
عاملهاي منطقي
توصيف
جهان WUMPUS
قابل مشاهده کامل :خير ,فقط ادراک محلي
قطعي :بله ،نتيجه دقيقا مشخص است
رويدادي :خير ،ترتيبي از فعاليتهاست
ايستا :بله WUMPUS ,و گودالها حرکت ندارند
گسسته :بله
تک عامله :بله WUMPUS ،در اصل يک خصوصيت طبيعي است
281
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
کاوش در جهان WUMPUS
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
282
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
توصيف
جهان WUMPUS
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
283
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
توصيف
جهان WUMPUS
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
284
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
توصيف
جهان WUMPUS
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
285
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
توصيف
جهان WUMPUS
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
286
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
توصيف
جهان WUMPUS
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
287
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
توصيف
جهان WUMPUS
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
288
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
توصيف
جهان WUMPUS
عامل = A
نسيم = B
درخشش،طال = G
مربع امن = OK
گودال = P
تعفن = S
مالقات شده = V
W = Wumpus
289
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
منطق
يک زبان رسمي:
ترکيب(نحو) :چه کلمه بندي صحيح است(.خوش فرم)
معناشناس ي :يک کلمه بندي صحيح چه معنايي دارد
در منطق ،معناي زبان ،درستي هر جمله را در برابر هر جهان ممکن تعريف ميکند
مثال ،در زبان رياضيات
X+2 >= yيک جمله اما x2+yجمله نيست
X+2 >= yدر جهان درست است اگر x=7و y =1
X+2 >= yدر جهان غلط است اگر x=0و y =6
290
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
استلزام
استلزام منطقي بين جمالت اين است که جمله اي بطور منطقي از جمله ديگر پيروي
ميکند
a╞b
جمله aاستلزام جمله bاست
جمله aجمله bرا ايجاد ميکند
اگر و فقط اگر ،در هر مدلي که aدرست است b ،نيز درست است
اگر aدرست باشد b ،نيز درست است
درستي bدر درستي aنهفته است
مثال :جمله x+y=4مستلزم جمله 4=x+yاست
291
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
مدلهاي Wumpus
292
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
مدلهاي Wumpus
KB
=
قوانين دنياي Wumpus
+
مشاهدات
293
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
مدلهاي Wumpus
294
مشاهدات +دنياي KB = wumpus
", KB ╞ α1امن است ]α1 = "[1,2
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
مدلهاي Wumpus
مشاهدات +دنياي KB = wumpus
295
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
مدلهاي Wumpus
296
مشاهدات +دنياي KB = wumpus
", KB ╞ α2امن است ]α2 = "[2,2
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
منطق گزاره اي
نحو منطق گزاره اي ،جمالت مجاز را تعريف ميکند
جمالت اتميک(عناصر غير قابل تعميم) تشکيل شده از يک نماد گزاره
هر يک از اين نمادها به گزاره اي درست يا نادرست اختصاص دارد
نمادها از حروف بزرگ مثل R,Q,Pاستفاده ميکنند
جمالت پيچيده با استفاده از رابطهاي منطقي ،از جمالت ساده تر ساخته ميشوند
)not( ┐جمله اي مثل ┐W1,3نقيض W1,3است
ليترال يک جمله اتميک(ليترال مثبت) ،يا يک جمله اتميک منفي(ليترال منفي) است
)and( ^مثل W1,3 ^ P1,3ترکيب عطفي نام دارد.هر بخش آن يک عطف ناميده ميشود
)or( νمثل )W1,3 ^ P3,1( ν W2,2ترکيب فصلي مربوط به فصل هاي W2,2و W1,3 ^ P3,1
( =>استلزام) )W1,3 ^ P3,1( ν ┐ W2,2 :استلزام يا شرطي ناميده ميشود .مقدمه ياا مقادم آن ^ P3,1
W1,3و نتيجه يا تالي آن ┐ W2,2است
جمله W1,3 W2,2دو شرطي نام دارد
297
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
منطق گزاره اي
298
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
جدول درستي پنج رابطه منطقي
P ^ Q P ν Q P=>Q PQ
299
┐P
Q
P
T
T
F
F
T
F
F
F
T
T
F
T
T
F
F
F
T
F
F
F
T
T
T
T
T
F
T
T
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
منطق گزاره اي در دنياي Wumpus
در B1,1نسيمي وجود دارد
)B1,1 (P1,2 ν P2,1
در ] [1,1گودالي وجود ندارد
R1: ┐P1,1
300
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوهاي استدالل در منطق گزاره اي
قوانين استنتاج :الگوهايي استاندارد که زنجيره اي از نتايج را براي رسيدن به هدف ايجاد
ميکند
قياس استثنايي :با استفاده از ترکيب عطفي ،ميتوان هر عطف را استنتاج کرد(يعني هر
وقت جمله اي به شکل a=>bداده شود ،جمله bرا ميتوان استنتاج کرد).
ميتوان از
)(WumpusAhead ^ WumpusAlive
و
(WumpusAhead ^ WumpusAlive) => Shoot
Shootرا استنتاج کرد
301
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
,
عاملهاي منطقي
حذف :andهر عطف را ميتوان از ترکيب عطفي استنتاج کرد
مثال WumpusAlive :را ميتوان از جمله زير استناج کرد
)(WumpusAhead ^ WumpusAlive
خاصيت يکنواختي
مجموعه اي از جمالت استلزامي که فقط ميتواند در صورت اضافه شدن اطالعات به پايگاه
دانش رشد کند.
براي جمالت aو bداريم:
302
KB | KB |
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
قانون resolution
قانون resolutionواحد ،يک عبارت و يک ليترال را گرفته ،عبارت ديگري توليد ميکند
l1 ... lk , m
l1 ... li1 li1 ... lk
قانون resulotionواحد ميتواند به قانون resulotionکامل تعميم داد:
l1 ... lk , m1 ... mn
l1 ... li1 li1 ... lk m1 ... m j 1 m j 1 ... mn
303
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم resolution
شکل نرمال عطفي( :)CNFجمله اي که بصورت ترکيب عطفي از ترکيبات فصلي ليترالها بيان
ميشود.در هر عبارت موجود در جمله k-CNFدقيقا kليترال وجود دارد
) (l1,1 ... l1,k ) ... (ln,1 ... ln,k
الگوريتم :resolution
براي اينکه نشان دهيم ,KB|=aمشخص ميکنيم ( )KB ^ ┐aارضا کننده نيست
ابتدا ( )KB ^ ┐aرا به CNFتبديل ميکنيم
سپس قانون resulotionبه عبارات کوچک حاصل اعمال ميشود
هر جفتي که شامل ليترالهاي مکمل باشد resulotion ،ميشود تا عبارت جديدي ايجاد گردد
اگر اين عبارت قبال در مجموعه نباشد ،به آن اضافه ميشود
فرايند تا محقق شدن يکي از شروط زير ادامه مي يابد:
هيچ عبارت ديگري وجود نداشته باشد که بتواند اضافه شود .در اين مورد b ،استلزام aنيست
کاربرد قانون ،resolutionعبارت تهي را بدست ميدهد که در اين مورد b ،استلزام aاست
304
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
مثال:الگوريتم resolution
KB = (B1,1 (P1,2 P2,1)) B1,1 α = P1,2
305
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
زنجير پيشرو و عقبگرد
عبارات هورن :ترکيب فصلي ليترالهايي است که فقط يکي از آنها مثبت است
هاار عبااارت هــورن را ميتااوان بااه صااورت يااک اسااتلزام نوشاات کااه مقدمااه آن ترکيااب عطفااي ليتراله ااي
مثبت و تالي آن يک ليترال مثبت است
اين نوع عبارات هورن که فقط يک ليترال مثبت دارند ،عبارات معين ناميده ميشوند
ليترال مثبت را رأس و ليترالهاي منفي را بدنه عبارت گويند
عبارت معيني که فاقد ليترالهاي منفي باشد ،گزاره اي بنام حقيقت نام دارد
عبارات معين اساس برنامه نويس ي منطقي را ميسازد
استنتاج با عبارات هورن ،از طريق الگوريتم هاي زنجير پيشرو و زنجير عقبگرد انجام ميگيرد
306
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
زنجير پيشرو
الگوريتم زنجير پيشرو تعيين ميکند آيا نماد گزاره اي (qتقاضا) ،توسط پايگاه دانش
عبارات هورن ايجاب ميشود يا خير
307
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
زنجير پيشرو
308
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
زنجير پيشرو
309
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
زنجير پيشرو
310
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
زنجير پيشرو
311
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
زنجير پيشرو
312
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
زنجير پيشرو
313
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
زنجير پيشرو
314
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
زنجير پيشرو
315
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم عقبگرد کامل
316
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم عقبگرد کامل
تغييرات عمده :خاتمه زودرس ،اکتشاف نماد محض ،اکتشاف عبارت واحد
317
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم عقبگرد کامل
318
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم عقبگرد کامل
319
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم عقبگرد کامل
320
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم عقبگرد کامل
321
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم عقبگرد کامل
322
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم عقبگرد کامل
323
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم عقبگرد کامل
324
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم عقبگرد کامل
325
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
عاملهاي منطقي
الگوريتم عقبگرد کامل
326
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
فصل هشتم
منطق رتبه اول
327
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
هوش مصنوعي
Artificial Intelligence
فهرست
مروري بر منطق گزاره اي
منطق رتبه اول
انواع منطق
نحو و معناي منطق رتبه اول
مهندس ي دانش
328
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
ويژگنها
منطق رتبه اول
مروري بر منطق گزاره اي
ماهيت اعالني
ً
دانش و استنتاج متمايزند و استنتاج کامال مستقل از دامنه است
قدرت بيان کافي براي اداره کردن اطالعات جزئي
با استفاده از ترکيب فصلي و نقيض
قابليت ترکيب
معناي جمله ،تابعي از معناي بخشهاي آن
معنا ،مستقل از متن است
بر خالف زبانهاي طبيعي که ،معناي جمالت وابسته به متن است
معايب
فاقد قدرت بياني براي تشريح دقيق محيطي با اشياي مختلف
329
بر خالف زبانهاي طبيعي
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
منطق رتبه اول
اساس منطق گزاره اي را پذيرفته و بر اساس آن يک منطق بياني ميسازيم
از ايده هاي نمايش ي زبان طبيعي استفاده کرده ،از عيوب آن اجتناب ميکنيم
زبانهاي طبيعي از جهان طبقه بندي زير را دارند
اهايو ...
آتش
خانه،بازاهاي
اد،رنگها،
اعداد،
اشياء :افراد،خانه،
فوتبال ،آتش و ...
اعداد ،رنگها،
اشياء :افر
فوتبال،باز
رابطه ها :رابطه ها:
اول و ...
يکاني ياقرمز،
خواص مثل
يکاني يا
قرمز ،گرد ،اول و ...
گرد،مثل
خواص
ابطه هاي
رابطه هاي ر
مالکيت
بخشر يگتراز،
ادربودن،
گتر
هايبرادر
ابطهمثل
چندتايي
بخشوي...از ،مالکيت و ...
بودن،
بودن ،بز
بزربر
بودن،مثل
چندتايي
رابطه هاي ر
بهترينبيشتر از و
دوست ،يکي
دوست... ،يکي بيشتر از و ...
بهترينپدر بودن،
بودن،توابع:
توابع :پدر
منطق رتبه اول توسط اشيا و رابطه ها ساخته ميشود
330
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
انواع منطق
زبان
هستي شناس ي
حقيقت شناس ي
(آنچه در جهان هست)
(اعتقادات عامل راجع به حقايق)
منطق گزاره اي
منطق رتبه اول
حقايق
حقايق ،اشيا ،رابطه ها
درست/نادرست/نامشخص
درست/نادرست/نامشخص
منطق موقتي
حقايق ،اشيا ،رابطه ها ،زمان
درست/نادرست/نامشخص
نظريه احتمال
حقايق
درجه اي از اعتقاد متعلق به ][0,1
منطق فازي
حقايق با درجه اي از درستي متعلق
به ][0,1
در فاصله معين
331
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
نحو و معناي منطق رتبه اول
نمادهاي ثابت؛ اشيا را نشان ميدهد .مثال :علي ،2 ،رضا... ،
نمادهاي محمول؛ رابطه ها را نشان ميدهد .مثال:برادر بودن ،بزرگتر بودن از
نمادهاي تابع؛ توابع را نشان ميدهند .مثال :تابع پاي چپ()LeftLeg
متغيرهاx , y , a ,b :
روابط منطقي, , , , :
تساوي= :
سورها, :
332
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
جمالت اتميک
هر ترم يک عبارت منطقي است که به شيئ اشاره ميکند
نمادهاي ثابت ترم هستند
هميشه استفاده از نماد متمايز براي نامگذاري ش يء آسان نيست
)LeftLeg(John
پاي چپ پاي پادشاه John
.
متغير
ثابت
يا
يا
)ترم ،1ترم ، ... ،2ترم(nتابع = ترم
جمالت اتميک :ترکيب ترمهاي اشياء و محولهاي روابط
.
ترم =2ترم1
مثال:
333
يا
)ترم ،1ترم ، ... ،2ترم(nمحمو ل = جمالت اتميک
))Married(Father(Richard),Mother(John
پدر ريچارد با مادر جان ازدواج کرده است
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
جمالت پيچيده
با ترکيب جمالت اتميک و روابط منطقي ميتوان جمالت پيچيده
تري ساخت
S, S1 S2, S1 S2, S1 S2, S1 S2
Brother(LeftLeg(Richard),John)
:مثال
Brother(Richard,John) Brother(John,Richard)
King(Richard) King(John)
King(Richard) King(John)
4 - 3 - 2 - 1 ( نورویک- ) هوش مصنوعی راسل
334
منطق رتبه اول
مثال
مدلي با پنج
ش يء ،دو رابطه
دودويي ،سه
رابطه يکاني و
يک تا يکاني به
نام پاي چپ
335
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
سورها
کمک ميکنند تا به جاي شمارش اشيا از طريق نام آنها ،خواص
کلکسيون اشيا را بيان کرد
سور عمومي؛ “ براي همه”
سور وجودي؛ “ وجود دارد حداقل”...
336
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
سور عمومي
>جمله< >متغيرها<
x Pکه در آن Pيک عبارت منطقي است ،بيان ميکند
که Pبراي هر ش يء xدرست است
مثال:
337
)x King(x) Person(x
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
سور وجودي
>جمله< >متغيرها<
x Pکه در آن Pيک عبارت منطقي است ،بيان ميکند
که Pحداقل براي يک ش يء xدرست است
مثال x Crown(x) OnHead(x , John) :
338
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
خصوصيات سورها
رابط طبيعي براي کار با و رابط طبيعي براي کار با ميباشد
استفاده از بعنوان رابط اصلي با منجر به حکم قوي ميشود
استفاده از با منجر به حکم ضعيفي ميشود
x y برابر است با y xو x yبرابر است با y x
x y برابر نيست باy 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
339
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
خصوصيات سورها
“ هر کس ي بستني را دوست دارد” به معناي اين است که “هيچ کس وجود
ندارد که بستني را دوست نداشته باشد”
x Likes(x , IceCream)هم ارز )x Likes(x , IceCream
x P هم ارز x P
x P هم ارز x P
x P
هم ارز x P
x P
هم ارز x P
340
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
تساوي
با استفاده از = دو ترم به يک ش يء اشاره ميکنند
براي تعيين درستي جمله تساوي بايد ديد که آيا ارجاع ها به دو ترم،
اشياي يکساني اند يا خير
مثال :ريچارد حداقل دو برادر دارد
)x,y Brother(x,Richard) ^ Brother(y,Richard) ^ (x=y
341
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
ادعاها و تقاضاها
جمالت از طريق TELLبه پايگاه دانش اضافه ميشوند
اين جمالت را ادعا گويند
TELL (KB , King(John))
TELL (KB , x King(x) => Person(x))
با استفاده از ASKتقاضاهايي را از پليگاه دانش انجام ميدهيم
اين پرسشها ،تقاضا يا هدف نام دارد
ASK (KB , Person(John))
ASK(KB , x Person(x))
ليست جانشيني يا انقياد
ليستي از جانشيننها در صورت وجود بيش از يک پاسخ
342
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
دامنه خويشاوندي
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 هاي متمايزي هستند
x, Male(x) Female(x)
والد و فرزند ،رابطه هاي معکوس هستند
p,c Parent(p,c) Child(c,p)
والدين والدين هر فرد است
پدر بزرگ يا مادربزرگ
ِ
g,c Grandparent(g,c) p Parent(g,p) ^ Parent(p,c)
343
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1
منطق رتبه اول
اعداد 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))]
4 - 3 - 2 - 1 ( نورویک- ) هوش مصنوعی راسل
344
منطق رتبه اول
مهندس ي دانش
فرايند کلي ساخت پايگاه دانش که شامل مراحل ذيل ميباشد:
مشخص کردن کار
مونتاژ دانش مربوطه
تصميم گيري در مورد واژه نامه محمولها ،توابع و وراثت
کدگزاري دانش کلي در مورد دامنه
کد گزاري توصيف نمونه مسئله خاص
ِ اعمال تقاضاها به رويه استنتاج و دريافت پاسخ
اشکال زدايي پايگاه دانش
345
) هوش مصنوعی راسل -نورویک( 4 - 3 - 2 - 1