Transcript Document

2. 탐색
탐색 (Search)
 컴퓨터가 문제를 자율적으로 해결하기 위해 해 혹은 해에
이르기 위한 경로를 찾아가는 과정

탐색은 인공 지능적 문제해결에서 주요한 수단

해를 찾는 과정의 효율성과 찾은 해의 적합성까지 포함

인공지능 시스템에서 적용할 규칙을 선택하는 제어시스템의 행
위는 일종의 탐색과정
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 문제 해결
 인간의
지적 문제해결
‘1+2’ : 인공지능적 문제 해결로 볼 수 없다.
 하노이 탑 문제 : 인공지능적 탐색이 필요

 직접적
기법
문제 해를 위한 순차적 수행을 위한 프로그래밍
 초기상태가 다르면 프로그램 수정 필요
 인공지능적 방법이 아님(거의 모든 기존의 프로그램에 의한 문제 해
결방식)

 인공지능적

해법
문제 상태와 요구하는 목표 상태만으로 컴퓨터가 문제 해결
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 예제: 하노이 타워
d1
문제해결을 위한 동작의 정의
d2
p1
p2
p3
(a) 초기상태
p1
p2
동작
m(d1,p1)
m(d1,p2)
m(d1,p3)
m(d2,p1)
m(d2,p2)
m(d2,p3)
작용
d1을 p1으로 옮긴다.
d1을 p2로 옮긴다.
d1을 p3로 옮긴다.
d2를 p1으로 옮긴다.
d2를 p2로 옮긴다.
d2를 p3로 옮긴다.
p3
(b) 목표상태
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 탐색에 의한 문제 해결

문제의 해에 도달하기 위한 탐색과정을 직접 수행함으로써 보다
포괄적이며 자동화된 해결방안

문제해결 과정 중에 지적 판단이 요구되는 경우 탐색기법이 유용

완벽한 의미의 지능적 기계보다는 인간의 지능이 어느 정도 개입
하는 시스템 개발이 보다 현실적이다

문제해결의 최적의 방법보다 적당한 방법을 찾는 것이 쉽고, 인
간과 상통하는 바가 있다.
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 상태공간(state space)
 상태:
문제의 풀이과정중의 고유한 요소(상황)
 상태의 집합을 상태공간
 상태공간의 도입은 문제의 형식화에 유리트리 구조
초기상태 := ((d1,d2)()())
목표상태 := (()()(d1,d2))
 초기상태에 연산자(규칙) 적용  상태 변이  목표상태

 뿌리노드에서

트리의 크기가 문제해결의 효율성과 관련
 트리에서의

목표노드까지 도달하는 과정
노드의 재생성은 문제 야기  그래프구조
탐색의 효율을 저하, 무한루프에 빠질 가능성
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 상태 트리 예
((d1,d2)()())
m(d1,p2)
m(d1,p3)
((d2)(d1)())
((d2)()(d1))
m(d2,p3)
m(d1,p1)
m(d2,p2)
m(d1,p1)
m(d1,p3)
((d1,d2)()())
((d2)()(d1))
인공지능: 개념 및 응용
(()(d1)(d2))
도용태 김일곤 김종완 박창현 공저
((d1,d2)()())
m(d1,p2)
((d2)(d1)())
(()(d2)(d1))
Artificial Intelligence: Concepts and Applications
2. 탐색
 상태 그래프 예
((d1,d2)()())
m(d1,p1)
m(d1,p2)
m(d1,p1)
m(d1,p3)
m(d1,p3)
((d2)(d1)())
((d2)()(d1))
m(d1,p2)
m(d2,p1)
m(d2,p3)
(()(d1)(d2))
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
m(d2,p2)
m(d2,p1)
(()(d2)(d1))
Artificial Intelligence: Concepts and Applications
2. 탐색
탐색기법
 기본적 탐색기법
 경로



해의 경로는 짧아야 한다.
탐색의 소요 경비는 적어야 한다.
해가 있다면 탐색으로 반드시 찾아야 한다.
 탐색

선택의 고려사항
기법으로 해결할 수 있는 문제 분류
경로 발견(path finding) 문제
– 8-puzzle

게임(game) 문제
– chess/바둑

제약조건 만족(constraint satisfaction) 문제
– 8-queen
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
탐색기법
 무작위
탐색 (random search or blind search)
무작위로 경로 선택
 영국박물관 알고리즘 (BMA)
 일반적으로 최악의 방법이라고 생각되지만,
탐색 영역이 작은(축소될 수 있는) 문제에는 유용할 수도 있다.

 트리에


의한 탐색
일반적인 탐색기법
깊이우선(depth-first) 탐색, 너비우선탐색(breadth-first) 탐색
1
5
c
2
b
3
d
인공지능: 개념 및 응용
1
a
4 6
e
f
도용태 김일곤 김종완 박창현 공저
a
3
c
2
b
7
g
4
d
5 6
e
f
7
g
Artificial Intelligence: Concepts and Applications
2. 탐색
 깊이우선
탐색(depth-first search: DFS)
탐색 트리의 수직방향으로 점차 깊은 곳까지 목표노드를 찾아 탐색
해 나가는 기법(backtracking이 존재)
 장점

– 저장공간의 수요가 비교적 작다
– 목표노드가 깊은 단계에 있을 경우 해를 빨리 구할 수도 있다

단점
– 해가 없는 경로에 깊이 빠질 우려(depth bound설정)
– 해에 이르는 경로가 다수인 경우 얻어진 해가 최단 경로가 된다는 보장
이 없다

평균 탐색 노드 수(가지: b개, 목표노드 깊이: d)
– 목표가 최좌측: d+1 - - - (1)
– 목표가 최우측: 1+b+b2+ … +bd = (bd+1-1)/(b-1) - - - (2)
– 평균: {(1) + (2)} / 2
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색

너비우선 탐색(breadth-first search : BFS)


탐색트리의 루트노드부터 목표노드를 만날 때까지 단계별로 횡방향
으로 탐색을 진행해 나가는 방식
장점
– 해에 이르는 경로가 다수인 경우에도 최단경로를 보장
– 해가 존재하면 반드시 찾을 수 있다
– 노드의 수가 적고 얕은 깊이에 해가 존재할 때 유리

단점
– 노드의 수가 늘어나면 탐색시간이 비현실적이다
– 기억공간에 대한 요구가 과중

평균 탐색 노드 수(가지: b개, 목표노드 깊이: d)
– d 깊이 목표를 위한 평균 노드 수 =
(d-1깊이까지 총 노드수) + (d 깊이에서의 노드 평균수)
– d-1까지의 총수: 1+b+b2+ … +bd-1 = (bd-1)/(b-1) --- (1)
– d에서의 평균 수: (1+ bd)/2 --- (2)
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 탐색의 방향
 전향추론(forward

reasoning)
초기상태에서 목표상태로 탐색
 후향추론(backward

reasoning)
목표상태에서 초기상태로 탐색
 주어진
문제의 성격에 따라 좌우된다
시작 상태의 단순성과 복잡성 비교
 예: 런던을 거쳐 도버로 여행가는 길 찾기

코벤트리
노리지
캠브리지
노스앰톤
옥스포드
콜체스트
마케트
런던
브리스톨
솔즈베리
사우스앰톤
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
캔터베리
도버
포츠머스
헤이스팅즈
Artificial Intelligence: Concepts and Applications
2. 탐색
휴리스틱 기법
 휴리스틱(heuristic)기법


논리적으로 혹은 수학적으로 증명할 수 없으나 경험이나 직관에
의해 효율적으로 해를 얻을 수 있으리라는 기대를 갖게 하는 어
떤 근거에 의한 방법
용도





정의하기 힘든 문제 예) 직업선택, 예산지출
맹목적인 기법(blind search)으로 풀기에는 비현실적인 문제
인간의 사고형태는 대부분 휴리스틱이다
해법이 유일하지 않으며, 최적의 해를 보장할 수 없다
해의 결정에 허용치를 부과하는 방법이 유용하다
예) TSP(Traveling Salesman Problem)
– n개의 도시 순회 방문  (n-1)!/2
– n=3  3, n=20  60,822,550,204,416,000

휴리스틱
– 현재 위치에서 가장 가까운 도시부터 먼저 방문
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 언덕등반기법(hill-climbing)

평가함수(evaluation function or objective function) 사용


평가함수값을 증가(감소)시키는 방향으로 나가는 탐색전략
계곡하강법(valley declining)
깊이우선 탐색기법에 평가함수를 활용한 형태
 최단의 경로에 대한 보장이 없다
 국부최대가 존재할 수 있다(plateau, ridge, local maxima)
 과정 회복 불가능(irrevocable)
예) 8-퍼즐 문제

초기상태
목표상태
2
3
1 8 4
7 6 5
1 2 3
8
4
7 6 5
a sequence of tile moving actions
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 8-퍼즐문제의 탐색
1
 평가함수값:
목표상태와 같은
위치에 있는 타일 수
2
3
1 8 4
7 6 5
비교
1 2 3
8
4
7 6 5
6
초기상태
2
2 3
1 8 4
7 6 5
5
2
3
1 8 4
7 6 5
5
2 8 3
1
4
7 6 5
4
2 3
1 8 4
7 6 5
목표상태
3
7
6
인공지능: 개념 및 응용
1 2 3
7 8 4
6 5
도용태 김일곤 김종완 박창현 공저
6
1 2 3
8 4
7 6 5
2 3
1 8 4
7 6 5
2
3
1 8 4
7 6 5
5
8
4
1 2 3
8
4
7 6 5
Artificial Intelligence: Concepts and Applications
2. 탐색
 언덕등반기법의
실패
5
2 8 3
1 4
7 6 5
5
5
2 8 3
1
4
7 6 5
2
3
1 8 4
7 6 5
4
2 8 3
1 4
7 6 5
4
2 8 3
1 6 4
7
5
 최고우선탐색(best-first)
 모든

말단 노드를 대상으로 평가함수 값을 비교하는 방법
선택 안 된 노드도 추후 선택 가능
 국부최대를
 너비우선
 최적의

만나도 탐색이 계속된다
방식에 비해 탐색비용이 절감된다
경로를 보장할 수 없다
아직 선택 안 된 노드를 또 확장해 보면 더 나은 해를 발견 가능
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 최고우선
a
4
4
5
f
a
6
2
s
1
b
2
s
1
b
g
인공지능: 개념 및 응용
탐색법 예
5
2
c
5
d
4
c
3
도용태 김일곤 김종완 박창현 공저
a
4
e
2
s
1
b
a
5
2
d
2
s
1
b
c
3
e
5
c
5
f
6
g
2
d
5
h
3
i
8
j
3
e
Artificial Intelligence: Concepts and Applications
2. 탐색
 빔 탐색(beam search)


최고우선기법에서 기억노드의 수를 제한하는 방법
기억공간이 축소되지만 너무 빠른 가지치기를 초래
 A-알고리즘

최적의 경로 : 초기노드에서 목표노드까지의 최단 경로
임의의 노드 N의 평가함수를 정의
f(N) = g(N) + h(N)




g(N): 초기노드에서 N노드 까지의 최단거리
h(N): N노드에서 목표노드까지 최단 거리
h(N)은 해가 주어지지 않으면 알 수 없으므로,
h(N)대신에 추정치 h*(N)을 사용
f(N) = g(N) + h*(N) : 평가함수
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 A* 알고리즘

A 알고리즘에서 모든 N에 대해 h*(N)  h(N)가 성립되도록 하면
허용성을 가짐  A* 알고리즘


f(N) = g(N)로 두면(h*(N)=0), 허용성 조건을 만족



허용성(admissibility): 최적의 경로를 보장하는 조건
평가함수로 초기노드와의 거리만을 고려 
낮은 깊이 노드를 우선 탐색  BFS
BFS가 최단 경로를 발견한다는 것으로 입증됨
BFS를 해나가는 데 있어 각 노드에서 목표에 이르는 경로가 얼
마나 짧은 것인가의 추정치를 이용하는 방법
(cf. 8-puzzle에서 상태 n에서의 평가 함수)
f(N) = g(N) + W(N)
여기서 W(N)은 목표상태와 틀린 위치의 타일의 갯수
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
게임트리 탐색
 게임을 위한 탐색



다수(2인)가 상호 배타적인 환경에서 승리하기 위한 경로를 탐색
앞을 내다봄으로써 현재 상태의 선택을 결정한다
대부분의 게임에서 완벽한 평가함수의 정의가 불가능  휴리스
틱한 기준에 의한 추정치 만을 제공
 말패(last-one-loses) 게임

평가함수
1 {N  n  (4k  1)}  0를만족하는 k가 존재
f 
otherwise
0
그림 2.13 참조
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
게임트리 탐색
 최소최대(minimax) 탐색법



최소화자와 최대화자로 구성되어 있다고 가정하고 탐색해 나가
는 전략
몇 수 앞을 내다보느냐가 탐색의 양에 영향
최소최대법을 사용하면 탐색의 영역을 축소 가능

어떤 노드가 그 함수값을 구하거나 확장하지 않아도 판단을 내리는
데 지장이 없는 경우에 이 노드를 고려 대상에서 제외
 - pruning(알파-베타 가지치기)
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 최소최대 탐색 예

평가함수 값을 최대화 시키려는 최대화자 A의 탐색
A

[c1]
[c2]
[c3]
f=0.8
f=0.3
f=-0.2
최소화자 B의 의도를 고려한 A의 선택
A
최소화자(B)
단계
[c1]
[c2]
[c3]
f=0.8
f=0.3
f=-0.2
[c11]
[c12]
[c13]
[c21]
[c22]
[c31]
[c32]
f=0.9
f=0.1
f=-0.6
f=0.1
f=-0.7
f=-0.1
f=-0.3
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 알파베타 가지치기


최대화 노드에서 가능한 최소의 값(알파 )과 최소화의 노드에서
가능한 최대의 값(베타 )를 사용한 게임 탐색법
기본적으로 DFS로 탐색 진행
[c0]
=0.2
[c1]
[c2]
f=0.2
f= -0.1
[c11]
[c12]
[c21]
f=0.2
f=0.7
f= -0.1
[c22]
[c23]
C21의 평가값 -0.1이 C2에 올려지면
나머지 노드들(C22, C23)을
더 이상 탐색할 필요가 없음
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
알파베타 탐색 문제
다음 법칙을 이용하여 아래의 알파-베타 탐색 트리를 완성하라
가지치기가 일어나는 법칙:
1. 깊이우선 방식으로 탐색 진행
2. 어떤 최소화노드의 베타값이 자신보다 상위(선조노드)에 있는 어떤 최대화 노드의 알
파값보다 작거나 같을 때, 이 최소화 노드는 가지치기 된다.
3. 어떤 최대화노드의 알파값이 자신보다 상위(선조노드)에 있는 어떤 최소화 노드의 베
타값보다 크거나 같을 때, 이 최대화 노드는 가지치기 된다.
4. 최상위의 최대화노드의 알파값은 최종적으로 올려진 값(backed-up value)로 주어진다.
최대화노드
최소화노드
=0
=0
=0
=-3
0
5 -3
인공지능: 개념 및 응용
3
3
-3
0
2
도용태 김일곤 김종완 박창현 공저
-2
3
5
2
5 -5 3
0
1
5
1 -3
0
Artificial Intelligence: Concepts and Applications
2. 탐색
제약조건만족 문제(Constraint Satisfaction P)
 n개의 변수로 구성된 CSP 정의



유한하고 이산적인 영역들인 D1, D2, …,Dn으로부터 값을 취하고
그 값들 간에는 제약조건 pk(xk1,xk2,…xkl)이 존재하는 문제
일종의 NP-complete 문제
8-Queen 문제

여왕 xi, xj의 위치사이의 제약조건
xi  x j  | i  j || xi  x j |
x2 = 7
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications
2. 탐색
 탐색기법의 활용
 공장자동화,

로보트의 경로계획
NASA의 GPSS(ground processing scheduling system)
 비행기
좌석예약 시스템
 게임
chess - Deep Thought
 바둑 - 아직 수준이 요원 (?)

 다자가
[c22달성하려는
]
[c23] 경제적 문제
[c21이익을
]
[c11
]
[c12자신의
]
공동의
공간에서
f=-0.1
f=0.2
f=-0.7
 실제 게임의 경우 탐색의 양이 폭증  지식 활용에 대한 연구가
많이 요구됨
인공지능: 개념 및 응용
도용태 김일곤 김종완 박창현 공저
Artificial Intelligence: Concepts and Applications