slide1
Download
Skip this Video
Download Presentation
به نام خداوند بخشنده ی مهربان

Loading in 2 Seconds...

play fullscreen
1 / 76

به نام خداوند بخشنده ی مهربان - PowerPoint PPT Presentation


  • 177 Views
  • Uploaded on

به نام خداوند بخشنده ی مهربان. هوش مصنوعی Artificial Intelligence. By M. Joudaki. هوش مصنوعی. منابع و مراجع هوش مصنوعی نویسندگان: استوارت. جی راسل و پیتر نورویگ مترجمان: سعید راحتی، محمد بهداد، حمید تیموری روی وبلاگ Artificial Intelligence A Modern Approach

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' به نام خداوند بخشنده ی مهربان' - anne


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide3
هوش مصنوعی
  • منابع و مراجع
    • هوش مصنوعی
      • نویسندگان: استوارت. جی راسل و پیتر نورویگ
      • مترجمان: سعید راحتی، محمد بهداد، حمید تیموری
    • روی وبلاگ Artificial Intelligence A Modern Approach
      • Stuart J. Russell and Peter Norvig
    • Artificial Intelligence
      • Elaine Rich
slide4
هوش مصنوعی
  • ارزیابی
    • امتحان میان ترم
    • پروژه
    • تمرین
    • امتحان پایان ترم
    • جزییات بیشتر در آینده
  • ارتباط من با شما
    • کلاس درس
    • وبلاگ درس http://mylectures.blogfa.com
  • ارتباط شما با من
slide5
نکات قابل توجه در کلاس درس
  • حضور به موقع
    • حضور من
    • حضور شما
    • عواقب
  • خاموش کردن تلفن همراه
    • عواقب
  • رعایت احترام
slide6
فصل اول

معرفی

slide7
مقدمه
  • نام علمی انسان، Homo Sapiensبه معنای انسان خردمند
  • تلاش بشر برای فهمیدن:
    • فکر کردن
    • حس کردن
    • پیش بینی کردن
    • کنترل محیط اطراف
  • هوش مصنوعی : همه کارهای بالا، فراتر رفتن و ساختن موجودات هوشمند
slide8
هوش مصنوعی ؟
  • سیستم عقلانی
    • سیستم بر اساس دانسته هایش ”کار درست“ را انجام دهد.
  • تعاریفی در مورد هوش مصنوعی
    • فکر و استدلال
    • تفکر انسان
    • عملکرد انسان
    • مفهوم ایده آل هوشمندی
slide9
هوش مصنوعی ؟
  • فکر و استدلال

تفکر خردمندانه

تفکر انسان گونه

  • مفهوم ایده آل
  • هوشمندی
  • عملکرد انسان

رفتار خردمندانه

رفتار انسان گونه

رفتار

slide10
هوش مصنوعی(عملکرد انسان گونه)
  • آزمون تورینگ(Turing Test 1950)
slide11
هوش مصنوعی(عملکرد انسان گونه) (ادامه...)
  • آزمون تورینگ(Turing Test)
    • پردازش زبان طبیعی(Natural Language Processing)
    • بازنمایی دانش(Knowledge Representation)
    • استدلال خودکار(Automated Reasoning)
    • یادگیری ماشین(Machine Learning)
  • آزمون جامع تورینگ(Total Turing Test)
    • همه موارد بالا
    • بینایی کامپیوتر(Computer Vision)
    • علم رباتیک(Robotic)
slide12
هوش مصنوعی(تفکر انسان گونه)
  • انسان چگونه فکر میکند؟
    • درونگری: ثبت افکار در حالی که می گذرند.
    • روانشناسی
  • علم شناخت(Cognitive Modeling)
    • مدل های کامپیوتری هوش مصنوعی + فنون تجربی روانشناسی ← طرز کار ذهن
    • مثال GPS (Global Problem Solver ) آلن نیوول - هربرت سیمون
slide13
هوش مصنوعی(تفکر خردمندانه)
  • ارسطو ، قیاس صوری: فرض درست ← نتیجه درست
    • A is B and B is C → A is C
    • منطق(Logic)
    • امید به پیدا کردن برنامه های اصطلاحا منطق گرا در زمینه هوش مصنوعی و در نتیجه خلق سیستم های هوشمند.
    • دو تا مشکل؟
      • بیان دانش غیر رسمی با استفاده از کلمات رسمی نظام علامت گذاری منطق کار آسانی نیست.
      • بین توانایی حل یک مساله از دیدگاه نظری و انجام این کار در عمل تفاوت بسیار زیادی وجود دارد.
    • مسائل مهار نشدنی - عدم توقف برنامه ؟؟؟
slide14
هوش مصنوعی(عملکرد خردمندانه)
  • عامل(Agent): هر چیزی که کاری را انجام می دهد.
  • فرق عامل ها با برنامه های کامپیوتری معمولی
    • عمل با کنترل خودمختار
    • درک محیط
    • استمرار در طول زمان
    • انطباق با تغییرات
    • توانایی پیگیری هدف یک عامل دیگر
  • عامل عقلانی
    • رسیدن به بهترین نتیجه و در صورت عدم قطعیت پیدا کردن بهترین نتیجه ممکن
slide15
هوش مصنوعی(عملکرد خردمندانه) (ادامه...)
  • عقلانیت: استنتاج صحیح + اقدام
  • مواقعی که هیچ کار صحیح قابل اثباتی وجود ندارد ولی اقدامی باید صورت گیرد.
  • اجاق گاز، عمل واکنشی، عدم استدلال، نتیجه بهتر از تفکر
  • مطالعه هوش مصنوعی از این دیدگاه دو مزیت دارد:
    • بسیار کلی تر از تفکر خردمندانه، به دلیل داشتن عقلانیت
    • نسبت به رفتار و تفکر انسان بسیار بیشتر تابع پیشرفت علمی است
      • استاندارد عقلانیت به وضوح تعریف شده است.
      • وابستگی رفتار انسان به محیط خاص.
      • نقش فرایند تکامل در شکل گیری رفتار.
slide16
علوم مرتبط و مبانی هوش مصنوعی

هوش مصنوعی، دانشی میان رشته ای

مطالعه بیشتر (کتاب و منابع مطالعاتی...)

slide17
فصل دوم

عامل های هوشمند

slide18
رئوس مطالب

عامل ها و محیط ها

عقلانیت(Rationality)

معیار کارآیی، محیط، عمل کننده ها، حسگرها PEAS

انواع محیط

انواع عامل

slide19
عامل ها و محیط ها

عامل: انسان، ربات، عامل نرم افزاری، ترموستات و غیره

تابع عامل(agent function): رشته ادراکات را به یک اقدام نگاشت می کند.

برنامه عامل(agent program): بر روی یک معماری فیزیکی برای تولید f در حال اجرا است.

slide20
دنیای جارو برقی

ادراکات(percepts): موقعیت و محتوا. مثال: [A, Dirty]

اقدام: Left, Right, Suck, NoOp

slide21
یک عامل جارو برقی

مقادیر متفاوت در ستون سمت راست ← عامل های مختلف.

عامل خوب یا بد و یا احمق ؟؟؟

slide22
عقلانیت
  • عامل عقلانی: عاملی که کار درست انجام می دهد.
  • کار درست: اقدامی است که باعث می شود عامل موفق ترین باشد.
  • معیار موفقیت؟
  • معیار کارایی میزان موفقیت یک عامل را نشان می دهد.
  • معیار موفقیت برای همه عامل ها ثابت نیست.
    • در زمان T به ازای هر مربع که تمیز می شود یک امتیاز داده شود.
    • امتیاز مثبت برای هر مربع که تمیز می شود و امتیاز منفی برای تولید سروصدا و مصرف برق.
    • امتیاز منفی برای مربع های کثیف.
  • عامل عقلانی بر اساس شواهد حاصل از رشته ادراکات و دانش درونی خود، اقدامی را انتخاب می کند که مقدار معیار کارایی مورد انتظار را افزایش دهد.
slide23
عقلانیت(ادامه...)
  • عقلانیت ≠ همه چیز دانی
    • ادراکات همه ی اطلاعات مرتبط را فراهم نمی کنند.
    • عقلانیت کارایی مورد انتظار را بیشینه می کند، در حالی که کمال کارایی واقعی را .
  • محیط های متغیر
    • یادگیری.
    • مثال سوسک و زنبور
  • خودمختاری
    • استفاده از ادراکات برای اصلاح دانش غلط یا ناقص قبلی
    • دانش اولیه در عامل = غریزه در حیوانات
  • اکتشاف + یادگیری + خودمختاری ← عقلانیت
slide24
PEAS
  • برای طراحی یک عامل عقلانی ابتدا باید محیط کار آن را در حد امکان به صورت کامل تعیین کنیم.
  • مثال: راننده خودکار تاکسی
    • معیار کارایی؟ امنیت، مقصد، مصرف بهینه، احترام به قانون، راحتی مسافران
    • محیط؟ خیابان ها و بزرگراه ها، ترافیک، عابران پیاده، شرایط آب و هوا
    • اقدام گرها؟ فرمان اتومبیل، پدال گاز، ترمز، بوق، بلندگو و صفحه نمایش برای ارتباط
    • حسگرها؟ تصویری، سرعت سنج، سنسور مقدار سوخت، حسگرهای موتور، GPS
slide25
PEAS(ادامه...)
  • مثال دیگر: عامل خرید اینترنتی
    • معیار کارایی؟ قیمت، کیفیت، تناسب، کارایی
    • محیط؟ صفحات وب جاری و صفحاتی که در آینده ملاقات می شوند، فروشنده، حمل کننده
    • اقدام گرها؟ نمایش به کاربر، دنبال کردن لینک ها، پر کردن فرم ها
    • حسگرها؟ صفحات HTML(متن ها، گرافیک، اسکریپت ها)
slide26
محیط

S = {1, 2, 3, 4, 5, 6, 7, 8}

  • هر محيط داراي مجموعه اي از حالت ها مي باشد:
    • محيط در هر لحظه فقط در يكي از اين حالت ها مي باشد.
  • مثال: دنیای جاروبرقی
slide27
عامل و محیط
  • در لحظه شروع، محيط در يكي از حالت هاي ممكن مي باشد.
    • عمل عامل در محيط، باعث تغيير حالت محيط مي شود.
    • حالت فعلي : Si
    • عمل عامل : Action
    • حالت بعدي : Sj
  • مثال: دنیای جاروبرقی
slide28
انواع محیط

كاملا قابل مشاهده (در مقابل مشاهده پذير جزئي)

قطعي (در مقابل اتفاقي)

اپیزودیک (در مقابل ترتيبي)

ايستا (در مقابل پويا)

گسسته (در مقابل پيوسته)

تك عاملي (در برابر چند عاملي)

slide29
انواع محیط(ادامه...)

[LEFT, CLEAN]

  • كاملا قابل مشاهده (در مقابل مشاهده پذير جزئي): محيطي كه در آن در هر لحظه از زمان حسگرهاي عامل به آن امكان دستيابي به حالت كامل محيط را مي دهند.
  • مثال: دنياي جاروبرقی - حسگرها: [ location, status]
    • تشخيص مكان : چپ يا راست
    • تشخیص وضعیت: تمیز ویا کثیف
slide30
انواع محیط(ادامه...)

مکش

مکش

قطعی

اتفاقی

؟؟؟

  • قطعي (در مقابل اتفاقي): حالت بعدي محيط كاملا بوسيله حالت فعلي و عمل انجام شده توسط عامل قابل تعيين مي باشد.
    • اگر محيط به جز در مورد عمل عامل هاي ديگر قطعي باشد، آنگاه محيط استراتژيك مي باشد.
slide31
انواع محیط(ادامه...)

اپيزوديك (در مقابل ترتيبي): تجربه عامل به ”دوره های“غيرقابل تجزيه تقسيم مي شود (هر دوره شامل ادراك عامل و سپس انجام يك عمل مي باشد) و انتخاب عمل در هر دوره تنها به خود همان دوره بستگي دارد.

مثال: روبات كنترل كننده كيفيت

slide32
انواع محیط(ادامه...)

ايستا (در مقابل پويا): محيط در حين سنجش عامل (براي انتخاب عمل) تغيير نمي كند.

اگر خود محيط با گذشت زمان تغيير نكند ولي معيار كارآيي عامل تغيير كند، آنگاه محيط نيمه پويا مي باشد(شطرنج با ساعت)

slide33
انواع محیط(ادامه...)

– State = {1, 2, …, 8}

– Action = {Left, Right, Suck, NoOp}

– Percept = {[Left, Clean], [Left, Dirty], [Right, Clean], …}

گسسته (در مقابل پيوسته): محيطي كه در آن تعداد محدود و متمايزي از ادراك و عمل هاي كاملا واضح تعريف شده باشد.

در محيط گسسته، مجموعه حالات محيط يك مجموعه گسسته مي باشد و حالات بسادگي قابل تمايز مي باشند.

مثال: محيط دنياي جاروبرقی

slide34
انواع محیط(ادامه...)

تك عاملي (در برابر چند عاملي): يك عامل خودش به تنهايي در محيط عمل مي كند.

مثال: محيط عامل حل كننده جدول كلمات متقاطع و دنياي مكش

چند عاملي: تعدادي عامل كه با يكديگر در تعامل مي باشند.

مثال: شطرنج (رقابتي)، روبوكاپ (بين اعضاي يك تيم همياري و بين اعضاي دو تيم رقابتي)، محيط تاكسي خودكار (هميياري جزيي)

slide35
انواع محیط(ادامه...)

نوع محیط تاثیر بسیار زیادی بر طراحی عامل خواهد گذاشت.

دنیای واقعی: مشاهده پذير جزئي، اتفاقي، ترتيبي، پويا، پيوسته و چندعاملي

slide36
توابع و برنامه هاي عامل
  • يك عامل كاملا بوسيله تابع عامل مشخص مي شود.
    • يادآوري: تابع عامل دنباله ادراكي را به عمل نگاشت مي كند.
  • يك تابع عامل (يا يك كلاس هم ارزي كوچك) منطقي (rational) مي باشد.
  • هدف: يافتن روشي به منظور پياده سازي تابع عامل منطقي به طور مختصر و مفيد
slide37
عامل مبتني بر جدول جستجو

يك روش به منظور توصيف تابع عامل

نشان دهنده فعاليت مناسب براي هر دنباله ادراكي ممكن

مثال: جدول دنياي جاروبرقي

slide39
عامل مبتني بر جدول جستجو(ادمه...)
  • معايب:
    • جدول بسيار عظيم (مثلا در شطرنج 10150 سطر، اتم ها در دنیای واقعی کمتر از 1080 )
    • زمان بسيار زياد براي ايجاد جدول و احتمال بالاي خطا
    • عدم خود مختاري
    • حتي با قابليت يادگيري، نياز به زمان بسيار زيادي براي يادگيري مداخل جدول دارد.
slide40
انواع عامل ها
  • چهار نوع اصلي به ترتيب افزايش عموميت :(Generality)
    • عامل هاي واكنشي ساده (Simple reflex)
    • عامل هاي واكنشي مبتني بر مدل (Model-based reflex)
    • عامل هاي مبتني بر هدف (Goal-based)
    • عامل هاي مبتني بر سودمندي (Utility-based)
slide41
عامل هاي واكنشي ساده

ساده ترين نوع عامل

در هر لحظه، عمل تنها بر اساس درك فعلي انتخاب مي شود

مثال:

شامل قوانين شرط- عمل مانند:

“اگر چراغ ترمز اتومبيل جلويي روشن شد، آنگاه ترمز كن”

slide44
عامل هاي واكنشي مبتني بر مدل (حافظه دار)
  • عامل واكنشي ساده در صورتي كار مي كند كه محيط كاملا قابل مشاهده باشد
  • اگر محيط مشاهده پذير جزئي باشد، پيگيري تغييرات دنيا لازم است
  • مثال: تاكسي اتوماتيك
  • مستلزم دو نوع دانش
    • نحوه تغيير دنيا
    • تاثير اعمال عامل بر دنيا
slide47
عامل هاي مبتني بر هدف
  • اطلاعات لازم براي تصميم گيري در مورد عملي كه بايد انجام شود:
    • اطلاعات مربوط به حالت فعلي
    • اطلاعات هدف (توصيف موقعيت مطلوب)
  • مثال:
    • عمل مناسب براي تاكسي اتوماتيك در يك چهار راه كدام است؟ (بالا، پايين چپ، راست)
  • اگر براي رسيدن به هدف نياز به چندين عمل باشد
    • جستجو(Search)
    • برنامه ریزی(Planning)
slide50
مثال: عامل هدف گرا(ادامه...)

[UP, UP, UP, RIGHT]

[RIGHT, RIGHT, RIGHT, UP, UP, UP, LEFT, LEFT]

slide51
عامل هاي سودمند
  • در بسياري از محيط ها اهداف براي توليد رفتاري با كيفيت بالا مناسب نيستند
  • مثال: تاكسي اتوماتيك
    • ممكن است چندين مسير براي رسيدن به مقصد موجود باشد، اما بعضي از آنها سريعتر، امن تر، مطمئن تر و يا ارزانتر از بقيه مي باشند
  • اهداف ملاكي خام براي توصيف وضعيت ها هستند (مطلوب و نامطلوب)
  • تابع سودمندي: حالت ( يا دنباله اي از حالات) را به يك عدد حقيقي نگاشت مي كند كه درجه مطلوبيت آن را توصيف مي كند
  • امكان تصميم گيري در مواردي كه:
    • اهداف متناقض باشند
    • چندين هدف وجود دارد ولي رسيدن به هيچ يك قطعي نيست
slide53
عامل هاي يادگيرنده
  • تورينگ ( 1950 ): ايده برنامه نويسي واقعي هوشمند به صورت دستي
    • نياز به روشهاي سريعتر
    • ساخت ماشين هاي يادگيرنده و آموزش به آنها
  • مولفه هاي عامل يادگيرنده
    • عنصر يادگيرنده : براي ايجاد بهبود
    • عنصر كارآيي: انتخاب فعاليت هاي خارجي
    • منتقد: توليد بازخورد با توجه به استاندارد كارآيي براي عنصر يادگيرنده
    • مولد مساله: پيشنهاد فعاليت هاي اكتشافي
  • مثال: تاكسي اتوماتيك
    • عنصر كارآيي: حركت سريع از خط 3 به خط 1
    • منتقد: دريافت شكايت راننده هاي ديگر
    • ايجاد یک قانون، بيانگر بد بودن اين عمل و اصلاح عنصر كارآيي
slide54
عامل هاي يادگيرنده(ادامه...)
  • انواع دانشي كه عنصر يادگيرنده مي تواند ياد بگيرد:
    • يادگيري مستقيم از دنباله ادراكي
    • يادگيري نحوه تغييرات دنيا: مشاهده دو حالت متوالي
    • يادگيري در مورد تاثير عمل عامل: مشاهده نتايج فعاليت عامل
      • مثال: نحوه ترمز كردن در جاده هاي خيس
  • پاداش و جريمه(کیفیت رفتار عامل)
slide56
فصل سوم

حل مسائل توسط جستجو

slide57
مقدمه

عامل هاي حل مسأله

انواع مسأله

فرموله سازي مسأله

مسائل نمونه

الگوريتم هاي ابتدايي جستجو

slide58
عامل هاي حل مسأله

فرضيات در مورد محيط: ايستا، قابل مشاهده، گسسته و قطعي

slide59
مثال: روماني

Arad → Sibiu → Fagaras → Bucharest

  • مكان فعلي شهرآراد، حرکت و رسیدن به شهر بخارست
  • فرموله سازي هدف:
    • بودن در بخارست
  • فرموله سازي مسأله:
    • حالت ها: شهرهاي مختلف
    • عمليات: رفتن از شهري به شهر ديگر
  • يافتن پاسخ:
    • دنباله اي از شهرها، مانند:
slide61
انواع مسأله
  • قطعي، كاملا مشاهده پذير ← مسائل تك-حالته
    • عامل دقيقا مي داند در چه حالتي خواهد بود؛ راه حل يك دنباله مي باشد.
  • قطعي، مشاهده پذير جزئي ← مسائل چند-حالته
    • ممكن است عامل ايده اي درباره اينكه كجاست نداشته باشد؛ راه حل يك دنباله است.
  • غير قطعي و/يا مشاهده پذير جزئي ← مسائل احتمالی
    • ادراك اطلاعات جديدي درباره حالت فعلي فراهم مي كند.
    • در حين اجرا بايد از حسگرها استفاده كند.
    • راه حل به صورت يك درخت
    • اغلب جستجو و اجرا به صورت يك در ميان (Interleave)
  • فضاي حالت ناشناخته ← مسائل اکتشافی (online)
slide62
مثال: دنياي جاروبرقی
  • تك-حالته، شروع در #5
    • راه حل ؟ [Right, Suck]
  • چند-حالته، شروع از حالت های

{1, 2, 3, 4, 5, 6, 7, 8}

    • راه حل؟[Right, Suck, Left, Suck]
  • احتمالي
    • غير قطعي: مكش مي تواند يك فرش تميز را كثيف كند.
    • درك محلي: گرد و خاك در محل فعلي
    • ادراک: [left, clean] یعنی شروع در #5 یا #7
    • راه حل؟ [Right, if dirty then Suck]
slide63
فرموله سازي مسائل تك -حالته
  • يك مسأله بوسيله چهار مورد تعريف مي شود:
    • حالت اوليه مثلاً بودن در شهر Arad
    • اقدامات يا تابع حالت بعدي(پسین)
      • S(x) = مجموعه اي از زوج هاي عمل- حالت
      • مثال: S(Arad) = {<Arad→Zerind, Zerind>,…}
    • تابع تست هدف
      • صریح x = "at Bucharest”
      • ضمنی NoDirt(x)
    • تابع هزينه مسير :
      • مثال: مجموع فواصل، تعداد عمل هاي انجام شده و ...
      • هزينه گام (step cost): c(x, a, y)≥0
  • راه حل: دنباله اي از حرکت ها كه از حالت اوليه شروع و به حالت هدف ختم مي شود.
slide64
انتخاب يك فضاي حالت
  • دنياي واقعي به شدت پيچيده مي باشد.
    • بنابراين، براي حل مسأله بايد فضاي حالت انتزاعي باشد.
  • حالت( انتزاعي) = مجموعه اي از حالت هاي واقعي
  • عمل ( انتزاعي) = تركيبي پيچيده از عمل هاي واقعي
    • مثلا عمل Arad→Zerindمي تواند مجموعه اي پيچيده از اعمال باشد.
  • راه حل ( انتزاعي) = مجموعه اي از مسيرهاي واقعي كه در دنياي واقعي راه حل مي باشند.
  • هر عمل انتزاعي بايد از مسأله اصلي ساده تر باشد!
slide65
مثال: گراف فضاي حالت دنياي جاروبرقی

حالات؟وجود گرد و خاك و مكان عامل(بدون در نظر گرفتن مقدار گرد و خاك)

اعمال؟ حرکت های Left, Right, Suck, NoOp

تست هدف؟ نبودن گرد و خاك

هزینه مسیر؟ بازاء هر عمل 1(صفر برای NoOp)

slide66
مثال: معماي هشت

حالات؟ اعداد صحيح بيانگر محل كاشي ها

اعمال؟ حركت خانه خالي به چپ، بالا، راست و پايين

تست هدف؟ حالت هدف( داده شده)

هزینه مسیر؟ بازاء هر حركت 1

]توجه: راه حل بهينه خانواده معماي n یک مساله NP-Hard می باشد[

slide67
مثال: روبات اسمبل كننده

حالات؟ زاويه مفاصل روبات، مختصات قطعات

اعمال؟ حركت پيوسته مفاصل روبات

تست هدف؟ سرهم بندي كامل

هزينه مسير؟ زمان اجرا

slide68
مسأله هشت وزير

حالات؟ ترتيب 8 وزير هر كدام در يك ستون {1, 3, 5, 7, 2, 4, 6, 8}

اعمال؟ انتقال يك وزير داراي برخورد به مربع ديگري در همان ستون

تست هدف؟ 8 وزير روي صفحه شطرنج كه با هم برخورد ندارند.

هزينه مسير؟ زمان اجرا

slide69
الگوريتم هاي جستجوي درخت

ایده اصلی: کاوش offlineو شبيه سازي شده فضاي حالت، بوسيله توليد حالات بعدي حالت هايي كه تا كنون توليد شده اند.

slide73
پياده سازي: حالت و گره

يك حالت ( بيانگر) يك پيكره بندي فيزيكي مي باشد

يك گره يك ساختار داده اي تشكيل دهنده بخشي از درخت جستجو شامل: پدر، فرزندان، عمق و هزينه مسير g(x) است.

حالت ها : پدر، فرزند، عمق و هزينه مسير ندارند!

تابع EXPANDگره هاي جديد ايجاد مي كند، فيلدهاي مختلف را مقدار مي دهد و با استفاده از تابع SuccessorFnمسأله، حالت هاي مربوطه ايجاد مي شود.

slide75
استراتژي هاي جستجو
  • يك استراتژي بوسيله ترتيب گسترش گره ها تعريف مي شود.
  • ابعاد ارزيابي استراتژي ها:
    • كامل بودن- آيا در صورت وجود راه حل، هميشه راه حلي پيدا مي كند؟
    • پيچيدگي زماني- تعداد گره هاي توليد شده/گسترش يافته.
    • پيچيدگي حافظه- حداكثر تعداد گره ها در حافظه.
    • بهينگي- آيا هميشه كم هزينه ترين راه حل را پيدا مي كند؟
  • پيچيدگي زمان و فضا برحسب پارامترهاي زير سنجيده مي شوند:
    • b: حداكثر فاكتور انشعاب درخت جستجو.
    • d: عمق كم هزينه ترين راه حل.
    • m: حداكثر عمق فضاي حالت ( ممكن است ∞ باشد).
slide76
استرتژي هاي جستجوي ناآگاهانه

استراتژي هاي ناآگاهانه(Uninformed) تنها از اطلاعات موجود در تعريف مسأله استفاده مي كنند.

جستجوي اول-سطح (BFS)Breadth-rst search

جستجوي هزينه- يكنواخت (UCS)Uniform-cost search

جستجوي اول-عمق ( عمقي) (DFS)Depth-first search

جستجوي با عمق محدود (DLS)Depth-limited search

جستجوي عميق كننده تكراري (IDS)Iterative deepening search

ad