Tiểu luận trí tuệ nhân tạo

1 Giải thuật tô màu đồ thị1.1 Trình bày giải thuật Giải thuật tô màu đồ thị Graph Coloring Algorithm được sử dụng để tìm cách gán một tập màu cho các đỉnh của đồ thị sao cho không có hai

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TIỂU LUẬN TRÍ TUỆ NHÂN TẠO

Sinh viên thực hiện: Trương Hoàng Nam

Mã sinh viên: 2110060032

Lớp : Công Nghệ Thông Tin

Khoá : 21TXTH01

Giảng viên hướng dẫn : ThS Ngô Tân Khai

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TIỂU LUẬN TRÍ TUỆ NHÂN TẠO

Sinh viên thực hiện: Trương Hoàng Nam

Mã sinh viên: 2110060032

Lớp : Công Nghệ Thông Tin

Khoá : 21TXTH01

Giảng viên hướng dẫn : ThS Ngô Tân Khai

TP Hồ Chí Minh, tháng 07 năm 2023

MỤC LỤC

MỤC LỤC 1

MỞ ĐẦU 1

1 Giải thuật tô màu đồ thị 2

1.1 Trình bày giải thuật 2

1.2 Giải các bài toán về tô màu 2

2 Giải thuật GTS1, GTS2 3

2.1 Trình bày giải thuật 3

2.2 Giải các bài toán về tìm đường đi 3

3 Giải thuật Quinlan để xây dựng cây định danh 4

3.1 Trình bày giải thuật 4

3.2 Giải các bài toán liên quan để tìm ra luật 4

4 Giải thuật A , A * KT 5

4.1 Trình bày giải thuật 5

4.2 Giải các bài toán về tìm đường đi 5

5 Biểu diễn và xử lý tri thức 6

Trình bày giải thuật 6

TÀI LIỆU THAM KHẢO 7

MỞ ĐẦU

1 Giới thiệu về TTNT

Môn học Trí tuệ nhân tạo, còn được gọi là Artificial Intelligence (AI), là một lĩnh vực trong khoa học máy tính nghiên cứu và phát triển các hệ thống có khả năng hoạt động giống con người trong việc tư duy, học hỏi và ra quyết định Mục tiêu chính của môn học này là tạo ra các chương trình và máy tính có khả năng hiểu, suy luận, giải quyết vấn đề và học hỏi như con người

Môn học Trí tuệ nhân tạo bao gồm một loạt các kỹ thuật và phương pháp, bao gồm: học máy (machine learning), xử lý ngôn ngữ tự nhiên (natural language processing), thị giác máy tính (computer vision), logic và suy luận, mạng nơ-ron nhân tạo (artificial neural networks) và nhiều khía cạnh khác

Môn học Trí tuệ nhân tạo cung cấp kiến thức và kỹ năng quan trọng cho việc phát triển và triển khai các hệ thống AI hiệu quả Nó khuyến khích sinh viên học cách áp dụng các phương pháp và công nghệ AI vào giải quyết các vấn đề thực

tế và tiếp cận các khía cạnh đa dạng của sự thông minh nhân tạo

2 Ứng dụng của TTNT

Môn học Trí tuệ nhân tạo (AI) đã có nhiều ứng dụng quan trọng và đa dạng trong nhiều lĩnh vực khác nhau Dưới đây là một số ví dụ về các ứng dụng của Trí tuệ nhân tạo:

- Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP): AI đã được sử dụng để phát triển các hệ thống có khả năng hiểu và tương tác với ngôn ngữ tự nhiên Ví dụ bao gồm trợ lý ảo (như Siri và Alexa) và các công cụ dịch thuật tự động

- Học máy (Machine Learning - ML): ML là một lĩnh vực trong AI tập trung vào việc xây dựng các mô hình học từ dữ liệu để dự đoán và phân loại Ứng dụng của ML rất phong phú, bao gồm nhận dạng khuôn mặt, phân loại email spam, gợi ý sản phẩm, tự động lái xe, và dự đoán thị trường tài chính

- Thị giác máy tính (Computer Vision): AI được sử dụng để phát triển các hệ thống có khả năng nhận dạng và phân tích hình ảnh và video Ví dụ gồm nhận dạng vật thể, nhận dạng khuôn mặt và phân tích tình cảm

- Robot hóa và tự động hóa công nghiệp: AI được sử dụng để phát triển các hệ thống tự động hoá trong công nghiệp, từ robot hàn, robot giao hàng, tự động hóa dây chuyền sản xuất đến hệ thống quản lý kho

- Trợ lý ảo và công nghệ giáo dục: AI có thể được sử dụng để xây dựng các trợ

lý ảo trong lĩnh vực giáo dục, giúp học sinh và sinh viên học tập và tương tác thông qua giao diện thông minh

- Y tế và chăm sóc sức khỏe: AI có thể được áp dụng để phân tích hình ảnh y khoa, hỗ trợ chẩn đoán bệnh, xác định tỉ lệ thành công của quy trình y tế và phân tích dữ liệu điều trị

1 Giải thuật tô màu đồ thị

1.1 Trình bày giải thuật

Giải thuật tô màu đồ thị (Graph Coloring Algorithm) được sử dụng để tìm cách gán một tập màu cho các đỉnh của đồ thị sao cho không có hai đỉnh kề nhau có cùng màu Vấn đề tô màu đồ thị là một vấn đề quan trọng trong lý thuyết đồ thị và có nhiều ứng dụng thực tế, ví dụ như lịch biểu môn học, xếp lịch sân vận động, phân vùng tần

số trong mạng di động, và lên lịch công việc cho nhân viên

Một trong những thuật toán tô màu đồ thị phổ biến là thuật toán tô màu đơn giản (Simple Coloring Algorithm) theo quy tắc tô từng đỉnh theo thứ tự và gán màu cho đỉnh đồng thời loại đi màu đã được sử dụng bởi các đỉnh kề Thuật toán này tiếp tục cho đến khi tất cả các đỉnh của đồ thị đều được tô màu

Một thuật toán tô màu đồ thị phức tạp hơn là thuật toán Welsh-Powell, thuật toán này sắp xếp các đỉnh theo thứ tự giảm dần của bậc đỉnh (số lượng đỉnh kề), sau đó tiến hành tô màu từ đỉnh có bậc cao nhất đến đỉnh có bậc thấp nhất Khi tô màu mỗi đỉnh, thuật toán kiểm tra các màu đã được sử dụng bởi các đỉnh kề để chọn màu phù hợp cho đỉnh hiện tại

Ngoài ra, còn có nhiều thuật toán khác như thuật toán DSATUR (Degree of Saturation), thuật toán Backtracking và thuật toán tô màu tối ưu mà có thể được sử dụng để giải quyết vấn đề tô màu đồ thị

Hai thuật toán tô màu bao gồm: thuật toán heuristic dựa trên ràng buộc (đỉnh nào

có nhiều ràng buộc nhất –bậc cao nhất– sẽ được tô trước) và thuật toán tô màu theo giá trị (tham lam)

Thuật toán tô màu trên đồ thị dựa vào số bậc (ràng buộc) Đếm bậc các đỉnh và Lặp lại các bước sau cho đến khi bậc của tất cả các đỉnh bằng 0 và các đỉnh đã được tô màu:

+Bước 1: Tô màu i cho đỉnh có bậc lớn nhất

+Bước 2: Hạ bậc + Bậc của đỉnh được tô màu i thì: Bậc = 0 + Bậc của đỉnh có liên hệ với đỉnh được tô màu i thì: Bậc= Bậc -1

+Bước 3: Cấm tô màu i cho các đỉnh vừa bị hạ bậc

Thuật toán tô màu greedy Dùng màu thứ nhất tô cho một đỉnh bất kỳ và tất cả các đỉnh khác có thể tô được Sau đó dùng màu thứ hai tiếp tục tô cho các đỉnh còn lại theo cùng nguyên tắc … cho đến khi tất cả các đỉnh của đồ thị đã được tô màu

1.2 Giải các bài toán về tô màu

Bài 1: Tô màu đồ thị

Kết luận:

MÀU 1: A, D, G, H

MÀU 2: B, E, F

MÀU 3: C, I, J

Bài 2: Tô màu đồ thị

Kết luận:

MÀU 1: F

MÀU 2: A, C

MÀU 3: E, B

MÀU 4: D

Bài 3: Tô màu đồ thị

Kết luận:

MÀU 1: B, F

MÀU 2: C, E

MÀU 3: D, G

MÀU 4: A

2 Giải thuật GTS1, GTS2 2.1 Trình bày giải thuật

- Thuật toán GTS1 cố gắng đạt được lời giải tốt nhất ở mỗi bước thực hiện bằng cách chọn đường đi có chi phí thấp nhất tại thành phố hiện tại và tiếp tục đi Thuật toán gồm các bước sau:

[Khởi đầu] TOUR = {}, COST = 0; v = 1 [Chọn lộ trình]: Lặp cho đến khi chọn

đủ N đỉnh

Với mỗi bước lặp: Chọn (v,w) là cạnh có chi phí nhỏ nhất tính từ v đến các đỉnh chưa sử dụng w

Gán TOUR = TOUR + {(v,w)}, COST = COST + C(v,w) Sử dụng đỉnh w cho bước kế tiếp: v = w [Hoàn thành]: Gán TOUR = TOUR + {(v,1)}, COST = COST + C(v,1)

- Thuật toán GTS1 rõ ràng không bảo đảm tìm được lộ trình tốt nhất Nếu không

bị ràng buộc bởi đỉnh xuất phát, GTS2 lựa chọn P (P<<N) đỉnh bắt đầu khác nhau và

áp dụng GTS1 lên từng đỉnh xuất phát Kết quả tốt nhất trong P chu trình là lời giải cuối cùng của bài toán

2.2 Giải các bài toán về tìm đường đi

Bài 1: Cho đồ thị có ma trận chi phí như sau:

∞ 20 42 31 6 24

10 ∞ 17 6 35 18

25 5 ∞ 27 14 9

12 9 24 ∞ 30 12

14 7 21 15 ∞ 38

40 15 16 5 20 ∞

-Sử dụng giải thuật GTS1 để tìm hành trình bắt đầu tại các đỉnh v =1; v =3; v1 2 3=4;v =5 4

GTS1(v1) = 1 → 5 → 2 → 4 → 6 → 3 → 1

Cost(v1) = 6 + 7 + 6 + 12 +16 + 25 = 72

Tương tự tính được:

GTS1(v2) =3 → 2 → 4 → 1 → 5 → 6 → 3

Cost (v ) 2 =5 + 6 + 12 + 6 +38 + 16 = 83

GTS1(v3) =4 → 2 → 1 → 5 → 3 → 6 → 4

Cost (v ) 3 =9 + 10 + 6 + 21 +9 + 5 = 60

GTS1(v4) =5 → 2 → 4 → 1 → 6 → 3 → 5

Cost (v ) 4 =7 + 6 + 12 + 24 +16 + 14 = 79

-Sử dụng giải thuật GTS2 để tìm hành trình tốt nhất với p=4 (v =2; v =3; v =5; v =6) 1 2 3 4

Áp dụng giải thuật GTS1 như trên để tính

GTS1(v1) = 2 → 4 → 1 → 5 → 3 → 6 → 2

Cost(v1) =.6+12+6+21+9+15=69

GTS1(v2) =3 → 2 → 4 → 1 → 5 → 6 → 3

Cost (v ) 2 =5 + 6 + 12 + 6 +38 + 16 = 83

GTS1(v3) =5 → 2 → 4 → 1 → 6 → 3 → 5

Cost (v ) 3 =7 + 6 + 12 + 24 +16 + 14 = 79

GTS1(v4) =6 → 4 → 2 → 1 → 5 → 3 → 6

Cost (v ) 4 =5 + 9 + 10 + 6 +21 + 9 = 60

Kết luận: Hành trình tốt nhất có chi phí là 60 với chi tiết tour như sau:

6 → 4 → 2 → 1 → 5 → 3 → 6

Bài 2: Cho đồ thị có ma trận chi phí như sau:

∞ 28 36 34 10 29

16 ∞ 20 11 37 23

17 9 ∞ 32 18 13

16 13 28 ∞ 35 19

18 14 25 19 ∞ 49

40 19 20 11 91 ∞

-Sử dụng giải thuật GTS1 để tìm hành trình bắt đầu tại các đỉnh v1=2; v2=3; v3=5; v4=6

GTS1(v1) = 2 → 5 → 1 → 4 → 3 → 6 → 2

Cost(v1) = 20 + 18 + 16 + 19 + 28 + 40 = 141

GTS1(v2) = 3 → 1 → 4 → 2 → 5 → 6 → 3

Cost(v4) = 11 + 13 + 14 + 18 + 16 + 19 = 91

Bài 3: Cho đồ thị có ma trận chi phí như sau:

∞ 19 27 25 1 20

7 ∞ 11 2 28 14

8 4 ∞ 23 9 4

7 4 19 ∞ 26 10

9 5 16 10 ∞ 40

31 10 11 2 82 ∞

Sử dụng giải thuật GTS1 để tìm hành trình bắt đầu tại các đỉnh v1=1; v2=3; v3=4; v4=5

GTS1(v1) = 1 → 5 → 2 → 4 → 6 → 3 → 1

Cost(v1) = 1 + 1 + 4 + 9 + 10 + 8 = 33

GTS1(v2) = 3 → 1 → 4 → 6 → 2 → 5 → 3

Cost(v2) = 2 + 6 + 9 + 10 + 11 + 5 = 43

GTS1(v3) = 4 → 6 → 2 → 5 → 1 → 3 → 4

Cost(v3) = 4 + 10 + 4 + 5 + 19 + 23 = 65

GTS1(v4) = 5 → 2 → 4 → 6 → 3 → 1 → 5

Cost(v4) = 1 + 4 + 9 + 10 + 8 + 27 = 59

3 Giải thuật Quinlan để xây dựng cây định danh 3.1 Trình bày giải thuật

Giải thuật Quinlan, hay còn gọi là C4.5, là một giải thuật trong lĩnh vực khai thác

dữ liệu và học máy được sử dụng để xây dựng cây quyết định hoặc cây định danh Phương pháp này được đặt theo tên của nhà khoa học máy tính Ross Quinlan, người

đã phát triển nó vào những năm 1990

Giải thuật Quinlan sử dụng kỹ thuật đệ quy để xây dựng cây định danh từ tập dữ liệu đào tạo Quá trình xây dựng cây bắt đầu bằng cách chọn thuộc tính tốt nhất để chia

dữ liệu thành các tập con Thuộc tính tốt nhất được xác định bằng các tiêu chí như độ tương đồng, hỗn hợp hoặc độ tin cậy của thuộc tính Tập con mới được tách ra từ tập

dữ liệu gốc và được sử dụng để tạo nút trong cây Quá trình này lặp lại cho đến khi đạt được một điều kiện dừng, ví dụ như khi dữ liệu thuộc về cùng một lớp hoặc khi không còn thuộc tính để chia

Giải thuật Quinlan cũng sử dụng kỹ thuật xử lý các giá trị thiếu trong dữ liệu bằng cách sử dụng các phương pháp như dự báo, bỏ qua giá trị thiếu, hoặc sử dụng các giá trị trung bình hoặc phổ biến nhất

Sau khi cây được xây dựng, nó có thể được sử dụng để dự đoán nhãn của các mẫu dữ liệu mới bằng cách đi xuống từ gốc cây đến các lá tương ứng Cây quyết định

sẽ dẫn đến kết quả dự đoán dựa trên các quyết định được lưu trữ trong các nút của cây Giải thuật Quinlan đã chứng tỏ hiệu quả trong việc xây dựng cây định danh trong các bài toán phân loại và dự đoán Nó đã được áp dụng rộng rãi trong nhiều lĩnh vực, bao gồm khai thác dữ liệu, học máy và trí tuệ nhân tạo

Quinlan quyết định thuộc tính phân hoạch bằng cách xây dựng các vector đặc

trưng cho mỗi giá trị của từng thuộc tính dẫn xuất và thuộc tính mục tiêu Cách tính cụ

thể như sau:

Với mỗi thuộc tính dẫn xuất A còn có thể sử dụng để phân hoạch, tính: VA(j) = ( T(j r ), T(j r ), …, T(j rn) ) , 1 , 2 ,

T(j, ri) = (tổng số phần tử trong phân hoạch có giá trị thuộc tính dẫn xuất A là j

và có

giá trị thuộc tính mục tiêu là ri ) ( tổng số phần tử trong phân hoạch có giá trị thuộc /

tính dẫn xuất A là j )

* trong đó r , r , …, rn là các giá trị của thuộc tính mục tiêu 1 2

*

Như vậy nếu một thuộc tính A có thể nhận một trong 5 giá trị khác nhau thì nó

sẽ có 5 vector đặc trưng

Một vector V(Aj ) được gọi là vector đơn vị nếu nó chỉ có duy nhất một thành phần có giá trị 1 và những thành phần khác có giá trị 0

Thuộc tính được chọn để phân hoạch là thuộc tính có nhiều vector đơn vị nhất

3.2 Giải các bài toán liên quan để tìm ra luật

Học viên trình bày phần bài tập cho nội dung này (các bài tập GV đã cho, hoặc sưu tầm trên internet)

4 Giải thuật A , A

4.1 Trình bày giải thuật

a Giải thuật A KT (Algorithm for Knowlegeable Tree Search)

Thuật giải AKT mở rộng AT bằng cách sử dụng thêm thông tin ước lượng h’

Độ tốt của một trạng thái f là tổng của hai hàm g và h’

b Giải thuật A*

A* (A-star) là một giải thuật tìm kiếm trong lĩnh vực Trí tuệ nhân tạo Nó được

sử dụng trong các bài toán tìm kiếm đường đi trong các đồ thị hoặc mô hình không gian trạng thái Giải thuật A* kết hợp giữa việc tìm kiếm theo chiều rộng (BFS) và tìm kiếm theo ưu tiên Best-First Search) để tìm ra đường đi tối ưu từ điểm bắt đầu đến điểm đích

Giải thuật A* sử dụng một hàm chi phí ước (heuristic function) để đánh giá giá trị ưu tiên của các nút trong trình tìm kiếm Hàm chi phí ước tính thường được thiết kế

để xác định ước lượng về khoảng cách còn lại từ một nút đến điểm đi Quá trình tìm kiếm áp dụng các giá trị chi phí để xác định đường đi tốt nhất thông qua các nút, với một mục tiêu là tìm kiếm đường đi có tổng chi phí đã di chuyển và chi phí ước tính thấp nhất

Giải thuật A* đã được áp dụng rộng rãi trong những bài toán tìm kiếm đường đi, bao gồm tìm kiếm trong trò chơi, quy hoạch đường đi trong robot tự động và lên lịch trong h thống vận chuyển Điểm mạnh giải thuật này là khả năng tìm ra đường đi tối

ưu một thời gian tương đối ngắn

A* là một phiên bản đặc biệt của AKT áp dụng cho trường hợp đồ thị Thuật giải A* có sử dụng thêm tập hợp CLOSE để lưu trữ những trường hợp đã được xét đến A*

mở rộng AKT bằng cách bổ sung cách giải quyết trường hợp khi "mở" một nút mà nút này đã có sẵn trong OPEN hoặc CLOSE Khi xét đến một trạng thái Ti bên cạnh việc lưu trữ 3 giá trị cơ bản g,h’, f’ để phản ánh độ tốt của trạng thái đó, A còn lưu trữ* thêm hai thông số sau:

- Trạng thái cha của trạng thái Ti (ký hiệu là Cha(Ti): cho biết trạng thái dẫn đến

trạng thái Ti Trong trường hợp có nhiều trạng thái dẫn đến T thì chọn Cha(Ti) sao choi chi phí đi từ trạng thái khởi đầu đến Ti là thấp nhất, nghĩa là:

g(Ti) = g(Tcha) + cost(Tcha, Ti) là thấp nhất

- Danh sách các trạng thái kế tiếp của Ti danh sách này lưu trữ các trạng thái kế

tiếp Tk của Ti sao cho chi phí đến Tk thông qua Ti từ trạng thái ban đầu là thấp nhất Thực chất thì danh sách này có thể được tính ra từ thuộc tính Cha của các trạng thái được lưu trữ Tuy nhiên, việc tính toán này có thể mất nhiều thời gian (khi tập OPEN, CLOSE được mở rộng) nên người ta thường lưu trữ ra một danh sách riêng Trong thuật toán sau đây, chúng ta sẽ không đề cập đến việc lưu trữ danh sách này Sau khi hiểu rõ thuật toán, bạn đọc có thể dễ dàng điều chỉnh lại thuật toán để lưu trữ thêm thuộc tính này

4.2 Giải các bài toán về tìm đường đi

Học viên trình bày phần bài tập cho nội dung này (các bài tập GV đã cho, hoặc sưu tầm trên internet)

5 Biểu diễn và xử lý tri thức Trình bày giải thuật

Trong môn học Trí tuệ nhân tạo, giải thuật biểu diễn và xử lý tri thức đóng vai trò quan trọng trong việc mô phỏng và sử dụng tri thức trong hệ thống máy tính Dưới đây

là một trình bày tổng quan về giải thuật biểu diễn và xử lý tri thức trong lĩnh vực này:

1 Biểu diễn tri thức:

- Sử dụng giả thuyết hàm (predicate logic): Giải thuật này dựa trên việc biểu diễn tri thức bằng các mệnh đề logic trong hàm predicate với các quan hệ, đối tượng,

và thuộc tính Đây là một phương pháp được sử dụng trong hệ thống logic thông tin, ràng buộc Ví dụ: Hàm "sinh_vien(john)" có thể biểu diễn rằng "john" là một sinh viên

- Biểu diễn dựa trên đồ thị tri thức: Giải thuật này sử dụng các đồ thị để biểu diễn tri thức dưới dạng các đối tượng và mối quan hệ giữa chúng Các đối tượng là các đỉnh và các mối quan hệ là các cạnh trong đồ thị

2 Xử lý tri thức:

- Hệ luật logic: Sử dụng các nguyên tắc trong lý thuyết hệ luật (rule-based reasoning) để suy luận và đưa ra kết luận từ các tri thức đã biểu diễn Ví dụ: Nếu có tri thức "nếu A và B thì C", và có tri thức "A và B là đúng", giải thuật này sẽ suy ra "C là đúng"

- Hệ truy vấn tri thức: Sử dụng các ngôn ngữ và công cụ truy vấn tri thức để truy vấn và trích xuất thông tin từ các hệ thống tri thức Các ngôn ngữ như SPARQL được sử dụng để truy vấn các tri thức trong các cơ sở dữ liệu tri thức

- Học máy và khai phá dữ liệu: Sử dụng các giải thuật học máy và khai ph thích (data mining) để rút ra tri thức ẩn và mẫu trong dữ liệu Các phương pháp như học tăng cường, học có giám sát, và học không giám sát được áp dụng trong việc xác định

và ứng dụng tri thức

Giải thuật biểu diễn và xử lý tri thức trong Trí tuệ nhân tạo là một lĩnh vực phức tạp và đa dạng, giúp máy tính hiểu và sử dụng thông tin tri thức để giải quyết các bài toán thực tế Công cụ và kỹ thuật trong lĩnh vực này liên tục được nghiên cứu và phát triển để nâng cao khả năng của máy tính trong xử lý tri thức