Mục tiêu Bài giảng Nhập môn trí tuệ nhân tạo: Chương 4.1 nhằm giúp các bạn nắm được phương pháp xây dựng hàm đánh giá, một số phương pháp tìm kiếm dựa trên chiều sâu và chiều rộng có sử dụng thông tin, các phương pháp tìm kiếm phần tử tốt nhất, phương pháp tiếp cận giải thuật GEN.
Nhập mơn Trí tuệ nhân tạo Chương 4-1 Các phương pháp tìm kiếm có sử dụng thơng tin Biên soạn: TS Ngơ Hữu Phúc Bộ mơn Khoa học máy tính ĐT: 098 56 96 580 eMail: ngohuuphuc76@gmail.com Các phương pháp tìm kiếm có kinh nghiệm Thơng tin chung Thơng tin nhóm mơn học: TT Họ tên giáo viên Học hàm Học vị Đơn vị công tác (Bộ môn) Ngô Hữu Phúc GVC TS BM Khoa học máy tính Trần Nguyên Ngọc GVC TS BM Khoa học máy tính Hà Chí Trung GVC TS BM Khoa học máy tính Trần Cao Trưởng GV ThS BM Khoa học máy tính Thời gian, địa điểm làm việc: Bộ mơn Khoa học máy tính Tầng 2, nhà A1 Địa liên hệ: Bộ môn Khoa học máy tính, khoa Cơng nghệ thơng tin Điện thoại, email: 069-515-329, ngohuuphuc76.mta@gmail.com Các phương pháp tìm kiếm có kinh nghiệm Cấu trúc mơn học Chương 1: Giới thiệu chung Chương 2: Logic hình thức Chương 3: Các phương pháp tìm kiếm mù Chương 4: Các phương pháp tìm kiếm có sử dụng thơng tin Chương 5: Các chiến lược tìm kiếm có đối thủ Chương 6: Các toán thỏa buộc Chương 7: Nhập môn học máy Các phương pháp tìm kiếm có kinh nghiệm Bài 4: Các phương pháp tìm kiếm có kinh nghiệm Chương 4, mục: 4.1 – 4.12 Tiết: 1-3; 4-6; Tuần thứ: 5,6 Mục đích, yêu cầu: Nắm phương pháp xây dựng hàm đánh giá Nắm số phương pháp tìm kiếm dựa chiều sâu chiều rộng có sử dụng thơng tin Nắm phương pháp tìm kiếm phần tử tốt Nắm phương pháp tiếp cận giải thuật GEN Hình thức tổ chức dạy học: Lý thuyết Thời gian: tiết Địa điểm: Giảng đường Phòng Đào tạo phân cơng Nội dung chính: (Slides) Các phương pháp tìm kiếm có kinh nghiệm Nội dung Giới thiệu chung; Hàm đánh giá tìm kiếm kinh nghiệm; Tìm kiếm tốt (Best-first search); Tìm kiếm ăn tham tốt (Greedy best-first search); Thuật toán leo đồi (Hill-climbing search); Tìm kiếm beam (Beam search); Heuristic chấp nhận được; Tìm kiếm A* (A* search) Tìm kiếm nhánh cận (Branch and Bound) 10 Các phương pháp tìm kiếm cục (Local search algorithms) 11 Tìm kiếm mơ luyện kim (Simulated annealing search) 12 Thuật toán gen (Genetic algorithms) Các phương pháp tìm kiếm có kinh nghiệm Giới thiệu chung Các kỹ thuật tìm kiếm mù hiệu quả, nhiều trường hợp không sử dụng Trong chương này, nghiên cứu: Các phương pháp tìm kiếm kinh nghiệm (tìm kiếm heuristic) Các phương pháp sử dụng hàm đánh giá Các phương pháp tìm kiếm có kinh nghiệm Hàm đánh giá tìm kiếm kinh nghiệm Trong tìm kiếm sử dụng kinh nghiệm, với trạng thái u, xác định hàm h(u), hàm đánh giá, hàm dùng để đánh giá trạng thái “tốt”, cho hy vọng tới đích tốt Các kỹ thuật gọi chung tìm kiếm kinh nghiệm (heuristic search) Các giai đoạn tìm kiếm kinh nghiệm: Tìm biểu diễn thích hợp mơ tả trạng thái toán tử Xây dựng hàm đánh giá, Thiết kế chiến lược chọn trạng thái để phát triển bước Các phương pháp tìm kiếm có kinh nghiệm 2.1 Hàm đánh giá Trong tìm kiếm có kinh nghiệm, hàm đánh giá đóng vai trò quan trọng Nếu xây dựng hàm đánh giá chất vấn đề → tìm kiếm có hiệu quả, Ngược lại, xây dựng khơng tốt lệch hướng tìm kiếm hiệu Việc xây dựng hàm đánh giá tùy thuộc vào vấn đề cần giải Các phương pháp tìm kiếm có kinh nghiệm 2.2 Một số ví dụ hàm đánh giá Ví dụ 1: Trong tốn tìm kiếm đường đồ, xây dựng hàm đánh giá: Đường chim bay từ thành phố sang thành phố khác, Sử dụng khoảng cách thực đường thành phố, Sử dụng khoảng cách số trọng số khác ảnh hưởng tới việc tìm kiếm (đóng vai trò làm tăng thời gian di chuyển thành phố), … Các phương pháp tìm kiếm có kinh nghiệm 2.2 Một số ví dụ hàm đánh giá (tiếp) Ví dụ 2: Xét tốn số, ta xây dựng hàm đánh sau: Hàm H1: 1 - với trạng thái u, H1(u) số quân sai vị trí - ví dụ trên: H1(u) = Hàm H2: - H2(u) tổng khoảng cách vị trí quân trạng thái u với vị trí trạng thái đích - ví dụ trên: H2(u) = 10 Các phương pháp tìm kiếm có kinh nghiệm 10.1.2 Nhận xét Hill-Climbing Yếu điểm: phụ thuộc vào trạng thái khởi đầu, bị tắc cực trị địa phương (Vấn đề ridge, valley) Khắc phục: Có thể lặp lại trình leo đồi với nhiều điểm xuất phát khác 55 Các phương pháp tìm kiếm có kinh nghiệm 10.1.3 Ví dụ: n-queens 56 Các phương pháp tìm kiếm có kinh nghiệm 10.1.3 Ví dụ tốn 8-queens h = số lượng hậu công lẫn (trực tiếp gián tiếp) h = 17 hình 57 Các phương pháp tìm kiếm có kinh nghiệm 10.1.3 Ví dụ tốn 8-queens • Một cực trị địa phương với h = 58 Các phương pháp tìm kiếm có kinh nghiệm 10.1.3 Bài tốn người du lịch • biểu diễn: dãy hốn vị • h=tổng giá chi phi đường di dẫy hoán vị • Toán tử: đổi chỗ hai đỉnh 59 Các phương pháp tìm kiếm có kinh nghiệm 10.2 Tìm kiếm địa phương tối ưu không ràng buộc xk + = xk + k p k xk = xk + – x k = kp k xk +1 kp k xk pk - hướng tìm kiếm k - hệ số học 60 Các phương pháp tìm kiếm có kinh nghiệm 10.2.1 Tìm kiếm Gradient Ý tưởng: Tìm kiếm gradient kỹ thuật tìm kiếm leo đồi để tìm giá trị lớn (hoặc nhỏ nhất) hàm khả vi liên tục f(x) không gian vector thực n-chiều Trong lân cận đủ nhỏ điểm 𝑥 = (𝑥1, 𝑥2, … , 𝑥𝑛), hàm f tăng nhanh theo hướng gradient, với hướng xác định: 𝜕𝑓 𝜕𝑓 𝜕𝑓 𝛻𝑓 = , ,…, 𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛 61 Các phương pháp tìm kiếm có kinh nghiệm 10.2.2 Thuật tốn giảm gradient Chọn bước cho: F x k + F xk với thay đổi nhỏ x ta xấp xỉ hàm F(x): T F xk + 1 = F xk + x k F xk + gk x k g k F x x = xk Muốn hàm giảm thì: T T g k xk = kg k pk Giảm nhiều nhất: pk = – gk xk + = xk – k gk 62 Các phương pháp tìm kiếm có kinh nghiệm 10.2.3 Cài đặt tìm kiếm Gradient Procedure Gradient_Search; Begin x ← điểm xuất phát đó; repeat 𝑥 ← 𝑥 + 𝛼 𝛻𝑓 𝑥 ; until 𝛻𝑓 𝑥 cost(u) then u ← v; Hàm xác ∆/T else u ← v với xác suất e ; định tốc độ giảm T ← g(T,t); t ← t + 1; nhiệt độ until T đủ nhỏ; End; 68 Các phương pháp tìm kiếm có kinh nghiệm 10.3.3 Nhận xét SA Đã chứng minh lý thuyết, T giảm đủ chậm thuật tốn tìm nghiệm tối ưu tồn cục Thuật tốn mơ luyện kim (SA) áp dụng thành cơng cho tốn tối ưu cỡ lớn 69 Các phương pháp tìm kiếm có kinh nghiệm ... thủ Chương 6: Các tốn thỏa buộc Chương 7: Nhập mơn học máy Các phương pháp tìm kiếm có kinh nghiệm Bài 4: Các phương pháp tìm kiếm có kinh nghiệm Chương 4, mục: 4.1 – 4.12 Tiết: 1-3 ; 4-6 ; Tuần... đánh sau: Hàm H1: 1 - với trạng thái u, H1(u) số quân sai vị trí - ví dụ trên: H1(u) = Hàm H2: - H2(u) tổng khoảng cách vị trí quân trạng thái u với vị trí trạng thái đích - ví dụ trên: H2(u)... Cấu trúc mơn học Chương 1: Giới thiệu chung Chương 2: Logic hình thức Chương 3: Các phương pháp tìm kiếm mù Chương 4: Các phương pháp tìm kiếm có sử dụng thơng tin Chương 5: Các chiến