Download
1 / 34
370 likes | 666 Views
هوش مصنوعی جستجو برای حل مسئله. حسین دهقان دانشکده فنی و مهندسی جم (خلیج فارس). کاربرد. تشخیص حرکت بعدی. جستجوی RBFS. تعریف. جستجوی اول بهترین بازگشتی Recursive Best First Search الگوریتم بازگشتی ساده مانند جستجوی اول بهترین دارای پیچیدگی مکانی خطی. الگوریتم.
E N D
هوش مصنوعیجستجوبرای حل مسئله حسین دهقان دانشکده فنی و مهندسی جم (خلیج فارس)
کاربرد حسین دهقان دانشکده فنی و مهندسی جم
تشخیص حرکت بعدی حسین دهقان hd.dehghan@gmail.com
جستجویRBFS حسین دهقان دانشکده فنی و مهندسی جم
تعریف • جستجوی اول بهترین بازگشتی • Recursive Best First Search • الگوریتم بازگشتی ساده • مانند جستجوی اول بهترین • دارای پیچیدگی مکانی خطی حسین دهقان hd.dehghan@gmail.com
الگوریتم • شبیه جستجوی عمقی بازگشتی، اما بجای اینکه دائما مسیر فعلی به سمت پایین را ادامه دهد • مقدار fبهترین مسیر جانشین از طریق اجداد گره فعلی را نگه می دارد. • اگر fگره فعلی از f-limitتجاوز کند به عقب برمی‌گردد تا مسیر جانشین را انتخاب کند. • در برگشت به عقب: مقدار f هر گره موجود در مسیر را با کمترین مقدار f فرزندانش جایگزین می‌کند حسین دهقان hd.dehghan@gmail.com
مثال 380 374 234 366 226 253 176 199 حسین دهقان hd.dehghan@gmail.com 193 244 329 151 100 241 80 161 242 160 77
ویژگی‌ها • بهینگی • اگر تابع اکتشابی h(n) قابل قبول باشد. • پیچیدگی مکانی • تابع خطی از عمق عمیق‌ترین راه‌حل بهینه است. • O(bd) حسین دهقان hd.dehghan@gmail.com
جستجویSMA* حسین دهقان دانشکده فنی و مهندسی جم
تعریف • مقید به حافظه ساده شده (SMA*) • Simplified, memory-bounded A* • همانند A* بهترین برگ را گسترش می‌دهد تا حافظه پر شود. • با پرشدن حافظه، بدترین گره برگ (بالاترین مقدار f) حذف می‌شود. • SMA*، ارزش گره فراموش شده را به پدر آن بر می‌گرداند. حسین دهقان hd.dehghan@gmail.com
مثال حسین دهقان hd.dehghan@gmail.com
ویژگی • کامل بودن • اگر عمق کم عمق‌ترین هدف (d) کمتر یا مساوی اندازه حافظه باشد. • بهینه • اگر حافظه برای ذخیره کم عمق‌ترین مسیر راه حل بهینه وجود داشته باشد. حسین دهقان hd.dehghan@gmail.com
فاکتور انشعاب حسین دهقان دانشکده فنی و مهندسی جم
تعریف • راه حلی برای ارزیابی کارایی یک الگوریتم • فاکتور انشعاب مؤثر = b* • N= تعداد گره‌هايي تولید شده برای يک مسئله خاص • d= عمق راه حل بهینه • فاکتور انشعاب موثرایده‌آل = 1 حسین دهقان hd.dehghan@gmail.com
مثال حسین دهقان hd.dehghan@gmail.com
جست و جوی آگاهانه و اکتشاف • اگر برای هر گره n داشته باشيم: h2(n) >= h1(n) • h2بر h1غالب است • غالب بودن مستقيما به کارايي ترجمه ميشود • تعداد گره هايي که با بکارگيری h2بسط داده ميشود، هرگز بيش از بکارگيری h1نيست حسین دهقان hd.dehghan@gmail.com
الگوریتم‌های جستجوی محلی و مسائل بهینه سازی حسین دهقان دانشکده فنی و مهندسی جم
تعریف • الگوريتم‌های قبلی، فضای جست و جو را به طور سيستماتيک بررسی مي‌کنند • مسير رسيدن به هدف، راه حل مسئله را تشکيل مي‌دهد • تا رسيدن به هدف يک يا چند مسير نگهداری مي‌شوند • در الگوريتم های محلی مسير رسيدن به هدف مهم نيست • مثال: مسئله 8 وزير • طراحی مدارات VLSI • الگوریتم‌های جستجوی محلی حسین دهقان hd.dehghan@gmail.com
جستجوی تپه نوردی • در جهت افزایش مقدار ارزش حرکت می‌کند (به طرف بالای تپه). • وقتی به قله رسید (جایی که هیچ همسایه‌ای از آن بلندتر نیست) خاتمه می‌یابد. حسین دهقان hd.dehghan@gmail.com
مثال • 8 وزیر • h: تعداد زوج وزیرانی که همدیگر را تحدید می‌کنند. حسین دهقان hd.dehghan@gmail.com h=1 h=17
راه حل • ابتدا در هر ستون یک وزیر قرار می‌دهیم. • تمام مابعدهای ممکن از حالت ایجاد شده را ایجاد می‌کنیم. • انتقال يک وزير به مربع ديگر در همان ستون • هر حالت 56=7×8 مابعد دارد. • بهترین مابعد را براساس hانتخاب می‌کنیم. • روند 1 و 2 را تا رسیدن به هدف تکرار می‌کنیم. حسین دهقان hd.dehghan@gmail.com
انواع تپه نوردی • تصادفی(Stochastic) • انتخاب یکی از حرکت‌ها رو به بالا و به صورت تصادفی • اولین انتخاب (Firstchoice) • بصورت تصادفی پسین تولید می‌کند تا زمانی که پسینی تولید که از حالت اولیه بهتر باشد. • زمانی مناسب است که فاکتور انشعاب بزرگ باشد. • شروع مجدد تصادفی (Random-Reset) • در صورت گیر کردن، شروع از یک حالت تصادفی • با احتمال نزدیک به یک کامل است. حسین دهقان hd.dehghan@gmail.com
الگوریتم ژنتیک حسین دهقان دانشکده فنی و مهندسی جم
تعریف حسین دهقان hd.dehghan@gmail.com
الگوریتم تابع برازش انتخاب تقاطع جهش جهت اوليه حسین دهقان hd.dehghan@gmail.com
