INT A – Vorlesung, WS04/05 Prof. Dr. Wolfram Conen Oktober 2004

1. INT A – Vorlesung, WS04/05Prof. Dr. Wolfram ConenOktober 2004 Inhalte: - Formales und Inhalte - Einführung - Suche (c) W. Conen, FH GE, INT A

2. Formales (1) • Sie müssen die Übungsaufgaben abgeben bzw. bearbeiten (max. 2 Blätter nicht) • Die Übungsaufgaben werden nicht benotet • Teil der Aufgaben wird ein Vortrag zu einer grundlegenden Aufgabenstellung der KI sein • Für diesen Vortrag können Sie bis zu 5 Bonuspunkte für die Klausur erhalten • Es wird eine 90-120minütige Klausur am Ende geben mit einer 40%-Bestehensgrenze (c) W. Conen, FH GE, INT A

3. Inhalte • Problemlösen (Teil 1) / Suche • Wissen + Logik (Teil 1: Aussagenlogik) • Problemlösen (Teil 2) / Constraint Satisfaction • Logik (Teil 2: Prädikatenlogik / Prolog) • Problemlösen (Teil 3): Neuronale Netze, GA, SA – durch die Natur motivierte Verfahren • Problemlösen (Teil 4): Markov, Bayes und anderes – rationales Entscheiden (c) W. Conen, FH GE, INT A

4. Künstliche Intelligenz (KI) • KI: Teilgebiet der Informatik, welches versucht, menschliche Vorgehensweisen der Problemlösung auf Computern nachzubilden, um auf diesem Wege neue oder effizientere Aufgabenlösungen zu erreichen“, aus: Lämmel, Cleve: Künstliche Intelligenz, 2. Aufl. 2004, Hanser Verlag (c) W. Conen, FH GE, INT A

5. Problem 1 – Missionare und Kannibalen • Drei Missionare und drei Kannibalen sind auf der selben Seite eines Flusses. Es gibt auf dieser Seite auch ein Boot, das ein oder zwei Leute aufnehmen kann. • Problem:Finden Sie nun einen Weg, alle so auf die andere Seite zu bekommen, dass die Zahl der Kannibalen die Zahl der Missionare auf irgendeiner Seite des Flusses niemals überschreitet (dann würden die Missionare nämlich gefressen ...). • Sie haben 15 Minuten – lösen Sie das Problem! (c) W. Conen, FH GE, INT A

6. Wie löst man solch ein Problem? • Man „sucht“ nach einer Lösung • Aber zunächst mal muß man sich klar machen, WAS genau die Aufgabe ist • Man sucht nach einer günstigen Repäsentation des Problems • „Günstig“ ist sie, wenn man mit dieser Repräsentation „leicht“ eine Lösung (für das umformuliert, repräsentierte Problem) finden kann • ... und diese Lösung sich zurück übertragen lässt auf die ursprüngliche Problemstellung – also das „tatsächliche“ Problem löst! • Und natürlich sollte die Repräsentation „beherrschbar“ sein, also möglichst klein, verständlich („wartbar“), präzise, usw. • Dann beginnt die Suche nach einer Lösungsmethode. • Oft hat man bereits eine Methode im Hinterkopf und schaut, ob man das Problem passend repräsentieren kann (z.B. Constraint Optimization, Genetic Algorithms, Neuronale Netze, sehen wir alles noch) • Wenn man die Methode (ev. auch mehrere) ausgewählt hat, dann beginnt die tatsächliche Suche nach einer Lösung, und zwar „auf“ der gewählten Problemrepräsentation (c) W. Conen, FH GE, INT A

7. Welche Probleme können auftreten? • Man findet keine „griffige“ Repräsentation, weil z.B. • Informationen fehlen oder „unscharf“ sind • Informationen unsicher/unglaubhaft sind • Man hat ein Problem vor sich, dass • im allgemeinen unlösbar ist (Halteproblem) • im allgemeinen „hart“ zu lösen ist (NP-komplett, EXP) • Man kennt keine sinnvolle Problemlösungsmethode für die gefundene Repräsentation • In unserer Veranstaltungen werden Sie einige Methoden für verschiedene Repräsentationen kennenlernen ... • ... und wenn die richtige nicht dabei ist, dann können Sie mit ihrem Wissen und ihrer Cleverness vielleicht einen (Er-)Finden! (c) W. Conen, FH GE, INT A

8. Suche • Angenommen, sie wollen ein Problem lösen ... • ... dann suchen sie nach einer Lösung • Viele Probleme lassen sich als Graph-Probleme modellieren • manchmal ist das unmittelbar klar (MST, kürzeste Wege, TSP) • manchmal braucht man einen „abstrakten“ Umweg: • Das Problem spielt sich in einem bestimmten „Realwelt“-Ausschnitt ab, den man durch eine Menge von „Dingen“ und (regelhaften) Beziehungen zwischen diesen Dingen beschreiben kann • Diese Dinge (und damit der Ausschnitt) befinden sich zu jedem Betrachtungszeitpunkt in einem bestimmten Zustand • Modellieren kann man das z.B. durch Parameter/Variablen, denen Wertebereiche zugeordnet sind und zwischen denen Relationen bestehen. • Ein Zustand entspricht dann einer konkreten Belegung der Parameter mit Werten (c) W. Conen, FH GE, INT A

9. Suche (Forts. Problemlösen als Suche) • Aus den Wertebereichen und Beziehungen/Regeln ergeben sich die möglichen Zustände des Realweltausschnitts • Es steht eine Menge an Operatoren zur Verfügung, um einen Zustand in einen Folgezustand zu überführen • Ein Problem sieht dann wie folgt aus: • Gesucht ist eine clevere Sequenz von Operatoranwendungen, die uns von einem gegebenen Ausgangszustand in einen gewünschten Zielzustand führt. • Regelmäßig wollen wir zudem eine besonders „gute“ Operatorsequenz finden (z.B. eine kostengünstige, wenn wir Kosteninformationen zu den Operatoren haben) (c) W. Conen, FH GE, INT A

10. Suche (Forts. Problemlösen als Suche) • Ausgangszustand z1, Zielzustand z11 • Es gibt viele mögliche Pfade inkl. Sackgassen (z7,z8) und unerreichbare Zustände (z10) z2 z5 z5 z8 o1 o2 z1 z1 z3 z3 z6 z9 z9 z11 z11 o3 z4 z7 z10 (c) W. Conen, FH GE, INT A

11. Suche (Forts. Problemlösen als Suche) • Schauen wir uns noch eine der Sackgassen an • Um einen Weg zum Ziel zu finden, müssen wir einfach eine Entscheidung für einen Operator zurücknehmen und ändern • Das nennt man „Backtracking“! z2 z5 z5 z8 z8 z8 o1 o2 z1 z1 z3 z3 z6 z9 z9 z11 z11 o3 z4 z7 z10 (c) W. Conen, FH GE, INT A

12. Suche (Forts. Problemlösen als Suche) z2 z5 z5 z8 z8 o1 • Es gibt viele verschiedene Wege in diesem Zustandsgraphen (wieviele?), manche dieser Wege führen zum Ziel, andere nicht • Um garantieren zu können, dass wir das Ziel erreichen (oder sicher sein können, dass es nicht erreichbar ist), müssen wir ggfs. alle von z1 aus begehbaren Wege anschauen • Wie können wir das systematisch tun? o2 z1 z1 z3 z3 z6 z9 z11 z11 o3 z4 z7 z10 (c) W. Conen, FH GE, INT A

13. Suche (Forts. Problemlösen als Suche) z2 z2 z2 z2 z5 z5 z5 z5 z5 z5 z5 z8 z8 z8 z8 z8 z8 z8 z8 z8 o1 z8 o2 z1 z1 z1 z1 z3 z3 z3 z3 z6 z6 z6 z6 z6 z6 z6 z9 z9 z9 z9 z9 z9 z9 z9 z9 z9 z9 z9 z9 z9 z11 z11 z11 z11 z11 z11 z11 z11 z11 z9 z11 z5 z8 o3 z4 z4 z4 z4 z7 z7 z7 z7 z7 z10 z6 z9 z11 z5 z8 z2 Tiefensuche z9 z11 z1 z3 z6 z8 z7 z4 z9 z11 z7 (c) W. Conen, FH GE, INT A

14. Suche (Forts. Problemlösen als Suche) 1 2 1 2 3 4 3 2 z2 z2 z2 z2 z5 z5 z5 z5 z5 z5 z8 z8 z8 z8 z8 z8 z8 z8 z8 z8 o1 z8 1 2 4 1 2 2 3 3 2 1 3 2 3 4 o2 z1 z1 z1 z3 z3 z3 z3 z3 z6 z6 z6 z6 z6 z6 z9 z9 z9 z9 z9 z9 z9 z9 z9 z9 z11 z11 z11 z11 z9 z11 z5 1 2 z8 o3 z4 z4 z4 z4 z7 z7 z7 z7 z10 z6 z9 z11 z5 z8 z2 Breitensuche z9 z11 z1 z3 z6 z8 z7 z4 z9 z11 z7 (c) W. Conen, FH GE, INT A

15. Tiefensuche für Zustandsbäume • Hilfsdatenstruktur: Knoten k im Zustandsgraph sind mit einem Zustand beschriftet, erhältlich über k.zustand • Genereller Ablauf für Tiefensuche in einem Zustandsgraphen mit Baumform: • Algorithm tiefensuche(Knoten start) • for each k 2 Kinder(start) do • if k.zustand = zielzustand then • print „Ziel gefunden!“; return true; • else if tiefensuche(k) then return true; • return false; • Liefert sicher eine Lösung, wenn es eine gibt! • Achtung: Die Reihenfolge der Kinderbesuche ist nicht vorgeschrieben, sie können frei wählen! (c) W. Conen, FH GE, INT A

16. Breitensuche für Zustandsbäume • Wir verwenden eine FIFO-Queue queue (also eine Liste, an die hinten angefügt und vorne entnommen wird, FIFO steht für first-in-first-out) • Genereller Ablauf für Breitensuche in einem Zustandsgraphen mit Baumform: • Algorithm breitensuche(Knoten start) • queue.append(start); // queue leer vor Beginn • while (not queue.empty()) do • k à queue.deleteFirst(); // Knoten k besuchen • if k.zustand = zielzustand then • print „Ziel gefunden!“; return true; • for each c 2 Kinder(k) do // Knoten k expandieren • queue.append(c); • print „Kein Ziel gefunden!“; return false; • Anmerkung: Man kann auch vor dem Einstellen der Kinder prüfen, ob ein Zielzustand erreicht ist. Wir haben in der Vorlesung gezeigt, dass das generell Speicher und Tests spart. Trotzdem verwenden wir aus Gründen der Einheitlich (s. BestFirst) für die Aufgaben diese Variante. Größenordnungsmäßig macht es keinen Unterschied...exponentiellen Zeit- und Speicheraufwand erfordern beide Algorithmen in Best- und Worstcase (DFS nur im Worst Case!) (c) W. Conen, FH GE, INT A

17. Breitensuche für Zustandsbäume • Liefert sicher eine Lösung, wenn es eine gibt! • Achtung: Die Reihenfolge der Kinderbesuche ist nicht vorgeschrieben, sie können frei wählen! • Bisher haben wir Zustandsräume in Baumform betrachtet • Da funktionieren beide Verfahren gut: beide sind „komplett“, d.h. sie finden einen Zielzustand, wenn er existiert und erreichbar ist • Wenn die maximale Tiefe des Baumes d ist und der „flachste“ Zielzustand sich auf der Ebene m befindet und wir einen „gleichmäßigen“ Verzweigungsfaktor b unterstellen, dann • Tiefensuche: best-case O(m), worst-case O(bd), average case: hängt von der Verteilung der Zielzustände über die Tiefen zwischen m und d ab • Breitensuche: best-case = average case = worst-case O(bm), falls eine Lösung vorhanden ist, sonst best-case = average case = worst-case O(bd) (c) W. Conen, FH GE, INT A

18. Suche für allgemeine Zustandsgraphen • Problem: ein Graph, der kein Baum ist, enthält einen Kreis, d.h. gleiche Zustände können bei der Reise durch den Graphen mehrfach auftreten! • Was passiert, wenn wir unsere Algorithmen auf einen Graphen mit Kreis loslassen? • Die Tiefensuche läuft immer weiter „geradeaus“ und kann sich in einer endlosen Schleife „aufhängen“ • Wenn es eine Lösung gibt, findet die Tiefensuche sie dann nicht! • Wenn es keine Lösung gibt, merkt sie es nicht! • Die Breitensuche expandiert gleiche Knoten mehrfach • Kein „prinzipielles“ Problem, wenn es eine Lösung gibt – dann wird diese auch gefunden (und zwar weiterhin die „flachste“) – die Breitensuche ist also auch im „Wiederholungsfall“ komplett! • Wenn es allerdings keine Lösung gibt, dann merkt unser einfaches Verfahren zur Breitensuche das nicht! (c) W. Conen, FH GE, INT A

19. Beispiel: Suche in Kreisen mit Tiefensuche GE Startzustand OB OB OB OB OB E GE GE GE GE DUI GE GE MH D OB E E DUI E MH Unendliche Zweige können in dem Baum entstehen, der die Wege durch den Zustands- graphen darstellt (also die Suche beschreibt)! D Zielzustand (c) W. Conen, FH GE, INT A

20. Suche • Kann man beide Verfahren noch „retten“? • Erste Idee: wir können kontrollieren, ob es zu Zustandswiederholungen kommt • Knoten markieren bzw. in einer globalen „CLOSED“-Liste registrieren und nur einmal besuchen • Erweiterung der Algorithmen ist einfach: • naiv: besuchte Knoten werden in eine CLOSED-LISTE aufgenommen (Suchkosten: linear zur Anzahl der Knoten in der Liste) (c) W. Conen, FH GE, INT A

21. Suche • CLOSED-Liste wird verwendet: • Dann zwei Alternativen (zunächst nur für unsere Breitensuche relevant) • Nur Knoten in queue einstellen, die nicht in CLOSED sind • Nur Knoten besuchen/expandieren, die nicht in CLOSED sind • Übrigens ist das zweite Verfahren meist besser...denken sie an folgendes: • Nehmen Sie an, die Lösung auf Tiefe m wird dort als letzter Knoten „angepackt“ • Dann wurden vorher bereits bm-1 Knoten expandiert, also bm+1-b Knoten in die queue gestellt und, bei Variante 1, auch getestet • Wenn Tests im Vergleich zum Einstellen teuer sind (wie in unserem Fall), dann sollte man unnötige Tests vermeiden • In Variante 2 werde die Kinder von Knoten der Tiefe m zwar eingestellt, aber nicht mehr getestet, das spart einen Zeitaufwand von O(bm)*O(n)! (O(n) bei naiver Suche in CLOSED) • Allerdings kostet es mehr Speicher – und wenn man beim Grundablauf die Kinder vor dem Einstellen auf die Zieleigenschaft testen würde, sähe die Situation wieder anders aus...uns interessiert aber wieder vorrangig die Größenordnung des Aufwands, und die kennen wir bereits: exponentiell für Speicher und Zeit! (c) W. Conen, FH GE, INT A

22. Suche • Problem mit dem Markieren von Zuständen im Zustandsgraphen: der ist häufig gar nicht explizit gegeben (und muß dann auch nicht explizit repräsentiert werden), sondern wird nur durch einen Startzustand und eine Zustandsübergangsfunktion beschrieben (vor allem empfehlenswert bei unendlichen Zustandsräumen) • Schwerwiegender: Speichereffizienzüberlegungen! • es kann sehr viele (besuchte) Zustände geben, die muß man sich dann ev. alle merken • in der Tiefensuche braucht man sonst nur alle Knoten entlang eines Weges, also O(d) • bei der Breitensuche ohnehin jeweils komplette Ebenen, also max. O(bm) • bei Tiefensuche kann man sich manchmal auch durch „einfache“ Abbruchkriterien behelfen, um unendliche Zweige zu vermeiden, z.B. wenn man weiß, dass es nur max. C Zustände gibt (dann macht man immer noch Arbeit ggfs. doppelt, aber man braucht keine Liste) • Ähnliches geht auch mit Breitensuche. Wenn man sogar weiß, dass eine Lösung existiert, dann kann man auch auf die Kontrolle von Wiederholungen verzichten und ist dennoch komplett (macht aber ggfs. mehr Aufwand, als erforderlich – abwägen: wie oft kommen Wiederholungen vor?) (c) W. Conen, FH GE, INT A

23. Breitensuche für Zustandsgraphen • Vermeiden von Wiederholungen für die Variante 2: • Genereller Ablauf für Breitensuche in einem Zustandsgraphen (queue und closed zu Beginn leer), es wird nur ein Ziel gefunden (um alle zu finden, schmeißen sie einfach das „return true“ raus und geben nur false zurück, wenn sie gar keins finden, also zählen sie die gefundenen Ziele am besten mit – so können sie natürlich auch die normale Breitensuche modifizieren) • Algorithm breitensuche(Knoten start) • queue.append(start); • while (not queue.empty()) do • k à queue.deleteFirst(); // Knoten k besuchen • if (not closed.in(k.zustand)) then// Ist k in closed? • if k.zustand = zielzustand then print „Ziel gefunden!“; return true; closed.append(k.zustand); for each c 2 Kinder(k) do // Knoten k expandieren • queue.append(c); • print „Ziel nicht gefunden“; return false; (c) W. Conen, FH GE, INT A

24. Beispiel: Suche mit Pfadkosten • Wir wollen weiterhin von Gelsenkirchen nach D‘dorf • Aber jetzt wollen wir nicht nur einen Weg finden, sondern einen guten Weg! • Genauer: einen Weg durch den Zustandsgraphen mit minimalen Kosten (also einen „kürzesten Weg“) Startzustand 20 OB 10 GE DUI 13 15 12 E MH 14 35 D Zielzustand (c) W. Conen, FH GE, INT A

25. Suche mit Pfadkosten • Was können wir tun? • Weiterhin Tiefen- oder Breitensuche verwenden und dort einfach nach allen Lösungen suchen und die beste auswählen! (ggfs. sehr teuer) • wir können auch mit Tiefensuche nur nach einer Lösung suchen und dann hoffen, dass es die richtige ist... • manchmal wissen wir auch, dass die flachste Lösung die beste ist, z.B. wenn alle Schrittkosten konstant und positiv sind oder gleichmässig und einheitlich mit der Entfernung vom Startzustand zunehmen (dann geht die normale Breitensuche, die nur die flachste Lösung findet) • Wenn wir Wiederholungen vermeiden wollen, dann geht das nicht ohne „Nachdenken“ – wir müssen uns die bisher besten Kosten zu den Zuständen merken und im Wiederholungsfall nur dort die Erkundung des Zweigs stoppen, wenn die neuen Kosten dorthin nicht kleiner sind – sonst finden wir ev. nicht das Optimum, weil wir manche Lösungen gar nicht erst finden. (c) W. Conen, FH GE, INT A

26. Suche mit Pfadkosten • Und sonst? • Wir verwenden die Kosteninformationen, um nach und nach die vielversprechendsten Wege zu erkunden (Russell/Norvig nennen das „Uniform cost“-Suche, kein sehr passender Name) • Im Grunde ist das ein klassischer „Best-First“-Ansatz: der Knoten mit den niedrigsten aufgelaufenen Kosten wird zuerst expandiert • Wenn man weiß, das diese Kosten mit der Entfernung vom Startknoten nicht abnehmen, dann kann man mit der ersten gefundenen Lösung aufhören – sie muß optimal sein! (c) W. Conen, FH GE, INT A

27. Suche mit Pfadkosten – Best-First • Uniform Cost Ablauf für Zustandsgraphen mit Vermeidung von Wiederholungen nach Variante 2 (bei Uniform Cost kann auch Variante 1 lohnenswert sein, je nach Probleminstanz)Die Min-PQueue pqueue und die Closed List sind leer zu Beginn: • Algorithm bestFirst(Knoten start) • start.cost Ã0;pqueue.insert(start); closed.append(start); • while (not pqueue.empty()) do • k Ãpqueue.deleteMin(); // Knoten k besuchen • if (not closed.in(k.zustand)) then // Ist k in closed? • if k.zustand = zielzustand then print „Ziel gefunden!“; return true; closed.append(k.zustand); • for each c 2 Kinder(k) do // Knoten k expandierenc.cost à k.cost + kante(k,c).cost; pqueue.append(c); // Knoten c in PQueue ablegen • Der Wert der Knoten wird im Feld cost abgelegt. • Der Wert einer Kante wird ebenso abgelegt. • Ist fast genau Dijkstra, nur ein bisschen „blöder“, weil mehrfaches Einstellen statt Update (kann zu spektakulär höherem Speicheraufwand führen) (c) W. Conen, FH GE, INT A

28. Uniform-Cost-Ablauf Startzustand 20 OB 10 GE pqueue (und closed in Klammern dahinter): GE/0 E/15, OB/20 (GE) OB/20, MH/27, GE/30, D/50 (GE,E) MH/27, GE/30, DUI/30, GE/40, D/50 (GE,E,OB) GE/30, DUI/30, E/39, GE/40, DUI/40, D/50 (GE,E,OB,MH) GE in Closed! DUI/30, E/39, GE/40, DUI/40, D/50 (GE,E,OB,MH) E/39, GE/40, DUI/40, D/44, D/50, OB/50, MH/53 (GE,E,OB,MH,DUI) E,GE,DUI in Closed! D/44, D/50, OB/50, MH/53 (GE,E,OB,MH,DUI) D/44 gefunden! DUI 13 15 12 E MH 14 35 D (c) W. Conen, FH GE, INT A

29. Was geht noch „uninformiert“? • Simples „Greedy“: • Verwende von deinem Knoten aus jeweils den günstigsten nächsten Schritt. • Wenn wir nicht auf Wiederholungen achten, kann das zu endlosem Pendeln zwischen zwei Zuständen führen • Im Beispiel würde er sich zwischen E und MH einpendeln • Also achten wir auf Wiederholungen • Das gibt aber noch keine Garantie, dass wir auch einen Zielzustand finden (wir enden ggfs. in einer Sackgasse, die auch erst entstanden sein kann, weil wir die Nachbarn bereits besucht haben) • Im Beispiel würde er in OB hängen bleiben • Also verwenden wir Backtracking und führen eine CLOSED-List bereits verwendeter Kanten! • Im Beispiel besuchen wir dann folgende Kanten (und damit die Knoten): {GE,E}, {E,MH},{MH,DUI},{DUI,OB},Backtrack,{DUI,D} • Also finden wir in diesem Beispiel nicht die optimale Lösung (aber immerhin, wir finden jetzt sicher eine Lösung – das kann auch mal die Beste sein) (c) W. Conen, FH GE, INT A

30. Was geht noch „uninformiert“? • Wir können auch noch mittels Tiefensuche (depth-first search oder kurz: DFS) die Breitensuche simulieren (mit oder ohne Schrittkosten) • dann brauchen wir nicht auf Wiederholungen zu achten • und haben trotzdem ein vollständiges Verfahren für endliche Zustandsräume • Das geht, indem wir ein Tiefenlimit einführen • Setze das Limit zu Beginn auf 0 (dann wird nur der Startzustand angeschaut) • Erhöhe das Limit in jeder Runde um eins und beginne immer wieder oben mit Tiefensuche, wiederhole das solange bis die erste Lösung gefunden wurde • Dieses Verfahren nennt sich Iterative Deepening und ist für den Fall ohne Schrittkosten die sinnvollste Wahl (c) W. Conen, FH GE, INT A

31. Iterative Deepening • Die Implementierung ist simpel: Wie der Algorithmus Tiefensuche, aber mit Abbruch des Abstiegs, wenn das Tiefenlimit erreicht ist (also einfach ein Limit vorgeben und beim Aufruf von Tiefensuche einen Parameter Tiefe, der schrittweise erhöht wird, hinzufügen – bei Erreichen des Limits nicht mehr expandieren!) • Das Verfahren ist besser, als DFS, weil es sich nicht in endlose Zweige verlaufen kann • Im Vergleich zur Breitensuche wiederholt es zwar eine Menge, aber es muss sich wesentlich weniger merken (linear zur Lösungstiefe) weniger merken und es expandiert vor allem die Knoten auf Tiefe m nicht mehr! (es wird ab einer gewissen Tiefe dramatisch günstiger als Breitensuche) • Es findet allerdings die beste Lösung nur, wenn es die flachste ist (wie Breitensuche). • Man kann das leicht zu einem optimalen Verfahren machen, wenn man sich die Kosten der besten bisher gefundenen Lösung merkt. Solange es auf der Limitebene noch Knoten mit niedrigeren Kosten gibt, wird weiter iteriert und dabei Knoten nicht expandiert, wenn sie nicht günstiger als die beste bisherige Lösung sind. (c) W. Conen, FH GE, INT A

32. Und was ist „informierte“ Suche? • Wenn wir zu den Zuständen z noch heuristische Informationen h haben, die es uns erlauben, die Entfernung zum nächsten/besten Zielknoten zu schätzen, also h(z) • Für einen gegebenen Knoten k mit Zustand k.zustand = z können wir die bisherigen tatsächlichen Kosten des Wegs zu k, angegeben durch g(k) und die noch zu erwartenden Kosten, h(k) = h(k.zustand) = h(z) addieren • Diese Summe f(k) = g(k)+h(k) verwenden wir dann als „Distanzwert“ in unserer PQueue für den Best-First-Algorithmus von vorn • Dieses berühmte Verfahren nennt sich A* (Beispiel nächste Folie), gesprochen „ä-star“ (c) W. Conen, FH GE, INT A

33. A*-Ablauf (auf Wiederholungen wird nicht geachtet) Startzustand 20 Heuristische Informationen: h(GE) = 30, h(OB) = 24, h(DUI) = 14,h(MH) = 16, h(E) = 20, h(D) = 0 OB 10 GE DUI 13 15 pqueue: GE/0+30 E/15+20, OB/20+24 MH/27+16,OB/20+24, D/50+0,GE/30+30OB/20+24, D/50+0, DUI/40+14,E/39+20, GE/30+30 DUI/30+14,D/50+0, DUI/40+14,E/39+20, GE/30+30, GE/40+30 D/44+0, D/50+0, DUI/40+14,E/39+20, MH/43+16, GE/30+30, GE/40+30, MH/43+16 (fertig) 12 E MH 14 35 D (c) W. Conen, FH GE, INT A

34. Informierte Suche mit A* • Wenn die verwendete Heuristik „admissible“ ist – das ist sie, wenn sie die tatsächlichen Kosten unterschätzt, dann ist A* optimal für endliche Zustandsräume (bei nicht-negativen Pfadkosten, wie wir generell annehmen) • A* ist außerdem auch noch optimal effizient relativ zur Klasse der Algortihmen, die einen solchen Suchbaum explorieren (Argument ist einfach: • A* untersucht alle Knoten mit niedrigeren tatsächlichen Kosten, als der optimale Zielknoten • wenn ein anderer Algo einen dieser Knoten ausläßt, dann kann er nicht sicher sein, das Optimum gefunden zu haben • Manchmal kann ein anderer Algo „zufällig“ besser sein, aber nicht immer! (A* expandiert auch Knoten mit dem gleichen Gewicht wie der optimale Zielknoten, die muss man aber nicht unbedingt anschauen!) • Das Vermeiden von Wiederholungen spielt auch wieder eine Rolle für die Effizienz (und die Vollständigkeit des Algo) – hier helfen konsistente Heuristiken (sie erfüllen die Dreiecksungleichung und sind admissible) • Natürlich können wir auch h verwenden, um „greedy“ loszulaufen (diesmal stürzen wir uns nicht „greedy“ auf Kanten, sondern auf Nachfolger) – mit ähnlichen Problemen und Resultaten, wie oben • ...und einiges mehr (Praktisch relevant: Speicherbeschränkte Varianten von A*!) (c) W. Conen, FH GE, INT A

35. Und sonst noch? • Man kann auch noch anders modellieren – man verwendet nur komplette Lösungen und versucht dann durch Operatoren von einer Lösung zur nächsten zu gelangen • Kann z.B. beim TSP sinnvoll sein: Zustände sind dann komplette Rundtouren, man sucht die beste. • Man kann auch „partielle“ oder ungültige „Lösungsvorschläge“ zulassen und dann nach der besten gültigen Lösung in diesem erweiterten Zustandsraum suchen • Und vieles mehr...wie wir noch sehen werden ;-) (c) W. Conen, FH GE, INT A

36. Literatur zur Suche in Zustandsräumen • Russell, Norvig: Artificial Intelligence – the Intelligent Agent Approach, Prentice-Hall, 2nd Edition (unbedingt die zweite Auflage verwenden mit einem aktuellen Printing), International Edition (billiger als das amerikanisch/kanadische Original), 2003 • Russell ist Professor in Berkeley, eine der öffentlichen Top-Unis (eine/die andere öffentliche Top-Uni in Informatik ist die UMICH in Ann Arbor) • Norvig ist Director of Search Quality bei Google • Das Buch ist das „Standardwerk“ zu KI (=künstlicher Intelligenz), es hat ein paar kleine Schwächen, z.B. wenn es um Optimierung geht oder wenn man sehr präzise Details braucht, es gibt aber einen exzellenten Überblick über viele Teilgebiete der KI (und fast alles spannende gehört da „irgendwie“ zu...zumindest sehen das die KI‘ler so...stimmt natürlich nicht so ganz, oder doch... ;-) (c) W. Conen, FH GE, INT A