Trí Tuệ Nhân Tạo Nguyễn Nhật Quang quangnn-fit@mail.hut.edu.vn Trường Đại học Bách Khoa Hà Nội Viện Công nghệ Thông tin Truyền thông Năm học 2012-2013 Nội dung môn học: Giới thiệu Trí tuệ nhân tạo Tác tử Giải vấn đề: Tìm kiếm, Thỏa mãn ràng buộc Tìm kiếm với tri thức bổ sung (Informed search) Logic suy diễn Biểu diễn tri thức Biểu diễn tri thức khơng chắn g Học máy Trí tuệ nhân tạo Nhắc lại: Tìm kiếm theo cấu trúc Một chiến lược (p ộ ợ (phương p p) tìm kiếm = Một cách xác định g pháp) ộ ị thứ tự xét nút Trí tuệ nhân tạo Tìm kiếm với tri thức bổ sung g Các chiến lược tìm kiếm (uninformed search strategies) sử dụng thông tin chứa định nghĩa tốn Khơng phù hợp với nhiều tốn thực tế (do địi hỏi chi phí q cao thời gian nhớ) Các chiến lược tìm kiếm với tri thức bổ sung (informed search strategies) sử dụng tri thức cụ thể tốn → Q trình tìm kiếm hiệu Các giải thuật tìm kiếm best-first (Greedy best-first, A*) Các ả Cá giải thuật tìm kiếm cục (Hill-climbing, S ậ ì ế ộ( Simulated annealing, Local beam, Genetic algorithms) Các giải thuật tìm kiếm đối kháng (MiniMax, Alpha-beta pruning) Trí tuệ nhân tạo Best-first search Ý tưởng: Sử dụng hàm đánh giá f(n) cho nút tìm kiếm Để đánh giá mức độ “phù hợp” nút Trong trình tìm kiếm, ưu tiên xét nút có mức độ phù hợp cao Cài đặt giải thuật Sắp thứ tự nút cấu trúc fringe theo trật tự giảm dần mức độ phù hợp Các trường hợp đặc biệt giải thuật Best-first search Greedy best first search best-first A* search Trí tuệ nhân tạo Greedy best-first search Hàm đánh giá f(n) hàm heuristic h(n) Hàm heuristic h(n) đánh giá chi phí để từ nút n đến nút đích (mục tiêu) Ví dụ: Trong tốn tìm đường từ Arad đến Bucharest, sử dụng: hSLD(n) = Ước lượng khoảng cách đường thẳng (“chim bay”) từ thành phố n đến ( chim bay ) Bucharest Phương pháp tìm kiếm Greedy best-first search xét best first (phát triển) nút “có vẻ” gần với nút đích (mục tiêu) Trí tuệ nhân tạo Greedy best-first search – Ví dụ (1) y ( ) Trí tuệ nhân tạo Greedy best-first search – Ví dụ (2) Trí tuệ nhân tạo Greedy best-first search – Ví dụ (3) Trí tuệ nhân tạo Greedy best-first search – Ví dụ (4) Trí tuệ nhân tạo 10 Cây biểu diễn trị chơi cờ ca-rơ Trí tuệ nhân tạo 53 Các chiến lược tối ưu Một chiến lược tối ưu chuỗi nước giúp đưa đến trạng thái đích mong muốn (vd: chiến thắng) Chiến lược MAX bị ảnh hưởng (phụ thuộc) vào nước MIN – ngược lại g MAX cần chọn chiến lược giúp cực đại hóa giá trị hàm mục tiêu – với giả sử MIN nước tối ưu MIN cần chọn chiến lược giúp cực tiểu hóa giá trị hàm mục tiêu Chiến lược xác định việc xét giá trị MINIMAX nút biểu diễn trò chơi Chiến lược tối ưu trị chơi có khơng gian trạng thái xác định (deterministic states) đị h (d t i i ti t t ) Trí tuệ nhân tạo 54 Giá trị MINIMAX MAX chọn nước ứng với giá trị MINIMAX cực đại (để đạt giá trị cực đại hàm mục tiêu) Ngược lại, MIN chọn nước ứng với giá trị MINIMAX cực tiểu Trí tuệ nhân tạo 55 Giải thuật MINIMAX Trí tuệ nhân tạo 56 Giải thuật MINIMAX – Các đặc điểm Tính hồn chỉnh Có (nếu biểu diễn trị chơi hữu hạn) Tính tối ưu Có (đối với đối thủ chọn nước tối ưu) Độ phức tạp thời gian O(bm) Độ phức t nhớ tạp ề hớ O(bm) (khám phá theo chiến lược tìm kiếm theo chiều sâu) Đối với trị chơi cờ vua, hệ số phân nhánh b ≈35 hệ số ố ố ố mức độ sâu biểu diễn m≈100 Chi phí q cao – Khơng thể tìm kiếm xác nước tối ưu Trí tuệ nhân tạo 57 Cắt tỉa tìm kiếm Vấn đề: Giải thuật tìm kiếm MINIMAX vấp phải vấn đề bùng nổ (mức hàm mũ) khả nước cần phải xét → khơng phù hợp với nhiều tốn trị chơi thực tế Chúng ta cắt tỉa (bỏ – khơng xét đến) số nhánh tìm kiếm biểu diễn trò chơi Phương pháp cắt tỉa α-β (Alpha-beta prunning) Ý tưởng: Nếu nhánh tìm kiếm cải thiện giá trị (hàm tiện ích) mà có, khơng cần xét đến nhánh tìm kiếm nữa! Việc cắt tỉa nhánh tìm kiếm (“tồi”) khơng ảnh hưởng đến kết cuối Trí tuệ nhân tạo 58 Cắt tỉa α-β – Ví dụ (1) ( Trí tuệ nhân tạo 59 Cắt tỉa α-β – Ví dụ (2) ( Trí tuệ nhân tạo 60 Cắt tỉa α-β – Ví dụ (3) ( Trí tuệ nhân tạo 61 Cắt tỉa α-β – Ví dụ (4) ( Trí tuệ nhân tạo 62 Cắt tỉa α-β – Ví dụ (5) ( Trí tuệ nhân tạo 63 Tại gọi cắt tỉa α-β? g α giá trị nước tốt MAX (giá trị tối đa) tính đến nhánh tìm kiếm ế Nếu v giá trị tồi α, MAX bỏ qua nước ỏ ứng với v Cắt tỉa nhánh ứng với v ta ứ g β định nghĩa tương tự MIN g ự Trí tuệ nhân tạo 64 Giải thuật cắt tỉa α-β (1) ( Trí tuệ nhân tạo 65 Giải thuật cắt tỉa α-β (2) ( Trí tuệ nhân tạo 66 Cắt tỉa α-β Đối với trị chơi có khơng gian trạng thái lớn, phương pháp cắt tỉa α β khơng phù hợp α-β Khơng gian tìm kiếm (kết hợp cắt tỉa) lớn Có thể hạn chế khơ gian tì kiếm bằ cách sử d h hế khơng i tìm kiế h dụng tri thức cụ thể toán Tri thức phép đánh g trạng thái trò chơi p p giá g Tri thức bổ sung (heuristic) đóng vai trị tương tự hàm ước lượng h(n) giải thuật tìm kiếm A* Trí tuệ nhân tạo 67 ... chéo Trí tuệ nhân tạo 31 Tìm kiếm leo đồi – Giải thuật Trí tuệ nhân tạo 32 Tìm kiếm leo đồi – Bài tốn chữ start -5 h = -4 -5 h = -3 -3 h = -3 g goal h=0 -2 h = -1 -4 8 h = -2 -4 f(n) = -( Số lượng... đích Trí tuệ nhân tạo 13 A* search – Ví dụ (1) Trí tuệ nhân tạo 14 A* search – Ví dụ (2) Trí tuệ nhân tạo 15 A* search – Ví dụ (3) Trí tuệ nhân tạo 16 A* search – Ví dụ (4) Trí tuệ nhân tạo 17... tiêu) Trí tuệ nhân tạo Greedy best-first search – Ví dụ (1) y ( ) Trí tuệ nhân tạo Greedy best-first search – Ví dụ (2) Trí tuệ nhân tạo Greedy best-first search – Ví dụ (3) Trí tuệ nhân tạo Greedy