Problem-Solving Agent & Search

Transkripsi

1 Kecerdasan Buatan Problem-Solving Agent & Search Chastine Fatichah Teknik Informatika Institut Teknologi Sepuluh Nopember November / 38

2 Pokok Bahasan Problem-solving agent Representasi masalah : state space Pencarian solusi : search Search strategies Uninformed search Ringkasan 2 / 38

3 Problem-Solving Agent Goal-based agent mempertimbangkan action-action yang akan datang dan hasil yang ingin dicapai Agent problem solving Menemukan rangkaian tindakan (sequence action) untuk mencapai tujuannya Algoritma Uninformed Tidak ada informasi untuk problem, hanya deskripsi pada masalah tersebut 3 / 38

4 Simple Problem-Solving Agent Function Simple-Problem-Solving-Agent(percept) return an action Input : percept //a percept Static : seq //an action sequence, initially empty state //some description of the current world state goal //a goal, initially null problem //a problem formulation State Update-State(state, percept) If seq is empty then do goal Formulate-Goal(state) problem Formulate-Problem(state,goal) seq Search(Problem) Action First(seq) Seq Rest(seq) Return action 4 / 38

5 Mekanisme Kerja Problem- Solving Agent Perumusan tujuan (goal formulation): tentukan tujuan yang ingin dicapai Kondisi saat ini Performance measure Perumusan masalah (problem formulation): tentukan tindakan (action) dan keadaan (state) yang dipertimbangkan dalam mencapai tujuan Pencarian solusi masalah (searching) : tentukan rangkaian tindakan yang perlu diambil untuk mencapai tujuan Input: problem, output: solusi dalam bentuk rangkaian tindakan Pelaksanaan solusi (execution): laksanakan rangkaian tindakan yang sudah ditentukan di tahap sebelumnya 5 / 38

6 Well-Define Problem & Solution Problem dapat dirumuskan dengan 5 komponen Initial state Actions : Successor function : Successor-Fn(x) = <Action,Successor> Goal Test Path Cost Optimal Solution path cost terkecil 6 / 38

7 Contoh Kasus : Romania Seorang agent sedang berlibur dan sekarang sedang di kota Arad Romania Besok dia harus naik pesawat dari Bucharest Goal dari agent sekarang adalah pergi ke Bucharest Action yang tidak berhubungan dengan goal akan dibuang -> decision agent lebih sederhana 7 / 38

8 Contoh Kasus: Romania Agent Mencapai tujuan (ke Bucharest) dengan naik mobil Kemana akan pergi setelah dari Arad? Ada tiga jalan : ke Sibiu, Timisoara, Zerind Agent kita ini masih belum tahu jalan disana (mana yang tercepat) tapi hanya memiliki peta. Dari informasi peta, dilakukan hipotesa terhadap ketiga jalur tsb untuk sampai ke Bucharest 8 / 38

9 Contoh Kasus: Romania (Agent & Environment) Static Tidak perlu memperhatikan perubahan yang terjadi pada environment Observable Ada peta, initial state diketahui (di Arad) Discreet Enumeration action Deterministic Tidak bisa menangani terhadap hal-hal yang tidak diperkirakan 9 / 38

10 Contoh Kasus: Romania (Well-Defined problem agent) Initial State di Arad Actions : Successor function {<Go(Sibiu),In(Sibiu)>, <Go(Timisoara),In(Timisoara)>, <Go(Zerind),In(Zerind)>} Goal Test In(Bucharest) Path Cost di slide berikutnya 10 / 38

11 Contoh Kasus: Romania (Path Cost Solusi Agent) 11 / 38

12 Contoh Kasus: Romania (Perumusan Tujuan, Masalah, & Solusi) Perumusan Tujuan Tiba di Bucharest besok Perumusan Masalah States : kota-kota Actions : mengemudi antar kota Pencarian Solusi Rangkaian kota : Arad, Sibiu, Fagaras, Bucharest 12 / 38

13 Contoh Kasus: Vacuum Cleaner Vacuum Cleaner States : Berada di salah satu dari dua lokasi yang ada, yg masing2 mungkin bersih atau kotor. Jadi jml kemungkinan state = 2 * 2 2 Initial State? Successor Function?. Goal Test? Path Cost? 13 / 38

14 Contoh Kasus: Vacuum Cleaner Vacuum Cleaner States : Berada di salah satu dari dua lokasi yang ada, yg masing2 mungkin bersih atau kotor. Jadi jml kemungkinan state = 2 * 2 2 Initial State : Sembarang state Successor Function : (kekiri,kekanan,bersihkan) Goal Test : Semua lokasi bersih Path Cost : Setiap aksi = 1 point 14

15 Contoh Kasus: 8-Puzzles 8-Puzzles State :? Initial State :? Successor Function :?. Goal Test :? Path Cost :? 15 / 38

16 Contoh Kasus: 8-Puzzles 8-Puzzles State : lokasi dari 8 kotak angka dan 1 kotak kosong Initial State : Sembarang state Successor Function : (kotak kosong bergerak kekiri, kekanan, keatas atau kebawah) Goal Test : Tersusun kotak angka yang diinginkan Path Cost : Setiap bergerak bernilai 1 16

17 Contoh Kasus: 8-Queen Problem 8-Queen Problem State :?. Initial State :?. Successor Function :?. Goal Test :?. 17

18 Contoh Kasus: 8-Queen Problem 8-Queen Problem State : susunan 0..8 ratu pada papan catur Initial State : Tidak ada ratu pada papan catur Successor Function : Masukkan ratu ke papan catur Goal Test : Tidak ada ratu yang saling serang 18 / 38

19 Real World Problem Airline Travel Problem Touring Problem Traveling Salesman Problem VLSI Layout Robot Navigation Automatic Assembly Sequencing Internet Searching 19 / 38

20 Searching for Solution Search Tree Search Node Root of search tree : Initial State : In(Arad) Cek node apakah ini goalnya? Jika tidak, Expanding menghasilkan state baru State mana yang akan di expand? search strategy Representasi Node : State Parent-Node Action Path-Cost Depth Fringe node collection hasil generate yang belum diexpand Function Tree-Search(problem,strategy) return a solution or a failure initialize the search tree using the initial state loop do if there are no candidates for expansion then return failure choose a leaf node for expansion according strategy if the node contains a goal state then return the coresponding solution else expand the node and add the resulting node to the search tree 20 / 38

21 Contoh Search Tree 21 / 38

22 Tree Search Secara Umum Function Tree-Search(problem,fringe) return a solution or a failure fringe Insert(Make-Node(Initial-State[problem]),fringe) loop do if empty?(fringe) then return failure node Remove-First(fringe) if Goal-Test[problem] applied to State[node] succeds then return Solution(node) fringe Insert-All(Expand(node,problem),fringe) Function Expand(node,problem) return a set of nodes successor the empty set for each (action,result) in Successor-Fn[problem](State[node]) do s a new Node State[s] result Parent-node[s] node Action[s] action Path-Cost[s] Path-Cost[node] + Step-Cost(node,action,s) Depth[s] Depth[node] + 1 add s to successor return successors 22 / 38

23 Search Strategies Strategy memilih node yang akan diexpand : Completeness Menemukan solusi jika ada Optimality Optimal solution (cost terkecil) Time Complexity berapa lama menemukan solusinya? Space Complexity berapa banyak memory yang dibutuhkan? Time dan Space Complexity bisa dilihat dari ukuran : b maks branch factor d depth dari solusi terkecil m maks depth dari state space 23 / 38

24 Uninformed Search Strategies Breadth-First search Uniform-cost search Depth-first search Depth-limited search Iterative deepening search Bidirectional search 24 / 38

25 Breadth-First Search (BFS) Setelah Root di expand, selanjutnya successor dari root, selanjutnya successor dari successor mereka expand melebar Mengimplementasikan fringe FIFO A B C D E F G 25 / 38

26 Keterangan pada BFS Complete? Time? Space? Ya, jika b terbatas 1 + b + b 2 + b b d + b(b d -1) = O(b d+1 ) O(b d+1 ) Optimal? Ya, jika semua aksi bernilai sama Masalah Space & Time. Lihat buku hal / 38

27 Uniform Cost Search Hampir sama dengan BFS melebar Bedanya pada pemilihan node yang akan diexpand cost terkecil Fringe = queue berdasarkan cost terkecil Jika masing-masing node memiliki cost yang sama = BFS Complete? Ya jika step cost >= Є (positif const) Time? O(b C*/ Є ) ; C* = Optimal solution Jumlah node dengan g <= cost optimal solution Space? O(b C*/ Є ) Jumlah node dengan g <= cost optimal solution Optimal? Ya, node diekspand urutan penambahan g(n) 27 / 38

28 Depth-First Search (DFS) Expand node yang terdalam Fringe LIFO B A D E F G C Complete? Tidak jika memiliki depth tak terbatas, Modifikasi untuk limited depth Ya, jika depth terbatas Time? O(b m ) Bermasalah jika m jauh lebih besar dari d Jika solusinya banyak/dense, bisa lebih cepat dari BFS Space? O(bm), linier space Optimal? Tidak 28 / 38

29 Depth-Limited Search Sama dengan DFS dengan deep limit l Implementasi dengan Rekursif Function Depth-Limited-Search(problem,limit) return a solution or a failure/cutoff return Recursive-DLS(Make-Node(Initial-State[problem]),problem,limit) Function Recursive-DLS(node,problem,limit) return a solution or failure/cutoff cutoff_occured? false if Goal-Test[problem](State[node]) then return solution else if Depth[node] = limit then return cutoff else for each successor in Expand(node,problem) do result recursive-dls(successor,problem,limit) if result cutoff then cutoff_occured? true else if result <> failure then return result if cutoff_occured? Then return cutoff else return failure 29 / 38

30 Iterative-deepening Search Merupakan DFS yang diiterasi berdasarkan kedalamannya Mengkombinasi DFS dan BFS Bottom level digenerate 1x, sedangkan dilevel berikutnya digenerate 2x, 3x dan seterusnya Function Iterative-Deepening-Search(problem) return a solution or a failure input problem // a problem for depth 0 to do result Depth-Limited-Search(problem,depth) if result <> cutoff then return result 30 / 38

31 Iterative-deepening Search Limit = 0 A Limit = 1 A B C B C A Limit = 2 A B C B D E D E B C F G F G C A Limit = 3 A B C B D E D H I H I D E J K J K E B C F G F G L M L M G C A 12/7/ / 38 Problem-Solving Agent & Kecerdasan Buatan

32 Keterangan pada IDS Complete? Ya Time? (d+1)b 0 + (d)b + (d-1)b 2 + +b d = O(b d ) BFS menggenerate node sampai d + 1 sementara IDS hanya d IDS lebih cepat dari BFS Space? O(bd) Optimal? Ya, jika memiliki cost yang sama untuk tiap aksi Bisa dimodifikasi untuk uniform cost Perbandingan IDS >< BFS : b = 10; d = 5 N(IDS) : = N(BFS) : = / 38

33 Bidirectional Search Mencari dari 2 arah secara simultan Motivasi b d/2 + b d/2 jauh lebih kecil dari b d Misal d = 6, masing2 menggunakan BFS depth=3, b=10; dengan bidirectional hanya node sedang dengan BFS standar mencapai node 33 / 38

34 Perbandingan: Uninformed search strategies Criteria BFS Uniform DFS DLS IDS bdirect Complete Ya Ya No No Ya Ya Time O(b d+1 ) O(b C*/ Є ) O(b m ) O(b l ) O(b d ) O(b d/2 ) Space O(b d+1 ) O(b C*/ Є ) O(bm) O(bl) O(bd) O(b d/2 ) Optimal Ya Ya No No Ya Ya 34 / 38

35 Menghindari Repeated States Pada beberapa kasus, ada kemungkinan terjadi state yang berulang looping solveable problem unsolveable problem Dibuat closed list menyimpan node yang sudah diexpand Node yang tidak bisa diexpand open list Function Graph-Search(problem,fringe) return a solution or a failure closed empty set fringe Insert(Make-Node(Initial-State[problem]),fringe) loop do if empty?(fringe) then return failure node Remove-First(fringe) if Goal-Test[problem](State[node]) then return Solution(node) if State[node] is not in closed then add State[node] to closed fringe Insert-All(Expand(node,problem),fringe) 35

36 Pencarian dengan Informasi Parsial Deterministic, Fully Observable Single state problem Agent tahu pasti state-state apa saja yang akan dimasuki Solusi berupa sequence Non Observable Sensorless/Conformant Problem Agent masih belum tahu pasti dimana posisinya Solusi (jika ada) berupa sequence Nondeterministic and/or partially observable contingency problem Percept memberikan informasi baru mengenai kondisi saat itu Solusi berupa tree or policy Interleace search Unknown state space Exploration Problem ( online ) 36 / 38

37 Ringkasan Problem solving agents Perumusan masalah state space Pencarian solusi penelusuran search tree Breadth-first search: completeness terjamin, tapi rakus memory Uniform-cost search: mirip BFS, optimality terjamin jika cost path untuk > 0 Depth-first search: Space complexity linier, tetapi tidak complete (maupun optimal) Depth-limited search: mirip DFS, tetapi kedalaman search dibatasi sampai Iterative-deepening search: lakukan DLS secara bertahap dengan = 0, 1, 2,.... Pengulangan state bisa dihindari dengan mencatat state yang sudah pernah dicoba 37 / 38

38 Sumber : 1. Slide perkuliahan Stuart Russell's (Berkeley) 2. Slide perkuliahan Sistem Cerdas Ruli Manurung (Universitas Indonesia) 38 / 38