KI Kecerdasan Buatan Materi 6: Pencarian dgn. Lihat Status Lawan (Adversarial Search)

Transkripsi

1 [AIMA] Russel, Stuart J., Peter Norvig, "Artificial Intelligence, A Modern Approach" rd Ed., Prentice Hall, New Jersey, KI9 Kecerdasan Buatan Materi 6: Pencarian dgn. Lihat Status Lawan (Adversarial Search) Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya Pengembangan Bahan Ajar sebagai Pendukung Student Centered-Learning (SCL) melalui e-learning : Share ITS

2 Pencarian dengan Lihat Status Lawan (Adversarial Search) Teknik pencarian terdahulu uninformed, informed, local tidak memperhitungkan state dari pihak lawan Adversarial Search peduli pada state lawan contoh problem sering berupa permainan game orang lawan komputer pada game catur solusi dari Algoritma Adversarial Search menjadi langkah komputer Misal: Algoritma Minimax, Algoritma Alpha Beta

3 Adversarial Search pada Problem Game Initial State: posisi board dan pemain Successor Function: mengembalikan daftar kemungkinan langka pemain Terminal Test: penentuan syarat game berakhir Utility function: nilai dari setiap state Game Tree: kemungkinan langkah pemain (state) berdasarkan langkah sebelumnya

4 Contoh State pada Game Tic Tac Toe Nilai state disamping adalah [,,,, 4, 5, 6, 7, 8] X X Nilai state disamping adalah [, X,,, 4, 5, 6, 7, 8] X O X 4 O Nilai state disamping adalah [, X,,, 4, O, 6, 7, 8] 4

5 Contoh Utility Function Istilah pada bahasan terdahulu, Nilai fitness (fitness function pada Algoritma Genetika) Cost Function pada uninformed & informed search Fungsi: memberikan suatu nilai pada state yang sedang diamati Tidak ada aturan baku, heuristik, sesuai dengan definisi permasalahan 5

6 Contoh Utility Function Game Tic Tac Toe X Nilai state untuk Pemain X disamping: - Ada garis yang bisa dibuat Pemain X X O Nilai state untuk Pemain X disamping: = Hanya ada garis yang bisa dibuat Pemain X karena Pemain O menghalangi garis lainnya Nilai Utility Function = banyaknya garis yang bisa dibuat seorang pemain tanpa gangguan dari pemain lain. 6

7 Contoh Game Tree pada Tic Tac Toe pemain berusaha membuat garis pada papan n x n initial state : [,,,,4,5,6,7,8] Posisi Posisi Daftar semua kemungkinan posisi X sebagai Pemain SUCCESSORS( [,,,,4,5,6,7,8] ) returns [ (,[X,,,,4,5,6,7,8]), Posisi (,[,X,,,4,5,6,7,8]), Posisi... ] 7

8 Algoritma Minimax Memberikan nilai paling maksimal atau nilai paling minimal dari pemain Contoh berikut adalah game tree dari pemain dengan kemungkinan langkah sampai level ruang kemungkinan terlalu banyak -> ada pembatasan kedalaman level (DEPTH-LIMITED SEARCH) Nilai utility function untuk state langkah pemain di posisi level telah dihitung Tujuan Level dan Level -> mencari nilai state paling maksimal Tujuan Level -> mencari nilai state paling minimal 8

9 Algoritma Minimax Buat fungsi recursive : max-value mencari nilai maksimal successors min-value mencari nilai minimal successors def value(state): If terminal state: return the state s utility If MAX agent: return max-value(state) If MIN agent: return min-value(state) def max-value(state): Initialize max = - For each successor of state: V value(successor) max maximum(max, v) Return max 9

10 Minimax dengan Depth-Limited Search Buat fungsi recursive : max-value mencari nilai maksimal successors min-value mencari nilai minimal successors def value(state, limit): If terminal state: return the state s utility If limit = : return evaluation_function(state) If MAX agent : return max-value(state, limit) If MIN agent : return min-value(state, limit) def max-value(state, limit): Initialize max = - For each successor of state: V value(successor, limit-) max maximum(max, v) Return max

11 Contoh Animasi Minimax Min Max Langkah yang diambil komputer adalah state dengan nilai utility function = 6 Max

12 - : Pruning di Depth-Limited Search Pruning = pemotongan cabang pada game tree Mengurangi waktu pembuatan dan penelusuran tree Algoritma Alpha Beta ( - ) Minimax pada DepthLimited Search + pruning Syarat pruning: nilai variabel alpha dan variabel beta Alpha = nilai paling maksimal di semua level max Beta = nilai paling minimal di semua level min

13 Algoritma Alpha Beta

14 State Awal Contoh Alpha-Beta

15 State Akhir Contoh Alpha-Beta

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41