Informed Search (Heuristic) & Eksplorasinya

Transkripsi

1 Informed Search (Heuristic) & Eksplorasinya Chastine Fatichah Teknik Informatika Institut Teknologi Sepuluh Nopember November / 21

2 Pokok Bahasan Uninformed search strategies Best-first search Greedy best-first search A* Search Heuristic Ringkasan Kecerdasan 2 / 21 Buatan (KI092301)

3 Informed Search Strategies Uninformed Search : menggenerate state baru, di cek apakah goal atau tidak kurang efisien Informed Search menggunakan informasi tambahan lebih efisien Bahasan : Best-First Search Greedy Best-First Search A* Search Heuristics 3 / 21

4 Best-first Search Secara umum sama dengan Tree-Search ataupun Graph-Search Node yang diexpand berdasarkan evaluation function f(n) fungsi yang menyatakan perkiraan seberapa bagus sebuah node dipilih yang terkecil Fringe sebuah antrian (queue) di mana node diurutkan berdasarkan f(n) Contoh: Greedy best-first search A* search 4 / 21

5 Step Cost & Straight-Line Distance 5 / 21

6 Straight-Line Distance Arad 366 Bucharest 0 Craivora 160 Dobreta 242 Eforie 161 Fagaras 176 Giurgiu 77 Hirsova 151 Iasi 226 Lugoj 244 Mehadia 241 Neamt 234 Oradea 380 Pitesti 100 Rimnicu Vilcea 193 Sibiu 253 Timisoara 329 Urziceni 80 Vaslui 199 Zerind / 21

7 Greedy best-first Search Evaluation Function h(n) (Heuristics) = Estimasi cost dari n ke goal terdekat Misalnya, h SLD (n)=straight-line Distance (jarak lurus) dari Bucharest Best First Search mengekspand node yang kelihatan mendekati goal 7 / 21

8 Contoh Greedy best-first Search Arad Sibiu 329 Timisoara 374 Zerind Arad Fagaras Oradea Rimnicu Videa 253 Sibiu 0 Buchares 8 / 21

9 Keterangan Greedy best-first Search Complete? Tidak, bisa terjadi looping, misal : Oradea sebagai goal : Iasi Neamt Iasi Neamt Time? O(b m ) namun dengan heuristic yang baik akan memberikan improvement yang besar Space? O(b m ) Setiap node disimpan dalam memory Optimal? Tidak, perhatikan kasus rute ke Bucharest sebelumnya, mestinya tidak melalui Fagaras untuk mencapai optimalnya 9 / 21

10 A* Search Ide : Menghindari expanding path yang mahal Evaluation Function : f(n) = g(n) + h(n) g(n) = Cost yang dicapai sampai di n h(n) = Estimasi cost untuk sampai pd goal dari n f(n) = Estimasi total cost dari path n sampai goal A* : admissible heuristic tidak overestimate h(n) <= h*(n) dimana h*(n) cost sebenarnya h(n) >= 0 sehingga h(g) = 0 untuk goal G Contoh, h SLD (n) tidak overestimate terhadap jarak pada jalan sebenarnya A* search Optimal 10 / 21

11 Contoh A* Search Arad 366 = = = = Sibiu Zerind Timisoara 646 = = = = Arad Fagaras Oradea Rimnicu Videa 591= Sibiu 450=450+0 Buchares 526 = Craiova 417= Pinesti 553= Sibiu Bucharest 418=418+0 Sibiu 591= Rimnicu Videa 450= / 21

12 Pembuktian Optimalitas A* Seperti pada kasus sebelumnya, misal jika ada G 2 (goal lain yang suboptimal) yang telah digenerate dan masuk dalam queue. Dan diketahui n merupakan node yang belum diexpand pada path terpendek menuju Goal yang optimal f(g 2 ) = g(g 2 ), karena h(g2) = 0 > g(g 1 ), karena G 2 suboptimal >= f(n), karena h admissible Karena f(g 2 ) > f(n), maka A* tidak akan mengexpand G 2 12 / 21

13 Optimalitas A* (Kegunaan) Lemma : A* mengexpand node menambah nilai f Dan secara berangsung-angsur menambah fcountour node-node (bandingkan BFS yang menambah layer) Countour i memiliki node-node dg f=f i dimana f i <f i+1 13 / 21

14 Keterangan A* Search Complete? Ya, selama jumlah node f <= f(g) terbatas Time? Exponensial Space? Setiap node disimpan dalam memory Optimal? Ya A* mengekspand node-node dengan f(n) < C* A* mengekspand beberapa node dengan f(n)=c* A* Tidak akan mengekspand node dengan f(n)>c* 14 / 21

15 Pembuktian Lemma : Consistency Fungsi Heuristic h(n) dikatakan konsisten jika setiap node n dan setiap successor n dari n yang digenerate action a, maka estimasi cost dari n sampai ke goal tidak lebih besar dari cost sampai step n + estimasi cost n ke goal h(n) <= c(n,a,n ) + h(n ) Jika h(n) konsisten maka nilai dari f(n) melalui suatu path tidak berkurang/nondecreasing f(n ) = g(n )+h(n ) = g(n) + c(n,a,n ) + h(n ) >= g(n) + h(n) = f(n) 15 / 21

16 Heuristic Function Contoh pada 8-puzzles, Rata2 b = 3, d =22 Dgn menghilangkan repeated state, total state menjadi 9!/2 = (tidak terlalu besar) Tetapi jika pada 15-puzzle? Secara kasarnya mencapai state (wow!!!) Dibutuhkan suatu good heuristic function 16 / 21

17 8-Puzzle Heuristic Function Contoh pada 8-puzzles, diusulkan 2 h(n) h1 = Jumlah kotak yang salah penempatan h2 = Manhatan distance jumlah dari jarak masingmasing kotak ke tujuan, dengan aturan aturan tidak bisa bergerak secara diagonal Contoh : h1 = 8 h2 = = 18 Dari kedua fungsi heuristic tersebut sudah sama-sama tidak overestimate (solusi sebenarnya = 26 step) 17 / 21

18 Pengaruh Akurasi Heuristic pada Cara menentukan kualitas heuristic adalah dengan efective branching factor b* N+1 = 1 + b* + (b*) (b*) d Misal jika solusi pada d=5 dgn 52 node maka b* = 1.92 Heuristic yang baik b* mendekati 1 Jika h 2 (n)>h 1 (n) untuk semua n maka h 2 dominates h 1 dan memberi solusi yg lebih baik Performanya Search Cost Effective Branching Factor d IDS A*(h 1 ) A*(h 2 ) IDS A*(h 1 ) A*(h 2 ) / 21

19 Relaxed Problem Relaxed Problem mengurangi action pada problem Admissible Hueristic dapat diturunkan dari exact solution pada relaxed problem Jika rule 8-puzle dikendurkan(relaxed) sehingga setiap kotak bisa berpindah kemanapun, maka h1(n) akan memberikan solusi terpendek Jika perpindahan hanya boleh untuk yang berdekatan saja, maka h2(n) memberikan solusi terpendek Key Point: biaya solusi optimal dari relaxed problem tidak lebih besar dari biaya solusi optimal problem sebenarnya 19 / 21

20 Ringkasan Heuristic functions mengestimasi biaya pada rute terpendek Good heuristics dapat secara drastis mengurangi biaya pencarian Greedy best-first search mengekspan h terkecil incomplete dan tidak selalu optimal A* search mengekspan g + h terkecil complete dan optimal optimally efficient (up to tie-breaks, for forward search) 20 / 21

21 Sumber : 1. Slide perkuliahan Stuart Russell's (Berkeley) 21 / 21