Problem Solving Search Informed Search

1
Problem SolvingSearch -- Informed Search

• Ref Artificial Intelligence A Modern Approach
  ch. 4
• Rabu, 13 Feb 2002

2
Review

• Secara kasar, simple problem-solving agent
• Percept ? Problem definition ? Search for
  solution ? Action.
• Problem definition/statement
• Initial state.
• Operator.
• Goal test.
• Path cost function.
• Search dilakukan pada state space-nya
• Yg. perlu diperhatikan completeness,
  optimallity, time complexity, space complexity.

3
Review

• Secara garis besar ada 2
• Uninformed Tidak punya informasi mengenai goal.
  Hanya bisa tahu apakah suatu state itu goal state
  atau bukan. Contoh BFS, uniform-cost search,
  DFS, depth-limited search, IDS, bidirectional
  search.
• Informed (dibahas hari ini).
• Contoh
• Problem-solving agent utk. menyelesaikan
  8-puzzle.
• Problem-solving agent utk. mencai jalan.
• Bagaimana
• Problem definition/statement.
• Search.
• Representasi komputer ?

4
Informed Search

• Informed search
• Mempunyai informasi mengenai keberadaan goal.
• Informasi tsb. merupakan estimasi cost yg.
  dibutuhkan current state utk. mencapai goal
  state.
• Estimasi tsb. dinyatakan dlm. heuristic function
  (h).
• Macam informed search
• Best-first search memilih meng-expand state yg.
  kelihatannya terbaik (akan mencapai goal paling
  cepat) dari keadaan sekarang.
• Greedy search.
• A search.

5
Informed Search

• Memory bounded search Pencarian dng. memory
  terbatas.
• Iterative Deepening A search (IDA).
• Simplified Memory-bounded A search (SMA).
• Iterative Improvement Algorithms Hanya
  menyimpan 1 sate saja. Utk. problems yg.
  solusinya bukanlah path hasil pencarian, tapi
  goal state-nya (the end justifies the mean).
• Contoh n-queen problem.
• Hill Climbing.
• Simulated Annealing.

6
Greedy Search

• Fungsi evaluasi h(n) (perkiraan cost yg. dari n
  ke goal).
• Seperti DFS, tapi setiap kali menghadapi pilihan
  state mana yg. harus di-expand, greedy menentukan
  dng. memilih h(n) terkecil.
• Tidak complete.
• Tidak optimal.
• Dng. b branching factor, m max. depth
• Time complexity O(bm) ? bisa jauh lebih baik
  jk.. h(n) akurat.
• Space complexity O(bm) ? beda dng. DFS ?
• Contoh lihat papan.

7
A Search

• Fungsi evaluasi
• f(n) g(n) h(n)
• g(n) cost dari initial state ke n.
• h(n) perkiraan cost dari n ke goal,
• dng. syarat h(n) tidak
  overestimates (admissable heuristic)
• 0 lt h(n) lt h(n)
• h(n) cost dari n ke goal.
• f(n) perkiraan total cost dari path yg.
  melalui n.
• Seperti uniform cost, tapi pemilihan state yg.
  akan di-expand berdasarkan f(n).

8
A Search

• Heuristik yg. admissable umumnya (not always)
  menghasilkan f yg. tidak pernah turun
  (monotonicity).
• Jk. ternyata f tidak menunjukkan monotonicity,
  mk. bs. dibuat monoton dng. mengubah f menjadi
• f(n) max (f(parent(n)), g(n)h(n)).
• Jk. f monoton, mk. A seakan-akan BFS thd.
  contour.
• Complete (kecuali ada inf. state dng. f lt
  f(goal)).
• Optimal (masa sih ?)
• Worst case, dng. b branching factor, m max.
  depth
• Time complexity O(bm).
• Space complexity O(bm).
• Contoh lihat papan.

9
Heuristic Function

• Pemilihan fungsi heuristik ?
• Akurat.
• Selama masih tidak overestimates, makin besar
  nilai h, makin baik fungsi heuristik tersebut. ?
  emang kenapa ?
• Jadi jk. ada 2 heuristik (h1 h2) yg.
  admissable, h1 mendominasi (utk. setiap n h1(n)
  gt h2(n)), h1 yg. dipilih.
• Efisien.
• Waktu utk. menghitungnya cukup acceptable.
• Membuat fungsi heuristik
• Melemahkan permasalahan (menjadikan relaxed
  problem problem yg. restriksi operatornya lebih
  relax daripada problem sebenarnya). Contoh
  ABSOLVER.

10
Heuristic Function

• Menggabungkan beberapa fungsi heuristik yg.
  admissable
• h(n) max(h1(n), h2(n), , hm(n)).
• Statistik (tp. tdk. menjamin admissability).
• Memberikan bobot pada faktor-faktor yg.
  diperkirakan mempengaruhi tercapainya suatu goal
  (learning from observation).
• Heuristik utk. CSP
• Most-constrained-variable pilih variabel yg.
  kemungkinan jumlah value-nya paling kecil.
• Most-constraining-variable assign value ke
  variabel yg. berhubugan dng. paling banyak
  constrain pd. unassigned variabel.
• Least-constraining-value pilih value yg. yg.
  paling sedikit meng-constrained unassigned
  variabel yg. lain.

11
IDA search

• Seperti IDS, hanya saja limit-nya bukanlah
  depth-limit, tapi f-limit.
• State dapat berulang.

12
SMA search

• Meng-expand state sampai sebatas memoryyg.
  dimilikinya. Ketika memory kurang, maka state yg.
  paling buruk akan dilupakan (forgotten nodes),
  tapi nilai terbaik dari node yg. dilupakan itu
  disimpan di ancestor.
• Asalkan memory memungkinkan, tidak mengulang
  repeated states (mengatasi kelemahan IDA)
• Complete (jk. memory dapat menyimpan path
  solusi).
• Optimal (jk. memory dapat menyimpan path solusi
  terbaik).

13
Hill Climbing

• Like climbing Everest in thick fog with
  amnesia.
• Dari current state (c), melihat kemungkinan next
  state yg. ada, jk. ada next state (n) yg. lebih
  baik dari c, maka current state n.
• Sangat tergantung initial state bentuk masalah.
• Bisa terjebak
• Local maxima, Plateaux, Ridges.
• Tidak complete, tidak optimal.
• Utk. mengatasinya random-restart-hill-climbing.
• Jk. jumlah restart boleh berapa saja complete,
  optimal.

14
Simulated Annealing

• Seperti hill-climbing, tapi jk. stuck (terjebak),
  daripada restart random, simulated annealing
  memperbolehkan utk. jalan turun.
• Mengambil ide dari proses annealing.
• Dari current state (c), kemudian pilih random
  next- state(n) yg. akan di-expand. Jk. n lebih
  baik dari c, maka current state n. Jk. tidak,
  dng. probabilitas tertentu lanjut ke random next
  state.