intTypePromotion=1
ADSENSE

Báo cáo môn Trí tuệ nhân tạo: Tìm hiểu một số giải thuật môn học Trí tuệ nhân tạo

Chia sẻ: Khuong Nguyen | Ngày: | Loại File: DOCX | Số trang:23

115
lượt xem
12
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Nội dung của tiểu luận trình bày tìm kiếm theo chiều sâu; tìm kiếm theo chiều sâu; tìm kiếm theo chiều rộng; tìm kiếm theo giá thành thống nhất; tìm kiếm sâu dần; tìm kiếm leo đồi; Simulated annealing search.

Chủ đề:
Lưu

Nội dung Text: Báo cáo môn Trí tuệ nhân tạo: Tìm hiểu một số giải thuật môn học Trí tuệ nhân tạo

  1. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi TÌM HIỂU MỘT SỐ GIẢI THUẬT  MÔN HỌC  TRÍ TUỆ NHÂN TẠO GVHD: Th.S Ngô Hồ Anh Khôi Sinh viên thực hiện: Nguyễn Lập An Khương 1. Tìm kiếm theo chiều rộng. Tìm kiếm theo chiều rộng (BFS) là một thuật toán tìm kiếm trong đồ thị trong  đó việc tìm kiếm chỉ bao gồm 2 thao tác: (a) cho trước một đỉnh của đồ thị; (b)  thêm các đỉnh kề với đỉnh vừa cho vào danh sách có thể hướng tới tiếp theo. Có  thể sử dụng thuật toán tìm kiếm theo chiều rộng cho hai mục đích: tìm kiếm  đường đi từ một đỉnh gốc cho trước tới một đỉnh đích, và tìm kiếm đường đi từ  đỉnh gốc tới tất cả các đỉnh khác. Trong đồ thị không có trọng số, thuật toán tìm  kiếm theo chiều rộng luôn tìm ra đường đi ngắn nhất có thể. Thuật toán BFS  bắt đầu từ đỉnh gốc và lần lượt nhìn các đỉnh kề với đỉnh gốc. Sau đó, với mỗi  đỉnh trong số đó, thuật toán lại lần lượt nhìn trước các đỉnh kề với nó mà chưa  được quan sát trước đó và lặp lại. Xem thêm thuật toán tìm kiếm theo chiều sâu,  trong đó cũng sử dụng 2 thao tác trên nhưng có trình tự quan sát các đỉnh khác  với thuật toán tìm kiếm theo chiều rộng.  giải thuật tìm kiếm theo chiều rộng duyệt từ A tới B tới E tới F sau đó tới C,  tới G và cuối cùng tới D. Giải thuật này tuân theo qui tắc: Qui tắc 1: Duyệt tiếp tới đỉnh liền kề  mà chưa được duyệt. Đánh dấu   đỉnh mà đã được duyệt. Hiển thị đỉnh đó và đẩy vào trong một hàng đợi (queue).. Qui tắc 2: Nếu không tìm thấy đỉnh liền kề, thì xóa đỉnh đầu tiên trong   hàng đợi. Qui tắc 3: Lặp lại Qui tắc 1 và 2 cho tới khi hàng đợi là trống.
  2. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Ứng dụng: Thuật toán tìm kiếm theo chiều rộng được dùng để giải nhiều bài toán trong lý  thuyết đồ thị, chẳng hạn như: Tìm tất cả các đỉnh trong một thành phần liên thông Tìm đường đi ngắn nhất giữa hai đỉnh u và v (với chiều dài đường đi tính  bằng số cung) Kiểm tra xem một đồ thị có là đồ thị hai phía Tìm các thành phần liên thông Ưu điểm: Xét duyệt tất cả các đỉnh để trả về kết quả. Nếu số đỉnh là hữu hạn, thuật toán chắc chắn tìm ra kết quả. Nhược điểm:
  3. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Mang tính chất vét cạn, không nên áp dụng nếu duyệt số đỉnh quá  lớn. Mang tính chất mù quáng, duyệt tất cả đỉnh, không chú ý đến thông  tin trong các đỉnh để duyệt hiệu quả, dẫn đến duyệt qua các đỉnh  không cần thiết. 2. Tìm kiếm theo chiều sâu. Giải thuật tìm kiếm theo chiều sâu (Depth First Search – viết tắt là DFS), còn  được gọi là giải thuật tìm kiếm ưu tiên chiều sâu, là giải thuật duyệt hoặc tìm  kiếm trên một cây hoặc một đồ thị và sử dụng stack (ngăn xếp) để ghi nhớ đỉnh  liền kề để bắt đầu việc tìm kiếm khi không gặp được đỉnh liền kề trong bất kỳ  vòng lặp nào. Giải thuật tiếp tục cho tới khi gặp được đỉnh cần tìm hoặc tới  một nút không có con. Khi đó giải thuật quay lui về đỉnh vừa mới tìm kiếm ở  bước trước. Trong hình minh họa trên, giải thuật tìm kiếm theo chiều sâu đầu tiên duyệt từ  các đỉnh A tới B tới C tới D sau đó tới E, sau đó tới F và cuối cùng tới G. Giải  thuật này tuân theo qui tắc sau:
  4. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Qui tắc 1: Duyệt tiếp tới đỉnh liền kề  mà chưa được duyệt. Đánh dấu   đỉnh mà đã được duyệt. Hiển thị đỉnh đó và đẩy vào trong một ngăn xếp (stack). Qui tắc 2: Nếu không tìm thấy đỉnh liền kề, thì lấy một đỉnh từ  trong   ngăn xếp (thao tác pop up). (Giải thuật sẽ lấy tất cả các đỉnh từ trong ngăn xếp  mà không có các đỉnh liền kề nào) Qui tắc 3: Lặp lại các qui tắc 1 và qui tắc 2 cho tới khi ngăn xếp là trống. Ưu điểm: Xét duyệt tất cả các đỉnhđể trả về kết quả. Nếu số đỉnh là hữu hạn, thuật toán chắc chắn tìm ra kết quả. Nhược điểm: Mang tính chất vét cạn, không nên áp dụng nếu duyệt số đỉnh quá lớn. Mang tính chất mù quáng, duyệt tất cả đỉnh, không chú ý đến thông tin  trong các đỉnh để duyệt hiệu quả, dẫn đến duyệt qua các đỉnh không cần  thiết. 3. Tìm kiếm theo chiều sâu có giới hạn. Trong trí tuệ nhân tạo hay các lý thuyết đồ thị, thuật toán tìm kiếm có giới hạn  độ sâu (DLS)  hay depth­limited search algorithm là một thuật toán phát triển các  nút chưa xét các theo chiều sâu nhưng có giới hạn mức để tránh đi vào những  con đường không mang lại kết quả tốt như trong thuật toán tìm kiếm sâu dần. Ưu điểm: 
  5. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Nó là bộ nhớ hiệu quả, sử dụng không gian tuyến tính O (bxL) Nhược điểm: Chưa hoàn thành nếu giải pháp nằm dưới giới hạn L(d 
  6. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Ưu điểm: Tìm kiếm theo giá thành thống nhất là tối ưu vì con đường có chi phí  thấp nhất được chọn. Nhược điểm: Không cần quan tâm đến số lượng các bước liên quan đến tìm kiếm  và chỉ quan tâm đến chi phí đường dẫn. Do đó giả thuật này có thể  bị mắt kẹt trong một vòng lặp vô hạn. 5. Tìm kiếm sâu dần. Trong trí tuệ nhân tạo hay lý thuyết đồ thị, thuật toán tìm kiếm kiếm sâu dần là  1 thuật toán duyệt hoặc tìm kiếm trên cây hoặc đồ thị. Thuật toán được đưa ra để khắc phục điểm yêu của thuật toán tìm kiếm giới  hạn độ sâu  DLS  . Đó là khi mà tất cả các lời giải nằm ở độ sâu lớn hơn giới  hạn độ sâu l thì giải thuật DLS sẽ thất bại. Giải thuật tìm kiếm sâu dần  sẽ : áp dụng giải thuật  DLS  đối với đường đi có độ dài 
  7. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi ­         Luôn tìm ra nghiệm (nếu bài toán có nghiệm), miễn là chọn max đủ lớn  (giống như tìm kiếm theo chiều rộng)  ­         Có độ phức tạp thời gian là O(kd) (giống tìm kiếm rộng)  ­         Có độ phức tạp không gian là O(k*d) (giống tìm kiếm sâu)  ­         Giải thuật tìm kiếm sâu dần thương áp dụng cho các bài toán có không  gian trạng thái lớn và độ sâu của nghiệm không biết trước. Ưu điểm: Nó tổ chức các lợi ích của thuật toán tìm kiếm BFS và DFS về mặt hiệu  quả tìm kiếm và bộ nhớ nhanh. Nhược điểm: Hạn chế chính của IDS là nó lặp lại tất cả các công việc của giai đoạn trước. 6. Tìm kiếm leo đồi. Tìm kiếm leo đồi là tìm kiếm theo độ sâu được hướng dẫn bởi hàm đánh giá.  Song khác với tìm kiếm theo độ sâu, khi phát triển một đỉnh u thì bước tiếp theo  ta chọn trong số các đỉnh con của u, đỉnh có hứa hẹn nhiều nhất để phát triển,  đỉnh này được xác định bởi hàm đánh giá.
  8. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Ưu điểm: Phương pháp tìm kiếm leo đồi chú trọng tìm hướng đi dễ dẫn đến trạng  thái đích nhất. Cách đó được đưa ra nhằm làm giảm công sức tìm kiếm.  Thuật toán tìm kiếm leo đồi thực chất là thuật toán tìm kiếm theo chiều  sâu, song tại mỗi bước ta sẽ ưu tiên chọn một trạng thái có hứa hẹn  nhanh tới đich nhất để phát triển trước. Vấn đề quan trọng là biết khai  thác kheo léo thông tin phản hồi để xác định hướng đi tiếp và đẩy nhanh  quá trình tìm kiếm. Thông thường ta gán mỗi trạng thái của bài toán với  một số đo (hàm đánh giá) nào đó nhằm đánh giá mức độ gần đích của nó.  Điều đó có nghĩa là nếu trạng thái hiện thời là u thì trạng thái v sẽ được  phát triển tiếp theo nếu v kề với u và hàm đanh giá của v đạt giá trị max  (hoặc min). Nhược điểm:
  9. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Cực trị địa phương: nút đang xét tốt hơn các nút lân cận, nhưng đó không  phải là phương án tốt nhất trong toàn thể, ví vậy có thể phải quay lui về  nút trước để đi theo hướng khác. Giải pháp này đòi hỏi ghi nhớ lại nhiều  đường đi.          Cao nguyên: Các giá trị của các phương án như nhau, không xác định  được ngay hướng nào là tốt hơn trong vùng lân cận. 7. Simulated annealing search. Dựa trên quá trình tôi ủ (annealing process): Kim loại nguội đi và lạnh cứng lại  thành cấu trúc kết tinh  Phương pháp tìm kiếm Simulated Annealing có thể tránh được các điểm tối ưu  cục bộ (local optima)  Phương pháp tìm kiếm Simulated Annealing sử dụng chiến lược tìm kiếm ngẫu  nhiên, trong đó chấp nhận các thay đổi làm tăng giá trị hàm mục tiêu (cần cực  đại hóa) và cũng chấp nhận (có hạn chế) các thay đổi làm giảm  Phương pháp tìm kiếm Simulated Annealing sử dụng một tham số điều khiển T  (như trong các hệ thống nhiệt độ) ❑ Bắt đầu thì T nhận giá trị cao, và giảm dần về 0 Ý tưởng: Thoát khỏi (vượt qua) các điểm tối ưu cục bộ bằng cách cho phép cả  các dịch chuyển “tồi” từ trạng thái hiện thời, nhưng giảm dần tần xuất của các  di chuyển tồi này (Có thể chứng minh được) Nếu giá trị của tham số T (xác định mức độ giảm tần  xuất đối với các di chuyển tồi) giảm chậm, thì phương pháp tìm kiếm Simulated  Annealing sẽ tìm được lời giải tối ưu toàn cục với xác suất xấp xỉ 1  Phương pháp tìm kiếm Simulated Annealing Search rất hay được sử dụng trong  các lĩnh vực: thiết kế sơ đồ bảng mạch VLSI, lập lịch bay, …
  10. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Ưu điểm: Simulated annealing search có thể đối phó với các mô hình phi tuyến tính  cao, dữ liệu hỗn loạn và ồn ào và nhiều ràng buộc. Đó là một kỹ thuật  mạnh mẽ và chung chung. Ưu điểm chính của nó so với các phương pháp tìm kiếm địa phương khác  là tính linh hoạt và khả năng tiếp cận toàn cầu sự tối ưu. Thuật toán này khá linh hoạt vì nó không dựa trên bất kỳ thuộc tính hạn  chế nào của mô hình.
  11. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Nhược điểm: Một bất lợi Simulated annealing search là chuyên sâu tính toán. Có tồn  tại các biến thể cơ bản nhanh hơn mô phỏng ủ, nhưng rõ ràng chúng  không được mã hóa dễ dàng và vì vậy chúng không được sử dụng rộng  rãi. 8. Tìm kiếm Beam Giải thuật tìm kiếm beam giống như tìm kiếm theo chiều rộng, nó phát triển các  đỉnh ở một mức rồi phát triển các đỉnh ở mức tiếp theo. Tuy nhiên trong tìm kiếm theo chiều rộng, ta phát triển tất cả các đỉnh ở một  mức, còn trong tìm kiếm beam, ta hạn chế chỉ phát triển đỉnh K tốt nhất(các đỉnh  này được xác định bởi hàm đánh giá). Do đó trong tìm kiếm beam, ở bất kì mức  nào cũng có K đỉnh được phát triển, trong khi tìm kiếm theo chiều rộng, số đỉnh  cần phát triển ở mức d là bd (b là nhân tốt nhánh).
  12. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Ưu điểm: Tìm kiếm beam có lợi thế là có khả năng làm giảm tính toán, và do đó,  thời gian của một tìm kiếm. Đồng thời, mức tiêu thụ bộ nhớ của tìm kiếm   ít hơn nhiều so với các phương pháp tìm kiếm cơ bản của nó. Nhược điểm: Nhược điểm chính của tìm kiếm beam là tìm kiếm có thể không dẫn đến  mục tiêu tối ưu và thậm chí có thể không đạt được mục tiêu. Trong thực  tế, thuật toán tìm kiếm chùm chấm dứt cho hai trường hợp: đạt được nút  mục tiêu bắt buộc hoặc không đạt được nút mục tiêu và không còn nút  nào để khám phá.
  13. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi 9. Tìm kiếm nhánh cận. Là phương pháp chủ yếu để giải các bài toán tối ưu tổ hợp. Ta thực hiện việc  đánh giá theo từng bước, nếu không có khả năng tìm thấy kết quả tốt hơn thì rẽ  nhánh nó, không thực hiện tìm tiếp mà chuyển ngay sang nhánh khác. Khi đó, chỉ  cần ghi nhận các kết quả tốt hơn lúc ban đầu. Nghiệm của bài toán sẽ tốt dần  lên do khi tìm ra kết quả tốt hơn ta sẽ cập nhật lại giá trị hiện thời của bài toán. Phương pháp Nhánh cận là một dạng cải tiến của phương pháp quay lui dùng  để giải quyết bài toán tối ưu. Ưu điểm: Phương pháp nhánh cận không quét qua toàn bộ các nghiệm có thể có  của bài toán. Nhược điểm:
  14. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Khó khăn của phương pháp nhánh cận là làm thế nào đánh giá được các  nghiệm mở rộng (cận). Nếu đánh giá tốt sẽ bỏ nhiều nghiệm không cần  thiết phải xét (nhánh). 10. Giải thuật Minimax. Giải thuật Minimax là một thuật toán đệ quy lựa chọn bước đi kế tiếp trong  một trò chơi có hai người. Xét một trò chơi đối kháng trong đó hai người thay  phiên đi nước đi của mình như cờ vua, cờ tướng, cờ caro, cờ vây… Khi chơi  bạn có thể khai triển hết không gian trạng thái nhưng khó khăn chủ yếu là bạn  phải tính toán được phản ứng và nước đi của đối thủ mình như thế nào? Cách  xử lý đơn giản là bạn giả sử đối thủ của bạn cũng sử dụng kiến thức về không  gian trạng thái giống bạn. Giải thuật Minimax áp dụng giả thuyết này để tìm  kiếm không gian trạng thái của trò chơi. Giải thuật Minimax giúp chúng ta tìm được bước đi kế tiếp tốt nhất trong các  không gian trạng thái tiếp theo bằng cách phát triển hết không gian trạng thái  cây trò chơi định giá trị cho các Node tìm Node có trạng thái tốt nhất ở bước tiếp  theo phát triển tiếp. Hai đối thủ trong trò chơi được gọi là MIN và MAX luân phiên thay thế nhau đi.  MAX đại diện cho người quyết dành thắng lợi và cố gắng tối đa hóa ưu thế  của mình, ngược lại người chơi đại diện cho MIN lại cố gắng giảm điểm số  của MAX và cố gắng làm cho điểm số của mình càng âm càng tốt. Giả thiết  đưa ra MIN và MAX có kiến thức như nhau về không gian trạng thái trò chơi và  cả hai đối thủ đều cố gắng như nhau. Mỗi Node biểu diễn cho một trạng thái trên cây trò chơi. Node lá là Node chứa  trạng thái kết thúc của trò chơi. Giải thuật Minimax thể hiện bằng cách định trị các Node trên cây trò chơi: Node thuộc lớp MAX thì gán cho nó giá trị lớn nhất của con Node đó. Node thuộc lớp MIN thì gán cho nó giá trị nhỏ nhất của con Node đó. Từ các giá trị này người chơi sẽ lựa chọn cho mình nước đi tiếp theo hợp lý  nhất.
  15. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Ưu điểm: Tìm kiếm được mọi nước đi tiếp theo sau đó lựa chọn nước đi tốt nhất, vì   giải thuật có tính chất vét cạn nên không bỏ soát trạng thái. Nhược điểm: Đối với các trò chơi có không gian trạng thái lớn như caro, cờ tướng…  việc chỉ áp dụng giải thuật Minimax có lẽ không còn hiệu quả nữa do sự  bùng nổ tổ hợp quá lớn. Giải thuật áp dụng nguyên lý vét cạn không tận dụng được thông tin của  trạng thái hiện tại để lựa chọn nước đi, vì duyệt hết các trạng thái nên  tốn thời gian. 11. Giải thuật Minimax với cắt tỉa Alpha­Beta.
  16. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Giải thuật cắt tỉa Alpha­beta từng được nhiều nhà khoa học máy tính đề xuất ý  tưởng và không ngừng được cải tiến cho đến ngày nay. Giải thuật này thường  sử dụng chung với thuật toán tìm kiếm Minimax nhằm hỗ trợ giảm bớt các  không gian trạng thái trong cây trò chơi, giúp thuật toán Minimax có thể tìm  kiếm sâu và nhanh hơn. Giải thuật cắt tỉa Alpha­beta có nguyên tắc đơn giản  "Nếu biết là trường hợp xấu thì không cần phải xét thêm". Nút Max có một giá trị alpha (lớn hơn hoặc bằng alpha – luôn tăng), nút min có  một giá trị beta (nhỏ hơn hoặc bằng beta – luôn giảm). Khi chưa có alpha và beta xác định thì thực hiện tìm kiếm sâu (depth­first) để xác  định được alpha, beta, và truyền ngược lên các nút cha. Một số sách và tài liệu có đề cập với việc cắt tỉa alpha và cắt tỉa beta, dùng một  cách khác đó là dùng các khoảng trong toán học. Hãy nhìn cây trò chơi phía dưới  để hình dung cách để cắt tỉa.
  17. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Đầu tiên là xét cây từ trái sang phải ta sẽ thấy S là Max, theo chiến lược đưa ra  vậy chúng ta sẽ có giá trị alpha ≥ 10 tại S. Tiếp theo, ở C ở đây là nút Min (trạng thái trò chơi dành cho Max) tức là sẽ lấy  giá trị nhỏ nhất của các nút con ở dưới. Nếu như vậy thì giá trị chúng ta phải  lấy là beta ≤ 3. Sau khi xác định được alpha và beta, chúng ta có thể dễ dàng xác định việc có  cắt tỉa hay không. Ở nút S (Max), giá trị alpha luôn ≥ 10 (luôn tăng) nhưng ở C  (Min) thì giá trị luôn luôn ≤ 3 (luôn giảm), nên việc xét các con còn lại ở C là  không cần thiết. Nếu nói theo khoảng thì hiện tại chúng ta chỉ nhận khoảng ≥ 10 tại nút gốc  S,  vậy thì đâu cần bận tâm đến việc khoảng ≤ 3 tại nút C. Ví dụ với một cây trò chơi trung bình
  18. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Ở đây chúng ta cũng xét từ trái qua phải bắt đầu từ nút gốc và nút con bên trái  sẽ được ưu tiên duyệt trước.  Xét duyệt từ trên gốc xuống sâu (vì ban đầu chưa hề tồn tại giá trị alpha hay  beta của các nút). Nút đầu tiên ta duyệt là E sẽ gặp giá trị 2 (alpha ≥ 2), khi đó ở  trên chưa có giá trị beta để ta có thể so sánh nên sẽ bắt đầu duyệt con tiếp theo  của nút E đó và ở đây ta sẽ chọn cho alpha = 3 (Max). Lưu ý là chúng ta luôn luôn duyệt từ trái sang phải và phải lần lượt từng nhánh  một, sau đó sang nhánh tiếp theo cùng gốc. Vậy nên tiếp theo chúng ta sẽ đưa  giá trị alpha này lên nút B (Min) và nút B – beta ≤ 3, sau đó nút F sẽ được duyệt,  và ta phải tìm alpha của F.  Khi duyệt con đầu tiên mang giá trị 5 vậy alpha của  F – alpha ≥ 5. Tại B – beta ≤ 3 và tại F – alpha ≥ 5. Như vậy chúng ta không cần xem xét các  nút con còn lại của F vì cái ta cần ở đây chỉ là khoảng ≤ 3 nên ta cắt toàn bộ các  con còn lại. Sau khi duyệt toàn bộ các con của B thì tại B – beta = 3, và tại nút A – alpha ≥ 3. Ưu điểm: Thuật toán cắt tỉa Alpha Beta sinh ra để tối ưu thuật toán Minimax.  Nhược điểm:
  19. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Một nhược điểm của thuật toán minimax là mỗi trạng thái bảng phải  được truy cập hai lần: một lần để tìm con của nó và lần thứ hai để đánh  giá giá trị heuristic. 12. Giải thuật tìm kiếm tốt nhất đầu tiên. Có 3 thuật giải con dựa vào nó:  Thuật giải AT  Thuật giải AKT  Thuật giải A* Ưu điểm của tìm kiếm theo chiều sâu là không phải quan tâm đến sự mở rộng  của tất cả các nhánh. Ưu điểm của tìm kiếm chiều rộng là không bị sa vào các  đường dẫn bế tắc (các nhánh cụt). Tìm kiếm ưu tiên tối ưu sẽ kết hợp 2  phương pháp trên cho phép ta đi theo một con đường duy nhất tại một thời  điểm, nhưng đồng thời vẫn "quan sát" được những hướng khác. Nếu con đường  đang đi "có vẻ" không triển vọng bằng những con đường ta đang "quan sát" ta sẽ  chuyển sang đi theo một trong số các con đường này. Một cách cụ thể, tại mỗi bước của tìm kiếm BFS, ta chọn đi theo trạng thái có  khả năng cao nhất trong số các trạng thái đã được xét cho đến thời điểm đó.  (khác với leo đồi dốc đứng là chỉ chọn trạng thái có khả năng cao nhất trong số  các trạng thái kế tiếp có thể đến được từ trạng thái hiện tại). Như vậy, với tiếp  cận này, ta sẽ ưu tiên đi vào những nhánh tìm kiếm có khả năng nhất (giống tìm  kiếm leo đồi dốc đứng), nhưng ta sẽ không bị lẩn quẩn trong các nhánh này vì  nếu càng đi sâu vào một hướng mà ta phát hiện ra rằng hướng này càng đi thì  càng tệ, đến mức nó xấu hơn cả những hướng mà ta chưa đi, thì ta sẽ không đi  tiếp hướng hiện tại nữa mà chọn đi theo một hướng tốt nhất trong số những  hướng chưa đi. Đó là tư tưởng chủ đạo của tìm kiếm Best First Search. Ưu điểm:
  20. Tìm hiểu một số giải thuật môn học Trí Tuệ Nhân Tạo GVHD: Th.S Ngô Hồ Anh Khôi Thuật toán tìm kiếm tốt nhất đầu tiên có thể chuyển đổi giữa BFS và DFS   bằng cách đạt được những lợi thế của cả hai thuật toán. Nó hiệu quả hơn BFS và DFS. Độ phức tạp thời gian của tìm kiếm đầu tiên tốt nhất ít hơn nhiều so với  tìm kiếm đầu tiên của Breadth. thuật toán luôn chọn đường dẫn xuất hiện tốt nhất tại thời điểm đó. Nó  là sự kết hợp giữa thuật toán tìm kiếm theo chiều sâu và tìm kiếm theo  chiều rộng. Nó sử dụng chức năng heuristic và tìm kiếm. Tìm kiếm đầu  tiên tốt nhất cho phép chúng tôi tận dụng lợi thế của cả hai thuật toán.  Với sự trợ giúp của tìm kiếm đầu tiên tốt nhất, ở mỗi bước, chúng ta có  thể chọn nút hứa hẹn nhất. Nhược điểm: Nó có thể hoạt động như một tìm kiếm sâu đầu tiên không có điều kiện  trong trường hợp xấu nhất. Nó có thể bị kẹt trong một vòng lặp như DFS.   Thuật toán này không tối ưu.
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2