Vous êtes sur la page 1sur 6

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Bibliographie
Ganascia, Jean-Gabriel. Lintelligence articielle. Flammarion, 1993. I. Bratko, Programmation en Prolog pour lintelligence articielle, 2001 J.M. Alliot et T.Schiex, Intelligence Articielle et Informatique Th eorique, C epadu` es Editions, 1993. N. Nilsson, Articial Intelligence: A New Synthesis, Morgan Kaufmann, 1998. S. Russell, P. Norvig, Articial Intelligence: A Modern Approach, 2nd edition, 2002.

Intelligence Articielle Master 1` ere ann ee Informatique Universit e Paris 7

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Organisation
http://www.liafa.jussieu.fr/~haberm/cours/ia/ e-mail: Peter.Habermehl@liafa.jussieu.fr Contr ole des connaissances: Note nale premi` ere session = 2/3 Note examen + 1/3 Note contr ole continu Note nale deuxi` eme session = examen Contr ole continu: ?? TD: Alexandra dErfurth et Peter Habermehl Avertissement: Les transparents ne contiennent pas tout.

Plan du cours
Les agents intelligents (du tr` es simple au plus complexe) Les algorithmes de recherche Les algorithmes de jeux Les algorithmes dapprentissage Les algorithmes de classication Les r eseaux de neurones Lapprentissage de langages formels

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Quest-ce que lIntelligence Articielle ?


Quatre vues: Penser comme un humain Agir comme un humain Penser raisonnablement Agir raisonnablement

D enitions
Une perception est lentr ee per cu par lagent ` a un moment donn e. equence de perception est lhistoire compl` ete de tout ce quun agent a La s per cu. a Le comportement dun agent est d ecrit par la fonction dagent qui associe ` chaque s equence de perception une action. ementation de la fonction dagent. Un programme dagent est une impl

Agir raisonnablement: Faire la bonne chose Ici: Etudier des agents intelligents

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Les agents (intelligents)


sensors percepts environment actions ? agent

Exemple Agent Aspirateur


A B

S equence de perception [A,Propre] [A,Sale] [B,Propre] [B,Sale] [A,Propre],[A,Propre] [A,Propre],[A,Sale] . . [A,Propre],[A,Propre],[A,Propre] . .

Action Droite Aspire Gauche Aspire Droite Aspire . . Droite . .


8

actuators
Un agent est tout ce quil peut etre vu comme quelque chose qui per coit son environnement ` a travers de capteurs et agit sur son environnement ` a travers deecteurs.

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Exemple Taxi automatis e


D enir le cadre de la conception dun agent intelligent: la description OEEP Objectifs: s uret e, atteindre destination, minimiser distance, maximiser prots, etc. Environnement: m et eo, routes, pi etons, passager, etc. accessible - inaccessible

Environnements

d eterministe - non d eterministe episodique - non episodique statique - semi dynamique - dynamique

Eecteurs: permettent de freiner, acc el erer, parler, etc. discret - continu Perception: video, capteurs de moteurs, jauge dessence, GPS, etc. agent seul - multiagent (comp etitif, coop eratif)

11

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Agent raisonnable (dou e de raison) id eal


Les objectifs sont sp eci es par une mesure de performance donn ee par une valeur num erique pour chaque pass e de lenvironnement. Action raisonnable: Action qui maximise la valeur attendu de la mesure de performance (en connaissant la s equence des perceptions jusqu` a pr esent et en tenant compte de la connaissance de lagent) raisonnable = omniscient raisonnable = ` a succ` es Autonomie

Fonction dagent et programme


Un agent est compl` etement d etermin e par la fonction dagent qui etant donn ee une s equence de perception renvoie une action. Programme dagent:

function SKELETON-AGENT( percept) returns action static: memory, the agents memory of the world memory UPDATE-MEMORY(memory, percept) action CHOOSE-BEST-ACTION(memory) memory UPDATE-MEMORY(memory, action) return action

10

12

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Le Programme le plus simple

Agent r eactif: Programme


function SIMPLE-REFLEX-AGENT( percept) returns action static: rules, a set of condition-action rules state INTERPRET-INPUT( percept) rule RULE-MATCH(state, rules) action RULE-ACTION[rule] return action

function TABLE-DRIVEN-AGENT( percept) returns action static: percepts, a sequence, initially empty table, a table, indexed by percept sequences, initially fully specied append percept to the end of percepts action LOOKUP( percepts, table) return action

Programme pour lagent aspirateur

function AGENT-REACTIF-ASPIRATEUR([endroit,status]) returns acti if status = Sale alors return Aspire else if endroit = A then return Droite else if endroit = B then return Gauche

13

15

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Agent r eactif: Sch ema

Agent r eactif avec etat: Sch ema

Agent

Sensors State What the world is like now How the world evolves

Sensors What the world is like now

Environment

Environment

What my actions do

Conditionaction rules

What action I should do now

Conditionaction rules

What action I should do now

Actuators

Agent

Actuators

14

16

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Agent r eactif avec etat: Programme

Agent qui apprend: Sch ema


Performance standard

Critic

Sensors

function REFLEX-AGENT-WITH-STATE( percept) returns action static: state, a description of the current world state rules, a set of condition-action rules state UPDATE-STATE(state, percept) rule RULE-MATCH(state, rules) action RULE-ACTION[rule] state UPDATE-STATE(state, action) return action

feedback changes
Learning element learning goals Problem generator

Environment

knowledge

Performance element

Agent

Actuators

17

19

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Agent avec objectifs explicites: Sch ema

Exemple dagent r eactif


Contr oleur dun robot dans un monde grillag e: Objectif: Le robot doit aller vers un mur et le suivre.
no n ne e o so s se

Sensors State How the world evolves What the world is like now What it will be like if I do action A

Environnement: le monde grillag e Eecteurs: le robot peut aller dans 4 directions (ouest, est, nord, sud) Perception: le robot a 8 capteurs bool eens (vrai indique quil y a un mur dans cette direction) ` partir des valeurs des capteurs on A doit d ecider quelle action faire.

Environment

What my actions do

Goals

What action I should do now

Agent

Actuators

18

20

Cours Intelligence Articielle 2005-2006

Peter Habermehl

Exemple dagent r eactif


Pour faciliter la description des r` egles, on choisit dabord des caract eristiques quon veut extraire des perceptions possibles. Ici, quatre valeurs bool eennes donn ees comme suit: x1 := n ne, x2 := e se x3 := s so, x4 := o no ecrit un syst` eme de En utilisant les caract eristiques x1, x2, x3, x4 on productions (des r` egles condition-action): x 1 x2 x2 x3 x3 x4 x4 x1 true est sud ouest nord nord

Attention: On lit les r` egles du haut vers le bas. Dans quel sens le robot suit-il les murs ?
21