AI HelaMahersia 2020 2021 Deuxieme Partie FR

Université de Carthage
FSB - Dép. Info. GLSI2
Intelligence
Artificielle
Dr. Ing. Hela Mahersia
Email: helamahersia@yahoo.fr
1
Partie 4
Agents Intelligents

2
Sommaire
4

3
Agents et environnement
• Agent: Un agent est toute entité qui :
 Perçoit son environnement à l’aide de ses capteurs
 Agit sur son environnement à l’aide de ses actionneurs
Agent = Architecture + Programme
Actionneurs = effectueurs
• Pour un agent humain : • Pour un agent robot :

 yeux, oreilles, … : capteurs  caméras, IR, … : capteurs
 mains, bouche : actionneurs  moteurs : actionneurs

4
Définitions importantes
• Environnement : correspond à tout ce que l’agent ne peut
pas contrôler
• Percepts : entités perçues par l’agent à un instant donné

• Séquence de perception : l’historique complet des percepts
• Une fonction d’agent : fonction qui associe une action à

chaque séquence de perception
• Un programme d’agent : implémentation concrète qui permet

de relier la séquence de perception à son action

5
Exemple simple : Agent Aspirateur
A B
Si la case courante est sale → aspirer

Sinon : se déplace vers l’autre case

6
Séquence de perception
Fonction de l’agent
Programme de l’agent

7
Fonction de l’agent
Quelle est la bonne façon de remplir la table?
L’agent est-il bon ou mauvais, intelligent ou non?
8
Description PEAS pour l’agent Taxi-driver
• Performance : sécurité, vitesse, légalité, confort, profits, etc.

• Environnement : routes, autres autos, piétons, clients, etc.
• Actuators : volant, accélérateur, frein, clignotant, klaxon, etc.
• Sensors : caméras, sonar, odomètre, indicateur de vitesse,
capteurs du moteur, etc..

9
Types de l’environnement (1/2)

10
Types d’environnement (2/2)

11
Structure d’agents
• 4 types de base :
→ Tous ces types peuvent être transformés en agents

apprenants (learning agents ) :
 La phase d’apprentissage : améliore leurs performances et
Produit des actions meilleures

12
GLSI2
Merci
Des questions ?
13
Intelligence
Artificielle
14
Partie 5
Résolution de problèmes
à l’aide d’algorithmes de
recherche

15
Sommaire

16
Rappel : Agent basé sur le but
Considération des conséquences

futures de mes actions
Objectif
L’exploration + La planification
17
Agents de résolution de problèmes
• Agent de résolution de problèmes = Agent basé sur le but
• Ces agents utilisent une représentation atomique :
• Chaque état de l’environnement est considérée comme une
boite noire sans structure interne
A B
• Ces agents opèrent par l’adoption d’un but qu’ils essayent de

satisfaire
• Formulation du but = 1ère étape du résolution du problème

18
Terminologie importante
• But : état(s) à atteindre
• Formulation du problème = processus qui cherche quels
états/quelles actions considérer pour atteindre un but donné
Environnement est supposé observable : l’agent connait en
tout instant l’état actuel
Environnement est supposé discret : l’agent dispose d’un
nombre fini d’actions pour tout état
Environnement est supposé déterministe : il y a une seule
issue pour chaque action
Environnement est supposé statique : l’environnement ne
change pas pendant que l’agent fonctionne
• Exploration : processus de recherche d’une séquence
d’actions qui mènent au but
19
Programme d’un agent de résolution de problèmes
Boucle : agent commence par formuler un but et un problème, recherche

une séquence d’actions qui résout le problème puis les exécute une à une
20
Description du formulation du problème
• État initial : l’état n où se trouve l’agent
• Actions possibles : la fonction S(n) donne la séquence des
actions à faire dans l’état n = (action, état successeur)
• Test de but : un test afin de voir si l’état donné est un état but
• Coût du chemin : fonction (à valeurs  0) qui attribut un coût
à un chemin. Elle reflète la mesure de performance de
l’agent.
une solution est une séquence d'opérateurs

menant de l'état initial à l'état final (but)

21
Formulation du problème
• État initial : A(Arad)

• Actions : S( Arad) = (Aller (Sibiu), Aller(Fagaras)), etc.
• Test de but : A(Bucharest) ?
• Coût du chemin : longueur en kilomètres
22
Exemple 1: agent aspirateur
Formuler le problème pour le monde de l’aspirateur
• États ? A B
• Actions ?
• Test du but ?
• Coût du chemin ?
Si la case courante est sale → aspirer
Sinon : se déplace vers l’autre case

23
Agent aspirateur : solution
• États : position de l’agent et
position de la saleté
 soit 2x22 = 8 états possibles

 état initial : n’importe quel état
• Actions : Chaque état possède 3 actions = gauche (G), droite

(D), aspire (A)
• Test du but : toutes les cases propres?
• Coût du chemin : chaque opération coûte 1

24
Exemple 2: The 8-puzzle
Formuler le problème pour le monde du 8-puzzle
• États
• Actions
• Test du but
• Coût du chemin
État initial État but

25
The 8-puzzle : solution
• États: position des 8 pièces et du vide

• Actions : déplacement du vide gauche, droite, haut, bas
• Test du but = atteint-on la configuration finale ?
• Coût du chemin : chaque déplacement coûte 1,
coût total = nombre de déplacements
État initial État but

26
Recherche de solutions
• Les algorithmes d’exploration modélisent les problèmes par
des arbres d’exploration
• État initial = racine de l’arbre
• Actions = branches de l’arbre
• États de l’espace d’état = nœuds de l’arbre
• L’ensemble de tous les nœuds développables = frontière
Comment choisir le nœud prochain?

=
Stratégie d’exploration ou de recherche
27
Recherche dans un arbre : exemple

28

29

30

31
Stratégies de recherche
• Explorent et développent les nœuds selon un ordre précis
• Recherches non‐informées (aveugles) :
 Ne sont pas capables de décider si un nœud est meilleur
qu’un autre.
 Elles sont seulement capables de tester si l’état est un but ou
non.
 Pas d’informations additionnelles.
• Recherches informées (heuristiques) :

 Estimation d’une fonction heuristique qui décide si un nœud
est plus important que d’autres.

32
Évaluation des stratégies
• Complétude :
 L’algorithme garantit-t-il de trouver une solution s’il y en a une
?
• Optimalité :
 La stratégie trouve-t-elle la solution optimale ?
• Complexité de temps :
 Temps nécessaire pour trouver une solution
• Complexité d’espace :
 Mémoire nécessaire pour terminer l’exploration

33
Stratégies de recherche non‐informées

34
La recherche en largeur d’abord (BFS)
• Stratégie : Tous les nœuds situés à une profondeur donnée
sont explorés avant ceux du niveau suivant → l’arborescence
est construite horizontalement niveau après niveau
Fonction Exploration-largeur (problème) retourne une solution ou échec
noeud  un nœud avec état = problème.état-initial, coût-chemin = 0
si problème.test-but(nœud.état) alors retourner solution (nœud)
Frontière  file FIFO avec nœud comme un seul élément
Exploré  ensemble vide
Faire en boucle (Russel & Norvig, 2009)
Si la frontière est vide alors retourner échec
Nœud  POP(frontière) /* nœud le moins profond dans frontière */
Ajout nœud.état à exploré
pour chaque action dans problème.action(nœud.état) faire
fils  nœud-fils(problème,noeud,action)
si fils.état n’est pas dans exploré ou dans frontière alors
si problème.test-but(fils.état) alors retourner solution (fils)
frontière  insérer(fils,frontière)

35

36
(Russel & Norvig, 2009)
Profondeur Nœuds Temps Mémoire
2 110 0.11 ms 107 ko
4 11110 11 ms 10.6 Mo
6 106 1.1 s 1 Go
8 108 2 mn 103 Go
10 1010 3h 10 To
12 1012 13 jours 1 Po
14 1014 3.5 années 99 Po
16 1016 350 années 10 Eo
Exigence en temps et en mémoire
catastrophique !!!
37
La recherche à Coût uniforme (UCS)
• Stratégie : l’exploration à coût uniforme explore le nœud qui
a le coût de chemin le plus faible → recherche optimale.
Fonction Exploration-coût-uniforme(problème) retourne une solution ou échec
noeud  un nœud avec état = problème.état-initial, coût-chemin = 0
Frontière  file de priorité ordonné par coût-chemin nœud comme un seul élément
Faire en boucle (Russel & Norvig, 2009)
Si la frontière est vide alors retourner échec
Nœud  POP(frontière) /* nœud de la frontière avec coût le moins faible */
si problème.test-but(nœud.état) alors retourner solution (nœud)
pour chaque action dans problème.action(nœud.état) faire
fils  nœud-fils(problème,noeud,action)
si fils.état n’est pas dans exploré ou dans frontière alors
frontière  insérer (fils, frontière)
sinon si fils.état est dans frontière avec coût-chemin le plus élevé alors
remplacer ce nœud de frontière avec fils

38
La recherche en profondeur d’abord (DFS)
• Stratégie : l’algorithme étend le nœud le plus profond de la
frontière courante de l’arbre
Fonction Exploration-profondeur(problème) retourne une solution ou échec

Initialiser la frontière avec l’état initial du problème
Faire en boucle
Si la frontière est vide alors retourner échec (Russel & Norvig, 2009)
choisir un nœud feuille et l’enlever de la frontière
si le nœud contient un état but alors retourner la solution correspondante
si nœud n’est pas dans exploré ou dans frontière alors
développer le nœud choisi, en ajoutant les nœuds obtenus à la frontière

39
La recherche en profondeur d’abord (DFS)

40
Recherche à profondeur limitée
• algorithme de recherche en profondeur avec une limite de
profondeur d'exploration L → remédier aux espaces infinis
• les nœuds de profondeur L n'ont pas de successeurs
• Exemple de la recherche à profondeur limitée :
L=1

41
L=2

42
L=3

43
Recherche itérative en profondeur
• Stratégie : elle procède en augmentant graduellement la
limite du profondeur jusqu’à atteindre un nœud but
• Elle combine les avantage des deux stratégies largeur
d’abord et profondeur d’abord
Fonction Exploration-ittérative-profondeur(problème) retourne une solution ou échec

Pour profondeur = 0 jusqu’à + faire
résultat  Exploration-profondeur-limitée(problème, L)
si résultat  arrêt alors retourner résultat

44
Évaluation des stratégies non informées
Critère Largeur Coût Profondeur Profondeur Profondeur
d’abord uniforme d’abord limitée itérative
Complète oui oui non non oui
Temps O(bd) O(bl+(C*/)) O(bm) O(bl) O(bd)
Espace O(bd) O(bl+(C*/)) O(bm) O(bl) O(bd)
Optimale oui oui non non oui
b : facteur de branchement l : profondeur limite
d : profondeur de la solution la moins profonde m : profondeur maximale
Que peut-on conclure ?

45
EXERCICE
Donner l’ordre du visite des nœuds jusqu’au nœud but G en
utilisant des stratégies non informées

46
GLSI2
Merci
Des questions ?
47
Intelligence
Artificielle
48
Partie 5
La recherche
dans les jeux à
adversaires
49
Sommaire

50
Hypothèses considérées : Rappel
• But : état(s) à atteindre
• Formulation du problème = processus qui cherche quels
états/quelles actions considérer pour atteindre un but donné
Environnement est supposé observable : l’agent connait en
tout instant l’état actuel
Environnement est supposé discret : l’agent dispose d’un
nombre fini d’actions pour tout état
Environnement est supposé déterministe : il y a une seule
issue pour chaque action
Environnement est supposé statique : l’environnement ne
change pas pendant que l’agent fonctionne
• Exploration : processus de recherche d’une séquence
d’actions qui mènent au but
51
Définitions (1/2)
• La théorie des jeux est un domaine des mathématiques qui
s'intéresse aux interactions des choix des joueurs
• Cette théorie considère les environnements multiagents
comme des jeux
• Un jeu = ensemble de règles qui permettent à des joueurs en
interactions de faire des choix → entrainant des gains/pertes
• Dans les jeux, l’environnement n’est plus statique ni mono
agent : le joueur adverse est un agent qui peut modifier
l’environnement.
 On ne peux pas appliquer les stratégies de recherche
précédentes à cause de l’imprévisibilité de l’autre agent

52
Définitions (2/2)
• On appelle jeu à somme nulle = jeu strictement compétitif,
les jeux à deux joueurs dans lesquels l'intérêt de l'un des
deux joueurs est strictement opposé à l'intérêt de l'autre
joueur.
• Si les récompenses des joueurs sont représentées par une
fonction de gain = une fonction d'utilité → la somme des
deux fonctions est toujours égale à 0
Joueur 2
Stratégie 1 Stratégie 2
Stratégie 2 Stratégie 1
Joueur 1
-A/A -B/B
-C/C -D/D

53
Les Jeux comme un problème de recherche
• On s’intéresse dans ce cours aux jeux à somme nulle et à
deux joueurs MAX et Min qui jouent à tour de rôle
• Nous supposons qu'à tout moment, c'est au tour d'un joueur

qui peut choisir parmi les coups disponibles → Cela nous
permet de présenter chaque jeu via un arbre
→ Un jeu peut être vu comme un problème d’exploration :

L’état initial : position du jeu au début
Actions : les coups autorisés dans un état donné
Fonction utilité : définit une valeur numérique aux nœuds
finaux pour les deux joueurs

54
Arbre de jeux (1/5)
• Un jeu peut être vu comme un problème d’exploration :
Le nœud racine représente le début du jeu,
chaque mouvement valide que le joueur peut faire, est
représenté par une branche de la racine à un autre nœud qui
représente le nouvel état.
chaque nœud doit être étiqueté pour désigner le joueur
nous disons qu'une position est définitive lorsque le jeu est
terminé, c'est-à-dire quand il n'y a pas de mouvements valides
du tout à partir de cette position.
• Quel est le meilleur coup pour MAX? et pour MIN?

ALGORITHME MIN-MAX

55
Arbre de jeux (2/5)
Les nœuds dans un

tel arbre représentent
les positions du jeu

56
Arbre de jeux (3/5)
À chaque nœud, il
doit être clair qui est
en train de jouer

57
Arbre de jeux (4/5)
Les nœuds inférieurs dans l'arbre

représentent les positions finales
du jeu, où est noté le résultat

58
Arbre de jeux (5/5)
Notez que différentes positions dans
l'arbre peuvent correspondre à la
même constellation sur la planche.

59
Algorithme MIN-MAX
• Principe de l’algorithme : les meilleurs actions pour MAX sont
celles qui maximise la fonction d’utilité en tenant compte que
les meilleurs actions pour MIN sont celles qui minimise cette
même fonction
• Étapes de l’algorithme
Tracer l’arbre du jeux
Évaluer les nœuds terminaux
Partager en remontant :
• La valeur maximale des nœuds du MAX
• La valeur minimale des nœuds du MIN

60
Algorithme MIN-MAX

61
Algorithme MIN-MAX : Exemple 1

62
C D

63

64

65
Algorithme Min-Max pour le TicTacToe
TicTacToe = morpion

66
Algorithme Min-Max pour le TicTacToe
X a 6 chemins de
X réussite
E(n) = 6 – 5 = 1
O
O a 5 chemins de
réussite
Évaluation de l’utilité

67
Évaluation des nœuds terminaux : Exemple

68
Exercice
Calculer les coefficients

MinMAx pour cet arbre
69
L’algorithme d’élagage -
• L’algorithme d’élagage - est un algorithme de recherche
qui vise à réduire le nombre de nœuds évalués par
l'algorithme minimax dans son arbre de recherche.
• C'est un algorithme de recherche à adversaire utilisé
couramment pour le jeu en machine de jeux à deux joueurs
(Tic-tac-toe, Echecs, etc.).
• Il arrête complètement l'évaluation d’un coup lorsqu’il est
possible que le coup actuel est pire que le coup
précédemment examiné
• Appliqué à un arbre minimax standard, il retourne le même
coup que minimax, mais élimine les branches qui ne vont
pas influencer la décision finale.

70
Règles d’élagage -
• Initialiser  = -  et  = +
• Parcourez l'arbre en profondeur d’abord
• Arrêter la recherche du nœud MAX si    de son nœud
parent
• Arrêter la recherche du nœud MIN si    de son nœud
parent >=2
• On n’a pas besoin de calculer la
valeur de ce noeud
=2 <=1 Branche ne peut pas donner un
score meilleur que le noeud qui a
été évalué précédent
2 7 1 ?

71
Exemple d’élagage -

72
Exemple d’élagage -

73
Exercice
1. Appliquer l’algorithme d’élagage alpha-beta

2. Quels sont les inconvénients ce cet algorithme

74
GLSI2
Merci
Des questions ?
75
Textbook Bibliographie à consulter
• Abney, S. (2007). Semisupervised Learning for Computational
Linguistics. CRC Press.
• Ballard, B. W. (1983). The *-minimax search procedure for trees
containing chance nodes. AIJ, 21(3), 327–350.
• Charniak, E., Riesbeck, C., McDermott, D., and Meehan, J. (1987).
Artificial Intelligence Programming (2nd edition). Lawrence Erlbaum
Associates.
• Clarke, M. R. B. (Ed.). (1977). Advances in Computer Chess 1.
Edinburgh University Press.
• Haugeland, J. (Ed.). (1985). Artificial Intelligence: The Very Idea. MIT
Press.
• MacCulloch, W. S., Pitts, W., A Logical Calculus of the Ideas Immanent
in Nervous Activity, Bulletin of Mathematical Biophysics, vol. 5, pp. 115-
133, 1943.
• McCarthy, J., Minsky, M. L., Rochester, N., and Shannon, C. E. (1955).
Proposal for the Dartmouth summer research project on artificial
intelligence. Tech. rep., Dartmouth College.
• Newell, A., Shaw, J. C., and Simon, H. A. (1957), Empirical explorations
with the logic theory machine, Proc. Western Joint Computer
Conference, 15, 218–239.
• Nilsson, N. J. (1984). Shakey the robot. Technical note 323, SRI
International.
• Poole, D., Mackworth, A. K., and Goebel, R. (1998). Computational
intelligence: A logical approach. Oxford University Press.
• Rich, E. and Knight, K. (1991). Artificial Intelligence (second edition).
McGraw-Hill.
• Turing, A. (1950). Computing machinery and intelligence.
• Mind, 59, 433–460.
76

AI HelaMahersia 2020 2021 Deuxieme Partie FR

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

AI HelaMahersia 2020 2021 Deuxieme Partie FR

Transféré par

Droits d'auteur :

Formats disponibles

Université de Carthage

FSB - Dép. Info. GLSI2

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

• Pour un agent humain : • Pour un agent robot :

Dr. Ing. Hela Mahersia

• Percepts : entités perçues par l’agent à un instant donné

• Une fonction d’agent : fonction qui associe une action à

• Un programme d’agent : implémentation concrète qui permet

Dr. Ing. Hela Mahersia

Si la case courante est sale → aspirer

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

• Performance : sécurité, vitesse, légalité, confort, profits, etc.

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

→ Tous ces types peuvent être transformés en agents

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Considération des conséquences

• Ces agents opèrent par l’adoption d’un but qu’ils essayent de

Dr. Ing. Hela Mahersia

Boucle : agent commence par formuler un but et un problème, recherche

une solution est une séquence d'opérateurs

Dr. Ing. Hela Mahersia

• État initial : A(Arad)

Formuler le problème pour le monde de l’aspirateur

Dr. Ing. Hela Mahersia

 soit 2x22 = 8 états possibles

• Actions : Chaque état possède 3 actions = gauche (G), droite

Dr. Ing. Hela Mahersia

Formuler le problème pour le monde du 8-puzzle

Dr. Ing. Hela Mahersia

• États: position des 8 pièces et du vide

État initial État but

Dr. Ing. Hela Mahersia

Comment choisir le nœud prochain?

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

• Recherches informées (heuristiques) :

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Fonction Exploration-profondeur(problème) retourne une solution ou échec

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Fonction Exploration-ittérative-profondeur(problème) retourne une solution ou échec

Dr. Ing. Hela Mahersia

Que peut-on conclure ?

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia

Dr. Ing. Hela Mahersia