05 Recherche IA

Intelligence Artificielle
Rsolution de problmes laide dalgorithmes de recherche

Alain Boucher
Institut de la Francophonie pour lInformatique (IFI, Vietnam) alain.boucher(arobas)auf.org Cours prpar pour l'Institut de Technologie du Cambodge (ITC)
Rsolution de problmes
Cours d'intelligence artificielle
Agent de rsolution de problmes
Actions Etat initial Test-solution

Cours d'intelligence artificielle 3

Ce sont des agents bass sur des objectifs. La solution d'un problme s'obtient sous la forme d'une squence d'actions qui mne aux tats-solutions souhaits. Pour cela il faut :
exprimer l'objectif comme un sous-ensemble des tats possibles du monde, clairement spcifier quel est l'espace d'tats du problme : cest-dire quels sont les aspects du monde importants pour le problme rsoudre, clairement spcifier toutes les actions possibles.
Une fois que l'espace d'tats, l'ensemble d'actions, les tatssolutions ont t identifis et spcifis, alors la squence d'actions menant de l'tat initial l'tat-objectif peut tre obtenu par une mthode de recherche.

1. Formulation dun but
un ensemble dtats atteindre.
2. Formulation du problme
les tats et les actions considrer.
3. Recherche de solution
examiner les diffrentes squences dactions menant un tat but et choisir la meilleure.
4. Excution
accomplir la squence dactions slectionne.
Espace d'tats, fonction successeur
Source : http://cui.unige.ch/DI/cours/IA/
Etat initial
Test-solution
Dfinir un problme de recherche

Espace d'tats tat initial Fonction "successeur" Test-solution (ou test de but) Cot du chemin (ou fonction-cot)

Espace d'tats
chaque tat est une reprsentation abstraite de l'environnement l'espace d'tat est discret
tat initial Fonction "successeur" Test-solution (ou test de but) Cot du chemin (ou fonction-cot)
10

Espace d'tats tat initial
habituellement l'tat courant parfois un ou plusieurs tats hypothtiques
Fonction "successeur" Test-solution (ou test de but) Cot du chemin (ou fonction-cot)
11

Espace d'tats tat initial Fonction "successeur"
fonction : [ tat sous-ensemble d'tats ] une reprsentation abstraite des actions possibles
Test-solution (ou test de but) Cot du chemin (ou fonction-cot)
12

Espace d'tats tat initial Fonction "successeur" Test-solution (ou test de but)
habituellement une condition satisfaire parfois la description explicite d'un tat
Cot du chemin (ou fonction-cot)
13

Espace d'tats tat initial Fonction "successeur" Test-solution (ou test de but) Cot du chemin (ou fonction-cot)
fonction : [chemin nombre positif ] Habituellement : cot du chemin = somme des cots de ses tapes
14
Dfinir un espace d'tats

Le monde rel est excessivement complexe lespace dtats doit tre une abstraction de la ralit tat (abstrait) = ensemble d'tats rels oprateur (abstrait) = combinaison d'actions relles solution (abstraite) = ensemble de chemins-solutions dans le monde rel
15
Formulation dun problme
16
Exemple 1 : voyage en Roumanie
17
Exemple 1 : voyage en Roumanie

On est Arad et on veut aller Bucharest But : tre Bucharest Problme : tats : villes Actions : aller dune ville une autre Solution : Une squence de villes Exemple : Arad, Sibiu, Fagaras, Bucharest
Environnement trs simple

statique, observable, discret et dterministe
Exemple 2 : laspirateur
Le monde consiste en positions
pice gauche pice droite
Chaque pice peut tre poussireuse L'agent (aspirateur) est dans l'une des 2 pices Il y a au total 8 tats possibles 3 actions possibles:
aller gauche aller droite aspirer
Exemple 2 : laspirateur
Laspirateur est dans lune des deux pices But : liminer toute la poussire Problme : tats : les 8 tats possibles du problme Actions : se dplacer gauche, droite, aspirer Solution : tre dans ltat 7 ou 8
Environnement trs simple

statique, observable, discret et dterministe
20
10
Formulation dun problme

Un problme est dfini par 4 lments :
Etat initial ex: "tre Arad" Actions fonction successeur S(x) = ensemble de paires <action-tat > ex: S(Arad) = {< Arad Zerind, Zerind >, } Test de but explicite x = "tre Bucarest" implicite PasDePoussire(x) Fonction-cot (fonction additive) somme des distances, nombre d'oprateurs excuts,
Une solution est une squence d'oprateurs menant de l'tat initial l'tat final.
Formulation : aspirateur
tats : entiers indiquant la position du robot et de la poussire (ignorer la quantit de poussire) actions : aller gauche (L), aller droite (R), aspirer (S), ne rien faire (NoOp) test de but : plus de poussire nulle part fonction-cot : chaque action cote 1 unit, (0 pour NoOp)
11
Formulation : puzzle-8
tats : numros des positions des plaquettes (ignorer les positions intermdiaires) actions : dplacer la case vide gauche (L), droite (R), en haut (U), en bas (D) test de but : tat courant = tat final fonction-cot : chaque dplacement de la case vide vaut 1, cot total = nombre total de dplacements de la case vide
Remarque : solution optimale pour puzzle-n est NP-difficile

Typologie des problmes

Tous les problmes qui peuvent tre dcrits par
un ensemble fini d'tats, un ensemble fini d'actions, un sous-ensemble d'tats initiaux et finaux, une relation "successeur" dfinie sur l'ensemble des tats et des actions dans l'ensemble des tats, une fonction de cot positive.
Principalement les problmes dont la solution s'exprime en termes de chemin dans des graphes finis.
24
12
Reprsentation par arbre dun problme
25
Reprsentation par arbre dun problme

Problme gnral Reprsentation par arbre
26
13
Recherche de solutions dans un arbre

Simuler lexploration de lespace dtats en gnrant des successeurs pour les tats dj explors. Nud de recherche
tat : ltat dans lespace dtat. Nud parent : Le nud dans larbre de recherche qui a gnr ce nud. Action : Laction qui a t applique au parent pour gnrer ce nud. Cot du chemin : Le cot du chemin partir de ltat initial jusqu ce nud. g(n) Profondeur : Le nombre dtapes dans le chemin partir de ltat initial.
Exemple graphe arbre
28
14
Exemple de recherche dans un graphe
Ide de base de la recherche dans un arbre :

Exprimer toutes les possibilits Rechercher la meilleure possibilit en parcourant larbre
Source : http://aima.cs.berkeley.edu/

30
15

Problme de la stratgie de recherche ???

Etats vs noeuds
Un tat est (une reprsentation d')une configuration relle Un nud est un lment d'une structure de donnes constitutive d'un arbre de recherche ; il possde les champs suivants:
tat, parent, (enfants), profondeur, cot du chemin g(x) ces notions nexistent pas pour les tats
Etat
Noeud
enfants
16
Etats vs noeuds
Stratgies de recherche
Dtermine lordre de dveloppement des nuds. Stratgies aveugles n'exploitent aucune information contenue dans un nud donn Stratgies heuristiques exploitent certaines informations pour dterminer si un nud est plus prometteur qu'un autre
34
17
Exemple : puzzle-8
Exemple : puzzle-8
18
Evaluation des stratgies

Compltude
Est-ce que lalgorithme garantit de trouver une solution sil y en a une ?
Optimalit
Est-ce que la stratgie trouve la solution optimale ?
Complexit de temps
Combien de temps a prend pour trouver une solution ?
Complexit despace
Quelle quantit de mmoire a-t-il besoin ?
Complexit
Elle est exprime en utilisant les quantits suivantes:
b : le facteur de branchement : le nombre maximum de successeurs un nud. d : la profondeur du nud but le moins profond. m : la longueur maximale dun chemin dans lespace dtats.
Complexit de temps : le nombre de nuds gnrs pendant la recherche. Complexit despace : le nombre maximum de nud en mmoire.
19
Recherche aveugle
39
Stratgies de recherche aveugle

Largeur dabord (Breath-first) Cot uniforme (Uniform-cost) Profondeur dabord (Depth-first)
Profondeur limite (Depth-limited) Profondeur itratif (Iterative deepening)
40
20
Largeur dabord
Dveloppement de tous les noeuds au niveau i avant de dvelopper les nuds au niveau i + 1. Les nouveaux successeurs vont la fin. File :
Ordre de visite : ABCDEF-G

Largeur dabord
1 2
42
21
Proprits de largeur dabord

Compltude
oui (si b est fini)
Complexit de temps
1 + b + b2 + b3 + + bd + (bd+1 b) = O(bd+1)
Complexit despace
O(bd+1) (Garde tous les nuds en mmoire)
Optimal :
non en gnral oui si le cot des actions est le mme pour toutes les actions
43
Proprits de largeur dabord
Complexits en temps et en mmoire pour la recherche en largeur dans les conditions suivantes:
facteur de branchement b = 10 production de 1000 noeuds/seconde espace-mmoire de 100 octets/nud
22
Cot uniforme
Dveloppe le nud ayant le cot le plus bas. File trie selon le cot. quivalent largeur dabord si le cot des actions est toujours le mme. Compltude : oui Complexit en temps : O(bd) Complexit en espace : O(bd) Optimal : oui
45
Exemple de cot uniforme
46
23
Profondeur dabord
Dveloppe le nud le plus profond. Implment laide dun pile. Les nouveaux nuds gnrs vont sur le dessus. Pile :
Ordre de visite : ABDHIEJK-C

Profondeur dabord
1 2 3
24
Proprits de profondeur dabord

Compltude
non si la profondeur est infinie, sil y a des cycles. oui si espaces finis acycliques. Complexit en temps : O(bm) Trs mauvais si m est plus grand que d
Complexit en espace : O(bm) linaire. Optimal : Non.
49
Profondeur limite
Lalgorithme de profondeur dabord, mais avec une limite de l sur la profondeur.
Les nuds de profondeur l nont pas de successeurs.
Exemple avec l=2
50
25
Profondeur limite
Compltude : oui, si l d Complexit en temps : O(bl) Complexit en espace : O(b*l) linaire Optimal : Non 3 possibilits :
solution chec absence de solution dans les limites de la recherche
51
Profondeur itrative
Le problme avec la recherche en profondeur limite est de fixer la bonne valeur de L. Profondeur itrative = rpter pour toutes les valeurs possibles de L = 0, 1, 2, combine les avantages de la recherche en largeur et en profondeur
presque optimal et complet comme la recherche en largeur conome en espace comme la recherche en profondeur
C'est l'algorithme de choix si l'espace de recherche est grand et si la profondeur de la solution est inconnue
26
Profondeur itrative
Limite = 1
Profondeur itrative
Limite = 2
27
Profondeur itrative
Limite = 3
Proprits profondeur itrative

Compltude : Oui Complexit en temps : O(bd) Complexit en espace : O(b*d) Optimal : presque, si le cot de chaque action est de 1.
56
28
Comparaison pour la recherche aveugle

Comparaison de 5 algorithmes selon les 4 critres d'valuation retenus avec:

b d m l
= facteur de branchement = profondeur de la solution = profondeur maximum de l'arbre de recherche = limite de la profondeur de recherche Largeur dabord Oui* Cot uniforme Oui* O(bd)
O(bd)
Critre
Compltude Temps Espace Optimal
Profondeur Profondeur Profondeur dabord limite itrative Non Oui, si ld Oui
O(bd+1) O(bd+1)
Oui*
O(bm) O(bm)
Non
O(bl) O(bl)
Non
O(bd) O(b*d)
Oui*
57
Oui
Recherche heuristique
58
29
Recherche heuristique
Les algorithmes de recherche aveugle n'exploitent aucune information concernant la structure de l'arbre de recherche ou la prsence potentielle de nuds-solution pour optimiser la recherche.
Recherche simple" travers l'espace jusqu' trouver une solution.
La plupart des problmes rels sont susceptibles de provoquer une explosion combinatoire du nombre d'tats possibles. Un algorithme de recherche heuristique utilise l'information disponible pour rendre le processus de recherche plus efficace. Une information heuristique est une rgle ou une mthode qui presque toujours amliore le processus de recherche.
Fonction heuristique
Une fonction heuristique
H:ER
fait correspondre un tat s E (espace dtats) un nombre h(s) R qui est (gnralement) une estimation du rapport cot/bnfice qu'il y a tendre le chemin courant en passant par s.
Contrainte : h(solution) = 0 Le nud A a 3 successeurs pour lesquels : h(s1) = 0.8 h(s2) = 2.0 h(s3) = 1.6 La poursuite de la recherche par s1 est heuristiquement la meilleure.
30
Exemples de fonctions heuristiques

Puzzle-8
h(N) = nombre de plaquettes mal places = 6
h(N) = somme des distances (Manhattan) de chaque plaquette sa position finale =3+1+3+0+2+1+0+3 = 13
Recherche meilleur-dabord
Combinaison entre recherche en profondeur et en largeur. En profondeur
Avantage : solution trouve sans avoir besoin de calculer tous les nuds
En largeur
Avantage : ne risque pas de rester pris dans une impasse"
L'algorithme recherche meilleur-dabord permet d'explorer les nuds dans l'ordre (croissant/dcroissant) de leurs valeurs heuristiques
62
31
Recherche meilleur-dabord
Ide : tendre le noeud le plus prometteur selon sa valeur heuristique. Cas particuliers de la recherche meilleur-dabord Recherche avare A*
63
Recherche avare
Stratgie la plus simple de recherche meilleur-dabord Fonction heuristique
h(n) = estimation du cot du nud n au but
Recherche avare = minimiser le cot estim pour atteindre le but Le nud qui semble tre le plus proche du but sera tendu en priorit Fonctions heuristiques classiques
distance vol d'oiseau distance Manhattan : dplacements limits aux directions verticales et horizontales
32
Exemple : voyage en Roumanie
65
h(N) = distance vol doiseau Les noeuds sont tiquetts avec leurs valeurs heuristiques
33
34
Proprits recherche avare

Compltude : Non, peut rester pris dans une boucle, est complet si espace de recherche fini et si vrification d'absence de boucle. Complexit en temps : O(bm) exponentielle Complexit en espace : O(bm) garde tous les noeuds en mmoire Optimal : Non Remarque : la performance de la recherche avare est fonction de la prcision de h(), avec une bonne fonction heuristique, les complexits en temps et en espace peuvent tre fortement rduites.
35
Recherche avare - commentaires

La solution
Arad > Sibiu > Fagaras > Bucarest
n'est pas optimale; elle est de 32 km plus longue que

Arad > Sibiu > Rimnicu > Pitesti > Bucarest
car lalgorithme ne considre pas la distance parcourue. Stratgie : toujours enlever le plus grand morceau du cot restant pour atteindre le but cest--dire minimiser le cot estim pour atteindre la solution
Relativement efficace, quoique pas toujours optimal
Susceptible de faux dpart

exemple: pour aller de Iasi Fagaras, la recherche avare considre Neamt avant Vaului, mme si cest une impasse.
Algorithme A*
Recherche avare minimise le cot estim h(n) du nud n au but rduisant ainsi beaucoup le cot de la recherche,
mais il nest pas optimal et pas complet L'algorithme de recherche en cot uniforme minimise le cot g(n) depuis l'tat initial au nud n, il est optimal et complet, mais pas trs efficace. Ide : combiner les deux algorithmes et minimiser le cot total f(n) du chemin passant par le nud n f(n) = g(n) + h(n)
36
Algorithme A*
Thorme : si A* utilise une fonction heuristique admissible, cd qui ne surestime jamais le cot rel cest-dire si
n 0 h(n) h*(n) avec h*(n) cot rel de n au but
alors A* est optimal une fonction heuristique admissible est toujours optimiste! Exemple : hvol doiseau(n) de surestime jamais la distance relle.
74
37
76
38
77
78
39
79
80
40
Optimalit de A*
A* tend les nuds dans l'ordre croissant des valeurs de f Tous les noeuds lintrieur du contour i ont des valeurs f < fi avec fi < fi+1
81
Proprits A*
Compltude : Oui, sauf si nombre infini de noeuds Complexit en temps : exponentielle Complexit en espace : garde tous les noeuds en mmoire Optimal : Oui
82
41
Exemple : Puzzle-8
Problme du puzzle-8 : total 9! = 362 880 tats possibles
h1(N) = nombre de plaquettes mal places h2(N) = somme des distances (Manhattan) de chaque plaquette sa position finale
h1(start) = 6 h2(start) = 4 + 0 + 3 + 3 + 1 + 0 + 2 + 1 = 14
42

05 Recherche IA

Transféré par

Informations du document

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

05 Recherche IA

Transféré par

Droits d'auteur :

Formats disponibles

Intelligence Artificielle

Rsolution de problmes laide dalgorithmes de recherche

Cours d'intelligence artificielle

Agent de rsolution de problmes

Actions Etat initial Test-solution

Agent de rsolution de problmes

Agent de rsolution de problmes

Espace d'tats, fonction successeur

Cours d'intelligence artificielle

Cours d'intelligence artificielle

Dfinir un problme de recherche

Cours d'intelligence artificielle

Dfinir un problme de recherche

Cours d'intelligence artificielle

Dfinir un problme de recherche

Cours d'intelligence artificielle

Dfinir un problme de recherche

Test-solution (ou test de but) Cot du chemin (ou fonction-cot)

Cours d'intelligence artificielle

Dfinir un problme de recherche

Cot du chemin (ou fonction-cot)

Cours d'intelligence artificielle

Dfinir un problme de recherche

Cours d'intelligence artificielle

Dfinir un espace d'tats

Cours d'intelligence artificielle

Formulation dun problme

Cours d'intelligence artificielle

Exemple 1 : voyage en Roumanie

Cours d'intelligence artificielle

Exemple 1 : voyage en Roumanie

Environnement trs simple

Environnement trs simple

Cours d'intelligence artificielle

Formulation dun problme

Remarque : solution optimale pour puzzle-n est NP-difficile

Typologie des problmes

Cours d'intelligence artificielle

Reprsentation par arbre dun problme

Cours d'intelligence artificielle

Reprsentation par arbre dun problme

Cours d'intelligence artificielle

Recherche de solutions dans un arbre

Exemple graphe arbre

Cours d'intelligence artificielle

Exemple de recherche dans un graphe

Ide de base de la recherche dans un arbre :

Exemple de recherche dans un graphe

Ide de base de la recherche dans un arbre :

Cours d'intelligence artificielle

Exemple de recherche dans un graphe

Ide de base de la recherche dans un arbre :

Problme de la stratgie de recherche ???

Cours d'intelligence artificielle

Evaluation des stratgies

Cours d'intelligence artificielle

Stratgies de recherche aveugle

Cours d'intelligence artificielle

Ordre de visite : ABCDEF-G

Cours d'intelligence artificielle

Proprits de largeur dabord

Cours d'intelligence artificielle

Proprits de largeur dabord

Cours d'intelligence artificielle