TEKNIK PENCARIAN HEURISTIK

Presentasi berjudul: "TEKNIK PENCARIAN HEURISTIK"— Transcript presentasi:

1 TEKNIK PENCARIAN HEURISTIK
Pertemuan 3

2 TEKNIK PENCARIAN HEURISTIK
Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian (pencarian yang lebih simple Heuristic digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

3 Generate and Test Metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak kebelakang menuju pada suatu keadaan awal.

4 Generate and Test Langkah-langkah teknik Generate and Test
Bangkitkan suatu kemungkinan solusi(membangkitkan suatu titik tertentu atau lintasan tertentu dari keadaan awal). Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node tersebut atau node akhir dari suatu lintasan yang dipilih dengan. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama. Contoh bagan Generate and Test

5 Hill Climbing Hill Climbing ( HC ) merupakan salah satu metode yang masuk dalam kategori metode pencarian heuristik. Dinamakan Hill Climbing ( HC ) atau pendakian bukit karena mempunyai aturan produksi dengan cara menukar dua posisi kota yang saling berdekatan seperti orang yang mendaki bukit Terdapat dua jenis metode Hill Climbing, yaitu Simple Hill Climbing, dan Steepest Ascent Hill Climbing

6 Simple Hill Climbing Simple Hill Climbing, secara sederhana, lansung memilih newstate yang memiliki jalur yang lebih baik (curam) dari pada jalur-jalur sebelumnya tanpa memperhitngkan jalur-jalur lain yang lebih curam

7 Simple Hill Climbing (SHC)
Algoritma SHC Mulai dari keadaan awal, lakukan pengujian: jika tujuan tercapai maka berhenti, dan jika tidak, lanjutkan dari keadaan sekarang. Kerjakan langkah-langkah berikut sampai solusinya ditemukan, atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang: Cari operator yang belum pernah digunakan, gunakan operator ini untuk mendapatkan keadaan yang baru. Evaluasi keadaan baru tersebut. Jika keadaan baru merupakan tujuan, keluar. Jika bukan tujuan, namun nilainya lebih baik daripada keadaan sekarang, maka jadikan keadaan sekarang tersebut menjadi keadaan sekarang. Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan iterasi.

8 Steepest Ascent Hill Climbing
Steepest Ascent Hill Climbing (SAHC) akan mengevaluasi semua state yang berada dibawah current state dan memilih state dengan jalur yang paling curam

9 Algoritma Steepest Ascent Hill Climbing
Mulai dari keadaan awal, lakukan pengujian, jika merupakan tujuan maka berhenti, dan jika tidak lanjutkan dengan keadaan sekarang sebagai keadaan awal. Kerjakan hingga tujuan tercapai atau hingga iterasi tidak memberikan perubahan pada keadaan sekarang. a. Misalkan SUK adalah suatu state yang menjadi suksesor dari current state. b.  Untuk seitap operator bisa dilakukan terhadap current state, kerjakan: Aplikasi operator tersebut dan bangkitkan new state. Evaluasi new state. Jika merupakan goal state, kembalikan state ini sebagai solusi dan keluar dari program. Jika bukan goal state, bandingkan new state dengan SUK.Jika new state lebih baik dari SUK, maka ganti SUK dengan new state.Jika tidak lebih baik SUK tidak perlu diganti. c. Jika SUK lebih baik dari current state, maka ganti current state dengan SUK.

10 Contoh Steepest Ascent Hill Climbing

11 Best First Search Pencarian terbaik pertama (Best First Search) merupakan suatu cara yang menggabungkan kelebihan dari pencarian Breadth-First Search dan Depth-First Search. Teknik ini memperbolehkan pencarian dengan mengunjungi node yang ada di level yang lebih rendah, jika node yang lebih tinggi memiliki nilai heuristik yang lebih buruk. Tak seperti Hill Climbing, teknik Best First Search mempunyai kemampuan melakukan koreksi terhadap suatu langkah yang salah yang telah dipilih lebih dulu.

12 Best First Search Fungsi Heuristik yang digunakan merupakan prakiraan(estimasi) cost dari Initial State ke Goal State yang dinyatakan dengan f’(n) = g(n) + h’(n) Dimana f’ = Fungsi evaluasi g = cost dari initial ke current state h’ = prakiraan cost dari current ke goal state

13 Problem Reduction Problem Reduction (reduksi masalah) terbagi menjadi 2, yaitu Graf AND-OR dan Graf AO*

14 Graf AND-OR Pada dasarnya sama dengan algoritma Best First Search, dengan mempertimbangkan adanya arc AND. Gambar berikut menunjukkan bahwa untuk mendapatkan TV orang bisa dengan cara singkat yaitu mencuri ataumembeli asal mempunyai uang

15 Algoritma Graf AND-OR Inisialisasi graf ke node awal
Kerjakan langkah-langkah berikut hingga node awal SOLVED atau sampai biayanya lebih tinggi dari F_UTILITY : a) Telusuri graf mulai dari node awal dan ikuti jalur terbaik. Akumulasikan kumpulan node yang ada pada lintasan tersebut. Dan belum pernah diekspansi atau diberilabel SOLVED. b) Ambil satu node dan ekspansi node tsb. Jika tidak ada successor maka set F_UTILITY sebagai nilai dari node tsb. Bila tidak demikian, tambahkan successor dari node tersebut ke graf dan hitung nilaisetiap f’(hanya gunakan h’dan abaikan g). Jika f’=0 tandai node tersebut dengan SOLVED. c) Ubah f’ harapan dari node baru yang diekspansi. Kirimkan perubahan ini secara backward sepanjang graf. Jika node berisi suatu arc successor yang semua descendantnya berlabel SOLVED maka tandai node itud engan SOLVED

16 Graf AO* Menggunakan struktur graf. Tiap node pada graf memiliki nilai h’ yang merupakan biaya estimasi jalur dari node itu sendiri sampai suatu solusi.

17 Algoritma Graf AO* 1.Diketahui graf yang berisi node awal (sebut saja INIT). Hitung h’ (INIT) 2.Kerjakan langkah berikut hingga INIT bertanda SOLVED atau sampai nilai h’(INIT) > FUTILITY :

18 Constraint Satisfaction
Constraint Satisfaction Problems (CSP) adalah sebuah pendekatan dari masalah yang bersifat matematis dengan tujuan menemukan keadaan atau objek yang memenuhi sejumlah persyaratan. Sebuah constraint diartikan sebagai sebuah batasan dari solusi memungkinkan dalam sebuah problem optimasi. CSP ini merupakan algoritma general-purpose dengan kekuatan lebih daripada algoritma pencarian standar.

19 Contoh-contoh Constraint Satisfaction
n-queen problem Crossword (teka-teki silang) Mewarnai Peta (map coloring) Soolean Satisfiability Problem (SAT) Cryptarithmatic Problem

20 Means End Analysis MEA adalah strategi penyelesaian masalah yang diperkenalkan pertama kali dalam GPS (General Problem Solver). Proses pencarian berdasarkan ruang masalah yang menggabungkan aspek penalaran forward dan backward. Perbedaan antara state current dan goal digunakan untuk mengusulkan operator yang mengurangi perbedaan itu