Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Kecerdasan Buatan Pencarian Heuristik.

Presentasi serupa


Presentasi berjudul: "Kecerdasan Buatan Pencarian Heuristik."— Transcript presentasi:

1 Kecerdasan Buatan Pencarian Heuristik

2 Pencarian Heuristik Ada 4 metode pencarian heuristik
Pembangkit & Pengujian (Generate and Test) Pendakian Bukit (Hill Climbing) Pencarian Terbaik Pertama (Best First Search) Simulated Annealing

3 Pembangkit & Pengujian (Generate and Test)
Pada prinsipnya metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal. Algoritma: 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 kumpulan tujuan yang diharapkan. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah yang pertama.

4 Contoh Traveling Salesman Problem (TSP)
Seorang salesman ingin mengunjungi n kota. Jarak antara tiap- tiap kota sudah diketahui. Ingin diketahui rute terpendek dimana setiap kota hanya boleh dikunjungi tepat 1 kali.

5 Contoh Traveling Salesman Problem (TSP)
Generate & test akan membangkitkan semua solusi yang mungkin: A – B – C – D A – B – D – C A – C – B – D A – C – D – B, dll

6 Panjang Lintasan terpilih
Pencarian ke- Lintasan Panjang Lintasan Lintasan terpilih Panjang Lintasan terpilih 1. ABCD 19 2. ABDC 18 3. ACBD 12 4. ACDB 13 5. ADBC 16 6. ADCB 7. BACD 17 8. BADC 21 9. BCAD 15 10. BCDA 11. BDAC 14 12. BDCA

7 Panjang Lintasan terpilih
Pencarian ke- Lintasan Panjang Lintasan Lintasan terpilih Panjang Lintasan terpilih 13. CABD 15 ACBD 12 14. CADB 14 15. CBAD 20 16. CBDA 16 17. CDAB 21 18. CDBA 18 19. DABC 20. DACD 21. DBAC 22. DBCA ACBD atau DBCA 23. DCAB 17 24. DCBA 19

8 Pembangkit & Pengujian (Generate and Test)
Kelemahan Perlu membangkitkan semua kemungkinan sebelum dilakukan pengujian Membutuhkan waktu yang cukup lama dalam pencariannya

9 Pendakian Bukit (Hill Climbing)
Metode ini hampir sama dengan metode pembangkitan & pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristik. Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya yang mungkin.

10 Simple Hill Climbing Algoritma
Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan, maka berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal. 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 baru tersebut menjadi keadaan sekarang. Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan iterasi.

11 Contoh TSP Operator : Tukar kota ke-i dengan kota ke-j (Tk i,j)
Untuk 4 kota: Tk 1,2 : tukar kota ke-1 dengan kota ke-2. Tk 1,3 : tukar kota ke-1 dengan kota ke-3. Tk 1,4 : tukar kota ke-1 dengan kota ke-4. Tk 2,3 : tukar kota ke-2 dengan kota ke-3. Tk 2,4 : tukar kota ke-2 dengan kota ke-4. Tk 3,4 : tukar kota ke-3 dengan kota ke-4. Untuk N kota, akan ada operator sebanyak:

12 ABCD BACD ACBD ABDC DBCA Tk 1,2 Tk 2,3 Tk 3,4 Tk 4,1 ADCB CBAD Tk 2,4 Tk 1,3 (19) (17) BCAD BADC DACB BDCA CABD (15) BCDA DCAB BDAC (20) (18) (14) DBAC CDAB ADBC (21) (13) (12) DCBA ACDB CBDA (16)

13 Steepest Ascent Hill Climbing
Steepest-ascent hill climbing sebenarnya hampir sama dengan simple hill climbing, hanya saja gerakan pencarian tidak dimulai dari posisi paling kiri. Gerakan selanjutnya dicari berdasarkan nilai heuristik terbaik. Dalam hal ini urutan penggunaan operator tidak menentukan penemuan solusi.

14 Algoritma 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. Tentukan SUCC sebagai nilai heuristic terbaik dari successor- successor. Kerjakan untuk tiap operator yang digunakan oleh keadaan sekarang: Gunakan operator tersebut dan bentuk keadaan baru. Evaluasi keadaan baru tersebut. Jika merupakan tujuan, keluar. Jika bukan, bandingkan nilai heuristiknya dengan SUCC. Jika lebih baik, jadikan nilai heuristic keadaan baru tersebut sebagai SUCC. Namun jika tidak lebih baik, nilai SUCC tidak berubah. Jika SUCC lebih baik daripada nilai heuristic keadaan sekarang, ubah node SUCC menjadi keadaan sekarang.

15 ABCD ACBD ABDC DBCA Tk 1,2 Tk 3,4 Tk 4,1 ADCB CBAD Tk 2,4 Tk 1,3 (19) (17) CABD ACDB DCBA Tk 2,3 ADBC BCAD (15) (12) (18) (20) BACD (13) (16)

16 Pencarian Terbaik Pertama (Best First Search)
Metode best-first search ini merupakan kombinasi dari metode depth-first search dan metode breadth-first search dengan mengambil kelebihan dari kedua metode tersebut. Apabila pada pencarian dengan metode hill climbing tidak diperbolehkan untuk kembali ke node pada level yang lebih rendah meskipun node pada level yang lebih rendah tersebut memiliki nilai heuristik yang lebih baik, lain halnya dengan metode best-first search ini. Pada metode best-first search, pencarian diperbolehkan mengunjungi node yang ada di level yang lebih rendah, jika ternyata node pada lebih yang lebih tinggi ternyata memiliki nilai heuristik yang lebih buruk.

17 Pencarian Terbaik Pertama (Best First Search)
Penentuan node berikutnya adalah node yang terbaik yang pernah dibangkitkan Menggunakan informasi biaya perkiraan biaya sebenarnya Terdapat 2 jenis Greedy Best First Search biaya perkiraan f(n) = h(n) A* biaya perkiraan + biaya sebenarnya f(n) = g(n) + h(n)

18 Pencarian Terbaik Pertama (Best First Search)
Untuk mengimplementasikan metode ini menggunakan graph keadaan, dibutuhkan 2 antrian yang berisi node- node, yaitu: OPEN, berisi node,node yang sudah dibangkitkan, namun belum diuji. Umumnya berupa antrian berprioritas yang berisi elemen-elemen dengan nilai heuristik tertinggi CLOSED berisi node-node yang sudah diuji

19 Pencarian Terbaik Pertama (Best First Search)
Algoritma: Tempatkan node awal A pada antrian OPEN. Kerjakan langkah-langkah berikut hingga tujuan ditemukan atau antrian OPEN sudah kosong: Ambil node terbaik dari OPEN; Bangkitkan semua successornya; Untuk tiap-tiap successor kerjakan: Jika node tersebut belum pernah dibangkitkan sebelumnya, evaluasi node tersebut dan masukkan ke OPEN; Jika node tersebut sudah pernah dibangkitkan sebelumnya, ubah parent jika lintasan baru lebih menjanjikan. Hapus node tersebut dari antrian OPEN.

20 Pencarian Terbaik Pertama (Best First Search)
Ada dua Algoritma Best First Search: Greedy Best First Search A* Best First Search

21 n S A B C D E F G H J K L M h(n) 80 60 70 85 74 40 100 30 20

22 Greedy Best First Search
OPEN = [A,B,C,D,E] CLOSED = [S]

23 Greedy Best First Search
OPEN = [A,C,D,E,F,K] CLOSED = [S,B]

24 Greedy Best First Search
OPEN = [A,C,D,E,F,G] CLOSED = [S,B,K] HASIL = S,B,K,G

25 A* OPEN = [A,B,C,D,E] CLOSED = [S]

26 A* OPEN = [A,B,C,D,J] CLOSED = [S,E]

27 A* OPEN = [A,C,D,F,J,K] CLOSED = [S,E,B]

28 A* OPEN = [C,D,F,G,J,K] CLOSED = [S,E,B,A]

29 A* OPEN = [C,D,G,J,K] CLOSED = [S,E,B,A,F]

30 A* OPEN = [C,D,G,J] CLOSED = [S,E,B,A,F,K] HASIL = S,A,B,F,K,G

31 The end


Download ppt "Kecerdasan Buatan Pencarian Heuristik."

Presentasi serupa


Iklan oleh Google