Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Informed Searching Imam Cholissodin, S.Si., M.Kom. Kecerdasan Buatan/ Artificial Intelligence.

Presentasi serupa


Presentasi berjudul: "Informed Searching Imam Cholissodin, S.Si., M.Kom. Kecerdasan Buatan/ Artificial Intelligence."— Transcript presentasi:

1 Informed Searching Imam Cholissodin, S.Si., M.Kom. Kecerdasan Buatan/ Artificial Intelligence

2 Pokok Bahasan 1.Min-Max 2.Alpha Betha Pruning 3.Best-first search 4.Greedy best-first search 5.A* search 6.Heuristics 7.Local search algorithms 8.Hill-climbing search 9.Simulated annealing 10.Local beam search 11.Genetic algorithms 12.Latihan Individu + Tugas Kelompok

3 Algoritma Minimax  Definisi algoritma ini rekursif, dengan base case pada terminal state  Untuk menghitung MINIMAX VALUE pada initial state, harus depth-first search seluruh game tree!  Complete? Ya, kalau game tree-nya finite  Optimal? Ya, asumsi lawan musuh optimal juga. (Kalau tidak? “Lebih optimal”!)  Time complexity? O(bm)  Space complexity? O(bm) (atau O(m) dgn. backtracking)  Contoh dalam catur: b ≈ 35, m ≈ 100 → pencarian strategi optimal berdasarkan Minimax tidak feasible!

4 Algoritma Minimax  Biasanya dalam suatu permainan ada batasan waktu  Andaikan ada agent bermain catur yang diberi 100 detik untuk “berpikir” tiap langkah.  Mis. sistem bisa memproses 10 4 node/detik → 10 6 node/langkah.  Kita bisa melakukan aproksimasi sbb.: o Cutoff: batasi depth yang diproses (≈ IDS). o Evaluation function: prediksi dari nilai utility function (tidak perlu sampai ke terminal state).

5 Algoritma Minimax  Biasanya, evaluation function berupa kombinasi linier dari fitur-fitur sebuah state:  Eval (s) = w 1 f 1 (s) + w 2 f 2 (s) w n f n (s) =  Mis. untuk catur:  w 1 = 1, f 1 = jumlah pion putih - jumlah pion hitam  w 2 = 3, f 2 = jumlah gajah putih - jumlah gajah hitam

6 Algoritma Minimax  Contoh penerapan algoritma Min Max. Diberikan sebuah situasi permainan seperti di bawah ini : X (max player) sedang dalam giliran untuk melanjutkan permainan. Berikan semua situasi berikutnya yang mungkin untuk X Pilihlah jalur yang tepat sesuai dengan algoritma minmax, jika diketahui fungsi utilitas untuk situasi menang untuk X = +10, kalah = -10, dan draw = 0.

7 Algoritma Minimax  Penyelesaian pada Tic-Tac-Toe (Algoritma Min Max) :

8 Best-First Search  Prinsip best-first search : Lakukan node expansion terhadap node di fringe yang nilai f(n)-nya paling kecil.  Ide dasar : f(n) adalah sebuah evaluation function → fungsi yang menyatakan perkiraan seberapa “bagus” sebuah node.  Kenapa perkiraan? Kalau tidak, bukan search namanya!  Implementasi: fringe adalah sebuah priority queue di mana node disortir berdasarkan f(n).  Contoh : o Uniform-cost search o Greedy (best-first) search o A* search

9 Heuristic Function  Kunci keberhasilan best-first search terletak di heuristic function.  Heuristic adalah : o rule of thumb o “kiat-kiat sukses”, “tips-tips keberhasilan” o informasi tambahan bagi si agent (agar lebih sukses) → informed search  Heuristic function h(n) adalah fungsi yang menyatakan estimasi cost dari n ke goal state.  Ada banyak kemungkinan heuristic function untuk sebuah masalah.

10 Heuristic Function  Contoh : (Romania with step costs in km)  Sebuah heuristic function untuk agent turis Rumania : h SLD (n) = jarak straight-line distance dari n ke Bucharest.

11 Greedy Best-First Search  Prinsip greedy best-first search : Lakukan node expansion terhadap node di fringe yang nilai h(n)-nya paling kecil.  Greedy best-first search selalu memilih node yang kelihatannya paling dekat ke goal.

12 Greedy Best-First Search  Prinsip greedy best-first search : Lakukan node expansion terhadap node di fringe yang nilai h(n)-nya paling kecil.  Greedy best-first search selalu memilih node yang kelihatannya paling dekat ke goal.

13 Greedy Best-First Search  Prinsip greedy best-first search : Lakukan node expansion terhadap node di fringe yang nilai h(n)-nya paling kecil.  Greedy best-first search selalu memilih node yang kelihatannya paling dekat ke goal.

14 Greedy Best-First Search  Prinsip greedy best-first search : Lakukan node expansion terhadap node di fringe yang nilai h(n)-nya paling kecil.  Greedy best-first search selalu memilih node yang kelihatannya paling dekat ke goal.

15 Greedy Best-First Search  Properties of greedy best-first search : o Complete? Ya, jika state space terbatas dan pengulangan state- nya ditangani. (Lihat Neamt → Oradea) o Time complexity? Secara teoritis, O(b m ), tetapi heuristic function yang baik akan lebih mempercepat. o Space complexity? O(b m ) → semua node disimpan di memory o Optimal? Tidak.

16 A* Search  Prinsip A* search : Hindari node yang berada di path yang “mahal”.  Evaluation function f(n) = g(n) + h(n) : o g(n) = Path cost ke n o h(n) = Estimasi path cost dari n ke goal o f(n) = Estimasi total cost melalui n  Contoh penelusuran A* search :

17 A* Search  Prinsip A* search : Hindari node yang berada di path yang “mahal”.  Evaluation function f(n) = g(n) + h(n) : o g(n) = Path cost ke n o h(n) = Estimasi path cost dari n ke goal o f(n) = Estimasi total cost melalui n  Contoh penelusuran A* search :

18 A* Search  Prinsip A* search : Hindari node yang berada di path yang “mahal”.  Evaluation function f(n) = g(n) + h(n) : o g(n) = Path cost ke n o h(n) = Estimasi path cost dari n ke goal o f(n) = Estimasi total cost melalui n  Contoh penelusuran A* search :

19 A* Search  Prinsip A* search : Hindari node yang berada di path yang “mahal”.  Evaluation function f(n) = g(n) + h(n) : o g(n) = Path cost ke n o h(n) = Estimasi path cost dari n ke goal o f(n) = Estimasi total cost melalui n  Contoh penelusuran A* search :

20 A* Search  Prinsip A* search : Hindari node yang berada di path yang “mahal”.  Evaluation function f(n) = g(n) + h(n) : o g(n) = Path cost ke n o h(n) = Estimasi path cost dari n ke goal o f(n) = Estimasi total cost melalui n  Contoh penelusuran A* search :

21 A* Search  Prinsip A* search : Hindari node yang berada di path yang “mahal”.  Evaluation function f(n) = g(n) + h(n) : o g(n) = Path cost ke n o h(n) = Estimasi path cost dari n ke goal o f(n) = Estimasi total cost melalui n  Contoh penelusuran A* search :

22 Admissible Heuristics  A* search menggunakan heuristic yang admissible 0 ≤ h(n) ≤ h*(n), di mana h*(n) adalah cost dari n yang sebenarnya.  Bahasa mudahnya : nilai sebuah heuristic function tidak pernah melebihi cost ke goal yang sebenarnya. Contoh : h SLD (n).  A* search adalah optimal. Bukti optimalitas A* (1) : o Andaikan G 2 adalah goal suboptimal di dalam fringe. Ambil n sebuah fringe node pada path menuju G, goal optimal, sbb : o Karena f(G 2 ) > f(n), algoritma A* search tidak pernah akan memilih G 2 untuk di-expand. Teorema terbukti! f(G 2 ) = g(G 2 ), karena h(G 2 ) = 0 g(G 2 ) > g(G), karena G 2 tidak optimal g(G) ≥ f(n), karena h admissible

23 Admissible Heuristics  Consistency sebuah heuristic : o Sebuah heuristic dikatakan consistent jika : h(n) ≤ c(n, a, n’) + h(n’) o Jika h konsisten, maka : f(n’) = g(n’) + h(n’) = g(n) + c(n, a, n’) + h(n’) ≥ g(n) + h(n) ≥ f(n) o Pada sembarang path, nilai f(n) tidak pernah turun (nondecreasing), atau monotonic. o Theorem : If h(n) is consistent, A* using GRAPH- SEARCH is optimal

24 Admissible Heuristics  Bukti optimalitas A*(2) o Node expansion A* berdasarkan urutan nilai f. o Bayangkan penelusuran state space yang dilakukan A* menambahkan f-contour. o Bandingkan dengan “lapisan” yang ditelusuri breadth- first dan uniform-cost.

25 A* Search  Properties of A* : o Complete? Ya, kecuali jumlah node di mana f ≤ f(G) tak terbatas. o Time complexity? Eksponensial dalam (error h x jumlah step solusi). o Space complexity? O(b m ) → semua node disimpan di memory. o Optimal? Ya.  A* meng-expand semua node di mana f(n) < C*  A* (mungkin) meng-expand beberapa node di mana f(n) = C*  A* tidak pernah meng-expand node di mana f(n) > C*

26 Merancang Heuristic  Contoh Admissible Heuristic o h(n) untuk 8-puzzle h 1 (n) : jumlah angka yang salah posisi. h 2 (n) : jumlah jarak semua angka dari posisi yang benar (base Manhattan Distance) Diketahui posisi tile 1 di Start State (2,2) dan di Goal State (0,0) Hitung D man (1) = |2-0|+|2-0| = = 4 o h 1 (s) = 6 o h 2 (s) = D man (1) + D man (2)+ D man (3) + D man (4)+ D man (5) + D man (6)+ D man (7) + D man (8)= =14 (0,0)(0,1)(0,2) (1,0)(1,1)(1,2) (2,0)(2,1)(2,2) Posisi

27 Merancang Heuristic  Latihan Admissible Heuristic o Perhatikan 8-puzzle berikut : Tentukan h 1 (s) dan h 2 (s) !

28 A* Search  f(N) = h(N) = jumlah angka yang salah posisi

29 A* Search  f(N) = g(N) + h(N) dengan h(N) = jumlah angka yang salah posisi

30 A* Search  f(N) = h(N) =  jarak semua angka dari posisi yang benar (base Manhattan Distance)

31 Merancang Heuristic  Membandingkan dua heuristic o h 1 dan h 2 sama-sama admissible. Mana yang lebih baik? Bandingkan jumlah node yang di-expand: o Jika h 2 (n) ≥ h 1 (n) untuk semua n (dan keduanya admissible), dikatakan bahwa h 2 men-dominate h 1 dan lebih baik untuk search. o Semakin besar nilai h(n), semakin dekat ke h*(n), semakin banyak node yang tidak di-expand (di- prune), semakin efisien search-nya! DIDSA*(h 1 )A*(h 2 ) 123,473, ,000,000,00039,1351,641

32 Hill-Climbing Search  NILAI sebuah node → h(n) (heuristic function)  Bayangkan seorang penderita amnesia mendaki gunung dengan kabut tebal (thick fog). o State: posisi koordinat (X,Y) o h(n): ketinggian pendaki  Konsep penting: state space sebagai landscape.  Disebut juga greedy local search  Tergantung pilihan initial state, hill-climbing bisa terperangkap dalam local maximum.

33 Hill-Climbing Search  Local maximum: tidak ada tetangga yang lebih baik, tetapi bukan solusi optimal.  Plateau (dataran): semua tetangga sama baiknya.  Contoh Hill-Climbing Search :

34 Genetic Algorithms (Hybrid)  Konsep Algoritma Genetika Hybrid : (Case : Travelling Salesman Problem) o Pertama, proses pembentukan matrix sesuai dengan jumlah populasi yang diinginkan. o Kedua, proses membaca data jarak antar kota. o Ketiga, proses generate individu berupa rute secara random sebanyak jumlah populasi. o Keempat, proses pemberian nilai jumlah jarak tempuh untuk masing-masing individu. Note : Kemudian secara berulang melakukan proses diatas sebanyak generasi yang diinginkan untuk menghasilkan individu-individu baru yang lebih baik atau paling tidak sama dengan individu sebelumnya.

35 Genetic Algorithms (Hybrid)  Diagram Sistem : Input Parameter : o Jumlah Individu Dlm Satu Populasi (Pop_Size)= 5 o nilai epsilon = 0.8 o nilai P = 4 o nilai Pc = 0.5 o nilai Pm = 0.01 o max gen = 2 o jumlah_kota : 10

36 Genetic Algorithms (Hybrid)  Detail Algoritma Genetika Hybrid : 1.localsearch_1 : proses pertukaran gen dalam suatu individu  proses di-loop sebanyak t kali  salah satu gen ditukar dengan gen yang berada disebelahnya  dilakukan perhitungan jumlah jarak tempuhnya  jika dihasilkan individu yang lebih baik (jumlah jarak tempuh lebih kecil), maka proses dilakukan dari awal loop (t=0)  jika tidak dilanjutkan proses loop berikutnya (t=t+1) 2.fitness : proses penghitungan nilai fitness untuk masing-masing individu  formula -> f(x) = fb + fk - nilai_individu(x), dimana fb : nilai maximum fk : nilai minimum

37 Genetic Algorithms (Hybrid)  Detail Algoritma Genetika Hybrid : 1.selection_crossover : proses pencarian calon orang tua dari individu baru yang akan dibentuk untuk proses crossover  pemilihan secara acak 3 individu yang berbeda yang dilakukan sebanyak jumlah populasi  dipilih salah satu individu yang memiliki nilai fitness tertinggi  dicari suatu nilai random bertipe float yang dibandingkan dengan Pc  jika nilai random lebih kecil dari Pc maka individu tersebut terpilih menjadi orang tua untuk proses crossover

38 Genetic Algorithms (Hybrid)  Detail Algoritma Genetika Hybrid : 1.selection_mutation : proses pencarian calon orang tua dari individu baru yang akan dibentuk untuk proses mutasi  pemilihan secara acak 3 individu yang berbeda yang dilakukan sebanyak jumlah populasi  dipilih salah satu individu yang memiliki nilai fitness tertinggi  dicari suatu nilai random bertipe float yang dibandingkan dengan Pm  jika nilai random lebih kecil dari Pm maka individu tersebut terpilih menjadi orang tua untuk proses mutasi

39 Genetic Algorithms (Hybrid)  Detail Algoritma Genetika Hybrid : 1.crossover_pmx : proses crossover berdasarkan dari orang tua yang terpilih pada proses sebelumnya  orang tua harus berpasangan  jika ganjil maka akan dihilangkan 1  untuk orang tua yang saling berpasangan dilakukan proses crossover yang dilakukan secara random 2.mutation_bim : proses mutasi berdasarkan dari orang tua yang terpilih pada proses sebelumnya  masing-masing orangtua melakukan mutasi gen secara random, artinya tidak harus dengan gen sebelahnya 3.cluster_offspring_crossover_mutation : proses pemilihan individu terbaik  hasil dari individu pada proses crossover dan mutasi dikumpulkan dipersiapkan untuk proses selanjutnya

40 Genetic Algorithms (Hybrid)  Detail Algoritma Genetika Hybrid : 1.localsearch_2 : proses pertukaran gen dalam suatu individu  proses sama dengan localsearch  individu yang diproses berasal dari individu terbaik pada proses sebelumnya 2.show_population_new : proses menampilkan populasi baru yang dihasilkan dari individu-individu terbaik  hasil dari localsearh_1 dan localsearch_2 dikumpulkan, kemudian diurutkan dan diambil sesuai jumlah populasi untuk menjadi populasi yang baru

41 Genetic Algorithms (Hybrid)  Data jarak antar kota : Contoh : Jarak kota 3 – 5 = 320

42 Genetic Algorithms (Hybrid)  Generate Populasi : Individu ke 0 : Individu ke 1 : Individu ke 2 : Individu ke 3 : Individu ke 4 : Nilai Z : nilai z individu ke 0: 1391 = (8–1)+(1-2)+(2-4)+(4-0)+(0-5)+(5-6)+(6-7)+(7-3)+(3-9)+(9-8) = = 1391 Nilai Z : Individu :

43 Genetic Algorithms (Hybrid)  Localsearch  Populasi Baru : Individual to 4 : result_evaluation initial = 1967 exchange gen t =0 Individual to 4 : result_evaluation stlh di exchange = 1736 result_evaluation initial = 1736 Individual new to 4 : exchange gen t =0 Individual to 4 : result_evaluation stlh di exchange = 1979 Individual new to 4 :

44 Genetic Algorithms (Hybrid)  Localsearch  Populasi Baru (Lanjutan) : Individual new to 4 : exchange gen t =3 Individual to 4 : result_evaluation stlh di exchange = 1736 Individual new to 4 : exchange gen t =4 Individual to 4 : result_evaluation stlh di exchange = 1771 Individual new to 4 : Individual new to 4 last : result_evaluation initial = 1662

45 Genetic Algorithms (Hybrid)  Localsearch  Populasi Baru (Lanjutan) : individu ke 0 : individu ke 1 : individu ke 2 : individu ke 3 : individu ke 4 : fb = 1787 fk = 1331 nilai fitness individu ke 0: 1787 = fb + fk – (nilai_evaluasi Individu ke 0) = = 1787 Nilai Evaluasi Individu terakhir : Nilai Fitness

46 Genetic Algorithms (Hybrid)  Crossover  Induk Crossover : Hasil seleksi awal crossover: –individu ke->3 : 1469 –individu ke->1 : 1628 –individu ke->4 : 1413 tertinggi individu ke->1 : 1628 –individu ke->0 : 1787 –individu ke->2 : 1331 –individu ke->4 : 1413 tertinggi individu ke->0 : 1787 –individu ke->0 : 1787 –individu ke->4 : 1413 –individu ke->3 : 1469 tertinggi individu ke->0 : 1787

47 Genetic Algorithms (Hybrid)  Crossover  Induk Crossover (Lanjutan) : –individu ke->0 : 1787 –individu ke->3 : 1469 –individu ke->1 : 1628 tertinggi individu ke->0 : 1787 –individu ke->4 : 1413 –individu ke->3 : 1469 –individu ke->2 : 1331 tertinggi individu ke->3 : 1469 Hasil turnamen yang akan menjadi calon induk: –individu ke->1 : 1628 –individu ke->0 : 1787 –individu ke->3 : 1469

48 Genetic Algorithms (Hybrid)  Crossover  Induk Crossover (Lanjutan) : Calon induk crossover (jika nilai random < Pc) : –individu ke->1 : > induk crossover –individu ke->0 : –individu ke->0 : > induk crossover –individu ke->0 : > induk crossover –individu ke->3 : > induk crossover Jumlah calon induk =4 Induk crossover: –individu ke->1 : 1628 –individu ke->0 : 1787 –individu ke->3 : 1469

49 Genetic Algorithms (Hybrid)  Mutasi  Induk Mutasi : Hasil seleksi awal mutasi: –individu ke->3 : 1469 –individu ke->2 : 1331 –individu ke->1 : 1628 tertinggi individu ke->1 : 1628 –individu ke->3 : 1469 –individu ke->0 : 1787 –individu ke->2 : 1331 tertinggi individu ke->0 : 1787 –individu ke->1 : 1628 –individu ke->2 : 1331 –individu ke->3 : 1469 tertinggi individu ke->1 : 1628

50 Genetic Algorithms (Hybrid)  Mutasi  Induk Mutasi (Lanjutan) : –individu ke->0 : 1787 –individu ke->1 : 1628 –individu ke->2 : 1331 tertinggi individu ke->0 : 1787 –individu ke->3 : 1469 –individu ke->1 : 1628 –individu ke->4 : 1413 tertinggi individu ke->1 : 1628 Hasil turnamen yang akan menjadi calon induk: –individu ke->1 : 1628 –individu ke->0 : 1787 –individu ke->1 : 1628 –individu ke->0 : 1787 –individu ke->1 : 1628

51 Genetic Algorithms (Hybrid)  Mutasi  Induk Mutasi (Lanjutan) : Calon induk mutasi (jika nilai random < Pm): –individu ke->1 : 0.01 –individu ke->0 : –individu ke->1 : > induk mutasi –individu ke->0 : –individu ke->1 : Jumlah calon induk =1 Induk mutasi: –individu ke->1 : 1628

52 Genetic Algorithms (Hybrid)  Crossover_pmx  Anak Crossover : Display induk crossover : –individu ke->1 : 1628 –individu ke->0 : 1787 –individu ke->3 : 1469 Perkawinan individu 1 & 0 –individu ke->1 : –individu ke->0 : Memilih substring secara random : –pos_string =3 Start tukar substring : –pos_string =3 –temp_string[0]][3] =4 –temp_string[1][3] =9 –temp_string[0][3] =4

53 Genetic Algorithms (Hybrid)  Crossover_pmx  Anak Crossover : –pos_string =4 –temp_string[0]][4] =0 –temp_string[1][4] =6 –temp_string[0][4] =0 –pos_string =5 –temp_string[0]][5] =5 –temp_string[1][5] =5 –temp_string[0][5] =5 –pos_string =6 –temp_string[0]][6] =6 –temp_string[1][6] =7 –temp_string[0][6] =6 –pos_string =7 –temp_string[0]][7] =7 –temp_string[1][7] =3 –temp_string[0][7] =7

54 Genetic Algorithms (Hybrid)  Crossover_pmx  Anak Crossover : hasil penukaran berpasangan dua : –individu ke->1 : –individu ke->0 : Perkawinan individu 0 & 3 –individu ke->0 : –individu ke->3 : Memilih substring secara random : –pos_string =5 Start tukar substring : –pos_string =5 –temp_string[2]][5] =7 –temp_string[3][5] =5 –temp_string[2][5] =7

55 Genetic Algorithms (Hybrid)  Crossover_pmx  Anak Crossover : –pos_string =6 –temp_string[2]][6] =3 –temp_string[3][6] =6 –temp_string[2][6] =3 –pos_string =7 –temp_string[2]][7] =9 –temp_string[3][7] =7 –temp_string[2][7] =9 –pos_string =8 –temp_string[2]][8] =5 –temp_string[3][8] =9 –temp_string[2][8] =5 –pos_string =9 –temp_string[2]][9] =0 –temp_string[3][9] =3 –temp_string[2][9] =0 hasil penukaran berpasangan dua : individu ke->0 : individu ke->3 : Display anak dari crossover : individu ke->1 : individu ke->0 : individu ke->0 : individu ke - >3 :

56 Genetic Algorithms (Hybrid)  Mutasi_bim  Anak Mutasi : proses mutasi_bim : –individu ke->1 : 1628 individu ke->1 : Memilih substring secara random : –pos_string =5 Start tukar substring : –temp_string2[0][5] =4 = (jumlah_gen -1) – pos_string = = 4 –temp_string2_update[0][8] =5 Menampilkan anak mutasi : –individu ke->1 :

57 Genetic Algorithms (Hybrid)  Gabungan Anak Crossover + Anak Mutasi : Menampilkan gabungan anak crossover dan mutasi : –individu ke->0 : –individu ke->1 : –individu ke->2 : –individu ke->3 : –individu ke->4 : sum_induk =5 (anak-anak tersebut telah menjadi induk)

58 Genetic Algorithms (Hybrid)  Localsearch2  Populasi Baru2 : Individu ke 0 : –hasil_evaluasi awal = 1331 tukar gen t =0 Individu ke 0 : –hasil_evaluasi stlh di tukar = 1690 Individu baru ke 0 : tukar gen t =1 Individu ke 0 : –hasil_evaluasi stlh di tukar = 1690 Individu baru ke 0 : tukar gen t =2 Individu ke 0 : hasil_evaluasi stlh di tukar = 1193 hasil_evaluasi awal = 1193 Individu baru ke 0 :

59 Genetic Algorithms (Hybrid)  Localsearch2  Populasi Baru2 (Lanjutan) : tukar gen t =2 Individu ke 0 : –hasil_evaluasi stlh di tukar = 1193 –e_random =0.833 Individu baru ke 0 : tukar gen t =3 Individu ke 0 : –hasil_evaluasi stlh di tukar = 1253 Individu baru ke 0 : tukar gen t =4 Individu ke 0 : –hasil_evaluasi stlh di tukar = 1253 Individu baru ke 0 : Individu baru ke 0 terakhir :

60 Genetic Algorithms (Hybrid)  Gabungan Populasi baru Localsearch1 + Localsearch2 : Menampilkan populasi gabungan: (Hasil populasi baru localsearch + localsearch2) – : 1331 – : 1490 – : 1787 – : 1649 – : 1705 – : 1193 – : 1453 – : 1697 – : 1331 – : 1849

61 Genetic Algorithms (Hybrid)  Gabungan Populasi baru Localsearch1 + Localsearch2 : Menampilkan populasi gabungan hasil sortir: –individu ke->0 : : 1193 –individu ke->1 : : 1331 –individu ke->2 : : 1331 –individu ke->3 : : 1453 –individu ke->4 : : 1490 –individu ke->5 : : 1649 –individu ke->6 : : 1697 –individu ke->7 : : 1705 –individu ke->8 : : 1787 –individu ke->9 : : 1849 Menampilkan populasi gabungan sebanyak pop_size awal: – individu ke ->0 : : 1193 – individu ke ->1 : : 1331 – individu ke ->2 : : 1331 – individu ke ->3 : : 1453 – individu ke ->4 : : 1490

62 Ringkasan  Best-first search : o Uniform-cost search : f(n) = g(n) o Greedy best-first search : f(n) = h(n) o A* search : f(n) = g(n) + h(n)  Dengan heuristic yang admissible dan consistent, A* pasti complete dan optimal.  Heuristic demikian dapat diperoleh dari variasi masalah yang dipermudah, atau submasalah.  Search di mana environment-nya tidak observable atau non- deterministic masih bisa diatasi.  Permasalahan utama : menghindari local maximum secara stochastic.

63 Latihan Individu  Selesaikan 8-Puzzle di bawah ini dengan algoritma A* Search berdasarkan teknik “f(N) = h(N) = jumlah angka yang salah posisi” (min. ada 3 depth) :

64 Latihan Individu  Perhatikan Peta berikut ! (Optional) Buatlah Tree-nya, lalu selesaikan proses searching dari “Oradea ke Bucharest” menggunakan Algoritma Greedy Best-First Search !

65 Tugas Kelompok  Berdasarkan latihan individu di slide 64, selesaikan proses searching dari “Oradea ke Bucharest” menggunakan Algoritma A* Search !  Selesaikan 8-Puzzle di bawah ini dengan algoritma A* Search berdasarkan 2 teknik berikut (setiap teknik min. ada 5 depth) : a.f(N) = g(N) + h(N) dengan h(N) = jumlah angka yang salah posisi b.f(N) = h(N) = jumlah jarak semua angka dari posisi yang benar (base Manhattan Distance) Note : kerjakan 1 dari 2 (a atau b)

66 Selesai


Download ppt "Informed Searching Imam Cholissodin, S.Si., M.Kom. Kecerdasan Buatan/ Artificial Intelligence."

Presentasi serupa


Iklan oleh Google