TEKNIK PENCARIAN

PENCARIAN Secara garis besar, searching dibedakan menjadi : 5/31/2018 PENCARIAN Secara garis besar, searching dibedakan menjadi : Uninformed search (blind search). Tidak ada informasi mengenai jarak/cost dari current state ke goal state. Informed search. Ada informasi mengenai jarak/cost dari current state ke goal state. Hal yg. perlu diperhatikan dlm. searching : Completeness: jk. solusi ada, apakah pasti akan ditemukan ? Optimallity: jk. ada > 1 solusi, apakah selalu solusi terbaik yg. diperoleh ? Time Complexity: waktu yg. dibutuhkan utk. mendpt. solusi. Space complexity: memory yg. dibutuhkan utk. melakukan searching. Hanna K.

PENCARIAN Dua teknik pencarian & pelacakan: 5/31/2018 PENCARIAN Dua teknik pencarian & pelacakan: Pencarian buta (blind search) Pencarian melebar pertama (breadth-first search) Pencarian mendalam pertama (depth-first search) Pencarian terbimbing (heuristic search) Pendakian bukit (hill climbing) Pencarian terbaik pertama (best first search) Hanna K.

Breadth-First Search (BFS) Pencarian dilakukan pada semua node dalam setiap level secara berurutan dari kiri ke kanan. Jika pada satu level belum ditemukan solusi, maka pencarian dilanjutkan pada level berikutnya. Demikian seterusnya sampai ditemukan solusi. Dengan strategi ini, maka dapat dijamin bahwa solusi yang ditemukan adalah yang paling baik (Optimal).

Breadth-First Search (BFS) BFS harus menyimpan semua node yang pernah dibangkitkan. Hal ini harus dilakukan untuk penelusuran balik jika solusi sudah ditemukan. Struktur data: queue Gambar berikut mengilustrasikan pembangkitan pohon BFS untuk masalah Water Jug.

Breadth-First Search (BFS)

Depth-First Search (DFS) Pencarian dilakukan pada satu node dalam setiap level dari yang paling kiri. Jika pada level yang paling dalam, solusi belum ditemukan, maka pencarian dilanjutkan pada node sebelah kanan. Node yang kiri dapat dihapus dari memori. Struktur data: stack

Kelebihan DFS adalah: Pemakain memori hanya sedikit, berbeda jauh dengan BFS yang harus menyimpan semua node yang pernah dibangkitkan. Jika solusi yang dicari berada pada level yang dalam dan paling kiri, maka DFS akan menemukannya secara cepat.

Kelemahan DFS adalah: Jika pohon yang dibangkitkan mempunyai level yang dalam (tak terhingga), maka tidak ada jaminan untuk menemukan solusi (Tidak Complete). Jika terdapat lebih dari satu solusi yang sama tetapi berada pada level yang berbeda, maka pada DFS tidak ada jaminan untuk menemukan solusi yang paling baik (Tidak Optimal).

Teknik Depth First Search

Pencarian Heuristic Pencarian buta tidak selalu dapat diterapkan dengan baik Metode heuristic search diharapkan bisa menyelesaikan masalah yang lebih besar. Metode heuristic searcg menggunakan suatu fungsi yang menghitung biaya perkiraan dari suatu simpul tertentu menuju ke simpul tujuan.

Pencarian Heuristic Ada 4 metode pencarian heuristic: Pembangkit dan pengujian (generate & test) Pendakian bukit (hill climbing) Pencarian terbaik pertama (best first search) Simualated annealing

Generate-and-Test Metode Generate-and-Test adalah metode yang paling sederhana dalam pencarian heuristic. Jika pembangkitan possible solution dikerjakan secara sistematis, maka prosedur akan mencari solusinya, jika ada. Tetapi jika ruang masalahnya sangat luas, mungkin memerlukan waktu yang sangat lama. Algoritma Generate-and-Test adalah prosedur DFS karena solusi harus dibangkitkan secara lengkap sebelum dilakukan test.

Algoritma Generate-and-Test Bangkitkan suatu kemungkinan solusi 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 sokusi ditemukan, keluar. Jika tidak, ulangi langkah pertama.

Kelemahan Generate-and-Test Perlu membangkitkan semua kemungkinan sebelum melakukan pengujian. Membutuhkan waktu yang lama dalam pencariannya.

Hill Climbing Hill Climbing berbeda Generate-and-Test, yaitu pada feedback dari prosedur test untuk membantu pembangkit menentukan yang langsung dipindahkan dalam ruang pencarian. Dalam prosedur Generate & test , respon fungsi pengujian hanya ya atau tidak. Hill climbing, pengujian ditambahkan dengan aturan fungsi-fungsi yang menyediakan estimasi dari bagaimana mendekati state yang diberikan ke state tujuan atau prosedur pembangkit

Hill Climbing Simple HC Steepest-Ascent HC

Algoritma Simple Hill Climbing Mulai dari keadaan awal, lakukan pengetesan, 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 sebagai keadaan awal. Cari operator yang belum digunakan sebagai keadaan awal. Evaluasi keadaan awal tersebut. Jika keadaan merupakan tujuan maka keluar. Jika bukan merupakan keadaan, namun nilainya lebih baik daripada keadaan sekarang, makan jadikan keadaan baru tersebut menjadi keadaan sekarang. Jika keadaan baru tidak lebih baik daripada keadaan sekarang maka lanjutkan iterasi.

Pencarian jalur menggunakan Simple Hill Climbing

Algoritma Steepest-Ascent HC: Mulai dari keadaan awal, lakukan pengetesan, 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 sebagai keadaan awal. Tentukan SUCC sebagai nilai heuristic terbaik dari successor or successor Kerjakan untuk tiap operator yang digunakan oleh keadaan sekarang. Gunakan operator tersebut dan bentuk keadaan baru. Evaluasi keadaan baru tersebut. Jika SUCC lebih baik daripada nilai heuristic keadaan sekarang, ubah node SUCC menjadi keadaan sekarang.

Steepest-Ascent HC Steepest Ascent HC sebenarnya sama dengan simple hill climbing, hanya saja gerakan pencarian tidak dimulai dari posisi paling kiri Pada gambar di atas, terjadi ambiguitas dimana fungsi heuristik node E dan node F adalah sama. Misalkan dipilih F dan ternyata menemukan solusi di level 8. Padahal terdapat solusi lain yang lebih optimal di level 2. Hal ini dikatakan bahwa Steepest-Ascent Hill Climbing terjebak pada solusi lokal (local minima).

Steepest-Ascent HC

Best First Search Metode ini merupakan kombinasi dari metode depth-first search dan metode breadth-first search dengan mengambil kelebihan dari kedua metode tersebut. Penentuan node berikutnya adalah yang terbaik yang pernah dibangkitkan. Menggunakan informasi -Biaya perkiraan -Biaya sebenarnya. Terdapat dua jenis pencarian: Greedy Best First Search = biaya perkiraan f(n)=h(n) Algoritma A*=f(n)=g(n)+h(n)

Best First Search Keuntungan: Memperoleh kembali node pada level lebih rendah meskipun node pada level terendah tersebut memiliki nilai heuristic lebih rendah. Untuk mengimplementasikan metode ini menggunakan graph keadaan, dibutuhkan 2 antrian yang berisi node-node, yaitu: OPEN, merupakan node yang telah dibangkitkan namun belum diuji. CLOSED, merupakn node yang telah dibangkitakn dan telah diuji.

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