Algoritma AI 1

Game Theory

Two Player Games / Zero-Sum Games

Tic-Tac-Toe

Minimax Minimax dengan Alpha-Beta Pruning

Algoritma Minimax

Minimax dengan Alpha-Beta Pruning Alpha-Beta Pruning is a simple algorithm that minimizes the game-tree search for moves that are obviously bad

Ide Dasar Alpha-Beta Pruning Identify moves that are not beneficial, and remove them from the game tree

Syarat pruning :

5 3 10 7 4 8 9 -2 6 Max Min

Simulated Annealing

Algoritma Optimasi

Algoritma untuk menemukan nilai x sedemikian hingga menghasilkan f(x) yang bernilai sekecil atau sebesar mungkin untuk suatu fungsi f yang diberikan, yang mungkin disertai beberapa batasan pada x.

Ide Dasar Simulated Annealing Apabila suatu materi dipanaskan hingga mencair, kemudian didinginkan secara perlahan maka akan dihasilkan logam-logam dengan kualitas baik. Sebaliknya, jika materi didinginkan terlalu cepat, maka logam yang dihasilkan pun tidak akan sempurna

Simulated Annealing Mensimulasikan proses pendinginan yang secara bertahap menurunkan suhu sistem hingga konvergen pada keadaan beku dan stabil

Persamaan Boltzman Probabilitas suatu new state yang lebih buruk dari current state masih mungkin terpilih sebagai next state

Pemetaan Physical Annealing ke Simulated Annealing Fisika (Termodinamika) Simulated Annealing Keadaan sistem Solusi yang mungkin Energi Biaya Perubahan keadaan Solusi tetangga Temperatur Parameter kontrol Keadaan beku Solusi heuristik

Dalam SA, sebuah solusi dikenal dengan istilah State Ukuran baik atau tidaknya state tersebut dinyatakan dengan Energi SA dirancang untuk kasus minimasi, maka Energi akhir haruslah lebih kecil dibandingkan dengan energi awal

Algoritma SA create initialState set initial temperature Tstart while Tnow > Tend repeat n times generate newState deltaEnergi = (energiBaru - energiLama) if deltaEnergi < 0 currentState = newState elseif rand(0,1) < exp(-deltaEnergi/T) endif end repeat decrease T end while

Contoh Kasus : Travelling Sallesman Problem (TSP)

Adaptive Resonance Theory

ART 1 ART ART 2

Setiap kali pola dikenalkan, suatu unit cluster yang tepat dipilih dan bobot cluster tersebut disesuaikan agar unit cluster dapat mempelajari polanya. Bobot pada cluster unit dapat dianggap sebagai code vector untuk pola-pola yang ditempatkan pada cluster tersebut. ART didesain untuk memperkenankan user mengontrol derajat kemiripan dari pola-pola yang ditempatkan pada cluster yang sama.

Algoritma Pembelajaran ART 1

Contoh Kasus : Character Recognition