Problem Solving Search -- Uninformed Search 4/9/2017 Problem Solving Search -- Uninformed Search Ref : Artificial Intelligence: A Modern Approach ch. 3 Senin, 11 Feb 2002 Hanna K.

Pendahuluan Hubungan searching dengan AI ? 4/9/2017 Hubungan searching dengan AI ? Sistem AI, khususnya problem-solving agent (salah satu jenis goal-based agent), diharapkan dapat memecahkan suatu masalah secara autonomous. Salah satu cara untuk melakukannya, adalah dng. mencari langkah-langkah yang dapat mengantarkannya ke solusi  menggunakan algoritma search. Pencarian solusi hanya bisa dilakukan setelah agent mengetahui apa yang dihadapinya, apa yang dicarinya  perlu problem definition. Secara kasar, simple problem-solving agent : Percept  Problem definition  Search for solution  Action. Hanna K.

Problem Definition Ada berbagai macam masalah (problem types). 4/9/2017 Ada berbagai macam masalah (problem types). Problem types : Single-state problems. Satu aksi mengantarkan agent ke satu state lain. Dapat menggunakan uninformed & informed search. Multiple-state problems. Satu aksi mengantarkan agent ke beberapa kemungkinan state. Contingency problems. Hasil dari suatu aksi sangat sukar untuk diprediksi, agent mengetahui efek apa yg. mungkin ditimbulkan oleh aksi yg.dilakukannya. Selama aksi dilakukan, sensing juga diperlukan. Umumnya menggunakan planning. Utk. kasus khusus spt. pada game dng. 2 pemain dapat menggunakan metode-metode game playing. Hanna K.

Problem Definition Dlm. mendefinisikan problem perlu menentukan : 4/9/2017 Exploration problems. Agent sama sekali tidak mempunyai informasi mengenai efek dari aksi yg. dilakukannya. Agent perlu bereksperiman & belajar. Dapat menggunakan metode learning yg. ada. Problem definition & pencarian solusi yg. digunakan tergantung problem type-nya. Saat ini yg. dibahas hanya single-state & multiple state problems. Dlm. mendefinisikan problem perlu menentukan : State & aksi yg. dipilih (problem formulation)  perlu abstraksi,  sangat tergantung pada tujuan yg. akan dicapai (goal formulation). Hanna K.

Problem Definition 4/9/2017 Problem definition (single-state problems) dapat dinyatakan dalam :  contoh : lihat papan. Initial state : Keadaan/state awal. Operator : Aksi yang mungkin dilakukan agent. Aksi tersebut-lah yg. mampu memindahkan agent dari satu state ke state lain yang masih berada dalam state space-nya (himpunan seluruh state yang dapat dicapai dari initial state melalui serangkaian aksi, merupakan gabungan antara initial state dng. state-state yg. dihasilkan oleh operator yg. ada). Goal test : Menentukan apakah goal space telah tercapai atau belum. Solusi : path yg. menghubungkan intial state dng. goal state. Hanna K.

Problem Definition 4/9/2017 Path cost function (g): Menentukan path mana (dlm. hal ini dapat dianggap juga rangkaian aksi) mana yg. lebih preferable. Problem definition utk. multiple-state problems hampir sama dng. problem definition utk. single-state problems, hanya saja state yg. ada berubah menjadi set of state. Beberapa perubahan: Initial state menjadi : Initial state set. State space menjadi : State set space. Path menghubungkan set of states satu ke set of states lain. Solusi : path yg. menghubungkan initial state set ke set of goal states. Hanna K.

Searching Secara garis besar, searching dibedakan menjadi : 4/9/2017 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.

Searching Akan dibahas 6 uninformed search : 4/9/2017 Akan dibahas 6 uninformed search : Breadth-first search (BFS). Uniform cost search. Depth-first search (DFS). Depth-limited search. Iterative deepening search (IDS). Bidirectional search. Perbandingan ke-6 algoritma di atas bisa dilihat pd. ref. hlm. 81, tabel 3.18. Hanna K.

Breadth-First Search (BFS) 4/9/2017 Dari root, semua node anak di-expand, jika belum ditemukan juga, semua anak dari node anak tsb. di-expand lagi. Struktur data : queue. Complete. Optimal (jk. kedalaman node = path cost). Dng. b : branching factor, d : depth (solusi) : Time complexity : O(bd). Space complexity : O(bd). Contoh : lihat papan. Hanna K.

Uniform Cost Search 4/9/2017 Utk. mengatasi agar search tetap optimal meskipun kedalaman node != path cost. Node diurutkan & di-expand berdasarkan path cost-nya. Akan = BFS jk. semua node n memiliki path cost(n)= depth(n). Complete. Optimal (jk semua path cost non-decreasing/tidak ada yg. negatif), lihat contoh di papan. Dng. b : branching factor, d : depth (solusi) : Time complexity : O(bd). Space complexity : O(bd). Contoh : lihat papan. Hanna K.

Depth-First Search (DFS) 4/9/2017 Dari root, salah satu anaknya di-expand sampai level terendah/sampai solusi ditemukan. Jk. solusi belum ditemukan, expand anak lain lagi, dst. Struktur data : stack. Tidak complete (bisa solusi ada, tapi stuck di inf. loop). Tidak optimal (bisa solusi yg. labih baik ada, tapi yg. keambil yg. kurang baik). Dng. b : branching factor, m : max. depth : Time complexity : O(bm). Space complexity : O(bm). Contoh : lihat papan. Hanna K.

Depth-Limited Search 4/9/2017 Sama dng. DFS, hanya saja depth yg. akan di-expand dibatasi. Hal ini utk. menghindari inf. loop/pencarian yg. tdk. optimal krn. mencari terlalu dalam. Complete (batas depth >= depth(solusi) / Tidak complete (bisa solusi ada, tapi > batas depth). Tidak optimal (bisa ada > 1 solusi pd. depth < batas depth, tapi yg. keambil solusi yg. kurang baik). Dng. b : branching factor, l : batas depth : Time complexity : O(bl). Space complexity : O(bl). Contoh : lihat papan. Hanna K.

Iterative Deepening Search (IDS) 4/9/2017 Gabungan antara BFS & DFS. Pencarian dilakukan per level. Utk. tiap level, dilakukan DFS dng. level tersebut sebagai batas depth. Mengatasi kesulitan mencari batas depth pd. depth limited search. Complete. Optimal. Time complexity : O(bd). Space complexity : O(bd). Contoh : lihat papan. Hanna K.

Bidirectional Search 4/9/2017 Pencarian dilakukan 2 arah, dari root & dari goal. Solusi berhasil ditemukan ketika path dari root & goal bertemu. Complete. Optimal. Time complexity : O(bd/2). Space complexity : O(bd/2). Contoh : lihat papan. Hanna K.

Constraint Satisfaction Problem (CSP) 4/9/2017 States : values of a set of variables. Goal test : a set of constraints that the values must obey. Dapat diselesaikan dng. metode searching biasa & dpt. pula dng. algoritma khusus (constraint satisfaction search, lebih efisien). CSP dapat dikelompokkan menjadi : Berdasarkan banyaknya variabel dng. constraint : Unary, binary, higher-order. Apakah constraint merupakan keharusan atau preference : Absolute, preference. Berdasarkan nilai domain : Discrete, continuous. Hanna K.

Constraint Satisfaction Search 4/9/2017 Dng. memanfaatkan constraint, node yg. perlu di-expand menjadi lebih sedikkit shg. waktu yg. dibutuhkan oleh searching lebih sedikit. Ada 2 macam : Backtracking search. Memeriksa yg. telah di-expand. Forward checking. Memeriksa dulu sebelum meng-expand. Hanna K.