Pertemuan 6 Pencarian Heuristik

Presentasi berjudul: "Pertemuan 6 Pencarian Heuristik"— Transcript presentasi:

1 Pertemuan 6 Pencarian Heuristik
Betha Nurina Sari, M.Kom

2 Heuristic Searching Kelemahan blind search :
Waktu akses lama Memori yang dibutuhkan besar Ruang masalah besar – tidak cocok – karena keterbasan kecepatan komputer dan memori Solusi - Pencarian heuristik Pencarian heuristik – menggunakan suatu fungsi yang menghitung biaya perkiraan / estimasi dari suatu simpul tertentu menuju ke simpul tujuan (disebut fungsi heuristik)

3 Local Search Algorithms
Pencarian Heuristik Generate and Test Hill Climbing Best First Search Alpha Beta Prunning Simulated Annealing Min-Max Local Search Algorithms Local Beam Search

4 Generate and Test Pada prinsipnya metode ini merupakan penggabungan antara DFS (depth-first search) dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal.

5 Generate and Test 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.

6 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.

7 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

8 Hasil Generate Lintasan
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

9 Hasil Generate Lintasan
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

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

11 Hill Climbing Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristik. Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru. Kerjakan langkah-langkah berikut sampai solusinya ditemukan atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekaran.

12 Algoritma Hill Climbing
Cari operator yang belum 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.

13 Simple hill climbing Pada simple hill climbing, ada 3 masalah yang mungkin: Algoritma akan berhenti kalau mencapai nilai optimum local Urutan penggunaan operator akan sangat berpengaruh pada penemuan solusi Tidak diijinkan untuk melihat satupun langkah sebelumnya.

14 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.

15 Hasil Hill Climbing Operator digunakan untuk menukar posisi kota-kota yang bersebelahan. Apabila ada 4 kota, dan kita ingin mencari kombinasi lintasan dengan menukar posisi urutan 2 kota, maka kita akan mendapatkan sebanyak 6 kombinasi. (1,2) menukar posisi kota 1 dan 2 (1,3) menukar posisi kota 1 dan 3 (1,4) menukar posisi kota 1 dan 4 (2,3) menukar posisi kota 2 dan 3 (2,4) menukar posisi kota 2 dan 4 (3,4) menukar posisi kota 3 dan 4

16

17 Steepest Ascent Hill Climbing
Hampir sama dengan simple hill climbing, hanya gerakan pencarian tidak dimulai dari posisi paling kiri. Gerakan selanjutnya dicari berdasarkan nilai heuristik terbaik. Dalam hal ini urutan operator tidak menentukan penemuan solusi.

18 Steepest Ascent Hill Climbing

19 Local Maximum

20 Best First Search Kombinasi dari metode DFS dan BFS
Pada best first search, pencarian diperbolehkan mengunjungi node di lebih rendah, jika ternyata node di level lebih tinggi memiliki nilai heuristik lebih buruk. Penentuan node berikutnya adalah node yang terbaik yang pernah dibangkitkan Terdapat 2 jenis algoritma : Greedy Best First Search biaya perkiraan f(n) = h(n) A*

21 A* -> Best First Search
Fungsi Heuristik yang digunakan merupakan prakiraan (estimasi) cost dari initial state ke goal state, yang dinyatakan dengan : f’(n) = g(n) + h’(n) dimana : f’ = Fungsi evaluasi g = cost dari initial state ke current state h’ = perkiraan cost dari current state ke goal state

22 Contoh

23 Greedy Best-First Search untuk Arad ke Bucharest
(1) (2)

24 Greedy Best-First Search untuk Arad ke Bucharest
(3) (4)

25 A* Search untuk Arad ke Bucharest
(1) (2) (3)

26 A* Search untuk Arad ke Bucharest
(4) (5)

27 A* Search untuk Arad ke Bucharest
(6)

28 Simulated Annealing Simulated Annealing
Simulated annealing digunakan untuk penyelesaian masalah yang mana perubahan keadaan dari suatu kondisi ke kondisi yang lainnya  membutuhkan ruang yang sangat luas, misalkan perubahan gerakan dengan menggunakan permutasi pada masalah Travelling Salesman Problem. Pada simulated annealing, parameter yang sangat menentukan, yaitu: tetangga, gain, temperatur, pembangkitan bilangan random. Tetangga akan sangat berperan dalam membentuk perubahan pada solusi sekarang. Pembangkitan bilangan random akan berimplikasi adanya probabilitas. Simulated Annealing

29 MinMax / MiniMax Minimax adalah aturan keputusan yang digunakan dalam teori keputusan, teori permainan, statistik dan filosofi untuk meminimalkan kemungkinan kerugian untuk kasus terburuk (kerugian maksimum) skenario. Awalnya diformulasikan untuk dua pemain zero-sum game theory, yang meliputi kedua kasus di mana pemain mengambil langkah alternatif dan mereka di mana mereka membuat gerakan simultan, juga telah diperluas untuk permainan yang lebih kompleks dan pengambilan keputusan umum di hadapan ketidakpastian. MinMax Algorithm

30 Alpha Beta Prunning Alpha-beta pruning adalah prosedur untuk mengurangi jumlah perhitungan dan mencari selama minimax. Minimax adalah pencarian dua-pass, satu lulus digunakan untuk menetapkan nilai-nilai heuristik ke node pada kedalaman ply dan yang kedua digunakan untuk menyebarkan nilai-nilai sampai pohon. Alpha-beta pruning

31 Traveling Salesman Problem
Traveling Salesman Problem,four algorithms

32 Worksheet 3 : Selesaikan dengan Heuristic Searching
Suatu “tourist agent” sedang berlibur di Rumania, kini berada di Timisoara. Besok, dia harus terbang dari Bandara Giurgiu.

33

34 NEXT KETIDAKPASTIAN