Upload presentasi
Presentasi sedang didownload. Silahkan tunggu
1
(intro to proportional logic)
Pertemuan VIII Mid Term Discussions Alpha Beta Pruning Logical Agent (intro to proportional logic)
2
Mid Term Discussions File di-download di http://sitoba.itmaranatha.org
Nilai UTS hari Senin selesai
3
Algoritma Alpha Beta (optimized MinMax)
Beberapa cabang tidak perlu untuk dibuka jika berhadapan dengan lawan yang cerdas Idenya adalah dengan memantau nilai pada cabang setiap kali DFS dilakukan Yang dipantau adalah nilai alpha (jika MAX), dan beta (jika MIN) Alpha = nilai terbesar sampai saat ini Beta = nilai terkecil sampai saat ini Jika Beta Alpha, stop percabangan Tidak ada nilai yang lebih menguntungkan MAX MIN tidak mengijinkan MAX untuk terus maju
4
Minimax Revisited
5
- Pruning Example
6
- Pruning Example
7
- Pruning Example
8
- Pruning Example
9
- Pruning Example
10
- Pruning Algorithm
11
- Pruning The “Heuristic”
12
More Detailed - Pruning Example
minimax(A,0) Call Stack max A A α= A B C D E F G -5 H 3 I 8 J K L 2 M N 4 O P 9 Q -6 R S 3 T 5 U -7 V -9 A W -3 X -5
13
More Detailed - Pruning Example
minimax(B,1) Call Stack max A α= min B B B β= C D E F G -5 H 3 I 8 J K L 2 M N 4 O P 9 Q -6 R S 3 T 5 U -7 V -9 B A W -3 X -5
14
More Detailed - Pruning Example
minimax(F,2) Call Stack max A α= B β= C D E min max F F F α= G -5 H 3 I 8 J K L 2 M N 4 O P 9 Q -6 R S 3 T 5 U -7 V -9 F B A W -3 X -5
15
More Detailed - Pruning Example
minimax(N,3) max Call Stack A α= min B β= C D E max F α= G -5 H 3 I 8 J K L 2 M N N 4 N 4 O P 9 Q -6 R S 3 T 5 U -7 V -9 F B A W -3 X -5 blue: terminal state
16
More Detailed - Pruning Example
minimax(F,2) is returned to alpha = 4, maximum seen so far Call Stack A α= max B β= C D E min F α=4 F α= G -5 H 3 I 8 J K L 2 M max N 4 O P 9 Q -6 R S 3 T 5 U -7 V -9 F B A W -3 X -5 blue: terminal state
17
More Detailed - Pruning Example
minimax(O,3) Call Stack A α= max B β= C D E min F α=4 G -5 H 3 I 8 J K L 2 M max O N 4 O β= O O P 9 Q -6 R S 3 T 5 U -7 V -9 min F B A W -3 X -5 blue: terminal state
18
More Detailed - Pruning Example
minimax(W,4) Call Stack max A α= min B β= C D E F α=4 G -5 H 3 I 8 J K L 2 M max W O N 4 O β= P 9 Q -6 R S 3 T 5 U -7 V -9 min F B A W -3 W -3 X -5 blue: terminal state blue: terminal state (depth limit)
19
More Detailed - Pruning Example
minimax(O,3) is returned to beta = -3, minimum seen so far Call Stack max A α= B β= C D E min F α=4 G -5 H 3 I 8 J K L 2 M max O N 4 O β= O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min F B A W -3 X -5 blue: terminal state
20
More Detailed - Pruning Example
minimax(O,3) is returned to O's beta F's alpha: stop expanding O (alpha cut-off) Call Stack A α= max B β= C D E min F α=4 G -5 H 3 I 8 J K L 2 M max O N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min F B A W -3 X -5 X -5 blue: terminal state
21
More Detailed - Pruning Example
Why? Smart opponent will choose W or worse, thus O's upper bound is –3. So computer shouldn't choose O:-3 since N:4 is better Call Stack A α= max B β= C D E min F α=4 G -5 H 3 I 8 J K L 2 M max O N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min F B A W -3 X -5 blue: terminal state
22
More Detailed - Pruning Example
minimax(F,2) is returned to alpha not changed (maximizing) Call Stack A α= max B β= C D E min F α=4 G -5 H 3 I 8 J K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min F B A W -3 X -5 X -5 blue: terminal state
23
More Detailed - Pruning Example
minimax(B,1) is returned to beta = 4, minimum seen so far Call Stack A α= max B β=4 B β= C D E min F α=4 G -5 H 3 I 8 J K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min B A W -3 X -5 X -5 blue: terminal state
24
More Detailed - Pruning Example
minimax(G,2) Call Stack A α= max B β=4 C D E min F α=4 G -5 G -5 H 3 I 8 J K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min G B A W -3 X -5 X -5 blue: terminal state
25
More Detailed - Pruning Example
minimax(B,1) is returned to beta = -5, updated to minimum seen so far Call Stack A α= max B β=-5 B β=4 C D E min F α=4 G -5 H 3 I 8 J K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min B A W -3 X -5 X -5 blue: terminal state
26
More Detailed - Pruning Example
minimax(A,0,4) is returned to alpha = -5, maximum seen so far Call Stack A α=-5 A α= max B β=-5 C D E min F α=4 G -5 H 3 I 8 J K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min A W -3 X -5 X -5 blue: terminal state
27
More Detailed - Pruning Example
minimax(C,1) Call Stack A α=-5 A α= max B β=-5 C β= C C D E min F α=4 G -5 H 3 I 8 J K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min C A W -3 X -5 X -5 blue: terminal state
28
More Detailed - Pruning Example
minimax(H,2) Call Stack A α=-5 A α= max B β=-5 C β= D E min F α=4 G -5 H 3 H 3 I 8 J K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min H C A W -3 X -5 X -5 blue: terminal state
29
More Detailed - Pruning Example
minimax(C,1) is returned to beta = 3, minimum seen so far Call Stack A α=-5 A α= max B β=-5 C β=3 C β= D E min F α=4 G -5 H 3 I 8 J K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min C A W -3 X -5 X -5 blue: terminal state
30
More Detailed - Pruning Example
minimax(I,2) Call Stack A α=-5 A α= max B β=-5 C β=3 D E min F α=4 G -5 H 3 I 8 I 8 J K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min I C A W -3 X -5 X -5 blue: terminal state
31
More Detailed - Pruning Example
minimax(C,1) is returned to beta not changed (minimizing) Call Stack A α=-5 A α= max B β=-5 C β=3 D E min F α=4 G -5 H 3 I 8 J K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min C A W -3 X -5 X -5 blue: terminal state
32
More Detailed - Pruning Example
minimax(J,2) Call Stack A α=-5 A α= max B β=-5 C β=3 D E min F α=4 G -5 H 3 I 8 J α= J J K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min J C A W -3 X -5 X -5 blue: terminal state
33
More Detailed - Pruning Example
minimax(P,3) Call Stack A α=-5 A α= max B β=-5 C β=3 D E min F α=4 G -5 H 3 I 8 J α= K L 2 M max P N 4 O β=-3 P 9 P 9 Q -6 R S 3 T 5 U -7 V -9 min J C A W -3 X -5 X -5 blue: terminal state
34
More Detailed - Pruning Example
minimax(J,2) is returned to alpha = 9 Call Stack A α= A α=-5 max B β=-5 C β=3 D E min F α=4 G -5 H 3 I 8 J α=9 J α= K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min J C A W -3 X -5 X -5 blue: terminal state
35
More Detailed - Pruning Example
minimax(J,2) is returned to J's alpha C's beta: stop expanding J (beta cut-off) Call Stack A α=-5 A α= max B β=-5 C β=3 D E min F α=4 G -5 H 3 I 8 J α=9 K L 2 M max N 4 O β=-3 P 9 Q -6 Q -6 R R S 3 T 5 U -7 V -9 min J C A W -3 X -5 X -5 blue: terminal state
36
More Detailed - Pruning Example
Why? Computer should choose P or better, thus J's lower bound is 9; so smart opponent won't take J:9 since H:3 is worse Call Stack A α= A α=-5 max B β=-5 C β=3 D E min F α=4 G -5 H 3 I 8 J α=9 K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min J C A W -3 X -5 X -5 blue: terminal state
37
More Detailed - Pruning Example
minimax(C,1) is returned to beta not changed (minimizing) Call Stack A α=-5 A α= max B β=-5 C β=3 D E min F α=4 G -5 H 3 I 8 J α=9 K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min C A W -3 X -5 X -5 blue: terminal state
38
More Detailed - Pruning Example
minimax(A,0) is returned to alpha = 3, updated to maximum seen so far Call Stack A α=-5 A α= A α=3 max B β=-5 C β=3 D E min F α=4 G -5 H 3 I 8 J α=9 K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min A W -3 X -5 X -5 blue: terminal state
39
More Detailed - Pruning Example
minimax(D,1) Call Stack A α= A α=3 max B β=-5 C β=3 D D E min F α=4 G -5 H 3 I 8 J α=9 K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min D A W -3 X -5 X -5 blue: terminal state
40
More Detailed - Pruning Example
minimax(A,0) is returned to alpha not updated (maximizing) Call Stack A α=3 A α= max B β=-5 C β=3 D E min F α=4 G -5 H 3 I 8 J α=9 K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min A W -3 X -5 X -5 blue: terminal state
41
More Detailed - Pruning Example
How does the algorithm finish the search tree? Call Stack A α=3 A α= max B β=-5 C β=3 D E min F α=4 G -5 H 3 I 8 J α=9 K L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min A W -3 X -5 X -5 blue: terminal state
42
More Detailed - Pruning Example
E's beta A's alpha: stop expanding E (alpha cut-off) Call Stack A α=3 A α= max B β=-5 C β=3 D E β=2 min F α=4 G -5 H 3 I 8 J α=9 K α=5 L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min A W -3 X -5 X -5 blue: terminal state
43
More Detailed - Pruning Example
Why? Smart opponent will choose L or worse, thus E's upper bound is 2; so computer shouldn't choose E:2 since C:3 is better path Call Stack A α= A α=3 max B β=-5 C β=3 D E β=2 min F α=4 G -5 H 3 I 8 J α=9 K α=5 L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min A W -3 X -5 X -5 blue: terminal state
44
More Detailed - Pruning Example
Result: Computer chooses move to C Call Stack A α=3 A α= max B β=-5 C β=3 D E β=2 min F α=4 G -5 H 3 I 8 J α=9 K α=5 L 2 M max N 4 O β=-3 P 9 Q -6 R S 3 T 5 U -7 V -9 min A W -3 X -5 X -5 blue: terminal state
45
Properti - Pruning Tidak mengubah hasil akhir
Urutan simpul akan mempengaruhi pemangkasan yang terjadi Kasus terbaik = O(bm/2) Kasus terburuk = O(bm) = DFS Fungsi evaluasi dapat digunakan untuk mengatur susunan simpul
46
Logical Intelligent Agent
Problem solving agent hanya bisa menyelesaikan masalah yang lingkungannya accessible Kita membutuhkan agen yang dapat menambah pengetahuan dan menyimpulkan keadaan Agent seperti ini kita beri nama knowledge based agent
47
Knowledge based agent Representasi Pengetahuan yang bersifat general.
Kemampuan beradaptasi sesuai temuan fakta. Kemampuan menyimpulkan sesuatu dari pengetahuan yang sudah ada.
48
Basis Pengetahuan (Knowledge Base) Inferensi (Inference Engine)
Knowledge based agent E N V I R O M T Basis Pengetahuan (Knowledge Base) Mesin Inferensi (Inference Engine) percept Mula-mula berisi background knowledge pengetahuan Persepsi yang diterima Diubah menjadi pengetahuan Berdasarkan pengetahuan yang dimiliki aksi Hasil dari aksi disimpan kembali dalam bentuk pengetahuan Agen memilih aksi yang tepat (inferensi)
49
Knowledge Based Agent Komponen utama dari knowledge based agent adalah knowledge basenya Knowledge base (KB) adalah kumpulan representasi fakta tentang lingkungan atau dunia yang berhubungan atau menjadi daerah bekerjanya agen Setiap representasi dalam KB disebut sebagai sebuah sentence yang diekspresikan dalam sebuah bahasa yakni knowledge representation language
50
Robot Sonar
51
Agent Control Architecture
Control dipisahkan ke dalam lapisan-lapisan yang merespons tingkah laku
52
Contoh Control Architecture
53
Knowledge Based Agent Inferensi adalah proses menyimpulkan fakta dari fakta fakta yang sudah ada di KB KB agent memiliki pengetahuan dasar yang disebut sebagai background knowledge
54
Generic KB-Agent
55
KB agent layer Knowledge level / epistemological layer Logical level
Implementation level
56
Syarat Representasi KB
Representational Adequacy kemampuan merepresentasikan semua pengetahuan yang dibutuhkan dalam domainnya Inferential Adequacy kemampuan memanipulasi struktur pengetahuan untuk membentuk struktur baru dalam menampung pengetahuan baru hasil inferensi Inferential Efficiency kemampuan untuk manambahkan informasi untuk mempercepat pencarian dalam inferensi Acquisitional Efficiency kemampuan untuk menambah informasi baru secara mudah
57
The Wumpus World
58
Wumpus world Environment sederhana, berguna untuk menguji dan menjelaskan logical agent. Gua gelap dengan banyak ruangan yang dihubungkan dengan lorong-lorong. Agent masuk ke gua untuk mengambil emas yang ada di salah satu ruangan. Wumpus (monster) bersembunyi di salah satu ruangan. Jika agent bertemu, ia akan menjadi santapannya. Terdapat ruang-ruang yang memiliki lubang jebakan yang dapat membunuh agent. Agen hanya punya 1 panah yang bisa membunuh wumpus dari jarak jauh.
59
Wumpus PEAS Description
Performance Measure: ketemu emas: +1000, mati: untuk setiap langkah, -10 untuk memanah Environment: Petak yang bersebelahan dengan wumpus berbau busuk (smelly) Petak yang bersebelahan dengan pit (lubang) terasa angin (breezy) Petak tempat emas berada bercahaya (Glitter) Agent dapat memanah mati wumpus jika berhadapan langsung Memanah perlu 1 panah Agent bisa mengambil emas jika berada di petak emas tersebut ada
60
Wumpus PEAS Description
Actuators: Left turn, Right turn, Forward, Grab, Release, Shoot Sensors: Breeze, Glitter, Smell, Bump (jika agent menabrak tembok), Scream (jika wumpus mati)
61
Knowledge Base Wumpus World
Background knowledge : Jika ada bau maka ada wumpus di petak tetangga Jika ada angin maka ada lubang di petak tetangga Jika tak ada bau maka tak ada wumpus di petak tetangga Jika tak ada angin maka tak ada lubang di petak tetangga Jika tak ada lubang dan Wumpus boleh maju dst.
62
Contoh Inferensi Tak ada angin dan bau di (1,1) maka tak ada Wumpus dan lubang di (2,1) dan (1,2) Maju ke (2,1) Ada angin di (2,1) maka ada lubang di (2,2) atau (3,1) Tak ada bau di (2,1) maka tak ada Wumpus di (2,2) dan (3,1) Mundur ke (1,1) Maju ke (1,2) Ada bau di (1,2) maka ada Wumpus di (3,1) (karena tidak ada Wumpus di (2,2))
63
Exploring Wumpus World
64
Exploring Wumpus World
65
Exploring Wumpus World
66
Exploring Wumpus World
67
Exploring Wumpus World
68
Exploring Wumpus World
69
Exploring Wumpus World
70
Exploring Wumpus World
71
Kasus Sulit Breeze di (1,2) dan (2,1) tidak ada aksi yang aman
Jika distribusi peluang lubang seragam, maka kemungkinan lubang ada di (2,2) lebih besar daripada (1,3)/(3,1) Smell di (1,1) wumpus ada di (1,2) atau (2,1), agent tidak dapat bergerak. bisa menggunakan strategi: panah lurus ke depan ada wumpus wumpus mati aman tidak ada wumpus aman
72
Soal Latihan Pruning
max B C D min E F G H I J K max V W X Y min L M N O P Q R S T U 5 8 9 2 7 6 8 5 2 3 -2 6 2
Presentasi serupa
© 2024 SlidePlayer.info Inc.
All rights reserved.