HO 06-Problem Solving by Searching

Pendahuluan Search Agen Penyelesaian Masalah Tree Search Algorithm Mengukur Kinerja Problem-Solving Algorithm
ILK3235 – Kecerdasan Buatan

HO 05 - Problem Solving by Searching
Opim Salim Sitompul
Department of Information Technology

Universitas Sumatera Utara
Outline
1 Pendahuluan
Contoh: Liburan di Romania
2 Search
3 Agen Penyelesaian Masalah
Formulasi Masalah
Menyelesaikan Masalah
Toy Problem: The vacuum cleaner agent
Toy Problem: The 8-puzzle
Toy Problem: The 8-queens problem
4 Tree Search Algorithm
5 Mengukur Kinerja Problem-Solving Algorithm
Pendahuluan
Agen reflex mendasari tindakannya pada pemetaan

langsung dari state ke tindakan.
Tidak operasional jika berada di lingkungan yang
pemetaannya sangat besar untuk disimpan dan terlalu
lama untuk dipelajari.
Agen berbasis-goal mempertimbangkan tindakan masa
datang dan tingkat keinginan hasil yang akan diperoleh.
Salah satu agen berbasis-goal ini disebut
problem-solving agent.
Pendahuluan
Problem-solving agent menggunakan atomic

representation:
Keadaan dunia dipandang secara keseluruhan tanpa
memiliki struktur internal yang dapat dilihat oleh algoritma
penyelesaian masalah.
Agen cerdas diharapkan memaksimalkan performance
measure.
Pencapaiannya menjadi lebih sederhana apabila agen
dapat mengadopsi sebuah goal dan fokus untuk
memenuhinya.
Saat ini berada di Arad; Pesawat berangkat keesokan

harinya dari Bucharest.
Formulasi goal:
Sampai di Bucharest
Formulasi masalah:
States: berbagai kota
Actions: mengemudi antar kota
Penyelesaian:
Deretan kota,
misalnya:
Arad, Sibiu, Fagaras,
Bucharest
Gambar 1: Romania
Agen mengadopsi goal: mengemudi ke Bucharest dan

mempertimbangkan berangkat dari Arad.
Ada tiga jalan keluar dari Arad: ke arah Sibiu, ke arah
Timisoara, dan ke arah Zerind.
Tidak satupun yang membawa ke goal, sehingga jika si
agen tidak familier dengan geografi Romania, dia tidak
akan tahu jalan mana yang akan diambil.
Jika lingkungan tidak dikenal (unknown) tidak ada jalan
lain selain mencoba salah satu secara acak.
Lingkungan agen:
Observable: si agen selalu tahu tentang keadaan sekarang.
Diskrit: di sembarang state hanya ada sejumlah berhingga
tindakan yang dapat dipilih.
Known: si agen tahu state mana yang dicapai oleh tiap
tindakan.
Deterministik: setiap tindakan hanya memiliki tepat satu
hasil.
Andaikan si agen memiliki peta Romania.

Agen yang memiliki beberapa pilihan dengan nilai yang
tidak diketahui dapat memutuskan apa yang dilakukan:
Pertama-tama memeriksa deretan aksi berbeda yang
mungkin yang membawa ke state dengan nilai yang
diketahui,
Kemudian memilih deretan terbaik.
Search
Proses mencari sederetan tindakan yang membawa

kepada goal disebut search.
Algoritma search menerima input sebuah masalah dan
mengembalikan sebuah penyelesaian dalam bentuk
sederetan aksi.
Setelah penyelesaian diperoleh tindakan yang
direkomendasikan dapat dilaksanakan.
Agen Penyelesaian Masalah

Algorithm 1: Problem Solving Agent
function SIMPLE-PROBLEM-SOLVING-AGENT(Percept)
static:
seq, an action sequence, initially empty
state, some description of the current world state
goal, a goal, initially null
problem, a problem formulation
state ←UPDATE-STATE(state, percept)
if seq is empty then
problem ←FORMULATE-PROBLEM(state, goal)
seq ←SEARCH(problem)
action ←FIRST(seq)
seq ←REST(seq)
return an action
end function
Formulasi Masalah
Sebuah masalah dapat didefinisikan secara formal oleh

lima komponen:
1 Initial State, dimana agen itu berada.
Contoh: In(Arad)
2 Actions, deskripsi tentang kemungkinan tindakan yang
tersedia bagi si agen.
Diberikan satu state s, ACTION(s) mengembalikan
sekumpulan tindakan yang akan dieksekusi di s.
Tiap-tiap tindakan disebut applicable dalam s.
Contoh: Tindakan applicable untuk In(Arad) adalah:
{Go(Sibiu), Go(Timisoara), Go(Zerind)}
Formulasi Masalah
3 Transition model, sebuah deskripsi tentang apa yang

dilakukan tiap tindakan.
Ditentukan oleh sebuah fungsi RESULT(s, a) yang
mengembalikan state yang dihasilkan dari melakukan
tindakan a dalam state s.
Contoh:
RESULT(In(Arad), Go(Zerind)) = In(Zerind)
Initial state + actions + transition model → state space,
himpunan semua state yang dapat dicapai dari initial state
melalui sederetan tindakan.
Formulasi Masalah
4 Goal test, menentukan apakah satu state adalah goal state.
Contoh: In(Bucharest)
Kadangkala goal dinyatakan oleh sebuah sifat abstrak yang
bukan berupa daftar himpunan state secara eksplisit.
Dalam permainan catur, goal adalah mencapai sebuah state
yang disebut “checkmate”.
Formulasi Masalah
5 Path cost, fungsi yang memberikan harga numerik ke

masing-masing path.
Biaya sebuah path adalah jumlah biaya tindakan individual
sepanjang path tersebut.
Step cost mengambil tindakan a dalam state s untuk
mencapai state s’ dinotasikan dengan:
Contoh:
c(s, a, s’)
Elemen-elemen tersebut mendefinisikan suatu masalah

dan dapat dikumpulkan kedalam sebuah struktur data
tunggal yang diberikan sebagai input ke algoritma
problem-solving.
Penyelesaian pada suatu masalah adalah sebuah deretan
tindakan yang membawa dari initial state ke sebuah goal
state.
Kualitas penyelesaian diukur dengan path cost function,
dan sebuah penyelesaian optimal memiliki path cost
terendah di antara semua penyelesaian.
Gambar 2: Romania dengan bobot path

States: agen ada di salah satu dari dua lokasi,

masing-masing berdebu atau tidak berdebu.
Ada 2 × 22 = 8 state.
Untuk n lokasi: n × 2n state.
Initial state: sembarang state
Actions: Left, Right, dan Suck.
Transition Model: menghasilkan langkah sah yang
dihasilkan dari mencoba tiga tindakan (Left, Right, dan
Suck)
Goal test: memeriksa apakah semua ruang bersih
Path cost: setiap langkah berharga 1, sehingga path cost
adalah jumlah langkah dalam path.
states?
actions?
goal test?
path cost?
states? ? integer dirt and robot location

actions?
goal test?
path cost?

actions? Left, Right, Suck
goal test?
path cost?

goal test? no dirt at all locations
path cost?

goal test? no dirt at all locations
path cost? 1 per action
States, deskripsi yang menyatakan lokasi masing-masing

dari delapan buah dan blank dari sembilan petak.
Initial state, sembarang state.
Actions, formulasi sederhana yang mendefinisikan
tindakan-tindakan berupa perpindahan ruang kosong: Left,
Right, Up, atau Down.
Transition model, diberikan sebuah state dan action,
mengembalikan state yang dihasilkan.
Goal test, memeriksa apakah state sesuai dengan
konfigurasi yang diinginkan
Path cost, setiap langkah bernilai 1.
states?
actions?
goal test?
path cost?
states? locations of tiles

actions?
goal test?
path cost?

actions? move blank left, right, up, down
goal test?
path cost?

goal test? goal state (given)
path cost?

goal test? goal state (given)
path cost? 1 per move
Catatan: solusi optimal n-Puzzle adalah NP-hard
8-puzzle memiliki 9!/2 = 181.440 state yang dapat dicapai
States, sembarang susunan dari 0 hingga 8 queens pada

papan catur.
Initial state, tidak ada queens di papan.
Actions, Tambahkan queen ke sembarang ruang kosong.
Transition model, mengembalikan papan dengan sebuah
queen diletakkan di petak tertentu.
Goal test, 8 queen ada di papan, tidak ada yang saling
menyerang.
Catatan: Ada sebanyak 64 × 63 × . . . × 57 ≈ 1.8 × 1014
kemungkinan sequence yang harus diselidiki.
states? sembarang susunan dari (0 ≤ n ≤ 8) queens, satu

per kolom di kolom terkiri, tidak ada queen yang saling
serang.
actions?
states? sembarang susunan dari (0 ≤ n ≤ 8) queens, satu

per kolom di kolom terkiri, tidak ada queen yang saling
serang.
actions? Tambahkan queen ke kolom kosong paling kiri
yang tidak diserang sembarang queen lain.
Catatan: state space berkurang dari 1.8 × 1014 menjadi
2.057
Tree Search Algorithm
Sebuah penyelesaian adalah suatu deretan tindakan.

Algoritma pencarian bekerja dengan mempertimbangkan
berbagai kemungkinan deretan tindakan.
Bermula pada initial state (root) membentuk sebuah
search tree.
Cabangnya adalah tindakan dan simpulnya adalah state
dalam state space masalah.



Fringe: kumpulan node yang telah dibuat tetapi belum

diekspansi. Masing-masing elemen fringe adalah leaf
node.
Himpunan semua leaf node yang tersedia untuk ekspansi

di sembarang titik tertentu disebut frontier (open list).
Proses mengekspansi node pada frontier berlanjut hingga
ditemukan penyelesaian atau tidak ada lagi state yang
akan diekspansi.
Semua algoritma pencarian menggunakan struktur dasar

ini, perbedaannya adalah bagaimana memilih state berikut
yang akan diekspansi, disebut search strategy.
Dalam search tree harus dihindari repeated state yang
dihasilkan oleh loopy path (secara umum disebut
redundant paths).
Kegagalam mendeteksi state berulang dapat mengubah
masalah linier menjadi eksponensial!
Cara menghindari redundant paths adalah dengan

mengingat dimana berada.
Diimplementasikan dengan sebuah struktur data yang
disebut explored set (closed list) yang mengingat setiap
node yang telah diekspansi.
Node yang baru dihasilkan yang sama dengan node yang
telah dihasilkan (ada di explored set atau frontier ) dapat
dibuang dan tidak ditambahkan ke frontier.
Pendekatan ini diimplementasikan dalam bentuk graph
search.

Deretan search tree yang dihasilkan oleh graph search

pada masalah Romania.
Pada tiap tahap setiap path diperluas di tiap langkah.
Pada tahap ketiga kota paling utara (Oradea) menjadi
dead end: kedua successor-nya sudah dieksplorasi via
path lain.
Sifat pemisahan pada GRAPH-SEARCH.
Frontier (node putih) selalu memisahkan daerah

state-space yang telah dieksplorasi (node hitam) dari
daerah yang belum dieksplorasi (node abu-abu).


Frontier perlu disimpan sedemikian hingga algoritma

search dapat dengan mudah memilih node berikut yang
diekspansi sesuai dengan strategi yang diinginkan.
Struktur data yang sesuai adalah queue.
Operasi pada queue:
EMPTY?(queue) mengembalikan true hanya jika tidak ada
lagi elemen dalam queue.
POP(queue) mengambil elemen pertama dari queue dan
mengembalikannya.
INSERT(element, queue) menyisipkan sebuah elemen dan
mengembalikan queue yang dihasilkan.
Queue ditandai oleh urutan (order ) dimana node yang

disisipkan disimpan.
Ada tiga varian umum:
first-in, first-out atau FIFO queue, yang mengeluarkan
(pop) elemen terlama (oldest) queue;
last-in, first-out atau LIFO queue (a.k.a stack), yang
mengeluarkan (pop) elemen terbaru (newest).
priority queue, yang mengeluarkan (pop) elemen queue
dengan prioritas tertinggi menurut fungsi urutan tertentu.
Mengukur Kinerja Problem-Solving Algorithm
Kinerja algoritma penyelesaian masalah dapat dievaluasi

dengan empat cara:
Completeness: apakah algoritma dijamin menemukan
penyelesaian jika penyelesaian itu ada?
Optimality: Apakah strategi selalu menemukan
penyelesaian paling murah (least-cost)?
Time complexity: berapa lama waktu yang diperlukan untuk
memperoleh penyelesaian?
Space complexity: Berapa besar memory yang diperlukan
untuk melakukan pencarian?
Time dan space complexity diukur menggunakan ukuran

kerumitan persoalan:
Ukuran yang biasa digunakan adalah ukuran state space
graph:
|V | + |E|
dimana,
V adalah himpunan vertices (nodes) dari graph
E adalah himpunan edges (links).
Hal ini sesuai bilamana persoalan yang berbentuk graph
tersebut dapat diimplementasikan berupa struktur data
eksplisit pada program.
Misalnya: Peta Romania
Dalam AI sering sekali graph disajikan secara implisit oleh
initial state, action, dan transition model yang sering sekali
tidak berhingga.
Dalam AI sering sekali graph disajikan secara implisit oleh

initial state, action, dan transition model yang sering sekali
tidak berhingga.
Karena itu, kompleksitas disajikan dalam bentuk tiga
kuantitas berikut:
b: (branching factor ), jumlah maksimum dari successor
node.
d: (depth), kedalaman goal node terdekat.
m: (maximum), panjang maksimum sembarang path dalam
state space (boleh jadi ∞)
Waktu dapat diukur dalam hal jumlah node yang dihasilkan

selama pencarian.
Space dihitung dalam bentuk jumlah maksimum node
yang disimpan di memory.
Biasanya kompleksitas waktu dan ruang dijabarkan pada
pencarian tree.
Untuk graph, jawabannya tergantung pada seberapa
redundant path dalam state space.
Untuk memeriksa keefektifan algoritma search dapat

dilakukan dengan menggunakan search cost yang hanya
tergantung pada time complexity.
Dapat juga mempertimbangkan penggunaan memory
(space complexity ).
Atau gabungan keduanya (total cost) yang merupakan
kombinasi search cost dan path cost dari penyelesaian
yang ditemukan.
Untuk masalah mencari rute dari Arad ke Bucharest,

search cost adalah jumlah waktu yang diperlukan oleh
pencarian dan solution cost adalah panjang total path.
Jadi, untuk menghitung total cost, millisecond dan
kilometer haruslah ditambahkan.
Meskipun tidak ada “exchange rate” resmi, tetapi dalam hal
ini masuk akal untuk mengkonversi kilometer menjadi
millisecond dengan menggunaan estimasi rata-rata
kecepatan mobil.
Hal ini memungkinkan si agen untuk mencari titik
keseimbangan optimal, dimana komputasi lebih lanjut
untuk menemukan path terpendek menjadi kontra produktif.

HO 06-Problem Solving by Searching

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

HO 06-Problem Solving by Searching

Diunggah oleh

Hak Cipta:

Format Tersedia

Pendahuluan Search Agen Penyelesaian Masalah Tree Search Algorithm Mengukur Kinerja Problem-Solving Algorithm

ILK3235 – Kecerdasan Buatan

Opim Salim Sitompul

Department of Information Technology

Agen reflex mendasari tindakannya pada pemetaan

Problem-solving agent menggunakan atomic

Contoh: Liburan di Romania

Saat ini berada di Arad; Pesawat berangkat keesokan

Contoh: Liburan di Romania

Contoh: Liburan di Romania

Agen mengadopsi goal: mengemudi ke Bucharest dan

Contoh: Liburan di Romania

Contoh: Liburan di Romania

Andaikan si agen memiliki peta Romania.

Proses mencari sederetan tindakan yang membawa

Agen Penyelesaian Masalah

Sebuah masalah dapat didefinisikan secara formal oleh

3 Transition model, sebuah deskripsi tentang apa yang

4 Goal test, menentukan apakah satu state adalah goal state.

5 Path cost, fungsi yang memberikan harga numerik ke

Elemen-elemen tersebut mendefinisikan suatu masalah

Gambar 2: Romania dengan bobot path

Toy Problem: The vacuum cleaner agent

States: agen ada di salah satu dari dua lokasi,

Toy Problem: The vacuum cleaner agent

Toy Problem: The vacuum cleaner agent

states? ? integer dirt and robot location

Toy Problem: The vacuum cleaner agent

states? ? integer dirt and robot location

Toy Problem: The vacuum cleaner agent

states? ? integer dirt and robot location

Toy Problem: The vacuum cleaner agent

states? ? integer dirt and robot location

Toy Problem: The 8-puzzle

States, deskripsi yang menyatakan lokasi masing-masing

Toy Problem: The 8-puzzle

Toy Problem: The 8-puzzle

states? locations of tiles

Toy Problem: The 8-puzzle

states? locations of tiles

Toy Problem: The 8-puzzle

states? locations of tiles

Toy Problem: The 8-puzzle

states? locations of tiles

Toy Problem: The 8-queens problem

States, sembarang susunan dari 0 hingga 8 queens pada

Toy Problem: The 8-queens problem

states? sembarang susunan dari (0 ≤ n ≤ 8) queens, satu

Toy Problem: The 8-queens problem

states? sembarang susunan dari (0 ≤ n ≤ 8) queens, satu

Tree Search Algorithm

Sebuah penyelesaian adalah suatu deretan tindakan.

Tree Search Algorithm

Tree Search Algorithm

Tree Search Algorithm

Tree Search Algorithm

Fringe: kumpulan node yang telah dibuat tetapi belum

Himpunan semua leaf node yang tersedia untuk ekspansi

Tree Search Algorithm

Semua algoritma pencarian menggunakan struktur dasar

Tree Search Algorithm

Cara menghindari redundant paths adalah dengan

Tree Search Algorithm

Tree Search Algorithm