SlideShare a Scribd company logo

Hosh masnooyi

•Download as PPT, PDF•
•
M
mohagheghiyan

s

Education
1 of 283
‫هوش مصنوعی‬ ‫نام مرجع :‬ ‫‪Artificial Intelligence A Modern Approach‬‬ ‫نویسنده :‬ ‫استوارت راسل، پیتر نورویگ‬ ‫1‬
‫زمان حضور در دانشگاه‬ ‫• سه شنبه ها و چهارشنبه ها‬ ‫‪Email: ahmad.javad@gmail.com‬‬ ‫2‬
‫ارزیابی‬ ‫4 نمره‬ ‫• میان ترم‬ ‫21 نمره‬ ‫• پایان ترم‬ ‫4 نمره‬ ‫• تمرینها و پیاده سازیها‬ ‫3‬
‫هوش‬ ‫مصنوع ي‬ ‫فصل لاول‬ ‫مقدمه‬ ‫4‬
‫‪Artificial Intelligence‬‬ ‫هوش مصنوع ي‬ ‫فهرست‬ ‫‪ ‬هوش مصنوع ي‬ ‫چيست؟‬ ‫‪ ‬مبان ي هوش مصنوع ي‬ ‫‪ ‬تاريخچه هوش‬
‫مقدمه‬ ‫هوش مصنوع ي‬ ‫چيست؟‬ ‫مانند انسان فکر کردن‬ ‫عاقلنه فکر کردن‬ ‫مانند انسان عمل کردن‬ ‫عاقلنه عمل کردن‬ ‫6‬
‫مقدمه‬ ‫‪Acting‬‬ ‫مانند انسان عمل کردن‬ ‫‪humanly‬‬ ‫‪ ‬هنر ساخت ماشينهاي ي که کارهاي ي‬ ‫را انجام ميدهند که آن کارها توسط‬ ‫انسان با فکر کردن انجام ميشوند.‬ ‫‪ ‬مطالعه برا ي ساخت کامپيوترها برا ي‬ ‫انجام کارهاي ي که فع ل ً انسان آنها را‬ ‫بهتر انجام ميدهد.‬ ‫7‬
‫) مانند انسان عمل کردن(‬ ‫مقدمه‬ ‫تست تورينگ‬ ‫‪B‬‬ ‫کدام‬ ‫‪A‬‬ ‫انسان‬ ‫است؟‬ ‫‪ B‬يا ‪A‬‬ ‫8‬
‫مقدمه‬ ‫‪Thinking‬‬ ‫مانند انسان فکر کردن‬ ‫‪humanly‬‬ ‫‪ ‬تلش جديد و هيجان انگيز برا ي‬ ‫ساخت ماشين هاي ي متفکر و با‬ ‫حس کامل‬ ‫‪ ‬خودکارساز ي فعاليت ها ي مرتبط‬ ‫با تفکر انسان، فعاليتهاي ي مثل‬ ‫تصميم گير ي ، حل مسئله، يادگير ي‬ ‫9‬
‫مقدمه‬ ‫‪Think rationally‬‬ ‫عاقلنه فکر کردن‬ ‫‪ ‬مطالعه تواناي ي ها ي ذهن ي از‬ ‫طريق مدل ها ي محاسبات ي ) منطق‬ ‫گرايي(‬ ‫‪ ‬مطالعه محاسبات ي که منجر به‬ ‫درک و استدلل م ي شود.‬ ‫01‬
‫مقدمه‬ ‫‪Act‬‬ ‫عاقلنه عمل کردن‬ ‫‪rationally‬‬ ‫طور ي عمل کند که بهترين نتيجه‬ ‫را ارائه دهد‬ ‫‪ ‬هوش محاسبات ي ، مطالعه طراح ي‬ ‫عامل ها ي هوشمند است‬ ‫11‬
‫مقدمه‬ ‫مبان ي هوش‬ ‫فلسفه: منطق، مصنوع ي‬ ‫روان شناس ي:‬ ‫تطبيق، اثر طبيع ي‬ ‫استدلل، ناش ي‬ ‫ادراک و تاثير آن بر‬ ‫شدن تفکر از مغز‬ ‫محيط‬ ‫فيزيک ي ، مبان ي‬ ‫رياضيات: نمايش‬ ‫يادگير ي ، زبان و‬ ‫رسم ي الگوريتمها،‬ ‫محاسبات، تصميم‬ ‫زبان‬ ‫عقلنيت‬ ‫پذير ي و تصميم‬ ‫شناس ي:‬ ‫21‬ ‫ناپذير ي ، احتمال‬ ‫علم ارائه،‬
‫مقدمه‬ ‫مبان ي هوش‬ ‫نظريه کنترل و مصنوع ي‬ ‫علوم‬ ‫نحوه‬‫عصب ي:‬ ‫تحت کنترل‬ ‫سيبرنتيک:‬ ‫پردازش اطلعات‬ ‫در آوردن محصولت‬ ‫توسط مغز‬ ‫مصنوع ي ، ثبات و پايدار ي ،‬ ‫طراح ي عامل بهينه‬ ‫مهندس ي‬ ‫نظريه‬‫اقتصاد:‬ ‫کامپيوتر: ساخت‬ ‫تصميمها ي عقلي ي ،‬ ‫نظريه باز ي‬ ‫کامپيوترها ي سريع‬ ‫31‬
‫مقدمه‬ ‫تاريخچه هوش‬ ‫‪ ، 1943‬مک کولوچ و والتر پ ي تز مصنوع ي مصنوع ي‬ ‫: ارا ي ه مدل نرون‬ ‫ب ي ت ي) دو حالته( قابل ي ادگ ي ر ي به منظور محاسبه هر تابع قابل‬ ‫محاسبه.‬ ‫‪ ، 1950‬آلن تور ي نگ اول ي ن بار د ي د کامل ي از هوش مصنوع ي‬ ‫را تحت عنوان ” محاسبات ماش ي ن ي و هوشمند “ ارا ي ه نمود.‬ ‫‪ ، 1951‬ه ي نسک ي و ادموندز اول ي ن کامپ ي وتر شبکه عصب ي را‬ ‫طراحی کردند.‬ ‫‪ ، 1952‬آرتور سامو ي ل: برنامه ا ي ساخت که ي اد م ي گرفت بهتر‬ ‫از نو ي سنده اش باز ي کند؛ در نت ي جه ا ي ن تصور را که‬ ‫41‬
‫) تاريخچه هوش مصنوع ي(‬ ‫مقدمه‬ ‫‪، 1956‬نشست کارگروه ي دورتموند: انتخاب نام هوش‬ ‫مصنوع ي‬ ‫‪ ، 1959‬هربرت جلونتر: برنامه)‪ (GTP‬را ساخت که قضا ي ا را‬ ‫با اصل موضوعات مشخص ثابت م ي کرد.‬ ‫‪ ، 1958‬جان مک کارت ي: تعر ي ف زبان ل ي سپ که بهتر ي ن زبان‬ ‫هوش مصنوع ي شد.‬ ‫‪ ، 1958-1973‬ج ي مز اسلگل: برنامه حل مسا ي ل انتگرالگ ي ر ي‬ ‫فرم بسته‬ ‫‪ ‬تام ا ي وانز: برنامه حل مشابهت ها ي هندس ي‬ ‫‪ ‬دان ي ل بابروز: برنامه حل مسا ي ل جبر ي‬ ‫51‬
‫) تاريخچه هوش مصنوع ي(‬ ‫مقدمه‬ ‫)6691-3791( کند شدن مسير تحقيقات هوش‬ ‫مصنوعی‬ ‫پيچيده شدن الگوريتم برنامه های‬ ‫‪‬‬ ‫جديد‬ ‫‪ ‬برنامه ترجمه متون‬ ‫‪ ‬انجام ناپذيری بسياری از مسائلی که‬ ‫سعی در حل آنها بود‬ ‫‪ ‬عدم موفقيت اثبات قضايا با مفروضات‬ ‫بيشتر‬ ‫61‬
‫) تاريخچه هوش مصنوع ي(‬ ‫مقدمه‬ ‫)9691- 9791( سيستم های مبتنی‬ ‫تا‬ ‫‪ ‬جستبر جوی همه منظوره که سعی بر يادگيری داشت‬ ‫و دانش‬ ‫پيمودن راه حل کامل‬ ‫‪ ‬مثل برنامه ‪ ، DENDRAL‬بوچانان و همکارانش در سال 9691‬ ‫اين بود که اولين سيستم پاداش غنی‬ ‫‪DENDRAL‬‬ ‫• مزيت برنامه‬ ‫بود‬ ‫‪ ‬متدولوژی جديد سيستم خبره‬ ‫که برای تشخيص عفونتهای خونی طراحی‬ ‫‪MYCIN‬‬ ‫‪ ‬مثل سيستم‬ ‫شد‬ ‫استفاده از فاکتورهای قطعيت‬ ‫•‬ ‫71‬ ‫‪ ‬افزايش تقاضا برای ش ِمای نمايش دانش‬
‫) تاريخچه هوش مصنوع ي(‬ ‫مقدمه‬ ‫0891 تا کنون: تبديل هوش مصنوعی‬ ‫به يک صنعت‬ ‫6891 تاکنون: برگشت به شبکه های‬ ‫عصبی‬ ‫7891 تاکنون: هوش مصنوعی به علم‬ ‫تبديل ميشود‬ ‫81‬
‫هوش‬ ‫مصنوع ي‬ ‫فصل مدوم‬ ‫دهوشمندعاملهاي‬ ‫91‬
‫‪Artificial Intelligence‬‬ ‫هوش مصنوع ي‬ ‫فهرست‬ ‫‪‬عامل‬ ‫‪‬خواص محيطهای وظيفه‬ ‫‪‬برنامه های عامل‬ ‫02‬
‫عاملهای هوشمند‬ ‫‪ ‬دنباله‬ ‫است که عامل تاکنون درک‬ ‫ادراک‬ ‫سابقه کامل هر چيزی‬ ‫کرده است.‬ ‫‪ ‬تابع‬ ‫عامل توصيف ميشود که هر‬ ‫عامل‬ ‫رفتار عامل توسط تابع‬ ‫دنباله ادراک را به يک فعاليت نقش ميکند.‬ ‫‪f : P* → A‬‬ ‫دنباله‬ ‫فعاليت‬ ‫ادراک : تابع عامل‬ ‫12‬
‫عاملهای هوشمند‬ ‫‪‬‬ ‫عامل‬ ‫ادراک ها‬ ‫حسگرها‬ ‫عامل‬ ‫?‬ ‫محيط‬ ‫محرکها‬ ‫فعاليت ها‬ ‫22‬
‫عاملهای هوشمند‬ ‫‪ ‬معيارهای کارايي‬ ‫‪ ‬معيار کارايي، معياری برای موفقيت‬ ‫رفتار عامل است.‬ ‫• بر اساس خواسته های فرد در محيط‬ ‫انتخاب ميشود‬ ‫‪ ‬رفتار عقليي‬ ‫‪ ‬معيار کارايي که ملکهای موفقيت را‬ ‫تعريف ميکند‬ ‫‪ ‬دانش قبلي عامل نسبت به محيط‬ ‫‪ ‬فعاليتهايي که عامل ميتواند انجام دهد‬ ‫32‬
‫عاملهای هوشمند‬ ‫‪((Omni science‬‬ ‫‪ ‬عامل عال ـ ِم‬ ‫خروجی واقعی فعاليت خود را ميداند و ميتواند بر‬ ‫اساس آن عمل کند‬ ‫)‪(Rational agent‬‬ ‫‪ ‬عامل خردمند‬ ‫فعاليتی را انتخاب ميکند که معيار کارايي اش را‬ ‫حداکثر ميکند‬ ‫جمع آوری اطلعات، اکتشاف، يادگيری‬ ‫•‬ ‫‪ ‬عامل خود مختار‬ ‫42‬
‫عاملهای هوشمند‬ ‫‪ ‬کام ل ً قابل مشاهده درمقابل قابليت‬ ‫مشاهده جزئی‬ ‫‪ ‬قطعي درمقابل غير قطعی‬ ‫خواص‬ ‫‪ ‬راهبردی‬ ‫‪ ‬رويدادی درمقابل ترتيبي‬ ‫محيط های‬ ‫‪ ‬ايستا درمقابل پويا‬ ‫وظيفه‬ ‫‪ ‬گسسته درمقابل پيوسته‬ ‫‪ ‬تک عاملي درمقابل چند عاملي‬ ‫52‬ ‫‪ ‬چند عاملي رقابتي درمقابل‬
‫عاملهای هوشمند‬ ‫ساختار‬ ‫عاملها‬ ‫برنامه + معماری = عامل‬ ‫کار هوش مصنوعی طراحی برنامه عامل است که تابع‬ ‫عامل را پياده سازی ميکند‬ ‫برنامه های‬ ‫‪ ‬عاملهای واکنشی‬ ‫مدل گرا‬ ‫عامل‬ ‫‪ ‬عاملهای واکنشی‬ ‫ساده‬ ‫‪ ‬عاملهای‬ ‫‪ ‬عاملهای هدف‬ ‫سودمند‬ ‫گرا‬ ‫62‬
‫عاملهای هوشمند‬ ‫عاملهای واکنشی ساده‬ ‫‪‬اين عاملها فعاليت را بر‬ ‫عامل‬ ‫حسگر‬ ‫ها‬ ‫اساس درک فعلی و بدون‬ ‫جهان چگونه است‬ ‫در نظر گرفتن سابقه ادراک،‬ ‫انتخاب ميکند‬ ‫محيط‬ ‫‪‬به خاطر حذف سابقه‬ ‫قانون‬ ‫اکنون چه‬ ‫ادراک برنامه عامل در‬ ‫شرط عمل‬ ‫عملی بايد‬ ‫مقايسه با جدول آن بسيار‬ ‫انجام دهم‬ ‫کوچک است‬ ‫محرکها‬ ‫‪‬انتخاب فعاليت بر اساس‬ ‫72‬ ‫يکسری قوانين موقعيت‬
‫عاملهای هوشمند‬ ‫مثالي از عامل واکنشی ساده در دنيای جاروبرقي‬ ‫‪‬تصميم گيری آن بر‬ ‫اساس مکان فعلی و‬ ‫کثيف بودن آن مکان‬ ‫صورت ميگيرد‬ ‫‪‬در برنامه عامل در‬ ‫مقايسه با جدول آن،‬ ‫)]‪function REFLEX-VACUUM-AGENT ([location, status‬‬ ‫‪return an action‬‬ ‫تعداد حالتهای ممکن از‬ ‫‪if status == Dirty then return Suck‬‬ ‫‪else if location == A then return Right‬‬ ‫کاهش مي يابد‬ ‫4 به 4‬ ‫‪else if location == B then return Left‬‬ ‫82انتخاب فعاليت بر‬ ‫‪‬‬ ‫اساس موقعيت‬
‫عاملهای هوشمند‬ ‫عاملهای واکنشي‬ ‫حالت‬ ‫حسگر‬ ‫‪‬استفاده از گرا‬ ‫مدل دانش‬ ‫ها‬ ‫”چگونگی عملکرد‬ ‫جهان‬ ‫چگونه‬ ‫جهان“ که مدل نام دارد‬ ‫تکامل می‬ ‫جهان چگونه است‬ ‫‪‬عامل بخشي از‬ ‫محيط‬ ‫يابد‬ ‫کار فعاليت‬ ‫چيست‬ ‫دنيايي را که فعل ميبيند‬ ‫رديابی ميکند‬ ‫قانون‬ ‫اکنون چه‬ ‫شرط عمل‬ ‫عملی بايد‬ ‫‪‬عامل بايد حالت‬ ‫انجام دهم‬ ‫داخلي را ذخيره کند که‬ ‫به سابقه ادراک بستگي‬ ‫عامل‬ ‫محرکها‬ ‫دارد‬ ‫92‬
‫عاملهای هوشمند‬ ‫حسگر‬ ‫عاملهای هدف‬ ‫حالت‬ ‫ها‬ ‫‪‬اين گراعلوه بر توصيف‬ ‫عامل‬ ‫حالت فعلی، برای انتخاب‬ ‫جهان چگونه است‬ ‫جهان‬ ‫موقعيت مطلوب نيازمند‬ ‫چگونه‬ ‫اطلعات هدف نيز ميباشد‬ ‫تکامل می‬ ‫محيط‬ ‫اگر فعاليت ‪A‬‬ ‫يابد‬ ‫را انجام دهم‬ ‫‪ ‬جست و جو و برنامه‬ ‫کار فعاليت‬ ‫چه خواهد‬ ‫چيست‬ ‫شد‬ ‫ريزی، دنباله ای از فعاليتها را‬ ‫برای رسيدن عامل به هدف،‬ ‫پيدا ميکند‬ ‫اکنون چه‬ ‫اهداف‬ ‫عملی بايد‬ ‫‪‬اين نوع تصميم گيری‬ ‫انجام دهم‬ ‫همواره آينده را در نظر دارد و‬ ‫با قوانين شرط عمل تفاوت‬ ‫عامل‬ ‫محرکها‬ ‫دارد‬ ‫43‬
‫عاملهای هوشمند‬ ‫حسگر‬ ‫عاملهای‬ ‫حالت‬ ‫ها‬ ‫سودمند‬ ‫‪‬اين عامل براي اهداف‬ ‫مشخص، راه های مختلفی‬ ‫جهان چگونه است‬ ‫جهان‬ ‫دارد، که راه حل بهتر برای‬ ‫چگونه‬ ‫عامل سودمندتر است.‬ ‫تکامل می‬ ‫اگر فعاليت ‪A‬‬ ‫محيط‬ ‫يابد‬ ‫را انجام دهم‬ ‫چه خواهد‬ ‫‪ ‬تابع سودمندی، حالت يا‬ ‫کار فعاليت‬ ‫چيست‬ ‫شد‬ ‫دنباله ای از حالتها را به يک‬ ‫در چنين حالتی‬ ‫عدد حقيقی نگاشت ميکند که‬ ‫سودمند‬ ‫درجه رضايت را توصيف‬ ‫چقدر رضايت‬ ‫دارم‬ ‫مِيکند.‬ ‫اکنون چه‬ ‫عملی بايد‬ ‫‪‬وقتی اهداف متضاد‬ ‫باشند، بعضی از آنها برآورده‬ ‫عامل‬ ‫انجام دهم‬ ‫محرکها‬ ‫ميشوند‬ ‫53‬
‫عاملهای هوشمند‬ ‫استاندارد‬ ‫کارايي‬ ‫عاملهای‬ ‫منتقد‬ ‫حسگر‬ ‫يادگيرنده‬ ‫‪ ‬عنصرِ يادگيرنده مسئول‬ ‫ايجاد بهبودها‬ ‫ها‬ ‫‪‬عنصر کارايي مسئول‬ ‫بازخور‬ ‫د‬ ‫انتخاب فعاليتهای خارجی‬ ‫محيط‬ ‫تغييرات‬ ‫‪ ‬منتقد مشخص ميکند که‬ ‫عنصر‬ ‫عنصر کارايي‬ ‫يادگيرنده با توجه به‬ ‫دانش يادگيرنده‬ ‫استانداردهای کارايي چگونه‬ ‫يادگير‬ ‫اهدا‬ ‫ف‬ ‫عمل ميکند‬ ‫ی‬ ‫مولد مسئله‬ ‫‪ ‬مولد مسئله مسئول پيشنهاد‬ ‫فعاليتهايي است که منجر به‬ ‫عامل‬ ‫محرکها‬ ‫تجربيات آموزنده جديدی ميشود‬ ‫63‬
‫هوش‬ ‫مصنوع ي‬ ‫فصل مسوم‬ ‫حل همسئله ابا تجست‬ ‫جو‬ ‫73‬
‫‪Artificial Intelligence‬‬ ‫هوش مصنوع ي‬ ‫فهرست‬ ‫‪ ‬عاملهای حل مسئله‬ ‫‪ ‬مسئله‬ ‫‪ ‬اندازه گيری کارايي حل‬ ‫مسئله‬ ‫‪ ‬جستجوی ناآگاهانه‬ ‫‪ ‬اجتناب از حالتهای‬ ‫83‬ ‫تکراری‬
‫حل مسئله با جستجو‬ ‫عاملهای حل مسئله‬ ‫چهار گام اساسي برای حل مسائل‬ ‫‪ ‬فرموله کردن هدف: وضعيتهای مطلوب نهايي‬ ‫کدامند؟‬ ‫‪ ‬فرموله کردن مسئله: چه فعاليتها و وضعيتهايي‬ ‫برای رسيدن به هدف موجود است؟‬ ‫‪ ‬جستجو: انتخاب بهترين دنباله از فعاليتهايي که‬ ‫منجر به حالتی با مقدار شناخته شده ميشود.‬ ‫‪ ‬اجرا: وقتی دنباله فعاليت مطلوب پيدا شد،‬ ‫93‬ ‫فعاليتهای پيشنهادی آن ميتواند اجرا شود.‬
‫حل مسئله با جستجو‬ ‫مثال: نقشه رومانی‬ ‫04‬
‫حل مسئله با جستجو‬ ‫مثال: نقشه رومانی‬ ‫‪ ‬صورت مسأله: رفتن از آراد به بخارست‬ ‫‪ ‬فرموله کردن هدف: رسيدن به بخارست‬ ‫‪ ‬فرموله کردن مسئله:‬ ‫‪ ‬وضعيتها: شهرهای مختلف‬ ‫‪ ‬فعاليتها: حرکت بين شهرها‬ ‫‪ ‬جستجو: دنباله ای از شهرها مثل: آراد، سيبيو، فاگارس،‬ ‫بخارست‬ ‫14‬ ‫‪ ‬اين جستجو با توجه به کم هزينه ترين مسير انتخاب ميشود‬
‫حل مسئله با جستجو‬ ‫مسئله‬ ‫‪‬حالت اوليه: حالتی که عامل از آن شروع ميکند.‬ ‫‪‬در مثال رومانی: شهر آراد ‪(n(Arad‬‬ ‫‪‬تابع جانشين: توصيفي از فعاليتهای ممکن که برای عامل مهيا است.‬ ‫‪‬در مثال رومانی:‪Zerind,Sibui,Timisoara{ {=(S(Arad‬‬ ‫‪‬فضای حالت: مجموعه ای از حالتها که از حالت اوليه ميتوان به آنها‬ ‫رسيد.‬ ‫‪‬در مثال رومانی: کليه شهرها که با شروع از آراد ميتوان به‬ ‫آنها رسيد‬ ‫24‬ ‫تابع جانشين + حالت اوليه = فضای حالت‬
‫حل مسئله با جستجو‬ ‫‪‬آزمون هدف: تعيين ميکند که آيا حالت خاصی، حالت هدف است يا‬ ‫خير‬ ‫صريح: در مثال رومانی، رسيدن به بخارست‬ ‫‪‬هدف‬ ‫انتزاعی: در مثال شطرنج، رسيدن به حالت کيش و مات‬ ‫‪‬هدف‬ ‫‪‬مسير: دنباله ای از حالتها که دنباله ای از فعاليتها را به هم متصل‬ ‫ميکند.‬ ‫‪‬در مثال رومانی: ‪ Arad, Sibiu, Fagaras‬يک مسير است‬ ‫‪‬هزينه مسير: برای هر مسير يک هزينه عددی در نظر ميگيرد.‬ ‫‪‬در مثال رومانی: طول مسير بين شهرها بر حسب کيلومتر‬ ‫راه حل مسئله مسيری از حالت اوليه به حالت‬ ‫34‬ ‫هدف است‬
‫حل مسئله با جستجو‬ ‫مثال: دنيای جارو برقي‬ ‫حالتها: دو مکان که هر يک ممکن‬ ‫است کثيف يا تميز باشند.لذا 8 = 2^2*‬ ‫2حالت در اين جهان وجود دارد‬ ‫حالت اوليه: هر حالتی ميتواند به‬ ‫عنوان حالت اوليه طراحی شود‬ ‫تابع جانشين: حالتهای معتبر از سه‬ ‫عمليات: راست، چپ، مکش‬ ‫آزمون هدف: تميزی تمام مربعها‬ ‫هزينه مسير: تعداد مراحل در مسير‬ ‫44‬
‫حل مسئله با جستجو‬ ‫مثال: دنيای جارو برقي‬ ‫حالتها: دو مکان که هر يک ممکن‬ ‫است کثيف يا تميز باشند.لذا 8 = 2^2*‬ ‫2حالت در اين جهان وجود دارد‬ ‫حالت اوليه: هر حالتی ميتواند به‬ ‫عنوان حالت اوليه طراحی شود‬ ‫تابع جانشين: حالتهای معتبر از سه‬ ‫عمليات: راست، چپ، مکش‬ ‫آزمون هدف: تميزی تمام مربعها‬ ‫هزينه مسير: تعداد مراحل در مسير‬ ‫54‬
‫حل مسئله با جستجو‬ ‫مثال: معمای8‬ ‫حالتها: مکان هر هشت خانه شماره دار و خانه خالی‬ ‫در يکي از 9 خانه‬ ‫حالت اوليه: هر حالتي را ميتوان به عنوان حالت‬ ‫اوليه در نظر گرفت‬ ‫تابع جانشين: حالتهای معتبر از چهار عمل، انتقال‬ ‫خانه خالی به چپ، راست، بال يا پايين‬ ‫آزمون هدف: بررسی ميکند که حالتی که اعداد به‬ ‫ترتيب چيده شده اند)طبق شکل روبرو( رخ داده يا نه‬ ‫هزينه مسير: برابر با تعداد مراحل در مسير‬ ‫64‬
‫حل مسئله با جستجو‬ ‫مثال: معمای8‬ ‫حالتها: مکان هر هشت خانه شماره دار و خانه خالی‬ ‫در يکي از 9 خانه‬ ‫حالت اوليه: هر حالتي را ميتوان به عنوان حالت‬ ‫اوليه در نظر گرفت‬ ‫تابع جانشين: حالتهای معتبر از چهار عمل، انتقال‬ ‫خانه خالی به چپ، راست، بال يا پايين‬ ‫آزمون هدف: بررسی ميکند که حالتی که اعداد به‬ ‫ترتيب چيده شده اند)طبق شکل روبرو( رخ داده يا نه‬ ‫هزينه مسير: برابر با تعداد مراحل در مسير‬ ‫74‬
‫حل مسئله با جستجو‬ ‫مثال: مسئله 8 وزير‬ ‫فرمول بندی افزايشي‬ ‫حالتها: هر ترتيبي از 0 تا 8 وزير در صفحه،‬ ‫يک حالت است‬ ‫حالت اوليه: هيچ وزيری در صفحه نيست‬ ‫تابع جانشين: وزيری را به خانه خالی‬ ‫اضافه ميکند‬ ‫آزمون هدف: 8وزير در صفحه وجود دارند‬ ‫و هيچ کدام به يکديگر گارد نميگيرند‬ ‫در اين فرمول بندی بايد‬ ‫41^01*3 دنباله ممکن بررسی‬ ‫84‬ ‫ميشود‬
‫حل مسئله با جستجو‬ ‫مثال: مسئله 8 وزير‬ ‫فرمول بندی افزايشي‬ ‫حالتها: هر ترتيبي از 0 تا 8 وزير در صفحه،‬ ‫يک حالت است‬ ‫حالت اوليه: هيچ وزيری در صفحه نيست‬ ‫تابع جانشين: وزيری را به خانه خالی‬ ‫اضافه ميکند‬ ‫آزمون هدف: 8وزير در صفحه وجود دارند‬ ‫و هيچ کدام به يکديگر گارد نميگيرند‬ ‫در اين فرمول بندی بايد‬ ‫41^01*3 دنباله ممکن بررسی‬ ‫94‬ ‫ميشود‬
‫حل مسئله با جستجو‬ ‫مثال: مسئله 8 وزير‬ ‫فرمول بندی حالت کامل‬ ‫حالتها: چيدمان ‪ n‬وزير )0≥ ‪ ، ≥( 8n‬بطوريکه در هر‬ ‫ستون از ‪ n‬ستون سمت چپ، يک وزير قرار گيرد و‬ ‫هيچ دو وزيری بهم گارد نگيرند‬ ‫حالت اوليه: با 8 وزير در صفحه شروع ميشود‬ ‫تابع جانشين: وزيری را در سمت چپ ترين ستون‬ ‫خالي قرار ميدهد، بطوری که هيچ وزيری آن را‬ ‫گارد ندهد‬ ‫آزمون هدف: 8وزير در صفحه وجود دارند و هيچ‬ ‫کدام به يکديگر گارد نميگيرند‬ ‫اين فرمول بندی فضای حالت را‬ ‫05‬ ‫از 41^01*3 به 7502 کاهش‬
‫حل مسئله با جستجو‬ ‫مثال: مسئله 8 وزير‬ ‫فرمول بندی حالت کامل‬ ‫حالتها: چيدمان ‪ n‬وزير )0≥ ‪ ، ≥( 8n‬بطوريکه در هر‬ ‫ستون از ‪ n‬ستون سمت چپ، يک وزير قرار گيرد و‬ ‫هيچ دو وزيری بهم گارد نگيرند‬ ‫حالت اوليه: با 8 وزير در صفحه شروع ميشود‬ ‫تابع جانشين: وزيری را در سمت چپ ترين ستون‬ ‫خالي قرار ميدهد، بطوری که هيچ وزيری آن را‬ ‫گارد ندهد‬ ‫آزمون هدف: 8وزير در صفحه وجود دارند و هيچ‬ ‫کدام به يکديگر گارد نميگيرند‬ ‫اين فرمول بندی فضای حالت را‬ ‫15‬ ‫از 41^01*3 به 7502 کاهش‬
‫حل مسئله با جستجو‬ ‫اندازه گيری کارايي حل مسئله‬ ‫آيا الگوريتم تضمين ميکند که در صورت وجود‬ ‫‪‬کامل بودن:‬ ‫راه حل، آن را بيابد؟‬ ‫آيا اين راهبرد، راه حل بهينه ای را ارائه ميکند.‬ ‫‪‬بهينگي:‬ ‫چقدر طول ميکشد تا راه حل را پيدا‬ ‫‪‬پيچيدگي زمانی:‬ ‫کند؟‬ ‫تعداد گره های توليد شده در اثنای جستجو‬ ‫برای جستجو چقدر حافظه نياز دارد؟‬ ‫‪‬پيچيدگی فضا:‬ ‫حداکثر تعداد گره های ذخيره شده در حافظه‬ ‫25‬
‫حل مسئله با جستجو‬ ‫اندازه گيری کارايي حل مسئله‬ ‫آيا الگوريتم تضمين ميکند که در صورت وجود‬ ‫‪‬کامل بودن:‬ ‫راه حل، آن را بيابد؟‬ ‫آيا اين راهبرد، راه حل بهينه ای را ارائه ميکند.‬ ‫‪‬بهينگي:‬ ‫چقدر طول ميکشد تا راه حل را پيدا‬ ‫‪‬پيچيدگي زمانی:‬ ‫کند؟‬ ‫‪‬تعداد گره های توليد شده در اثنای جستجو‬ ‫برای جستجو چقدر حافظه نياز دارد؟‬ ‫‪‬پيچيدگی فضا:‬ ‫‪‬حداکثر تعداد گره های ذخيره شده در حافظه‬ ‫35‬
‫حل مسئله با جستجو‬ ‫جستجوی ناآگاهانه‬ ‫‪‬ناآگاهی اين است که الگوريتم هيچ اطلعاتی غير از تعريف مسئله در اختيار‬ ‫ندارد‬ ‫‪‬اين الگوريتمها فقط ميتواند جانشينهايي را توليد و هدف را از غير هدف‬ ‫تشخيص دهند‬ ‫‪‬راهبردهايي که تشخيص ميدهد يک حالت غير هدف نسبت به گره غير هدف‬ ‫راهبردها‬ ‫ديگر، اميد بخش تر است، جست و جوی آگاهانه يا جست و جوی اکتشافي ناميده‬ ‫‪‬جست و جوی هزينه‬ ‫‪‬جست و جوی عرضی‬ ‫ميشود.‬ ‫يکنواخت‬ ‫‪‬جست و جوی عمقی‬ ‫‪‬جست و جوی عميق کننده تکراری ‪‬جست و جوی عمقی‬ ‫محدود‬ ‫45‬ ‫‪‬جست و جوی دو طرفه‬
‫حل مسئله با جستجو‬ ‫جستجوی عرضی‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫55‬
‫حل مسئله با جستجو‬ ‫جستجوی عرضی‬ ‫کامل بودن: بله‬ ‫بهينگی: بله )مشروط( بله )مشروط(‬ ‫گره باشد.)مثل وقتي که فعاليتها هزينه يکسانی دارند(‬ ‫‪O(b‬‬ ‫1+‪d‬‬ ‫)‬ ‫پيچيدگي زماني:‬ ‫) 1+‪O(b d‬‬ ‫پيچيدگی فضا:‬ ‫65‬
‫حل مسئله با جستجو‬ ‫جستجوی هزينه يکنواخت‬ ‫اين جستجو گره ‪ n‬را با کمترين هزينه مسير بسط ميدهد‬ ‫‪A‬‬ ‫1‬ ‫3‬ ‫1‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫75‬
‫حل مسئله با جستجو‬ ‫جستجوی هزينه يکنواخت‬ ‫کامل بودن: بله‬ ‫)هزينه مسير با حرکت در مسير افزايش مي يابد(‬ ‫بهينگی: بله‬ ‫] ‪[C*/ε‬‬ ‫‪O(b‬‬ ‫)‬ ‫پيچيدگي زماني:‬ ‫] ‪[C*/ε‬‬ ‫‪O(b‬‬ ‫)‬ ‫پيچيدگی فضا:‬ ‫85‬
‫حل مسئله با جستجو‬ ‫جستجوی عمقی‬ ‫2‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫3‬ ‫6‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫7‬ ‫4‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫5‬ ‫95‬
‫حل مسئله با جستجو‬ ‫جستجوی عمقی‬ ‫:کامل بودن: خير‬ ‫کامل‬ ‫باشد، جستجو هرگز خاتمه نمي يابد.‬ ‫:بهينگي: خير‬ ‫بهينگی‬ ‫‪m‬‬ ‫) ‪O(b‬‬ ‫پيچيدگي زماني:‬ ‫)‪O(bm‬‬ ‫پيچيدگی فضا:‬ ‫06‬
‫حل مسئله با جستجو‬ ‫جستجوی عمقی محدود‬ ‫مسئله درختهای نامحدود ميتواند به وسيله جست و جوی عمقي با‬ ‫عمق محدود ‪ L‬بهبود يابد‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫16‬
‫حل مسئله با جستجو‬ ‫جستجوی عمقی محدود‬ ‫:کامل بودن: خير‬ ‫کامل‬ ‫داشته باشد، اينراهبرد کامل نخواهد بود.‬ ‫:بهينگي: خير‬ ‫بهينگی‬ ‫‪L‬‬ ‫) ‪O(b‬‬ ‫پيچيدگي زماني:‬ ‫)‪O(bL‬‬ ‫پيچيدگی فضا:‬ ‫26‬
‫حل مسئله با جستجو‬ ‫جستجوی عميق کننده تکراري‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫36‬
‫حل مسئله با جستجو‬ ‫جستجوی عميق کننده تکراري‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫46‬
‫حل مسئله با جستجو‬ ‫جستجوی عميق کننده تکراري‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫‪R‬‬ ‫‪S‬‬ ‫56‬
‫حل مسئله با جستجو‬ ‫جستجوی عميق کننده تکراري‬ ‫:کامل بودن: بله‬ ‫کامل‬ ‫:بهينگي: بله‬ ‫بهينگی‬ ‫‪d‬‬ ‫) ‪O(b‬‬ ‫پيچيدگي زماني:‬ ‫)‪O(bd‬‬ ‫پيچيدگی فضا:‬ ‫66‬
‫حل مسئله با جستجو‬ ‫جستجوی دو طرفه‬ ‫انجام دو جست و جوی همزمان، يکي از حالت اوليه به هدف و ديگری‬ ‫از هدف به حالت اوليه تا زمانی که دو جست و جو به هم برسند‬ ‫76‬
‫حل مسئله با جستجو‬ ‫جستجوی دو طرفه‬ ‫:کامل بودن: بله‬ ‫کامل‬ ‫:بهينگي: بله‬ ‫بهينگی‬ ‫2/‪d‬‬ ‫) ‪O(b‬‬ ‫پيچيدگي زماني:‬ ‫2/‪d‬‬ ‫) ‪O(b‬‬ ‫پيچيدگی فضا:‬ ‫86‬
‫حل مسئله با جستجو‬ ‫اجتناب از حالتهای تکراری‬ ‫وجود حالتهای تکراری در يک مسئله قابل حل، ميتواند آن را به مسئله‬ ‫غير قابل حل تبديل کند‬ ‫96‬
‫حل مسئله با جستجو‬ ‫جستجو با اطلعات ناقص‬ ‫‪‬مسئله های فاقد حسگر : اگر عامل فاقشد حسشگر باششد، ميتواند در‬ ‫يکي از چند حالت اوليه باشد و هر فعاليت ميتواند آن را به يکي از چند حالت‬ ‫جانشين ببرد‬ ‫‪‬مسئله های اقتضايي: اگر محيط به طور جزئی قابل مشاهده باشد يا‬ ‫اگر فعاليتها قطعي نباشد، ادراکات عامل، پس از هر عمل، اطلعات جديدي را‬ ‫تهيه ميکنند . هر ادراک ممکن، اقتضايی را تعريف ميکند که بايد برای آن برنامه‬ ‫ريزی شود‬ ‫‪‬مسائل خصمانه : اگرعدم قطعيت در اثر فعاليتهای عامل ديگری‬ ‫بوجود آيد، مسئله را خصمانه گويند‬ ‫‪‬مسئله های اکتشافی: وقتی حالتها و فعاليتهای محيط ناشناخته باشند،‬ ‫07‬ ‫عامل بايد سعي کند آنها را کشف کند. مسئله های اکتشافی را ميتوان شکل نهايی‬
‫حل مسئله با جستجو‬ ‫مثال: دنيای جاروبرقی فاقد‬ ‫ميداند اما فاقد حسگر است. حسگر‬ ‫‪‬عامل جارو تمام اثرات فعاليتهايش را‬ ‫‪‬حالت اوليه آن يکي از اعضای‬ ‫مجموعه{18{ ،7،6،5،4،3،2،ميباشد‬ ‫‪‬فعاليت ))‪{2،4،6،Right‬‬ ‫8{‬ ‫)‪Right,Suck‬‬ ‫‪‬فعاليت )8{،4{‬ ‫‪‬فعاليت )‪ (Right,Suck,Left,Suck‬تضمين‬ ‫17‬ ‫ميکند که صرف نظر از حالت اوليه، به‬
‫حل مسئله با جستجو‬ ‫دنيای‬ ‫جاروبرقی‬ ‫‪‬عامل بايد راجع به‬ ‫فاقد حسگر‬ ‫مجموعه هاي حالتی که‬ ‫ميتواند به آنها برسد استدلل‬ ‫کند. اين مجموعه از حالتها‬ ‫را حالت باور گوييم.‬ ‫‪‬اگر فضای حالت فيزيکي‬ ‫دارای ‪ s‬حالت باشد فضای‬ ‫حالت باور 2^‪ s‬حالت باور‬ ‫خواهد داشت.‬ ‫27‬
‫هوش‬ ‫مصنوع ي‬ ‫فصل مچهارم‬ ‫جست وو یجوی هآگاهانه‬ ‫وفاکتشاف‬ ‫37‬
‫‪Artificial Intelligence‬‬ ‫هوش مصنوع ي‬ ‫فهرست‬ ‫‪ ‬متدهای جست و جوی آگاهانه‬ ‫‪ ‬يادگيری برای جست و جوی‬ ‫بهتر‬ ‫‪ ‬جست و جوی محلی و بهينه‬ ‫سازی‬ ‫‪ ‬جست و جوی محلی در‬ ‫فضاهای پيوسته‬ ‫47‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫متدهای جستجوی آگاهانه‬ ‫‪‬جستجوی محلی‬ ‫‪‬بهترين جستجو‬ ‫و بهينه سازی‬ ‫‪‬حريصانه‬ ‫‪‬تپه نوردی‬ ‫‪*A‬‬ ‫‪‬شبيه سازی حرارت‬ ‫‪*IDA‬‬ ‫‪‬پرتو محلی‬ ‫‪RBFS‬‬ ‫‪ *MA‬و ‪*SMA‬‬ ‫‪‬الگوريتمهای ژنتيک‬ ‫57‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫تعاريف‬ ‫‪‬تابع هزينه مسير، ‪ : (g(n‬هزينه مسير از گره اوليه تا گره ‪n‬‬ ‫‪‬تابع اکتشافی، ‪ : (h(n‬هزينه تخمينی ارزان ترين مسير از گره ‪ n‬به گره‬ ‫هدف‬ ‫‪‬تابع بهترين مسير، ‪ : (h*(n‬ارزان ترين مسير از گره ‪ n‬تا گره هدف‬ ‫‪‬تابع ارزيابي، ‪ : (f(n‬هزينه تخمينی ارزان ترين مسير از طريق ‪n‬‬ ‫‪(f(n): g(n) + h(n‬‬ ‫‪ : (f*(n‬هزينه ارزان ترين مسير از طريق ‪(f*(n): g(n) + h*(nn‬‬ ‫67‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حريصانه‬ ‫‪A‬‬ ‫3‬ ‫1‬ ‫1‬ ‫2‬ ‫‪B‬‬ ‫‪C‬‬ ‫1‬ ‫2‬ ‫1‬ ‫1‬ ‫5‬ ‫3‬ ‫3‬ ‫2‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫1‬ ‫3‬ ‫3‬ ‫2‬ ‫1‬ ‫2‬ ‫1‬ ‫3‬ ‫2‬ ‫1‬ ‫2‬ ‫1‬ ‫3‬ ‫‪H‬‬ ‫3 ‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫3 ‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫3‬ ‫2‬ ‫3‬ ‫2‬ ‫3‬ ‫0‬ ‫3‬ ‫2‬ ‫1‬ ‫1‬ ‫2‬ ‫3‬ ‫3‬ ‫‪P‬‬ ‫‪Q‬‬ ‫‪R‬‬ ‫‪S‬‬ ‫‪T‬‬ ‫‪U‬‬ ‫‪V‬‬ ‫‪W‬‬ ‫‪X‬‬ ‫‪Y‬‬ ‫‪Z‬‬ ‫1‬ ‫2‬ ‫2‬ ‫1‬ ‫1‬ ‫2‬ ‫1‬ ‫0‬ ‫2‬ ‫1‬ ‫77‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حريصانه‬ ‫‪A‬‬ ‫2‬ ‫1‬ ‫3‬ ‫1‬ ‫2‪‬‬ ‫‪‬‬ ‫1‬ ‫‪B‬‬ ‫‪C‬‬ ‫1‬ ‫2‬ ‫1‬ ‫1‬ ‫5‬ ‫3‬ ‫3‬ ‫32‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫1‬ ‫‪G‬‬ ‫3‬ ‫‪‬‬ ‫4‬ ‫‪‬‬ ‫1‬ ‫3‬ ‫‪N‬‬ ‫‪O‬‬ ‫1‬ ‫5‬ ‫‪‬‬ ‫‪X‬‬ ‫0‬ ‫87‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حريصانه‬ ‫‪A‬‬ ‫2‬ ‫1‬ ‫1‬ ‫4‬ ‫‪B‬‬ ‫‪C‬‬ ‫1‬ ‫1‬ ‫1‬ ‫1‬ ‫5‬ ‫1‬ ‫3‬ ‫3‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫1‬ ‫3‬ ‫3‬ ‫3‬ ‫1‬ ‫2‬ ‫1‬ ‫3‬ ‫2‬ ‫1‬ ‫2‬ ‫1‬ ‫3‬ ‫‪H‬‬ ‫3 ‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫3 ‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫3‬ ‫2‬ ‫3‬ ‫2‬ ‫3‬ ‫0‬ ‫3‬ ‫2‬ ‫1‬ ‫1‬ ‫2‬ ‫3‬ ‫3‬ ‫‪P‬‬ ‫‪Q‬‬ ‫‪R‬‬ ‫‪S‬‬ ‫‪T‬‬ ‫‪U‬‬ ‫‪V‬‬ ‫‪W‬‬ ‫‪X‬‬ ‫‪Y‬‬ ‫‪Z‬‬ ‫1‬ ‫2‬ ‫2‬ ‫1‬ ‫1‬ ‫2‬ ‫1‬ ‫0‬ ‫2‬ ‫1‬ ‫97‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حريصانه‬ ‫‪A‬‬ ‫2‬ ‫1‬ ‫1‬ ‫4‬ ‫‪1 B‬‬ ‫‪C‬‬ ‫1‬ ‫1‬ ‫5‬ ‫1‬ ‫2‬ ‫‪D‬‬ ‫3‬ ‫‪E‬‬ ‫‪‬‬ ‫3‬ ‫1‬ ‫3‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪‬‬ ‫0‬ ‫08‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حريصانه‬ ‫‪‬کامل بودن: خير‬ ‫بودن: ‪‬اما اگر ‪ *h = h‬آنگاه جستجو کامل ميشود‬ ‫‪‬بهينگی: خير‬ ‫‪‬اما اگر ‪ *h = h‬آنگاه جستجو کامل ميشود‬ ‫‪‬پيچيدگي زماني: ) ‪O(b m‬‬ ‫‪‬اما اگر ‪ *h = h‬آنگاه ) ‪O(bd‬‬ ‫‪‬پيچيدگی فضا: ) ‪O(b m‬‬ ‫‪‬اما اگر ‪ *h = h‬آنگاه ) ‪O(bd‬‬ ‫18‬
‫جست و جوی آگاهانه و اکتشاف‬ *A ‫جستجوی‬ A/5 2 1 B/4 C/4 1 1 1 1 D/5 E/1 F/3 G/2 1 3 3 3 1 2 1 3 H/2 I/3 J/1 K/0 L/3 M/2 N/1 O/3 3 2 3 2 3 3 2 1 1 2 3 P/3 Q/1 R/2 S/2 T/1 U/1 V/2 W/1 X/0 Y/2 Z/1 82
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪*A‬‬ ‫5/‪A‬‬ ‫2‬ ‫1‬ ‫6‬ ‫15‬ ‫4/‪B‬‬ ‫4/‪C‬‬ ‫‪‬‬ ‫1‬ ‫1‬ ‫5‬ ‫24‬ ‫3/‪F‬‬ ‫2/‪G‬‬ ‫‪‬‬ ‫1‬ ‫3‬ ‫3‬ ‫4 ‪‬‬ ‫1/‪N‬‬ ‫3/‪O‬‬ ‫8‬ ‫1‬ ‫0/‪X‬‬ ‫4‬ ‫38‬
‫جست و جوی آگاهانه و اکتشاف‬ *A ‫جستجوی‬ A/5 2 1 B/1 C/4 1 1 1 1 D/5 E/1 F/3 G/2 1 3 3 3 1 2 1 3 H/2 I/3 J/1 K/0 L/3 M/2 N/1 O/3 3 2 3 2 3 3 2 1 1 2 3 P/3 Q/1 R/2 S/2 T/1 U/1 V/2 W/1 X/0 Y/2 Z/1 84
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪*A‬‬ ‫5/‪A‬‬ ‫2‬ ‫1‬ ‫1‬ ‫35‬ ‫1/‪3B‬‬ ‫4/‪C‬‬ ‫‪‬‬ ‫1‬ ‫1‬ ‫1‬ ‫1‬ ‫8‬ ‫4‬ ‫5‬ ‫44‬ ‫5/‪D‬‬ ‫1/‪E‬‬ ‫‪‬‬ ‫2‬ ‫3/‪F‬‬ ‫2/‪G‬‬ ‫‪‬‬ ‫3‬ ‫3‬ ‫1‬ ‫3‬ ‫5‬ ‫7‬ ‫1/‪J‬‬ ‫6 0/‪K‬‬ ‫4 ‪‬‬ ‫1/‪N‬‬ ‫3/‪O‬‬ ‫8‬ ‫1‬ ‫0/‪X‬‬ ‫4‬ ‫58‬
‫جست و جوی آگاهانه و اکتشاف‬ *A ‫جستجوی‬ A/5 2 1 B/1 C/9 1 1 1 1 D/5 E/1 F/3 G/2 1 3 3 3 1 2 1 3 H/2 I/3 J/1 K/0 L/3 M/2 N/1 O/3 3 2 3 2 3 3 2 1 1 2 3 P/3 Q/1 R/2 S/2 T/1 U/1 V/2 W/1 X/0 Y/2 Z/1 86
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪*A‬‬ ‫5/‪A‬‬ ‫2‬ ‫1‬ ‫1‬ ‫01‬ ‫1/‪ B‬‬ ‫3‬ ‫9/‪C‬‬ ‫1‬ ‫1‬ ‫8‬ ‫4‬ ‫2‬ ‫5/‪D‬‬ ‫3‬ ‫1/‪E‬‬ ‫‪‬‬ ‫3‬ ‫3‬ ‫1‬ ‫1/‪J‬‬ ‫0/‪K‬‬ ‫‪‬‬ ‫6‬ ‫78‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪*A‬‬ ‫‪‬کامل بودن: بله‬ ‫‪‬بهينگی: بله‬ ‫زماني: ) ‪O(b m‬‬ ‫‪‬پيچيدگي‬ ‫‪‬اما اگر ‪ *h = h‬آنگاه ) ‪O(bd‬‬ ‫‪‬پيچيدگی فضا: ) ‪O(b m‬‬ ‫‪‬اما اگر ‪ *h = h‬آنگاه ) ‪O(bd‬‬ ‫88‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪*A‬‬ ‫‪A‬‬ ‫‪A‬‬ ‫1‬ ‫1‬ ‫1‬ ‫1‬ ‫‪1 B‬‬ ‫2 ‪C‬‬ ‫‪3 B‬‬ ‫4 ‪C‬‬ ‫1‬ ‫1‬ ‫1‬ ‫1‬ ‫‪1 D‬‬ ‫1 ‪E‬‬ ‫‪2 D‬‬ ‫1 ‪E‬‬ ‫1‬ ‫1‬ ‫1‬ ‫1‬ ‫‪1 F‬‬ ‫‪G‬‬ ‫0‬ ‫‪1 F‬‬ ‫‪G‬‬ ‫0‬ ‫1‬ ‫1‬ ‫‪0 H‬‬ ‫‪0 H‬‬ ‫*‪h ≤ h‬‬ ‫/‬ ‫*‪h 89 h‬‬ ‫≤‬
‫جست و جوی آگاهانه و اکتشاف‬ *A ‫جستجوی‬ A A 1 1 1 1 1 1 1 B C 2  4 3 B C 4 1 1 1 1 2 5 2 1 D E 1 2 D E 1 1 6 1 1 1 3 1 F G 0 3 1 F G 0 1 1 4 0 H 0 H h ≤ h* / h 90 h* ≤
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬و اجتناب از گره های‬ ‫تکراری‬ ‫001/‪A‬‬ ‫01‬ ‫08/‪B‬‬ ‫59/‪C‬‬ ‫09/‪D‬‬ ‫68/‪E‬‬ ‫87/‪F‬‬ ‫09/‪G‬‬ ‫06/‪T‬‬ ‫57/‪M‬‬ ‫78/‪I‬‬ ‫08/‪H‬‬ ‫28/‪J‬‬ ‫57/‪M‬‬ ‫27/‪N‬‬ ‫58/‪K‬‬ ‫08/‪L‬‬ ‫25/‪W‬‬ ‫85/‪X‬‬ ‫87/‪O‬‬ ‫97/‪P‬‬ ‫18/‪U‬‬ ‫38/‪V‬‬ ‫87/‪O‬‬ ‫97/‪P‬‬ ‫07/‪S‬‬ ‫06/‪T‬‬ ‫74/‪Y‬‬ ‫05/‪Z‬‬ ‫25/‪W‬‬ ‫85/‪X‬‬ ‫0/‪Q‬‬ ‫02/‪R‬‬ ‫هزينه هر مرحله‬ ‫01 ميباشد‬ ‫19‬ ‫74/‪Y‬‬ ‫05/‪Z‬‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬و اجتناب از گره های‬ ‫تکراری‬ ‫001/‪A‬‬ ‫8‬ ‫3‬ ‫1‬ ‫‪‬‬ ‫09 08/‪B‬‬ ‫59/‪105 C‬‬ ‫‪‬‬ ‫09/‪100 D‬‬ ‫‪‬‬ ‫2‬ ‫4‬ ‫‪‬‬ ‫‪‬‬ ‫68/‪106 E‬‬ ‫89 87/‪F‬‬ ‫011 09/‪G‬‬ ‫08 06/‪T‬‬ ‫57/‪95 M‬‬ ‫701 78/‪I‬‬ ‫‪‬‬ ‫501 57/‪M‬‬ ‫011 07/‪S‬‬ ‫‪‬‬ ‫5‬ ‫201 27/‪N‬‬ ‫6‬ ‫‪‬‬ ‫001 06/‪T‬‬ ‫9‬ ‫‪‬‬ ‫25/‪82 W‬‬ ‫74/‪87 Y‬‬ ‫85/‪88 X‬‬ ‫09 05/‪Z‬‬ ‫87/‪O‬‬ ‫801‬ ‫97/‪P‬‬ ‫901‬ ‫7‬ ‫‪‬‬ ‫25/‪102 W‬‬ ‫801 85/‪X‬‬ ‫01‬ ‫0/‪Q‬‬ ‫02/‪R‬‬ ‫‪‬‬ ‫05‬ ‫07‬ ‫29‬ ‫74/‪107 Y‬‬ ‫011 05/‪Z‬‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫مثال ديگر از جستجوی ‪*A‬‬ ‫)‪f(n)=g(n) + h(n‬‬ ‫39‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬در نقشه رومانی‬ ‫جستجوی ‪ Bucharest‬با شروع از ‪Arad‬‬ ‫663=663+0=)‪f(Arad) = g(Arad)+h(Arad‬‬ ‫49‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬در نقشه رومانی‬ ‫َ‪ Arad‬را باز کرده و ‪ (f(n‬را برای هر يک از زيربرگها محاسبه ميکنيم:‬ ‫393=352+041=)‪f(Sibiu)=c(Arad,Sibiu)+h(Sibiu‬‬ ‫744=923+811=)‪f(Timisoara)=c(Arad,Timisoara)+h(Timisoara‬‬ ‫944=473+57=)‪f(Zerind)=c(Arad,Zerind)+h(Zerind‬‬ ‫بهترين انتخاب شهر ‪ Sibiu‬است‬ ‫59‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫* در نقشه رومانی‬A ‫جستجوی‬ :‫( را برای هر يک از زيربرگها محاسبه ميکنيم‬f(n ‫ را باز کرده و‬Sibiuَ f(Arad)=c(Sibiu,Arad)+h(Arad)=280+366=646 f(Fagaras)=c(Sibiu,Fagaras)+h(Fagaras)=239+179=415 f(Oradea)=c(Sibiu,Oradea)+h(Oradea)=291+380=671 f(Rimnicu Vilcea)=c(Sibiu,Rimnicu Vilcea)+ h(Rimnicu Vilcea)=220+192=413 ‫ است‬Rimnicu Vilcea ‫بهترين انتخاب شهر‬ 96
‫جست و جوی آگاهانه و اکتشاف‬ ‫* در نقشه رومانی‬A ‫جستجوی‬ ‫( را برای هر يک از زيربرگها محاسبه‬f(n ‫ را باز کرده و‬Rimnicu Vilceaَ :‫ميکنيم‬ f(Craiova)=c(Rimnicu Vilcea, Craiova)+h(Craiova)=360+160=526 f(Pitesti)=c(Rimnicu Vilcea, Pitesti)+h(Pitesti)=317+100=417 f(Sibiu)=c(Rimnicu Vilcea,Sibiu)+h(Sibiu)=300+253=553 97 ‫ است‬Fagaras ‫بهترين انتخاب شهر‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬در نقشه رومانی‬ ‫َ ‪ Fagaras‬را باز کرده و ‪ (f(n‬را برای هر يک از زيربرگها محاسبه ميکنيم:‬ ‫195=352+833=)‪f(Sibiu)=c(Fagaras, Sibiu)+h(Sibiu‬‬ ‫054=0+054=)‪f(Bucharest)=c(Fagaras,Bucharest)+h(Bucharest‬‬ ‫89‬ ‫بهترين انتخاب شهر ‪ !!! Pitesti‬است‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬در نقشه رومانی‬ ‫َ ‪ Pitesti‬را باز کرده و ‪ (f(n‬را برای هر يک از زيربرگها محاسبه ميکنيم:‬ ‫814=0+814=)‪f(Bucharest)=c(Pitesti,Bucharest)+h(Bucharest‬‬ ‫99‬ ‫بهترين انتخاب شهر ‪ !!! Bucharest‬است‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬در نقشه رومانی‬ ‫001‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی اکتشافی با حافظه محدود‬ ‫‪*IDA‬‬ ‫‪‬ساده ترين راه برای کاهش حافظه مورد نياز ‪ *A‬استفاده از عميق‬ ‫کننده تکرار در زمينه جست و جوی اکتشافي است.‬ ‫*‪A‬‬ ‫‪‬الگوريتم عميق کننده تکرار ‪*IDA‬‬ ‫‪‬در جستجوی ‪ *IDA‬مقدار برش مورد استفاده، عمق نيست بلکه‬ ‫هزينه ‪ (f(g+h‬است.‬ ‫‪ *IDA‬برای اغلب مسئله های با هزينه های مرحله ای، مناسب است‬ ‫و از سربار ناشي از نگهداری صف مرتبي از گره ها اجتناب ميکند‬ ‫101‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫بهترين جستجوی بازگشتي ‪RBFS‬‬ ‫‪‬ساختار آن شبيه جست و جوی عمقي بازگشتي است، اما به جای‬ ‫اينکه دائما به طرف پايين مسير حرکت کند، مقدار ‪ f‬مربوط به بهترين‬ ‫مسير از هر جد گره فعلی را نگهداری ميکند، اگر گره فعلی از اين حد‬ ‫تجاوز کند، بازگشتی به عقب برميگردد تا مسير ديگري را انتخاب کند.‬ ‫‪‬اين جستجو اگر تابع اکتشافی قابل قبولی داشته باشد، بهينه است.‬ ‫‪‬پيچيدگي فضايي آن ‪ (O(bd‬است‬ ‫‪‬تعيين پيچيدگی زمانی آن به دقت تابع اکتشافی و ميزان تغيير‬ ‫بهترين مسير در اثر بسط گره ها بستگی دارد.‬ ‫201‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫بهترين جستجوی بازگشتي ‪RBFS‬‬ ‫‪ RBFS‬تا حدی از ‪ *IDA‬کارآمدتر است، اما گره های زيادی توليد‬ ‫ميکند.‬ ‫‪ *IDA ‬و ‪ RBFS‬در معرض افزايش تواني پيچيدگي قرار دارند که‬ ‫در جست و جوی گرافها مرسوم است، زيرا نميتوانند حالتهای تکراری‬ ‫را در غير از مسير فعلي بررسي کنند. لذا، ممکن است يک حالت را‬ ‫چندين بار بررسي کنند.‬ ‫‪ *IDA ‬و ‪ RBFS‬از فضای اندکي استفاده ميکنند که به آنها آسيب‬ ‫ميرساند. ‪ *IDA‬بين هر تکرار فقط يک عدد را نگهداری ميکند که‬ ‫301‬ ‫فعلي هزينه ‪ f‬است. ‪ RBFS‬اطلعات بيشتری در حافظه نگهداری‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫بهترين جستجوی بازگشتي در نقشه‬ ‫رومانی‬ ‫401‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫بهترين جستجوی بازگشتي در نقشه‬ ‫رومانی‬ ‫501‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫بهترين جستجوی بازگشتي در نقشه‬ ‫رومانی‬ ‫601‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حافظه محدود ساده ‪*SMA‬‬ ‫‪ *SMA‬بهترين برگ را بسط ميدهد تا حافظه پر شود. در اين نقطه‬ ‫بدون از بين بردن گره های قبلي نميتواند گره جديدی اضافه کند‬ ‫‪ *SMA‬هميشه بدترين گره برگ را حذف ميکند و سپس از طريق‬ ‫گره فراموش شده به والد آن بر ميگردد. پس جد زير درخت فراموش‬ ‫شده، کيفيت بهترين مسير را در آن زير درخت ميداند‬ ‫‪‬اگر عمق سطحی ترين گره هدف کمتر از حافظه باشد, کامل‬ ‫است.‬ ‫701‬ ‫‪ *SMA ‬بهترين الگوريتم همه منظوره برای يافتن حلهای بهينه‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حافظه محدود ساده ‪*SMA‬‬ ‫‪‬اگر مقدار ‪ f‬تمام برگها يکسان باشد و الگوريتم يک گره را هم برای‬ ‫بسط و هم برای حذف انتخاب کند، ‪ *SMA‬اين مسئله را با بسط‬ ‫بهترين برگ جديد و حذف بهترين برگ قديمی حل ميکند‬ ‫‪‬ممکن است ‪ *SMA‬مجبور شود دائما بين مجموعه ای از مسيرهای‬ ‫حل کانديد تغيير موضع دهد، در حالی که بخش کوچکی از هر کدام‬ ‫در حافظه جا شود‬ ‫‪‬محدوديتهای حافظه ممکن است مسئله ها را از نظر زمان‬ ‫محاسباتی، غير قابل حل کند.‬ ‫801‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1/‪C‬‬ ‫2‬ ‫4‬ ‫1/‪G‬‬ ‫1‬ ‫1‬ ‫1‬ ‫6/‪A‬‬ ‫2/‪E‬‬ ‫1/‪D‬‬ ‫1‬ ‫0/‪H‬‬ ‫1‬ ‫1/‪J‬‬ ‫1‬ ‫1‬ ‫4‬ ‫2‬ ‫5/‪B‬‬ ‫2/‪F‬‬ ‫3‬ ‫901‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫‪‬‬ ‫1/‪C‬‬ ‫4‬ ‫6/‪A‬‬ ‫1‬ ‫5/‪B‬‬ ‫6‬ ‫011‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫7‬ ‫4‬ ‫1/‪G‬‬ ‫1‬ ‫6/‪A‬‬ ‫1/‪D‬‬ ‫1‬ ‫26‬ ‫‪‬‬ ‫5/‪B‬‬ ‫6‬ ‫111‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫7‬ ‫4‬ ‫1/‪G‬‬ ‫1‬ ‫6/‪A‬‬ ‫7‬ ‫1/‪D‬‬ ‫1‬ ‫1‬ ‫26‬ ‫1/‪J‬‬ ‫‪‬‬ ‫5/‪B‬‬ ‫36‬ ‫‪‬‬ ‫211‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫4‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫6 7‬ ‫4‬ ‫1/‪G‬‬ ‫1‬ ‫6/‪A‬‬ ‫5‬ ‫2/‪4 E‬‬ ‫7‬ ‫4‬ ‫1/‪D‬‬ ‫1‬ ‫‪‬‬ ‫26‬ ‫1‬ ‫1/‪J‬‬ ‫1‬ ‫4‬ ‫‪‬‬ ‫5/‪B‬‬ ‫2/‪F‬‬ ‫36‬ ‫3‬ ‫5‬ ‫‪‬‬ ‫311‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫4‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫6 7‬ ‫4‬ ‫1/‪G‬‬ ‫1‬ ‫1‬ ‫6/‪A‬‬ ‫5‬ ‫2/‪4 E‬‬ ‫7‬ ‫4‬ ‫1/‪D‬‬ ‫1‬ ‫‪‬‬ ‫26‬ ‫1‬ ‫1/‪J‬‬ ‫1‬ ‫4‬ ‫‪‬‬ ‫6‬ ‫5/‪B‬‬ ‫2/‪F‬‬ ‫36‬ ‫3‬ ‫5 5‬ ‫‪‬‬ ‫‪‬‬ ‫411‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫4‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫6 7‬ ‫1/‪G‬‬ ‫1‬ ‫1‬ ‫6/‪A‬‬ ‫5‬ ‫2/‪4 E‬‬ ‫6‬ ‫1‬ ‫‪‬‬ ‫4‬ ‫1/‪D‬‬ ‫1‬ ‫‪‬‬ ‫2‬ ‫1/‪J‬‬ ‫1‬ ‫‪‬‬ ‫2‬ ‫6‬ ‫5/‪B‬‬ ‫2/‪F‬‬ ‫36‬ ‫3‬ ‫5 5‬ ‫‪‬‬ ‫‪‬‬ ‫511‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫4‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫6 7‬ ‫1/‪G‬‬ ‫1‬ ‫1‬ ‫6/‪A‬‬ ‫5‬ ‫2/‪4 E‬‬ ‫7‬ ‫4‬ ‫1/‪D‬‬ ‫67‬ ‫‪‬‬ ‫‪‬‬ ‫1‬ ‫‪‬‬ ‫26‬ ‫1‬ ‫1/‪J‬‬ ‫1‬ ‫0/‪H‬‬ ‫6‬ ‫1‬ ‫‪‬‬ ‫6‬ ‫5/‪B‬‬ ‫2/‪F‬‬ ‫36‬ ‫3‬ ‫5 5‬ ‫‪‬‬ ‫‪‬‬ ‫611‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫يادگيری برای جست و جوی بهتر‬ ‫‪‬روشهای جست و جوی قبلي، از روشهای ثابت استفاده‬ ‫ميکردند.‬ ‫‪‬عامل با استفاده از فضای حالت فراسطحی ميتواند ياد بگيرد‬ ‫که بهتر جست و جو کند‬ ‫‪‬هر حالت در فضای حالت فرا سطحی، حالت)محاسباتی(‬ ‫داخلیِ برنامه ای را تسخير ميکند که فضای حالت سطح شیء،‬ ‫مثل رومانی را جست و جو ميکند‬ ‫‪‬الگوريتم يادگيری فراسطحی ميتواند چيزهايي را از تجربيات‬ ‫بياموزد تا زيردرختهای غير قابل قبول را کاوش نکند.‬ ‫711‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫توابع اکتشافی‬ ‫‪ ‬مثال برای معمای8‬ ‫‪ ‬ميان گ ِين هزينه حل تقريبا 22 مرحله و فاکتور انشعاب در‬ ‫0101×1.3 ≈ 223‬ ‫حدود 3 است.‬ ‫‪ ‬جست و جوی جامع تا عمق 22 :‬ ‫‪ ‬با انتخاب يک تابع اکتشافی مناسب ميتوان مراحل جستجو را‬ ‫811‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫دو روش اکتشافي متداول برای‬ ‫معمای8‬ ‫تعداد کاشيها در مکانهای = 1‪h‬‬ ‫8 = 1‪h‬‬ ‫نادرست‬ ‫در حالت شروع‬ ‫1‪h‬‬ ‫اکتشاف قابل قبولی‬ ‫است، زيرا هر کاشي که در‬ ‫جای نامناسبی قرار دارد،‬ ‫911‬ ‫حداقل يکبار بايد جابجا شود‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫دو روش اکتشافي متداول برای‬ ‫معمای8‬ ‫=‬ ‫مجموعه فواصل کاشيها از موقعيتهای2‪h‬‬ ‫هدف آنها‬ ‫در حالت+ 3 + 3 + 2 + 2 + 2 + 1 + 3 = 2‪h‬‬ ‫81 = 2 شروع‬ ‫چون کاشيها نميتوانند در امتداد قطر جا به‬ ‫جا شوند, فاصله ای که محاسبه ميکنيم‬ ‫مجموع فواصل افقی و عمودی است.‬ ‫021‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫دو روش اکتشافي متداول برای‬ ‫معمای8‬ ‫=‬ ‫مجموعه فواصل کاشيها از موقعيتهای2‪h‬‬ ‫هدف آنها‬ ‫2‪h‬‬ ‫قابل قبول است، زيرا هر جابجايي که‬ ‫ميتواند انجام گيرد، به اندازه يک مرحله به‬ ‫هدف نزديک ميشود.‬ ‫هيچ کدام از اين برآوردها، هزينه‬ ‫واقعی راه حل نيست‬ ‫هزينه واقعي 63 است‬ ‫121‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫اثر دقت اکتشاف بر کارايي‬ ‫‪‬فاکتور انشعاب مؤثر ‪*b‬‬ ‫‪‬اگر تعداد گره هايي که برای يک مسئله خاص توسط ‪ *A‬توليد ميشود برابر‬ ‫با ‪ N‬و عمق راه حل برابر با ‪ d‬باشد، آن گاه ‪ *b‬فاکتور انشعابی است که‬ ‫درخت يکنواختی به عمق ‪ d‬بايد داشته باشد تا حاوی 1+‪ N‬گره باشد‬ ‫) ++) ( ‪N = b‬‬ ‫( . ‪+ 1 *b‬‬ ‫++1‬ ‫‪* . b‬‬ ‫* .‬ ‫2‬ ‫‪d‬‬ ‫‪‬فاکتور انشعاب مؤثر معمول ً برای مسئله های سخت ثابت است‬ ‫‪‬اندازه گيريهای تجربي ‪ *b‬بر روی مجموعه کوچکي از مسئله ها ميتواند‬ ‫راهنمای خوبي برای مفيد بودن اکتشاف باشد‬ ‫‪‬مقدار ‪ *b‬در اکتشافي با طراحي خوب، نزديک 1 است‬ ‫221‬
‫جست و جوی آگاهانه و اکتشاف‬ ‫اثر دقت اکتشاف بر کارايي‬ ‫هزينه جست و جو‬ ‫فاکتور انشعاب مؤثر‬ ‫ميانگين گره های بسط يافته در جستجوی‪ IDS‬و ‪ *A‬و فاکتور انشعاب‬ ‫321‬ ‫مؤثر با استفاده از1‪ h‬و 2‪h‬‬
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi
Hosh masnooyi

Recommended

Netflix - Presentation
Netflix - PresentationNetflix - Presentation
Netflix - Presentationtobiasb191
 
Cincuenta cuentos para meditar y regalar
Cincuenta cuentos para meditar y regalarCincuenta cuentos para meditar y regalar
Cincuenta cuentos para meditar y regalarClarita Cra
 
Netflix - Case Study
Netflix - Case StudyNetflix - Case Study
Netflix - Case StudySrijan Dubey
 
The earliest heroes.ppt
The earliest heroes.pptThe earliest heroes.ppt
The earliest heroes.pptAngel Gee Andoy II
 
Wendy's, Social Media Strategy analysis
Wendy's, Social Media Strategy analysisWendy's, Social Media Strategy analysis
Wendy's, Social Media Strategy analysisVladimir Pushmin
 
Colour connotations
Colour connotationsColour connotations
Colour connotationsmunpreet
 
AppDynamics and ME Bank: Use Cases for a Modern Digital Bank - AppSphere16
AppDynamics and ME Bank: Use Cases for a Modern Digital Bank - AppSphere16AppDynamics and ME Bank: Use Cases for a Modern Digital Bank - AppSphere16
AppDynamics and ME Bank: Use Cases for a Modern Digital Bank - AppSphere16AppDynamics
 
Fjord Living Services
Fjord Living ServicesFjord Living Services
Fjord Living ServicesAccenture Middle East
 

Recommended

Netflix - Presentation
Netflix - PresentationNetflix - Presentation
Netflix - Presentationtobiasb191
 
Cincuenta cuentos para meditar y regalar
Cincuenta cuentos para meditar y regalarCincuenta cuentos para meditar y regalar
Cincuenta cuentos para meditar y regalarClarita Cra
 
Netflix - Case Study
Netflix - Case StudyNetflix - Case Study
Netflix - Case StudySrijan Dubey
 
The earliest heroes.ppt
The earliest heroes.pptThe earliest heroes.ppt
The earliest heroes.pptAngel Gee Andoy II
 
Wendy's, Social Media Strategy analysis
Wendy's, Social Media Strategy analysisWendy's, Social Media Strategy analysis
Wendy's, Social Media Strategy analysisVladimir Pushmin
 
Colour connotations
Colour connotationsColour connotations
Colour connotationsmunpreet
 
AppDynamics and ME Bank: Use Cases for a Modern Digital Bank - AppSphere16
AppDynamics and ME Bank: Use Cases for a Modern Digital Bank - AppSphere16AppDynamics and ME Bank: Use Cases for a Modern Digital Bank - AppSphere16
AppDynamics and ME Bank: Use Cases for a Modern Digital Bank - AppSphere16AppDynamics
 
Fjord Living Services
Fjord Living ServicesFjord Living Services
Fjord Living ServicesAccenture Middle East
 
2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by HubspotMarius Sescu
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTExpeed Software
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsPixeldarts
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthThinkNow
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfmarketingartwork
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture CodeSkeleton Technologies
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024Neil Kimberley
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)contently
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024Albert Qian
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsKurio // The Social Media Age(ncy)
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summarySpeakerHub
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next Tessa Mero
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentLily Ray
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations Rajiv Jayarajah, MAppComm, ACC
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data ScienceChristy Abraham Joy
 
Time Management & Productivity - Best Practices
Time Management & Productivity - Best PracticesTime Management & Productivity - Best Practices
Time Management & Productivity - Best PracticesVit Horky
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project managementMindGenius
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...RachelPearson36
 

More Related Content

Featured

2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by HubspotMarius Sescu
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTExpeed Software
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsPixeldarts
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthThinkNow
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfmarketingartwork
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024Neil Kimberley
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)contently
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024Albert Qian
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsKurio // The Social Media Age(ncy)
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summarySpeakerHub
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next Tessa Mero
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentLily Ray
 
Time Management & Productivity - Best Practices
Time Management & Productivity - Best PracticesTime Management & Productivity - Best Practices
Time Management & Productivity - Best PracticesVit Horky
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project managementMindGenius
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...RachelPearson36
 

Featured (20)

2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity - Best PracticesTime Management & Productivity - Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 

Hosh masnooyi

  • 1. ‫هوش مصنوعی‬ ‫نام مرجع :‬ ‫‪Artificial Intelligence A Modern Approach‬‬ ‫نویسنده :‬ ‫استوارت راسل، پیتر نورویگ‬ ‫1‬
  • 2. ‫زمان حضور در دانشگاه‬ ‫• سه شنبه ها و چهارشنبه ها‬ ‫‪Email: ahmad.javad@gmail.com‬‬ ‫2‬
  • 3. ‫ارزیابی‬ ‫4 نمره‬ ‫• میان ترم‬ ‫21 نمره‬ ‫• پایان ترم‬ ‫4 نمره‬ ‫• تمرینها و پیاده سازیها‬ ‫3‬
  • 4. ‫هوش‬ ‫مصنوع ي‬ ‫فصل لاول‬ ‫مقدمه‬ ‫4‬
  • 5. ‫‪Artificial Intelligence‬‬ ‫هوش مصنوع ي‬ ‫فهرست‬ ‫‪ ‬هوش مصنوع ي‬ ‫چيست؟‬ ‫‪ ‬مبان ي هوش مصنوع ي‬ ‫‪ ‬تاريخچه هوش‬
  • 6. ‫مقدمه‬ ‫هوش مصنوع ي‬ ‫چيست؟‬ ‫مانند انسان فکر کردن‬ ‫عاقلنه فکر کردن‬ ‫مانند انسان عمل کردن‬ ‫عاقلنه عمل کردن‬ ‫6‬
  • 7. ‫مقدمه‬ ‫‪Acting‬‬ ‫مانند انسان عمل کردن‬ ‫‪humanly‬‬ ‫‪ ‬هنر ساخت ماشينهاي ي که کارهاي ي‬ ‫را انجام ميدهند که آن کارها توسط‬ ‫انسان با فکر کردن انجام ميشوند.‬ ‫‪ ‬مطالعه برا ي ساخت کامپيوترها برا ي‬ ‫انجام کارهاي ي که فع ل ً انسان آنها را‬ ‫بهتر انجام ميدهد.‬ ‫7‬
  • 8. ‫) مانند انسان عمل کردن(‬ ‫مقدمه‬ ‫تست تورينگ‬ ‫‪B‬‬ ‫کدام‬ ‫‪A‬‬ ‫انسان‬ ‫است؟‬ ‫‪ B‬يا ‪A‬‬ ‫8‬
  • 9. ‫مقدمه‬ ‫‪Thinking‬‬ ‫مانند انسان فکر کردن‬ ‫‪humanly‬‬ ‫‪ ‬تلش جديد و هيجان انگيز برا ي‬ ‫ساخت ماشين هاي ي متفکر و با‬ ‫حس کامل‬ ‫‪ ‬خودکارساز ي فعاليت ها ي مرتبط‬ ‫با تفکر انسان، فعاليتهاي ي مثل‬ ‫تصميم گير ي ، حل مسئله، يادگير ي‬ ‫9‬
  • 10. ‫مقدمه‬ ‫‪Think rationally‬‬ ‫عاقلنه فکر کردن‬ ‫‪ ‬مطالعه تواناي ي ها ي ذهن ي از‬ ‫طريق مدل ها ي محاسبات ي ) منطق‬ ‫گرايي(‬ ‫‪ ‬مطالعه محاسبات ي که منجر به‬ ‫درک و استدلل م ي شود.‬ ‫01‬
  • 11. ‫مقدمه‬ ‫‪Act‬‬ ‫عاقلنه عمل کردن‬ ‫‪rationally‬‬ ‫طور ي عمل کند که بهترين نتيجه‬ ‫را ارائه دهد‬ ‫‪ ‬هوش محاسبات ي ، مطالعه طراح ي‬ ‫عامل ها ي هوشمند است‬ ‫11‬
  • 12. ‫مقدمه‬ ‫مبان ي هوش‬ ‫فلسفه: منطق، مصنوع ي‬ ‫روان شناس ي:‬ ‫تطبيق، اثر طبيع ي‬ ‫استدلل، ناش ي‬ ‫ادراک و تاثير آن بر‬ ‫شدن تفکر از مغز‬ ‫محيط‬ ‫فيزيک ي ، مبان ي‬ ‫رياضيات: نمايش‬ ‫يادگير ي ، زبان و‬ ‫رسم ي الگوريتمها،‬ ‫محاسبات، تصميم‬ ‫زبان‬ ‫عقلنيت‬ ‫پذير ي و تصميم‬ ‫شناس ي:‬ ‫21‬ ‫ناپذير ي ، احتمال‬ ‫علم ارائه،‬
  • 13. ‫مقدمه‬ ‫مبان ي هوش‬ ‫نظريه کنترل و مصنوع ي‬ ‫علوم‬ ‫نحوه‬‫عصب ي:‬ ‫تحت کنترل‬ ‫سيبرنتيک:‬ ‫پردازش اطلعات‬ ‫در آوردن محصولت‬ ‫توسط مغز‬ ‫مصنوع ي ، ثبات و پايدار ي ،‬ ‫طراح ي عامل بهينه‬ ‫مهندس ي‬ ‫نظريه‬‫اقتصاد:‬ ‫کامپيوتر: ساخت‬ ‫تصميمها ي عقلي ي ،‬ ‫نظريه باز ي‬ ‫کامپيوترها ي سريع‬ ‫31‬
  • 14. ‫مقدمه‬ ‫تاريخچه هوش‬ ‫‪ ، 1943‬مک کولوچ و والتر پ ي تز مصنوع ي مصنوع ي‬ ‫: ارا ي ه مدل نرون‬ ‫ب ي ت ي) دو حالته( قابل ي ادگ ي ر ي به منظور محاسبه هر تابع قابل‬ ‫محاسبه.‬ ‫‪ ، 1950‬آلن تور ي نگ اول ي ن بار د ي د کامل ي از هوش مصنوع ي‬ ‫را تحت عنوان ” محاسبات ماش ي ن ي و هوشمند “ ارا ي ه نمود.‬ ‫‪ ، 1951‬ه ي نسک ي و ادموندز اول ي ن کامپ ي وتر شبکه عصب ي را‬ ‫طراحی کردند.‬ ‫‪ ، 1952‬آرتور سامو ي ل: برنامه ا ي ساخت که ي اد م ي گرفت بهتر‬ ‫از نو ي سنده اش باز ي کند؛ در نت ي جه ا ي ن تصور را که‬ ‫41‬
  • 15. ‫) تاريخچه هوش مصنوع ي(‬ ‫مقدمه‬ ‫‪، 1956‬نشست کارگروه ي دورتموند: انتخاب نام هوش‬ ‫مصنوع ي‬ ‫‪ ، 1959‬هربرت جلونتر: برنامه)‪ (GTP‬را ساخت که قضا ي ا را‬ ‫با اصل موضوعات مشخص ثابت م ي کرد.‬ ‫‪ ، 1958‬جان مک کارت ي: تعر ي ف زبان ل ي سپ که بهتر ي ن زبان‬ ‫هوش مصنوع ي شد.‬ ‫‪ ، 1958-1973‬ج ي مز اسلگل: برنامه حل مسا ي ل انتگرالگ ي ر ي‬ ‫فرم بسته‬ ‫‪ ‬تام ا ي وانز: برنامه حل مشابهت ها ي هندس ي‬ ‫‪ ‬دان ي ل بابروز: برنامه حل مسا ي ل جبر ي‬ ‫51‬
  • 16. ‫) تاريخچه هوش مصنوع ي(‬ ‫مقدمه‬ ‫)6691-3791( کند شدن مسير تحقيقات هوش‬ ‫مصنوعی‬ ‫پيچيده شدن الگوريتم برنامه های‬ ‫‪‬‬ ‫جديد‬ ‫‪ ‬برنامه ترجمه متون‬ ‫‪ ‬انجام ناپذيری بسياری از مسائلی که‬ ‫سعی در حل آنها بود‬ ‫‪ ‬عدم موفقيت اثبات قضايا با مفروضات‬ ‫بيشتر‬ ‫61‬
  • 17. ‫) تاريخچه هوش مصنوع ي(‬ ‫مقدمه‬ ‫)9691- 9791( سيستم های مبتنی‬ ‫تا‬ ‫‪ ‬جستبر جوی همه منظوره که سعی بر يادگيری داشت‬ ‫و دانش‬ ‫پيمودن راه حل کامل‬ ‫‪ ‬مثل برنامه ‪ ، DENDRAL‬بوچانان و همکارانش در سال 9691‬ ‫اين بود که اولين سيستم پاداش غنی‬ ‫‪DENDRAL‬‬ ‫• مزيت برنامه‬ ‫بود‬ ‫‪ ‬متدولوژی جديد سيستم خبره‬ ‫که برای تشخيص عفونتهای خونی طراحی‬ ‫‪MYCIN‬‬ ‫‪ ‬مثل سيستم‬ ‫شد‬ ‫استفاده از فاکتورهای قطعيت‬ ‫•‬ ‫71‬ ‫‪ ‬افزايش تقاضا برای ش ِمای نمايش دانش‬
  • 18. ‫) تاريخچه هوش مصنوع ي(‬ ‫مقدمه‬ ‫0891 تا کنون: تبديل هوش مصنوعی‬ ‫به يک صنعت‬ ‫6891 تاکنون: برگشت به شبکه های‬ ‫عصبی‬ ‫7891 تاکنون: هوش مصنوعی به علم‬ ‫تبديل ميشود‬ ‫81‬
  • 19. ‫هوش‬ ‫مصنوع ي‬ ‫فصل مدوم‬ ‫دهوشمندعاملهاي‬ ‫91‬
  • 20. ‫‪Artificial Intelligence‬‬ ‫هوش مصنوع ي‬ ‫فهرست‬ ‫‪‬عامل‬ ‫‪‬خواص محيطهای وظيفه‬ ‫‪‬برنامه های عامل‬ ‫02‬
  • 21. ‫عاملهای هوشمند‬ ‫‪ ‬دنباله‬ ‫است که عامل تاکنون درک‬ ‫ادراک‬ ‫سابقه کامل هر چيزی‬ ‫کرده است.‬ ‫‪ ‬تابع‬ ‫عامل توصيف ميشود که هر‬ ‫عامل‬ ‫رفتار عامل توسط تابع‬ ‫دنباله ادراک را به يک فعاليت نقش ميکند.‬ ‫‪f : P* → A‬‬ ‫دنباله‬ ‫فعاليت‬ ‫ادراک : تابع عامل‬ ‫12‬
  • 22. ‫عاملهای هوشمند‬ ‫‪‬‬ ‫عامل‬ ‫ادراک ها‬ ‫حسگرها‬ ‫عامل‬ ‫?‬ ‫محيط‬ ‫محرکها‬ ‫فعاليت ها‬ ‫22‬
  • 23. ‫عاملهای هوشمند‬ ‫‪ ‬معيارهای کارايي‬ ‫‪ ‬معيار کارايي، معياری برای موفقيت‬ ‫رفتار عامل است.‬ ‫• بر اساس خواسته های فرد در محيط‬ ‫انتخاب ميشود‬ ‫‪ ‬رفتار عقليي‬ ‫‪ ‬معيار کارايي که ملکهای موفقيت را‬ ‫تعريف ميکند‬ ‫‪ ‬دانش قبلي عامل نسبت به محيط‬ ‫‪ ‬فعاليتهايي که عامل ميتواند انجام دهد‬ ‫32‬
  • 24. ‫عاملهای هوشمند‬ ‫‪((Omni science‬‬ ‫‪ ‬عامل عال ـ ِم‬ ‫خروجی واقعی فعاليت خود را ميداند و ميتواند بر‬ ‫اساس آن عمل کند‬ ‫)‪(Rational agent‬‬ ‫‪ ‬عامل خردمند‬ ‫فعاليتی را انتخاب ميکند که معيار کارايي اش را‬ ‫حداکثر ميکند‬ ‫جمع آوری اطلعات، اکتشاف، يادگيری‬ ‫•‬ ‫‪ ‬عامل خود مختار‬ ‫42‬
  • 25. ‫عاملهای هوشمند‬ ‫‪ ‬کام ل ً قابل مشاهده درمقابل قابليت‬ ‫مشاهده جزئی‬ ‫‪ ‬قطعي درمقابل غير قطعی‬ ‫خواص‬ ‫‪ ‬راهبردی‬ ‫‪ ‬رويدادی درمقابل ترتيبي‬ ‫محيط های‬ ‫‪ ‬ايستا درمقابل پويا‬ ‫وظيفه‬ ‫‪ ‬گسسته درمقابل پيوسته‬ ‫‪ ‬تک عاملي درمقابل چند عاملي‬ ‫52‬ ‫‪ ‬چند عاملي رقابتي درمقابل‬
  • 26. ‫عاملهای هوشمند‬ ‫ساختار‬ ‫عاملها‬ ‫برنامه + معماری = عامل‬ ‫کار هوش مصنوعی طراحی برنامه عامل است که تابع‬ ‫عامل را پياده سازی ميکند‬ ‫برنامه های‬ ‫‪ ‬عاملهای واکنشی‬ ‫مدل گرا‬ ‫عامل‬ ‫‪ ‬عاملهای واکنشی‬ ‫ساده‬ ‫‪ ‬عاملهای‬ ‫‪ ‬عاملهای هدف‬ ‫سودمند‬ ‫گرا‬ ‫62‬
  • 27. ‫عاملهای هوشمند‬ ‫عاملهای واکنشی ساده‬ ‫‪‬اين عاملها فعاليت را بر‬ ‫عامل‬ ‫حسگر‬ ‫ها‬ ‫اساس درک فعلی و بدون‬ ‫جهان چگونه است‬ ‫در نظر گرفتن سابقه ادراک،‬ ‫انتخاب ميکند‬ ‫محيط‬ ‫‪‬به خاطر حذف سابقه‬ ‫قانون‬ ‫اکنون چه‬ ‫ادراک برنامه عامل در‬ ‫شرط عمل‬ ‫عملی بايد‬ ‫مقايسه با جدول آن بسيار‬ ‫انجام دهم‬ ‫کوچک است‬ ‫محرکها‬ ‫‪‬انتخاب فعاليت بر اساس‬ ‫72‬ ‫يکسری قوانين موقعيت‬
  • 28. ‫عاملهای هوشمند‬ ‫مثالي از عامل واکنشی ساده در دنيای جاروبرقي‬ ‫‪‬تصميم گيری آن بر‬ ‫اساس مکان فعلی و‬ ‫کثيف بودن آن مکان‬ ‫صورت ميگيرد‬ ‫‪‬در برنامه عامل در‬ ‫مقايسه با جدول آن،‬ ‫)]‪function REFLEX-VACUUM-AGENT ([location, status‬‬ ‫‪return an action‬‬ ‫تعداد حالتهای ممکن از‬ ‫‪if status == Dirty then return Suck‬‬ ‫‪else if location == A then return Right‬‬ ‫کاهش مي يابد‬ ‫4 به 4‬ ‫‪else if location == B then return Left‬‬ ‫82انتخاب فعاليت بر‬ ‫‪‬‬ ‫اساس موقعيت‬
  • 29. ‫عاملهای هوشمند‬ ‫عاملهای واکنشي‬ ‫حالت‬ ‫حسگر‬ ‫‪‬استفاده از گرا‬ ‫مدل دانش‬ ‫ها‬ ‫”چگونگی عملکرد‬ ‫جهان‬ ‫چگونه‬ ‫جهان“ که مدل نام دارد‬ ‫تکامل می‬ ‫جهان چگونه است‬ ‫‪‬عامل بخشي از‬ ‫محيط‬ ‫يابد‬ ‫کار فعاليت‬ ‫چيست‬ ‫دنيايي را که فعل ميبيند‬ ‫رديابی ميکند‬ ‫قانون‬ ‫اکنون چه‬ ‫شرط عمل‬ ‫عملی بايد‬ ‫‪‬عامل بايد حالت‬ ‫انجام دهم‬ ‫داخلي را ذخيره کند که‬ ‫به سابقه ادراک بستگي‬ ‫عامل‬ ‫محرکها‬ ‫دارد‬ ‫92‬
  • 30.
  • 31.
  • 32.
  • 33.
  • 34. ‫عاملهای هوشمند‬ ‫حسگر‬ ‫عاملهای هدف‬ ‫حالت‬ ‫ها‬ ‫‪‬اين گراعلوه بر توصيف‬ ‫عامل‬ ‫حالت فعلی، برای انتخاب‬ ‫جهان چگونه است‬ ‫جهان‬ ‫موقعيت مطلوب نيازمند‬ ‫چگونه‬ ‫اطلعات هدف نيز ميباشد‬ ‫تکامل می‬ ‫محيط‬ ‫اگر فعاليت ‪A‬‬ ‫يابد‬ ‫را انجام دهم‬ ‫‪ ‬جست و جو و برنامه‬ ‫کار فعاليت‬ ‫چه خواهد‬ ‫چيست‬ ‫شد‬ ‫ريزی، دنباله ای از فعاليتها را‬ ‫برای رسيدن عامل به هدف،‬ ‫پيدا ميکند‬ ‫اکنون چه‬ ‫اهداف‬ ‫عملی بايد‬ ‫‪‬اين نوع تصميم گيری‬ ‫انجام دهم‬ ‫همواره آينده را در نظر دارد و‬ ‫با قوانين شرط عمل تفاوت‬ ‫عامل‬ ‫محرکها‬ ‫دارد‬ ‫43‬
  • 35. ‫عاملهای هوشمند‬ ‫حسگر‬ ‫عاملهای‬ ‫حالت‬ ‫ها‬ ‫سودمند‬ ‫‪‬اين عامل براي اهداف‬ ‫مشخص، راه های مختلفی‬ ‫جهان چگونه است‬ ‫جهان‬ ‫دارد، که راه حل بهتر برای‬ ‫چگونه‬ ‫عامل سودمندتر است.‬ ‫تکامل می‬ ‫اگر فعاليت ‪A‬‬ ‫محيط‬ ‫يابد‬ ‫را انجام دهم‬ ‫چه خواهد‬ ‫‪ ‬تابع سودمندی، حالت يا‬ ‫کار فعاليت‬ ‫چيست‬ ‫شد‬ ‫دنباله ای از حالتها را به يک‬ ‫در چنين حالتی‬ ‫عدد حقيقی نگاشت ميکند که‬ ‫سودمند‬ ‫درجه رضايت را توصيف‬ ‫چقدر رضايت‬ ‫دارم‬ ‫مِيکند.‬ ‫اکنون چه‬ ‫عملی بايد‬ ‫‪‬وقتی اهداف متضاد‬ ‫باشند، بعضی از آنها برآورده‬ ‫عامل‬ ‫انجام دهم‬ ‫محرکها‬ ‫ميشوند‬ ‫53‬
  • 36. ‫عاملهای هوشمند‬ ‫استاندارد‬ ‫کارايي‬ ‫عاملهای‬ ‫منتقد‬ ‫حسگر‬ ‫يادگيرنده‬ ‫‪ ‬عنصرِ يادگيرنده مسئول‬ ‫ايجاد بهبودها‬ ‫ها‬ ‫‪‬عنصر کارايي مسئول‬ ‫بازخور‬ ‫د‬ ‫انتخاب فعاليتهای خارجی‬ ‫محيط‬ ‫تغييرات‬ ‫‪ ‬منتقد مشخص ميکند که‬ ‫عنصر‬ ‫عنصر کارايي‬ ‫يادگيرنده با توجه به‬ ‫دانش يادگيرنده‬ ‫استانداردهای کارايي چگونه‬ ‫يادگير‬ ‫اهدا‬ ‫ف‬ ‫عمل ميکند‬ ‫ی‬ ‫مولد مسئله‬ ‫‪ ‬مولد مسئله مسئول پيشنهاد‬ ‫فعاليتهايي است که منجر به‬ ‫عامل‬ ‫محرکها‬ ‫تجربيات آموزنده جديدی ميشود‬ ‫63‬
  • 37. ‫هوش‬ ‫مصنوع ي‬ ‫فصل مسوم‬ ‫حل همسئله ابا تجست‬ ‫جو‬ ‫73‬
  • 38. ‫‪Artificial Intelligence‬‬ ‫هوش مصنوع ي‬ ‫فهرست‬ ‫‪ ‬عاملهای حل مسئله‬ ‫‪ ‬مسئله‬ ‫‪ ‬اندازه گيری کارايي حل‬ ‫مسئله‬ ‫‪ ‬جستجوی ناآگاهانه‬ ‫‪ ‬اجتناب از حالتهای‬ ‫83‬ ‫تکراری‬
  • 39. ‫حل مسئله با جستجو‬ ‫عاملهای حل مسئله‬ ‫چهار گام اساسي برای حل مسائل‬ ‫‪ ‬فرموله کردن هدف: وضعيتهای مطلوب نهايي‬ ‫کدامند؟‬ ‫‪ ‬فرموله کردن مسئله: چه فعاليتها و وضعيتهايي‬ ‫برای رسيدن به هدف موجود است؟‬ ‫‪ ‬جستجو: انتخاب بهترين دنباله از فعاليتهايي که‬ ‫منجر به حالتی با مقدار شناخته شده ميشود.‬ ‫‪ ‬اجرا: وقتی دنباله فعاليت مطلوب پيدا شد،‬ ‫93‬ ‫فعاليتهای پيشنهادی آن ميتواند اجرا شود.‬
  • 40. ‫حل مسئله با جستجو‬ ‫مثال: نقشه رومانی‬ ‫04‬
  • 41. ‫حل مسئله با جستجو‬ ‫مثال: نقشه رومانی‬ ‫‪ ‬صورت مسأله: رفتن از آراد به بخارست‬ ‫‪ ‬فرموله کردن هدف: رسيدن به بخارست‬ ‫‪ ‬فرموله کردن مسئله:‬ ‫‪ ‬وضعيتها: شهرهای مختلف‬ ‫‪ ‬فعاليتها: حرکت بين شهرها‬ ‫‪ ‬جستجو: دنباله ای از شهرها مثل: آراد، سيبيو، فاگارس،‬ ‫بخارست‬ ‫14‬ ‫‪ ‬اين جستجو با توجه به کم هزينه ترين مسير انتخاب ميشود‬
  • 42. ‫حل مسئله با جستجو‬ ‫مسئله‬ ‫‪‬حالت اوليه: حالتی که عامل از آن شروع ميکند.‬ ‫‪‬در مثال رومانی: شهر آراد ‪(n(Arad‬‬ ‫‪‬تابع جانشين: توصيفي از فعاليتهای ممکن که برای عامل مهيا است.‬ ‫‪‬در مثال رومانی:‪Zerind,Sibui,Timisoara{ {=(S(Arad‬‬ ‫‪‬فضای حالت: مجموعه ای از حالتها که از حالت اوليه ميتوان به آنها‬ ‫رسيد.‬ ‫‪‬در مثال رومانی: کليه شهرها که با شروع از آراد ميتوان به‬ ‫آنها رسيد‬ ‫24‬ ‫تابع جانشين + حالت اوليه = فضای حالت‬
  • 43. ‫حل مسئله با جستجو‬ ‫‪‬آزمون هدف: تعيين ميکند که آيا حالت خاصی، حالت هدف است يا‬ ‫خير‬ ‫صريح: در مثال رومانی، رسيدن به بخارست‬ ‫‪‬هدف‬ ‫انتزاعی: در مثال شطرنج، رسيدن به حالت کيش و مات‬ ‫‪‬هدف‬ ‫‪‬مسير: دنباله ای از حالتها که دنباله ای از فعاليتها را به هم متصل‬ ‫ميکند.‬ ‫‪‬در مثال رومانی: ‪ Arad, Sibiu, Fagaras‬يک مسير است‬ ‫‪‬هزينه مسير: برای هر مسير يک هزينه عددی در نظر ميگيرد.‬ ‫‪‬در مثال رومانی: طول مسير بين شهرها بر حسب کيلومتر‬ ‫راه حل مسئله مسيری از حالت اوليه به حالت‬ ‫34‬ ‫هدف است‬
  • 44. ‫حل مسئله با جستجو‬ ‫مثال: دنيای جارو برقي‬ ‫حالتها: دو مکان که هر يک ممکن‬ ‫است کثيف يا تميز باشند.لذا 8 = 2^2*‬ ‫2حالت در اين جهان وجود دارد‬ ‫حالت اوليه: هر حالتی ميتواند به‬ ‫عنوان حالت اوليه طراحی شود‬ ‫تابع جانشين: حالتهای معتبر از سه‬ ‫عمليات: راست، چپ، مکش‬ ‫آزمون هدف: تميزی تمام مربعها‬ ‫هزينه مسير: تعداد مراحل در مسير‬ ‫44‬
  • 45. ‫حل مسئله با جستجو‬ ‫مثال: دنيای جارو برقي‬ ‫حالتها: دو مکان که هر يک ممکن‬ ‫است کثيف يا تميز باشند.لذا 8 = 2^2*‬ ‫2حالت در اين جهان وجود دارد‬ ‫حالت اوليه: هر حالتی ميتواند به‬ ‫عنوان حالت اوليه طراحی شود‬ ‫تابع جانشين: حالتهای معتبر از سه‬ ‫عمليات: راست، چپ، مکش‬ ‫آزمون هدف: تميزی تمام مربعها‬ ‫هزينه مسير: تعداد مراحل در مسير‬ ‫54‬
  • 46. ‫حل مسئله با جستجو‬ ‫مثال: معمای8‬ ‫حالتها: مکان هر هشت خانه شماره دار و خانه خالی‬ ‫در يکي از 9 خانه‬ ‫حالت اوليه: هر حالتي را ميتوان به عنوان حالت‬ ‫اوليه در نظر گرفت‬ ‫تابع جانشين: حالتهای معتبر از چهار عمل، انتقال‬ ‫خانه خالی به چپ، راست، بال يا پايين‬ ‫آزمون هدف: بررسی ميکند که حالتی که اعداد به‬ ‫ترتيب چيده شده اند)طبق شکل روبرو( رخ داده يا نه‬ ‫هزينه مسير: برابر با تعداد مراحل در مسير‬ ‫64‬
  • 47. ‫حل مسئله با جستجو‬ ‫مثال: معمای8‬ ‫حالتها: مکان هر هشت خانه شماره دار و خانه خالی‬ ‫در يکي از 9 خانه‬ ‫حالت اوليه: هر حالتي را ميتوان به عنوان حالت‬ ‫اوليه در نظر گرفت‬ ‫تابع جانشين: حالتهای معتبر از چهار عمل، انتقال‬ ‫خانه خالی به چپ، راست، بال يا پايين‬ ‫آزمون هدف: بررسی ميکند که حالتی که اعداد به‬ ‫ترتيب چيده شده اند)طبق شکل روبرو( رخ داده يا نه‬ ‫هزينه مسير: برابر با تعداد مراحل در مسير‬ ‫74‬
  • 48. ‫حل مسئله با جستجو‬ ‫مثال: مسئله 8 وزير‬ ‫فرمول بندی افزايشي‬ ‫حالتها: هر ترتيبي از 0 تا 8 وزير در صفحه،‬ ‫يک حالت است‬ ‫حالت اوليه: هيچ وزيری در صفحه نيست‬ ‫تابع جانشين: وزيری را به خانه خالی‬ ‫اضافه ميکند‬ ‫آزمون هدف: 8وزير در صفحه وجود دارند‬ ‫و هيچ کدام به يکديگر گارد نميگيرند‬ ‫در اين فرمول بندی بايد‬ ‫41^01*3 دنباله ممکن بررسی‬ ‫84‬ ‫ميشود‬
  • 49. ‫حل مسئله با جستجو‬ ‫مثال: مسئله 8 وزير‬ ‫فرمول بندی افزايشي‬ ‫حالتها: هر ترتيبي از 0 تا 8 وزير در صفحه،‬ ‫يک حالت است‬ ‫حالت اوليه: هيچ وزيری در صفحه نيست‬ ‫تابع جانشين: وزيری را به خانه خالی‬ ‫اضافه ميکند‬ ‫آزمون هدف: 8وزير در صفحه وجود دارند‬ ‫و هيچ کدام به يکديگر گارد نميگيرند‬ ‫در اين فرمول بندی بايد‬ ‫41^01*3 دنباله ممکن بررسی‬ ‫94‬ ‫ميشود‬
  • 50. ‫حل مسئله با جستجو‬ ‫مثال: مسئله 8 وزير‬ ‫فرمول بندی حالت کامل‬ ‫حالتها: چيدمان ‪ n‬وزير )0≥ ‪ ، ≥( 8n‬بطوريکه در هر‬ ‫ستون از ‪ n‬ستون سمت چپ، يک وزير قرار گيرد و‬ ‫هيچ دو وزيری بهم گارد نگيرند‬ ‫حالت اوليه: با 8 وزير در صفحه شروع ميشود‬ ‫تابع جانشين: وزيری را در سمت چپ ترين ستون‬ ‫خالي قرار ميدهد، بطوری که هيچ وزيری آن را‬ ‫گارد ندهد‬ ‫آزمون هدف: 8وزير در صفحه وجود دارند و هيچ‬ ‫کدام به يکديگر گارد نميگيرند‬ ‫اين فرمول بندی فضای حالت را‬ ‫05‬ ‫از 41^01*3 به 7502 کاهش‬
  • 51. ‫حل مسئله با جستجو‬ ‫مثال: مسئله 8 وزير‬ ‫فرمول بندی حالت کامل‬ ‫حالتها: چيدمان ‪ n‬وزير )0≥ ‪ ، ≥( 8n‬بطوريکه در هر‬ ‫ستون از ‪ n‬ستون سمت چپ، يک وزير قرار گيرد و‬ ‫هيچ دو وزيری بهم گارد نگيرند‬ ‫حالت اوليه: با 8 وزير در صفحه شروع ميشود‬ ‫تابع جانشين: وزيری را در سمت چپ ترين ستون‬ ‫خالي قرار ميدهد، بطوری که هيچ وزيری آن را‬ ‫گارد ندهد‬ ‫آزمون هدف: 8وزير در صفحه وجود دارند و هيچ‬ ‫کدام به يکديگر گارد نميگيرند‬ ‫اين فرمول بندی فضای حالت را‬ ‫15‬ ‫از 41^01*3 به 7502 کاهش‬
  • 52. ‫حل مسئله با جستجو‬ ‫اندازه گيری کارايي حل مسئله‬ ‫آيا الگوريتم تضمين ميکند که در صورت وجود‬ ‫‪‬کامل بودن:‬ ‫راه حل، آن را بيابد؟‬ ‫آيا اين راهبرد، راه حل بهينه ای را ارائه ميکند.‬ ‫‪‬بهينگي:‬ ‫چقدر طول ميکشد تا راه حل را پيدا‬ ‫‪‬پيچيدگي زمانی:‬ ‫کند؟‬ ‫تعداد گره های توليد شده در اثنای جستجو‬ ‫برای جستجو چقدر حافظه نياز دارد؟‬ ‫‪‬پيچيدگی فضا:‬ ‫حداکثر تعداد گره های ذخيره شده در حافظه‬ ‫25‬
  • 53. ‫حل مسئله با جستجو‬ ‫اندازه گيری کارايي حل مسئله‬ ‫آيا الگوريتم تضمين ميکند که در صورت وجود‬ ‫‪‬کامل بودن:‬ ‫راه حل، آن را بيابد؟‬ ‫آيا اين راهبرد، راه حل بهينه ای را ارائه ميکند.‬ ‫‪‬بهينگي:‬ ‫چقدر طول ميکشد تا راه حل را پيدا‬ ‫‪‬پيچيدگي زمانی:‬ ‫کند؟‬ ‫‪‬تعداد گره های توليد شده در اثنای جستجو‬ ‫برای جستجو چقدر حافظه نياز دارد؟‬ ‫‪‬پيچيدگی فضا:‬ ‫‪‬حداکثر تعداد گره های ذخيره شده در حافظه‬ ‫35‬
  • 54. ‫حل مسئله با جستجو‬ ‫جستجوی ناآگاهانه‬ ‫‪‬ناآگاهی اين است که الگوريتم هيچ اطلعاتی غير از تعريف مسئله در اختيار‬ ‫ندارد‬ ‫‪‬اين الگوريتمها فقط ميتواند جانشينهايي را توليد و هدف را از غير هدف‬ ‫تشخيص دهند‬ ‫‪‬راهبردهايي که تشخيص ميدهد يک حالت غير هدف نسبت به گره غير هدف‬ ‫راهبردها‬ ‫ديگر، اميد بخش تر است، جست و جوی آگاهانه يا جست و جوی اکتشافي ناميده‬ ‫‪‬جست و جوی هزينه‬ ‫‪‬جست و جوی عرضی‬ ‫ميشود.‬ ‫يکنواخت‬ ‫‪‬جست و جوی عمقی‬ ‫‪‬جست و جوی عميق کننده تکراری ‪‬جست و جوی عمقی‬ ‫محدود‬ ‫45‬ ‫‪‬جست و جوی دو طرفه‬
  • 55. ‫حل مسئله با جستجو‬ ‫جستجوی عرضی‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫55‬
  • 56. ‫حل مسئله با جستجو‬ ‫جستجوی عرضی‬ ‫کامل بودن: بله‬ ‫بهينگی: بله )مشروط( بله )مشروط(‬ ‫گره باشد.)مثل وقتي که فعاليتها هزينه يکسانی دارند(‬ ‫‪O(b‬‬ ‫1+‪d‬‬ ‫)‬ ‫پيچيدگي زماني:‬ ‫) 1+‪O(b d‬‬ ‫پيچيدگی فضا:‬ ‫65‬
  • 57. ‫حل مسئله با جستجو‬ ‫جستجوی هزينه يکنواخت‬ ‫اين جستجو گره ‪ n‬را با کمترين هزينه مسير بسط ميدهد‬ ‫‪A‬‬ ‫1‬ ‫3‬ ‫1‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫75‬
  • 58. ‫حل مسئله با جستجو‬ ‫جستجوی هزينه يکنواخت‬ ‫کامل بودن: بله‬ ‫)هزينه مسير با حرکت در مسير افزايش مي يابد(‬ ‫بهينگی: بله‬ ‫] ‪[C*/ε‬‬ ‫‪O(b‬‬ ‫)‬ ‫پيچيدگي زماني:‬ ‫] ‪[C*/ε‬‬ ‫‪O(b‬‬ ‫)‬ ‫پيچيدگی فضا:‬ ‫85‬
  • 59. ‫حل مسئله با جستجو‬ ‫جستجوی عمقی‬ ‫2‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫3‬ ‫6‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫7‬ ‫4‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫5‬ ‫95‬
  • 60. ‫حل مسئله با جستجو‬ ‫جستجوی عمقی‬ ‫:کامل بودن: خير‬ ‫کامل‬ ‫باشد، جستجو هرگز خاتمه نمي يابد.‬ ‫:بهينگي: خير‬ ‫بهينگی‬ ‫‪m‬‬ ‫) ‪O(b‬‬ ‫پيچيدگي زماني:‬ ‫)‪O(bm‬‬ ‫پيچيدگی فضا:‬ ‫06‬
  • 61. ‫حل مسئله با جستجو‬ ‫جستجوی عمقی محدود‬ ‫مسئله درختهای نامحدود ميتواند به وسيله جست و جوی عمقي با‬ ‫عمق محدود ‪ L‬بهبود يابد‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫16‬
  • 62. ‫حل مسئله با جستجو‬ ‫جستجوی عمقی محدود‬ ‫:کامل بودن: خير‬ ‫کامل‬ ‫داشته باشد، اينراهبرد کامل نخواهد بود.‬ ‫:بهينگي: خير‬ ‫بهينگی‬ ‫‪L‬‬ ‫) ‪O(b‬‬ ‫پيچيدگي زماني:‬ ‫)‪O(bL‬‬ ‫پيچيدگی فضا:‬ ‫26‬
  • 63. ‫حل مسئله با جستجو‬ ‫جستجوی عميق کننده تکراري‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫36‬
  • 64. ‫حل مسئله با جستجو‬ ‫جستجوی عميق کننده تکراري‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫46‬
  • 65. ‫حل مسئله با جستجو‬ ‫جستجوی عميق کننده تکراري‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫‪H‬‬ ‫‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫‪P‬‬ ‫‪Q‬‬ ‫‪R‬‬ ‫‪S‬‬ ‫56‬
  • 66. ‫حل مسئله با جستجو‬ ‫جستجوی عميق کننده تکراري‬ ‫:کامل بودن: بله‬ ‫کامل‬ ‫:بهينگي: بله‬ ‫بهينگی‬ ‫‪d‬‬ ‫) ‪O(b‬‬ ‫پيچيدگي زماني:‬ ‫)‪O(bd‬‬ ‫پيچيدگی فضا:‬ ‫66‬
  • 67. ‫حل مسئله با جستجو‬ ‫جستجوی دو طرفه‬ ‫انجام دو جست و جوی همزمان، يکي از حالت اوليه به هدف و ديگری‬ ‫از هدف به حالت اوليه تا زمانی که دو جست و جو به هم برسند‬ ‫76‬
  • 68. ‫حل مسئله با جستجو‬ ‫جستجوی دو طرفه‬ ‫:کامل بودن: بله‬ ‫کامل‬ ‫:بهينگي: بله‬ ‫بهينگی‬ ‫2/‪d‬‬ ‫) ‪O(b‬‬ ‫پيچيدگي زماني:‬ ‫2/‪d‬‬ ‫) ‪O(b‬‬ ‫پيچيدگی فضا:‬ ‫86‬
  • 69. ‫حل مسئله با جستجو‬ ‫اجتناب از حالتهای تکراری‬ ‫وجود حالتهای تکراری در يک مسئله قابل حل، ميتواند آن را به مسئله‬ ‫غير قابل حل تبديل کند‬ ‫96‬
  • 70. ‫حل مسئله با جستجو‬ ‫جستجو با اطلعات ناقص‬ ‫‪‬مسئله های فاقد حسگر : اگر عامل فاقشد حسشگر باششد، ميتواند در‬ ‫يکي از چند حالت اوليه باشد و هر فعاليت ميتواند آن را به يکي از چند حالت‬ ‫جانشين ببرد‬ ‫‪‬مسئله های اقتضايي: اگر محيط به طور جزئی قابل مشاهده باشد يا‬ ‫اگر فعاليتها قطعي نباشد، ادراکات عامل، پس از هر عمل، اطلعات جديدي را‬ ‫تهيه ميکنند . هر ادراک ممکن، اقتضايی را تعريف ميکند که بايد برای آن برنامه‬ ‫ريزی شود‬ ‫‪‬مسائل خصمانه : اگرعدم قطعيت در اثر فعاليتهای عامل ديگری‬ ‫بوجود آيد، مسئله را خصمانه گويند‬ ‫‪‬مسئله های اکتشافی: وقتی حالتها و فعاليتهای محيط ناشناخته باشند،‬ ‫07‬ ‫عامل بايد سعي کند آنها را کشف کند. مسئله های اکتشافی را ميتوان شکل نهايی‬
  • 71. ‫حل مسئله با جستجو‬ ‫مثال: دنيای جاروبرقی فاقد‬ ‫ميداند اما فاقد حسگر است. حسگر‬ ‫‪‬عامل جارو تمام اثرات فعاليتهايش را‬ ‫‪‬حالت اوليه آن يکي از اعضای‬ ‫مجموعه{18{ ،7،6،5،4،3،2،ميباشد‬ ‫‪‬فعاليت ))‪{2،4،6،Right‬‬ ‫8{‬ ‫)‪Right,Suck‬‬ ‫‪‬فعاليت )8{،4{‬ ‫‪‬فعاليت )‪ (Right,Suck,Left,Suck‬تضمين‬ ‫17‬ ‫ميکند که صرف نظر از حالت اوليه، به‬
  • 72. ‫حل مسئله با جستجو‬ ‫دنيای‬ ‫جاروبرقی‬ ‫‪‬عامل بايد راجع به‬ ‫فاقد حسگر‬ ‫مجموعه هاي حالتی که‬ ‫ميتواند به آنها برسد استدلل‬ ‫کند. اين مجموعه از حالتها‬ ‫را حالت باور گوييم.‬ ‫‪‬اگر فضای حالت فيزيکي‬ ‫دارای ‪ s‬حالت باشد فضای‬ ‫حالت باور 2^‪ s‬حالت باور‬ ‫خواهد داشت.‬ ‫27‬
  • 73. ‫هوش‬ ‫مصنوع ي‬ ‫فصل مچهارم‬ ‫جست وو یجوی هآگاهانه‬ ‫وفاکتشاف‬ ‫37‬
  • 74. ‫‪Artificial Intelligence‬‬ ‫هوش مصنوع ي‬ ‫فهرست‬ ‫‪ ‬متدهای جست و جوی آگاهانه‬ ‫‪ ‬يادگيری برای جست و جوی‬ ‫بهتر‬ ‫‪ ‬جست و جوی محلی و بهينه‬ ‫سازی‬ ‫‪ ‬جست و جوی محلی در‬ ‫فضاهای پيوسته‬ ‫47‬
  • 75. ‫جست و جوی آگاهانه و اکتشاف‬ ‫متدهای جستجوی آگاهانه‬ ‫‪‬جستجوی محلی‬ ‫‪‬بهترين جستجو‬ ‫و بهينه سازی‬ ‫‪‬حريصانه‬ ‫‪‬تپه نوردی‬ ‫‪*A‬‬ ‫‪‬شبيه سازی حرارت‬ ‫‪*IDA‬‬ ‫‪‬پرتو محلی‬ ‫‪RBFS‬‬ ‫‪ *MA‬و ‪*SMA‬‬ ‫‪‬الگوريتمهای ژنتيک‬ ‫57‬
  • 76. ‫جست و جوی آگاهانه و اکتشاف‬ ‫تعاريف‬ ‫‪‬تابع هزينه مسير، ‪ : (g(n‬هزينه مسير از گره اوليه تا گره ‪n‬‬ ‫‪‬تابع اکتشافی، ‪ : (h(n‬هزينه تخمينی ارزان ترين مسير از گره ‪ n‬به گره‬ ‫هدف‬ ‫‪‬تابع بهترين مسير، ‪ : (h*(n‬ارزان ترين مسير از گره ‪ n‬تا گره هدف‬ ‫‪‬تابع ارزيابي، ‪ : (f(n‬هزينه تخمينی ارزان ترين مسير از طريق ‪n‬‬ ‫‪(f(n): g(n) + h(n‬‬ ‫‪ : (f*(n‬هزينه ارزان ترين مسير از طريق ‪(f*(n): g(n) + h*(nn‬‬ ‫67‬
  • 77. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حريصانه‬ ‫‪A‬‬ ‫3‬ ‫1‬ ‫1‬ ‫2‬ ‫‪B‬‬ ‫‪C‬‬ ‫1‬ ‫2‬ ‫1‬ ‫1‬ ‫5‬ ‫3‬ ‫3‬ ‫2‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫1‬ ‫3‬ ‫3‬ ‫2‬ ‫1‬ ‫2‬ ‫1‬ ‫3‬ ‫2‬ ‫1‬ ‫2‬ ‫1‬ ‫3‬ ‫‪H‬‬ ‫3 ‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫3 ‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫3‬ ‫2‬ ‫3‬ ‫2‬ ‫3‬ ‫0‬ ‫3‬ ‫2‬ ‫1‬ ‫1‬ ‫2‬ ‫3‬ ‫3‬ ‫‪P‬‬ ‫‪Q‬‬ ‫‪R‬‬ ‫‪S‬‬ ‫‪T‬‬ ‫‪U‬‬ ‫‪V‬‬ ‫‪W‬‬ ‫‪X‬‬ ‫‪Y‬‬ ‫‪Z‬‬ ‫1‬ ‫2‬ ‫2‬ ‫1‬ ‫1‬ ‫2‬ ‫1‬ ‫0‬ ‫2‬ ‫1‬ ‫77‬
  • 78. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حريصانه‬ ‫‪A‬‬ ‫2‬ ‫1‬ ‫3‬ ‫1‬ ‫2‪‬‬ ‫‪‬‬ ‫1‬ ‫‪B‬‬ ‫‪C‬‬ ‫1‬ ‫2‬ ‫1‬ ‫1‬ ‫5‬ ‫3‬ ‫3‬ ‫32‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫1‬ ‫‪G‬‬ ‫3‬ ‫‪‬‬ ‫4‬ ‫‪‬‬ ‫1‬ ‫3‬ ‫‪N‬‬ ‫‪O‬‬ ‫1‬ ‫5‬ ‫‪‬‬ ‫‪X‬‬ ‫0‬ ‫87‬
  • 79. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حريصانه‬ ‫‪A‬‬ ‫2‬ ‫1‬ ‫1‬ ‫4‬ ‫‪B‬‬ ‫‪C‬‬ ‫1‬ ‫1‬ ‫1‬ ‫1‬ ‫5‬ ‫1‬ ‫3‬ ‫3‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬ ‫‪G‬‬ ‫1‬ ‫3‬ ‫3‬ ‫3‬ ‫1‬ ‫2‬ ‫1‬ ‫3‬ ‫2‬ ‫1‬ ‫2‬ ‫1‬ ‫3‬ ‫‪H‬‬ ‫3 ‪I‬‬ ‫‪J‬‬ ‫‪K‬‬ ‫3 ‪L‬‬ ‫‪M‬‬ ‫‪N‬‬ ‫‪O‬‬ ‫3‬ ‫2‬ ‫3‬ ‫2‬ ‫3‬ ‫0‬ ‫3‬ ‫2‬ ‫1‬ ‫1‬ ‫2‬ ‫3‬ ‫3‬ ‫‪P‬‬ ‫‪Q‬‬ ‫‪R‬‬ ‫‪S‬‬ ‫‪T‬‬ ‫‪U‬‬ ‫‪V‬‬ ‫‪W‬‬ ‫‪X‬‬ ‫‪Y‬‬ ‫‪Z‬‬ ‫1‬ ‫2‬ ‫2‬ ‫1‬ ‫1‬ ‫2‬ ‫1‬ ‫0‬ ‫2‬ ‫1‬ ‫97‬
  • 80. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حريصانه‬ ‫‪A‬‬ ‫2‬ ‫1‬ ‫1‬ ‫4‬ ‫‪1 B‬‬ ‫‪C‬‬ ‫1‬ ‫1‬ ‫5‬ ‫1‬ ‫2‬ ‫‪D‬‬ ‫3‬ ‫‪E‬‬ ‫‪‬‬ ‫3‬ ‫1‬ ‫3‬ ‫‪J‬‬ ‫‪K‬‬ ‫‪‬‬ ‫0‬ ‫08‬
  • 81. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حريصانه‬ ‫‪‬کامل بودن: خير‬ ‫بودن: ‪‬اما اگر ‪ *h = h‬آنگاه جستجو کامل ميشود‬ ‫‪‬بهينگی: خير‬ ‫‪‬اما اگر ‪ *h = h‬آنگاه جستجو کامل ميشود‬ ‫‪‬پيچيدگي زماني: ) ‪O(b m‬‬ ‫‪‬اما اگر ‪ *h = h‬آنگاه ) ‪O(bd‬‬ ‫‪‬پيچيدگی فضا: ) ‪O(b m‬‬ ‫‪‬اما اگر ‪ *h = h‬آنگاه ) ‪O(bd‬‬ ‫18‬
  • 82. ‫جست و جوی آگاهانه و اکتشاف‬ *A ‫جستجوی‬ A/5 2 1 B/4 C/4 1 1 1 1 D/5 E/1 F/3 G/2 1 3 3 3 1 2 1 3 H/2 I/3 J/1 K/0 L/3 M/2 N/1 O/3 3 2 3 2 3 3 2 1 1 2 3 P/3 Q/1 R/2 S/2 T/1 U/1 V/2 W/1 X/0 Y/2 Z/1 82
  • 83. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪*A‬‬ ‫5/‪A‬‬ ‫2‬ ‫1‬ ‫6‬ ‫15‬ ‫4/‪B‬‬ ‫4/‪C‬‬ ‫‪‬‬ ‫1‬ ‫1‬ ‫5‬ ‫24‬ ‫3/‪F‬‬ ‫2/‪G‬‬ ‫‪‬‬ ‫1‬ ‫3‬ ‫3‬ ‫4 ‪‬‬ ‫1/‪N‬‬ ‫3/‪O‬‬ ‫8‬ ‫1‬ ‫0/‪X‬‬ ‫4‬ ‫38‬
  • 84. ‫جست و جوی آگاهانه و اکتشاف‬ *A ‫جستجوی‬ A/5 2 1 B/1 C/4 1 1 1 1 D/5 E/1 F/3 G/2 1 3 3 3 1 2 1 3 H/2 I/3 J/1 K/0 L/3 M/2 N/1 O/3 3 2 3 2 3 3 2 1 1 2 3 P/3 Q/1 R/2 S/2 T/1 U/1 V/2 W/1 X/0 Y/2 Z/1 84
  • 85. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪*A‬‬ ‫5/‪A‬‬ ‫2‬ ‫1‬ ‫1‬ ‫35‬ ‫1/‪3B‬‬ ‫4/‪C‬‬ ‫‪‬‬ ‫1‬ ‫1‬ ‫1‬ ‫1‬ ‫8‬ ‫4‬ ‫5‬ ‫44‬ ‫5/‪D‬‬ ‫1/‪E‬‬ ‫‪‬‬ ‫2‬ ‫3/‪F‬‬ ‫2/‪G‬‬ ‫‪‬‬ ‫3‬ ‫3‬ ‫1‬ ‫3‬ ‫5‬ ‫7‬ ‫1/‪J‬‬ ‫6 0/‪K‬‬ ‫4 ‪‬‬ ‫1/‪N‬‬ ‫3/‪O‬‬ ‫8‬ ‫1‬ ‫0/‪X‬‬ ‫4‬ ‫58‬
  • 86. ‫جست و جوی آگاهانه و اکتشاف‬ *A ‫جستجوی‬ A/5 2 1 B/1 C/9 1 1 1 1 D/5 E/1 F/3 G/2 1 3 3 3 1 2 1 3 H/2 I/3 J/1 K/0 L/3 M/2 N/1 O/3 3 2 3 2 3 3 2 1 1 2 3 P/3 Q/1 R/2 S/2 T/1 U/1 V/2 W/1 X/0 Y/2 Z/1 86
  • 87. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪*A‬‬ ‫5/‪A‬‬ ‫2‬ ‫1‬ ‫1‬ ‫01‬ ‫1/‪ B‬‬ ‫3‬ ‫9/‪C‬‬ ‫1‬ ‫1‬ ‫8‬ ‫4‬ ‫2‬ ‫5/‪D‬‬ ‫3‬ ‫1/‪E‬‬ ‫‪‬‬ ‫3‬ ‫3‬ ‫1‬ ‫1/‪J‬‬ ‫0/‪K‬‬ ‫‪‬‬ ‫6‬ ‫78‬
  • 88. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪*A‬‬ ‫‪‬کامل بودن: بله‬ ‫‪‬بهينگی: بله‬ ‫زماني: ) ‪O(b m‬‬ ‫‪‬پيچيدگي‬ ‫‪‬اما اگر ‪ *h = h‬آنگاه ) ‪O(bd‬‬ ‫‪‬پيچيدگی فضا: ) ‪O(b m‬‬ ‫‪‬اما اگر ‪ *h = h‬آنگاه ) ‪O(bd‬‬ ‫88‬
  • 89. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪*A‬‬ ‫‪A‬‬ ‫‪A‬‬ ‫1‬ ‫1‬ ‫1‬ ‫1‬ ‫‪1 B‬‬ ‫2 ‪C‬‬ ‫‪3 B‬‬ ‫4 ‪C‬‬ ‫1‬ ‫1‬ ‫1‬ ‫1‬ ‫‪1 D‬‬ ‫1 ‪E‬‬ ‫‪2 D‬‬ ‫1 ‪E‬‬ ‫1‬ ‫1‬ ‫1‬ ‫1‬ ‫‪1 F‬‬ ‫‪G‬‬ ‫0‬ ‫‪1 F‬‬ ‫‪G‬‬ ‫0‬ ‫1‬ ‫1‬ ‫‪0 H‬‬ ‫‪0 H‬‬ ‫*‪h ≤ h‬‬ ‫/‬ ‫*‪h 89 h‬‬ ‫≤‬
  • 90. ‫جست و جوی آگاهانه و اکتشاف‬ *A ‫جستجوی‬ A A 1 1 1 1 1 1 1 B C 2  4 3 B C 4 1 1 1 1 2 5 2 1 D E 1 2 D E 1 1 6 1 1 1 3 1 F G 0 3 1 F G 0 1 1 4 0 H 0 H h ≤ h* / h 90 h* ≤
  • 91. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬و اجتناب از گره های‬ ‫تکراری‬ ‫001/‪A‬‬ ‫01‬ ‫08/‪B‬‬ ‫59/‪C‬‬ ‫09/‪D‬‬ ‫68/‪E‬‬ ‫87/‪F‬‬ ‫09/‪G‬‬ ‫06/‪T‬‬ ‫57/‪M‬‬ ‫78/‪I‬‬ ‫08/‪H‬‬ ‫28/‪J‬‬ ‫57/‪M‬‬ ‫27/‪N‬‬ ‫58/‪K‬‬ ‫08/‪L‬‬ ‫25/‪W‬‬ ‫85/‪X‬‬ ‫87/‪O‬‬ ‫97/‪P‬‬ ‫18/‪U‬‬ ‫38/‪V‬‬ ‫87/‪O‬‬ ‫97/‪P‬‬ ‫07/‪S‬‬ ‫06/‪T‬‬ ‫74/‪Y‬‬ ‫05/‪Z‬‬ ‫25/‪W‬‬ ‫85/‪X‬‬ ‫0/‪Q‬‬ ‫02/‪R‬‬ ‫هزينه هر مرحله‬ ‫01 ميباشد‬ ‫19‬ ‫74/‪Y‬‬ ‫05/‪Z‬‬
  • 92. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬و اجتناب از گره های‬ ‫تکراری‬ ‫001/‪A‬‬ ‫8‬ ‫3‬ ‫1‬ ‫‪‬‬ ‫09 08/‪B‬‬ ‫59/‪105 C‬‬ ‫‪‬‬ ‫09/‪100 D‬‬ ‫‪‬‬ ‫2‬ ‫4‬ ‫‪‬‬ ‫‪‬‬ ‫68/‪106 E‬‬ ‫89 87/‪F‬‬ ‫011 09/‪G‬‬ ‫08 06/‪T‬‬ ‫57/‪95 M‬‬ ‫701 78/‪I‬‬ ‫‪‬‬ ‫501 57/‪M‬‬ ‫011 07/‪S‬‬ ‫‪‬‬ ‫5‬ ‫201 27/‪N‬‬ ‫6‬ ‫‪‬‬ ‫001 06/‪T‬‬ ‫9‬ ‫‪‬‬ ‫25/‪82 W‬‬ ‫74/‪87 Y‬‬ ‫85/‪88 X‬‬ ‫09 05/‪Z‬‬ ‫87/‪O‬‬ ‫801‬ ‫97/‪P‬‬ ‫901‬ ‫7‬ ‫‪‬‬ ‫25/‪102 W‬‬ ‫801 85/‪X‬‬ ‫01‬ ‫0/‪Q‬‬ ‫02/‪R‬‬ ‫‪‬‬ ‫05‬ ‫07‬ ‫29‬ ‫74/‪107 Y‬‬ ‫011 05/‪Z‬‬
  • 93. ‫جست و جوی آگاهانه و اکتشاف‬ ‫مثال ديگر از جستجوی ‪*A‬‬ ‫)‪f(n)=g(n) + h(n‬‬ ‫39‬
  • 94. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬در نقشه رومانی‬ ‫جستجوی ‪ Bucharest‬با شروع از ‪Arad‬‬ ‫663=663+0=)‪f(Arad) = g(Arad)+h(Arad‬‬ ‫49‬
  • 95. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬در نقشه رومانی‬ ‫َ‪ Arad‬را باز کرده و ‪ (f(n‬را برای هر يک از زيربرگها محاسبه ميکنيم:‬ ‫393=352+041=)‪f(Sibiu)=c(Arad,Sibiu)+h(Sibiu‬‬ ‫744=923+811=)‪f(Timisoara)=c(Arad,Timisoara)+h(Timisoara‬‬ ‫944=473+57=)‪f(Zerind)=c(Arad,Zerind)+h(Zerind‬‬ ‫بهترين انتخاب شهر ‪ Sibiu‬است‬ ‫59‬
  • 96. ‫جست و جوی آگاهانه و اکتشاف‬ ‫* در نقشه رومانی‬A ‫جستجوی‬ :‫( را برای هر يک از زيربرگها محاسبه ميکنيم‬f(n ‫ را باز کرده و‬Sibiuَ f(Arad)=c(Sibiu,Arad)+h(Arad)=280+366=646 f(Fagaras)=c(Sibiu,Fagaras)+h(Fagaras)=239+179=415 f(Oradea)=c(Sibiu,Oradea)+h(Oradea)=291+380=671 f(Rimnicu Vilcea)=c(Sibiu,Rimnicu Vilcea)+ h(Rimnicu Vilcea)=220+192=413 ‫ است‬Rimnicu Vilcea ‫بهترين انتخاب شهر‬ 96
  • 97. ‫جست و جوی آگاهانه و اکتشاف‬ ‫* در نقشه رومانی‬A ‫جستجوی‬ ‫( را برای هر يک از زيربرگها محاسبه‬f(n ‫ را باز کرده و‬Rimnicu Vilceaَ :‫ميکنيم‬ f(Craiova)=c(Rimnicu Vilcea, Craiova)+h(Craiova)=360+160=526 f(Pitesti)=c(Rimnicu Vilcea, Pitesti)+h(Pitesti)=317+100=417 f(Sibiu)=c(Rimnicu Vilcea,Sibiu)+h(Sibiu)=300+253=553 97 ‫ است‬Fagaras ‫بهترين انتخاب شهر‬
  • 98. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬در نقشه رومانی‬ ‫َ ‪ Fagaras‬را باز کرده و ‪ (f(n‬را برای هر يک از زيربرگها محاسبه ميکنيم:‬ ‫195=352+833=)‪f(Sibiu)=c(Fagaras, Sibiu)+h(Sibiu‬‬ ‫054=0+054=)‪f(Bucharest)=c(Fagaras,Bucharest)+h(Bucharest‬‬ ‫89‬ ‫بهترين انتخاب شهر ‪ !!! Pitesti‬است‬
  • 99. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬در نقشه رومانی‬ ‫َ ‪ Pitesti‬را باز کرده و ‪ (f(n‬را برای هر يک از زيربرگها محاسبه ميکنيم:‬ ‫814=0+814=)‪f(Bucharest)=c(Pitesti,Bucharest)+h(Bucharest‬‬ ‫99‬ ‫بهترين انتخاب شهر ‪ !!! Bucharest‬است‬
  • 100. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی ‪ *A‬در نقشه رومانی‬ ‫001‬
  • 101. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی اکتشافی با حافظه محدود‬ ‫‪*IDA‬‬ ‫‪‬ساده ترين راه برای کاهش حافظه مورد نياز ‪ *A‬استفاده از عميق‬ ‫کننده تکرار در زمينه جست و جوی اکتشافي است.‬ ‫*‪A‬‬ ‫‪‬الگوريتم عميق کننده تکرار ‪*IDA‬‬ ‫‪‬در جستجوی ‪ *IDA‬مقدار برش مورد استفاده، عمق نيست بلکه‬ ‫هزينه ‪ (f(g+h‬است.‬ ‫‪ *IDA‬برای اغلب مسئله های با هزينه های مرحله ای، مناسب است‬ ‫و از سربار ناشي از نگهداری صف مرتبي از گره ها اجتناب ميکند‬ ‫101‬
  • 102. ‫جست و جوی آگاهانه و اکتشاف‬ ‫بهترين جستجوی بازگشتي ‪RBFS‬‬ ‫‪‬ساختار آن شبيه جست و جوی عمقي بازگشتي است، اما به جای‬ ‫اينکه دائما به طرف پايين مسير حرکت کند، مقدار ‪ f‬مربوط به بهترين‬ ‫مسير از هر جد گره فعلی را نگهداری ميکند، اگر گره فعلی از اين حد‬ ‫تجاوز کند، بازگشتی به عقب برميگردد تا مسير ديگري را انتخاب کند.‬ ‫‪‬اين جستجو اگر تابع اکتشافی قابل قبولی داشته باشد، بهينه است.‬ ‫‪‬پيچيدگي فضايي آن ‪ (O(bd‬است‬ ‫‪‬تعيين پيچيدگی زمانی آن به دقت تابع اکتشافی و ميزان تغيير‬ ‫بهترين مسير در اثر بسط گره ها بستگی دارد.‬ ‫201‬
  • 103. ‫جست و جوی آگاهانه و اکتشاف‬ ‫بهترين جستجوی بازگشتي ‪RBFS‬‬ ‫‪ RBFS‬تا حدی از ‪ *IDA‬کارآمدتر است، اما گره های زيادی توليد‬ ‫ميکند.‬ ‫‪ *IDA ‬و ‪ RBFS‬در معرض افزايش تواني پيچيدگي قرار دارند که‬ ‫در جست و جوی گرافها مرسوم است، زيرا نميتوانند حالتهای تکراری‬ ‫را در غير از مسير فعلي بررسي کنند. لذا، ممکن است يک حالت را‬ ‫چندين بار بررسي کنند.‬ ‫‪ *IDA ‬و ‪ RBFS‬از فضای اندکي استفاده ميکنند که به آنها آسيب‬ ‫ميرساند. ‪ *IDA‬بين هر تکرار فقط يک عدد را نگهداری ميکند که‬ ‫301‬ ‫فعلي هزينه ‪ f‬است. ‪ RBFS‬اطلعات بيشتری در حافظه نگهداری‬
  • 104. ‫جست و جوی آگاهانه و اکتشاف‬ ‫بهترين جستجوی بازگشتي در نقشه‬ ‫رومانی‬ ‫401‬
  • 105. ‫جست و جوی آگاهانه و اکتشاف‬ ‫بهترين جستجوی بازگشتي در نقشه‬ ‫رومانی‬ ‫501‬
  • 106. ‫جست و جوی آگاهانه و اکتشاف‬ ‫بهترين جستجوی بازگشتي در نقشه‬ ‫رومانی‬ ‫601‬
  • 107. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حافظه محدود ساده ‪*SMA‬‬ ‫‪ *SMA‬بهترين برگ را بسط ميدهد تا حافظه پر شود. در اين نقطه‬ ‫بدون از بين بردن گره های قبلي نميتواند گره جديدی اضافه کند‬ ‫‪ *SMA‬هميشه بدترين گره برگ را حذف ميکند و سپس از طريق‬ ‫گره فراموش شده به والد آن بر ميگردد. پس جد زير درخت فراموش‬ ‫شده، کيفيت بهترين مسير را در آن زير درخت ميداند‬ ‫‪‬اگر عمق سطحی ترين گره هدف کمتر از حافظه باشد, کامل‬ ‫است.‬ ‫701‬ ‫‪ *SMA ‬بهترين الگوريتم همه منظوره برای يافتن حلهای بهينه‬
  • 108. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی حافظه محدود ساده ‪*SMA‬‬ ‫‪‬اگر مقدار ‪ f‬تمام برگها يکسان باشد و الگوريتم يک گره را هم برای‬ ‫بسط و هم برای حذف انتخاب کند، ‪ *SMA‬اين مسئله را با بسط‬ ‫بهترين برگ جديد و حذف بهترين برگ قديمی حل ميکند‬ ‫‪‬ممکن است ‪ *SMA‬مجبور شود دائما بين مجموعه ای از مسيرهای‬ ‫حل کانديد تغيير موضع دهد، در حالی که بخش کوچکی از هر کدام‬ ‫در حافظه جا شود‬ ‫‪‬محدوديتهای حافظه ممکن است مسئله ها را از نظر زمان‬ ‫محاسباتی، غير قابل حل کند.‬ ‫801‬
  • 109. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1/‪C‬‬ ‫2‬ ‫4‬ ‫1/‪G‬‬ ‫1‬ ‫1‬ ‫1‬ ‫6/‪A‬‬ ‫2/‪E‬‬ ‫1/‪D‬‬ ‫1‬ ‫0/‪H‬‬ ‫1‬ ‫1/‪J‬‬ ‫1‬ ‫1‬ ‫4‬ ‫2‬ ‫5/‪B‬‬ ‫2/‪F‬‬ ‫3‬ ‫901‬
  • 110. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫‪‬‬ ‫1/‪C‬‬ ‫4‬ ‫6/‪A‬‬ ‫1‬ ‫5/‪B‬‬ ‫6‬ ‫011‬
  • 111. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫7‬ ‫4‬ ‫1/‪G‬‬ ‫1‬ ‫6/‪A‬‬ ‫1/‪D‬‬ ‫1‬ ‫26‬ ‫‪‬‬ ‫5/‪B‬‬ ‫6‬ ‫111‬
  • 112. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫7‬ ‫4‬ ‫1/‪G‬‬ ‫1‬ ‫6/‪A‬‬ ‫7‬ ‫1/‪D‬‬ ‫1‬ ‫1‬ ‫26‬ ‫1/‪J‬‬ ‫‪‬‬ ‫5/‪B‬‬ ‫36‬ ‫‪‬‬ ‫211‬
  • 113. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫4‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫6 7‬ ‫4‬ ‫1/‪G‬‬ ‫1‬ ‫6/‪A‬‬ ‫5‬ ‫2/‪4 E‬‬ ‫7‬ ‫4‬ ‫1/‪D‬‬ ‫1‬ ‫‪‬‬ ‫26‬ ‫1‬ ‫1/‪J‬‬ ‫1‬ ‫4‬ ‫‪‬‬ ‫5/‪B‬‬ ‫2/‪F‬‬ ‫36‬ ‫3‬ ‫5‬ ‫‪‬‬ ‫311‬
  • 114. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫4‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫6 7‬ ‫4‬ ‫1/‪G‬‬ ‫1‬ ‫1‬ ‫6/‪A‬‬ ‫5‬ ‫2/‪4 E‬‬ ‫7‬ ‫4‬ ‫1/‪D‬‬ ‫1‬ ‫‪‬‬ ‫26‬ ‫1‬ ‫1/‪J‬‬ ‫1‬ ‫4‬ ‫‪‬‬ ‫6‬ ‫5/‪B‬‬ ‫2/‪F‬‬ ‫36‬ ‫3‬ ‫5 5‬ ‫‪‬‬ ‫‪‬‬ ‫411‬
  • 115. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫4‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫6 7‬ ‫1/‪G‬‬ ‫1‬ ‫1‬ ‫6/‪A‬‬ ‫5‬ ‫2/‪4 E‬‬ ‫6‬ ‫1‬ ‫‪‬‬ ‫4‬ ‫1/‪D‬‬ ‫1‬ ‫‪‬‬ ‫2‬ ‫1/‪J‬‬ ‫1‬ ‫‪‬‬ ‫2‬ ‫6‬ ‫5/‪B‬‬ ‫2/‪F‬‬ ‫36‬ ‫3‬ ‫5 5‬ ‫‪‬‬ ‫‪‬‬ ‫511‬
  • 116. ‫جست و جوی آگاهانه و اکتشاف‬ ‫جستجوی گراف با ‪*A‬‬ ‫1‬ ‫5‬ ‫4‪‬‬ ‫1/‪C‬‬ ‫2‬ ‫6 7‬ ‫1/‪G‬‬ ‫1‬ ‫1‬ ‫6/‪A‬‬ ‫5‬ ‫2/‪4 E‬‬ ‫7‬ ‫4‬ ‫1/‪D‬‬ ‫67‬ ‫‪‬‬ ‫‪‬‬ ‫1‬ ‫‪‬‬ ‫26‬ ‫1‬ ‫1/‪J‬‬ ‫1‬ ‫0/‪H‬‬ ‫6‬ ‫1‬ ‫‪‬‬ ‫6‬ ‫5/‪B‬‬ ‫2/‪F‬‬ ‫36‬ ‫3‬ ‫5 5‬ ‫‪‬‬ ‫‪‬‬ ‫611‬
  • 117. ‫جست و جوی آگاهانه و اکتشاف‬ ‫يادگيری برای جست و جوی بهتر‬ ‫‪‬روشهای جست و جوی قبلي، از روشهای ثابت استفاده‬ ‫ميکردند.‬ ‫‪‬عامل با استفاده از فضای حالت فراسطحی ميتواند ياد بگيرد‬ ‫که بهتر جست و جو کند‬ ‫‪‬هر حالت در فضای حالت فرا سطحی، حالت)محاسباتی(‬ ‫داخلیِ برنامه ای را تسخير ميکند که فضای حالت سطح شیء،‬ ‫مثل رومانی را جست و جو ميکند‬ ‫‪‬الگوريتم يادگيری فراسطحی ميتواند چيزهايي را از تجربيات‬ ‫بياموزد تا زيردرختهای غير قابل قبول را کاوش نکند.‬ ‫711‬
  • 118. ‫جست و جوی آگاهانه و اکتشاف‬ ‫توابع اکتشافی‬ ‫‪ ‬مثال برای معمای8‬ ‫‪ ‬ميان گ ِين هزينه حل تقريبا 22 مرحله و فاکتور انشعاب در‬ ‫0101×1.3 ≈ 223‬ ‫حدود 3 است.‬ ‫‪ ‬جست و جوی جامع تا عمق 22 :‬ ‫‪ ‬با انتخاب يک تابع اکتشافی مناسب ميتوان مراحل جستجو را‬ ‫811‬
  • 119. ‫جست و جوی آگاهانه و اکتشاف‬ ‫دو روش اکتشافي متداول برای‬ ‫معمای8‬ ‫تعداد کاشيها در مکانهای = 1‪h‬‬ ‫8 = 1‪h‬‬ ‫نادرست‬ ‫در حالت شروع‬ ‫1‪h‬‬ ‫اکتشاف قابل قبولی‬ ‫است، زيرا هر کاشي که در‬ ‫جای نامناسبی قرار دارد،‬ ‫911‬ ‫حداقل يکبار بايد جابجا شود‬
  • 120. ‫جست و جوی آگاهانه و اکتشاف‬ ‫دو روش اکتشافي متداول برای‬ ‫معمای8‬ ‫=‬ ‫مجموعه فواصل کاشيها از موقعيتهای2‪h‬‬ ‫هدف آنها‬ ‫در حالت+ 3 + 3 + 2 + 2 + 2 + 1 + 3 = 2‪h‬‬ ‫81 = 2 شروع‬ ‫چون کاشيها نميتوانند در امتداد قطر جا به‬ ‫جا شوند, فاصله ای که محاسبه ميکنيم‬ ‫مجموع فواصل افقی و عمودی است.‬ ‫021‬
  • 121. ‫جست و جوی آگاهانه و اکتشاف‬ ‫دو روش اکتشافي متداول برای‬ ‫معمای8‬ ‫=‬ ‫مجموعه فواصل کاشيها از موقعيتهای2‪h‬‬ ‫هدف آنها‬ ‫2‪h‬‬ ‫قابل قبول است، زيرا هر جابجايي که‬ ‫ميتواند انجام گيرد، به اندازه يک مرحله به‬ ‫هدف نزديک ميشود.‬ ‫هيچ کدام از اين برآوردها، هزينه‬ ‫واقعی راه حل نيست‬ ‫هزينه واقعي 63 است‬ ‫121‬
  • 122. ‫جست و جوی آگاهانه و اکتشاف‬ ‫اثر دقت اکتشاف بر کارايي‬ ‫‪‬فاکتور انشعاب مؤثر ‪*b‬‬ ‫‪‬اگر تعداد گره هايي که برای يک مسئله خاص توسط ‪ *A‬توليد ميشود برابر‬ ‫با ‪ N‬و عمق راه حل برابر با ‪ d‬باشد، آن گاه ‪ *b‬فاکتور انشعابی است که‬ ‫درخت يکنواختی به عمق ‪ d‬بايد داشته باشد تا حاوی 1+‪ N‬گره باشد‬ ‫) ++) ( ‪N = b‬‬ ‫( . ‪+ 1 *b‬‬ ‫++1‬ ‫‪* . b‬‬ ‫* .‬ ‫2‬ ‫‪d‬‬ ‫‪‬فاکتور انشعاب مؤثر معمول ً برای مسئله های سخت ثابت است‬ ‫‪‬اندازه گيريهای تجربي ‪ *b‬بر روی مجموعه کوچکي از مسئله ها ميتواند‬ ‫راهنمای خوبي برای مفيد بودن اکتشاف باشد‬ ‫‪‬مقدار ‪ *b‬در اکتشافي با طراحي خوب، نزديک 1 است‬ ‫221‬
  • 123. ‫جست و جوی آگاهانه و اکتشاف‬ ‫اثر دقت اکتشاف بر کارايي‬ ‫هزينه جست و جو‬ ‫فاکتور انشعاب مؤثر‬ ‫ميانگين گره های بسط يافته در جستجوی‪ IDS‬و ‪ *A‬و فاکتور انشعاب‬ ‫321‬ ‫مؤثر با استفاده از1‪ h‬و 2‪h‬‬