Inteligenta Artificiala

Universitatea Politehnica Bucuresti

Anul universitar 2005-2006

Adina Magda Florea

http://turing.cs.pub.ro/ia_06
Curs nr. 3
Strategii de rezolvare a problemelor
 Problema satisfacerii restrictiilor
 Strategii de cautare in jocuri
 1. Problema satisfacerii restrictiilor
{X1,...,X n } R j ⊂ Di1 ×...× Di j Xi1,...,X i j
{D1,...,D n }
{R 1,...,R k } {(X1 , x j ),...,(X n , x j )}
1 n

 Gradul unei variabile

 Aritatea unei restrictii
 Gradul problemei
 Aritatea problemei
2.1 Instante ale CSP
 Determinarea unei solutii sau a tuturor
solutiilor
 CSP totala

 CSP partiala

 CSP binara – graf de restrictii

CSP – problema de cautare, in NP

 Sub-clase de probleme cu timp polinomial

 Reducerea timpului (reducerea sp. de

cautare)
Algoritm: Backtracking nerecursiv
1. Initializeaza FRONTiERA cu {Si} /* Si este starea initiala */
2. daca FRONTIERA = { }
atunci intoarce INSUCCES /* nu exista solutie /*
3. Fie S prima stare din FRONTIERA
4. daca toate starile succesoare ale lui S au fost deja generate
atunci
4.1.Elimina S din FRONTIERA
4.2.repeta de la 2
5. altfel
5.1.Genereaza S', noua stare succesoare a lui S
5.2.Introduce S' la începutul listei FRONTIERA
5.3.Stabileste legatura S’→ S
5.4.Marcheaza în S faptul cã starea succesoare S' a fost generata
5.5.daca S' este stare finala
atunci
5.5.1. Afiseaza calea spre solutie urmarind legaturile S’→ S ..
5.5.2. întoarce SUCCES /* s-a gasit o solutie */
5.6.repeta de la 2
sfarsit.
 2.2 Notatii
 X1, …, XN variabilele problemei, N fiind numarul de
variabile ale problemei,
 U - intreg care reprezinta indicele variabilei curent selectate
pentru a i se atribui o valoare
 F - vector indexat dupa indicii variabilelor, in care sunt
memorate selectiile de valori facute de la prima variabila si
pana la variabila curenta

adevarat daca exista restrictia R U1 U 2 (F[U1 ], F[U 2 ])


Relatie (U1 , F[U1 ], U 2 , F[U 2 ]) =  R U1 U 2 ⊂ D U 1 × D U 2
fals in caz contrar

Algoritm: Backtracking recursiv

BKT (U, F)
pentru fiecare valoare V a lui XU executa
1. F[U] ← V
2. daca Verifica (U,F) = adevarat
atunci
2.1. daca U < N
atunci BKT(U+1, F)
2.2. altfel
2.2.1. Afiseaza valorile din vectorul F
/* F reprezinta solutia problemei */
2.2.2. intrerupe ciclul
sfarsit.
Verifica (U,F)
1. test ← adevarat
2. I ← U - 1
3. cit timp I > 0 executa
3.1. test ← Relatie(I, F[I], U, F[U])
3.2. I ← I - 1
3.3. daca test = fals
atunci intrerupe ciclul
4. intoarce test
sfarsit.
 2.3 Imbunatatirea performantelor BKT
Algoritmi de imbunatatire a consistentei reprezentarii
 Consistenta locala a arcelor sau a cailor in graful de restrictii
Algoritmi hibrizi
 Imbunatatesc performantele rezolvarii prin reducerea numarului
de teste.
 Tehnici prospective:

- Algoritmul de cautare cu predictie completa

- Algoritmul de cautare cu predictie partiala
- Algoritmul de cautare cu verificare predictiva
 Tehnici retrospective:

- Algoritmul de backtracking cu salt

- Algoritmul de backtracking cu marcare
- Algoritmul de backtracking cu multime conflictuala
Utilizarea euristicilor
 Algoritmi de imbunatatire a consistentei
reprezentarii

 Propagarea restrictiilor
D X1 = D X2 = D X3 = {a, b,c}

X 1 R = {(a,b),(b,c)} X2 X1 R 12= {(a,b)} X2

12

R 13= {(a,c),(c,b)} R 13= {(a,c)} R 23= {b,c)}

X3 X3

(a) (b)
 2.4 Propagarea locala a restrictiilor
 Combinatia de valori x si y pentru variabilele
Xi si Xj este permisa de restrictia explicita
Rij(x,y).

 Un arc (Xi, Xj) intr-un graf de restrictii orientat

se numeste arc-consistent daca si numai daca
pentru orice valoare x ∈ Di, domeniul
variabilei Xi, exista o valoare y ∈ Dj, domeniul
variabilei Xj, astfel incat Rij(x,y).
 Graf de restrictii orientat arc-consistent
Algoritm: AC-3: Realizarea arc-consistentei pentru un graf
de restrictii.
1. Creeaza o coada Q ← { (Xi, Xj) | (Xi, Xj) ∈ Multime arce, i≠j}
2. cat timp Q nu este vida executa
2.1. Elimina din Q un arc (Xk, Xm)
2.2. Verifica(Xk, Xm)
2.3. daca subprogramul Verifica a facut schimbari in
domeniul variabilei Xk
atunci
Q ← Q ∪ { (Xi, Xk) | (Xi, Xk)∈Multime arce, i≠k,m}
sfarsit.
Verifica (Xk, Xm)
pentru fiecare x ∈ Dk executa
1. daca nu exista nici o valoare y ∈ Dm astfel incat Rkm(x,y)
atunci elimina x din Dk
 Cale-consistenta
 O cale de lungime m prin nodurile i0,…,im ale unui
graf de restrictii orientat se numeste m-cale-
consistenta daca si numai daca pentru orice valoare x
∈ Di0, domeniul variabilei i0 si o valoare y ∈ Djm,
domeniul variabilei im, pentru care Ri0im(x,y), exista o
secventa de valori z1∈ Di1 … zm-1 ∈ Dim-1 astfel incat
Ri0i1(x,z1), …, Rim-1im(zm-1,y)
 Graf de restrictii orientat m-arc-consistent
 Graf minim de restrictii
 n-cale-consistenta
 Comentarii
 Complexitate
 N - numarul de variabile
 a - cardinalitatea maxima a domeniilor de valori ale
variabilelor
 e - numarul de restrictii.
 Algoritmului de realizare a arc-consistentei - AC-3:
complexitate timp este O(e*a3); complexitate spatiu:
O(e+N*a)
 S-a gasit si un algoritm de complexitate timp O(e*a2)
– AC-4
 Algoritmul de realizare a 2-cale-consistentei - PC-4:
complexitatea timp O(N3*a3)
 2.5 CSP fara bkt - conditii
 Graf de restrictii ordonat
 Latimea unui nod
 Latimea unei ordonari a nodurilor
 Latimea unui graf de restrictii

RAC
A Niv 3 C A B
B
Niv 2 A C A
Niv 1 B B C
RCB

C
 Teoreme
 Daca un graf de restrictii arc-consistent are
latimea egala cu unu (i.e. este un arbore),
atunci problema asociata grafului admite o
solutie fara backtracking.
 Daca un graf de restrictii 2-cale-consistent are
latimea egala cu doi, atunci problema asociata
grafului admite o solutie fara backtracking.
 d-consistenta

 Fiind data o ordonare d a variabilelor unui graf

de restrictii R, graful R este d-arc-consistent
daca toate arcele avand directia d sint arc-
consistente.
 Fie un graf de restrictii R, avind ordonarea
variabilelor d cu latimea egala cu unu. Daca R
este d-arc-consistent atunci cautarea dupa
directia d este fara backtracking.
d-consistenta

Algoritm: Realizarea d-arc-consistentei unui graf

de restrictii cu ordonarea variabilelor (X1,…,XN)

pentru I ← N la 1 executa
1. pentru fiecare arc (Xj, Xi) cu j < i executa
1.1. Verifica(Xj, Xi)
sfarsit.

 Complexitatea timp: O(e*a2)

 2.6 Tehnici prospective
 Conventii
 Notatii: U, N, F (F[U]), T (T[U] … XU), TNOU

adevarat daca R U1 U 2 (L1 , L 2 )

Relatie(U1, L1, U2, L2) = 
fals în caz contrar

 Verifica_Inainte
 Verifica_Viitoare

 Predictie completa
 Predictie partiala
 Verificare predictiva
Algoritm: Backtracking cu predictie completa

Predictie(U, F, T)
pentru fiecare element L din T[U] executa
1. F[U] ← L
2. daca U < N atunci //verifica consistenta atribuirii
2.1 TNOU ← Verifica_Inainte (U, F[U], T)
2.2 daca TNOU ≠ LINIE_VIDA
atunci TNOU ← Verifica _Viitoare (U, TNOU)
2.3 daca TNOU ≠ LINIE_VIDA
atunci Predictie (U+1, F, TNOU)
3. altfel afiseaza atribuirile din F
sfarsit
Verifica_Inainte (U, L, T)
1. TNOU ← tabela vida
2. pentru U2 ← U+1 pana la N executa
2.1 pentru fiecare element L2 din T[U2] executa
2.1.1 daca Relatie(U, L, U2, L2) = adevarat
atunci introduce L2 in TNOU[U2]
2.2 daca TNOU[U2] este vida
atunci intoarce LINIE_VIDA
3. intoarce TNOU
sfarsit
Verifica_Viitoare (U, TNOU)
daca U+1 < N atunci
1. pentru U1 ← U+1 pana la N executa
1.1 pentru fiecare element L1 din TNOU[U1] executa
1.1.1 pentru U2 ← U+1 pana la N, U2≠U1 executa
i. pentru fiecare element L2 din TNOU[U2] executa
- daca Relatie (U1, L1, U2, L2) = adevarat
atunci intrerupe ciclul //dupa L2
ii. daca nu s-a gasit o valoare consistenta pentru U2
atunci
- elimina L1 din TNOU[U1]
- intrerupe ciclul // dupa U2
1.2 daca TNOU[U1] este vida
atunci intoarce LINIE_VIDA
2. intoarce TNOU
sfarsit
 BKT cu predictie partiala
 Se modifica Verifica_Viitoare pasii marcati cu rosu
Verifica_Viitoare (U, TNOU)
daca U+1 < N atunci
1. pentru U1 ← U+1 pana la N - 1 executa
1.1 pentru fiecare element L1 din TNOU[U1] executa
1.1.1 pentru U2 ← U1+1 pana la N executa
i. pentru fiecare element L2 din TNOU[U2] executa
- daca Relatie (U1, L1, U2, L2) = adevarat
atunci intrerupe ciclul //dupa L2
ii. daca nu s-a gasit o valoare consistenta pentru U2
atunci
- elimina L1 din TNOU[U1]
- intrerupe ciclul // dupa U2
1.2 daca TNOU[U1] este vida
atunci intoarce LINIE_VIDA
2. intoarce TNOU
sfarsit
 BKT cu verificare predictiva
 Se elimina apelul Verifica_Viitoare(U, TNOU) in
subprogramul Predictie
Algoritm: Backtracking cu verificare predictiva

Predictie(U, F, T)
pentru fiecare element L din T[U] executa
1. F[U] ← L
2. daca U < N atunci //verifica consistenta atribuirii
2.1 TNOU ← Verifica_Inainte (U, F[U], T)
2.2 daca TNOU ≠ LINIE_VIDA
atunci TNOU ← Verifica _Viitoare (U, TNOU)
2.2 daca TNOU ≠ LINIE_VIDA
atunci Predictie (U+1, F, TNOU)
3. altfel afiseaza atribuirile din F
sfarsit
2.7 Tehnici retrospective
 Backtracking cu salt
D ={escarpeni, pantofi de tenis}
Pf
Pantofi
(pantofi de tens, gris) (pantofi tenis, alba)
{(escarpeni, albã)} {(escarpeni, gri), (pantofi de tenis, jeans)}

D ={verde, albã} Cãmãºi Pantaloni D ={gri, bleu, jeans}

C Pt
{(verde, gri), (verde, jeans), (albã, jeans), (albã, bleu)} (a)

Pantofi escarpeni pantofi de tenis

1 1
Pantaloni jeans gri jeans bleu
bleu gris
Cãmãºi 2 1
verde albã verde albã (b)
verde alba
verde alba
Algoritm: Backtracking cu salt
BacktrackingCuSalt(U, F, Nivel)
/* NrBlocari, NivelVec, I, test, Nivel1 – var locale */
1. NrBlocari ← 0, I ← 0, Nivel ← U
2 pentru fiecare element V a lui XU executa
2.1 F[U] ← V
2.2 test, NivelVec[I] ← Verifica (U, F)
2.3 daca test = adevarat atunci
2.3.1 daca U < N atunci
i. BacktrackingCuSalt (U+1, F, Nivel1)
ii. daca Nivel1 < U atunci salt la sfarsit
2.3.2 altfel afiseaza valorile vectorului F // solutia
2.4 altfel NrBlocari ← NrBlocari + 1
2.5 I ← I + 1
3. daca NrBlocari = numar valori ale lui X[U] si
toate elementele din NivelVec sunt egale
atunci Nivel ← NivelVec[1]
sfarsit
Verifica (U, F)
1. test ← adevarat
2. I ← U-1
3. cat timp I>0 executa
3.1 test ← Relatie(I, F[I], U, F[U])
3.2 daca test = fals
atunci intrerupe ciclul
3.3 I ← I –1
4. NivelAflat ← I
5. intoarce test, NivelAflat
sfarsit
 2.8 Euristici

 Ordonarea variabilelor
 Ordonarea valorilor
 Ordonarea testelor
 3. Strategii de cautare in jocuri
 Jocuri ce implică doi adversari
 jucator
 adversar
 Jocuri in care spatiul de cautare poate fi
investigat exhaustiv
 Jocuri in care spatiul de cautare nu poate fi
investigat complet deoarece este prea mare.
3.1 Minimax pentru spatii de cautare
investigate exhaustiv
 Jucator – MAX
 Adversar – MIN
 Principiu Minimax
 Etichetez fiecare nivel din AJ cu MAX (jucator) si
MIN (adversar)
 Etichetez frunzele cu scorul jucatorului
 Parcurg AJ
 daca nodul parinte este MAX atunci i se atribuie
valoarea maxima a succesorilor sai;
 daca nodul parinte este MIN atunci i se atribuie
valoarea minima a succesorilor sai.
 Spatiu de cautare Minimax (AJ)

MAX A/3

MIN B/3 C/2 D/2

MAX E/3 F / 12 G/8 H/2 I/4 J/6 K / 14 L/5 M/2

Spatiu de cautare Minimax (AJ)
Nim cu 7 bete
MIN 7/1

MAX 6-1/1 5-2/1 4-3/1

MIN 5-1-1/0 4-2-1/1 3-2-2/0 3-3-1/1

MAX 4-1-1-1/0 3-2-1-1/1 2-2-2-1/0

MIN 3-1-1-1-1/0 2-2-1-1-1/1

MAX 2-1-1-1-1-1/0
Algoritm: Minimax cu investigare exhaustiva
Minimax( S )
1. pentru fiecare succesor Sj al lui S (obtinut printr-o mutare opj) executa
val( Sj ) ← Minimax( Sj )
2. aplica opj pentru care val( Sj ) este maxima
sfarsit

Minimax( S )
1. daca S este nod final atunci intoarce scor( S )
2. altfel
2.1 daca MAX muta in S atunci
2.1.1 pentru fiecare succesor Sj al lui S executa
val( Sj ) ← Minimax( Sj )
2.1.2 intoarce max( val( Sj ), ∀j )
2.2 altfel { MIN muta in S }
2.2.1 pentru fiecare succesor Sj al lui S executa
val( Sj ) ← Minimax( Sj )
2.2.2 intoarce min( val( Sj ), ∀j )
3.2 Minimax pentru spatii de cautare
investigate pana la o adancime n
 Principiu Minimax
 Algoritmul Minimax pana la o adancime n
 nivel(S)
 O functie euristica de evaluare a unui nod
eval(S)
Algoritm: Minimax cu adancime finita n
Minimax( S )
1. pentru fiecare succesor Sj al lui S (obtinut printr-o mutare opj) executa
val( Sj ) ← Minimax( Sj )
2. aplica opj pentru care val( Sj ) este maxima
sfarsit

Minimax( S ) { intoarce o estimare a starii S }

0. daca S este nod final atunci intoarce scor( S )
1. daca nivel( S ) = n atunci intoarce eval( S )
2. altfel
2.1 daca MAX muta in S atunci
2.1.1 pentru fiecare succesor Sj al lui S executa
val( Sj ) ← Minimax( Sj )
2.1.2 intoarce max( val( Sj ), ∀j )
2.2 altfel { MIN muta in S }
2.2.1 pentru fiecare succesor Sj al lui S executa
val( Sj ) ← Minimax( Sj )
2.2.2 intoarce min( val( Sj ), ∀j )
sfarsit
 Exemplu de functie de evaluare
Jocul de Tic‑Tac‑Toe (X si O)
 Functie de estimare euristica eval( S ) - conflictul

existent in starea S.
 eval( S ) = numarul total posibil de linii

castigatoare ale lui MAX in starea S - numarul total

posibil de linii castigatoare ale lui MIN in starea S.
 Daca S este o stare din care MAX poate face o

miacare cu care castiga, atunci eval( S ) = ∞ (o

valoare foarte mare)
 Daca S este o stare din care MIN poate castiga cu o

singura mutare, atunci eval( S ) = -∞ (o valoare

foarte mica).
eval(S) in Tic-Tac-Toe

X X are 6 linii castigatoare posibile

O are 5 linii castigatoare posibile

O eval( S ) = 6 - 5 = 1
3.3 Algoritmul taierii alfa‑beta
 Este posibil sa se obtină decizia corecta a
algoritmului Minimax fara a mai inspecta
toate nodurile din spatiului de cautare pana
la un anumit nivel.
 Procesul de eliminare a unei ramuri din
arborele de cautare se numeste taierea
arborelui de cautare (pruning).
 Algoritmul taierii alfa‑beta
 Fie α cea mai buna valoare (cea mai mare) gasita pentru MAX
si β cea mai buna valoare (cea mai mica) gasita pentru MIN.
 Algoritmul alfa‑beta actualizeaza α si β pe parcursul
parcurgerii arborelui si elimina investigarile subarborilor pentru
care α sau β sunt mai proaste.
 Terminarea cautarii (taierea unei ramuri) se face dupa doua
reguli:
 Cautarea se opreste sub orice nod MIN cu o valoare β mai mica sau
egala cu valoarea α a oricaruia dintre nodurile MAX predecesoare
nodului MIN in cauza.
 Cautarea se opreste sub orice nod MAX cu o valoare α mai mare sau
egala cu valoarea β a oricaruia dintre nodurile MIN predecesoare
nodului MAX in cauza.
 Tăierea alfa-beta a spaţiului de căutare

MAX A/3

MIN B/3 C/≤2 D/2

MAX E/3 F / 12 G/8 H/2 I/4 J/6 K / 14 L/5 M/2

Algoritm: Alfa-beta
MAX(S, α, β) { intoarce valoarea maxima a unei stari. }
0. daca S este nod final atunci intoarce scor( S )
1. daca nivel( S ) = n atunci intoarce eval( S )
2. altfel
2.1 pentru fiecare succesor Sj al lui S executa
2.1.1 α ← max(α, MIN(Sj, α, β))
2.1.2 daca α ≥ β atunci intoarce β
2.2 intoarce α
sfarsit

MIN(S, α, β) { intoarce valoarea minima a unei stari. }

0. daca S este nod final atunci intoarce scor( S )
1. daca nivel( S ) = n atunci intoarce eval( S )
2. altfel
2.1 pentru fiecare succesor Sj al lui S executa
2.1.1 β ← min(β, MAX(Sj, α, β))
2.1.2 daca β ≤ α atunci intoarce α
2.2 intoarce β
sfarsit
3.4 Jocuri cu elemente de sansa
 Jucatorul nu cunoaste miscarile legale ale
oponentului
 3 tipuri de noduri:
 MAX
 MIN
 Sansa (chance nodes)
 • 36 rez pt 2 zaruri
• 21 noduri distincte
• Valoarea estimata pt noduri sansa
• Zaruri egale - > 1/36 • SumaSj suc S[ P(Sj)*Minimax(Sj)]
• Zaruri diferite -> 1/18
• Functia de evaluare

MAX Noduri de decizie

Zar

1/18
MIN 1/36

Zar Noduri sansa

1/36 1/18
MAX

43