Ia03 Jocuri CSP

Inteligen artificial
3. Jocuri. Satisfacerea constrngerilor

Florin Leon
Universitatea Tehnic Gheorghe Asachi din Iai
Facultatea de Automatic i Calculatoare
http://florinleon.byethost24.com/curs_ia.htm
Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm
Jocuri. Satisfacerea constrngerilor

1.
2.
3.
4.
5.
6.
7.
8.
Tipuri de jocuri
Algorimul minimax
Retezarea alfa-beta
Jocuri nedeterministe
Formalizarea problemelor de satisfacere a constrngerilor
Backtracking
Euristici de optimizare
Concluzii

1.
2.
3.
4.
5.
6.
7.
8.
Tipuri de jocuri
Algorimul minimax
Retezarea alfa-beta
Backtracking
Concluzii
Cutarea i jocurile
De-a lungul timpului, jocurile care necesit

explorarea unor alternative au fost
considerate provocri pentru inteligena
uman
Dame (Mesopotamia, cc. 3000 .Hr.)

ah (India, sec. VI d.Hr.)
Go (China, sec. VI .Hr.)
IA-ul folosete deseori jocurile pentru a

proiecta i testa algoritmi
Jocuri
Unul din cele mai vechi subdomenii ale IA-ului

(Zuse, Shannon, Wiener, Turing, anii 1950)
Forme abstracte i pure de competiie care necesit
inteligen
Probleme dificile cu o structur iniial minim de
cunotine
Stri i aciuni uor de reprezentat

Puine cunotine necesare despre mediu
Jocurile sunt un caz particular al problemelor de cutare

Deseori au spaii de cutare foarte mari
Sunt interesante
Jocuri deterministe cu
informaii perfecte
ah
Dame
Go
X i 0
Othelo artificiala, http://florinleon.byethost24.com/curs_ia.htm

Florin Leon, Inteligenta
Jocuri nedeterministe cu
informaii perfecte
Table
Monopoly
Jocuri nedeterministe cu
informaii imperfecte
Bridge
Poker
Scrabble
Dificulti
Jocurile pot fi probleme de cutare foarte

dificile
Totui uor de formalizat
Gsirea soluiei optime poate fi nefezabil
O soluie care nvinge adversarul este acceptabil

O soluie inacceptabil nu numai c induce
costuri mai mari, ci provoac nfrngerea
Exemple: dimensiunea
spaiului de cutare
ah (drosofila IA-ului)
Factor de ramificare 35
50 de mutri pe juctor
35100 (10154) noduri
1040 noduri distincte (dimensiunea grafului de cutare)
Go
Factorul de ramificare ncepe de la 361 (tabl 19 x 19)

200 de mutri pe stare, 300 de niveluri
200300 (10690) noduri n arbore
10
Jocurile i cutarea
Cutarea clasic: un singur agent, ncearc

fr piedici s i ating obiectivul
Jocurile: cutare n prezena unui adversar
Reprezentarea jocurilor ca probleme de
cutare
Stri: configuraiile tablei de joc

Operatori: mutrile permise
Starea iniial: configuraia curent a tablei
Starea scop: configuraia ctigtoare
11
Noi tehnici necesare (I)
Spaiul de cutare este foarte mare
Nu cunoatem mutarea adversarului
Algoritmii pentru jocuri:
Caut numai pn la o anumit adncime n

arbore
Utilizeaz o funcie de evaluare la adncimea

respectiv
Propag evalurile n sus spre rdcin
12
Noi tehnici necesare (II)
Modalitatea de joc:
Se consider toate mutrile legale care se pot face

Fiecare mutare conduce ctre o nou configuraie (poziie)
Se evalueaz fiecare poziie rezultat i se determin care este cea
mai bun
Se face mutarea respectiv
Se ateapt mutarea adversarului i se repet algoritmul
Probleme cheie:
Reprezentarea tablei
Generarea tuturor configuraiilor urmtoare valide
Evaluarea unei poziii
Considerarea mai multor mutri n avans
13
Funcia de evaluare (I)
Evalueaz valoarea unei poziii
Considernd funciile g i h de la cutarea clasic,

aici conteaz numai h; g este irelevant
Este o funcie euristic i cuprinde

cunotinele expert despre domeniu
Inteligena calculatorului depinde n mare

msur de funcia de evaluare
14
Funcia de evaluare (II)
Presupunem c jocul este de sum zero
Putem folosi o singur funcie de evaluare pentru

ambii juctori
f(n) > 0: poziia n este bun pentru calculator

i rea pentru adversar (om)
f(n) < 0: poziia n este rea pentru calculator
i bun pentru adversar
15
Exemple
X i 0:
f(n) = [numrul de direcii de 3 ptrele deschise pentru

calculator] [numrul de direcii deschise pentru adversar]
Direciile sunt linii, coloane sau diagonale complete
ah (funcia lui Alan Turing):
f(n) = w(n) / b(n)

w(n) = suma punctelor pieselor albe
b(n) = suma punctelor pieselor negre
Pion = 1 punct, cal/nebun = 3 puncte, turn = 5 puncte,
regin = 9 puncte
16
Exemple
Majoritatea funciilor de evaluare sunt sume

ponderate ale trsturilor unei poziii:
f(n) = w1 t1(n) + w2 t2(n) + ... + wk tk(n)

Trsturi pentru ah sunt numrul de piese, plasarea pe
tabl a pieselor, ptrele controlate etc.
Deep Blue avea 8000 de trsturi n funcia de

evaluare
Pot exista combinaii neliniare de trsturi
Nebunul valoreaz mai mult spre sfritul jocului dect la

nceput
2 nebuni valoreaz mai mult dect dublul valorii unuia singur
17
3. Jocuri. Satisfacerea constrngerilor

1.
2.
3.
4.
5.
6.
7.
8.
Tipuri de jocuri
Algorimul minimax
Retezarea alfa-beta
Backtracking
Concluzii
18
Minimax
Restricii:
MAX
MIN
MAX
2 juctori: MAX
(calculator) i MIN
(adversar)
Determinist,
informaii perfecte
Se selecteaz o
limit de adncime
(de exemplu 2) i o
funcie de evaluare
19
Modul de funcionare
MAX
Alege
mutarea
MIN
2
MAX
- Se calculeaz funcia de
evaluare pentru frunze
- Se propag evaluarea n sus

- innd minimele n MIN
- innd maximele n MAX
- Se construiete arborele
pn la limita de adncime
20
Pseudocod
Initialize depthbound;
Minimax (board, depth) =
IF depth = depthbound
THEN return StaticEvaluation(board);
ELSE IF maximizing_level(depth)
THEN FOR EACH child c of board
compute Minimax(c, depth+1);
return maximum over all children;
ELSE IF minimizing_level(depth)
THEN FOR EACH child c of board
compute Minimax(c, depth+1);
return minimum over all children;
Apel: Minimax(current_board, 0)
21
Jocuri cu mai muli juctori
Funcia de evaluare este vectorial i red

utilitile tuturor juctorilor
22
Alianele
Alianele pot rezulta din aplicarea strategiilor

optime individuale
Cooperarea poate rezulta din urmrirea
comportamentului raional individual (egoist)
23

1.
2.
3.
4.
5.
6.
7.
8.
Tipuri de jocuri
Algorimul minimax
Retezarea alfa-beta
Backtracking
Concluzii
24
Retezarea alfa-beta
engl. alpha-beta pruning, elagajul alfa-beta

Optimizare general aplicat algoritmului minimax
Minimax
Retezarea alfa-beta
Creeaz mai nti ntregul arbore (pn la limita de

adncime)
Apoi realizeaz propagarea
ntreese generarea arborelui cu propagarea valorilor
Motivaie
Unele valori obinute n arbore furnizeaz informaii privind

redundana altor pri, care nu mai trebuie generate
25
Ideea alfa-beta
Se genereaz arborele n adncime, de la stnga la dreapta

Se propag valorile finale ale nodurilor ca estimri
iniiale pentru prinii lor
MAX
MIN
MAX
=2
- Valoarea MIN (1) este deja

mai mic dect valoarea MAX
a printelui (2)
- Valoarea MIN poate doar s
descreasc n continuare
- Valoarea MAX poate doar
s creasc
- Nu are sens s mergem
mai jos sub acest nod
26
Terminologie
Valorile (temporare) n nodurile MAX sunt valori ALFA

Valorile (temporare) n nodurile MIN sunt valori BETA
27
Principiile alfa-beta (I)
Dac valoarea alfa este mai mare sau egal dect valoarea
beta a unui nod descendent
Atunci se oprete generarea fiilor nodului descendent
28
Principiile alfa-beta (II)
Dac valoarea beta este mai mic sau egal dect valoarea
alfa a unui nod descendent
Atunci se oprete generarea fiilor nodului descendent
29
Exemplu: minimax cu alfa-beta

4 16
8 6
5 23
= 4 15
8 2
=85
9 8
= 5 30
2 10 1 18
4 12 3 20
= 4 14 = 5 22
8 7 3 9 1 6 2 4
1 3 4 7
5 31 = 5 39
9 11 13
MAX
3 38
1 33
2 35
3 25
9 27 6 29 = 3 37
1 3 5 3 9 2 6 5 2
17 19 21 24 26
MIN
28
MAX
1 2 3 9 7 2 8 6 4
32 34 36
11 evaluri evitate
30
Retezare n adncime
Pentru arbori cu cel

puin 4 niveluri
min/max, retezarea
alfa-beta se aplic i
pentru niveluri mai
adnci
4
4
4
31
Cazul cel mai favorabil:

arbore perfect ordonat
MAX
21
21
21
24
12
27
21 20 19 24 23 22 27 26 25
12
15
18
MIN
MAX
12 11 10 15 14 13 18 17 16 3 2 1 6 5 4 9 8 327
Cazul cel mai favorabil

- Cnd pe fiecare nivel cel mai bun nod este primul din stnga
MAX
MIN
MAX
Doar ramurile ngroate sunt explorate
33
Cazul cel mai favorabil
Numrul de evaluri statice:
nes = 2 bd/2 1, dac d este par
nes = b(d+1)/2 + b(d1)/2 1, dac d este impar
n exemplul anterior:
d = 3, b = 3 nes = 9 + 3 1 = 11
34
Comparaie ntre
minimax i alfa-beta
Cazul cel mai
favorabil
Graficul are scar logaritmic
Retezarea alfa-beta are tot complexitate exponenial
Cazul cel mai defavorabil
Pentru unii arbori retezarea alfa-beta nu are niciun efect

Pentru unii arbori este imposibil reordonarea pentru a permite
retezarea
35
Performanele retezrii alfa-beta
Alfa-beta garanteaz calcularea aceleiai valori pentru rdcin

ca i minimax, cu o complexitate mai mic sau egal
Cazul cel mai defavorabil: nu se face nicio retezare, se
examineaz O(bd) noduri
Cazul mediu:
Cazul cel mai favorabil: O(bd/2)
Poate cuta pe o adncime de dou ori mai mare dect minimax

Cnd cea mai bun mutare este i prima alternativ generat
n cazul Deep Blue, s-a descoperit empiric c retezarea alfa-beta

a redus factorul mediu de ramificare de la 35 la 6
36
Efectul orizontului
Datorit limitei de adncime, se prefer ntrzierea

dezastrelor, dei acestea nu se previn
Soluia: continuarea euristic
37
Continuarea euristic
n situaii strategice cruciale (regele n pericol,

pierdere iminent de piese, pion transformat n
regin etc.), se extinde cutarea dincolo de limita de
adncime
38
Cutarea secundar
Uneori este util verificarea unei mutri

De exemplu, dac se face cutarea pe
6 niveluri (engl. ply) i s-a gsit cea mai
bun mutare, se poate expanda numai acea
poziie pentru nc 2 niveluri pentru a verifica
dac rmne bun n continuare
39
Retezarea nainte
engl. forward pruning

Un juctor uman nu ia n calcul toate mutrile
posibile, ci doar pe cele care i se par utile
Se renun la un sub-arbore
Cnd exist mai multe mutri simetrice sau

echivalente
Pentru mutri care par iraionale (care conduc n
situaii aparent defavorbile)
Numai la adncimi mari n arbore

Nerecomandate n apropierea rdcinii
40
Limite de timp
Chiar i cnd exist limite de adncime,

timpii pot varia mult
Soluie: cutarea iterativ n adncime
La orice moment este disponibil o mutare
Calitatea mutrii crete n timp
41
Efectul euristicilor: ahul
Cu minimax putem cuta pe aproximativ 5 niveluri

Un juctor mediu analizeaz 6-8 niveluri
Cu reducerea alfa-beta putem cuta pe aproximativ 10 niveluri
(reducerea alfa-beta face diferena)
Deep Blue
Cutare n medie pe 14 niveluri, maxim 40

Evaluarea a 30 de miliarde de poziii pe mutare
Baz de date cu 700.000 de jocuri
4000 de strategii de deschidere
Toate rezolvrile pentru poziiile cu 5 piese i multe pentru poziiile
cu 6 piese
Metodele euristice recente pot scdea factorul de ramificare de

la 35 la aproximativ 3
De exemplu: null move oponentul mut de 2 ori la nceput
42

1.
2.
3.
4.
5.
6.
7.
8.
Tipuri de jocuri
Algorimul minimax
Retezarea alfa-beta
Backtracking
Concluzii
43
Includ elemente
probabilistice
Zaruri, cri de joc
De exemplu: table
Albul a dat 6-5 i are 4
mutri valide:
5-10, 5-11
5-11, 19-24
5-10, apoi 10-16
5-11, apoi 11-16
44
Arbori de joc cu noduri-ans
Nodurile ans (cercurile)

reprezint evenimente aleatorii
Pentru un eveniment aleatoriu cu
n rezultate posibile, fiecare nodans are n fii distinci; fiecare
are asociat o probabilitate
Pentru 2 zaruri, sunt posibile 21
de rezultate
45
Arbori de joc cu noduri-ans
Se folosete minimax pentru a

calcula valorile nodurilor MAX i MIN
Se folosesc valorile ateptate
pentru nodurile-ans
Pentru nodurile-ans la un
nod MAX (de exemplu C):
expectimax(C) = i(P(di) * maxvalue(i))
Pentru nodurile-ans la un nod MIN:
expectimin(X) = i(P(di) * minvalue(i))
46
Exemplu
47
Performane
Complexitate: O(bmnm)
n = numrul de posibiliti distincte (de exemplu, pentru un

zar, n = 6)
Pentru jocul de table, cutarea se poate face probabil

pe maximum 3 niveluri
Se poate aplica reducerea alfa-beta estimnd limitele
superioare i inferioare ale valorilor
Pentru aproximarea valorilor se poate folosi simularea
Monte Carlo
Valoarea strii este probabilitatea de a ctiga din acea stare
48
Stadiul actual al programelor

de jocuri
Dame (Chinook), Othello (Logistello): programele

sunt mai bune dect oamenii
Table (TD-Gammon): nvare cu ntrire i reele
neuronale, top 3 mondial
ah Elo rating : Hydra 2850-3000, Kasparov (cel
mai bun nregistrat): 2851
Go (Goemate, Go4++): nivel master pentru tabl

9 x 9, nceptor pentru 19 x 19
Bridge (GIB): campion mondial
49

1.
2.
3.
4.
5.
6.
7.
8.
Tipuri de jocuri
Algorimul minimax
Retezarea alfa-beta
Backtracking
Concluzii
50
Satisfacerea constrngerilor
engl. Constraint Satisfaction Problems (CSP)

O mulime de variabile {X1, X2, , Xn}
Fiecare variabil Xi are un domeniu Di de valori
posibile
De obicei, Di este finit
O mulime de constrngeri {C1, C2, , Cp}

Fiecare constrngere este definit pe o submulime
de variabile i arat combinaiile valide ale valorilor
acestora
Scopul: atribuirea unei valori fiecrei variabile astfel
nct toate constrngerile s fie satisfcute
51
Exemplu: colorarea unei hri
Variabile: WA, NT, Q, NSW, V, SA, T

Domenii: Di = { rou, verde, albastru }
Constrngeri: regiunile adiacente trebuie s aib culori diferite
De ex. WA NT, sau (WA,NT) {(rou,verde), (rou,albastru),
(verde,rou), (verde,albastru),(albastru,rou),(albastru,verde)}
52
Soluie
respect toate
constrngerile
Soluiile sunt atribuiri complete i consistente

De exemplu: WA = rou, NT = verde, Q = rou,
NSW = verde, V = rou, SA = albastru, T = verde
53
Graful constrngerilor
Probleme binare: fiecare constrngere este definit

pe 2 variabile
Graful constrngerilor: nodurile sunt variabile, arcele
sunt constrngeri
54
Tipuri de PSC
Variabile discrete
Domenii finite
Domenii infinite
Boolean satisfiability (NP-complet): problema determinrii

dac variabilele unei formule booleene date pot lua valori astfel
nct formula s fie adevrat
Planificarea sarcinilor de lucru (job shop scheduling):
variabilele sunt momentele de nceput/sfrit ale fiecrei sarcini
Variabile continue
Momentele de nceput/sfrit pentru observaiile telescopului

Hubble
Constrngeri liniare
55
Tipuri de constrngeri
Constrngerile unare implic o singur variabil
Constrngerile binare implic perechi de variabile
SA verde
SA WA
Constrngerile de nivel nalt implic 3 sau mai multe

variabile
Probleme criptaritmetice
56
Probleme criptaritmetice
Variabile: F T U W R O X1 X2 X3
Domenii: { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 }
Constrngeri: DiferiteToate (F, T, U, W, R, O)
O + O = R + 10 X1
X1 + W + W = U + 10 X2
X2 + T + T = O + 10 X3
X3 = F, T 0, F 0
57
Probleme reale
Probleme de atribuire
Cine pred ce obiect la ce clas
Problema orarului
Ce curs este predat cnd i unde
Planificarea transporturilor
Planificarea n mediul industrial
58
Cutarea incremental
standard
Strile sunt definite de valorile atribuite pn n prezent

Starea iniial: atribuirea vid { }
Operatori: atribuirea unei valori unei variabile neatribuite
care nu intr n conflict cu atribuirea curent
Eec dac nu exist atribuiri valide
Scop: atribuirea curent s fie complet

Aceeai procedur pentru toate problemele de satisfacere
a constrngerilor
Fiecare soluie apare la adncimea n cu n variabile
Se folosete cutarea n adncime
Calea este irelevant
59

1.
2.
3.
4.
5.
6.
7.
8.
Tipuri de jocuri
Algorimul minimax
Retezarea alfa-beta
Backtracking
Concluzii
60
Rezolvarea PSC
Cutare clasic: n variabile, d valori
Arbore cu n! dn frunze
Exist doar dn atribuiri complete posibile
n multe probleme, aceleai stri pot fi atinse

independent de ordinea n care se iau deciziile
Factorul de ramificare pe primul nivel este n d, pe al doilea (n - 1) d etc.
Aciuni comutative
n problemele de satisfacerea constrngerilor, strile au

o structur standard iar algoritmii pot profita de aceasta
Se pot aplica algoritmi generali, nu doar euristici specifice unei

probleme
61
Cutarea backtracking
Comutativitatea atribuirilor
Cutarea backtracking este:
(WA = rou apoi NT = verde) este la fel cu

(NT = verde apoi WA = rou)
Cutare n adncime cu
Atribuirea unei singure variabile ntr-un nod
Poate rezolva problema reginelor cu n 25
62
Exemplu de backtracking
63
64
65
66
Cutarea neinformat i
backtracking-ul
67

1.
2.
3.
4.
5.
6.
7.
8.
Tipuri de jocuri
Algorimul minimax
Retezarea alfa-beta
Backtracking
Concluzii
68
Creterea eficienei
algoritmului backtracking
Metodele de optimizare dau creteri

spectaculoase de vitez
Ce variabil s fie atribuit n pasul urmtor?
n ce ordine s se ncerce valorile?
Se poate detecta eecul mai devreme?
69
Cea mai constrngtoare

variabil
Se alege variabila cu cele mai multe

constrngeri asupra variabilelor rmase
Util pentru decizii n caz de egalitate, de

exemplu n starea iniial
70
Cea mai constrns variabil
Se alege variabila cu cele mai puine valori

permise
Se mai numete euristica celor mai puine

valori rmase
71
Cea mai puin constrngtoare

valoare
Pentru o variabil se alege valoarea care

elimin cele mai puine valori n variabilele
rmase
Permite 1 valoare pentru SA
Permite 0 valori pentru SA
Combinarea acestor euristici face posibil

rezolvarea problemei reginelor cu n 1000
72
Verificarea nainte
engl. forward checking

La nceput, pentru fiecare variabil se
memoreaz mulimea curent de valori
permise
Cnd se atribuie o valoare n procesul de
cutare, se actualizeaz mulimile de valori
permise pentru toate variabilele
Dac o mulime devine vid, se revine
(se face backtracking)
73
Backtracking i
Verificarea nainte
74
Propagarea constrngerilor
engl. constraint propagation

Verificarea nainte calculeaz domeniul fiecrei
variabile independent la nceput i actualizeaz un
domeniu numai cnd se fac atribuiri ce influeneaz
direct variabila respectiv
Propagarea constrngerilor duce verificarea mai
departe:
Cnd se terge o valoare din domeniul variabilei X, se

verific toate variabilele conectate la X
Dac aceste variabile se modific, se terg toate valorile
inconsistente conectate la ele .a.m.d.
75
76
Verificarea nainte i
77
cu euristici
78
Complexitatea de timp
Trebuie realizat un compromis ntre calculele

necesare rezolvrii problemei propriu-zise i
calculele necesitate de euristici
Propagarea constrngerilor reduce foarte mult
factorul de ramificare (uneori rezolvarea este aproape
liniar), ns calculele suplimentare sunt laborioase
Pentru majoritatea problemelor uzuale, este
suficient verificarea nainte cu euristicile de
ordonare
79
Min-Conflicts
Este o metod de cutare local

Poate rezolva problema reginelor cu 1 milion de
regine n aproximativ 50 de pai
A redus timpul de planificare al telescopului Hubble

pentru o sptmn de observaii de la 3 sptmni
la 10 minute
Funcioneaz bine mai ales cnd soluiile sunt dens
distribuite n spaiul strilor
80
Min-Conflicts
81
Concluzii
Jocurile ilustreaz faptul c perfeciunea este

deseori de neatins, ns aproximrile sunt
suficiente
Nu avem nevoie ntotdeauna de soluii optime din punct

de vedere teoretic, ci de soluii prin care ctigm
Tehnicile de satisfacere a constrngerilor sunt

utile cnd:
Problema poate fi exprimat printr-o mulime de

variabile cu constrngeri asupra valorilor lor
Constrngerile sunt relativ simple (de exemplu binare)
82

Ia03 Jocuri CSP

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Ia03 Jocuri CSP

Încărcat de

Drepturi de autor:

Formate disponibile

Inteligen artificial

3. Jocuri. Satisfacerea constrngerilor

Jocuri. Satisfacerea constrngerilor

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Jocuri. Satisfacerea constrngerilor

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

De-a lungul timpului, jocurile care necesit

Dame (Mesopotamia, cc. 3000 .Hr.)

IA-ul folosete deseori jocurile pentru a

Unul din cele mai vechi subdomenii ale IA-ului

Stri i aciuni uor de reprezentat

Jocurile sunt un caz particular al problemelor de cutare

Othelo artificiala, http://florinleon.byethost24.com/curs_ia.htm

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Jocurile pot fi probleme de cutare foarte

Totui uor de formalizat

Gsirea soluiei optime poate fi nefezabil

O soluie care nvinge adversarul este acceptabil

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Factorul de ramificare ncepe de la 361 (tabl 19 x 19)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Cutarea clasic: un singur agent, ncearc

Stri: configuraiile tablei de joc

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Noi tehnici necesare (I)

Spaiul de cutare este foarte mare

Nu cunoatem mutarea adversarului

Algoritmii pentru jocuri:

Caut numai pn la o anumit adncime n

Utilizeaz o funcie de evaluare la adncimea

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Noi tehnici necesare (II)

Se consider toate mutrile legale care se pot face

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Funcia de evaluare (I)

Evalueaz valoarea unei poziii

Considernd funciile g i h de la cutarea clasic,

Este o funcie euristic i cuprinde

Inteligena calculatorului depinde n mare

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Funcia de evaluare (II)

Presupunem c jocul este de sum zero

Putem folosi o singur funcie de evaluare pentru

f(n) > 0: poziia n este bun pentru calculator

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

f(n) = [numrul de direcii de 3 ptrele deschise pentru

ah (funcia lui Alan Turing):

f(n) = w(n) / b(n)

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Majoritatea funciilor de evaluare sunt sume

f(n) = w1 t1(n) + w2 t2(n) + ... + wk tk(n)

Deep Blue avea 8000 de trsturi n funcia de

Nebunul valoreaz mai mult spre sfritul jocului dect la

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

3. Jocuri. Satisfacerea constrngerilor

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

- Se propag evaluarea n sus

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Jocuri cu mai muli juctori

Funcia de evaluare este vectorial i red

Florin Leon, Inteligenta artificiala, http://florinleon.byethost24.com/curs_ia.htm

Alianele pot rezulta din aplicarea strategiilor