Documente Academic
Documente Profesional
Documente Cultură
Curs 2
Laura Dioan
Sumar
A. Scurt introducere n Inteligena Artificial (IA) B. Rezolvarea problemelor prin cutare
Strategii de cutare neinformate Strategii de cutare informate Strategii de cutare locale (Hill Climbing, Simulated Annealing, Tabu Search, Algoritmi evolutivi, PSO, ACO) Strategii de cutare adversial
C.
Sisteme inteligente
Sisteme bazate pe reguli n medii certe Sisteme bazate pe reguli n medii incerte (Bayes, factori de certitudine, Fuzzy) Sisteme care nva singure
Arbori de decizie Reele neuronale artificiale Maini cu suport vectorial Algoritmi evolutivi
Sisteme hibride
Sumar
Strategii globale Best first search Strategii locale Hill Climbing Simulated Annealing Tabu search
capitolul II.4 din S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, Prentice Hall, 1995
capitolul 3 i 4 din C. Groan, A. Abraham, Intelligent Systems: A Modern Approach, Springer, 2011
Topologie
Caracteristici
se bazeaz pe informaii specifice problemei ncercnd s restrng cutarea prin alegerea inteligent a nodurilor care vor fi explorate ordonarea nodurilor se face cu ajutorul unei funcii (euristici) de evaluare sunt particulare
Topologie
Strategii globale
Best-first search
Greedy best-first search A* IDA*
Strategii locale
SC n structuri arborescente
Noiuni necesare
f(n) funcie de evaluare pentru estimarea costului soluiei prin nodul (starea) n h(n) funcie euristic pentru estimarea costului drumului de la nodul n la nodul obiectiv g(n) funcie de cost pentru estimarea costului drumului de la nodul de start pn la nodul n f(n) = g(n) + h(n)
actual estimat
start
obiectiv
g(n) f(n)
h(n)
Aspecte teoretice
Best first search = nti cel mai bun Se determin costul fiecrei stri cu ajutorul funciei de evaluare f Nodurile de expandant sunt reinute n structuri (cozi) ordonate Pentru expandare se alege starea cu cea mai bun evaluare
Stabilirea nodului care urmeaz s fie expandat Cutare de cost uniform (SCnI)
f = costul drumului
n SCI se folosesc funcii euristice SCI care ncearc s expandeze nodul cel mai apropiat de starea obiectiv SCI care ncearc s expandeze nodul din soluia cu costul cel mai mic
Exemplu
Algoritm
bool BestFS(elem, list){ found = false; visited = ; toVisit = {start}; //FIFO sorted list (priority queue while((toVisit != ) && (!found)){ if (toVisit == ) return false node = pop(toVisit); visited = visited U {node}; if (node == elem) found = true; else aux = ; for all unvisited children of node do{ aux = aux U {child}; } toVisit = toVisit U aux; //adding a node onto the FIFO list based on its evaluation //(best one in the front of list) } //while return found; }
Analiza cutrii
Complexitate temporal:
b factor de ramnificare (nr de noduri fii ale unui nod) d - lungimea (adncimea) maxim a soluiei T(n) = 1 + b + b2 + + bd => O(bd) S(n) = T(n) Nu- drumuri infinite dac euristica evalueaz fiecare stare din drum ca fiind cea mai bun alegere Posibil depinde de euristic
Complexitate spaial
Completitudine
Optimalitate
Avantaje
Informaiile despre domeniul problemei ajut cutarea (SCI) Vitez mai mare de a ajunge la starea obiectiv
Dezavantaje
Necesit evaluarea strilor efort computaional, dar nu numai Anumite path-uri pot arta ca fiind bune conform funciei euristice
Aplicaii
Utilitate
Evaluarea potenialului unei stri din spaiul de cutare Estimarea costului drumului (n arborele de cutare) din starea curent pn n starea final (ct de aproape de int a ajuns cutarea)
Caracteristici
Depind de problema care trebuie rezolvat Pentru probleme diferite trebuie proiectate sau nvate diferite euristici Se evalueaz o anumit stare (nu operatorii care transform o stare n alt stare) Funcii pozitive pentru orice stare n
h(n) 0 pentru orice stare n h(n) = 0 pentru starea final h(n) = pentru o stare din care ncepe un drum mort (o stare din care nu se poate ajunge n starea final)
Exemple
8-puzzle
h(n) nr pieselor care nu se afl la locul lor h(n) suma distanelor Manhattan (la care se afl fiecare pies de poziia ei final)
h(n) alegerea celei mai valoroase monezi mai mic dect suma (rmas) de plat
SCI - Greedy
Aspecte teoretice
estimarea costului drumului de la starea curent la starea final h(n) minimizarea costului drumului care mai trebuie parcurs
4
4 C
2 D
Exemplu
1 E
3 F
3 G
A,D,E,H
0 H 2 I
Algoritm
bool BestFS(elem, list){ found = false; visited = ; toVisit = {start}; //FIFO sorted list (priority queue while((toVisit != ) && (!found)){ if (toVisit == ) return false node = pop(toVisit); visited = visited U {node}; if (node == elem) found = true; else aux = ; for all unvisited children of node do{ aux = aux U {child}; } toVisit = toVisit U aux; //adding a node onto the FIFO list based on its //(best one in the front of list) } //while return found; } Vizitate deja A A, D A, D, E A, D, E, H
De vizitat A D, B, C E, F, G, B, C H, I, F, G, B, C
evaluation h(n)
SCI - Greedy
Analiza cutrii:
b factor de ramnificare (nr de noduri fii ale unui nod) dmax - lungimea (adncimea) maxim a unui arbore explorat T(n) = 1 + b + b2 + + bdmax => O(bdmax) d - lungimea (adncimea) soluiei S(n) = 1 + b + b2 + + bd => O(bd)
Completitudine
Optimalitate
Avantaje
Gsirea rapid a unei soluii (dar nu neaprat soluia optim), mai ales pentru probleme mici Suma alegerilor optime de la fiecare pas nu reprezint alegerea global optim
Dezavantaje
Aplicaii
SCI A*
Aspecte teoretice
0,0,52,52 A 10,1,32,42 B +ob2 D 28,3,14,42 -ob2 E 10,1,32,42 1 F +ob2 +ob1 -ob1 0,0,52,52 C -ob2 G
estimarea costului celui mai bun drum care trece prin nodul n f(n) = g(n) + h(n) g(n) funcie folosit pentru stabilirea costului drumului de la starea iniial pn la starea curent n h(n) funcie euristic folosit pentru estimarea costului drumului de la starea curent n la starea final
Exemplu
pi wi
o1 10 1
o2 18 2
o3 32 4
o4 14 3
Problema rucsacului de capacitate W n care pot fi puse n obiecte (o1, o2, ..., on) fiecare avnd o greutate wi i aducnd un profit pi, i=1,2,...,n
Soluia: pentru un rucsac cu W = 5 alegerea obiectelor o1 i o3
g(n) = pi, pentru acele obiecte oi care au fost selectate h(n) = pj, pentru acele obiecte care nu au fost selectate i wj <= W wi Fiecare nod din graf e un tuplu: (p, w, p*, f), unde:
p profitul adus de obiectele deja selectate (funcia g(n)) w greutatea obiectelor selectate p* - profitul maxim care se poate obine pornind din starea curent i innd cont de locul disponibil n rucsac (funcia h(n))
SCI A*
Algoritm bool BestFS(elem, list){ found = false; visited = ; toVisit = {start}; //FIFO sorted list (priority queue while((toVisit != ) && (!found)){ if (toVisit == ) return false node = pop(toVisit); visited = visited U {node}; if (node == elem) found = true; else aux = ; for all unvisited children of node do{ aux = aux U {child}; } toVisit = toVisit U aux; //adding a node onto the FIFO list based on its evaluation // f(n)= g(n)+ h(n) (best one in the front of list) } //while return found; }
SCI A*
Analiza cutrii:
Complexitate temporal:
b factor de ramnificare (nr de noduri fii ale unui nod) dmax - lungimea (adncimea) maxim a unui arbore explorat T(n) = 1 + b + b2 + + bdmax => O(bdmax) d - lungimea (adncimea) soluiei T(n) = 1 + b + b2 + + bd => O(bd)
Complexitate spaial
Completitudine
Da Da
Optimalitate
Avantaje
Algoritmul care expandeaz cele mai puine noduri din arborele de cutare
Dezavantaje
Aplicaii
SCI A*
Variante
iterative deepening A* (IDA*) memory-bounded A* (MA*) simplified memory bounded A* (SMA*) recursive best-first search (RBFS) dynamic A* (DA*) real time A* hierarchical A*
Bibliografie suplimentar
02/A_IDA.pdf 02/A_IDA_2.pdf 02/SMA_RTA.pdf 02/Recursive Best-First Search.ppt 02/IDS.pdf 02/IDA_MA.pdf http://en.wikipedia.org/wiki/IDA* http://en.wikipedia.org/wiki/SMA*
Cutare constructiv
Construirea progresiv a soluiei Ex. TSP O soluie candidat este modificat n vederea obinerii unei noi soluii candidat Ex. SAT - Propositional Satisability Problem
Cutare perturbativ
Cutare sistematic
Traversarea complet a spaiului Ideintificarea soluiei dac ea exist algoritmi complei Traversarea spaiului de cutare dintr-un punct n alt punct vecin algoritmi incomplei O stare a spaiului poate fi vizitat de mai multe ori
Cutare local
Cutare determinist Algoritmi de identificare exact a soluiei Cutare stocastic Algoritmi de aproximare a soluiei Cutare secvenial Cutare paralel
Componentele problemei
Condiii (constrngeri) pe care trebuie s le satisfac (parial sau total) soluia Funcie de evaluare a unei soluii poteniale identificareaa optimului
Spaiul de cutare
mulimea tuturor soluiilor poteniale complete Stare = o soluie complet Stare final (scop) soluia optim
Exemple
Algoritmi
Algoritmii discutai pn acum explorau n mod sistematic spaiul de cutare De ex. IDA* 10100 stri 500 variabile binare Problemele reale pot avea 10 000 100 000 variabile nevoia unei alte categorii de algoritmi care exploreaz local spaiul de cutare (algoritmi iterativi) Ideea de baz: se ncepe cu o stare care nu respect anumite constrngeri pentru a fi soluie optim i se efectueaz modificri pentru a elimina aceste violri (se deplaseaz cutarea ntr-o soluie vecin cu soluia curent) astfel nct cutarea s se ndrepte spre soluia optim Iterativi se memoreaz o singur stare i se ncearc mbuntirea ei versiunea inteligent a algoritmului de for brut Istoricul cutrii nu este reinut bool LS(elem, list){
found = false; crtState = initState while ((!found) && timeLimitIsNotExceeded){ toVisit = neighbours(crtState) if (best(toVisit) is better than crtState) crtState = best(toVisit)
if (crtState == elem) found = true;
Avantaje
Simplu de implementat Necesit puin memorie Poate gsi soluii rezonabile n spaii de cutare (continue) foarte mari pentru care ali algoritmi sistematici nu pot fi aplicai
Se pot genera soluii complete rezonabile Se poate alege un bun punct de start Exist operatori pentru modificarea unei soluii complete Exist o msur pentru a aprecia progresul (avansarea cutrii) Exist un mod de a evalua soluia complet (n termeni de constrngeri violate
)
Tipologie
Hill climbing alege cel mai bun vecin Simulated annealing alege probabilistic cel mai bun vecin Cutare tabu reine lista soluiilor recent vizitate
Cutare local n fascicol (beam local search) se rein mai multe stri (o populaie de stri)
Algoritmi evolutivi Optimizare bazat pe comportamentul de grup (Particle swarm optimisation) Optimizare bazat pe furnici (Ant colony optmisation)
Reprezentarea soluiei Funcia de evaluare a unei poteniale soluii Vecintatea unei soluii
Cum se definete/genereaz o soluie vecin Cum are loc cutarea soluiilor vecine
dependente de problem
Aleator Sistematic
Aspecte teoretice
Urcarea unui munte n condiii de cea i amnezie a excursionistului :D Micarea continu spre valori mai bune (mai mari ursuul pe munte) Cutarea avanseaz n direcia mbuntirii valorii strilor succesor pn cnd se atinge un optim Criteriul de acceptare a unei noi soluii
Cel mai bun vecin al soluiei curente mai bun dect soluia curent
mbuntire prin
Maximizarea calitii unei stri steepest ascent HC Minimizarea costului unei stri gradient descent HC
HC optimizeaz f(x) cu xRn prin modificarea unui element al lui x SA/GD optimizeaz f(x) cu xRn prin modificarea tuturor elementelor lui x
Exemplu
Se dau n piese de form dreptunghiular (de aceeai lime, dar de lungimi diferite) aezate unele peste altele formnd un turn (stiv). S se re-aeze piesele astfel nct s se formeze un nou turn tiind c la o mutare se poate mica doar o pies din vrful stivei, pies care poate fi mutat pe una din cele 2 stive ajuttoare.
Reprezentarea soluiei Stare x vectori de n perechi de forma (i,j), unde i reprezint indexul piesei (i=1,2,...,n), iar j indexul stivei pe care se afl piesa (j=1,2,3) Starea iniial vectorul corespunztor turnului iniial Starea final vectorul corespunztor turnului final Funcia de evaluare a unei stri f1 = numrul pieselor corect amplasate maximizare conform turnului final f1 = n f2 = numrul pieselor greit amplasate minimizare conform turnului final f2 = 0 f = f1 f2 maximizare Vecintate Mutri posibile Mutarea unei piese i din vrful unei stive j1 pe alt stiv j2 Criteriul de acceptare a unei noi soluii Cel mai bun vecin al soluiei curente mai bun dect soluia curent
Exemplu
Iteraia 1
x* = x Vecinii strii curente x un singur vecin piesa 5 se mut pe stiva 2 s2 = ((1,1), (2,1), (3,1), (4,1), (5,2))
f(s2) = 4-1=3 > f(x) x =s2
Exemplu
Iteraia 2
piesa 1 se mut pe stiva 3 s4 = ((2,1), (3,1), (4,1), (5,2), (1,3)) f(s4) = 3-2=1 < f(x) nu exist vecin de-al lui x mai bun ca x stop
x* = x = ((1,1), (2,1), (3,1), (4,1), (5,2)) Dar x* este doar optim local, nu global
Exemplu
Vecintate
Mutri posibile
Exemplu
Iteraia 1
x* = x Vecinii strii curente x un singur vecin piesa 5 se mut pe stiva 2 s2 = ((1,1), (2,1), (3,1), (4,1), (5,2))
f(s2) = 0 (3+2+1+0) = -6 > f(x) x =s2
Exemplu
Iteraia 2
Iteraia 3
...
Algoritm
Bool HC(S){ x = s1 //starea iniial x*=x // cea mai bun soluie gsit (pn la un moment dat) k = 0 // numarul de iteraii while (not termiantion criteria){ k = k + 1 generate all neighbours of x (N) Choose the best solution s from N if f(s) is better than f(x) then x = s else stop } //while x* = x return x*; }
Analiza cutrii
Avantaje
Simplu de implementat se poate folosi usor pentru a aproxima soluia unei probleme cnd soluia exact e dificil sau imposibil de gsit
Nu necesit memorie (nu se revine n starea precedent) Funcia de evaluare (eurisitc) poate fi dificil de estimat Dac se execut foarte multe mutri algoritmul devine ineficient Dac se execut prea puine mutri algoritmul se poate bloca
Dezavantaje
ntr-un optim local (nu mai poate cobor din vrf) Pe un platou zon din spaiul de cutare n care funcia de evaluare este constant Pe o creast saltul cu mai muli pai ar putea ajuta cutarea
Aplicaii
Variante
HC stocastic
Alegerea aleatoare a unui succesor Generarea aleatoare a succesorilor pn la ntlnirea unei mutri neefectuate Repornirea cutrii de la o stare iniial aleatoare atunci cnd cutarea nu progreseaz
HC cu prima opiune
Aspecte teoretice
Metropolis et al. 1953, Kirkpatrick et al. 1982; Dac un succesor este mai bun dect starea curent atunci el devine noua stare curent altfel succesorul este reinut doar cu o anumit probabilitate evadarea din optimele locale Proporional cu valoarea diferenei (energia) E Modelat de un parametru de temperatur T
Probabilitatea p = eE/T
Frecvena acestor mutri slabe i mrimea lor se reduce gradual prin scderea temperaturii
Soluia optim se identific dac temperatura se scade treptat (slowly) Criteriul de acceptare a unei noi soluii
Un vecin aleator mai bun sau mai slab (cu probabilitatea p) dect soluia curent
Enun
Reprezentarea soluiei
Stare x permutare de n elemente x = (x1,x2,..,xn), unde xi linia pe care este plasat regina de pe coloana j Nu exist atacuri pe vertical sau pe orizontal Pot exista atacuri pe diagonal Starea iniial o permutare oarecare Starea final o permutare fr atacuri de nici un fel
Vecintate
Mutri posibile Mutarea unei regine de pe o linie pe alta (interschimbarea a 2 elemente din permutare)
Un vecin oarecare al soluiei curente E mai bun dect soluia curent T P ( E ) e mai slab dect soluia curent cu o anumit probabilitate unde: E diferena de energie (evaluare) ntre cele 2 stri (vecin i curent) T temperatura, T(k) = 100/k, unde k este nr iteraiei
a 1 2 3 4 5 6 7 8 a
h 1 2 3 4 5 6 7 8
Iteraia 1 (k = 1)
Starea curent x = starea iniial s1 = (8,5,3,1,6,7,2,4)
f(s1) = 1+1 = 2
x* = x T = 100/1 = 100
a 1 2 3 4 5 6 7 8 a
h 1 2 3 4 5 6 7 8
f(s2) = 1+1+1=3 > f(x) E = f(s2) f(s1) = 1 P(E)=e-1/100 r = random(0,1) Dac r < P(E) x = s2
Algoritm
bool SA(S){ x = s1 //starea iniial x*=x // cea mai bun soluie gsit (pn la un moment dat) k = 0 // numarul de iteraii while (not termiantion criteria){ k = k + 1 generate a neighbour s of x if f(s) is better than f(x) then x = s else pick a random number r (in (0,1) range) if r < P(E) then x = s } //while x* = x return x*; }
Criterii de oprire
S-a ajuns la soluie S-a parcurs un anumit numr de iterii S-a ajuns la temepratura 0 (nghe)
p = 0.1 p scade de-a lungul iteraiilor p scade de-a lungul iteraiilor i pe msur ce rul |f(s) f(x)| crete
p = exp(- |f(s) f(x)|/T) Unde T temepratura (care crete) Pentru o T mare se admite aproape orice vecin v Petnru o T mic se admite doar un vecin mai bun dect s Dac rul e mare, atunci probabilitatea e mic
Analiza cutrii
Avantaje
Algoritm fundamentat statistic garanteaz gsirea soluiei optime, dar necesit multe iteraii Uor de implementat n general gsete o soluie relativ bun (optim global) Poate rezolva probleme complexe (cu zgomot i multe constrngeri) Algoritm ncet convergena la soluie dureaz foarte mult timp
Dezavantaje
Depinde de anumii parametri (temperatura) care trebuie reglai Nu se tie dac soluia oferit este optim (local sau gloabal) Calitatea soluiei gsite depinde de precizia variabilelor implicate n algoritm
Aplicaii
Probleme de optimizare combinatorial problema rucsacului Probleme de proiectare Proiectarea circuitelor digitale Probleme de planificare Planificarea produciei, planificarea meciurilor n turniruirle de tenis US Open
Aspecte teoretice
Tabu interdicie social sever cu privire la activitile umane sacre i interzise Propus n anii 1970 de ctre F. Glover Ideea de baz
se ncepe cu o stare care nu respect anumite constrngeri pentru a fi soluie optim i se efectueaz modificri pentru a elimina aceste violri (se deplaseaz cutarea n cea mai bun soluie vecin cu soluia curent) astfel nct cutarea s se ndrepte spre soluia optim se memoreaz Starea curent Strile vizitate pn la momentul curent al cutrii i mutrile efectuate pentru a ajunge n fiecare din acele stri de-a lungul cutrii (se memoreaz o list limitat de stri care nu mai trebuie revizitate)
Cel mai bun vecin al soluiei curente mai bun dect soluia curent i nevizitat nc
2 elemente importante
Mutri tabu (T) determinate de un proces non-Markov care se folosete de informaiile obinute n timpul cutrii de-a lungul ultimelor generaii Condiii tabu pot fi inegaliti liniare sau legturi logice exprimate n funcie de soluia curent
Au rol n alegerea mutrilor tabu
Exemplu
Enun
Plata sumei S folosind ct mai multe dintre cele n monezi de valori vi (din fiecare moned exist bi buci)
Reprezentarea soluiei
Stare x vector de n ntregi x = (x1, x2, ..., xn) cu xi {0, 1, 2, ..., bi} Starea iniial aleator
Vecintate
Mutri posibile
Includerea n sum a monezii i n j exemplare (plusi,j) Excluderea din sum a monezii i n j exemplare (minusi,j) Mutare moneda adugat/eliminat din sum
Exemplu
Val. f 384
List tabu
2013021
321
plus4,3
2113021
270
plus4,3 plus2,1
...
Exemplu
Val. f 384
List tabu
Mutri minus1,1,plus4,4 plus3,3,minus5,1 plus5,4, plus7,5 plus3,1, plus5,4 plus1,3, plus5,3 plus2,2, plus5,4
2040121
235
plus3,3, minus5,1
2040121
235
plus3,3, minus5,1
Algoritm
bool TS(S){ Select xS //S spaiul de cutare x*=x // cea mai bun soluie gsit (pn la un moment dat) k = 0 // numarul de iteraii T = // list de mutri tabu while (not termiantion criteria){ k = k + 1 generate a subset of solutions in the neighborhood N-T of x Choose the best solution s from N-T and set x=s. if f(x)<f(x*) then x*=x update T with moves of generating x } //while return x*; }
Criterii de terminare
Numr fix de iteraii Numr de iteraii fr mbuntiri Apropierea suficient de soluie (dac aceasta este cunoscut) Epuizarea elementelor nevizitate dintr-o vecintate
Analiza cutrii
Avantaje
Se evit blocarea n minimele locale prin acceptarea unor soluii mai puin performante Algoritm general i simplu de implementat Algoritm rapid (poate oferi soluia optim global n scurt timp) Stabilirea strilor vecine n spaii continue Numr mare de iteraii Nu se garanteaz atingerea optimului global
Dezavantaje
Aplicaii
Determinarea structurii tridimensionale a proteinelor n secvene de aminoacizi (optimizarea unei funcii de potenial energetic cu multiple optime locale) Optimizarea traficului n reele de telecomunicaii Planificare n sisteme de producie Proiectarea reelelor de telecomunicaii optice Ghidaj automat pentru vehicule Probleme n grafuri (partiionri) Planificri n sistemele de audit Planificri ale task-urilor paralele efectuate de procesor (multiprocesor) Optimizarea structurii electromagnetice (imagistica rezonanei magnetice medicale) Probleme de asignare quadratic (proiectare VLSI) Probleme de combinatoric (ricsac, plata sumei) Problema tierii unei buci n mai multe pri Controlul structurilor spaiale (NASA) Optimizarea proceselor cu decizii multi-stagiu Probleme de transport Management de portofoliu Chunking
Recapitulare
Nodurile mai bine evaluate (de cost mai mic) au prioritate la expandare SCI de tip greedy
minimizarea costului de la starea curent la starea obiectiv h(n) Timp de cutare < SCnI Ne-complet Ne-optimal
SCI de tip A*
minimizarea costului de la starea iniial la starea curent g(n) i a costului de la starea curent la starea obiectiv h(n) Evitarea repetrii strilor Fr supraestimarea lui h(n) Timp i spaiu de cutare mare n funcie de euristica folosit Complet Optimal
Recapitulare
SC locale
Algoritmi iterativi
TS
Cursul urmtor
A. Scurt introducere n Inteligena Artificial (IA) B. Rezolvarea problemelor prin cutare
Strategii de cutare neinformate Strategii de cutare informate Strategii de cutare locale (Hill Climbing, Simulated Annealing, Tabu Search, Algoritmi evolutivi, PSO, ACO) Strategii de cutare adversial
C.
Sisteme inteligente
Sisteme bazate pe reguli n medii certe Sisteme bazate pe reguli n medii incerte (Bayes, factori de certitudine, Fuzzy) Sisteme care nva singure
Arbori de decizie Reele neuronale artificiale Maini cu suport vectorial Algoritmi evolutivi
Sisteme hibride
capitolul 14 din C. Groan, A. Abraham, Intelligent Systems: A Modern Approach, Springer, 2011 M. Mitchell, An Introduction to Genetic Algorithms, MIT Press, 1998 capitolul 7.6 din A. A. Hopgood, Intelligent Systems for Engineers and Scientists, CRC Press, 2001 Capitolul 9 din T. M. Mitchell, Machine Learning, McGraw-Hill Science, 1997
Informaiile prezentate au fost colectate din diferite surse de pe internet, precum i din cursurile de inteligen artificial inute n anii anteriori de ctre:
Conf. Dr. Mihai Oltean www.cs.ubbcluj.ro/~moltean Lect. Dr. Crina Groan - www.cs.ubbcluj.ro/~cgrosan Prof. Dr. Horia F. Pop - www.cs.ubbcluj.ro/~hfpop