cursIA Lung PDF

Inteligenta artificiala
Lector Doctor Lucian Sasu
2010-2011
Universitatea Transilvania din Brasov
Facultatea de Matematica si Informatica
Cuprins
1 Definitii. Rezolvarea problemelor prin c
autare
1.1
Denitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1
Sisteme care actioneaza precum oamenii . . . . . . . . . . . . . . .
1.1.2
Sisteme care gandesc ca oamenii . . . . . . . . . . . . . . . . . . . .
1.1.3
Sisteme care gandesc rational . . . . . . . . . . . . . . . . . . . . .
1.1.4
Sisteme care actioneaza rational . . . . . . . . . . . . . . . . . . . .
1.2
Fundamentele inteligentei articiale . . . . . . . . . . . . . . . . . . . . . .
1.3
Starea actuala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4
Rezolvarea de probleme de catre agenti . . . . . . . . . . . . . . . . . . . . 10
1.5
Formularea unei probleme de cautare . . . . . . . . . . . . . . . . . . . . . 11
1.6
Exemple de probleme de cautare . . . . . . . . . . . . . . . . . . . . . . . . 12

1.6.1
Probleme de jucarie . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6.2
Probleme din lumea reala
. . . . . . . . . . . . . . . . . . . . . . 13
1.7
Cautarea solutiei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8
Masurarea performantelor algoritmilor de cautare . . . . . . . . . . . . . . 18
2 Strategii de c
autare neinformat
a
19
2.1
Cautarea mai ntai n latime . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2
Cautarea dupa costul uniform . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3
Cautarea mai ntai n adancime . . . . . . . . . . . . . . . . . . . . . . . 22
2.4
Cautarea cu adancime limitata
2.5
Cautarea mai ntai n adancime cu adancire iterativa . . . . . . . . . . . 25
2.6
Cautare bidirectionala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.7
Problema starilor duplicat . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
. . . . . . . . . . . . . . . . . . . . . . . . 25
3 C
autare informat
a
31
3.1
Strategii de cautare informata . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2
Cautarea euristica lacoma . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3
Algoritmul A* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3
CUPRINS
3.4
Variatii ale lui A* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.5
Functii euristice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.6
Algoritmi de cautare locala si probleme de optimizare . . . . . . . . . . . . 43

3.6.1
Cautarea prin metoda ascensiunii . . . . . . . . . . . . . . . . . . . 44
3.6.2
Recoacerea simulata . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.6.3
Algoritmi genetici . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.6.4
Cautare locala n spatii continue . . . . . . . . . . . . . . . . . . . . 52
4 Probleme de satisfacere a constr

angerilor
55
4.1
Probleme de satisfacere a constrangerilor . . . . . . . . . . . . . . . . . . . 55
4.2
Cautare backtracking pentru PSC . . . . . . . . . . . . . . . . . . . . . . . 58

4.2.1
Ordonarea valorilor si a variabilelor . . . . . . . . . . . . . . . . . . 59
4.2.2
Propagarea informatiilor prin constrangeri . . . . . . . . . . . . . . 60
4.3
Cautare locala pentru PSC . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.4
Structura problemei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5 Agenti logici
69
5.1
Motivatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2
Agenti bazati pe cunoastere . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3
Jocul "lumea monstrului . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.4
Logica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.5
Logica propozitionala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.6
5.5.1
Sintaxa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.5.2
Semantica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.5.3
Exemplu: lumea monstrului n logica propozitionala . . . . . . . . . 75
5.5.4
Inferenta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.5.5
Echivalenta, validitate si satisabilitate . . . . . . . . . . . . . . . . 76
Tipare de rationament n logica propozitionala . . . . . . . . . . . . . . . . 77

5.6.1
5.7
Rezolutia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Forma normala conjunctiva . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.8
Algoritmul de rezolutie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.9 Inlantuirea nainte si napoi . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.10 Inferenta propozitionala efectiva . . . . . . . . . . . . . . . . . . . . . . . . 84
5.10.1 Algoritm bazat pe backtracking . . . . . . . . . . . . . . . . . . . . 84
5.10.2 Algoritm bazat pe cautare locala . . . . . . . . . . . . . . . . . . . 89
6 Logica de ordinul nt
ai
6.1
91
Introducere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
CUPRINS
6.2
Sintaxa si semantica logicii de ordinul ntai . . . . . . . . . . . . . . . . . . 92

6.2.1
Modele pentru logica de ordinul ntai . . . . . . . . . . . . . . . . . 92
6.2.2
Simboluri si interpretari . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2.3
Termeni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.2.4
Propozitii atomice . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.2.5
Enunturi complexe . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.2.6
Cuanticatori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.3
Procesul de management al cunostintelor . . . . . . . . . . . . . . . . . . . 95
6.4
Inferenta propozitionala comparata cu inferenta de ordinul ntai . . . . . . 96

6.4.1
Reguli de inferenta pentru cuanticatori . . . . . . . . . . . . . . . 97
6.4.2
Reducerea la inferenta propozitionala . . . . . . . . . . . . . . . . . 97
Bibliograe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
CUPRINS
Capitolul 1
Definitii. Rezolvarea problemelor prin
c
autare
1.1
Definitii
Dam cateva denitii care au fost formulate de-a lungul timpului n diverse lucrari,
precum si comentarii asupra lor. Exista patru tipuri de abordari pentru sistemele cu
inteligenta articiala: sisteme care gandesc precum oamenii, sisteme care gandesc rational,
sisteme care actioneaza precum oamenii, sisteme care actioneaza rational. Remarcam ca
exista o diferenta ntre a actiona ca un om si a actiona rational; desi inteligenta umana
si rationalitatea nu sunt disjuncte, actiunile oamenilor nu sunt ntotdeauna nscrise n
totalitate n legile ratiunii.
1.1.1
Sisteme care actioneaz

a precum oamenii
Definitia 1 Arta crearii de masini care ndeplinesc functii ce necesita inteligenta atunci
cand sunt ndeplinite de catre oameni.
Definitia 2 Studiul asupra cum se poate ca un calculator sa faca lucruri la care, pentru
moment, oamenii sunt mai buni.
Testul Turing, propus de catre Alan Turing n 1950 a fost conceput pentru a da o
denitie operationala a inteligentei. Testul care trebuie trecut de catre un sistem inteligent
consta n a pune un om n imposibilitate de a decide daca interlocutorul (sistemul articial)
este om sau nu.
Deducem ca un asemenea sistem ar trebui sa posede urmatoarele abilitati:
1. procesarea limbajului natural - pentru a putea comunica ntr-o limba folosita de
oameni
7
CAPITOLUL 1. DEFINITII.
REZOLVAREA PROBLEMELOR PRIN CAUTARE
2. reprezentarea cunostintelor - pentru a stoca ceea ce se stie sau aa
3. rationamentul automat - pentru a putea deduce noi concluzii pe baza informatiilor
acumulate si pentru a raspunde ntrebarilor
4. nvatarea automata - pentru a se adapta noilor conditii, pentru a detecta modele
sau sabloane (pattern-uri).
Testul de mai sus nu presupune un contact direct ntre om si sistemul articial. Daca
acest lucru este dorit, atunci mai e nevoie de:

1. vedere articiala (engl: computer vision) - pentru perceperea vizuala a obiectelor
2. robotica - pentru a manipula obiecte
Cu toate ca testul Turing nu a fost nca trecut, exista interes destul de scazut din
partea cercetatorilor n aceasta directie; exista opinia ca e mai important a se studia
principiile care stau la baza inteligentei decat sa se duplice un exemplar.
1.1.2
Sisteme care g
andesc ca oamenii
Definitia 3 Efortul provocator de a face calculatoarele sa gandeasca [. . . ] masini cu

minte, n sens literal.
Definitia 4 [Automatizarea] activitatilor pe care le asociem cu gandirea umana, activitati
precum luarea deciziilor, rezolvarea problemelor, nvatarea[. . . ]
Pentru a putea spune ca un program gandeste precum un om, ar trebui sa stim cum
anume gandesc oamenii - problema deloc simpla. Sunt doua moduri: prin introspectie si
prin experimente psihologice.
1.1.3
Sisteme care g
andesc rational
Definitia 5 Studiul facultatilor mentale pe baza utilizarii modelelor computationale.

Definitia 6 Studiul calculelor care fac posibile perceptia, rationamentul, actionarea.
Aceasta abordare se bazeaza pe maturizarea domeniului numit logica n secolul
al 19-lea introducerea de notatii si silogisme care permit redactarea unor enunturi si
relatii ntre diferite obiecte. Exista nsa probleme la trecerea din teorie la practica: de
exemplu, ce se ntampla cu situatiile n care exista incertitudine? apoi, exista diferente
ntre a rezolva o problema n principiu (teoretic) si a o rezolva n practica - resursele
computationale necesare pot prohibitive chiar pentru probleme de dimensiuni modeste
- a se vedea de exemplu algoritmii si discutiile captolul 2.
1.2. FUNDAMENTELE INTELIGENTEI

ARTIFICIALE
1.1.4
Sisteme care actioneaz

a rational
Definitia 7 Inteligenta computationala este studiul design-ului agentilor inteligenti.

Definitia 8 IA [. . . ] se preocupa de comportamentul inteligent n artifacte.
Pe aceasta directie se introduce de obicei conceptul de agent - un sistem articial, care
spre deosebire de programele obisnuite actioneaza autonom, percep mediul, persista pe
o perioada mai mare de timp, se adapteaza la schimbari si care urmaresc un scop. Un
agent rational este unul care actioneaza pentru a obtine cel mai bun rezultat, sau, acolo
unde exista incertitudinea, cel mai bun rezultat mediu.
Nu toate actiunile unui astfel de agent sunt neaparat rationale; exista cazuri n care se
stie ca nu exista nici o actiune rationala, dar totusi se decide a se actiona cumva. Astfel,
inferentele corecte sunt doar o parte a actiunii rationale.
1.2
Fundamentele inteligentei artificiale
Prezentam succint o lista a disciplinelor care au contribuie la dezvoltarea IA:

1. Filozoe - intervine cu ntrebari si discutii despre:
Pot regulile formale folosite pentru a extrage concluzii valide?
Cum se creeaza activitatea mentala plecand de la creier?
De unde vine cunoasterea?
Cum duce cunoasterea la actiune?
2. Matematica - trateaza problemele:
Care sunt regulile formale pentru a extrage concluzii valide?
Ce poate calculat?
Cum rationam plecand de la informatii nesigure?
3. S tiintele economice - preocupate de:
Cum ar trebui sa decidem astfel ncat sa maximizam castigul?
Cum ar trebui sa decidem atunci cand castigul este pe termen lung?
4. Neurostiinta care ncearca sa raspunda la Cum proceseaza creierul informatia?
5. Psihologia - cum gandesc si actioneaza animalele?
6. Ingineria calculatoarelor - cum putem crea un calculator ecient?
7. Lingvistica - cum este legat limbajul de gandire?

10 CAPITOLUL 1. DEFINITII.
1.3
Starea actual
a
Unde este de folos IA? O lista neexhaustiva este data mai jos:
planicare autonoma - folosita de exemplu n navetele lansate spre Marte
jocuri - supercalculatorul Deep Blue de la IBM a fost folosit pentru rularea unui
program specializat n jocul de sah, nvingandu-l pe camionul mondial, Garry Kasparov
control autonom - folosit pentru a conduce o masina de-a lungul SUA, realizand o
conducere autonoma pentru 98% din perioada totala.
diagnostic - diagnostic medical bazat pe sisteme expert
robotica - se folosesc roboti asistenti n microchirurgie, implant de proteze.
ntelegerea limbajului si rezolvarea problemelor - rezolvare de cuvinte ncrucisate.
1.4
Rezolvarea de probleme de c
atre agenti
Sa presupunem ca un agent inteligent are de rezolvat o problema: cum anume se

poate ajunge din Arad n Bucuresti (gura 1.4 este o harta simplicata a Romaniei),
folosind drept cai de comunicatie soselele din Romania. Vom considera faptul ca se cunosc
distantele existente ntre cateva perechi de orase (cele care sunt direct legate) si ca se pot
schita cateva scenarii de drum pe baza carora sa aleaga o solutie. Ca rezultat se va obtine
o secventa de actiuni a caror ndeplinire duce la rezolvarea problemei.
Pasii care trebuie urmati n rezolvarea unei probleme de cautare sunt:
1. formularea problemei - n sectiunea 1.5 se arata modul n care poate exprimata o
problema de cautare;
2. cautarea solutiei - aici se folosesc algoritmi decautare specici, avand ca rezultat
returnarea unei singure solutii;
3. executarea - pe baza solutiei ce expliciteaza actiunile ce trebuie executate n vederea
rezolvarii problemei se implementeaza faza de executie. Dupa ce se atinge scopul
problemei, se poate formula un nou scop.

1.5. FORMULAREA UNEI PROBLEME DE CAUTARE
11
Figura 1.1: O harta simplicata a Romaniei[1]
1.5
Formularea unei probleme de c

autare
O problema de cautare poate abstractizata precum mai jos, prin intermediul a patru
atribute.
1. Starea initiala - starea din care se porneste cautarea; de exemplu, pentru problema
drumului de la Arad la Bucuresti starea initiala este In(Arad).
2. O descriere a actiunilor pe care le poate ndeplini agentul. Acestea se pot formaliza
sub forma de operatori sau a unei functii succesor ce se aplica pe multimea starilor
si produce ca rezultat o multime de perechi de forma (actiune, stare):
x f unctie succesor(x) = {(actiune1 , stare1 ), . . . , (actiunen , staren )}
unde actiunei este o actiune ce se poate aplica n starea x, iar starei este starea n
care se ajunge din x aplicand actiunei .
Pentru problema exemplicata putem avea de exemplu:
f unctie succesor(In(Arad)) = {(Go(Sibiu), In(Sibiu)),
(Go(T imisoara), In(T imisoara)),
(Go(Zerind), In(Zerind))}
Starea initiala si functia succesor determina spatiul starilor problemei - al acelor stari
care sunt accesibile din starea initiala. O cale n spatiul starilor este o secventa de
stari conectate printr-o secventa de actiuni.

3. Testul de scop - determina daca o stare este stare scop, adica o stare n care problema
se considera a rezolvata. Vericarea atingerii scopului se poate face n doua
moduri:
(a) prin compararea starii curente cu multimea starilor scop, enuntata explicit; de
exemplu, pentru problema de mai sus multimea starilor scop este In{Bucuresti}.
(b) prin vericarea unor proprietati pe care trebuie sa le ndeplineasca starea pentru a considerata stare scop; de exemplu, pentru jocul de sah stare scop este
aceea n care regele este atacat si nu se mai poate misca fara a atacat.
4. O functie de cost a caii care asigneaza o valoare numerica ecarei cai. Functia
serveste ca masura a performantei succesiunii de actiuni (a solutiei); vom presupune
ca costul unei cai este dat de suma costurilor actiunilor continute, iar costul unei
actiuni este o cantitate nenegativa.
O solutie este o succesiune de actiuni care permite agentului rezolvarea problemei, iar
o solutie optima este una n care costul solutiei este minim posibil.
1.6
Exemple de probleme de c
autare
1.6.1
Probleme de juc
arie
Sunt folosite n special pentru demonstrarea conceptelor, avand scop didactic.

1. Problema puzzle-ului: se da o matrice de n linii si tot atatea coloane; n ecare
celula se aa un singur numar de la 1 la n2 1, nu exista doua celule care sa contina
acelasi numar, iar una din celule este goala. Pentru cazul n = 3 avem exemplicare
n gura 1.2(a). Se cere ca prin mutari succesive pe orizontala si pe verticala ale
numerelor n locul spatiului gol sa se ajunga la o conguratie nala, de exemplu n
care numerele sunt ordonate (citirea se face linie cu linie), iar spatiul este pe ultima
pozitie.
(a)
initiala
Starea
(b)
Starea
scop
Figura 1.2: Problema puzzle-ului pentru n = 3

1.6. EXEMPLE DE PROBLEME DE CAUTARE
13
Starea initiala este dispunerea data; functia succesor genereaza toate miscarile prin
care spatiul alb este mutat n cadrul matricei, pe verticala sau orizontala, cu cate
o sigura pozitie; testul de scop este vericarea faptului ca o stare coincide cu cea
aleasa drept nala; costul caii este egal cu numarul de mutari efectuate, deoarece se
poate considera ca ecare mutare are costul egal cu 1.
2. Problema reginelor pe tabla de sah: dandu-se o tabla de sah de n linii si tot atatea
coloane, sa se determine o pozitionare a reginelor astfel ncat sa nu se atace reciproc.
Starea initiala este cea n care tabla este goala; functia succesor este adauga o regina
Tabela 1.1: Problema dispunerii reginelor pe o tabla de 5x5
,
,
,
,
,
ntr-o celula goala (dar se pot gasi si alte formulari mai inspirate); o stare scop este
aceea n care reginele nu se ataca reciproc.
1.6.2
Probleme din lumea real

a
1. Problema determinarii rutei: acest tip de problema apare ntr-o varietate de aplicatii,
precum crearea unui itinerar bazat pe zboruri cu avionul, planicarea operatiilor militare, rutare n retele de calculatoare, etc. Complexitatea acestor probleme provine
din multitudinea de factori ce trebuie luati n considerare. De exemplu, pentru
problema gasirii unui itinerar pe cale aeriana, specicatiile ar putea :
ecare stare este reprezentata de o locatie (un aeroport) si momentul curent;
starea initiala: locul si momentul plecarii;
functie succesor: dependenta de lista zborurilor care sunt programate dintr-o
anumita locatie, la un moment ulterior;
testul scop: se poate ajunge la destinatie ntr-o perioada de timp specicata/pana la un moment maxim specicat?
costul caii: depinde de costul biletelor ce trebuie achizitionate, timpul de
asteptare, durata totala a calatoriei, calitatea locurilor, tipul serviciului, modul
de rezolvare a mbarcarii si tranzitului, tipul avionului, etc

Trebuie nsa considerate posibilitatile (si probabilitatile) de aparitie a unor evenimente nedorite precum anularea/ntarzierea unor zboruri. Un bun planicator va
considera mai multe variante, va veni cu alternative si solutii de rezerva, mpreuna
cu costurile suplimentare.
2. Problema comis-voiajorului - o persoana trebuie sa faca un tur al unei multimi de
orase, fara a trece de doua ori prin acelasi loc, cu revenire n locatia initiala si cu un
cost al drumului minim (ciclu Hamiltonian de cost minim). Se cunoaste faptul ca
problema este NP-completa, dar exista foarte multe studii care ncearca sa rezolve
problema cat mai ecient, eventual cu sacricarea optimalitatii solutiei.
3. Dispunerea circuitelor VLSI1 , unde pe o placuta de dimensiuni foarte mici trebuie
dispuse componente, realizate conexiuni, astfel ncat sa nu existe cuplari nedorite
ntre componente, sa se realizeze cu consum de material minim, sa e minimizate
lungimile circuitelor de transfer, etc. Problemele de cautare sunt extrem de complexe
datorita interdependentelor sau restrictiilor.
4. Roboti software pentru cautarea pe Internet; pe langa faptul ca trebuie sa trateze
operarea ntr-o imensa baza de date cu grad mic de structurare, trebuie sa rezolve
probleme care nu sunt simple nici pentru un om: raspunsuri la ntrebari, gasirea
preturilor cele mai convenabile, gasirea informatiilor nrudite cu ceva specicat, etc.
1.7
C
autarea solutiei
Rezolvarea problemei este facuta prin cautare n spatiul starilor. Tehnicile de cautare
prezentate n acest capitol si n capitolul 2 folosesc un arbore de cautare care are drept
radacina un nod corespunzand starii initiale a problemei, iar nodurile sunt generate pe
baza actiunilor permise din starea curenta.
Vom considera ca exemplu problema gasirii drumului minim de la Arad la Bucuresti;
pentru moment, permitem existenta unor noduri diferite, dar care au stari identice; o
discutie asupra acestui aspect este prezentata n sectiunea 2.7.
Considerand cate o stare la un moment dat, vom proceda astfel: testam sa vedem daca
starea curenta este stare scop; daca da, oprim cautarea, construim solutia si o raportam2 .
Daca raspunsul este nsa negativ, atunci se va expanda starea curenta pe baza functiei
succesor, obtinand un nou set de stari. Modul de alegere a nodului determina strategia
de cautare.
1
2
VLSI: Very Large Scale Integration, crearea de circuite integrate prin combinarea de tranzistoare.
De remarcat ca nu ne propunem determinarea tuturor sau macar a mai multor solutii, ci doar a
primeia pe care algoritmul de cautare o descopera.

1.7. CAUTAREA
SOLUTIEI
15
Arborele de cautare este format din noduri; un nod consta din urmatoarele componente:
Stare: starea caruia i corespunde nodul curent
Nod-Parinte: nodul din arborele de cautare care a generat nodul curent
Actiune: actiunea care a fost aplicata nodului parinte pentru a produce nodul
curent
Costul-caii: costul cumulat al actiunilor care duc de la nodul initial la nodul
curent;
Adancime: numarul de pasi de-a lungul caii de la nodul initial
Nodul initial corespunde starii initiale, parintele si actiunea aferente acestui nod sunt
codicate convenabil (null, valoare neaplicabila, etc). Componenta Costul-caii poate
n unele cazuri omisa, deoarece nu toate problemele cer determinarea unei solutii de cost
optim.
Un exemplu al arborelui de cautare generat pentru a cauta drumul de la Arad la
Bucuresti este dat n gura 1.4. Mai trebuie sa mentionam ca nu trebuie facuta confuzie
ntre noduri si stari; n timp ce multimea starilor poate nita (de exemplu multimea
oraselor din Romania), numarul nodurilor poate innit, daca se permite generarea de
cicluri de forma: Arad Sibiu Arad, Arad Sibiu Arad Sibiu Arad, etc.
Nodurile care au fost obtinute prin expandarea altora, dar nu au fost la randul lor
expandate (altfel zis: noduri frunza n arborele de cautare construit pana la momentul
curent) sunt mentinute ntr-o colectie numita colectieNoduri; natura acestei colectii si
politica de acces fac distinctia ntre o parte din algoritmii de cautare ce vor prezentati.
Forma generala a algoritmului de cautare este data n gura 1.3.
Cateva comentarii relativ la cod:
1. Functiile insereaza, insereaza-toate, scoate-primul determina: inserare de
nod, inserare de colectie de noduri, extragerea primului element conform politicii de
acces specice tipului de date corespunzator lui colectieNoduri;
2. Notatia X[Y] reprezinta valoarea atributului (proprietatii) X pentru entitatea Y
3. Parametrul problema reprezinta o codicare a problemei conform celor din sectiunea
1.5.
4. Functia Cautare-in-arbore poate returna si esuare, pentru cazul n care nu mai
exista nici un nod care sa e expandat iar iteratiile anterioare nu au descoperit

Figura 1.3: Algoritmul general de cautare.

1.7. CAUTAREA
SOLUTIEI
17
(a) Nodul initial, corespunzator starii In(Arad)
(b) Dupa expandarea nodului initial
(c) Dupa expandarea nodului corespunzator starii In(Sibiu)
Figura 1.4: Cresterea arborelui de cautare pentru rezolvarea problemei gasirii rutei de
Arad la Bucuresti. Nodurile care au fost expandate sunt colorate gri; cele obtinute n
urma expandarii unui nod parinte sunt cu linie continua; cele care urmeaza a obtinute
prin expandare, la pasii urmatori sunt cu marcate cu linie ntrerupta. Nu se face evitarea
starilor duplicat.

starea scop printre starile explorate. Trebuie nsa spus ca exista situatii si strategii
de algoritmi de cautare care pot rula teoretic la innit, sau din punct de vedere
practic duc la epuizarea memoriei disponibile.
1.8
M
asurarea performantelor algoritmilor de c
autare
Pentru algoritmii de cautare care urmeaza a discutati evaluarea se va face prin

prisma urmatoarelor patru atribute:
Completitudinea un algoritm de cautare este complet daca se garanteaza ca gaseste
solutia problemei, n cazul n care aceasta exista;
Optimalitatea un algoritm este optim daca solutia gasita este cu cost al caii optim;
Complexitatea n timp
Complexitatea de memorie
Complexitatea n timp este masurata relativ la numarul de noduri generate n decursul
explorarii, iar complexitatea de memorie este numarul maxim de noduri ce trebuie sa e
memorat pana la rezolvare.
Cele doua complexitati se cuantica prin intermediul notatiei O. Prezentam notatia
pentru cazul functiilor reale cu un singur argument. Fie o functie g : N R+ ; notam cu
O(g) multimea:
O(g) = {f : N R+ |n0 N, c > 0 : n n0 , f (n) c g(n)}
Pentru algoritmii de cautare ce urmeaza a prezentati complexitatea este data n termeni
de:
b, factor de ramicare reprezentand numarul maxim de succesori ai oricarui nod
d, adancimea celui mai putin adanc nod solutie (a carui stare este stare scop)
m, lungimea maxima a oricarei cai n arborele de cautare.
Capitolul 2
Strategii de c
autare neinformat
a
2.1
C
autarea mai nt
ai n l
atime
Cautarea mai ntai n latime 1 are ca particularitate folosirea structurii de date de tip
coada (colectie n care politica de acces este FIFO - First In, First Out - primul intrat,
primul iesit) n cadrul functiei Cautare-in-arbore din sectiunea 1.7. Nodul de start
este expandat, apoi copiii acestui nod sunt expandati, apoi copiii copiilor, etc. Functia
Cautare-in-arbore va apelata cu parametrul colectieNoduri initializat cu o coada
goala. Expandarea oricarui nod duce la crearea altor noduri care sunt puse la sfarsitul
cozii. In acest fel nodurile de la o adancime mai mica n arborele de cautare sunt expandate
naintea celor cu adancime mai mare. Putem vedea aceasta explorare ca o expandare
radiala n jurul nodului de plecare. Un exemplu de functionare a acestei strategii este
aratat n gura 2.1, pentru cazul n care arborele de cautare este de tip binar.
Se poate vedea faptul ca daca plecand de la nodul initial se ajunge la nodul nal prin
urmarirea actiunilor date de functia succesor, atunci functia va duce mai devreme sau
mai tarziu la descoperirea lui; mai mult, drumul de la nodul initial la nodul scop este cu
numar minim de arce; altfel spus, algoritmul descopera un nod scop care are adancimea
minima si atunci opreste cautarea.
Algoritmul este optimal doar daca functia de cost a caii este nedescrescatoare2 fata de
numarul de arce (adancimea nodului). Acest lucru se ntampla, de exemplu, daca costul
ecarei actiuni egal cu aceeasi cantitate constanta. Un exemplu de functie de cost a caii
care nu este nedescrescator fata de numarul de arce este dat n gura 2.1, unde costul caii
din nodul A n nodul C via B (deci cu doua arce) este 20, pe cand costul drumului direct
AC (un singur arc) este 30.
Pana acum comportamentul acestui algoritm este ncurajator. Pentru a vedea de ce
1
2
Engl: breadth-first search

O functie f : R R este nedescrescatoare daca x, y R, x < y avem ca f (x) f (y).
19
CAPITOLUL 2. STRATEGII DE CAUTARE

NEINFORMATA
20
B
D
C
E
B
G
(a) Expandarea nodului radacina.
D
(b)
E
Dupa
expandarea
nodului
radacina; acesta dispare din coada

colectieNoduri,
schimb
sunt
adaugate nodurile B si C.
B
D
C
E
C
E
(c) Dupa expandarea nodului B; acesta
(d) Dupa expandarea nodului C; acesta
dispare din coada, dar se adauga la
dispare din coada, dar se adauga la
sfarsitul lui colectieNoduri nodurile
sfarsitul lui colectieNoduri nodurile F si
D si E.
G.
Figura 2.1: Modul de alegere a nodurilor ce se expandeaza conform strategiei de cautare

mai ntai n latime. Nodurile marcate cu gri sunt eliminate din coada colectieNoduri,
cele marcate prin linie discontinua vor obtinute prin expandare la pasii urmatori, nodurile n dreptul carora este desenata o sageata urmeaza a expandate, iar celelate sunt
noduri aate n coada colectieNoduri.
Figura 2.2: Exemplu de functie de cost care nu este nedescrescatoare fata de numarul de
arce. Pe ecare arc este scris costul sau.

COSTUL UNIFORM
2.2. CAUTAREA
DUPA
21
nu este o alegere buna n toate cazurile facem analiza complexitatilor. Consideram un caz
n care ecare stare are exact b succesori. Nodul radacina genereaza b noduri copil, ecare
dintre acestia are la randul lui b copii (deci la adancimea 2 avem b2 noduri), prin inductie
se poate arata ca la adancimea h avem bh noduri. Sa presupunem ca solutia se aa la
adancimea d. Cazul cel mai defavorabil este acela n care acest nod corespunzand solutiei
este chiar ultimul care se expandeaza de pe nivelul lui, deci avem: cele bd noduri de pe
nivelul d, ecare din cele b 1 noduri de pe nivelul nodului solutie (noduri expandate
naintea nodului solutie) produce copii care se pun n colectieNoduri, deci nca (bd 1) b
noduri de pe nivelul d + 1. In total numarul de noduri generate este:
1 + b + b2 + . . . + bd + (bd+1 b) = O(bd+1 ).
Fiecare nod generat trebuie de asemenea sa e pastrat n memorie, pentru a putea
folosit la reconstituirea drumului - nu avem de unde sa stim care din acestia sunt efectiv
folositi n refacerea drumului, deci nu ne permitem sa stergem din memorie pana cand se
reface drumul de la starea initiala la cea nala; alfel zis, complexitatea n spatiu este tot
O(bd+1 ).
Complexitatile nu sunt ncurajatoare, deoarece pentru un factor de ramicare b = 10
si adancime a nodului solutie d = 8 este nevoie de 31 de ore de rulare si 1 teraoctet de
memorie RAM (la o rata de producere a nodurilor de 10000 noduri/secunda si 1000 octeti
pentru ecare nod). Ca atare, acest tip de explorare nu se foloseste n practica decat
pentru probleme de dimensiuni mici.
2.2
C
autarea dup
a costul uniform
Cautarea mai ntai n latime alege spre expandare cel mai putin adanc nod care nu
este expandat. Pentru cazul n care costul caii nu este nedescrescator fata de adancimea
nodului, strategia de alegere poate sa rateze gasirea caii optime. Se poate nsa corecta
acest aspect daca la ecare pas se alege nu cel mai putin adanc nod neexpandat, ci nodul
neexpandat cu costul caii cel mai mic. Acest lucru se poate face daca colectia de noduri
este mentinuta ca o coada de prioritati (colectie sortata dupa costul caii ecarui nod; orice
adaugare de nod se face nu neaparat la sfarsit ca pentru o coada clasica ci astfel ncat
sa se pastreze proprietatea de ordonare a colectiei; extragerea produce nodul cu costul
caii cel mai mic).
Astfel, cautarea dupa costul uniform nu favorizeaza caile cu numar minim de arce, ci
pe cel cu cost minim. Daca costul ecarui pas (actiune) este cel putin egal cu o constanta
> 0, atunci cautarea este atat completa cat si optima.
Complexitatea n timp si spatiu de memorie nu mai poate caracterizata de adancimea

NEINFORMATA
22
nodului; n schimb
este
de timp si
implicat costul solutiei optime, C . Complexitatea

C
spatiu este O b1+[ ] care este deseori mai mare decat O bd+1 .
2.3
C
autarea mai nt
ai n ad
ancime
Cautarea mai ntai n adancime 3 va alege pentru expandare cel mai adanc nod
din arbore care nu a fost expandat. Colectia de noduri neexpandate din algoritmul
Cautare-in-arbore se poate implementa ca o stiva (structura de date cu politica de
acces LIFO - Last In, First Out sau ultimul intrat, primul iesit). Pentru cazul unui
arbore binar ordinea de parcurgere este exemplicata n gura 2.3.
Necesarul de memorie pentru acest algoritm este deosebit de modest: daca factorul de
ramicare este b si adancimea maxima e m atunci numarul de noduri ce trebuie retinute
n colectieNoduri este 1 + b m, deci complexitatea este O(b m).
Exista o varianta si mai redusa ca necesar de memorie bazat pe acest tip de cautare;
algoritmul este cunoscut sub numele de backtracking si are particularitatea ca nu face
expandarea tuturor nodurilor copil pentru nodul extras din stiva, ci doar a unui copil;
daca explorarea pe acest copil este nefructuasa, atunci se ncearca al doilea copil, etc.
Avantajul vine din faptul ca stiva nu se ncarca decat cu nodurile care chiar fac parte din
calea de cautare curenta. Complexitatea n spatiu este O(m). Mai mult, se poate doar
mentine nodul curent (daca pasul napoi, de la copil spre parinte este usor de refacut)
si atunci complexitatea n spatiu este O(1) memorie constanta ocupata, indiferent de
adancimea curenta a nodului.
Problema cu acest tip de cautare este ca poate sa parcurga un numar mare de arce
pana la gasirea nodului solutie, daca ordinea de alegere a nodurilor este neinspirata;
de exemplu, strategia de cautare poate sa duca la descoperirea unui nod scop de cost
suboptimal, dar daca nscrierea n stiva a nodurilor copil obtinute la expandare sar face
dupa alta ordine, atunci s-ar putea ca primul nod solutie descoperit sa e de cost mai
bun sau chiar optim. Mai mult chiar, poate sa caute la nesfarsit n arbore, daca nu
se face evitarea starilor duplicat. Pentru problema oraselor, este posibila urmatoarea
parcurgere: Arad, apoi Sibiu, apoi Arad, iar Sibiu, etc. Putem deci spune ca algoritmul
nu este complet, nici optimal, iar daca se termina atunci n cel mai defavorabil caz are
complexitatea n timp O(bm ), unde m este lungimea maxima a unei cai n arborele de
cautare. Mai trebuie zis ca m poate sa e mult mai mare decat d, adancimea celui mai
putin adanc nod scop, deci complexitatea de timp poate sa e mai mare decat cea pentru
cautarea mai ntai n latime sau chiar si cea a costului uniform. Ramane nsa de remarcat
compexitatea de memorie ceruta: liniara sau chiar constanta.
3
In limba engleza, n original: depth first search.

IN ADANCIME
2.3. CAUTAREA
MAI INTAI
23
D
H
E
J
F
K
G
M
D
O
(a) Expandarea nodului radacina.
(b)
E
I
Dupa
radacina;
G
M
expandarea
nodului
acesta dispare din stiva

n
colectieNoduri,
schimb
sunt
adaugate nodurile C si apoi B (ordinea

aceasta poate sa difere si atunci
desenele ce urmeaza difera).
A
A
B
D
H
E
I
F
L
G
M
E
I
G
M
(c) Dupa expandarea nodului B, pre-
(d) Dupa expandarea nodului D; acesta
luat din varful stivei; acesta dispare din
dispare din stiva, dar se adauga la varful
stiva, dar se adauga la varful ei nodu-
ei nodurile I si apoi H. Urmatoarea
rile E si apoi D (a se vedea remarca des-
operatie este expandarea (si deci elimi-
pre alta ordine de adaugare la stiva din
nare din stiva) a nodului H, ceea ce
subfigura anterioara).
nu duce la adaugarea de alte noduri n

colectieNoduri.
D
H
E
I
F
K
G
M
D
O
E
I
F
K
G
M
(e) Se extrage varful stivei, adica no-
(f) Dupa expandarea nodului I; acesta
dul H si se ncearca expandarea lui;
dispare din stiva si nu se adauga nici
deoarece el nu are descendenti, stiva
un alt nod la stiva.
colectieNoduri ramane nemodificata
Figura 2.3: Modul de alegere a nodurilor ce se expandeaza conform strategiei de

cautare mai ntai n adancime. Nodurile colorate cu negru/gri sunt eliminate din stiva
colectieNoduri, cele marcate prin linie discontinua vor obtinute prin expandare la
pasii urmatori, nodurile n dreptul carora este desenata o sageata urmeaza a expandate,
iar celelalte sunt noduri aate n stiva colectieNoduri.

NEINFORMATA
24
D
H
E
I
F
L
G
N
D
O
E
I
F
L
G
N
(a) Dupa expandarea nodului E; acesta
(b) Dupa expandarea nodului J; acesta
dispare din stiva colectieNoduri, n
dispare din stiva colectieNoduri si
schimb sunt adaugate nodurile K si apoi
deoarece nu are descendenti nu produce
J.
noi elemente n stiva.

A
D
H
E
I
F
K
G
M
D
O
E
I
F
L
G
M
(c) Dupa expandarea nodului K; acesta
(d) Dupa expandarea nodului C; acesta
dispare din stiva colectieNoduri si
dispare din stiva, dar se adauga la
deoarece nu are descendenti nu pro-
varful ei nodurile G si apoi F.
duce noi elemente n stiva.

A
D
H
E
I
F
K
G
M
D
O
E
I
F
K
G
M
(e) Se extrage varful stivei, adica no-
(f) Expandarile frunzelor M si L re-
dul F si se expandeaza, adaugand-se la
duc numarul de elemente din stiva
stiva nodurile M si apoi L.
cu cate o unitate, urmeaza expandarea nodului G (deci scoaterea lui din

stiva colectieNoduri) si introducerea frunzelor O si N. Dupa expandarea
acestor frunze (deci eliminarea lor din
stiva) colectieNoduri devine vida si
cautarea se opreste.
Figura 2.4: Parcurgerea mai ntai n adancime - continuare.
2.4. CAUTAREA
CU ADANCIME
LIMITATA
2.4
25
C
autarea cu ad
ancime limitat
a
Cautarea mai ntai n adancime din sectiunea 2.3 are un mare atu: foloseste extrem
de putina memorie. Dar are si un dezavantaj major, posibilitatea de a cauta la innit
n arbore, datorita starilor duplicat. Acest dezavantaj este eliminat simplu: vom limita
adancimea maxima la care poate sa coboare explorarea n arbore. Vom folosi deci un
parametrul l (numar ntreg) reprezentand adancimea maxima de explorare. Nodurile de la
adancimea l sunt tratate ca si cum nu ar avea succesori. Insa acest algoritm mai introduce
un tip de rezultat: taiere4 , pentru cazul n care avem d > l iar cautarea epuizeaza toate
nodurile din subarborele de adancime l; n acest caz nu se poate spune ca se esueaza,
pentru ca o adancime de cautare mai mare ar permis gasirea nodului scop (si deci
problema sar putut rezolva).
Algoritmul cautarii cu adancime limitata5 este dat n gura 2.4. Functiile solutie,
expandeaza sunt aceleasi ca la algoritmul de cautare n arbore (sectiunea 1.3, pagina 16).
Algoritmul nu este complet daca l < d; pentru l d el este complet, dar nu neaparat
optim. Complexitatea n timp este O(bl ), iar cea n spatiu O(bl) (mostenite amandoua de
la parcurgerea mai ntai n adancime). Ceea ce este nsa de remarcat e ca nu mai avem
risc de cautare innita datorata ciclurilor (vizitarii repetate a acelorasi stari). Impreuna
cu consumul de memorie redus ne fac sa speram ca problema de cautare devine rezolvabila
cu cerinte de memorie rezonabile.
Se pune ntrebarea: de unde stim care este adancimea maxima la care vom permite
cautarea? Pentru destul de multe probleme, din nsasi enuntul lor se poate deduce care
este o valoare rezonabila pentru limita maxima. De exemplu, pentru problema Arad
Bucuresti putem observa ca numarul de orase de pe harta este 20, deci l = 19 este o
alegere buna. Chiar mai mult, se poate observa ca pentru orice pereche de orase se poate
sa se ajunga dintr-unul n celalalt prin maxim 9 pasi, deci adancimea poate si mai mult
redusa.
2.5
C
autarea mai nt
ai n ad
ancime cu ad
ancire iterativ
a
Problema necunoasterii apriorice a adancimii la care sa se faca cautarea este tratabila

prin urmatoarea strategie: se dau valori succesive lui l ncepand cu 0, din ce n ce mai mari
pana ce rezultatul este de tip esuare sau solutie. Gasirea solutiei nseamna determinarea
nodului solutie cel mai putin adanc. Varianta de algoritm combina partile bune ale
4
In limba engleza, n original: cutoff

In limba engleza, n original: depthlimited search
26

NEINFORMATA
Figura 2.5: Algoritmul cautarii cu adancime limitata.

cautarii n adancime si n latime: memorie necesara mica si respectiv, completitudine
si optimalitate pentru cazul n care functia de cost a caii este nedescrescatoare fata de
numarul de arce pentru cale.
(b) Evolutia arborelui de cautare pentru l = 1; se reconstruieste radacina si apoi se

obtin cele doua noduri copil B si C.
(c) Evolutia arborelui de cautare pentru l = 2; se reconstruiesc radacina, cei doi copii
ai ei B si C si apoi se obtin cele patru noduri nepot D, E, F si G.
Figura 2.6: Evolutia arborelui de cautare n cazul algoritmului de cautare mai ntai n adancime cu adancire iterativa, pentru diferite
IN ADANCIME
2.5. CAUTAREA
MAI INTAI
CU ADANCIRE
ITERATIVA
(a) Evolutia arborelui de cautare pentru l = 0
valori ale lui l.

27

NEINFORMATA
28
Strategia algoritmului cautarea mai ntai n adancime cu adancire iterativa6 ar putea

parea neecienta, deoarece se creeaza toate nodurile de la adancimea i 1 atunci cand se
cauta la adancimea i. Putem observa nsa ca cu cat un nivel de noduri se recreeaza mai
des, cu atat este de fapt adancimea lui mai mica (deci numarul de noduri corespunzator
este mai redus). Putem calcula numarul de noduri care sunt expandate astfel: nodurile
de la adancimea d sunt generate o singura data (de fapt, la ultima iteratie s-ar putea sa
nu e chiar toate generate), cele de la nivelul d 1 sunt generate de doua ori etc, cele de
la nivelul 0 (adica radacina) de d ori; numarul de noduri este dat ca:
N (CAR) = bd 1 + bd1 2 + . . . + b d + 1 (d + 1) = O(bd )
pe cand la cautarea mai ntai n latime numarul de noduri generate este O(bd+1 ).
Am obtinut deci un algoritm de cautare care este complet, este optim daca functia de
cost este nedescrescatoare fata de numarul de arce ale drumului, are cerinte de memorie
modeste si complexitate n timp mai mica decat cea a algoritmilor anterior prezentati. In
practica se considera ca algoritmul de cautare mai ntai n adancime cu adancire iterativa
este algoritmul preferat de cautare atunci cand spatiul de cautare este mare iar adancimea
nodului solutie este necunoscuta.
2.6
C
autare bidirectional
a
Cautarea bidirectionala se bazeaza pe strategia: se ncep simultan doua cautari, atat

dinspre nodul de start spre scop cat si invers. Daca se produce ntalnirea celor doua
cautari (si n acest caz punctul comun celor doua parcurgeri este la distanta d/2 dintre
cele doua noduri de pornire), atunci complexitatea n timp este O(bd/2 + bd/2 ) = O(bd/2 ),
care este mult mai mic decat O(bd ). Procedeul este ilustrat n gura 2.7.
Figura 2.7: Cautare bidirectionala. Aria nsumata a celor doua cercuri este mai mica
decat aria unui cerc mare care pleaca din nodul de start si ajunge n nodul de scop.
Start
Goal
La ecare expandare de nod se verica daca acesta nu a fost cumva atins de cautarea
din sens contrar. Daca da, atunci solutia (secventa de actiuni care duce dinspre nodul
6
In limba engleza, n original: iterative deepening depth-first search.

2.7. PROBLEMA STARILOR
DUPLICAT
29
de start spre cel de scop) se reface pe baza drumurilor construite spre nodul comun.
Determinarea faptului ca un nod se gaseste ntr-o lista de noduri se face n timp mediu
constant7 , daca se foloseste o tabela de dispersie. Dar tocmai faptul ca necesarul de
memorie este O(bd/2 ) face acest algoritm sa nu poata aplicat n practica. In rest nsa,
algoritmul este complet si optimal daca ecare din cele doua cautari este efectuata prin
parcurgere mai ntai n latime (si desigur, cu ipoteza suplimentara ceruta de algoritmul
mentionat). Alte variante de combinare pot face algoritmul neoptim sau incomplet.
Mai trebuie zis aici ca algoritmul poate folosit doar n cazul n care se poate calcula
usor functia de predecesor, opusul functiei succesor care face parte din denitia problemei
- lucru care nu se ntampla la toate problemele. Inca un aspect merita mentionat - daca
exista mai multe noduri scop care pot enumerate (nu doar teoretic, ci si practic) atunci
se poate crea o stare scop noua, unica, al carui pas de predecesor sa duca n starile scop
originale. Daca multimea starilor scop este foarte larga sau validarea nodurilor scop se
face fata de un predicat, atunci cautarea bidirectionala este greu sau imposibil de aplicat,
n lipsa unei descrieri compacte a proprietatii de a stare scop.
2.7
Problema st
arilor duplicat
Algoritmul general de cautare nu evita explorarea n mod repetat a acelorasi stari

(deci obtinerea de noduri diferite, dar pentru care starile corepsunzatoare au mai fost
vizitate anterior). Acest lucru face ca, de exemplu, explorarea n adancime sa poata sa
nu determine solutie, cu toate ca una exista. Pentru ceilalti algoritmi vizitarea repetata
a unor stari se traduce prin inecienta.
Un exemplu de explozie a numarului de noduri datorate starilor duplicat este dat
n gura 2.8. Din ecare punct avem 4 variante de continuare; daca nu facem evitarea
starilor duplicat, atunci la o parcurgere de adancime d obtinem 4d noduri; daca se face
evitarea starilor duplicat, atunci obtinem 4 d2 noduri. Pentru d = 20, diferenta este
uriasa: 1.099.511.627.776 fata de 1600 de noduri!
Figura 2.8: Retea pentru care neevitarea starilor duplicat duce la o explozie exponentiala
a numarului de noduri cu stari repetate.
Detectarea se face prin cautarea starii nodului ce urmeaza a expandat n lista starilor
7
Daca functia de dispersie este bine aleasa.
30

NEINFORMATA
care au fost deja expandate. Daca un algoritm evita starile duplicat, atunci poate vazut
ca o cautare n graf. Algoritmul este dat n gura 2.9 si foloseste o multime a starilor deja
expandate numita stariVechi. Algoritmul nou obtinut se numeste Cautare-in-graf.
Figura 2.9: Algoritmul de cautare in graf.

Algoritmul Cautare-in-graf nu pune probleme n privinta completitudinii; complexitatea n timp si spatiu sunt proportionale cu numarul starilor distincte, iar asta poate sa
e mult mai mic decat O(bd ). Remarcam nsa ca pentru cautarea mai ntai n adancime
sau cei derivati din aceasta strategie, datorita mentinerii acestei liste de noduri vechi,
necesarul de memorie nu mai este liniar; se evita n schimb ciclarea.
In ceea ce priveste optimalitatea, lucrurile stau astfel: algoritmul va elimina noua cale
descoperita catre o stare care a mai fost ntalnita nainte. Deoarece prima cale descoperita s-ar putea sa e suboptimala, rezulta ca nu se poate garanta optimalitatea solutiei
determinate. Acest lucru nu se ntampla atunci cand avem cautarea costului uniform sau
cand se foloseste cautarea mai ntai n latime pentru cost constant al actiunilor. Pentru
celelate metode ar trebui ca ajungerea la o stare care a mai fost parcursa sa declanseze o
vericare asupra faptului ca noua cale produce un rezultat mai bun; daca este adevarat,
atunci trebuie ca toate nodurile care au ca ascendent (direct sau prin tranzitivitate) nodul
curent sa si reactualizeze costurile.
Capitolul 3
C
autare informat
a
3.1
Strategii de c
autare informat
a
Strategiile euristice prezentate n acest capitol pornesc de la o idee simpla: ce s-ar

ntampla daca s-ar explora ntr-o directie care pare mai promitatoare pentru rezolvarea
problemei? am putea astfel sa evitam explorarea unor noduri care au o sansa mica de
ajungere n nodul scop, cu efect benec asupra complexitatii n timp si spatiu. Este o
strategie des folosita de expertii umani, care pe baza experientei si intuitiei evita explorarea tuturor posibilitatilor si decid o cautare n anumite directii, cele estimate a mai
promitatoare.
In cazul problemelor de cautare formalizate n capitolul 1, vom considera pentru ecare
nod n capacitatea estimata a lui de a duce spre un nod scop. Concret, se folosesste o
functie de evaluare f () si pentru ecare nod n se calculeaza f (n). Nodul cu cea mai mica
valoare a acestei functii este ales pentru expandare. Ca atare, algoritmul de cautare pe
arbore poate folosit cu particularizarea: lista de noduri colectieNoduri este o coada
de prioritati.
Exista o clasa ntreaga de algoritmi bazati pe aceasta idee. O componenta comuna a
acestora este o functie euristica notata traditional cu h(). h(n) reprezinta costul estimat
al celei mai ieftine cai care duce de la nodul curent la un nod scop1 .
In mod resc, vom impune ca h(n) = 0 daca n este nod scop.
De exemplu, pentru problema drumului din Arad n Bucuresti putem sa vedem aceasta
functie ca ind distanta pe drum drept de la oricare oras catre Bucuresti. Figura 3.1
contine atat harta schematizata a Romaniei, cat si un tabel cu distantele pe drum drept
dintre orase si Bucuresti.
1
Daca problema este de minimizare, atunci h(n) este costul estimat al celei mai scurte cai; daca este
problema de maxim, atunci este costul estimat al celei mai scumpe cai. In cele ce urmeaza vom lucra
cu probleme de cost minim.
31
CAPITOLUL 3. CAUTARE
INFORMATA
32
3.2
C
autarea euristic
a lacom
a
Cautarea euristica lacoma2 alege pentru expandare nodul care are valoarea calculata
pentru functia h cea mai mica. Altfel spus, alegem ca f (n) = h(n), pentru orice nod n.
Pentru problema drumului minim de la Arad la Bucuresti pasii sunt dati n gura
3.2. Distantele folosite drept euristica sunt scrise n gura 3.1. Primul nod care se
expandeaza este Sibiu, deoarece are distanta pe drum drept de la el la Bucuresti minima,
253 km. Urmatorul nod expandat este Fagaras, deoarece din multimea nodurilor aate
n colectieNoduri el este cel mai apropiat de Bucuresti. Expandarea lui Fagaras duce
la obtinerea nodului Bucuresti, care la iteratia urmatoare este cel ales pentru expandare
(avand costul 0) si care termina iteratia din algoritmul Cautare-in-arbore (sectiunea
1.7). Dar drumul optim este urmatorul: Arad Sibiu Ramnicu Valcea Pitesti
Bucuresti, cu 32 de kilometri mai mic decat cel descoperit anterior.
Putem observa ca minimizarea lui h poate duce la cautare cu numar innit de pasi:
de exemplu, daca se doreste a se ajunge din Iasi la Fagaras, prima destinatie este Neamt;
dar de aici nu mai exista nici un alt drum, decat napoi napoi n Iasi, ceea ce duce la
un ciclu innit daca nu se evita starile repetate; daca se evita, atunci se descopera calea
optima: Iasi, Vaslui, Urziceni, Bucuresti, Fagaras.
Caracteristicile acestui algoritm sunt: incomplet deoarece poate intra ntrun ciclu
innit, neoptim a se vedea exemplul dat mai sus, complexitate de timp si memorie O(bm ),
unde m este adancimea maxima a unui drum n arborele de cautare. In practica nsa, o
euristica bine aleasa poate sa duca la viteza crescuta si memorie necesara rezonabila, iar
costul solutiei determinate, chiar daca nu e optim, este deseori foarte apropiat de el.
In limba engleza, n original: greedy best-first search.
75
Oradea
Neamt
Zerind
87
151
Iasi
Arad
140
92
Sibiu
99
Fagaras
118
Vaslui
80
Rimnicu Vilcea
Timisoara
111
Lugoj
Pitesti
97
142
211
70
98
Mehadia
75
Dobreta
146
85
101
138
120
Hirsova
Urziceni
86
Bucharest
90
Craiova
Giurgiu
Eforie
Straightline distance
to Bucharest
Arad
366
Bucharest
0
Craiova
160
Dobreta
242
Eforie
161
Fagaras
178
Giurgiu
77
Hirsova
151
Iasi
226
Lugoj
244
Mehadia
241
Neamt
234
Oradea
380
Pitesti
98
Rimnicu Vilcea 193
Sibiu
253
Timisoara
329
Urziceni
80
Vaslui
199
Zerind
374
LACOMA
3.2. CAUTAREA
EURISTICA
71
Figura 3.1: Harta Romaniei si distantele pe drum drept dintre orase si Bucuresti.
33
34
(a) Nodul eles pentru expandare este unic,
(b) Dupa expandarea nodului radacina; nodul ce urmeaza a fi
radacina
expandat este Sibiu, avand costul f (= h) cel mai mic.
Fagaras, avand costul f cel mai mic.
(d) Dupa expandarea nodului Fagaras; se ajunge n orasul Bucuresti, care

va fi ales la urmatoarea iteratie din algoritmul Cautare-in-arbore.
Figura 3.2: Pasi n executarea algoritmului de cautare euristica lacoma. Valorile scrise sub noduri provin din gura 3.1
INFORMATA
(c) Dupa expandarea nodului Sibiu; nodul ce urmeaza a fiu expandat este
3.3. ALGORITMUL A*
3.3
35
Algoritmul A*
Cea mai cunoscuta forma a acestor algoritmi de cautare informata este algoritmul A*,
pentru care functia f (n) este data ca:
f (n) = g(n) + h(n)
unde g(n) este costul real al drumului de la nodul de start la nodul n un nod din
arborele de cautare contine deja aceasta valoare iar h(n) este, precum anterior, costul
estimat al celei mai bune cai de la nodul n la un nod scop. Avem deci ca f (n) este costul
estimat al celui mai bun drum de la nodul de start la un nod scop, drum ce trece prin n.
Pentru cateva conditii impuse lui h se obtine ca algoritmul A* este optim si complet; n
practica, rezultatele obtinute sunt foarte bune, prin comparatie cu strategiile de cautare
oarba studiate n cursul 2.
Vom considera functii h care sunt euristici admisibile, adica h(n) niciodata nu supraestimeaza (depaseste) costul unei solutii de la nodul n la nod scop3 . Prin natura lor, acest
tip de functii sunt optimiste ele permanent subestimeaza costul real al drumului. Deoarece functia g cuantica efortul exact de a ajunge din nodul initial n nod scop, deducem
ca valoarea f (n) nu supraestimeaza efortul de a ajunge din nodul initial n nod scop via
nodul intermediar n.
Un exemplu de functie euristica admisibila este cea care estimeaza efortul de ajungere
din nodul n n Bucuresti ca ind distanta pe drum drept de la n la Bucuresti. Este evident
ca orice ruta s-ar alege, ea nu poate avea cost mai mic decat costul drumului drept.
Evolutia algoritmului A* pentru problema ajungerii de la Arad la Bucuresti este reprezentata n gurile 3.3 si 3.4.
Aceasta este definitia pentru problema n care se cere minimizarea caii; pentru probleme de maximi-
zare, o euristica admisibila nu subestimeaza efortul real de ajungere la nod scop.
36
(a) Nodul eles pentru expandare este unic,
(b) Dupa expandarea nodului radacina; nodul ce urmeaza a fi expan-
radacina
dat este Sibiu, avand costul f cel mai mic.
Ramnicu Valcea, avand costul f cel mai mic.
(d) Dupa expandarea nodului Ramnicu Valcea; nodul ce urmeaza a fi expandat este
Fagaras.
Figura 3.3: Pasi n executarea algoritmului A*. Valorile scrise sub noduri reprezinta valorile functiei f = g + h.
INFORMATA
(c) Dupa expandarea nodului Sibiu; nodul ce urmeaza a fiu expandat este
3.3. ALGORITMUL A*
(a) Dupa expandarea nodului Fagaras.
(b) Dupa expandarea nodului Pitesti. Bucuresti este urmatorul nod expandat, dar si nod scop,
deci cautarea se opreste
Figura 3.4: Pasi n executarea algoritmului A* (continuare).

37
INFORMATA
38
Vom demonstra urmatoarea propozitie:
Teorema 1 Daca algoritmul A* se termina, atunci nodul scop la care s-a ajuns, folosind
algoritmul Cautare-in-Arbore are cost optim.
Demonstratie Fie G si G2 noduri scop aate n colectieNoduri, G2 suboptimal (adica
cu valoarea drumului pana la el mai mare decat este necesar) si G optimal. Avem
urmatoarele:
f (G2 ) = g(G2 ) + h(G2 ) = g(G2 )
deoarece am impus nca de la nceput ca h(nodScop) = 0. Din acelasi motiv:
f (G) = g(G)
Apoi:
g(G2 ) > g(G)
deoarece G2 este suboptimal. Din cele de mai sus avem ca:
f (G2 ) > f (G)
deci G va expandat naintea lui G2 de catre algoritmul A*.
Conditia din teorema anterioara este satisfacuta daca numarul de noduri n pentru
care f (n) f (G) este nit.
Daca se foloseste algoritmul Cautare-in-Graf n locul algoritmului Cautare-in-Arbore,
optimalitatea nu mai este neaparat valabila. Reamintim ca algoritmul parcurgerii pe graf
evita starile repetate astfel: un nod din colectia de noduri se expanda doar daca starea sa
nu se regaseasca ntr-o lista de stari deja parcurse. Problema cu aceasta abordare este ca
se poate astfel ca prima ajungere ntr-o anumita stare sa se faca cu un cost suboptimal,
iar urmatoarele drumuri care conduc la aceeasi stare sunt neglijate, chiar daca ar duce la
mbunatatirea costului pentru acea stare.
Exista doua solutii care se pot aplica. Prima consta n mentinerea caii care are costul
cel mai bun. Se poate scrie asemenea algoritm, chiar daca este mai complex (presupune
de exemplu ca sa se modice si costurile nodurilor care sunt descendenti ai nodurilor cu
cost mbunatatit). A doua solutie cere sa ne asiguram ca prima cale ce duce la o anumita
stare este ntotdeauna cu cost optim, ca atare putem neglija drumurile ulterioare care
redescopera starea. Vom detalia n cele ce urmeaza care sunt conditiile care trebuie sa e
ndeplinite de catre functia h pentru a aplica aceasta varianta.
Definitia 9 O functie h se numeste consistenta daca pentru orice nod n si orice succesor
n generat de o actiune a avem ca:
h(n) c(n, a, n ) + h(n )
(3.1)
3.3. ALGORITMUL A*
39
unde c(n, a, n ) este costul actiunii a care permite mutarea din starea n n starea n a
se vedea gura 3.5.
n
c(n,a,n)
n
h(n)
h(n)
G
Figura 3.5: Inegalitatea triunghiului pentru o functie consistenta
Aratam ca daca h este consistenta, atunci valorile lui f de-a lungul unui drum sunt
nedescrescatoare. Fie n un succesor al lui n; atunci:
g(n ) = g(n) + c(n, a, n )
(conform denitiei lui g, unde a este actiunea care permite schimbarea starii curente din
n n n ) si
f (n ) = g(n ) + h(n ) = g(n) + c(n, a, n ) + h(n ) g(n) + h(n) = f (n)
O functie consistenta se mai numeste deci si monotona.
Ecuatia 3.1 este o forma a inegalitatii triunghiului, triunghi format de varfurile n, n
si nodul scop cel mai apropiat de n. Se poate arata ca orice functie consistenta este si
admisibila. Reciproca nu este adevarata, dar trebuie destul de multa ingeniozitate pentru
a crea o functie care este admisibila si nu este si monotona.
Pentru problema drumului AradBucuresti, functia euristica data de distanta pe drum
drept de la orasul curent la Bucuresti este de asemenea si consistenta, deoarece satisface
inegalitatea triunghiului din geometria plana.
Enuntam fara demonstratie teorema:
Teorema 2 Daca h este consistenta, atunci A* folosind functia Cautare-pe-Graf este
optimal.
Fie C costul solutiei optime. Se mai poate arata ca:
A* expandeaza toate nodurile cu f (n) < C ;
se poate ca A* sa expandeze cateva noduri care au f (n) = C nainte ca sa expandeze
nod scop (si deci sa se termine algoritmul);
INFORMATA
40
A* nu expandeaza noduri n cu f (n) > C .

Ultima observatie este deosebit de importanta, deoarece arata ca se evita expandarea
unui nod care are costul mai mare decat costul optim, chiar daca acest cost optim nu este
cunoscut decat la terminarea algoritmului! De exemplu, nodul aferent orasului Timisoara
nu este niciodata expandat, avand cost prea mare. Datorita monotoniei functiei f avem ca
nici orasele care descind direct din Timisoara nu vor expandate, de fapt nici un nod de
pe vreo ruta care include Timisoara ca nod intermediar nu va expandat; se face astfel o
retezare a arborelui de cautare, prin eliminarea unor variante care nu ar dus oricum la
un rezultat optim. Geograc, realizam ca toata partea Banatului este exclusa din arborele
de cautare, deoarece costurile nodurilor din aceasta regiune sunt oricum prea mari fata
de costul optim (momentan necunoscut, determinat doar la sfarsitul algoritmului) C .
Algoritmul este complet, daca nu cumva sunt innit de multe noduri n care au f (n)
C . Este si optimal; mai mult decat atat, este optimal ecient pentru orice functie
euristica data adica nici un alt algoritm optimal nu garanteaza expandarea unui numar
mai mic de noduri decat A*, abstractie facand de numarul de noduri n pentru care
f (n) = C . Daca am avea un algoritm care nu expandeaza toate nodurile n cu f (n) < C ,
atunci ar exista riscul ca sa se rateze o cale optima.
Exista totusi o problema: numarul de noduri care au f () < C creste exponential cu
numarul de pasi. Un caz n care nu se ntampla asa ceva este cand:
|h(n) h (n)| O (log (h (n)))
unde h (n) este costul real al ajungerii de la nodul n la scop. Din pacate, cele mai multe
euristici folosite n practica sunt macar proportionale cu costul caii, ca atare obtinem
numar de noduri exponential si toate trebuie tinute n memorie, pentru a putea reface
solutia. De multe ori algoritmul epuizeaza toata memoria pusa la dispozitie.
3.4
Variatii ale lui A*
Exista cateva variatii ale algoritmului A*, recent obtinute, care determina solutia
optima cu un necesar de memorie neprohibitiv. Primul dintre ele este Recursive best
rst search (RBFS) care are complexitate de memorie liniara, dar sufera de regenerarea
excesiva a nodurilor. Practic, acest algoritm sufera din cauza ca foloseste prea putina
memorie.
Algoritmii MA* (Memorybounded A*) si SMA* (Simplied memorybounded A*)
vin sa corecteze problema, ei folosind toata memoria care li se pune la dispozitie. Algoritmul este complet daca solutia poate atinsa cu memoria data; este optimal n aceeasi
conditie, iar daca memoria pusa la dispozitie este prea putina, atunci va returna cea mai
3.5. FUNCTII
EURISTICE
41
buna solutie (suboptimala) pe care a putut-o descoperi. Pe de alta parte, nsa, o problema
poate deveni intratabila datorita complexitatii de timp crescute.
3.5
Functii euristice
Vom studia functii euristice pentru problema puzzle-ului (a se vedea denitia problemei
de la pagina 12). Pentru un puzzle de 3x3, factorul mediu de ramicare este 3 (4 noduri
descendente daca spatiul este la mijloc, 2 noduri descendente daca spatiul este ntr-un
colt, 3 noduri altfel). Numarul mediu de mutari pentru rezolvare este de 22; o cautare
exhaustiva ar cere vizitarea a 322 adica aproximativ 3.1 1010 noduri. Prin eliminarea
starilor duplicat problema s-ar reduce la 9!/2=181.440 noduri. Numarul este acceptabil,
dar pentru un puzzle de 4x4, un calcul asemanator duce la aproximativ 1013 stari distincte.
Ca atare, ne ntrebam ce functie euristica am putea folosi si cat de buna este ea.
Cele mai populare euristici sunt:
h1 numarul de piese pozitionate gresit. h1 este o euristica admisibila, deoarece
este clar ca orice casuta cu pozitionare gresita trebuie sa suporte cel putin o mutare.
h2 suma distantelor dintre pozitiile actuale si cele din starea nala a pieselor.
Deoarece piesele se pot misca doar pe orizontala si verticala, nu vom folosi distanta
euclidiana precum n problema drumului de la Arad la Sibiu ci distanta L1 (sau
distanta Manhattan):
L1 ((x1 , y1 ), (x2 , y2 )) = |x1 x2 | + |y1 y2 |
Din nou se observa ca este o euristica admisibila, deoarece pentru mutarea unei
piese la pozitia corecta se fac cel putin mutarile pe orizontala si pe verticala.
O modalitate de a caracteriza calitatea unei euristici este factorul efectiv de ramicare,
b . Daca numarul de noduri create de algoritmul decautare pentru o instanta particulara
a unei probleme este N , atunci b se deneste ca factorul de ramicare (nu neaparat

numar ntreg) pentru care un arbore uniform de adancime d contine cele N noduri; pe
scurt, b este solutia ecuatiei:
N = 1 + b + (b )2 + . . . + (b )d
De exemplu, daca A* descopera solutia la adancime 5 generand 52 de noduri, atunci
b 1.92. Numarul b se obtine de fapt ca o medie peste diferite instante, dar este o
valoare relativ constanta. Scopul este de a obtine un factor de ramicare cat mai apropiat
de 1.
INFORMATA
42
De exemplu, pentru instante n care numarul de pasi este 12, numarul de noduri generat pentru cautarea mai ntai n adancime cu adancire iterativa genereaza 3.644.035
noduri, algoritmul A*(h1 ) genereaza 227 noduri, iar A*(h2 ) genereaza 73 noduri. Pentru adancime 24, algoritmul de cautare oarba clacheaza din lipsa de memorie, A*(h1 )
genereaza 39135 noduri, iar A*(h2 ) genereaza 1641 noduri.
Daca exista mai multe euristici ne putem pune problema daca e vreuna mai buna
decat celelalte. Pentru h1 si h2 , de pilda, avem ca h2 (n) h1 (n), n. Din cauza ca A*
expandeaza ecare nod care are f (n) < C (echivalent: h(n) < C g(n)), rezulta ca
orice nod expandat pentru functia h2 este sigur expandat si pentru functia h1 . Asta ne
ndeamna a cauta functii euristice care sa aibe valori cat mai mari, dar sa ramana nca
admisibile (sub valoarea reala). Problema cu o asemenea abordare este ca functia, desi
devine mai buna, poate cere de asemenea resurse computationale prea mari. Pentru
cazul n care ntre doua euristici exista relatia h2 h1 spunem ca h2 domina pe h1 4 .
Se pune ntrebarea: cum se pot inventa functii euristice? Este posibil a se inventa
asemenea functii n mod automat? Modul n care sau descoperit este simplu: sau
relaxat restrictiile problemei. Daca problema se enunta sub forma unor conditii, precum:
o piesa se muta din locatia A n B daca A este vecin orizontal sau vertical al lui B si
B este spatiu liber atunci putem realiza trei variante relaxate prin eliminarea la o parte
din conditii:
1. o piesa se poate muta de la pozitia A la B daca A este vecin cu B
2. o piesa se poate muta de la pozitia A la B daca B este spatiu
3. o piesa se poate muta de la pozitia A la B
Prima varianta corespunde euristicii h2 , iar cea de-a treia este pentru euristica h1 .
Folosind aceasta tehnica de relaxare a conditiilor (si alte strategii), sa obtinut un program
capabil de a gasi variante relaxate de probleme, unele conducand la euristici superioare
celor cunoscute.
Ce se ntampla cand avem mai multe euristici, dar niciuna nu domina pe toate celelelate
(adica: avem h1 , h2 , . . . , hm si pentru orice i, j, 1 i, j m, i 6= j exista x, y astfel ncat
hi (x) hj (x) dar hi (y) > hj (y))? Putem considera functia h denita punctual ca:
h(n) = max{h1 (n), . . . hm (n)}
care domina pe toate celelalte; mai mult decat atat, se poate arata ca aceasta functie este
si consistenta!
4
Reamintim ca ne-am fixat pe probleme n care dorim sa obtinem solutie de cost minim. Pentru
probleme de maxim dominarea nseamna schimbarea sensului inecuatiei.

S I PROBLEME DE OPTIMIZARE
3.6. ALGORITMI DE CAUTARE
LOCALA
43
O alta metoda de obtinere a euristicilor este de a pleca de la subprobleme ale problemei

initiale. De exemplu, putem sa ne concentram atentia doar asupra unora din piesele de pe
puzzle, pe care ncercam sa le aducem la pozitia corecta, n timp ce celelate pot ajunge n
orice pozitie. Pentru multe pozitii de start, rezultatul este mai bun decat daca se foloseste
distanta Manhattan.
Se poate merge mai departe pe ideea acestor subprobleme: avand n vedere ca au
considerabil mai putine stari decat problema originala, se poate sa memoram ntr-o baza
de date aceste stari, mpreuna cu costul de ajungere de la ele la starea nala. Construirea
acestei baze5 poate laborioasa, dar efortul se amortizeaza rapid daca trebuie rezolvate
mai multe probleme.
3.6
Algoritmi de c
autare local
a si probleme de optimizare
Algoritmii precedenti fac o cautare mai mult sau mai putin sistematica pentru a descoperi daca un nod scop poate ajuns plecand de la nodul initial. Cand acest lucru se
ntampla, se reconstituie calea dintre nodul de start si nodul scop.
De multe ori, nsa, secventa de pasi care duce din starea initiala n starea nala este
irelevanta. De exemplu, pentru problema reginelor pe tabla de sah (sectiunea 1.6.1, pagina 12) nu ne intereseaza cum sa ajuns la plasarea acestor regine, ci doar dispunerea lor
efectiva pe tabla de sah. In aceeasi categorie intra si designul circuitelor integrate, programarea itinerarului optim prin magazine, stabilirea rutelor pentru vehicule, optimizarea
retelelor de telecomunicatii, etc.
Pentru asemenea cazuri vom considera o clasa diferita de algoritmi. Cautarea locala
foloseste doar o singura stare, cea curenta ceea ce din start nseamna ca memoria
consumata este redusa; mutarile se fac doar n stare vecina cu cea curenta, iar caile
urmate nu se memoreaza. Pe langa cantitatea mica de memorie ceruta (de obicei o
cantitate constanta), se pot aborda si probleme unde cautarea sistematica sau euristica
nu sunt fezabile (de exemplu probleme pe spatii continue).
De asemenea, se pot folosi algoritmii prezentati n aceasta sectiune si pentru cazul
problemelor de optimizare, unde sa da o functie obiectiv. Desi nu totdeauna solutiile
obtinute sunt optime, rezultatele practice sunt satisfacatoare.
Optimul poate sa e minim sau maxim; avem n vedere ca:
min(f ) = max(f )
5
Numita baza de tipare, original: pattern database
INFORMATA
44
si deci exemplicarile se vor face cu optimizari convenabil alese, data ind trecerea de la
un tip de optim la altul. Vom considera prolul functiei obiectiv (gura 3.6); dorim ca
pentru functia reprezentata sa determinam care este maximul.
Precum la metodele de cautare prezentate anterior, n acest context un algoritm de
cautare este:
complet, daca ntotdeauna gaseste un scop, daca acesta acesta exista;
optimal, daca gaseste un minim/maxim global
Figura 3.6: Prolul unei functii obiectiv; se doreste obtinerea unsi stari n care valoarea
functiei obiectiv este maxima. Punctul marcat pe grac reprezinta valoarea aferenta starii
curente, pentru care o modicare poate sa duca la cresterea sau scaderea valorii functiei
obiectiv.
3.6.1
C
autarea prin metoda ascensiunii
Metoda ascensiunii6 se bazeaza pe o idee simpla: ncearca sa modici pozitia curenta

printr-o deplasare mica, astfel ncat sa se produca o mbunatatire a valorii functiei obiectiv.
Pentru prolul reprezentat n gura 3.6, unde se doreste maximizarea valorii functiei,
dorim ca starea urmatoare sa corespunda unei miscari spre stanga pe gracul functiei
obiectiv.
Algoritmul este dat n gura 3.7. Algoritmul nu construieste un arbore de cautare, iar
cautarea actiunii urmatoare nu se face mai departe de vecinul imediat. Este ndreptatita
deci asemanarea acestui algoritm cu urcarea pe Everest ntr-o ceata subtire, suferind de
amnezie. Metoda se mai numeste si cautare locala lacoma. Algoritmul se termina atunci
6
In engleza, n original: hill climbing.

LOCALA
45
cand se ajunge ntr-un optim, care poate local. Cautarea vecinului se face n imediata
vecinatate, salturi prea mari ar putea duce la ratarea unor conguratii cu valoarea buna.
Figura 3.7: Algoritmul de cautare prin ascensiune (urcarea pe panta cea mai abrupta).
Daca pentru nodul curent exista un vecin de valoarea mai buna, atunci el este nlocuit cu
vecinul.
Strategia se poate folosi pentru problema damelor pe o tabla de sah (a se vedea
sectiunea 1.6.1, pagina 12). Pentru ecare patrat se calculeaza care ar numarul total de
atacuri de pe tabla de sah care are rezulta dupa plasarea reginei de pe coloana respectiva
n acel patrat. Evident, dorim sa determinam conguratia n care numarul de atacuri este
minim, ideal 0. Daca pentru o stare (dispunere a reginelor) oarecare exista mai multe
cele mai bune mutari se poate alege aleator oricare dintre ele.
Problemele pe care le are algoritmul bazat pe ascensiune sunt:
1. maximele locale: un maxim local este un varf care este mai nalt decat punctele
situate ntr-o vecinatate a lui, dar este mai mic decat maximul global. Algoritmul
se termina atunci cand nodul curent nu poate mbunatatit printr-o mutare n
apropiere.
2. zona plata: o zona plata este o regiune din spatiul starilor n care functia de evaluare
este constanta. Poate un platou de unde nu exista posibilitate de urcare, sau o
coama de unde se poate obtine un progres. Asa cum este dat algoritmul din gura
3.7, se produce valoarea constanta din platou.
3. creste7 ; rezulta n secventa de maxime locale pentru care directia corecta este dicil
de ales (gura 3.9).
INFORMATA
46
(a) O asezare a opt regine pe tabla de
(b) Un minim local pentru problema ce-
sah, cu costul euristic estimat 17. Pen-
lor opt regine. Starea prezentata are va-
tru fiecare patrat se arata valorea acestei
loarea 1. Orice mutare din aceasta stare
functii daca sar face mutarea reginei de
nu micsoreaza valoarea functiei.
pe coloana corespunzatoare n ea. Cele

mai bune mutari din aceasta pozitie duc
la valoarea 12.
h=5
h=2
h=0
(c) Rezolvarea problemei celor 4 regine. Solutia obtinuta este de cost 0, deci dispunerea este corecta.
Figura 3.8: Rezolvarea problemei reginelor pe tabla de sah prin cautare prin ascensiune.
Se cauta un minim al functiei care contorizeaza numarul de atacuri reciproce pe tabla.

LOCALA
47
Figura 3.9: Creste, una din conguratiile problematice pentru un algoritm de ascensiune.
Pentru problema celor opt regine, cautarea prin ascensiune duce la un optim local n
86% din cazuri; rezolvare cu functia de cost nula se atinge doar n 14% din cazuri. Trebuie
sa mentionam totodata ca numarul mediu de mutari n care se ajunge la un minim local
este 3 iar din 4 mutari se ajunge la o rezolvarea a problemei.
Algoritmul, asa cum a fost enuntat, se opreste atunci cand ajunge n zona de platou
sau de coama. Pentru coama, nsa, daca s-ar permite cautarea pe zona plata, s-ar putea
ajunge din nou la o situatie de urcus. O varianta a algoritmului din gura 3.7 este cea
n care se permit pasi laterali pe zona plata. Pentru a preveni plimbarea la innit pe un
platou, se poate impune o limita a numarului de pasi succesivi care pastreaza valoarea
functiei obiectiv. De exemplu, daca se stabileste aceasta limita la 100, pentru problema
damelor se gaseste rezolvare corecta n 94% din cazuri. Numarul mediu de pasi creste,
nsa: 21 de pasi pentru o rezolvare si 64 pentru esuare n minim local.
De asemenea mai exista varianta ascensiunii stochastice: dintr-un punct se alege probabilist panta pe care se face urcarea; cu cat panta este mai abrupta, cu atat este mai
mare sansa de alegere a ei ca directie urmatoare (dar nu e imposibil sa se aleaga pante
de nclinatie mai mica, adica sa se ajunga n stari n care valoarea nu este cea mai mare
dintre toti vecinii).
Algoritmii descrisi pana acum sunt incompleti ei nu gasesc solutia mereu, deoarece
7
In limba engleza n original: ridges.
INFORMATA
48
se blocheaza n optime locale. Ascensiunea cu repornire aleatoare stabileste puncte de

plecare aleator n spatiul starilor. Abordarea duce la un algoritm care este complet cu o
probabilitate ce tinde catre 1, din motivul ca repornirile aleatoare pot duce la alegerea
unui nod de start corespunzator unui nod scop. Daca procentul de succes pentru o problema este p, atunci este nevoie de 1/p reporniri. Pentru problema celor opt regine, unde
p = 0.14, avem nevoie de aproximativ 7 iteratii pentru a gasi o stare scop (de cost 0),
adica 6 porniri care duc la minim local si 1 care duce la rezolvare (numerele date trebuie
ntelese ca valoari medii). Numarul mediu de pasi este 22. Daca se foloseste algoritmul
ce permite pasi laterali, un calcul asemanator duce la 25 de pasi necesari (n medie) pentru rezolvarea problemei. Pentru o problema de 3 milioane de regine, aceasta abordare
(repornire aleatoare cu cautare cu pasi laterali) descopera o solutie n mai putin de un
minut!
Problemele din lumea reala deseori au un prol al functiei obiectiv cu maxime si
minime multiple, ndesate pe domeniul de denitie; algorimul cautarii prin ascensiune
duce, de regula, ntr-un maxim local sucient de bun pentru tipul de calcul consumat.
3.6.2
Recoacerea simulat
a
Un algoritm de cautare prin ascensiune este incomplet, deoarece se poate cantona

ntr-un mimim local. Ar de dorit sa permitem algoritmului sa efectueze miscari si
ntr-o directie nefavorabila, n speranta ca va permite iesirea dintr-un minim local. Ca
suport intuitiv, sa ne imaginam o un relief bidimensional n care dorim sa descoperim
minimul local. Lasam o bila sa plece dintr-un punct oarecare, dar vom face si scuturarea
suprafetei atunci cand se ajunge ntr-un minim, cu intentia de a scoate bila din minim.
Aceste scuturari sunt sucient de viguroase pentru a scoate bila din minimul local, dar
totusi nu foarte tari pentru a scoate bila din minim global. O reprezentare este data n
gura 3.10.
Algoritmul este inspirat din metalurgie, n care se ncalzeste un metal pana la o temperatura nalta; pentru a durica metalul se lasa apoi sa se raceasca foarte lent, permitand
structurii cristaline sa ajunga ntr-o stare stabila. Este important ritmul n care scade
temperatura.
Algoritmul pentru minimizarea unei functii este formalizat n gura 3.11. Daca mutarea curenta duce ntr-o situatie cu valoarea mai mica, atunci se accepta; daca noua situatie
este defavorabila, atunci se accepta o mutare cu o anumita probabilitate. Probabilitatea
scade exponential cu lipsa de calitate a noii conguratii si cu temperatura curenta (variabila). Se poate arata ca daca temperatura scade sucient de lent, atunci algoritmul
va gasi un optim local cu probabilitatea 1 [3]. Planicarea care apare ca parametu al
algoritmului este o functie descrescatoare fata de timpul t.

LOCALA
49
Figura 3.10: Algoritmul coacerii simulate. Perturbarile vor permite scoaterea bilei din
minimele locale.
Figura 3.11: Algoritmul de coacere simulata. Pasii defavorabili sunt permisi, dar probabilitatea acestora este controlata. Parametrul planiare determina valoarea temperaturii
T pentru timpul t.
INFORMATA
50
3.6.3
Algoritmi genetici
Sunt inspirati din principiile evolutionismului darwinian, care ncearca sa explice

evolutia vietuitoarelor pe Pamant. Rolul mediului este preluat de catre functia scop.
Vom detalia algoritmul pentru maximizarea unei functii f : [a, b] R+

. Indivizii care
alcatuiesc populatia se numesc cromozomi si sunt alcatuiti din gene.

Se porneste cu o populatie initiala, care este supusa apoi unui sir de procese de tipul:
1. selectie: indivizii care sunt cei mai adecvati (fata de valoarea functiei ce se vrea
optimizata) sunt favorizati sa apara de mai multe ori ntr-o populatie noua fata de
indivizii mai putin performanti;
2. ncrucisare: are loc un schimb de gene ntre perechi de parinti, formandu-se copii;
acestia se presupune ca mostenesc si combina performantele parintilor.
3. mutatie: se efectueaza niste modicari minore asupra materialului genetic existent.
Pas 1. Crearea unei populatii initiale de cromozomi. Se considera mai multe valori pentru variabila x [a, b]. Numarul acestor valori (numit dimensiunea populatiei)
este dat ca parametrul al algoritmului, N R (ex. N R = 100). Toate valorile sunt
cuanticate prin cromozomi care sunt siruri de k biti (un bit se mai numeste si
gena), k ind alt parametru de intrare.
Generarea celor N R cromozomi se face aleator, prin setarea ecarei gene la valoarea
0 sau 1, la ntamplare. Se obtine astfel o populatie initiala formata din cromozomii
c1 , . . . , cN R .
Fiecare cromozom c (adica sir de k biti) va produce un numar x(c) din intervalul
[a, b], astfel: daca valoarea n baza 10 a cromozomului este v(c), 0 v(c) 2k 1,
atunci valoarea asociata din intervalul [a, b] este:
x(c) = a + v(c)
ba
[a, b].
2k 1
Pas 2. Evolutia populatiei. In acest pas se obtin generatii succesive plecand de la

populatia initiala; populatia de la generatia g + 1 se obtine pe baza populatiei de
la generatia g. Operatorii sunt selectia, mperecherea (crosssover, ncrucisarea) si
mutatia.
Pas 2.1. Selectia . Pentru ecare cromozom din populatie se calculeaza functia
obiectiv vi = f (x(ci )), 1 i N R. Apoi se nsumeaza valorile functiilor
obiectiv obtinute pentru ecare cromozom n parte:
S=
NR
X
i=1
vi

LOCALA
51
Pentru ecare din cei NR cromozomi se calculeaza probabilitatea de selectie:

pi =
vi
, 1 i NR
S
Pentru ecare cromozom se calculeaza probabilitatea cumulativa de selectie:

qj =
j
X
pi , 1 j N R
i=1
Remarcam ca qN R = 1 iar sirul qj deneste un sir crescator. Cu cat cromozomul

ci determina o valoare mai mare pentru functia f (adica valoarea f (v(ci )) este
mai mare), cu atat diferenta dintre qi si qi1 este mai mare.
Se selecteaza N R numere aleatoare uniform distribuite n (0, 1]. Pentru ecare
numar, daca el se gaseste n intervalul (0, q1 ] atunci cromozomul c1 este ales
si depus ntr-o populatie noua; daca acest numar se aa n intervalul (qi , qi+1 ]
atunci se alege cromozomul ci+1 . Remarcam ca numarul de cromozomi prezenti
n noua populatie este tot N R, iar cu cat valoarea asociata unui cromozom este
mai mare, cu atat cresc sansele lui spre a selectat si depus n noua populatie.
Este foarte probabil ca un astfel de cromozom valoros (valoarea unui cromozom
este cu atat mai mare cu cat valoarea functiei f calculata pentru cromozomul
respectiv este mai mare) sa apara de mai multe ori in populatia noua; de
asemenea, este foarte probabil ca un cromozom cu o valoare mica pentru functia
f sa nu apara deloc.
Pas 2.2. Incrucisarea. Pentru ecare cromozom care a rezultat la pasul anterior se alege o valoare aleatoare, uniform distribuita n intervalul (0, 1]. Daca
aceasta valoare este mai mica decat un parametru pc (parametru al aplicatiei,
e.g. 0.1), atunci cromozomul este ales pentru incrucisare. Se procedeaza astfel incat sa se obtina un numar par de cromozomi (de exemplu se renunta la
ultimul daca numarul lor este impar).
Cromozomii alesi se ncruciseaza astfel: primul selectat cu al doilea selectat, al
3-lea cu al 4-lea, etc. Incrucisarea decurge astfel:
se alege un numar aleator t intre 0 si numarul de gene (toti cromozomii au
acelasi numar de gene k)
se obtin 2 cromozomi copii astfel: primul va contine primele t gene ale
primului parinte si ultimele k t gene ale celui deal doilea parinte; al
doilea copil contine primele t gene ale celui deal doilea parinte si ultimele
k t gene ale primului parinte
cei doi cromozomi copii vor nlocui n populatie pe parinti
INFORMATA
52
Pas 2.3. Mutatia. Populatiei obtinute i se aplica operator de mutatie, astfel: pentru ecare gena a ecarui cromozom se alege o valoare aleatoare, uniform distribuita n (0, 1]; daca acest numar este mai mic decat o probabilitate de mutatie
pm (parametru al aplicatiei), atunci se modica valoarea curenta a genei cu
complementul sau fata de 1.
Populatia obtinuta n pasul 2 reia ciclul de evolutie. Dupa ce se executa cateva astfel
de evolutii (sau numar de generatii, parametru al programului), se raporteaza valoarea
celui mai bun cromozom din ultima generatie8 .
Se observa ca se combina cautarea locala cu explorarea aleatoare si schimbul de
informatie ntre indivizi. Avantajul primar al algoritmilor genetici consta n acest schimb
de informatie, adica schimbarea de blocuri de date care au evoluat astfel ncat sa se
mbunatateasca valoarea produsa. O utilizare ecienta a algoritmilor genetici prespune
crearea unor structuri de date pentru gene si a unor operatori adecvati problemei ce
trebuie rezolvate9 .
3.6.4
C
autare local
a n spatii continue
Algoritmii de cautare prezentati pana acum functioneaza ntr-un univers discret si n

care functia succesor returneaza un set nit de pasi care pot efectuati dintr-o stare
oarecare. Cele mai multe probleme, nsa, sunt de tip continuu si deci posibilitatile de
alegere a urmatorilor pasi sunt innite.
Pentru o functie reala de mai multe variable f (x1 , . . . , xn ), maximul se regaseste printre
punctele x = (x1 , . . . , xn ) pentru care f (x) = 0, unde:
f (x) =
f
f
,...,
x1
xn
De cele mai multe ori acest gradient se poate calcula doar local, nu si global, deci abordarea aceasta directa nu este ntotdeauna posibila. Chiar si asa, se poate aplica metoda
ascensiunii, luand ca stare urmatoare:
x x + f (x)
unde este o constanta mica, a carei valoare poate stabilita printr-o multitudine de
metode (volumul de studiu dedicat este impresionant).
Pentru multe probleme, cel mai bun algoritm este bazat pe metoda NewtonRaphson,
folosita pentru determinarea radacinilor ecuatiilor de forma g(x) = 0 (g ind functie de o
8
9
Sau se foloseste strategia elitista: se returneaza cel mai bun individ al tuturor generatiilor.
S-a stabilit ecuatia Algoritmi genetici + structuri de date = programare evolutionista, [4].

LOCALA
53
singura variabila). Se calculeaza o noua estimare a lui x prin:

xx
g(x)
g (x)
Pentru a gasi un maxim al lui f (functie de mai multe variabile) urmatoarea valoarea a
lui x se determina astfel:
x x Hf1 (x)f (x)
unde Hf (x) este matricea hessiana, cu Hij = 2 f /xi xj . Totusi, inversarea matricilor
este computational intensiva pentru un numar mare de variabile.
54
INFORMATA
Capitolul 4
Probleme de satisfacere a
constr
angerilor
Prezentul capitol trateaza probleme n care starile se supun unor restrictii impuse.
Spre deosebire de reprezentarile date la metodele de cautare din capitolele anterioare
(reprezentari care tin cont de particularitatile problemei pentru care se face cautarea
solutiei), problemele de satisfacere a constrangerilor au o forma mult mai generala, iar
euristicile sunt larg aplicabile.
4.1
Probleme de satisfacere a constr

angerilor
O problema de satisfacere a constrangerilor (PSC) este denita ca un set de variabile

X1 , . . . , Xn si un set de constrangeri C1 , . . . Cm . Fiecare variabila are un domeniu nevid
de valori Di . O constrangere se refera la un subset de variabile si exprima conditii asupra
combinatiilor de valori pentru variabilele n discutie. O stare a problemei este o asignare
de forma {Xi = vi , Xj = vj , . . .}. O stare n care valorile respecta orice restrictie Ck , 1
k m se numeste consistenta sau legala. O solutie a problemei este o asignare consistenta
si care da valori pentru ecare variabila. Uneori este implicata si o functie obiectiv care
trebuie optimizata.
Tratarea unei probleme ca o PSC poate beneca: n primul rand, se poate formaliza
foarte usor metoda generala de rezolvare, iar aplicarea ei pe o problema concreta nseamna
scrierea adecvata a functiilor de succesor si a testului de scop (a se vedea algoritmul
general); n al doilea rand, se dau niste euristici generice care nu sunt dependente de
domeniul problemei (sectiunea 4.2.1 si urmatoarele).
Exemplu: dorim sa coloram harta regiunilor Australiei (gura 4.1) cu 3 culori, astfel
ncat sa nu existe doua regiuni vecine care au aceasi culoare. Variabilele pot considerate
aprevierile pentru regiuni, respectiv: W A, N T , Q, N SW , V , SA, T , domeniul ecarei
55
56
CAPITOLUL 4. PROBLEME DE SATISFACERE A CONSTRANGERILOR
variabile este {rosu, verde, albastru}, iar restrictiile se pot exprima sub forma unor perechi
de forma X 6= Y unde X, Y W A, N T, Q, N SW, V, SA, T si X, Y vecine pe harta.
Northern
Territory
Queensland
Western
Australia
South
Australia
New South Wales
Victoria
Tasmania
Figura 4.1: Regiuni din Australia.

Deseori se recurge la reprezentarea acestor restrictii sub forma de graf n care doua
variabile sunt legate printr-o muchie daca se supun unei constrangeri. De exemplu, pentru
problema colorarii regiunilor se leaga prin muchii noduri reprezentand regiuni vecine (si
care trebuie colorate diferit) - g 4.2.
NT
Q
WA
SA
NSW
Victoria
Figura 4.2: Graf de constrangeri pentru problema colorarii hartii Australiei.

O PSC se poate formula astfel:
stare initiala : multimea vida, corespunzatoare lipsei de asignari de valori oricarei
variabile;
functie succesor : se asigneaza unei variabile ce nu are valoare data (numita variabila
libera) o valoare din domeniul asociat, cu conditia ca asignarea nou obtinuta sa e
consistenta (sa nu ncalce restrictiile impuse);
test scop: asignarea curenta este completa, nu mai exista variabile libere

4.1. PROBLEME DE SATISFACERE A CONSTRANGERILOR
57
costul caii: o constanta pentru ecare asignare de variabila

Deoarece ecare solutie are toate cele n variabile cu valori asignate rezulta ca adancimea
solutiei este n. Algoritmii folositi pentru rezolvarea acestui tip de probleme sunt cei de
cautare n adancime (adancimea se cunoaste, iar cicluri nu putem avea, deoarece la ecare
pas consideram o alta variabila libera). De asemenea, algoritmii pentru cautare locala dau
rezultate bune.
Domeniile de valori pot discrete si nite (precum mai sus) sau nu, si n acest al doilea
caz restrictiile se dau folosind un limbaj care permite descrierea relatiilor (de exemplu
x + y < z si x y = 4). Problemele cu domenii de tip continuu sunt studiate de catre
cercetarile operationale.
O constrangere poate unara daca se refera la o singura variabila si atunci este
simplu de tratat, pentru ca se modica corespunzator domeniul de valori asociat prin
excluderea valorilor care nu satisfac restrictia. Deseori se dau restrictii binare, care implica
exact doua variabile. De exemplu, pentru graful din gura 4.2 orice muchie reprezinta o
restrictie binara.
Exista, desigur, si restrictii de ordin mai mare, implicand cel putin trei variabile.
Avem asemenea situatie n problema urmatoare1 : sa se substituie ecare litera printr-o
cifra diferita, astfel ncat ecuatia sa e adevarata
unu+
patru =
----cinci
Constrangerea ca valorile caracterelor diferite sa e diferite poate redusa la cateva de tip
binar - u 6= i, u 6= n, etc; apoi, pentru ecare din cele cinci coloane avem cate o restrictie:
u + u = i + 10x1
n + r + x1 = c + 10x2
u + t + x = n + 10x3
a + x3 = i + 10x4
(4.1)
p + x4 = c
unde xi reprezinta (eventualul) transport de la suma de cifre. Restrictiile pot reprezentate sub forma de hipergraf, precum in gura 4.3. Se poate arata ca problemele cu
domenii nite pot reduse la probleme cu restrictii binare prin introducerea unor variabile auxiliare. Din acest motiv ne vom concentra asupra problemelor cu constrangeri
binare.
1
Problema de criptaritmetica.

58
Figura 4.3: Hipergraf de constrangeri atasat problemei de criptaritmetica. Patratele

denesc restrictii la care participa variabilele - patratul de pe primul rand este reprezentare
a conditiei ca valorile caracterelor diferite sa e diferite, iar cele de pe penultimul rand
reprezinta constrangerile din sistemul 4.1.
4.2
C
autare backtracking pentru PSC
Formularea data pentru PSC (n special prezenta unei functii succesor) ne permite
sa speram ca putem trata problemele de acest tip prin orice algoritm de cautare de care
dispunem. Totusi, acest tip de probleme trebuie abordat cu o anumita schema de cautare.
Sa plecam de la o PSC n care avem n variabile care pot lua valori dintr-o multime
nita cu d elemente. Daca vrem sa folosim cautarea n latime, atunci:
la nodul radacina (cel care nu are nici o variabila nu are valoare xata) avem n d
posibilitati de a continua, deoarece avem n variabile si pentru ecare poate stabilita
o valoare din cele d;
la nivelul urmator avem (n 1)d alegeri, pentru ca au ramas mai putine variabile
n total obtinem n! dn frunze
Numarul de frunze este mult mai mare decat dn care s-ar obtine prin enumerarea tuturor
posibilitatilor de asignare de valori pentru cele n variabile. Ca atare, aplicarea unei metode
de cautare oarecare poate sa nu e o idee buna.
Numarul supraestimat de frunze a aparut din cauza ca la ecare pas permitem luarea
n considerare a tuturor variabilelolor posibile, pe cand solutia unei PSC nu este senzitiva
la ordine. Este admisibil ca la ecare pas sa se ia n considerare doar o variabila. Asa
numarul de frunze devine dn .
Cautarea de tip backtracking este de fapt o cautare de tip mai intai n adancime care
genereaza un singur nod descendent. Deoarece reprezentarea PSC este standardizata, ea
se poate aplica independent de specicul domeniului. Algoritmul este dat n gura 4.4.
Fiind un algoritm de cautare neinformata, n practica el nu se comporta bine pentru
probleme de dimensiune mare. Exista nsa niste metode generale care maresc ecienta

4.2. CAUTARE
BACKTRACKING PENTRU PSC
59
Figura 4.4: Algoritmul backtracking pentru probleme de satisfacere a constrangerilor.

lor. Metodele reprezinta raspunsuri la urmatoarele ntrebari:
1. Care variabila ar trebui luata n considerare la pasul curent, si n ce ordine ar trebui
ncercate valorile?
2. Care sunt implicatiile asignarii curente de valoare pentru o variabila pentru alte
variabile ce nca nu au valori asociate?
4.2.1
Ordonarea valorilor si a variabilelor
Algoritmul backtracking contine linia:

var<-selecteaza-variabila-neasignata(variabile[psc], asignare, psc)
dar nu se spune cum anume se face selectarea de variabila. Se poate, desigur, opta,
pentru o ordine xa a variabilelor. Dar putem observa ca daca asignam W A = rosu si
N T = verde, pentru SA ramane o singura valoare care poate asignata, deci are sens
sa consideram la pasul urmator variabila SA, mai degraba decat Q, N SW sau V . Dupa
acest pas, Q, N SW si V au domeniu de alegere al valorilor restrans la cate o variabila.
Intuitiv, ar trebui sa consideram la ecare pas variabila care are cele mai putine valori
candidat.
Strategia numita minim de valori ramase(MVR) decide alegerea variabilei care are
cele mai putine variante, astfel se ncearca producerea unei esuari cat mai devreme posibil

60
n calea de cautare curenta, astfel ca sa se reteze caile care nu duc la solutii. De exemplu,
daca avem o variabila care are 0 valori ramase, atunci algoritmul o va alege pe aceasta
si se va detecta esuare. Acest lucru este corect, deoarece oricum mai devreme sau mai
tarziu se ajunge la imposibilitatea de a da valoare pentru variabila n cauza, deci astfel
se evita niste cautari care nu ar putea produce solutie.
In practica, aceasta strategie simpla duce la mbunatatiri ale vitezei de 3 pana la
3000 de ori. Se discuta n sectiunea 4.2.2 modul n care contorizarea numarului de valori
disponibile ramase se poate face ecient.
Euristica nu este utila la alegerea primei variabile, deoarece ecare regiune poate avea
trei culori. Intr-un asemenea moment se foloseste euristica gradului care indica alegerea
acelei variabile care are cele mai multe contrangeri cu alte variabile fara valori asignate.
Notiunea de grad face aici referire la valori denite n teoria grafurilor. De exemplu,
pentru harta din gura 4.1 avem ca SA are gradul 5, alte variabile au valori 2, 3, 0. Ca
atare, se va alege ca prima variabila SA (si pasii urmatori, cu aceeasi euristica duc la
rezolvarea problemei fara a nevoie sa se revina). Strategia MVR este mult mai efectiva
decat aceasta, dar euristica gradului este utila la deciderea urmatorului pas ntr-o situatie
de egalitate.
Odata ce sa ales variabila pentru care se va da valoare trebuie determinat care este
ordinea de considerare a valorilor. Pentru asta se aplica strategia celei mai putin constrangatoare valori. Concret, se prefera valorile care produc cele mai putine eliminari
de valori pentru alte varibile neasignate. Ideea este de a se lasa maximum de exibilitate (posibilitati) pentru alegerile urmatoare. De exemplu, daca luam W A = verde si
N T = verde, iar pentru Q setam culoarea albastra, atunci SA ramane fara posibilitate
de a i se atribui valoare. Evident, daca se cere generarea tuturor solutiilor pentru PSC
sau daca problema nu are nicio solutie, strategia este inutila.
4.2.2
Propagarea informatiilor prin constr

angeri
Pana acum algoritmul a considerat constrangerile pentru o variabila doar cand ea era
aleasa de catre selecteaza-variabila-neasignata. Daca se iau n considerare aceste
constrangeri mai repede de acest moment, atunci se poate reduce foarte mult spatiul de
cautare.
Verificare nainte
Ori de cate ori unei variabile X i se asigneaza o valoare, pentru ecare variabila Y
care este conectata cu X printro restrictie se sterge din domeniul lui Y valorile care sunt
inconsistente cu proaspata valoare a lui X. Tabelul 4.1 arata evolutia cautarii cu vericare

4.2. CAUTARE
BACKTRACKING PENTRU PSC
61
nainte. Se poate observa ca dupa ce se asigneaza W A = rosu si Q = verde, domeniile

pentru N T si SA contin doar un singur element; am redus deci factorul de ramicare
pentru aceste doua variabile. Este clar ca aceasta vericare nainte face pereche buna cu
strategia MVR, pentru care urmatoarele variabile luate n considerare sunt SA si N T .
Vericarea nainte este un mod ecient de calcularea a informatiei de care MVR are nevoie.
Mai observam ca dupa ce setam V = albastru domeniul lui SA este gol. Deci vericarea nainte a determinat ca asignarea partiala {W A = rosu, Q = verde, V = albastru}
este inconsistenta cu cerintele problemei, necesitand un pas napoi.
WA
Domeniile initiale
NT
RVA RVA RVA
N SW
SA
RVA
RVA RVA RVA
Dupa W A = rosu
VA
RVA
RVA
RVA
VA
RVA
Dupa Q = verde
RA
RVA
RVA
Dupa V = albastru
RVA
Tabela 4.1: Evolutia in problema colorarii hartilor folosind vericarea nainte. R este
rosu, V este verde, A este albastru.
Propagarea constr
angerilor
Cu toate ca vericarea nainte depisteaza inconsistente, ea nu le depisteaza pe toate.
De exemplu, sa consideram a treia linie a tabelului 4.1: cand W A = rosu si Q = verde,
atat N T cat si SA sunt limitate la culoarea albastra; dar intrucat ele sunt si regiuni vecine,
trebuie sa e de culori diferite. Deci vericarea nainte nu este sucient de patrunzatoare
n a detecta incompatibilitati. Propagarea constrangerilor este un termen general, desemnand propagarea restrictiilor pentru o variabila conform constrangerilor pentru alte
variabile. Mai clar, propagam de la W A si Q la N T si SA (precum la vericarea nainte),
dar luam n considerare si constrangerea dintre N T si SA pentru a detecta inconsistenta.
Evident, dorim sa facem o asemenea propagare de constrangeri cu efort computational
cat mai mic.
Consistenta arcului este o metoda rapida de propagare a constrangerilor care este mult
mai puternica decat vericarea nainte. Un arc se refera la o legatura directionata de la
o variabila la alta. Date ind doua variabile X si Y cu domeniile de valori aferente, un
arc de la X la Y este consistent daca pentru orice valoare din domeniul lui X avem ca
exista macar o valoarea compatibila (consistenta) n domeniul lui Y . De exemplu, pentru
a treia linie din tabelul 4.1 se observa ca domeniul pentru SA este {albastru}, iar pentru
N SW este {rosu, albastru}. Pentru SA = albastru avem o asignarea consistenta a lui
N SW si anume N SW = rosu. Invers, nsa, nu este adevarat: pentru N SW = albastru

62
nu avem nici o valoare potrivita ce poate asignata lui SA. Arcul (N SW, SA) poate
facut consistent prin eliminarea lui albastru din domeniul de valori al lui N SW .
Acelasi proces se poate aplica si perechii de variabile SA si N T (ele ind legate printr-o
restrictie): tot din linia 3 a tabelului 4.1 se observa ca amandoua variabilele au domeniul
{albastru}, si deci actionarea pentru a mentine consistenta oricarui arc (de la SA la N T
sau invers) duce la domeniu de valori vid pentru una din variabile. Se va produce deci
un pas napoi, datorita detectarii devreme a imposibilitatii de continuare. Consistenta
arcului vede mai departe decat propagarea nainte.
Procesul de vericare a consistentei arcelor trebuie aplicat n mod repetat pana cand
nu mai exista inconsistente. Acest proces se poate face nainte de nceperea cautarii
sau dupa ecare asignare de valoare. Ori de cate ori se face stergerea unei valori din
domeniul unei variabile X, trebuie vericate toate arcele de la variabile Y la X. Algoritmul
consistentei arcelor AC-3 este dat n gura 4.5 si foloseste o coada care mentine arcele
ce trebuie sa e vericate din punct de vedere al consistentei. Fiecare arc (Xi , Xj ) este
cercetat pe rand pentru consistenta. Daca se sterge vreo valoare din domeniul lui Xi ,
atunci toate arcele de forma (Xk , Xi ) ce indica spre variabila Xi sunt adaugate la coada.
Complexitatea este O(n2 d3 ) [1]; beneciile obtinute prin folosirea acestei strategii acopera
efortul computational. Tot n [1] se explica de ce consistenta arcelor nu determina toate
inconsistentele.
Se pot efectua vericari de k-consistente, n care pentru orice set de k 1 variabile
care au o asignare consistenta, o oricare a k-a variabila poate sa primeasca o valoare
consistenta (pentru k = 2 avem obtinem chiar consistenta arcelor). Totusi, cu cat k este
mai mare cu atat vericarile sunt mai complexe.
4.3
C
autare local
a pentru PSC
Algoritmii de cautare locala se dovedesc a foarte ecienti n rezolvarea multor PSC.

Ei pornesc de la o asignare pentru toate variabilele iar functia succesor modica valoarea
unei variabile la ecare pas.
Cea mai evidenta euristica pentru selectarea valorii undei variabile este alegerea unei
valori care produce numarul minim de conicte cu alte variabile euristica conicteminime. Algoritmul este dat n gura 4.6.
Euristica este extrem de productiva pentru problema celor n regine; daca se face
abstractie de timpul cerut pentru pozitionarea initiala a reginelor, atunci timpul de rulare
este relativ independent de dimensiunea problemei. De exemplu, poate rezolva problema
pentru 1 milion de regine in 50 de pasi. Trebuie spus nsa ca aceasta problema are
multimea solutiilor densa n multimea starilor, deci o solutie este usor de gasit. Strategia

PENTRU PSC
4.3. CAUTARE
LOCALA
63
Figura 4.5: Algoritmul AC-3 pentru consistenta arcelor. Dupa aplicarea lui ecare arc
este consistent sau exista variabile al caror domeniu este gol (si n acest ultim caz PSC
nu poate rezolvata).
Figura 4.6: Algoritmul corespunzator euristicii conicte-minime. Functia conicte contorizeaza numarul de constrangeri ncalcate de o valoare particulara.

64
Problema
Backtracking
BT+MVR
Vericare nainte
VI+MVR
Conicte-minime
SUA
(> 1000K)
(> 1000K)
2K
60
64
n-regine
(> 40000K)
13500K
(> 40000K)
817K
4K
Zebra
3859K
1K
35K
0.5K
2K
Random 1
415K
3K
26K
2K
Random 2
942K
27K
77K
15K
Tabela 4.2: Comparatie pentru diferitele variante de backtracking pentru probleme de

satisfacere a constrangerilor. K este abreviere pentru kilo; Backtracking se refera la backtracking clasic, BT+MVR este folosirea euristicii valorii minime ramase; VI+MVR
se refera la vericare nainte + strategia valorilor minime ramase; Conicte-minime este
algoritmul din sectiunea 4.3. Numerele din paranteza arata ca nu s-a putut determina o
solutie n timpul alocat pentru rulare.
functioneaza bine si pentru probleme grele: de exemplu, planicarea operatiilor din
decursul unei saptamani pentru telescopul Hubble a fost redusa la 10 minute, de la 3
saptamani.
Un alt avantaj al cautarii locale este ca permite catarea unei solutii atunci cand o parte
din restrictii se schimba pe loc. De exemplu, pentru o problema de planicare a zborurilor, daca un aeroport devine indisponibil (accidente, conditii meteo) atunci restrictia
corespunzatoare poate usor introdusa si plecand de la o planicare precedenta se poate
obtine una adecvata pentru situatia actuala n timp foarte scurt.
Tabelul 4.2 contine o comparatie a performantelor diferitelor variante de backtracking pentru un set de probleme. Compararea se face pe baza numarului de vericari de
consistenta. Prima problema este gasirea unei colorari adecvate a hartii SUA pentru 50
de state si 4 culori. A doua problema se refera la reolvarea problemei celor n regine,
pentru n [2, 50]. A treia problema este jocul Puzzle Zebra [1]. Ultimele doua sunt
probleme articiale alese aleator. Rezultatele sugereaza ca vericarea nainte mpreuna
cu MVR este mai buna decat orice alta strategie backtracking, dar nu ntotdeauna mai
buna decat cautarea locala cu conicte minime.
4.4
Structura problemei
Vom examina modul n care structura problemei poate de ajutor pentru gasirea rapida a unei solutii. Un caz simplu este acela n care problema este compusa din mai multe
subprobleme care se pot rezolva independent; de exemplu, pentru problema colorarii hartii
Australiei, Tasmania este o subproblema care poate rezolvata separat. Reducerile de
complexitate pot mari, iar timpii de rulare obtinuti sunt acceptabili. Singura problema
4.4. STRUCTURA PROBLEMEI
65
este ca o asemenea situatie este rar ntalnita.

Un alt caz simplu de rezolvat este acela n care graful constrangerilor formeaza un
arbore. Se poate arata ca:
Teorema 3 Daca graful de constrangeri nu are cicluri, atunci PSC poate rezolvata cu
complexitatea O(n d2 ).
Sporul de performanta este evident prin comparatie cu performanta generala a algoritmului backtracking, O(dn ).
In acest punct ne putem pune problema cum anume reducem o problema la una care
are graful structurat ca un arbore. Exista doua metode: una se bazeaza pe eliminarea
unor variabile, cealalta pe crearea de grupari de noduri.
Prima varianta functioneaza astfel: se determina un set de noduri prin a carui eliminare se ajunge la un graf de tip arbore; de exemplu, pentru graful din gura 4.2 daca se
elimina nodul corespunzator variabilei SA, atunci graful obtinut este cel din gura 4.7,
pentru care teorema de mai sus ne asigura de existenta unui comportament foarte bun.
Eliminarea nodului se face prin asignarea unei valori din domeniul asociat si stergerea
valorilor incompatibile din domeniile variabilelor care sunt unite prin restrictie cu nodul
eliminat. Desigur, valoarea aleasa pentru SA poate sa duca la imposibilitatea de rezolva problema, dar aceste valori pot ncercate pe rand (conform principiului general al
metodei backtracking).
Schitat, algoritmul arata astfel:
1. alege un subset S din V ariabile[P SC] astfel ncat graful sa devina un arbore dupa
eliminarea nodurilor din S si a arcelor corespunzatoare. S se va numi set de eliminare
a ciclurilor.
2. Pentru ecare asignare posibila pentru variabilele din S care satisfac constrangerile
PSC:
(a) elimina din domeniul variabilelor ramase valorile care sunt inconsistente cu
asignarile pentru S
(b) daca PSC ramasa are o solutie, returneazo mpreuna cu asignarile pentru S
Gasirea celui mai mic set de eliminare a ciclurilor este o problema NP-grea, dar exista
algoritmi ecienti pentru obtinerea unor aproximari. Daca acest set are dimensiunea c,
atunci complexitatea variantei de mai sus este O(dc (n c)d2 ).
A doua varianta porneste de la construirea unei descompuneri a grafului de constrangeri ntrun arbore format dintr-un set de probleme interconectate. Fiecare subproblema se rezolva independent, apoi solutiile rezultate sunt combinate. Figura 4.8
66
NT
Q
WA
NSW
V
Victoria
T
Figura 4.7: Prin eliminarea variabilei SA, graful de constrangeri din gura 4.2 devine un
arbore, pentru care rezolvarea se face n timp liniar.
Figura 4.8: O descompunere sub forma de arbore a grafului de constrangeri din gura 4.2
arata descompunerea problemei de colorare a hartii Australiei. Descompunerea trebuie
sa ndeplineasca urmatoarele trei conditii:
1. ecare variabila din problema originala trebuie sa apara n cel putin una din subprobleme;
2. daca doua variabile sunt conectate printr-o constrangere n problema originala,
atunci ele trebuie sa apara mpreuna n cel putin una dintre subprobleme;
3. daca o variabila apare n doua subprobleme din arbore, atunci ele trebuie sa apara
n ecare subproblema de-a lungul unei cai care conecteaza aceste subprobleme.
Fiecare din subprobleme se rezolva independent; daca una dintre ele nu are solutie,
4.4. STRUCTURA PROBLEMEI
67
atunci ntreaga problema nu are solutie. Constrangerile care trebuie respectate se rezolva
prin interpretarea ecarei subprobleme ca o variabila mai mare si aplicarea algoritmului
ecient de rezolvare pentru arbore. Constrangerile pentru acest graf arbore reprezinta
conditia ca subprobleme cu variabile comune sa aibe aceeasi valoare pentru variabilele
partajate.
68
Capitolul 5
Agenti logici
5.1
Motivatie
Capitolul introduce agentii bazati pe cunoastere. Conceptele care se discuta sunt

reprezentarea cunoasterii si procesele de rationare preocupari centrale ale inteligentei
articiale.
Spre deosebire de agentii care aplica metodele de cautare prezentate n capitolele
anterioare, agentii logici beneciaza de cunoastere exprimata n cele mai variate forme,
combinand si recombinand informatia pentru a raspunde unor scopuri diverse. In plus,
cunoasterea si rationarea de asemenea joaca un rol crucial n lucrul cu medii partial
observabile. Un agent bazat pe cunoastere poate sa produca noi cunostinte pe baza
cunostintelor generale si a perceptiilor ; de exemplu, un medic poate sa puna un diagnostic
unui pacient, plecand de la simptomele acestuia si cunostintele pe care i le-a asigurat
formarea medicala. Dar, desi simptomele sunt cunoscute, un medic nu cunoaste absolut
tot despre pacientul tratat si de aici rezulta o alta caracteristica a agentilor logici:
necesitatea de a lucra cu observatiile partiale.
Un alt motiv pentru care se studiaza agentii bazati pe cunoastere este exibilitatea
produselor rezultate. Astfel de agenti sunt n stare sa accepte noi sarcini si sa castige
rapid noi competente prin nvatare sau prin descoperire de noi informatii.
Principalul mod n care se abordeaza agentii logici este bazat pe logica (propozitionala,
apoi de ordinul ntai). Spectrul abordarilor curente este nsa mult mai bogat, deoarece n
lumea reala apar probleme legate de incertitudine, aici intervenind teoria probabilitatilor
si sistemele fuzzy, iar partea de nvatare se abordeaza de regula prin teoria aferenta
domeniului nvatarii automate - retele neuronale, arbori de decizie (vezi [5], [6]).
69
70
CAPITOLUL 5. AGENTI
LOGICI
5.2
Agenti bazati pe cunoastere
Componenta centrala a unui agent este baza de cunostinte (BC), adica un set de
enunturi care fac parte din domeniul de lucru al agentului. Fiecare enunt este exprimat
ntrun limbaj numit limbaj de reprezentare a cunostintelor si reprezinta niste asertiuni
despre lume.
Mai este nevoie de un mecanism care sa adauge noi propozitii la BC si unul care sa
determine ce se cunoaste (sau ce anumte trebuie sa se faca la pasul curent). Numele
lor este Spune si Intreaba. Al doilea mecanism presupune inferente metode prin care
pornind de la cunostinte se deduc altele.
Figura 5.1 contine o schita a unui program bazat pe cunoastere. El preia o perceptie
ca intrare si returneaza o actiune. Agentul mentine o BC care initial este formata din
cunostintele de baza si care se mbogateste pe masura ce i se comunica perceptii sau
propozitii. Primul pas este de a comunica bazei de cunostinte ceea ce s-a perceput; la
pasul al doilea se ntreaba ce ar trebui facut. La pasul al treilea i se comunica BC ca s-a
efectuat actiunea indicata la pasul anterior; aceasta a doua comunicare este utila pentru
a tine BC ancorata n contextul curent.
Figura 5.1: Un agent generic ce actioneaza plecand de la o baza de cunostinte.
Creeaza-enunt-perceptie translateaza n limbajul formal specic bazei de cunostinte

perceptia curenta; demn de remarcat este ca timpul apare si el ca o dimensiune a perceptiei.
Creeaza-interogare-actiune contruieste o propozitie care interogheaza BC ce actiune
ar trebuie sa se execute la momentul curent. In sfarsit, Creeaza-enunt-actiune construieste un enunt care codica faptul ca actiunea indicata a fost ndeplinita.
Initial, baza de cunostinte este construita printr-o succesiune de apeluri ale lui Spune,
prin care se comunica cunostinte generale si principii. Este un mod declarativ de denire a
unui domeniu, care mareste mult aria de aplicabilitate a acestor agenti. O alta modalitate
de mbogatire a BC este prin nvatare automata pe baza perceptiilor.
5.3. JOCUL "LUMEA MONSTRULUI
5.3
71
Jocul "lumea monstrului
Sectiunea contine o descriere a unui joc, folosita ca suport de exemplicare n restul

capitolului. Se dau mai multe camere dispuse ntr-o matrice; camerele comunica ntre
ele; ntro camera se gaseste un monstru care mananca pe oricine intra acolo (si jocul se
termina). In alte camere se aa gropi; daca se intra ntro asemenea groapa, atunci jocul
se termina. Intr-o camera se aa aur; luarea lui determina sfarsitul jocului. Un personaj
narmat cu o sageata are posibilitatea de a se muta dintr-o camera n alta n cautarea
aurului.
Detaliile sunt:
masura de performanta este data de suma valorilor atasate ecarui eveniment: 1000
pentru preluarea aurului, -1000 pentru caderea ntro groapa sau omorarea de catre
monstru, -10 pentru aruncarea sagetii si -1 pentru orice alta actiune;
mediul: o matrice de camere de 4 pe 4. Agentul ncepe n camera din stanga jos,
de coordonate [1, 1], cu fata spre dreapta. Locatia camerelor cu aurul, gaurile si
monstrul sunt alese aleator, dar se garanteaza ca nu sunt n locatia de pornire.
actiuni: agentul poate sa se deplaseze n directia n care se aa cu fata, poate sa se
ntoarca la stanga sau la dreapta cu 90 . Personajul moare daca intra n camera cu
monstrul viu. Daca exact n fata lui este un zid, atunci ramane pe loc. Actiunea
apuca este folosita pentru preluarea aurului, daca se aa n aceeasi camera cu el.
Actiunea trage se poate folosi pentru a lansa sageata n directia n care e orientat;
sageata zboara pana se izbeste e de zid, e de monstru.
senzori: agentul are cinci senzori:
n patratul care contine monstrul si n camerele vecine (dar nu pe diagonala)
se percepe miros;
n camerele vecine (dar nu pe diagonala) cu o camera care contine o groapa se
simte briza de aer;
n camera care contine aurul se percepe stralucire
cand agentul se izbeste de un zid, se aude bufnitura
cand monstrul este omorat, se aude tipat
Cele cinci perceptii determina un vector cu cinci elemente care se raporteaza ori de
cate ori agentul (personajul) intra ntro camera.
72
CAPITOLUL 5. AGENTI
LOGICI
Cunostintele date mai sus se introduc ntro BC. De ecare data cand agentul viziteaza
o camera se primeste vectorul de perceptii si se pot face deductii de tipul: e posibil ca n
camera [2, 1] sa e o groapa, sau sigur n camera [3, 3] nu se aa monstru, deductii care
se adauga la BC (pentru a evita redescoperirea rotii).
5.4
Logica
Sectiunea prezenta contine generalitati despre reprezentari logice si rationament. Detaliile sunt specice logicilor concrete ce se studiaza (logica propozitiilor, logica predicatelor, logica temporala, logica fuzzy).
Orice logica trebuie sa clarice doua aspecte: sintaxa si semantica. Sintaxa reprezinta
o specicare a ceea ce este corect exprimat n logica respectiva si se poate reprezenta sub
forma de diagrame sau propozitii folosind simboluri.
Semantica deneste n general semnicatia unui enunt. In cadrul logicii ea permite
stabilirea unei valori de adevar pentru un enunt care este corect formulat din punct de
vedere sintactic. Mai mult, semantica trebuie sa specice valoarea de adevar pentru ecare
enunt fata de ecare lume posibila; de exemplu, a > b este adevarata pentru a = 3 si
b = 2, dar falsa pentru a = b = 4.
O lume posibila (set de valori atasat variabilelor) se va numi de acum nainte model
si vom spune ca m este un model al enuntului a daca a este adevarat n lumea m.
Rationamentul logic (sau deductia, adica partea de interes major ntr-o logica) reprezinta modul n care se poate deduce un enunt dintr-un altul. Denitia formala a deductiei
este:
Definitia 10 Spunem ca din se deduce si notam |= daca n orice model al
enuntului avem ca si este adevarat.
De exemplu, din propozitia a > b se poate deduce si b a, deoarece pentru orice
combinatie de numere a si b care fac prima propozitie adevarata si al doilea enunt este
adevarat. Pentru jocul cu lumea monstrului, sa presupunem ca agentul nu detecteaza
curent de aer n pozitia [1, 1] si detecteaza curent de aer n [2, 1]. Acestea mpreuna cu
regulile jocului1 formeaza baza de cunostinte. Agentul este interesat daca n [1, 2], [2, 2],
[3, 1] se aa gauri. Fiecare din camere poate sa contina sau nu gaura, deci n total avem
8 modele posibile. Vom considera acele modele pentru care baza de cunostinte nu este
contrazisa; exista trei asemenea cazuri din cele 8 posibile si n toate propozitia nu exista
groapa n [1, 2] este adevarata, pe cand nu exista groapa n [2, 2] si nu exista groapa
1
Pentru moment nu ne intereseaza cum anume se exprima formalizat aceste reguli, vom presupune ca
ele sunt reprezentate convenabil.

5.5. LOGICA PROPOZITIONAL
73
n [3, 1] nu sunt adevarate pentru toate cele trei cazuri; si negatiile lor sunt n situatie
similara.
Aceasta metoda de vericare a posibilitatii de deducere se numeste algoritmul vericarii modelelor. Vom dezvolta mai multi algoritmi de dedutie; daca avem un astfel de
algoritm i, atunci vom scrie |=i si vom citi este dedus (sau derivat) din prin i
sau i l deriveaza pe din .
Un algoritm inferential se numeste temeinic 2 daca obtine numai enunturi care sunt
derivabile din baza de cunostinte. Este evident ca algoritmul de vericare a modelelor
este temeinic.
O alta proprietate pentru un algoritm inferential este cea de completitudine daca
poate sa deduca toate enunturile care sunt derivabile din baza de cunostinte. O examinare
sistematica n cazul unei probleme n care multimea de concluzii posibile este nita duce,
evident, la un algoritm complet; proprietatea este nsa esentiala pentru problemele n care
multimea concluziilor posibile este innita.
5.5
Logica propozitional
a
5.5.1
Sintaxa
Enunturile atomice din logica propozitionala3 sunt elemente sintactice indivizibile.

Fiecare simbol corespunde unei propozitii care poate sa e adevarata sau falsa. Exista
doua simboluri propozitionale cu semnicatii xate: Adevarat este propozitia tot timpul
adevaratasi Fals este propozitia tot timpul falsa.
Enunturile complexe sunt compuse din propozitii simple folosind conectorii logici. Cei
cinci conectori sunt:
1. (non) o propozitie precum A este negarea lui A. Un literal este e un enunt
atomic (literal pozitiv), e negarea a unuia (literal negativ).
2. (si) o propozitie formata din doua propozitii legate prin precum A B se
numeste conjunctie; A B se citeste A si B
3. (sau) o propozitie ce foloseste , precum A B, se numeste disjunctie; A B
se citeste A sau B
4. (implica) o propozitie precum A B se numeste implicatie. Premisa sau
antecedentul implicatiei este A, iar concluzia sau consecventul este B. A B se
citeste A implica B sau daca A atunci B.
2
3
In limba engleza, n original: sound.

Numita si logica booleana
74
CAPITOLUL 5. AGENTI
LOGICI
5. (echivalent, daca si numai daca) propozitia A B se mai numeste biconditionala
si se citeste A daca si numai daca B sau A este echivalent cu B.
Tabelul 5.1 da sintaxa folosita n logica propozitionala n forma BNF (Backus-Naur
Form).
Enunt
Enunt atomic
Simbol
Enunt complex
Enunt atomic | Enunt complex

Adevarat | Fals | simbol
P | Q | R | ...
(Enunt)
(Enunt Enunt)
(Enunt Enunt)
(Enunt Enunt)
(Enunt Enunt)
Tabela 5.1: Gramatica BNF pentru enunturile din logica propozitionala.

Parantezele sunt importante: ecare propozitie care este construita cu conector binar
este ncadrata ntre paranteze. Uneori acestea se pot omite, dar numai daca nu duc
la ambiguitati. Suplimentar, se deneste si prioritatea operatorilor; acestia, n ordinea
precedentei sunt: , , , , . Astfel, A B C este totuna cu (A (B C)).
Suplimentar, semantica ne poate permitem sa scriem A B C deoarece ((A B) C)
are ntotdeauna aceeasi valoare de adevar ca si (A(B C)), dar arata ca este ambiguitate
pentru expresia A B C.
5.5.2
Semantica
Semantica deneste reguli pentru determinarea valorii de adevar a propozitiilor relativ

la un model concret. In logica propozitionala un model reprezinta valorile de adevar ale
simbolurilor propozitionale. De exemplu, daca avem propozitiile P1,2 , P2,2 , P3,1 , atunci
un model posibil este m = {P1,2 = f als, P2,2 = adevarat, P3,1 = adevarat}.
Calculul valorii de adevar se face recursiv, deoarece orice propozitie este alcatuita din
propozitii atomice si conectori. Pentru nceput, trebuie sa se determine valoarea de adevar
a unei propozitii atomice:
Adevarat are valoarea de adevar adevarat pentru orice model; Fals are valoarea
de adevar fals pentru orice model;
valoarea de adevar a unei unui simbol propozitional trebuie sa rezulte din modelul
curent.

5.5. LOGICA PROPOZITIONAL
75
Pentru propozitiile compuse se foloseste tabela de adevar (data n tabelul 5.2) care
arata cum se calculeaza valoarea propozitiei plecand de la elementele care o formeaza.
Pe baza celor de mai sus se poate scrie o functie (Este-Adevarat) care stabileste daca
valoarea de adevar a unei expresii s, plecand de la un model dat m este adevarat.
p
pq
pq
pq
pq
adevarat
adevarat
fals
adevarat
adevarat
adevarat
adevarat
adevarat
fals
fals
fals
adevarat
fals
fals
fals
adevarat
adevarat
fals
adevarat
adevarat
fals
fals
fals
adevarat
fals
fals
adevarat
adevarat
Tabela 5.2: Tabela de adevar pentru logica propozitionala.

S-a spus anterior ca o baza de cunostinte este o multime de enunturi. Dat ind modul
de calcul al valorii de adevar pentru o conjunctie, se poate spune ca o BC de forma 1 ,
. . . , n se poate scrie ca: 1 . . . n .
5.5.3
Exemplu: lumea monstrului n logica propozitional

a
Pentru ecare pereche de indici (i, j) corespunzand unei camere, vom seta Pi,j =adevarat
daca si numai daca n camera de coordonate (i, j) este o groapa si Bi,j va adevarata
daca si numai daca se simte curent de aer n aceeasi camera. Conform regulilor jocului
din sectiunea 5.3, avem ca:
nu exista nici o groapa in camera din care ncepe jocul, deci avem regula R1 : P1,1
ntro camera se simte curent de aer numai daca n vecinatatea ei se aa o groapa;
deci avem:
R2 : B1,1 (P1,2 P2,1 )
si
R3 : B2,1 (P1,1 P2,2 P3,1 )
introducem perceptiile: nu se simte curent de aer n prima camera (deci R4 : B1,1 )
si se simte curent n camera (2, 1) (deci R5 : B2,1 ).
Baza de cunostinte este R1 R2 R3 R4 R5 .
5.5.4
Inferenta
Scopul unei inferente este de a detemina daca BC |= , pentru un dat. Primul

algoritm pe care l dam se bazeaza pe implementarea directa a denitiei 10: se enumera
76
CAPITOLUL 5. AGENTI
LOGICI
Figura 5.2: Algoritm de deductie bazat pe construirea tabelei de adevar.

toate modelele si se verica daca este adevarata n toate modelele n care BC este
adevarata. Pentru logica propozitionala, multimea tuturor modelelor se obtine dand
toate combinatiile de valori de adevar pentru simbolurile propozitionale. In cazul nostru
avem simbolurile B1,1 , B2,1 , P1,1 , P1,2 , P2,1 , P2,2 si P3,1 . Sunt deci 27 = 128 de modele;
se poate verica faptul ca pentru trei dintre ele BC este adevarata; n aceste trei modele
P1,2 este adevarata, deci nu este groapa n camera de coordonate (1, 2). Mai departe,
P2,2 este adevarata doar n doua din cele trei modele, deci nu putem deduce nici P2,2 nici
P2,2 .
Figura 5.2 contine un algoritm general pentru a determina daca se poate deduce din
BC. Este o cautare de tip backtracking; algoritmul este temeinic, deoarece implementeaza
direct denitia; este de asemenea si complet deoarece se termina pentru orice baza de
cunostinte si , numarul de modele ind nit.
Complexitatea algoritmului este dictata de n, numarul de simboluri. Complexitatea
n timp este O(2n ) iar cea n spatiu este O(n), deoarece avem o cautare de tipul mai
ntai n adancime. Vom prezenta algoritmi care n practica sunt mult mai ecienti, dar
pentru toti algoritmii inferentiali cunoscuti exista un cel mai defavorabil caz care duce la
complexitate de timp exponentiala.
5.5.5
Echivalent
a, validitate si satisfiabilitate
Conceptele urmatoare sunt folosite n alti algoritmi care urmeaza a prezentati.

Primul concept este legat de echivalenta logica, notata cu simbolul . Doua propozitii
si sunt echivalente daca sunt adevarate n aceleasi modele. Se poate vedea de exemplu
ca P Q este echivalenta cu Q P (se verica pe tabela de adevar).
IN LOGICA PROPOZITIONAL
5.6. TIPARE DE RATIONAMENT
77
O denitie alternativa a echivalentei este: daca si numai daca |= si |= .

Tabelul 5.3 contine echivalentele logice standard.
( )
( ) comutativitatea lui
( )
( ) comutativitatea lui
(( ) )
( ( )) asociativitatea lui
(( ) )
( ( )) asociativitatea lui
()
eliminarea dublei negatii
( )
( ) contrapozitie
( )
( ) eliminarea implicatiei
( )
(( ) ( )) eliminarea biconditionala
( )
( ) de Morgan
( )
( ) de Morgan
( ( ))
(( ) ( )) distributivitatea lui asupra lui
( ( ))
(( ) ( )) distributivitatea lui asupra lui
Tabela 5.3: Echivalente logice standard.

Al doilea concept este validitatea. O propozitie este valida daca este adevarata n orice
model4 . Conceptul este util pentru urmatoare teorema de deductie:
Teorema 4 Pentru orice propozitii si , avem ca |= daca si numai daca propozitia
este valida.
Ultimul concept este satisabilitatea. O propozitie este satisabila daca si numai daca
este adevarata n cel putin un model. Daca este adevarata ntrun model m, atunci
spunem ca m satisface , sau ca m este un model al lui .
A verica daca se poate deduce din (adica daca ) este echivalent cu a vedea
daca este nesatisabila - de fapt regasim procedeul demonstratiei prin reducere la
absurd.
5.6
Tipare de rationament n logica propozitional

a
Prezentam tiparele standard care pot aplicate pentru a deriva noi propozitii; aceste
tipare se mai numesc si reguli de inferenta.
Cea mai cunoscuta regula se numeste Modus Ponens si are forma:
,
O astfel de propozitie se mai numeste si tautologie.
78
CAPITOLUL 5. AGENTI
LOGICI
adica: daca din se poate deduce si stim ca este adevarata, atunci si este adevarata.
Alta regula este eliminarea lui si care spune ca dintro conjunctie oricare din termeni
poate sa e dedus:
De asemenea, oricare din echivalentele din tabelul 5.3 pot folosite ca reguli de
inferenta; de exemplu echivalenta pentru eliminarea biconditionala duce la doua reguli
de inferenta:
( ) ( )
si
( ) ( )
Exemplicam utilizarea regulilor de inferenta si a echivalentelor n lumea monstrului.

Continuam lista prezentata n sectiunea 5.5.3. Aplicand eliminarea biconditionala pentru
R2 obtinem:
R6 : (B1,1 (P1,2 P2,1 )) ((P1,2 P2,1 ) B1,1 )
Se aplica eliminarea lui si pentru R6 si se ajunge la:
R7 : ((P1,2 P2,1 ) B1,1 )
Echivalenta logica pentru contrapozitie da:
R8 : (B1,1 (P1,2 P2,1 ))
Se aplica regula Modus Ponens pentru R8 si faptul dat n R4 , obtinanduse:
R9 (P1,2 P2,1 )
Din regula lui de Morgan se obtine:
R10 : P1,2 P2,1
sau altfel zis, nici camera [1, 2] si nici [2, 1] nu contin groapa.
Derivarea precedenta se numeste demonstratie si se bazeaza pe aplicarea unor reguli
de inferenta. Oricare din algoritmii de cautare din capitolele 2 si 3 poate folosit pentru
gasirea unei demonstratii, folosind ca stare initiala baza de cunostinte iar pas urmator
oricare din regulile de inferenta.
Deoarece inferenta n logica propozitionala este NP-completa, s-ar putea spune ca o
cautare de demonstratie nu poate sa e mai ecienta decat enumerarea modelelor. In practica nsa, gasirea unei demonstratii este mult mai ecienta, deoarece se evita propozitiile
irelevante, indiferent de cate sunt. De exemplu, n demonstratia anterioara nu sa facut
referire la propozitiile care contin simbolurile B2,1 sau P3,1 .
IN LOGICA PROPOZITIONAL
5.6. TIPARE DE RATIONAMENT
5.6.1
79
Rezolutia
In mod evident, regulile de inferenta expuse anterior sunt temeinice; nu este nsa evident daca sunt si complete, adica daca ele permit deducerea a orice poate demonstrat
pornind de la o baza de cunostinte. Aplicarea unui algoritm de cautare care este complet
avand drept pasi urmatori regulile de inferenta nu garanteaza obtinerea unui mecanism
inferential complet. De exemplu, daca regula eliminarii biconditionale nu ar fost prezenta, atunci concluzia din demonstratia anterioara nu sar putut dovedi.
Introducem o singura regula de inferenta, numita rezolutie care produce un algoritm
de inferenta complet, daca este folosit n conjunctie cu un algoritm de cautare complet.
Pentru lumea monstrului adaugam urmatoarele fapte la baza de cunostinte:
R11 : B1,2
si
R12 : B1,2 (P1,2 P2,2 P1,3 )
Printr-o demonstratie asemanatoare cu cea de mai sus, avem ca:
R13 : P2,2
R14 : P1,3
Se aplica eliminarea biconditionala la R3 , apoi Modus Ponens cu R5 si se obtine:
R15 : P1,1 P2,2 P3,1
Se observa ca literalul P2,2 din R13 se reduce cu literalul P2,2 din R15 si obtinem:
R16 : P1,1 P3,1
Putem, de asemenea, sa reducem P1,1 din R1 cu P1,1 din R15 si obtinem:
R17 : P3,1
Aceste reduceri exprima regula rezolutiei unitate, care se scrie formalizat astfel:
l1 lk , m
l1 li1 li+1 lk
unde ecare l este un literal iar li si m sunt literali complementari (unul este negarea
celuilalt). Deci regula rezolutiei unitate preia o clauza (o disjunctie de literali) si un
literal si produce o noua clauza.
Regula de mai sus admite o generalizare imediata:
l1 lk , m 1 m n
l1 li1 li+1 lk m1 mj1 mj+1 mn
80
CAPITOLUL 5. AGENTI
LOGICI
adica se pleaca de la doua clauze si se ajunge la una noua n care avem toti literalii clauzelor
initiale, mai putin cei doi termeni care sunt complementari. Desigur, se presupune ca se
aplica si factorizare, adica o expresie de forma A A este redusa la A .
Este usor de vazut ca regula de rezolutie este temeinica: daca li este adevarata, atunci
mj este falsa si deci m1 mj1 mj+1 mn trebuie sa e adevarata; analog,
daca li este falsa, atunci l1 li1 li+1 lk este adevarata. Deoarece li este ori
adevarata, ori falsa, obtinem ca una din cele doua concluzii are loc, deci si disjunctia lor
este adevarata; aceasta din urma disjunctie este exact concluzia regulii.
Se poate arata, de asemenea, ca orice algoritm complet de cautare care aplica doar
regula de rezolutie poate sa demonstreze orice concluzie care se poate demonstra plecand
de la o baza de cunostinte n logica propozitionala.
Exista totusi un aspect practic care trebuie mentionat: daca se da de exemplu propozitia
A adevarata, metoda rezolutiei nu poate sa deduca automat ca si A B este adevarata.
Mai general, rezolutia poate folosita pentru a conrma sau inrma orice propozitie, dar
nu poate sa genereze singura toate propozitiile care pot deduse pornind de la baza de
cunostinte.
5.7
Forma normal
a conjunctiv
a
Regula de rezolutie se aplica numai disjunctiilor de literali, deci s-ar parea ca se aplica
doar bazelor de cunostinte si interogarilor care constau din asemenea forme. Se poate arata
ca orice expresie din logica propozitionala poate rescrisa sub forma unei conjunctii de
disjuntii, asa numita forma normala conjunctiva (FNC).
De exemplu, pentru propozitia: B1,1 (P1,2 P2,1 ) se obtine FNC echivalenta prin
pasii:
1. Se aplica eliminarea biconditionala:
(B1,1 (P1,2 P2,1 )) ((P1,2 P2,1 ) B1,1 )
2. Se elimina , prin
(B1,1 P1,2 P2,1 ) ((P1,2 P2,1 ) B1,1 )
3. Aplicand legea lui de Morgan pentru ( ) ( ) obtinem:
(B1,1 P1,2 P2,1 ) ((P1,2 P2,1 ) B1,1 )
4. Aplicam distributivitatea lui asupra lui si obtinem FNC:
(B1,1 P1,2 P2,1 ) (P1,2 B1,1 ) (P2,1 B1,1 )
5.8. ALGORITMUL DE REZOLUTIE
81
Figura 5.3: Algoritm de rezolutie pentru logica propozitionala. Functia LP-Rezolva

returneaza setul de clauze care se obtine prin combinarea celor doua intrari.
5.8
Algoritmul de rezolutie
Procedurile de inferenta bazate pe rezolutie lucreaza pe principiul reducerii la absurd,

adica pentru a arata ca BC |= , aratam ca (BC ) este nesatisabila.
Algoritmul este aratat n gura 5.3. Primul pas este de a converti BC n FNC.
Apoi, pentru ecare pereche care contine literali complementari se produce o noua clauza,
care este adaugata la setul de clauze, daca nu este deja prezenta. Procesul se repeta pana
cand se ntampla una din:
1. nu exista noi clauze care sa e adaugate la setul de clauze; n acest caz din BC nu
se poate deduce ;
2. doua clauze produc clauza vida, caz n care din BC se poate deduce .
Clauza vida este echivalenta cu Fals, deoarece o clauza este adevarata daca si numai
daca cel putin un termen al ei este adevarat; neind cazul, nseamna ca FNC data de
BC evolueaza la un enunt care contine conjunctie cu Fals, deci valoarea de adevar
este fals. Din principiul reducerii la absurd avem ca BC |= .
O aplicare partiala a algoritmului de rezolutie pentru BC = R2 R4 si = P1,2 este
data n gura 5.4. Tot din gura observam ca obtinem, de exemplu, B1,1 P1,2 B1,1
care se reduce la Adevarat P1,2 care se evalueaza la Adevarat. Nu este utila o asemenea
clauza, deoarece este cuprinsa ntro conjunctie, iar conform tabelei de adevar 5.2 avem
ca Adevarat X este echivalent cu X, pentru orice expresie X.
82
CAPITOLUL 5. AGENTI
LOGICI
Figura 5.4: Aplicare partiala a algoritmului pentru BC = R2 R4 si = P1,2 . Se arata

evolutia pana n momentul obtinerii clauzei vide.
Se deneste nchiderea rezolutiva a unei propozitii aate n FNC ca ind setul tuturor
clauzelor care se obtin din aplicarea repetata a regulii de rezolutie peste propozitie sau
clauze derivate din ea. Acesta multime este nita, deoarece numarul de combinatii n
disjunctii al unui set nit de simboluri este nit (se aplica si factorizarea).
Completitudinea este data de teorema:
Teorema 5 (Teorema de rezolutie, [1]) Daca un set de clauze este nesatisabil, atunci
nchiderea rezolutiva a acestor clauze contine clauza vida.
5.9
Inl
antuirea nainte si napoi
De multe ori, bazele de cunostinte din lumea reala contin clauze ntro forma particulara numita clauza Horn. O clauza Horn este o disjunctie de literali n care cel mult un
literal are forma pozitiva. De exemplu, A B C.
Restrictia poate parea cam dura, dar:
1. Fiecare clauza Horn poate scrisa ca o implicatie a carei premisa este o conjunctie cu
literali pozitivi si drept concluzie un singur literal pozitiv. De exemplu, AB C
este echivalenta cu A B C am aplicat eliminarea implicatiei si regula lui de
Morsgan. Aceasta din urma forma este naturala, motiv pentru care clauzele Horn
se regasesc atat de usor n bazele de cunostinte. Ele sunt element fundamental al
domeniului numit Programare logica.
Daca o clauza Horn nu contine nici un literal pozitiv (de exemplu: AB), atunci
se poate scrie echivalent A B F als si apoi ca A B F als.
2. Inferentele cu clauze Horn pot facute cu doi algoritmi de de inferenta care apar
ca naturali, nlantuirea nainte si nlantuirea napoi.
3. Algoritmii de deductie care folosesc clauze Horn sunt liniari n dimensiunea BC.
Algoritmul de nlantuire nainte LP-InlantuireInainte(BC, q) determina daca un
simbol propozitional q poate dedus din baza de cunostinte aate n forma Horn. Daca
TUIREA
INAINTE S I INAPOI
5.9. INLAN
83
premisele unei implicatii sunt cunoscute ca adevarate, atunci concluzia implicatiei este
adevarata si este adaugata la baza de cunostinte. Procedeul se repeta pana cand e se
deduce q, e nu se mai poate adaunga niciun simbol propozitional nou la BC. Algoritmul
este dat n gura 5.5.
Figura 5.5: Algoritmul de nlantuire nainte.

Cel mai bun mod de ntelegere a algoritmului de nlantuire nainte este pe baza unui
exemplu. Sa presupunem ca avem baza de cunostinte exprimata sub forma de clauze
Horn:
P Q
LM P
BLM
AP L
AB L
A
B
84
CAPITOLUL 5. AGENTI
LOGICI
Acestei baze de cunostinte i se poate asocia un graf de tipul sisau, construit astfel:
nodurile lui sunt simbolurile propozitionale, arcele de graf unite reprezinta operatorul
, n timp ce arcele neunite corespund disjunctiei. Figura 5.6 reprezinta graful sisau
asociat bazei de cunostinte date, mpreuna cu evolutia cunostintelor. In dreptul ecarui
arc de jonctiune de arce se aa numarul de premise care mai trebuie mai demonstrate
pentru a se putea deduce concluzia aata la capatul arcului.
Se poate vedea ca nlantuirea nainte este temeinica, deoarece reprezinta aplicarea
repetata a regulii Modus Ponens. Este de asemenea si un algoritm complet (a se vedea
[1]).
Inlantuirea nainte este un exemplu de rationament codus de date, adica al unui
rationament n care demonstrarea unei concluzii se face pornind dinspre ipoteze. Spre
deosebire de regula rezolutiei, poate folosita pentru a genera o lista de concluzii care
pot deduse plecand de la o baza de cunostinte.
Inlantuirea napoi porneste dinspre interogare spre baza de cunostinte. Daca se cere
a se demonstra ca Q este adevarata, se verica prima data daca se stie deja valoarea de
adevar a lui Q; daca nu se cunoaste, atunci se gasesc toate implicatiile care l produc pe
Q. Daca se poate demonstra ca premisele unei astfel de implicatii sunt toate adevarate,
atunci si Q este adevarata. Procesul de rationament este unul directionat de scop. O
ilustrare a procesului este data n gura 5.8.
De multe ori, costul unei nlantuiri napoi este mult mai mic decat dimensiunea bazei
de cunostinte (desi o implementare ecienta are costul liniar, n cel mai defavorabil caz).
5.10
Inferenta
propozitional
a efectiv
a
Descriem aici doua variante de algoritmi ecienti pentru inferenta propozitionala bazate pe vericarea de modele: unul este bazat pe cautare backtracking, altul pleaca de la
cautare prin metoda ascensiunii.
Ambele metode verica satisabilitatea, adica determinarea unui model (valori pentru
variabile) astfel ncat sa se verice o anumita valoare de adevar. Atat backtracking cat si
cautarea locala rezolva aceste probleme, dar primul este un algoritm determinist, exact,
pe cand al doilea poate sa duca la rezultate incorecte.
5.10.1
Algoritm bazat pe backtracking
Algoritmul, datorat lui Davis si Putnam pleaca de la o propozitie n forma normala

conjunctiva. Precum cautarea backtracking (sectiunea 4.2) si metoda TA-deductie (gura
5.2), este o enumerare a modelelor, dar cu urmatoarele mbunatatiri:
PROPOZITIONAL
EFECTIVA
5.10. INFERENT
A
85
Q
1
1
P
P
2
2
M
M
2
2
A
1
A
(a) Aplicarea premisei A.
(b) Numarul de premise care

mai trebuie demonstrate pentru dovedirea lui L devine 1. Se
aplica premisa B.
Q
1
1
P
1
M
M
1
0
A
0
A
(c) Numarul de premise care
(d) Numarul de premise care
mai trebuie demonstrate pen-
tru dovedirea lui L devine 0, iar
tru dovedirea lui M devine 0.
pentru M scade la 1. Se aplica
Se aplica premisa M .
premisa L.
Figura 5.6: Exemplicarea algoritmului de nlantuire nainte.
86
CAPITOLUL 5. AGENTI
LOGICI
Q
0
M
M
0
0
A
0
A
(a) Numarul de premise care
(b) Numarul de premise care
tru dovedirea lui P devine 0. Se
tru dovedirea lui Q devine 0, la
aplica premisa P .
fel ca si pentru dovedirea lui L

folosind conjuntia (dar despre
L se stie deja ca poate fi demonstrat). Astfel, sa demonstrat concluzia Q.
Figura 5.7: Exemplicarea algoritmului de nlantuire nainte (continuare).
terminare rapida: algoritmul detecteaza daca o propozitie este adevarata sau falsa,
chiar daca modelul este partial completat. O clauza este adevarata daca un literal
este adevarat, chiar daca ceilalti literali nu au valoare de adevar xata. Similar, o
conjuntie de clauze este falsa daca o clauza este falsa, indiferent de valorile celorlalte
clauze.
Euristica simbolurilor pure: un simbol este pur daca apare cu acelasi semn n ecare
clauza. Este usor de vazut ca daca o propozitie are un model, atunci acesta are
proprietatea ca simbolul pur are valoarea adevarat.
Strategia clauzei unitate: o clauza unitate este o clauza cu un singur literal. In

contextul algoritmului, nseamna si o clauza unde toti literalii, mai putin unul, au
valoare fals. Strategia clauzei unitate asigneaza valori unor asemenea simboluri
nainte de a se apuca de altele. O astfel de setare de variabila poate de asemenea sa
duca la alte clauze unitate.
PROPOZITIONAL
EFECTIVA
5.10. INFERENT
A
87
M
L
(a) Se cere demonstrarea lui Q.
(b) Demonstrarea ca Q
Simbolurile A si B sunt cu-
adevarat cere demonstrarea ca
noscute ca avand valoarea de
P = adevarat.
adevar adevarat.
A
(c) Demonstrarea ca P
(d) Demonstrarea ca L este
adevarat cere demonstrarea ca
adevarat cere ca sa se demon-
L are valoarea adevarat si ca
streze ca A si P sunt adevarate,
M are valoarea adevarat.
sau ca A si B sunt adevarate.
Figura 5.8: Exemplicarea algoritmului de nlantuire napoi.
88
CAPITOLUL 5. AGENTI
LOGICI
(a) Se ajunge la cererea de
(b) Deoarece A si B sunt
a demonstra ca A si B sunt
adevarate, rezulta ca L este
adevarate.
adevarata.
(c) Deoarece L si B sunt
(d) Deoarece L si M sunt
adevarate, rezulta ca M este
adevarate, rezulta ca P este
adevarata.
adevarata. La pasul urmator

se deduce ca si Q are valoarea
adevarat.
Figura 5.9: Exemplicarea algoritmului de nlantuire napoi (continuare).
PROPOZITIONAL
EFECTIVA
5.10. INFERENT
A
89
Figura 5.10: Algoritmul Walksat pentru vericarea satisabilitatii unui set de clauze.
5.10.2
Algoritm bazat pe c
autare local
a
Algoritmii de cautare locala pot aplicati direct problemelor de satisabilitate, daca

se da o functie de evaluare adecvata. Se alege de regula numarul de clauze nesatisfacute.
Algoritmii de acest tip schimba la ecare pas valoarea unei variabile; pentru a iesi din
minimele locale se folosesc diferite variante de aleatoritivitate.
Unul din cei mai simpli si mai ecienti algoritmi rezultati se numeste WalkSat (gura
5.10). La ecare iteratie algoritmul alege o clauza nesatisfacuta si alege aleator care dintre
variabile sa si schimbe valoarea. Alegerea variabilei se face aleator, e:
se alege variabila care minimizeaza numarul de clauze nesatisfacute, sau
se alege simbolul aleator
Daca algoritmul returneaza un model, atunci acest model satisface clauzele. Daca nsa
se returneaza esuare, atunci nu se poate sti sigur daca expresia este nesatisabila sau daca
ar trebui ca algoritmul sa e lasat sa ruleze mai mult (dar nu se stie cat de mult).
90
CAPITOLUL 5. AGENTI
LOGICI
Capitolul 6
Logica de ordinul nt
ai
6.1
Introducere
Logica propozitionala se dovedeste a un limbaj neadecvat pentru reprezentarea

cunostintelor dintr-un mediu complex, ntrun mod concis. De exemplu, pentru a spune
ca ntr-o camera vecina (pe verticala sau orizontala) cu cea de coordonate [1, 1] n care
se simte briza de aer exista o groapa, scriem astfel:
B1,1 P1,2 P2,1
si ceva asemanator pentru ecare camera din joc. Limbajul natural este mult mai concis
(comparati camerele vecine cu o camera n care se simte curent de aer contin o groapa
cu cele n2 propozitii care trebuie scris n logica propozitionala pentru a exprima acelasi
lucru). Pe de alta parte, limbajul natural poate si imprecis. Ne dorim deci o varianta
de limbaj care sa e concis, exact n exprimare si sa permita operarea usoara.
Alte aspecte pe care le dorim de la un limbaj de reprezentare a cunostintelor sunt:
natura declarativa cunostintele dintrun domeniu sa e reprezentate separat de
mecanismul inferential; acesta din urma trebuie sa e cat mai general aplicabil.
Este o abordare diferita de cea a limbajelor procedurale (Java, C#, C++) unde
structurile de date obtinute dupa modelarea problemei erau puternic cuplate cu
operatorii de prelucrare;
semantica compozitionala semantica unui enunt exprimat ntrun asemenea limbaj trebuie sa e legata de semantica partilor care l compun;
independenta de context ceea ce ar impune obtinerea acelorasi concluzii, daca se
reaplica mecanismul inferential pornind de la o aceeasi baza de cunostinte;
Mai mult, prin compararea cu ceea ce ne pune la dispozitie limbajul natural, ne dam
seama ca dorim sa putem lucra cu:
91

CAPITOLUL 6. LOGICA DE ORDINUL INTAI
92
obiecte: oameni, culori, numere, etc;

relatii ntre obiecte: relatii unare (nalt, rosu, prim) sau n-are: mai mare decat,
frate cu, compus din;
functii: aplicate pe unul sau mai multe obiecte, duce la obtinerea altor obiecte: tatal
lui, succesorul lui, etc.
Limbajul logicii de ordinul ntai trateaza satisfacator toate aceste aspecte.
Cea mai mare diferenta ntre logica propozitionala si logica predicatelor este ca n
prima se exprima fapte care au sau nu loc. Fiecare fapt are una din doua valori: adevarat
sau fals. Logica predicatelor nsa se refera la o multime de obiecte ntre care exista sau
nu relatii.
6.2
6.2.1
Sintaxa si semantica logicii de ordinul nt

ai
Modele pentru logica de ordinul nt
ai
Modelele pentru logica propozitionala constau n perechi de valori de forma simbol =

valoare, unde valoarea poate adevarat sau fals. Pentru logica de ordinul ntai lucrurile
sunt substantial diferite: se lucreaza cu obiecte, care pot lua orice valoare dintr-o multime
specicata. Domeniul unui model este setul de obiecte pe care le contine.
Sa presupunem ca pornim de la urmatoarea stare: exista doua persoane, John si
Richard, care sunt frati si regi (la momente diferite de timp); exista o coroana care se
aa pe capul unuia dintre ei; se face referire la piciorul stang al oricaruia din cei doi via
o functie, PiciorulStang.
O relatie (cum ar frate(John, Richard), frate(Richard, John) si peCap(coroana,
John)) este un set de tupluri de obiecte care sunt legate. Modelul poate de asemenea sa contina relatii unare (numite si proprietati) - rege(John), persoana(John), persoana(Richard).
Unele relatii sunt mai bine de interpretat ca functii; daca pentru un obiect oarecare
(notat o1 ), relatia asigura o legatura cu un unic obiect, atunci ea poate vazuta ca o
functie de forma relatie(o1 )=o2 . De exemplu, avem legaturile:
Richard piciorul stang al lui Richard
John piciorul stang al lui John
Functiile trebuie sa e totale, adica pentru orice argument sa asocieze un rezultat. Deci
piciorul stang al lui John trebuie sa aibe si el un picior stang; o asemenea problema se
rezolva introducand un obiect ctiv care sa e atasat obiectelor pentru care nu exista,
sub o interpretare rezonabila, ceva atasat.

6.2. SINTAXA S I SEMANTICA LOGICII DE ORDINUL INTAI
6.2.2
93
Simboluri si interpret
ari
Elementele din sintaxa logicii propozitionale sunt:

constante: John, Richard, etc
predicate: Frate, >, etc
functii: PiciorulStang, radical, etc
variabile: x, y, etc
conective: , , , ,
egalitatea: =
cuanticatori: ,
Gramatica n forma BNF este data n tabelul 6.1.
Enunt
Enunt Atomic
(Enunt Conectiva Enunt)
Cuanticator Variabila . . . Enunt
Enunt
Enunt Atomic
Termen
Predicat(Termen, . . . ) | Termen = Termen

Functie(Termen, . . . )
Constanta
Variabila
Conectiva
|||
Cuanticator
Constanta
A | X1 | John | . . .
Variabila
a | x | ...
Predicat
Frate | . . .
Functie
TatalLui | PiciorulStang | . . .
Tabela 6.1: Forma BNF pentru sintaxa din logica predicatelor.

Semantica trebuie sa lege enunturile de modele pentru a se putea determina valoarea
de adevar. Avem deci nevoie de o interpretare care sa specice exact care obiecte, relatii si
functii sunt legate de ce simboluri asociate simbolurilor de constante, predicate si functii.
Una din interpretarile posibile, care este adecvata exemplului nostru este:
constanta Richard se refera la persoana Richard; analog constanta John;

94
predicatul Frate se refera la relatia dintre doua persoane

functia PiciorulStang se refera la PiciorulStang pomenit la pagina 92.
Exista si alte interpretari care se pot face, de exemplu se poate lega constanta Richard
de persoana John sau de coroana; sau se poate ca diferite nume sa se refere la acelasi
obiect.
Valoarea de adevar a ecarui enunt se deneste n raport cu un model si o interpretare pentru simbolurile din enunt. Ca atare, deducerea, validitatea, satisabilitatea sunt
denite relativ la toate modelele si toate interpretarile posibile. Subliniem ca modelele
pot innite, de exemplu daca se refera la multimea numerelor naturale.
6.2.3
Termeni
Un termen este o expresie logica ce se refera la un obiect constante, functii, relatii.

Un simbol pentru functii este util pentru a pune n legatura obiecte (de exemplu constanta
John cu constanta piciorul stang al lui John), cu efect benec asupra reducerii numarului
de simboluri folosit pentru constante. Este un alt mod de a denumi obiecte, plecand de
la altele.
6.2.4
Propozitii atomice
Sunt folosite pentru a enunta fapte. O propozitie atomica este de regula formata
dintr-un simbol predicativ urmat de o lista de termeni: Frate(John, Richard). Argumentele pot si termeni complesi obtinuti prin aplicare de functii: Casatorit(Tata(John),
Mama(Richard)).
Un enunt atomic este adevarat ntrun model dat si sub o anumita interpretare daca
are loc relatia referita de simbolul asociat predicatului ntre obiectele referite de argumente.
6.2.5
Enunturi complexe
Prin utilizarea conectivelor logice se pot construi enunturi complexe, precum n calculul
propozitional. Semantica enunturilor complexe formate cu conective logice este identica
cu cea din logica propozitiilor.
6.2.6
Cuantificatori
Cuanticatorii permit exprimarea de proprietati pentru colectii de obiecte, n loc de a

le enumera pe toate (de aici si dorita concizie a limbajului). Cuanticatorii sunt nsotiti
6.3. PROCESUL DE MANAGEMENT AL CUNOSTINTELOR
95
de o variabila care poate servi ca argument pentru functii si relatii. Un termen care nu
are variabile se numeste termen legat. Enuntul x P (x) arata ca pentru orice obiect x, P
este adevarata.
Sa considera de exemplu propozitia x Rege(x) P ersoana(x). Pentru a putea
spune ca este adevarata, toate cele cinci propozitii de mai jos ar trebui sa e adevarate:
Richard este rege Richard este persoana
John este rege John este persoana
Piciorul stang al lui Richard este rege Piciorul stang al lui Richard este persoana
Piciorul stang al lui John este rege Piciorul stang al lui John este persoana
Coroana este rege Coroana este persoana
Daca pentru primele doua cazuri nu avem nici o problema din punct de vedere al raportarii
la realitate, ultimele trei propozitii sunt un pic ciudate. Dar sa ne amintim ca n logica
propozitionala falsul implica orice, asa ca nu se poate spune nimic despre valoarea de
adevar a a concluziilor (Coroana este persoana s.a.). Oricum, pornind de la o premisa
falsa, ntreaga implicatie este adevarata.
Cele cinci propozitii de mai sus care au rezultat din transcrierea n limbaj propozitional,
conform actiunii lui formeaza interpretarea extinsa.
Calicatorul existential are urmatoarea semantica: x P (x) este adevarata ntr
un model si sub o intepretare data daca este adevarata pentru cel putin o intepretarea
extinsa.
Cuanticatorii pot imbricati, iar ordinea de precizare a lor este importanta. De
exemplu, enuntul x y Iubeste(y, x) nseamna ca exista cel putin un obiect care este
iubit de toata lumea, pe cand daca se inverseaza cuanticatorii, atunci se obtine ceva
diferit: y x Iubeste(y, x) nseamna ca oricine iubeste pe cineva (dar acel cineva poate
sa difere pentru doua persoane y diferite).
Exista o stransa legatura ntre cei doi cuanticatori. Mai exact, se poate renunta la
oricare dintre ei, deoarece:
x P (x)
(x P (x))
x P (x)
(x P (x))
dar i mentinem pe amandoi, pentru a obtine exprimari mai naturale.
6.3
Procesul de management al cunostintelor
Proiectele de management al cunostintelor variaza mult, dar toate includ pasii:

1. Identicarea temei de lucru. Inginerul de cunostinte trebuie sa schiteze domeniul
de ntrebari pentru care baza de cunotinte asigura suport si tipul de fapte care

96
vor disponibile pentru ecare instanta de problema. De exemplu, pentru lumea

monstrului, ce anume se doreste: interogarea despre starile diferitelor camere, sau
sa se stie care este actiunea urmatoare?
2. Asamblarea cunostintelor relevante. Inginerul de cunostinte trebuie sa e expert
n domeniul abordat, sau sa poata sa colaboreze cu experti umani pentru a putea
extrage ceea ce se cunoaste n domeniu. La acest pas de achizitie a cunostintelor
nu trebuie sa se formalizeze cunostintele, ci doar sa se nteleaga care este domeniul
problemei si cum se lucreaza n el.
3. Deciderea asupra unui vocabular de predicate, functii si constante. Se translateaza
conceptele importante ale domeniului pentru care se aplica procesul n nume convenabil alese. Rezultatul este un vocabular care formeaza ontologia1 domeniului.
4. Codicarea cunostintelor generale despre domeniu. Inginerul de cunostinte scrie
axiomele pentru toti termenii de vocabular. Este bine sa se faca aici si specicarea
semnicatiilor termenilor.
5. Codicarea unei descrieri pentru o problema concreta. Consta n scrierea enunturilor
atomice despre instante ale conceptelor care sunt deja parte a ontologiei. Este
echivalentul furnizarii datelor pentru programele din limbajele procedurale.
6. Punerea de ntrebari si obtinerea de raspunsuri. Procedura inferentiala opereaza
asupra axiomelor si faptelor specice problemei pentru a obtine noi fapte de care
suntem interesati.
7. Depanarea bazei de cunostinte. Daca de exemplu lipseste o axioma, unele interogari
nu vor primi raspuns. Se poate cere unui astfel de sistem sa expliciteze pasii pe care
i parcurge, pentru a vedea unde se blocheaza.
6.4
Inferenta propozitional
a comparat
a cu inferenta de
ordinul nt
ai
Introducem o tehnica care permite realizarea de inferente care pot aplicate unor
enunturi cu cuanticatori obtinanduse enunturi fara cuanticatori. Se poate intui astfel
ca inferenta de ordinul ntai are o varianta: trecerea la enunturi din logica propozitionala
si folosirea unui mecanism inferential adecvat.
1
Ontologia studiaza existenta ca atare, trasaturile si principiile comune oricarei existente.
COMPARATA
CU INFERENTA
6.4. INFERENTA
PROPOZITIONAL
A
DE ORDINUL INTAI97
6.4.1
Reguli de inferent
a pentru cuantificatori
Sa presupunem ca avem enuntul:

x Rege(x) Lacom(x) Rau(x)
Data ind semantica lui se pot infera oricare din propozitiile:
Rege(John) Lacom(John) Rau(John)
Rege(Richard) Lacom(Richard) Rau(Richard)
Rege(T atalLui(John)) Lacom(T atalLui(John)) Rau(T atalLui(John))
Regula instantierii universale spune ca putem deduce orice propozitie obtinuta prin
substituirea unei variabile cu un termen legat (care nu are nicio variabila). Sa notam cu
Subst(, ) rezultatul aplicarii substituirii n . Atunci:
v
Subst({v/g}, )
Cele trei enunturi propozitionale date anterior sunt obtinute prin substitutiile: {x/John},
{x/Richard}, {x/T atalLui(John)}.
Regula instantierii universale este: pentru orice enunt , pentru orice variabila v si
un simbl constant k care nu apare n baza de cunostinte avem ca:
v
Subst({v/k}, )
De exemplu, din enuntul x Coroana(x)P eCap(x, John) putem deduce: Coroana(C1 )
P eCap(C1 , John) unde C1 nu mai apare undeva n baza de cunostinte. Practic, ceea ce
face instantierea existentiala este sa dea un nume pentru obiectul care satisface conditia.
Noul nume se mai cheama si constanta Skolem. Instantierea existentiala poate folosita
o singura data si propozitia care are acest cuanticator poate eliminata.
6.4.2
Reducerea la inferenta propozitional

a
Pe baza mecanismului de mai sus (reducerea unor enunturi cu cuanticatori la unele

fara) se poate reduce inferenta de ordinul ntai la inferenta propozitionala. De fapt, ceea
ce trebuie sa facem este sa nlocuim un enunt cu care are cuanticator universal cu toate
enunturile n care variabila este nlocuita cu toate valorile posibile. De exemplu, baza de
cunostinte din logica predicatelor:
x Rege(x) Lacom(x) Rau(x)
Rege(John)
Lacom(John)
F rate(Richard, John)
98
Se aplica instanc tierea universala primului enunt folosind toate substituirile de variabile
cu termeni legati din vocabularul BC, deci {x/John} si {x/Richard} si obtinem:
Rege(John) Lacom(John) Rau(John)
Rege(Richard) Lacom(Richard) Rau(Richard)
Baza de cunostinte rezultata (se adauga, evident, si ultimele 3 propozitii din BC initiala)
este n forma propozitionala, daca substituim enunturile cu valori legate Rege(John),
Lacom(John), etc cu simboluri propozitionale , , etc. Se poate aplica oricare din
algoritmii din capitolul precedent si se obtin concluzii Rau(John).
Exista nsa o problema: daca BC include un simbol atasat unei functii (de exemplu
TatalLui), atunci prin propozitionalizare se ajunge la o BC innita, deoarece putem substitui pe x cu John, T atalLui(John), T atalLui(T atalLui(John)), si tot asa la innit.
Exista nsa un raspuns, datorat lui Herbrand care spune ca daca un enunt este implicat
de catre baza de cunostinte originala, exprimata sub forma de predicate, atunci exista
o demonstratie care pleaca de la un set nit de enunturi n forma propozitionala, prin
care se poate deduce enuntul respectiv. Se poate genera o astfel de demonstratie plecand
de la nlocuirea lui x cu John si Richard (deci adancime 0), apoi cu T atalLui(John) si
T atalLui(Richard) (adancime 1) si cu termeni de adancime din ce n ce mai mare.
Ce se ntampla daca enuntul dat ca posibila concluzie nu este deductibil din baza
de cunostinte? Teorema lui Herbrand (sau alte rezultate) nu spun nimic n acest sens.
Procedura descrisa mai sus va genera termeni cu adancime din ce n ce mai mare, dar
neind o limitare data, procedeul se va repeta la nesfarsit. Altfel zis, problema implicatiei
n logica de ordinul ntai este semidecidabila adica exista algoritmi care raspund pozitiv
pentru un enunt care este deductibil din BC, dar nu exista algoritm care de asemenea sa
raspunda negativ la ecare enunt nedeductibil.
Bibliografie
[1] Articial Intelligence. A Modern Approach, Prentice Hall, Stuart Russel, Peter Norvig,
3rd edition, 2009
[2] Principiile inteligentei articiale, Editura Albastra, D. Dumitrescu, 2004
[3] Pattern Classication, editia a doua, Ed. Wiley-Interscience, Richard O. Duda, Peter
E. Hart, David G. Stork, 2000
[4] Genetic Algorithms + Data Structures = Evolution Programs, Ed. Springer-Verlag,
Zbigniew Michalewicz, 1998
[5] Machine Learning, Ed. McGrawHill, Tom Mitchell, 1997
[6] Neural Networks. A comprehensive foundation, Ed. Prentice Hall, Simon Haykin, 1999
99

cursIA Lung PDF

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

cursIA Lung PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Inteligenta artificiala

Lector Doctor Lucian Sasu

Sisteme care actioneaza precum oamenii . . . . . . . . . . . . . . .

Sisteme care gandesc ca oamenii . . . . . . . . . . . . . . . . . . . .

Sisteme care gandesc rational . . . . . . . . . . . . . . . . . . . . .

Sisteme care actioneaza rational . . . . . . . . . . . . . . . . . . . .

Fundamentele inteligentei articiale . . . . . . . . . . . . . . . . . . . . . .

Rezolvarea de probleme de catre agenti . . . . . . . . . . . . . . . . . . . . 10

Formularea unei probleme de cautare . . . . . . . . . . . . . . . . . . . . . 11

Exemple de probleme de cautare . . . . . . . . . . . . . . . . . . . . . . . . 12

Probleme din lumea reala

Masurarea performantelor algoritmilor de cautare . . . . . . . . . . . . . . 18

Cautarea mai ntai n latime . . . . . . . . . . . . . . . . . . . . . . . . . 19

Cautarea dupa costul uniform . . . . . . . . . . . . . . . . . . . . . . . . . 21

Cautarea mai ntai n adancime . . . . . . . . . . . . . . . . . . . . . . . 22

Cautarea cu adancime limitata

Cautarea mai ntai n adancime cu adancire iterativa . . . . . . . . . . . 25

Problema starilor duplicat . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

Strategii de cautare informata . . . . . . . . . . . . . . . . . . . . . . . . . 31

Cautarea euristica lacoma . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

Variatii ale lui A* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

Algoritmi de cautare locala si probleme de optimizare . . . . . . . . . . . . 43

Cautarea prin metoda ascensiunii . . . . . . . . . . . . . . . . . . . 44

Cautare locala n spatii continue . . . . . . . . . . . . . . . . . . . . 52

4 Probleme de satisfacere a constr

Probleme de satisfacere a constrangerilor . . . . . . . . . . . . . . . . . . . 55

Cautare backtracking pentru PSC . . . . . . . . . . . . . . . . . . . . . . . 58

Ordonarea valorilor si a variabilelor . . . . . . . . . . . . . . . . . . 59

Propagarea informatiilor prin constrangeri . . . . . . . . . . . . . . 60

Cautare locala pentru PSC . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Agenti bazati pe cunoastere . . . . . . . . . . . . . . . . . . . . . . . . . . 70

Jocul "lumea monstrului . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

Exemplu: lumea monstrului n logica propozitionala . . . . . . . . . 75

Echivalenta, validitate si satisabilitate . . . . . . . . . . . . . . . . 76

Tipare de rationament n logica propozitionala . . . . . . . . . . . . . . . . 77

Forma normala conjunctiva . . . . . . . . . . . . . . . . . . . . . . . . . . 80

Sintaxa si semantica logicii de ordinul ntai . . . . . . . . . . . . . . . . . . 92

Modele pentru logica de ordinul ntai . . . . . . . . . . . . . . . . . 92

Procesul de management al cunostintelor . . . . . . . . . . . . . . . . . . . 95

Inferenta propozitionala comparata cu inferenta de ordinul ntai . . . . . . 96

Reguli de inferenta pentru cuanticatori . . . . . . . . . . . . . . . 97

Reducerea la inferenta propozitionala . . . . . . . . . . . . . . . . . 97

Sisteme care actioneaz

acest lucru este dorit, atunci mai e nevoie de:

Definitia 3 Efortul provocator de a face calculatoarele sa gandeasca [. . . ] masini cu

Definitia 5 Studiul facultatilor mentale pe baza utilizarii modelelor computationale.

1.2. FUNDAMENTELE INTELIGENTEI

Sisteme care actioneaz

Definitia 7 Inteligenta computationala este studiul design-ului agentilor inteligenti.

Fundamentele inteligentei artificiale

Prezentam succint o lista a disciplinelor care au contribuie la dezvoltarea IA:

Sa presupunem ca un agent inteligent are de rezolvat o problema: cum anume se

Figura 1.1: O harta simplicata a Romaniei[1]

Formularea unei probleme de c

Sunt folosite n special pentru demonstrarea conceptelor, avand scop didactic.

Figura 1.2: Problema puzzle-ului pentru n = 3

Probleme din lumea real

primeia pe care algoritmul de cautare o descopera.

Figura 1.3: Algoritmul general de cautare.

(a) Nodul initial, corespunzator starii In(Arad)

(b) Dupa expandarea nodului initial

(c) Dupa expandarea nodului corespunzator starii In(Sibiu)

Pentru algoritmii de cautare care urmeaza a discutati evaluarea se va face prin