9.65M

Лекция_1

1.

Курс Artificial Intelligence
Всякий раз когда компьютер делает что-то, что кажется нам
разумным или рациональным, например узнает чье-то лицо на
фотографии, обыгрывает человека в какой-то игре, распознаёт
человеческий язык, когда мы говорим с нашим телефоном,
который нас понимает и отвечает всё это примеры ИИ или
искусственного интеллекта.

2.

Структура курса
1. Search
2. Knowledge
3. Uncertainty
4. Optimization
5. Learning
6. Neural Networks
7. Language

3.

Поиск (Search)
У нас есть искусственный интеллект и мы хотим чтобы он мог найти
решение для какой-то задачи. Может речь о том чтобы получить
маршрут движения из точки А в точку В или понять как играть в
какую-то игру (как походить например «крестиках-ноликах»).

4.

Знания Knowledge
Мы хотим, чтобы наш искусственный интеллект знал информацию,
мог излагать эту информацию и что более важно, мог делать
выводы на основе этой информации. Чтобы он также мог
использовать известную ему информацию и создавать
дополнительные выводы.

5.

Неопределенность (Uncertainty)
Здесь поговорим о том, что происходит если компьютер уверен в
чём-то не абсолютно, а только с определенной вероятностью. Мы
поговорим о некоторых понятиях лежащих в основе вероятности и
о том как компьютеры могут начать работать с неопределёнными
событиями, чтобы быть немного более умными и в этом.

6.

Оптимизация (Optimization)
Здесь мы затронем задачи оптимизации, выполняемой
компьютером для достижения какой-либо цели, особенно когда у
компьютера может существовать несколько способов решения
задачи, в то время как нам необходим способ лучше, или, если
возможно, самый лучший.

7.

Обучение (Learning)
Здесь мы поговорим о машинном обучении или обучении в целом.
Как пример когда у нас есть доступ к данным, мы можем
запрограммировать компьютеры на сложные операции, давая им
обучаться на данных и их же опыте. При наличии большего доступа
к данным они смогут выполнять задания всё лучше и лучше.

8.

Нейронные сети (Neural Networks)
Компьютеры могут вдохновляться человеческими интеллектом на
примере структуры человеческого мозга. Нейронные сети могут
быть компьютерным аналогом такого рода концепций. И как,
пользуясь преимуществами определённого типа структуры
компьютерной программы мы можем написать нейронные сети,
которые способны крайне эффективно выполнять задачи.

9.

Язык (Language)
• В заключение мы обратимся к языку. Но не к языку
программирования, а к человеческим языкам, на которых
говорим мы. Рассмотрим трудности, которые возникают, когда
компьютер пытается понять естественный язык и для чего могут
пригодиться некоторые из процессов обработки естественного
языка, происходящих в современном искусственном интеллекте.

10.

Лекция 1.Поиск
Search

11.

Постановка задачи
• Задача заключается в том, чтобы попытаться понять, что делать
когда у нас есть какая-то ситуация, в которой находится
компьютер, то есть какая-то среда в которой находится агент. Мы
хотим чтобы агент мог каким-то образом искать решения
проблемы.

12.

«Пятнашки»

13.

Поиск пути в лабиринте

14.

Яндекс.Карты

15.

Searsh Problems
• Поразмышляем об этих типах переборных задач и о том, что
входит в решение такой задачи, чтобы ИИ мог найти хорошее
решение. Для этого нам нужно будет ввести несколько терминов.

16.

Агент (Agent)
Агент - это сущность, воспринимающая свою окружающую среду.
Она способна воспринимать вещи вокруг себя и каким-то образом
воздействовать на них.

17.

Состояние (State)
• Состояние - это конфигурация агента в окружающей его
среде.

18.

Начальное состояние (Initial state)
• Начальное состояние это состояние, из которого начинает агент.
Это такое состояние из которого мы собираемся начать. Это будет
отправной точкой для нашего алгоритма поиска.

19.

Действия (Actions)
Действие - это выбор, который мы можем сделать в любом заданном
состоянии. В случае с ИИ мы будем определять эти понятия точнее, чтобы
программировать более математически. Действия будут повторяться,
поэтому мы можем определить действие как функцию.
Actions(s)
где s – некоторое состояние, существующее внутри нашей среды.
Функция Actions(s) будет принимать состояние S в качестве входных данных и
возвращать в качестве выходных данных набор всех действий, которые могут
быть выполнены в этом состоянии.

20.

Допустимые действия
Может быть так, что некоторые действия допустимы только для
определённых состояний.
• Нашему ИИ, нужен код состояния и
код действия.
• Но также будет нужен и код
отношений между этими вещами как состояние и действия
соотносятся друг с другом.

21.

Модель перехода (Transition model)
Модель перехода будет описывать в какое состояние мы попадаем
после выполнения некоторого доступного действия в каком-то
другом состоянии.
Result (s, a)
s – состояние, а - действие.
Выходные данные функции Result дадут нам состояние, которое
мы получим после выполнения действия а в состоянии s.

22.

Пример модели перехода в «15»
Result (
,
)=
функция Result должна разбираться как использовать состояние и
действие и какие получить результаты.

23.

Пространство состояний (State space)
Пространство состояний это множество всех состояний, которые
мы можем получить из начального состояния с помощью любой
последовательности действий добавив к ней ноль, одно, два или
более действий.

24.

Пример пространства состояний в «15»

25.

Граф состояний
Это абстрактное обозначение изображает ту же самую идею.
Каждый из этих небольших кружков-узлов представляет собой
одно из состояний в рамках нашей задачи. Стрелки обозначают
действия, которые мы можем выполнить в каждом конкретном
состоянии. Так мы переходим из одного состояния в другое.

26.

Тест цели (goal test)
Тест цели представляет собой некий способ определения, является
ли данное состояние целевым.
В случае вроде построения маршрута движения - это довольно легко.
Если вы в состоянии которое пользователь ввёл как «место
назначения» - то понимаете что находитесь в целевом состоянии. В
игре в «15» надо проверять, что числа расположены в порядке
возрастания.
ИИ нужно какое-то кодирование, чтобы он понял является ли то
состояние, в котором он находится – целью.

27.

Стоимость пути (path cost)
При формулировании переборных задач каждому пути мы будем
присваивать вычислительную стоимость - какое это число, которое
сообщает насколько затратен этот конкретный вариант. А затем мы
сообщим ИИ, что надо искать не просто решение, какой-то способ
перехода от начального состояния к цели, а решение, которое
минимизирует стоимость этого пути. Менее затратное,
занимающее меньше времени или минимизирующее какое-то
другое числовое значение.

28.

Пример path cost
Каждая из этих стрелок, каждое из этих действий, которые мы
можем выполнить имеют какое-то связанное с ними число,
которое является стоимостью пути этого конкретного действия и
затраты на одно действие могут быть больше чем на какое-то
другое.

29.

Составляющие «Search Problems»
1. Initial state
2. Actions
3. Transition model
4. Goal test
5. Path cost function

30.

Оптимальное решение (Optimal solution)
Цель, в конечном счёте, состоит в том, чтобы найти решение.
В идеале, мы хотели бы найти не любое решение, а оптимальное,
имеющее наименьшую стоимость пути среди всех возможных
решений.

31.

Узел (node)
Узел - это структура данных, которая фиксирует множество
различных значений. В частности для переборной задачи она будет
фиксировать четыре. Каждый узел будет фиксировать:
1. State - состояние в котором мы находимся;
2. Parent - родительский узел;
3. Action - какое действие мы выполнили, чтобы попасть из
родительского узла в текущее состояние.
4. Path cost - стоимость пути. Число, указывающее на то насколько
длинным был путь из начального состояния до нынешнего.

32.

Фронтир
При нахождении в данном состоянии у нас есть несколько
вариантов, которые мы могли бы выбрать и мы собираемся их
исследовать. И как только мы их исследуем, то обнаружим, что
перед нами предстало ещё больше вариантов. Мы учтём все эти
доступные варианты и сохраним их внутри единой структуры
данных, которую назовём фронтир.
Фронтир - всё то, что мы могли бы исследовать, но ещё не
исследовали или не посетили.

33.

Алгоритм поиска (Approach)
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение найдено
• Else разворачиваем узел – добавляем все вытекающие из
него узлы во фронтир.

34.

Пример поиска пути из A до E (шаг 1)
Фронтир
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение
найдено
• Else разворачиваем узел – добавляем все
вытекающие из него узлы во фронтир.

35.

Пример поиска пути из A до E (шаг 2)
Фронтир
A
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение
найдено
• Else разворачиваем узел – добавляем все
вытекающие из него узлы во фронтир.

36.

Пример поиска пути из A до E (шаг 3)
Фронтир
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение
найдено
• Else разворачиваем узел – добавляем все
вытекающие из него узлы во фронтир.

37.

Пример поиска пути из A до E (шаг 4)
Фронтир
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение
найдено
• Else разворачиваем узел – добавляем все
вытекающие из него узлы во фронтир.

38.

Пример поиска пути из A до E (шаг 5)
Фронтир
В
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение
найдено
• Else разворачиваем узел – добавляем все
вытекающие из него узлы во фронтир.

39.

Пример поиска пути из A до E
Фронтир
В
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение
найдено
• Else разворачиваем узел – добавляем все
вытекающие из него узлы во фронтир.

40.

Пример поиска пути из A до E
Фронтир
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение
найдено
• Else разворачиваем узел – добавляем все
вытекающие из него узлы во фронтир.

41.

Пример поиска пути из A до E
Фронтир
С
D
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение
найдено
• Else разворачиваем узел – добавляем все
вытекающие из него узлы во фронтир.

42.

Пример поиска пути из A до E
Фронтир
D
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение
найдено
• Else разворачиваем узел – добавляем все
вытекающие из него узлы во фронтир.

43.

Пример поиска пути из A до E
Фронтир
E
D
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение
найдено
• Else разворачиваем узел – добавляем все
вытекающие из него узлы во фронтир.

44.

Пример поиска пути из A до E
Фронтир
D
• Start c фронтира.
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью– решение
найдено
• Else разворачиваем узел – добавляем все
вытекающие из него узлы во фронтир.

45.

Возможные проблемы (шаг 1)
Фронтир

46.

Возможные проблемы (шаг 2)
Фронтир
В

47.

Возможные проблемы (шаг 3)
Фронтир
A
C
D

48.

Возможные проблемы (шаг 4)
Фронтир
C
D

49.

Улучшенный подход (Revised Approach)
• Start c фронтира.
• Start c пустым сетом исследованных узлов
(explored set)
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью – решение найдено
• Add узел в сет исследованных (explored set)
• Else разворачиваем узел – добавляем все вытекающие
из него узлы во фронтир.

50.

Порядок исключения узлов
• Start c фронтира.
• Start c пустым сетом исследованных узлов
(explored set)
• Repeat:
• If фронтир пуст – решения нет
• Else Удалить узел из фронтира
• If этот узел является целью – решение найдено
• Add узел в сет исследованных (explored set)
• Else разворачиваем узел – добавляем все вытекающие
из него узлы во фронтир.

51.

Стек (stack)
Стек работает по принципу последний пришел – первый ушел
Last-in first-out

52.

Пример поиска пути из A до E (шаг 1)
Фронтир
A
Еxplored set

53.

Пример поиска пути из A до E (шаг 2)
Фронтир
Еxplored set
A

54.

Пример поиска пути из A до E (шаг 3)
Фронтир
В
Еxplored set
A

55.

Пример поиска пути из A до E (шаг 4)
Фронтир
C
D
Еxplored set
A
В

56.

Пример поиска пути из A до E (шаг 5)
Фронтир
C
Еxplored set
A
В
D

57.

Пример поиска пути из A до E (шаг 6)
Фронтир
C
F
Еxplored set
A
В
D

58.

Пример поиска пути из A до E (шаг 7)
Фронтир
C
Еxplored set
A
В
D
F

59.

Пример поиска пути из A до E (шаг 8)
Фронтир
Е
Еxplored set
A
В
D
F
C

60.

Поиск в глубину (Depth-First Search)
Поиск в глубину - это алгоритм поиска, при котором мы исследуем
самый глубокий узел во фронтире. Мы продвигаемся вглубь
нашего дерева поиска, а затем, когда упираемся в тупик
возвращаемся назад и пробуем другой вариант.

61.

Поиск в ширину (Breadth-First Search)
Поиск в ширину будет исследовать самый поверхностный узел во
фронтире. При поиске в глубину мы использовали стек и
исследовали тот элемент который был добавлен во фронтир
последним, а поиске в ширину вместо стека будет использоваться
очередь работающая по принципу первой пришёл первый ушёл,
где мы будем рассматривать первый элемент добавленный во
фронтир.

62.

Очередь (queue)
Основной принцип - first-in first-out. Узлы образуют очередь и те
что попали во фронтир первыми и будут исследованы первыми.

63.

Пример поиска пути от А до Е на основе
queue (шаг 1)
Фронтир
Еxplored set
A

64.

Пример поиска пути от А до Е на основе
queue (шаг 2)
Фронтир
С
D
Еxplored set
A
В

65.

Пример поиска пути от А до Е на основе
queue (шаг 3)
Фронтир
D
Еxplored set
A
В
С

66.

Пример поиска пути от А до Е на основе
queue (шаг 5)
Фронтир
D
Е
Еxplored set
A
В
С

67.

Пример поиска пути от А до Е на основе
queue (шаг 5)
Фронтир
Е
F
С
D
Еxplored set
A
В

68.

Пример поиска пути от А до Е на основе
queue (шаг 6)
Фронтир
F
Еxplored set
A
В
С
D

69.

Применение Depth-First Search к поиску
пути в лабиринте

70.

Логика работы поиска в глубину

71.

Логика работы поиска в глубину

72.

Логика работы поиска в глубину

73.

Логика работы поиска в глубину

74.

Логика работы поиска в глубину

75.

Логика работы поиска в глубину

76.

Резюме работы поиска в глубину
1. всегда ли будет срабатывать этот алгоритм? Всегда ли он будет
способен найти путь от исходного состояния к целевому?
2. будет ли это хорошее решение? Является ли это решение
самым оптимальным?

77.

Работа Depth-First Search в лабиринте с
«петлей»

78.

Применение Breadth-First Searchк поиску
пути в лабиринте

79.

Применение Breadth-First Searchк поиску
пути в лабиринте

80.

Применение Breadth-First Searchк поиску
пути в лабиринте

81.

Breadth-First Search в большом лабиринте

82.

Breadth-First Search в большом лабиринте

83.

Breadth-First Search в большом лабиринте

84.

Breadth-First Search в большом лабиринте

85.

Breadth-First Search в большом лабиринте

86.

Пример. Класс Node

87.

Пример.
Класс
StackFrontier

88.

Пример. Класс QueueFrontier

89.

Пример. Класс Maze

90.

Пример. Функция solve

91.

Пример.
Функция solve.
Цикл

92.

Пример. Оценка пути

93.

Добавление соседей во фронтир

94.

Иллюстрация работы кода

95.

Depth-First Search
и сложный лабиринт

96.

Трудоемкость Depth-First Search

97.

Трудоемкость Depth-First Search
5. Здесь пришлось
впустую исследовать
всю эту верхнюю
часть
4. Здесь ему
опять не повезло
3. Здесь ему
повезло потому
что он не выбрал
это направление
1. Он начал изучать
вот это направление.
2. Исследовал весь путь до самого конца
даже эту длинную и извилистую часть.

98.

Breadth-First Search и сложный лабиринт

99.

Трудоемкость Breadth-First Search

100.

Лабиринт с петлей Breadth-First Search

101.

Лабиринт с петлей Depth-First Search

102.

Резюме
• Является ли алгоритм Breadth-First Search
лучшим вариантом, который будет находить
для нас оптимальное решение и нам не
придётся беспокоиться о тех случаях, когда
найденный путь не будет являться самым
коротким?
• Если цель находится далеко от начального
состояния нам может понадобиться
выполнить много шагов чтобы добраться до
цели и тогда может получиться так, что
алгоритм поиска в ширину в конечном итоге
исследует весь граф, пройдет по всем
ячейкам лабиринта в поисках решения.

103.

Делаем алгоритм «более умным»
3. Поиск в ширину
использовал другой
подход. Он
исследовал все
ближайшие
поверхностные
элементы, исследовал
по шагу слева и
справа снова и снова
2. Поиск в глубину,
выбрал один путь и
решил бы исследовать
его до самого конца
1. Первая точка принятия
решения была здесь

104.

Логика человека
Как бы повел
себя человек
на такой
развилке?

105.

Неинформированные алгоритмы поиска
(uninformed search)
• К не информированным типам поиска относятся алгоритмы
поиска в глубину и в ширину, которые мы только что
рассматривали. Это такая стратегия поиска при которой
специфические знания о задаче не используютс. При поиске в
глубину или в ширину для решения лабиринта по-сути не важна
его структура или какие-либо ещё его свойства. Они просто
обращаются к доступным действиям. я для её решения.

106.

Информированные алгоритмы поиска
(informed search)
• Информированный метод поиска это стратегия поиска, которая
использует специфические знания о задаче с целью нахождения
её решения. В случае с лабиринтом конкретные знания о задаче
заключается в том, что если я нахожусь в квадрате, который по
расположению ближе к цели, то это лучше чем находиться в
квадрате, который по расположению дальше.
«жадный поиск по первому наилучшему соответствию»

107.

Жадный поиск по первому наилучшему
соответствию (greedy best-first search)
• Жадный поиск по первому наилучшему соответствию - это
алгоритм, который в отличие от поиска в глубину, исследующего
до самого дальнего узла или в отличие от поиска в ширину,
исследующего самый близкий и поверхностный узел, исследует
тот узел, который кажется ему ближайшим к цели.
• Эвристический подход является способом оценки того
действительно ли мы близки к цели. Мы будем использовать
эвристическую функцию, которая обычно называется h(n). В
качестве входных данных она использует состояние, а возвращает
оценку того находимся ли мы близко к цели.

108.

Эвристическая функция (heuristic function)

109.

Манхэттенское расстояние

110.

Greedy best-first search

111.

Greedy best-first search

112.

Greedy best-first search

113.

Greedy best-first search

114.

Greedy best-first search

115.

Greedy best-first search

116.

Greedy best-first search

117.

Greedy best-first search

118.

Резюме
Breadth-First Search
Greedy best-first search
Является ли этот алгоритм оптимальным? Сможет ли он
всегда находить кратчайший путь от начального
состояния к целевому?

119.

Лабиринт с петлей и Greedy best-first search
здесь
находится
точка
принятия
решения

120.

Лабиринт с петлей и Greedy best-first search
Вот что подразумевается, когда
мы говорим «жадный алгоритм».

121.

Резюме
• Идея эвристической функции хороша. С ней мы можем оценить
расстояние от нас до цели. Благодаря этому мы можем сделать
более удачный выбор, избежать необходимости исследовать
целые части пространства состояний. Но нам всё ещё надо
модифицировать алгоритм, чтобы получать оптимальный
результат.
• Каким образом мы можем это сделать? Какой интуицией
руководствоваться здесь?

122.

Модификация алгоритма поиска
Поиск по первому
наилучшему соответствию
принял решение здесь и
пошёл по длинному пути.
Если мы проследуем
согласно алгоритму - то
придем к 12

123.

А* search
Будем развёртывать узел с наименьшим значением:
g(n) + h(n)
• h(n) - это всё та же эвристическая функция, которую мы
разбирали. Она будет изменяться в зависимости от задачи.
• g(n) - это стоимость пути для достижения узла. То есть, сколько
шагов я сделал, чтобы оказаться в текущем положении.

124.

Иллюстрация алгоритма поиска А* search

125.

Сумма g(n) + h(n)

126.

Сумма g(n) + h(n)
Однако, здесь я
мог бы
находиться в
шести шагах от
начала, плюс
оценка
удаления,
равная 13. И 6 +
13 = 19 . Нужно
идти сюда!
Здесь я в 15
шагах. А оценка
удаления от
цели равняется
6. 15 + 6 = 21.

127.

Сумма g(n) + h(n)
эвристические
значения на
данном пути
начинают
уменьшаться
эвристические
значения на
данном пути
начинают
увеличиваться

128.

Сумма g(n) + h(n)
конечным и
оптимальным
решением
являлся этот
вариант

129.

Условия оптимальности применения А*
• h(n) - эвристическая функция должна быть допустимой. Это
значит, что она никогда не переоценивает истинную стоимость
достижения цели.
• h(n)- эвристическая функция должна быть преемственной. Это
значит, что эвристическое значение для каждого узла (назовём
его n) и его преемника (следующего за ним узла), который мы
назовём n’ со стоимостью шага с, должно быть:
h(n)≤ h(n’) + с

130.

Условия оптимальности применения А*
• Выражаясь простыми словами это значит, что если сейчас я
нахожусь здесь, то эвристическое значение от меня до цели не
должно превышать эвристическое значение моего преемника
(следующего потенциального шага) в сумме с текущей
стоимостью пути.
• Выбор эвристического значения может вызвать сложности. Чем
лучше эвристическое значение, тем лучше я решу задачу и тем
меньшее число состояний придется посетить.

131.

Множественность агентов
(Adversarial Search)
• Иногда в задачах поиска мы оказываемся в состязательной
ситуации, где я являюсь агентом, который пытается принимать
умные решения, а кто-то мешает мне - у него противоположная
цель. И чаще всего такие ситуации встречаются в играх.

132.

Крестики-нолики
• Как же выглядит умное решение в игре?

133.

Крестики-нолики
• Но теперь крестик делает умный ход.

134.

Алгоритм Минимакс (Minimax)
• Каждый раз, когда мы используем человеческие концепты такие
как «победа» и «поражение», нам надо сделать их понятными
для компьютера.
• Понятие «победы» и «поражения» не ясны компьютеру. А
«больше» и «меньше» - ясны.
• Мы можем присвоить значение или полезность каждой из
возможных ситуаций, которая может случиться в этой игре.

135.

Возможные исходы игры крестики-нолики
-1
0
1

136.

Формализация цели игры
• MAX (X) хотят, чтобы счёт был больше
• MIN (O) стремятся минимизировать счет

137.

Формализация игры для ИИ
S0 - начальное состояние (initial state)
Рlayer(s) - в качестве входных данных она будет принимать состояние,
обозначенное как s. В качестве выходных данных этой функции будет
информация о том, чей сейчас ход.
Actions(s) - представление о доступных действиях.
Result (s, a) - представление о модели перехода. Когда у меня есть
состояние и я выполняю действия, мне необходимо узнать его результат
Terminal(s) - что-то вроде проверки цели. Нам нужна проверка
терминального состояния - состояния при котором игра считается оконченной
Utility(s) - функция, которая на основе состояния определяет числовое
значение для терминального состояния как бы сообщая: если крестик
выиграет, то это равняется 1. Если выиграет нолик - это равняется -1. Если
никто не выиграет - у такого исхода значение равно 0.

138.

Начальное состояние (Initial State)

139.

Функция Player(s)
Player(
)=
Player(
)=

140.

Функция Actions(s)
Представим, что на поле сейчас такая ситуация и
очередь ходить нолика. Что произойдет, когда мы
передадим эти сведения функции Actions(s)?
Actions (
)={
,
}

141.

Функция Result (s, a)
Применив к этому состоянию функцию Result (s, a)
для ситуации, когда нолик походит в верхней левый угол,
мы получим состояние с ноликом в верхнем левом углу
Result (
,
)=

142.

Функция Terminal(s)
Terminal (
) = false
Terminal (
) = true

143.

Функция Utility(s)
Utility (
)=1
Utility (
) = -1
Value =1

144.

Пример игровой ситуации № 1.
1.Чья очередь хода?
Player(s) = О
2. Каково значение этой ситуации на поле?
3. Как надо походить нолику?

145.

Расчеты на поле (шаг 1)
Min-Value
в этой
ситуации есть
всего два
свободных
квадрата, что
означает, что у
нолика только
два варианта
для
следующего
хода.

146.

Расчеты на поле (шаг 2)
Min-Value
Min-Value=0
крестик пытается найти
максимально
возможное значение
Max-Value =1
Value=1
Max-Value
Max-Value=0
Value=0

147.

Обобщение стратегии выбора решения
Player(s) = Х
Min-Value
0
Max-Value
1
Value
1
Min-Value
-1
Max-Value
0
Value
1
Value
1
Max-Value
0
Value
-1
Value
0

148.

Упрощение представления
5
3
9

149.

Стратегия максимизирующего игрока
9
5
3
9

150.

Стратегия минимизирующего игрока
8
9
5
3
8
9
92
8

151.

Псевдокод для алгоритма Минимакс
• Задаемся состоянием state s:
• MAX выберет действие а в функции Actions(s) , которое даёт наибольшее
значение функции Min-Value (Result (s,a))
• MIN выберет действие а в функции Actions(s) , которое даёт наименьшее
значение функции Max-Value (Result (s,a))

152.

Реализация Mах-Value (state).
function Mах-Value (state):
if Terminal (state):
return Utility (state)
v = -∞
for action in Actions (state):
v = Mах(v, Min-Value (Result (state, action))):
return v

153.

Реализация Mах-Value (state).
function Min-Value (state):
if Terminal (state):
return Utility (state)
v = +∞
for action in Actions (state):
v = Min(v, Max-Value (Result (state, action))):
return v

154.

Необходимость оптимизации

155.

Необходимость оптимизации
4
4
8
5

156.

Необходимость оптимизации
3
4
4
8
5
9
3
7

157.

Необходимость оптимизации
4
4
8
2
3
4
5
9
3
7
2
4
6

158.

Механизм оптимизации
4
4
8
5

159.

Механизм оптимизации
≤3
4
4
8
5
9
3

160.

Механизм оптимизации
4
4
8
≤2
≤3
4
5
9
3
2

161.

α-β отсечение
• α и β - это два значения, которые вы отслеживаете - наилучшее и
наихудшее действия. Идея отсечения заключается в том, чтобы
при наличии большого дерева поиска я мог выполнять поиск
более эффективно не исследуя каждый узел, а имея возможность
удалять некоторые из них, оптимизируя пространство поиска.

162.

Сложность игр
255 168
288 000 000 000
29
000
10

163.

Алгоритм минимакс с ограничением
глубины (Depth-Limited Minimax)
• Минимакс с ограничением глубины прекращает поиск после
определённого количества ходов, поскольку рассчитать все
возможные варианты становятся крайне затруднительно
• Но, что происходит после того как мы попадаем в состояние где
игра не закончена?
• Минимаксу необходимо присвоить значение состоянию игрового
поля, что сложно сделать, если игра не окончена.
• функция evaluation

164.

Функция evaluation
evaluation оценивает ожидаемую полезность игры в текущей
момент
Шахматы:
1 - победа белых фигур; -1 - победа чёрных фигур; 0 – ничья.
счёт 0,8
победа белых вероятнее, но не безоговорочна

165.

Итоговое резюме
1. мы рассмотрели состязательный поиск, когда в игре у меня есть
соперник. Такие переборные задачи то и дело появляются при
работе с искусственным интеллектом.
2. говорили о классических переборных задачах (поиск маршрута
из одной точки в другую). Каждый раз когда ИИ оказывается в
ситуации, когда надо поступить рационально (или походить в
игре) такой тип алгоритмов может очень пригодиться.
3. мы познакомились с поиском и искусственным интеллектом. В
следующей лекции мы рассмотрим знания и то, как наш ИИ
может знать информацию, рассуждать о ней и делать выводы
English     Русский Rules