Giáo trình Trí tuệ nhân tạo - Trường Đại học Hàng Hải
BỘ GIAO THÔNG VẬN TẢI
TRƢỜNG ĐẠI HỌC HÀNG HẢI
BỘ MÔN: KHOA HỌC MÁY TÍNH
KHOA: CÔNG NGHỆ THÔNG TIN
BÀI GIẢNG
TRÍ TUỆ NHÂN TẠO
TÊN HỌC PHẦN
MÃ HỌC PHẦN
: TRÍ TUỆ NHÂN TẠO
: 17210
TRÌNH ĐỘ ĐÀO TẠO
: ĐẠI HỌC CHÍNH QUY
DÙNG CHO SV NGÀNH : CÔNG NGHỆ THÔNG TIN
HẢI PHÒNG - 2009
MỤC LỤC
STT
NỘI DUNG
TRANG
1
Phần I
Giải quyết vấn đề bằng tìm kiếm
Chƣơng 1 Các chiến lƣợc tìm kiếm mù
1.1
2
2
Biểu diễn vấn đề trong không gian trạng thái
1.2 Các chiến lược tìm kiếm
1.3 Các chiến lược tìm kiếm mù
1.4 Quy vấn đề về các vấn đề con. Tìm kiếm trên đồ thị và/hoặc
Bài tập chương I
4
6
9
14
15
15
16
17
18
19
19
19
23
25
29
30
30
31
34
36
37
37
37
38
41
42
43
47
48
49
52
53
54
54
54
55
Chƣơng 2 Các chiến lƣợc tìm kiếm kinh nghiệm
2.1 Hàm đánh giá và tìm kiếm kinh nghiệm
2.2 Tìm kiếm tốt nhất - đầu tiên
2.3 Tìm kiếm leo đồi
2.4 Tìm kiếm beam
Bài tập chương II
Chƣơng 3 Các chiến lƣợc tìm kiếm tối ƣu
3.1 Tìm đường đi ngắn nhất
3.2 Tìm đối tượng tốt nhất
3.3 Tìm kiếm mô phỏng sự tiến hóa. Thuật toán di truyền
Bài tập chương III
Chƣơng 4 Tìm kiếm có đối thủ
4.1 Cây trò chơi và tìm kiếm trên cây trò chơi
4.2 Chiến lược Minimax
4.3 Phương pháp cắt cụt Alpha-Beta
Bài tập chương 4
Phần II
Tri thức và lập luận
Chƣơng 5 Logic mệnh đề
5.1 Biểu diễn tri thức
5.2 Cú pháp và ngữ nghĩa của logic mệnh đề
5.3 Dạng chuẩn tắc
5.4 Luật suy diễn
5.5 Luật phân giải, chứng minh bác bỏ bằng luật phân giải
Bài tập chương 5
Chƣơng 6 Logic vị từ cấp I
6.1 Cú pháp và ngữ nghĩa của logic vị từ cấp I
6.2 Chuẩn hóa công thức
6.3 Các luật suy diễn
6.4 Thuật toán hợp nhất
6.5 Luật phân giải, chứng minh bác bỏ bằng luật phân giải
Bài tập chương 6
Chƣơng 7 Biểu diễn tri thức và lập luận
7.1 Biểu diễn tri thức bởi các luật nếu – thì
7.2 Lập luận tiến và lập luận lùi trong các hệ dựa trên luật
7.3 Thủ tục lập luận tiến
55
56
56
61
65
7.4 Thủ tục lập luận lùi
Bài tập chương 7
Tên học phần: TRÍ TUỆ NHÂN TẠO.
1. Số tín chỉ: 3 TC
2. Loại học phần: 2
3. Điều kiện tiên quyết:
Sinh viên phải nắm được một ngôn ngữ lập trình và học môn CTDL và Thuật toán.
4. Mục đích của học phần:
- Cung cấp các kiến thức cơ bản về phương pháp biểu diễn và giải quyết vấn đề, các kỹ
thuật biểu diễn và xử lý tri thức.
- Rèn luyện tư duy khoa học.
5. Nội dung chủ yếu:
Gồm 2 phần:
- Phương pháp biểu diễn và giải quyết vấn đề
- Kỹ thuật biểu diễn, xử lý tri thức và suy diễn
6. Ngƣời biên soạn:
KS Nguyễn Duy Trường Giang. Bộ môn Khoa học máy tính.
7. Nội dung chi tiết của học phần:
Phân phối số tiết
Tên chƣơng mục
TS
09
LT
BT
TH KT
MỞ ĐẦU
PHẦN THỨ NHẤT: PHƢƠNG PHÁP BIỂU DIỄN
VÀ GIẢI QUYẾT VẤN ĐỀ
Chƣơng 1. Các chiến lƣợc tìm kiếm mù.
1.1. Biểu diễn vấn đề trong không gian trạng thái
1.2. Các chiến lược tìm kiếm
06
01
01
02
03
1.3. Các chiến lược tìm kiếm mù
1.3.1. Tìm kiếm theo bề rộng
1.3.2. Tìm kiếm theo độ sâu
1.3.3. Các trạng thái lặp
1.3.4. Tìm kiếm sâu lặp
1.4. Quy vấn đề về vấn đề con. Tìm kiếm trên đồ thị
và/hoặc
02
1.4.1. Quy vấn đề về các vấn đề con
1.4.2. Đồ thị và/hoặc
1.4.3. Tìm kiếm trên đồ thị và/hoặc
Chƣơng 2. Các chiến lƣợc tìm kiếm kinh nghiệm.
2.1. Hàm đánh giá và tìm kiếm kinh nghiệm
2.2. Tìm kiếm tốt nhất đầu tiên
2.3. Tìm kiếm leo đồi
2.4. Tìm kiếm beam
Chƣơng 3. Các chiến lƣợc tìm kiếm tối ƣu.
3.1. Tìm đường đi ngắn nhất
06
08
04
01
01
01
01
05
02
02
02
01
3.1.1. Thuật toán A*
3.1.2. Thuật toán tìm kiếm nhánh – và - cận
3.2. Tìm đối tượng tốt nhất
02
3.2.1. Tìm kiếm leo đồi
3.2.2. Tìm kiếm gradient
3.3. Tìm kiếm mô phỏng sự tiến hóa. Thuật toán di
truyền
01
01
Chƣơng 4. Tìm kiếm có đối thủ.
4.1. Cây trò chơi và tìm kiếm trên cây trò chơi
4.2. Chiến lược Minimax
4.3. Phương pháp cắt cụt alpha – beta
PHẦN THỨ HAI: TRI THỨC VÀ LẬP LUẬN
Chƣơng 5. Logic mệnh đề.
5.1. Biểu diễn tri thức
08
06
06
02
02
02
02
06
01
02
5.2. Cú pháp và ngữ nghĩa của logic mệnh đề
5.2.1. Cú pháp
5.2.2. Ngữ nghĩa
5.3. Dạng chuẩn tắc
1.5
5.3.1. Sự tương đương của các công thức
5.3.2. Dạng chuẩn tắc
5.3.3. Các câu Horn
5.4. Luật suy diễn
01
5.5. Luật phân giải, chứng minh bác bỏ bằng luật phân
giải
0.5
Chƣơng 6. Logic vị từ cấp I.
6.1. Cú pháp và ngữ nghĩa của logic vị từ cấp I
61.1. Cú pháp
13
09
01
03
01
6.1.2. Ngữ nghĩa
6.2. Chuẩn hóa các công thức
6.3. Các luật suy diễn
01
01
6.4. Thuật toán hợp nhất
0.5
0.5
02
6.5. Chứng minh bằng luật phân giải
6.6. Các chiến lược phân giải
6.6.1. Chiến lược phân giải theo bề rộng
6.6.2. Chiến lược phân giải sử dụng tập hỗ trợ
6.6.3. Chiến lược tuyến tính
6.7. Sử dụng logic vị từ cấp I để biểu diễn tri thức
6.7.1. Vị từ hằng
01
6.7.2. Danh sách và các phép toán trên danh sách
6.8. Xây dựng cơ sở tri thức
6.9. Cài đặt cơ sở tri thức
01
01
6.9.1. Cài đặt các hạng thức và các câu phân tử
6.9.2. Cài đặt cơ sở tri thức
01
Chƣơng 7. Biểu diễn tri thức và lập luận.
7.1. Biểu diễn tri thức bởi các luật nếu – thì
7.2. Lập luận tiến và lập luận lùi trong các hệ dựa trên
luật
10
06
01
02
03
01
7.2.1. Lập luận tiến
7.2.2. Lập luận lùi
7.3. Thủ tục lập luận tiến
7.3.1.Thủ tục For_chain
7.3.2. Thủ tục rete
7.3.3. Hệ hành động dựa trên luật
7.4. Thủ tục lập luận lùi
02
01
01
8. Giáo trình và tài liệu tham khảo.
1. Đinh Mạnh Tường - Trí tuệ nhân tạo - Nhà xuất bản khoa học kỹ thuật - 2002
2. Nguyễn Thanh Thủy - Trí tuệ nhân tạo - Nhà xuất bản giáo dục - 1997
3. Ngô Trung Việt - Trí tuệ nhân tạo - Nhà xuất bản giáo dục - 1995
Phần I
Giải quyết vấn đề bằng tìm kiếm
-----------------------------------
Vấn đề tìm kiếm, một cách tổng quát, có thể hiểu là tìm một đối tượng thỏa mãn một số
đòi hỏi nào đó, trong một tập hợp rộng lớn các đối tượng. Chúng ta có thể kể ra rất nhiều vấn đề
mà việc giải quyết nó được quy về vấn đề tìm kiếm.
Các trò chơi, chẳng hạn cờ vua, cờ carô có thể xem như vấn đề tìm kiếm. Trong số rất
nhiều nước đi được phép thực hiện, ta phải tìm ra các nước đi dẫn tới tình thế kết cuộc mà ta là
người thắng.
Chứng minh định lý cũng có thể xem như vấn đề tìm kiếm. Cho một tập các tiên đề và các
luật suy diễn, trong trường hợp này mục tiêu của ta là tìm ra một chứng minh (một dãy các luật
suy diễn được áp dụng) để được đưa đến công thức mà ta cần chứng minh.
Trong các lĩnh vực nghiên cứu của Trí Tuệ Nhân Tạo, chúng ta thường xuyên phải đối
đầu với vấn đề tìm kiếm. Đặc biệt trong lập kế hoạch và học máy, tìm kiếm đóng vai trò quan
trọng.
Trong phần này chúng ta sẽ nghiên cứu các kỹ thuật tìm kiếm cơ bản được áp dụng để giải
quyết các vấn đề và được áp dụng rộng rãi trong các lĩnh vực nghiên cứu khác của Trí Tuệ
Nhân Tạo. Chúng ta lần lượt nghiên cứu các kỹ thuật sau:
Các kỹ thuật tìm kiếm mù, trong đó chúng ta không có hiểu biết gì về các đối tượng để
hướng dẫn tìm kiếm mà chỉ đơn thuần là xem xét theo một hệ thống nào đó tất cả các đối tượng
để phát hiện ra đối tượng cần tìm.
Các kỹ thuật tìm kiếm kinh nghiệm (tìm kiếm heuristic) trong đó chúng ta dựa vào kinh
nghiệm và sự hiểu biết của chúng ta về vấn đề cần giải quyết để xây dựng nên hàm đánh giá
hướng dẫn sự tìm kiếm.
Các kỹ thuật tìm kiếm tối ưu.
Các phương pháp tìm kiếm có đối thủ, tức là các chiến lược tìm kiếm nước đi trong các
trò chơi hai người, chẳng hạn cờ vua, cờ tướng, cờ carô.
1
Chƣơng 1
Các chiến lƣợc tìm kiếm mù
---------------------------------
Trong chương này, chúng tôi sẽ nghiên cứu các chiến lược tìm kiếm mù (blind search): tìm
kiếm theo bề rộng (breadth-first search) và tìm kiếm theo độ sâu (depth-first search). Hiệu quả
của các phương pháp tìm kiếm này cũng sẽ được đánh giá.
1.1 Biểu diễn vấn đề trong không gian trạng thái
Một khi chúng ta muốn giải quyết một vấn đề nào đó bằng tìm kiếm, đầu tiên ta phải xác
định không gian tìm kiếm. Không gian tìm kiếm bao gồm tất cả các đối tượng mà ta cần quan
tâm tìm kiếm. Nó có thể là không gian liên tục, chẳng hạn không gian các véctơ thực n chiều; nó
cũng có thể là không gian các đối tượng rời rạc.
Trong mục này ta sẽ xét việc biểu diễn một vấn đề trong không gian trạng thái sao cho việc
giải quyết vấn đề được quy về việc tìm kiếm trong không gian trạng thái.
Một phạm vi rộng lớn các vấn đề, đặc biệt các câu đố, các trò chơi, có thể mô tả bằng cách
sử dụng khái niệm trạng thái và toán tử (phép biến đổi trạng thái). Chẳng hạn, một khách du lịch
có trong tay bản đồ mạng lưới giao thông nối các thành phố trong một vùng lãnh thổ (hình 1.1),
du khách đang ở thành phố A và anh ta muốn tìm đường đi tới thăm thành phố B. Trong bài toán
này, các thành phố có trong các bản đồ là các trạng thái, thành phố A là trạng thái ban đầu, B là
trạng thái kết thúc. Khi đang ở một thành phố, chẳng hạn ở thành phố D anh ta có thể đi theo các
con đường để nối tới các thành phố C, F và G. Các con đường nối các thành phố sẽ được biểu
diễn bởi các toán tử. Một toán tử biến đổi một trạng thái thành một trạng thái khác. Chẳng hạn, ở
trạng thái D sẽ có ba toán tử dẫn trạng thái D tới các trạng thái C, F và G. Vấn đề của du khách
bây giờ sẽ là tìm một dãy toán tử để đưa trạng thái ban đầu A tới trạng thái kết thúc B.
Một ví dụ khác, trong trò chơi cờ vua, mỗi cách bố trí các quân trên bàn cờ là một trạng
thái. Trạng thái ban đầu là sự sắp xếp các quân lúc bắt đầu cuộc chơi. Mỗi nước đi hợp lệ là một
toán tử, nó biến đổi một cảnh huống trên bàn cờ thành một cảnh huống khác.
Như vậy muốn biểu diễn một vấn đề trong không gian trạng thái, ta cần xác định các yếu tố
sau:
Trạng thái ban đầu.
Một tập hợp các toán tử. Trong đó mỗi toán tử mô tả một hành động hoặc một phép biến
đổi có thể đưa một trạng thái tới một trạng thái khác.
Tập hợp tất cả các trạng thái có thể đạt tới từ trạng thái ban đầu bằng cách áp dụng một dãy
toán tử, lập thành không gian trạng thái của vấn đề.
Ta sẽ ký hiệu không gian trạng thái là U, trạng thái ban đầu là u0 (u0 U). Mỗi toán tử R
có thể xem như một ánh xạ R: UU. Nói chung R là một ánh xạ không xác định khắp nơi trên
U.
Một tập hợp T các trạng thái kết thúc (trạng thái đích). T là tập con của không gian U.
Trong vấn đề của du khách trên, chỉ có một trạng thái đích, đó là thành phố B. Nhưng trong
nhiều vấn đề (chẳng hạn các loại cờ) có thể có nhiều trạng thái đích và ta không thể xác định
trước được các trạng thái đích. Nói chung trong phần lớn các vấn đề hay, ta chỉ có thể mô tả các
trạng thái đích là các trạng thái thỏa mãn một số điều kiện nào đó.
2
Khi chúng ta biểu diễn một vấn đề thông qua các trạng thái và các toán tử, thì việc tìm
nghiệm của bài toán được quy về việc tìm đường đi từ trạng thái ban đầu tới trạng thái đích.
(Một đường đi trong không gian trạng thái là một dãy toán tử dẫn một trạng thái tới một trạng
thái khác).
Chúng ta có thể biểu diễn không gian trạng thái bằng đồ thị định hướng, trong đó mỗi đỉnh
của đồ thị tương ứng với một trạng thái. Nếu có toán tử R biến đổi trạng thái u thành trạng thái v,
thì có cung gán nhãn R đi từ đỉnh u tới đỉnh v. Khi đó một đường đi trong không gian trạng thái
sẽ là một đường đi trong đồ thị này.
Sau đây chúng ta sẽ xét một số ví dụ về các không gian trạng thái được xây dựng cho một
số vấn đề.
Ví dụ 1: Bài toán 8 số. Chúng ta có bảng 3x3 ô và tám quân mang số hiệu từ 1 đến 8 được
xếp vào tám ô, còn lại một ô trống, chẳng hạn như trong hình 2 bên trái. Trong trò chơi này, bạn
có thể chuyển dịch các quân ở cạch ô trống tới ô trống đó. Vấn đề của bạn là tìm ra một dãy các
chuyển dịch để biến đổi cảnh huống ban đầu (hình 1.2 bên trái) thành một cảnh huống xác định
nào đó, chẳng hạn cảnh huống trong hình 1.2 bên phải.
Trong bài toán này, trạng thái ban đầu là cảnh huống ở bên trái hình 1.2, còn trạng thái kết
thúc ở bên phải hình 1.2. Tương ứng với các quy tắc chuyển dịch các quân, ta có bốn toán tử: up
(đẩy quân lên trên), down (đẩy quân xuống dưới), left (đẩy quân sang trái), right (đẩy quân sang
phải). Rõ ràng là, các toán tử này chỉ là các toán tử bộ phận; chẳng hạn, từ trạng thái ban đầu
(hình 1.2 bên trái), ta chỉ có thể áp dụng các toán tử down, left, right.
Trong các ví dụ trên việc tìm ra một biểu diễn thích hợp để mô tả các trạng thái của vấn đề
là khá dễ dàng và tự nhiên. Song trong nhiều vấn đề việc tìm hiểu được biểu diễn thích hợp cho
các trạng thái của vấn đề là hoàn toàn không đơn giản. Việc tìm ra dạng biểu diễn tốt cho các
trạng thái đóng vai trò hết sức quan trọng trong quá trình giải quyết một vấn đề. Có thể nói rằng,
nếu ta tìm được dạng biểu diễn tốt cho các trạng thái của vấn đề, thì vấn đề hầu như đã được giải
quyết.
3
Ví dụ 2: Vấn đề triệu phú và kẻ cướp. Có ba nhà triệu phú và ba tên cướp ở bên bờ tả ngạn
một con sông, cùng một chiếc thuyền chở được một hoặc hai người. Hãy tìm cách đưa mọi người
qua sông sao cho không để lại ở bên bờ sông kẻ cướp nhiều hơn triệu phú. Đương nhiên trong
bài toán này, các toán tử tương ứng với các hành động chở 1 hoặc 2 người qua sông. Nhưng ở
đây ta cần lưu ý rằng, khi hành động xẩy ra (lúc thuyền đang bơi qua sông) thì ở bên bờ sông
thuyền vừa dời chỗ, số kẻ cướp không được nhiều hơn số triệu phú. Tiếp theo ta cần quyết định
cái gì là trạng thái của vấn đề. ở đây ta không cần phân biệt các nhà triệu phú và các tên cướp,
mà chỉ số lượng của họ ở bên bờ sông là quan trọng. Để biểu diễn các trạng thái, ta sử dụng bộ
ba (a, b, k), trong đó a là số triệu phú, b là số kẻ cướp ở bên bờ tả ngạn vào các thời điểm mà
thuyền ở bờ này hoặc bờ kia, k = 1 nếu thuyền ở bờ tả ngạn và k = 0 nếu thuyền ở bờ hữu ngạn.
Như vậy, không gian trạng thái cho bài toán triệu phú và kẻ cướp được xác định như sau:
Trạng thái ban đầu là (3, 3, 1).
Các toán tử. Có năm toán tử tương ứng với hành động thuyền chở qua sông 1 triệu phú,
hoặc 1 kẻ cướp, hoặc 2 triệu phú, hoặc 2 kẻ cướp, hoặc 1 triệu phú và 1 kẻ cướp.
Trạng thái kết thúc là (0, 0, 0).
1.2 Các chiến lƣợc tìm kiếm
Như ta đã thấy trong mục 1.1, để giải quyết một vấn đề bằng tìm kiếm trong không gian
trạng thái, đầu tiên ta cần tìm dạng thích hợp mô tả các trạng thái cảu vấn đề. Sau đó cần xác
định:
Trạng thái ban đầu.
Tập các toán tử.
Tập T các trạng thái kết thúc. (T có thể không được xác định cụ thể gồm các trạng thái
nào mà chỉ được chỉ định bởi một số điều kiện nào đó).
Giả sử u là một trạng thái nào đó và R là một toán tử biến đổi u thành v. Ta sẽ gọi v là
trạng thái kề u, hoặc v được sinh ra từ trạng thái u bởi toán tử R. Quá trình áp dụng các toán tử
để sinh ra các trạng thái kề u được gọi là phát triển trạng thái u. Chẳng hạn, trong bài toán toán
số, phát triển trạng thái ban đầu (hình 2 bên trái), ta nhận được ba trạng thái kề (hình 1.3).
Khi chúng ta biểu diễn một vấn đề cần giải quyết thông qua các trạng thái và các toán tử
thì việc tìm lời giải của vấn đề được quy về việc tìm đường đi từ trạng thái ban đầu tới một trạng
thái kết thúc nào đó.
Có thể phân các chiến lược tìm kiếm thành hai loại:
Các chiến lược tìm kiếm mù. Trong các chiến lược tìm kiếm này, không có một sự hướng
dẫn nào cho sự tìm kiếm, mà ta chỉ phát triển các trạng thái ban đầu cho tới khi gặp một trạng
thái đích nào đó. Có hai kỹ thuật tìm kiếm mù, đó là tìm kiếm theo bề rộng và tìm kiếm theo độ
sâu.
4
Tư tưởng của tìm kiếm theo bề rộng là các trạng thái được phát triển theo thứ tự mà chúng
được sinh ra, tức là trạng thái nào được sinh ra trước sẽ được phát triển trước.
Trong nhiều vấn đề, dù chúng ta phát triển các trạng thái theo hệ thống nào (theo bề rộng
hoặc theo độ sâu) thì số lượng các trạng thái được sinh ra trước khi ta gặp trạng thái đích thường
là cực kỳ lớn. Do đó các thuật toán tìm kiếm mù kém hiệu quả, đòi hỏi rất nhiều không gian và
thời gian. Trong thực tế, nhiều vấn đề không thể giải quyết được bằng tìm kiếm mù.
Tìm kiếm kinh nghiệm (tìm kiếm heuristic). Trong rất nhiều vấn đề, chúng ta có thể dựa
vào sự hiểu biết của chúng ta về vấn đề, dựa vào kinh nghiệm, trực giác, để đánh giá các trạng
thái. Sử dụng sự đánh giá các trạng thái để hướng dẫn sự tìm kiếm: trong quá trình phát triển các
trạng thái, ta sẽ chọn trong số các trạng thái chờ phát triển, trạng thái được đánh giá là tốt nhất để
phát triển. Do đó tốc độ tìm kiếm sẽ nhanh hơn. Các phương pháp tìm kiếm dựa vào sự đánh giá
các trạng thái để hướng dẫn sự tìm kiếm gọi chung là các phương pháp tìm kiếm kinh nghiệm.
Như vậy chiến lược tìm kiếm được xác định bởi chiến lược chọn trạng thái để phát triển ở
mỗi bước. Trong tìm kiếm mù, ta chọn trạng thái để phát triển theo thứ tự mà đúng được sinh ra;
còn trong tìm kiếm kinh nghiệm ta chọn trạng thái dựa vào sự đánh giá các trạng thái.
Cây tìm kiếm
Chúng ta có thể nghĩ đến quá trình tìm kiếm như quá trình xây dựng cây tìm kiếm. Cây
tìm kiếm là cây mà các đỉnh được gắn bởi các trạng thái của không gian trạng thái. Gốc của cây
tìm kiếm tương ứng với trạng thái ban đầu. Nếu một đỉnh ứng với trạng thái u, thì các đỉnh con
của nó ứng với các trạng thái v kề u. Hình 1.4a là đồ thị biểu diễn một không gian trạng thái với
5
trạng thái ban đầu là A, hình 1.4b là cây tìm kiếm tương ứng với không gian trạng thái đó.
Mỗi chiến lược tìm kiếm trong không gian trạng thái tương ứng với một phương pháp xây
dựng cây tìm kiếm. Quá trình xây dựng cây bắt đầu từ cây chỉ có một đỉnh là trạng thái ban đầu.
Giả sử tới một bước nào đó trong chiến lược tìm kiếm, ta đã xây dựng được một cây nào đó, các
lá của cây tương ứng với các trạng thái chưa được phát triển. Bước tiếp theo phụ thuộc vào chiến
lược tìm kiếm mà một đỉnh nào đó trong các lá được chọn để phát triển. Khi phát triển đỉnh đó,
cây tìm kiếm được mở rộng bằng cách thêm vào các đỉnh con của đỉnh đó. Kỹ thuật tìm kiếm
theo bề rộng (theo độ sâu) tương ứng với phương pháp xây dựng cây tìm kiếm theo bề rộng (theo
độ sâu).
1.3 Các chiến lƣợc tìm kiếm mù
Trong mục này chúng ta sẽ trình bày hai chiến lược tìm kiếm mù: tìm kiếm theo bề rộng và
tìm kiếm theo độ sâu. Trong tìm kiếm theo bề rộng, tại mỗi bước ta sẽ chọn trạng thái để phát
triển là trạng thái được sinh ra trước các trạng thái chờ phát triển khác. Còn trong tìm kiếm theo
độ sâu, trạng thái được chọn để phát triển là trạng thái được sinh ra sau cùng trong số các trạng
thái chờ phát triển.
Chúng ta sử dụng danh sách L để lưu các trạng thái đã được sinh ra và chờ được phát triển.
Mục tiêu của tìm kiếm trong không gian trạng thái là tìm đường đi từ trạng thái ban đầu tới trạng
thái đích, do đó ta cần lưu lại vết của đường đi. Ta có thể sử dụng hàm father để lưu lại cha của
mỗi đỉnh trên đường đi, father(v) = u nếu cha của đỉnh v là u.
1.3.1 Tìm kiếm theo bề rộng
Thuật toán tìm kiếm theo bề rộng được mô tả bởi thủ tục sau:
procedure
begin
Breadth_First_Search;
1. Khởi tạo danh sách L chỉ chứa trạng thái ban đầu;
2. loop do
2.1 if L rỗng then
{thông báo tìm kiếm thất bại; stop};
2.2 Loại trạng thái u ở đầu danh sách L;
2.3 if u là trạng thái kết thúc then
{thông báo tìm kiếm thành công; stop};
2.4 for mỗi trạng thái v kề u do {
Đặt v vào cuối danh sách L;
father(v) <- u}
end;
Chúng ta có một số nhận xét sau đây về thuật toán tìm kiếm theo bề rộng:
Trong tìm kiếm theo bề rộng, trạng thái nào được sinh ra trước sẽ được phát triển trước,
do đó danh sách L được xử lý như hàng đợi. Trong bước 2.3, ta cần kiểm tra xem u có là trạng
thái kết thúc hay không. Nói chung các trạng thái kết thúc được xác định bởi một số điều kiện
nào đó, khi đó ta cần kiểm tra xem u có thỏa mãn các điều kiện đó hay không.
Nếu bài toán có nghiệm (tồn tại đường đi từ trạng thái ban đầu tới trạng thái đích), thì
thuật toán tìm kiếm theo bề rộng sẽ tìm ra nghiệm, đồng thời đường đi tìm được sẽ là ngắn nhất.
Trong trường hợp bài toán vô nghiệm và không gian trạng thái hữu hạn, thuật toán sẽ dừng và
cho thông báo vô nghiệm.
Đánh giá tìm kiếm theo bề rộng
6
Bây giờ ta đánh giá thời gian và bộ nhớ mà tìm kiếm theo bề rộng đòi hỏi. Giả sử rằng,
mỗi trạng thái khi được phát triển sẽ sinh ra b trạng thái kề. Ta sẽ gọi b là nhân tố nhánh. Giả sử
rằng, nghiệm của bài toán là đường đi có độ dài d. Bởi nhiều nghiệm có thể được tìm ra tại một
đỉnh bất kỳ ở mức d của cây tìm kiếm, do đó số đỉnh cần xem xét để tìm ra nghiệm là:
1 + b + b2 + ... + bd-1 + k
Trong đó k có thể là 1, 2, ..., bd. Do đó số lớn nhất các đỉnh cần xem xét là:
1 + b + b2 + ... + bd
Như vậy, độ phức tạp thời gian của thuật toán tìm kiếm theo bề rộng là O(bd). Độ phức tạp
không gian cũng là O(bd), bởi vì ta cần lưu vào danh sách L tất cả các đỉnh của cây tìm kiếm ở
mức d, số các đỉnh này là bd.
Để thấy rõ tìm kiếm theo bề rộng đòi hỏi thời gian và không gian lớn tới mức nào, ta xét
trường hợp nhân tố nhánh b = 10 và độ sâu d thay đổi. Giả sử để phát hiện và kiểm tra 1000
trạng thái cần 1 giây, và lưu giữ 1 trạng thái cần 100 bytes. Khi đó thời gian và không gian mà
thuật toán đòi hỏi được cho trong bảng sau:
Độ sâu d
Thời gian
11 giây
Không gian
1 megabyte
4
6
18 giây
31 giờ
111 megabytes
11 gigabytes
1 terabyte
8
10
12
14
128 ngày
35 năm
111 terabytes
11.111 terabytes
3500 năm
1.3.2 Tìm kiếm theo độ sâu
Như ta đã biết, tư tưởng của chiến lược tìm kiếm theo độ sâu là, tại mỗi bước trạng thái
được chọn để phát triển là trạng thái được sinh ra sau cùng trong số các trạng thái chờ phát triển.
Do đó thuật toán tìm kiếm theo độ sâu là hoàn toàn tương tự như thuật toán tìm kiếm theo bề
rộng, chỉ có một điều khác là, ta xử lý danh sách L các trạng thái chờ phát triển không phải như
hàng đợi mà như ngăn xếp. Cụ thể là trong bước 2.4 của thuật toán tìm kiếm theo bề rộng, ta cần
sửa lại là “Đặt v vào đầu danh sách L”.
Sau đây chúng ta sẽ đưa ra các nhận xét so sánh hai chiến lược tìm kiếm mù:
Thuật toán tìm kiếm theo bề rộng luôn luôn tìm ra nghiệm nếu bài toán có nghiệm. Song
không phải với bất kỳ bài toán có nghiệm nào thuật toán tìm kiếm theo độ sâu cũng tìm ra
nghiệm! Nếu bài toán có nghiệm và không gian trạng thái hữu hạn, thì thuật toán tìm kiếm theo
độ sâu sẽ tìm ra nghiệm. Tuy nhiên, trong trường hợp không gian trạng thái vô hạn, thì có thể nó
không tìm ra nghiệm, lý do là ta luôn luôn đi xuống theo độ sâu, nếu ta đi theo một nhánh vô hạn
mà nghiệm không nằm trên nhánh đó thì thuật toán sẽ không dừng. Do đó người ta khuyên rằng,
không nên áp dụng tìm kiếm theo dộ sâu cho các bài toán có cây tìm kiếm chứa các nhánh vô
hạn.
Độ phức tạp của thuật toán tìm kiếm theo độ sâu.
Giả sử rằng, nghiệm của bài toán là đường đi có độ dài d, cây tìm kiếm có nhân tố nhánh là
b và có chiều cao là d. Có thể xẩy ra, nghiệm là đỉnh ngoài cùng bên phải trên mức d của cây tìm
kiếm, do đó độ phức tạp thời gian của tìm kiếm theo độ sâu trong trường hợp xấu nhất là O(bd),
tức là cũng như tìm kiếm theo bề rộng. Tuy nhiên, trên thực tế đối với nhiều bài toán, tìm kiếm
theo độ sâu thực sự nhanh hơn tìm kiếm theo bề rộng. Lý do là tìm kiếm theo bề rộng phải xem
7
xét toàn bộ cây tìm kiếm tới mức d-1, rồi mới xem xét các đỉnh ở mức d. Còn trong tìm kiếm
theo độ sâu, có thể ta chỉ cần xem xét một bộ phận nhỏ của cây tìm kiếm thì đã tìm ra nghiệm.
Để đánh giá độ phức tạp không gian của tìm kiếm theo độ sâu ta có nhận xét rằng, khi ta
phát triển một đỉnh u trên cây tìm kiếm theo độ sâu, ta chỉ cần lưu các đỉnh chưa được phát triển
mà chúng là các đỉnh con của các đỉnh nằm trên đường đi từ gốc tới đỉnh u. Như vậy đối với cây
tìm kiếm có nhân tố nhánh b và độ sâu lớn nhất là d, ta chỉ cần lưu ít hơn db đỉnh. Do đó độ phức
tạp không gian của tìm kiếm theo độ sâu là O(db), trong khi đó tìm kiếm theo bề rộng đòi hỏi
không gian nhớ O(bd)!
1.3.3 Các trạng thái lặp
Như ta thấy trong mục 1.2, cây tìm kiếm có thể chứa nhiều đỉnh ứng với cùng một trạng
thái, các trạng thái này được gọi là trạng thái lặp. Chẳng hạn, trong cây tìm kiếm hình 4b, các
trạng thái C, E, F là các trạng thái lặp. Trong đồ thị biểu diễn không gian trạng thái, các trạng
thái lặp ứng với các đỉnh có nhiều đường đi dẫn tới nó từ trạng thái ban đầu. Nếu đồ thị có chu
trình thì cây tìm kiếm sẽ chứa các nhánh với một số đỉnh lập lại vô hạn lần. Trong các thuật toán
tìm kiếm sẽ lãng phí rất nhiều thời gian để phát triển lại các trạng thái mà ta đã gặp và đã phát
triển. Vì vậy trong quá trình tìm kiếm ta cần tránh phát sinh ra các trạng thái mà ta đã phát triển.
Chúng ta có thể áp dụng một trong các giải pháp sau đây:
1. Khi phát triển đỉnh u, không sinh ra các đỉnh trùng với cha của u.
2. Khi phát triển đỉnh u, không sinh ra các đỉnh trùng với một đỉnh nào đó nằm trên đường đi
dẫn tới u.
3. Không sinh ra các đỉnh mà nó đã được sinh ra, tức là chỉ sinh ra các đỉnh mới.
Hai giải pháp đầu dễ cài đặt và không tốn nhiều không gian nhớ, tuy nhiên các giải pháp
này không tránh được hết các trạng thái lặp.
Để thực hiện giải pháp thứ 3 ta cần lưu các trạng thái đã phát triển vào tập Q, lưu các trạng
thái chờ phát triển vào danh sách L. Đương nhiên, trạng thái v lần đầu được sinh ra nếu nó không
có trong Q và L. Việc lưu các trạng thái đã phát triển và kiểm tra xem một trạng thái có phải lần
đầu được sinh ra không đòi hỏi rất nhiều không gian và thời gian. Chúng ta có thể cài đặt tập Q
bởi bảng băm (xem [ ]).
1.3.4 Tìm kiếm sâu lặp
Như chúng ta đã nhận xét, nếu cây tìm kiếm chứa nhánh vô hạn, khi sử dụng tìm kiếm theo
độ sâu, ta có thể mắc kẹt ở nhánh đó và không tìm ra nghiệm. Để khắc phục hoàn cảnh đó, ta tìm
kiếm theo độ sâu chỉ tới mức d nào đó; nếu không tìm ra nghiệm, ta tăng độ sâu lên d+1 và lại
tìm kiếm theo độ sâu tới mức d+1. Quá trình trên được lặp lại với d lần lượt là 1, 2, ... dến một
độ sâu max nào đó. Như vậy, thuật toán tìm kiếm sâu lặp (iterative deepening search) sẽ sử dụng
thủ tục tìm kiếm sâu hạn chế (depth_limited search) như thủ tục con. Đó là thủ tục tìm kiếm theo
độ sâu, nhưng chỉ đi tới độ sâu d nào đó rồi quay lên.
Trong thủ tục tìm kiếm sâu hạn chế, d là tham số độ sâu, hàm depth ghi lại độ sâu của mỗi
đỉnh
procedure Depth_Limited_Search(d);
begin
1. Khởi tạo danh sách L chỉ chứa trạng thái ban đầu u0;
depth(u0) 0;
2. loop do
2.1 if L rỗng then
{thông báo thất bại; stop};
2.2 Loại trạng thái u ở đầu danh sách L;
8
2.3 if u là trạng thái kết thúc then
{thông báo thành công; stop};
2.4 if depth(u) <= d then
for mỗi trạng thái v kề u do
{Đặt v vào đầu danh sách L;
depth(v) depth(u) + 1};
end;
procedure Depth_Deepening_Search;
begin
for d 0 to max do
{Depth_Limited_Search(d);
if thành công then exit}
end;
Kỹ thuật tìm kiếm sâu lặp kết hợp được các ưu điểm của tìm kiếm theo bề rộng và tìm
kiếm theo độ sâu. Chúng ta có một số nhận xét sau:
Cũng như tìm kiếm theo bề rộng, tìm kiếm sâu lặp luôn luôn tìm ra nghiệm (nếu bài toán
có nghiệm), miễn là ta chọn độ sâu mã đủ lớn.
Tìm kiếm sâu lặp chỉ cần không gian nhớ như tìm kiếm theo độ sâu.
Trong tìm kiếm sâu lặp, ta phải phát triển lặp lại nhiều lần cùng một trạng thái. Điều đó
làm cho ta có cảm giác rằng, tìm kiếm sâu lặp lãng phí nhiều thời gian. Thực ra thời gian tiêu tốn
cho phát triển lặp lại các trạng thái là không đáng kể so với thời gian tìm kiếm theo bề rộng. Thật
vậy, mỗi lần gọi thủ tục tìm kiếm sâu hạn chế tới mức d, nếu cây tìm kiếm có nhân tố nhánh là b,
thì số đỉnh cần phát triển là:
1 + b + b2 + ... + bd
Nếu nghiệm ở độ sâu d, thì trong tìm kiếm sâu lặp, ta phải gọi thủ tục tìm kiếm sâu hạn chế
với độ sâu lần lượt là 0, 1, 2, ..., d. Do đó các đỉnh ở mức 1 phải phát triển lặp d lần, các đỉnh ở
mức 2 lặp d-1 lần, ..., các đỉnh ở mức d lặp 1 lần. Như vậy tổng số đỉnh cần phát triển trong tìm
kiếm sâu lặp là:
(d+1)1 + db + (d-1)b2 + ... + 2bd-1 + 1bd
Do đó thời gian tìm kiếm sâu lặp là O(bd).
Tóm lại, tìm kiếm sâu lặp có độ phức tạp thời gian là O(bd) (như tìm kiếm theo bề rộng),
và có độ phức tạp không gian là O(biểu diễn) (như tìm kiếm theo độ sâu). Nói chung, chúng ta
nên áp dụng tìm kiếm sâu lặp cho các vấn đề có không gian trạng thái lớn và độ sâu của nghiệm
không biết trước.
1.4 Quy vấn đề về các vấn đề con. Tìm kiếm trên đồ thị và/hoặc.
1.4.1 Quy vấn đề về các vấn đề con:
Trong mục 1.1, chúng ta đã nghiên cứu việc biểu diễn vấn đề thông qua các trạng thái và
các toán tử. Khi đó việc tìm nghiệm của vấn đề được quy về việc tìm đường trong không gian
trạng thái. Trong mục này chúng ta sẽ nghiên cứu một phương pháp luận khác để giải quyết vấn
đề, dựa trên việc quy vấn đề về các vấn đề con. Quy vấn đề về các vấn đề con (còn gọi là rút gọn
vấn đề) là một phương pháp được sử dụng rộng rãi nhất để giải quyết các vấn đề. Trong đời sống
hàng ngày, cũng như trong khoa học kỹ thuật, mỗi khi gặp một vấn đề cần giải quyết, ta vẫn
thường cố gắng tìm cách đưa nó về các vấn đề đơn giản hơn. Quá trình rút gọn vấn đề sẽ được
9
tiếp tục cho tới khi ta dẫn tới các vấn đề con có thể giải quyết được dễ dàng. Sau đây chúng ta
xét một số vấn đề.
Vấn đề tính tích phân bất định
Giả sử ta cần tính một tích phân bất định, chẳng hạn (xex + x3) dx. Quá trình chúng ta vẫn
thường làm để tính tích phân bất định là như sau. Sử dụng các quy tắc tính tích phân (quy tắc
tính tích phân của một tổng, quy tắc tính tích phân từng phần...), sử dụng các phép biến đổi biến
số, các phép biến đổi các hàm (chẳng hạn, các phép biến đổi lượng giác),... để đưa tích phân cần
tính về tích phân của các hàm số sơ cấp mà chúng ta đã biết cách tính. Chẳng hạn, đối với tích
phân (xex + x3) dx, áp dụng quy tắc tích phân của tổng ta đưa về hai tích phân xexdx và
x3dx. áp dụng quy tắc tích phân từng phần ta đưa tích phân xexdx về tích phân exdx. Quá trình
trên có thể biểu diễn bởi đồ thị trong hình 1.5.
Các tích phân exdx và x3dx là các tích phân cơ bản đã có trong bảng tích phân. Kết hợp
các kết quả của các tích phân cơ bản, ta nhận được kết quả của tích phân đã cho.
Chúng ta có thể biểu diễn việc quy một vấn đề về các vấn đề con cơ bởi các trạng thái và
các toán tử. ở đây, bài toán cần giải là trạng thái ban đầu. Mỗi cách quy bài toán về các bài toán
con được biểu diễn bởi một toán tử, toán tử AB, C biểu diễn việc quy bài toán A về hai bài
toán B và C. Chẳng hạn, đối với bài toán tính tích phân bất định, ta có thể xác định các toán tử
dạng:
(f1 + f2) dx f1 dx, f2 dx và
u dv v du
Các trạng thái kết thúc là các bài toán sơ cấp (các bài toán đã biết cách giải). Chẳng hạn,
trong bài toán tính tích phân, các tích phân cơ bản là các trạng thái kết thúc. Một điều cần lưu ý
là, trong không gian trạng thái biểu diễn việc quy vấn đề về các vấn đề con, các toán tử có thể là
đa trị, nó biến đổi một trạng thái thành nhiều trạng thái khác.
Vấn đề tìm đƣờng đi trên bản đồ giao thông
Bài toán này đã được phát triển như bài toán tìm đường đi trong không gian trạng thái
(xem 1.1), trong đó mỗi trạng thái ứng với một thành phố, mỗi toán tử ứng với một con đường
nối, nối thành phố này với thành phố khác. Bây giờ ta đưa ra một cách biểu diễn khác dựa trên
10
việc quy vấn đề về các vấn đề con. Giả sử ta có bản đồ giao thông trong một vùng lãnh thổ (xem
hình 1.6). Giả sử ta cần tìm đường đi từ thành phố A tới thành phố B. Có con sông chảy qua hai
thành phố E và G và có cầu qua sông ở mỗi thành phố đó. Mọi đường đi từ A đến B chỉ có thể
qua E hoặc G. Như vậy bài toán tìm đường đi từ A đến B được quy về:
1) Bài toán tìm đường đi từ A đến B qua E (hoặc)
2) Bài toán tìm đường đi từ A đến b qua G.
Mỗi một trong hai bài toán trên lại có thể phân nhỏ như sau
1) Bài toán tìm đường đi từ A đến B qua E được quy về:
1.1 Tìm đường đi từ A đến E (và)
1.2 Tìm đường đi từ E đến B.
2) Bài toán tìm đường đi từ A đến B qua G được quy về:
2.1 Tìm đường đi từ A đến G (và)
2.2 Tìm đường đi từ G đến B.
Quá trình rút gọn vấn đề như trên có thể biểu diễn dưới dạng đồ thị (đồ thị và/hoặc) trong
hình 1.7. ở đây mỗi bài toán tìm đường đi từ một thành phố tới một thành phố khác ứng với một
trạng thái. Các trạng thái kết thúc là các trạng thái ứng với các bài toán tìm đường đi, chẳng hạn
từ A đến C, hoặc từ D đến E, bởi vì đã có đường nối A với C, nối D với E.
1.4.2 Đồ thị và/hoặc
Không gian trạng thái mô tả việc quy vấn đề về các vấn đề con có thể biểu diễn dưới dạng
đồ thị định hướng đặc biệt được gọi là đồ thị và/hoặc. Đồ thị này được xây dựng như sau:
Mỗi bài toán ứng với một đỉnh của đồ thị. Nếu có một toán tử quy một bài toán về một bài
toán khác, chẳng hạn R : a b, thì trong đồ thị sẽ có cung gán nhãn đi từ đỉnh a tới đỉnh b. Đối
với mỗi toán tử quy một bài toán về một số bài toán con, chẳng hạn R : a b, c, d ta đưa vào
một đỉnh mới a1, đỉnh này biểu diễn tập các bài toán con {b, c, d} và toán tử R : a b, c, d được
biểu diễn bởi đồ thị hình 1.8.
11
Ví dụ: Giả sử chúng ta có không gian trạng thái sau:
Trạng thái ban đầu (bài toán cần giải) là a.
Tập các toán tử quy gồm:
R1 : a d, e, f
R5 : f i
R2 : a d, k
R6 : f c, j
R3 : a g, h
R7 : k e, l
R4 : d b, c
R8 : k h
Tập các trạng thái kết thúc (các bài toán sơ cấp) là T = {b, c, e, j, l}.
Không gian trạng thái trên có thể biểu diễn bởi đồ thị và/hoặc trong hình 1.9. Trong đồ thị
đó, các đỉnh, chẳng hạn a1, a2, a3 được gọi là đỉnh và, các đỉnh chẳng hạn a, f, k được gọi là đỉnh
hoặc. Lý do là, đỉnh a1 biểu diễn tập các bài toán {d, e, f} và a1 được giải quyết nếu d và e và f
được giải quyết. Còn tại đỉnh a, ta có các toán tử R1, R2, R3 quy bài toán a về các bài toán con
khác nhau, do đó a được giải quyết nếu hoặc a1 = {d, e, f}, hoặc a2 = {d, k}, hoặc a3 = {g, h}
được giải quyết.
Người ta thường sử dụng đồ thị và/hoặc ở dạng rút gọn. Chẳng hạn, đồ thị và/hoặc trong
hình 1.9 có thể rút gọn thành đồ thị trong hình 1.10. Trong đồ thị rút gọn này, ta sẽ nói chẳng hạn
d, e, f là các đỉnh kề đỉnh a theo toán tử R1, còn d, k là các đỉnh kề a theo toán tử R2.
Khi đã có các toán tử rút gọn vấn đề, thì bằng cách áp dụng liên tiếp các toán tử, ta có thể
12
đưa bài toán cần giải về một tập các bài toán con. Chẳng hạn, trong ví dụ trên nếu ta áp dụng các
toán tử R1, R4, R6, ta sẽ quy bài toán a về tập các bài toán con {b, c, e, f}, tất cả các bài toán con
này đều là sơ cấp. Từ các toán tử R1, R4 và R6 ta xây dựng được một cây trong hình 1.11a, cây
này được gọi là cây nghiệm. Cây nghiệm được định nghĩa như sau:
Cây nghiệm là một cây, trong đó:
Gốc của cây ứng với bài toán cần giải.
Tất cả các lá của cây là các đỉnh kết thúc (đỉnh ứng với các bài toán sơ cấp).
Nếu u là đỉnh trong của cây, thì các con của u là các đỉnh kề u theo một toán tử nào đó.
Các đỉnh của đồ thị và/hoặc sẽ được gắn nhãn giải được hoặc không giải được.
Các đỉnh giải được được xác định đệ quy như sau:
Các đỉnh kết thúc là các đỉnh giải được.
Nếu u không phải là đỉnh kết thúc, nhưng có một toán tử R sao cho tất cả các đỉnh kề u
theo R đều giải được thì u giải được.
Các đỉnh không giải được được xác định đệ quy như sau:
Các đỉnh không phải là đỉnh kết thúc và không có đỉnh kề, là các đỉnh không giải được.
Nếu u không phải là đỉnh kết thúc và với mọi toán tử R áp dụng được tại u đều có một
đỉnh v kề u theo R không giải được, thì u không giải được.
Ta có nhận xét rằng, nếu bài toán a giải được thì sẽ có một cây nghiệm gốc a, và ngược lại
nếu có một cây nghiệm gốc a thì a giải được. Hiển nhiên là, một bài toán giải được có thể có
nhiều cây nghiệm, mỗi cây nghiệm biểu diễn một cách giải bài toán đó. Chẳng hạn trong ví dụ đã
nêu, bài toán a có hai cây nghiệm trong hình 1.11.
Thứ tự giải các bài toán con trong một cây nghiệm là như sau. Bài toán ứng với đỉnh u chỉ
được giải sau khi tất cả các bài toán ứng với các đỉnh con của u đã được giải. Chẳng hạn, với cây
nghiệm trong hình 1.11a, thứ tự giải các bài toán có thể là b, c, d, j, f, e, a. ta có thể sử dụng thủ
tục sắp xếp topo để sắp xếp thứ tự các bài toán trong một cây nghiệm. Đương nhiên ta cũng có
thể giải quyết đồng thời các bài toán con ở cùng một mức trong cây nghiệm.
Vấn đề của chúng ta bây giờ là, tìm kiếm trên đồ thị và/hoặc để xác định được đỉnh ứng
với bài toán ban đầu là giải được hay không giải được, và nếu nó giải được thì xây dựng một cây
nghiệm cho nó.
1.4.3 Tìm kiếm trên đồ thị và/hoặc
Ta sẽ sử dụng kỹ thuật tìm kiếm theo độ sâu trên đồ thị và/hoặc để đánh dấu các đỉnh. Các
đỉnh sẽ được đánh dấu giải được hoặc không giải được theo định nghĩa đệ quy về đỉnh giải được
và không giải được. Xuất phát từ đỉnh ứng với bài toán ban đầu, đi xuống theo độ sâu, nếu gặp
đỉnh u là đỉnh kết thúc thì nó được đánh dấu giải được. Nếu gặp đỉnh u không phải là đỉnh kết
thúc và từ u không đi tiếp được, thì u được đánh dấu không giải được. Khi đi tới đỉnh u, thì từ u
ta lần lượt đi xuống các đỉnh v kề u theo một toán tử R nào đó. Nếu đánh dấu được một đỉnh v
không giải được thì không cần đi tiếp xuống các đỉnh v còn lại. Tiếp tục đi xuống các đỉnh kề u
theo một toán tử khác. Nếu tất cả các đỉnh kề u theo một toán tử nào đó được đánh dấu giải được
thì u sẽ được đánh dấu giải được và quay lên cha của u. Còn nếu từ u đi xuống các đỉnh kề nó
theo mọi toán tử đều gặp các đỉnh kề được đánh dấu không giải được, thì u được đánh dấu không
giải được và quay lên cha của u.
Ta sẽ biểu diễn thủ tục tìm kiếm theo độ sâu và đánh dấu các đỉnh đã trình bày trên bởi
hàm đệ quy Solvable(u). Hàm này nhận giá trị true nếu u giải được và nhận giá trị false nếu u
không giải được. Trong hàm Solvable(u), ta sẽ sử dụng:
Với mỗi toán tử R áp dụng được tại u, biến Ok nhận giá trị true nếu tất cả các đỉnh v kề u
theo R đều giải được, và Ok nhận giá trị false nếu có một đỉnh v kề u theo R không giải được.
13
Hàm Operator(u) ghi lại toán tử áp dụng thành công tại u, tức là Operator(u) = R nếu mọi
đỉnh v kề u theo R đều giải được.
function Solvable(u);
begin
1. if u là đỉnh kết thúc then
{Solvable true; stop};
2. if u không là đỉnh kết thúc và không có đỉnh kề then
{Solvable(u) false; stop};
3. for mỗi toán tử R áp dụng được tại u do
{Ok true;
for mỗi v kề u theo R do
if Solvable(v) = false then {Ok false; exit};
if Ok then
{Solvable(u) true; Operator(u) R; stop}}
4. Solvable(u) false;
end;
Nhận xét
Hoàn toàn tương tự như thuật toán tìm kiếm theo độ sâu trong không gian trạng thái (mục
1.3.2), thuật toán tìm kiếm theo độ sâu trên đồ thị và/hoặc sẽ xác định được bài toán ban đầu là
giải được hay không giải được, nếu cây tìm kiếm không có nhánh vô hạn. Nếu cây tìm kiếm có
nhánh vô hạn thì chưa chắc thuật toán đã dừng, vì có thể nó bị xa lầy khi đi xuống nhánh vô hạn.
Trong trường hợp này ta nên sử dụng thuật toán tìm kiếm sâu lặp (mục 1.3.3).
Nếu bài toán ban đầu giải được, thì bằng cách sử dụng hàm Operator ta sẽ xây dựng được
cây nghiệm.
Bài tập chƣơng 1:
Bài 1: Xây dựng không gian trạng thái gồm 8 địa điểm trên địa bàn bạn đang ở. Xác lập các
đường đi và áp dụng thuật toán tìm kiếm mù theo chiều sâu, theo chiều rộng vào không gian
trạng thái trên.
Bài 2: Xây dựng không gian trạng thái cho trò chơi xếp hình với n=2, chỉ ra trạng thái đầu, trạng
thái đích, thứ tự ưu tiên. Áp dụng thuật toán tìm kiếm mù theo chiều sâu, theo chiều rộng vào bài
toán trên.
Bài 3: Trong bài toán tìm giá trị cho một đại lượng trong tam giác, xác định tập 8 toán tử, bài
toán cần giải, các bài toán giải được. Xây dựng đồ thị và hoặc cho bài toán, kiểm tra xem bài
toán cần giải có giải được không? Nếu giải được thì giải qua các toán tử nào? Vẽ cây nghiệm
tương ứng.
14
Tải về để xem bản đầy đủ
80 trang
20500
Free
Bạn đang xem 20 trang mẫu của tài liệu "Giáo trình Trí tuệ nhân tạo - Trường Đại học Hàng Hải", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- giao_trinh_tri_tue_nhan_tao_truong_dai_hoc_hang_hai.pdf
