Grundlagen der Künstlichen∗ Intelligenz 4. April 2014 — 17. Klassische Suche: A : Vollständigkeit und Komplexität Grundlagen der Künstlichen Intelligenz 17.1 Vollständigkeit 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität 17.2 Zeit- und Speicheraufwand von A∗ Malte Helmert 17.3 Praktische Auswertung Universität Basel 4. April 2014 17.4 Zusammenfassung M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 4. April 2014 1 / 16 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität 4. April 2014 2 / 16 Vollständigkeit Klassische Suche: Überblick Kapitelüberblick klassische Suche: I 3.–5. Einführung I 6.–9. Basisalgorithmen 10.-17. heuristische Algorithmen I I I I I I I I I 10. 11. 12. 13. 14. 15. 16. 17. 17.1 Vollständigkeit Heuristiken Analyse von Heuristiken Bestensuche als Graphensuche Gierige Bestensuche, A∗ , Weighted A∗ IDA∗ A∗ : Optimalität, Teil I A∗ : Optimalität, Teil II A∗ : Vollständigkeit und Komplexität M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 4. April 2014 3 / 16 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 4. April 2014 4 / 16 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität Vollständigkeit 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität Zeit- und Speicheraufwand von A∗ Vollständigkeit von A∗ Vollständigkeit von A∗ : I A∗ ist vollständig für sichere Heuristiken (wie andere Bestensuchalgorithmen als Graphensuche) I Anders als gierige Bestensuche ist A∗ mit sicheren Heuristiken immer noch semi-vollständig, wenn keine Duplikateliminierung durchgeführt wird und alle Aktionskosten grösser als 0 sind. (Warum?) I Das ist sogar für unendliche Zustandsräume wahr (in dieser Vorlesung nicht betrachtet), wenn jeder Zustand endlich viele Nachfolger hat und das Infimum der Aktionskosten grösser als 0 ist. M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität 4. April 2014 17.2 Zeit- und Speicheraufwand von A∗ 5 / 16 Zeit- und Speicheraufwand von A∗ Zeitaufwand von A∗ (1) M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität 4. April 2014 6 / 16 Zeit- und Speicheraufwand von A∗ Zeitaufwand von A∗ (2) Genauere Analyse: Was ist der Zeitaufwand von A∗ ? I I I hängt stark von der Qualität der Heuristik ab ein Extremfall: h = 0 für alle Zustände Beispiel: A∗ identisch mit uniformer Kostensuche I ein anderer Extremfall: h = h∗ und cost(a) > 0 für alle Aktionen a A∗ expandiert nur Knoten entlang einer optimalen Lösung O(`∗ ) expandierte Knoten, O(`∗ b) erzeugte Knoten, wobei I I Grundlagen der Künstlichen Intelligenz 4. April 2014 I Einheitskosten-Probleme mit I konstantem Verzweigungsgrad und I konstantem absoluten Fehler: |h∗ (s) − h(s)| ≤ c für alle s ∈ S Zeitaufwand: `∗ : Länge der gefundenen optimalen Lösung b: Verzweigungsgrad M. Helmert (Universität Basel) Abhängigkeit der Laufzeit von A∗ vom Heuristik-Fehler 7 / 16 I Zustandsraum ist Baum: Laufzeit von A∗ skaliert linear in Lösungslänge (Pohl 1969; Gaschnig 1977) I allgemeine Zustandsräume: Laufzeit von A∗ skaliert exponentiell in Lösungslänge (Helmert & Röger 2008) M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 4. April 2014 8 / 16 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität Zeit- und Speicheraufwand von A∗ 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität Zeit- und Speicheraufwand von A∗ Speicheraufwand von A∗ Zeitaufwand durch Reopening Wie aufwändig ist Reopening? I I Für die meisten praktischen Probleme und inkonsistenten, aber zulässigen Heuristiken, ist die Zahl wiedereröffneter Knoten vernachlässigbar. Speicheraufwand von A∗ : I Ausnahmen existieren: Martelli (1977) konstruiert Zustandsräume mit n Zuständen, bei denen exponentiell (in n) viele Zustände von A∗ wiedereröffnet werden ( exponentiell schlechter als uniforme Kostensuche) M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität 4. April 2014 alle erzeugten Knoten werden potenziell für immer gespeichert (Ausnahme: Duplikate) Speicheraufwand kann so gross wie Zeitaufwand sein (potenziell niedriger wegen Duplikaten und Reopening) 9 / 16 Praktische Auswertung M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 4. April 2014 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität 10 / 16 Praktische Auswertung ∗ Praktische Auswertung von A (1) 7 17.3 Praktische Auswertung 2 4 5 8 3 Start State 1 2 6 3 4 5 1 6 7 8 Goal State h1 : Anzahl Kacheln in falscher Position (misplaced tiles) h2 : Summe der Distanzen der Kacheln zu deren Zielposition (Manhattan-Distanz) M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 4. April 2014 11 / 16 M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 4. April 2014 12 / 16 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität Praktische Auswertung 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität Zusammenfassung ∗ Praktische Auswertung von A (2) I I jede Zeile mittelt über 100 Instanzen (Anfangszustände) keine Duplikateliminierung (Baumsuche) h∗ 2 4 6 8 10 12 14 16 18 20 22 24 M. Helmert (Universität Basel) erzeugte iter. Tiefensuche 10 112 680 6384 47127 3644035 – – – – – – Knoten A∗ (h1 ) 6 13 20 39 93 227 539 1301 3056 7276 18094 39135 Grundlagen der Künstlichen Intelligenz 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität A∗ (h2 ) 6 12 18 25 39 73 113 211 363 676 1219 1641 17.4 Zusammenfassung 4. April 2014 13 / 16 Zusammenfassung Zusammenfassung (1) I I 17. Klassische Suche: A∗ : Vollständigkeit und Komplexität I I I I I Grundlagen der Künstlichen Intelligenz 4. April 2014 14 / 16 Zusammenfassung Weitere Eigenschaften von A∗ : I Zeitkomplexität: vollständig für sichere Heuristiken semi-vollständig, wenn als Baumsuche statt Graphensuche und Aktionskosten positiv semi-vollständig für unendliche Zustandsräume mit endlicher Verzweigung, wenn Infimum der Aktionskosten positiv M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz Zusammenfassung (2) Weitere Eigenschaften von A∗ : I Vollständigkeit: I M. Helmert (Universität Basel) 4. April 2014 15 / 16 Null-Heuristik: wie uniforme Kostensuche perfekte Heuristik, positive Aktionskosten: nur optimale Lösung wird expandiert allgemein: abhängig von Qualität der Heuristik und Graphstruktur des Zustandsraums Reopening normalerweise vernachlässigbar; in degenerierten Fällen extrem teuer Speicherkomplexität: ähnlich Zeitkomplexität M. Helmert (Universität Basel) Grundlagen der Künstlichen Intelligenz 4. April 2014 16 / 16