Grundlagen der Künstlichen Intelligenz

Werbung
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
Herunterladen