Problem SolvingSearching

Eddy Tungadi, ST, MT

2

Pendahuluan

• Hubungan searching dengan AI ? – Sistem AI, khususnya problem-solving agent (salah satu jenis

goal-based agent), diharapkan dapat memecahkan suatu masalah secara autonomous. Salah satu cara untuk melakukannya, adalah dengan mencari langkah-langkah yang dapat mengantarkannya ke solusi menggunakan algoritma search.

• Pencarian solusi hanya bisa dilakukan setelah agent mengetahui apa yang dihadapinya, apa yang dicarinya perlu problem definition.

• Secara kasar, simple problem-solving agent :Percept Problem definition Search for solution Action.

3

Problem Definition

• Problem definition (single-state problems) dapat dinyatakan dalam : contoh : lihat papan.– Initial state :

• Keadaan/state awal.

– Operator : • Aksi yang mungkin dilakukan agent. Aksi tersebut-lah yg. mampu

memindahkan agent dari satu state ke state lain yang masih berada dalam state space-nya (himpunan seluruh state yang dapat dicapai dari initial state melalui serangkaian aksi, merupakan gabungan antara initial state dng. state-state yg. dihasilkan oleh operator yg. ada).

– Goal test :• Menentukan apakah goal space telah tercapai atau belum.

• Solusi : path yg. menghubungkan intial state dng. goal state.

4

Problem Definition

– Path cost function (g):• Menentukan path mana (dlm. hal ini dapat dianggap juga rangkaian

aksi) mana yg. lebih preferable.

• Problem definition utk. multiple-state problems hampir sama dng. problem definition utk. single-state problems, hanya saja state yg. ada berubah menjadi set of state. Beberapa perubahan:– Initial state menjadi : Initial state set.

– State space menjadi : State set space.

– Path menghubungkan set of states satu ke set of states lain.

– Solusi : path yg. menghubungkan initial state set ke set of goal states.

5

Searching

• Secara garis besar, searching dibedakan menjadi:– Uninformed search (blind search).

• Tidak ada informasi mengenai jarak/cost dari current state ke goal state.

– Informed search. (heuristic search)• Ada informasi mengenai jarak/cost dari current state ke

goal state.

• Hal yg. perlu diperhatikan dlm. searching :– Completeness: jk. solusi ada, apakah pasti akan

ditemukan ?– Optimallity: jk. ada > 1 solusi, apakah selalu solusi

terbaik yg. diperoleh ?– Time Complexity: waktu yg. dibutuhkan utk.

mendpt. solusi. – Space complexity: memory yg. dibutuhkan utk.

melakukan searching.

6

7

Searching

• Contoh uninformed search :– Breadth-first search (BFS).

– Uniform cost search.

– Depth-first search (DFS).

– Depth-limited search.

– Iterative deepening search (IDS).

– Bidirectional search.

8

Breadth-First Search (BFS)

• Semua node solusi pada level n akan dikunjungi terlebih dahulu sebelum level n+1

• Pencarian mulai dari akar kemudian ke level 1 mulai dari kiri ke kanan

• Complete (Jika ada satu solusi maka Bredth-First Search akan menemukannya)

• Membutuhkan memori yang cukup banyak• Struktur data : queue.• Optimal (jk. kedalaman node = path cost).

9

Uniform Cost Search

• Utk. mengatasi agar search tetap optimal meskipun kedalaman node != path cost. Node diurutkan & di-expand berdasarkan path cost-nya. Akan = BFS jk. semua node n memiliki path cost(n)= depth(n).

• Complete.• Optimal (jk semua path cost non-decreasing/tidak ada

yg. negatif), lihat contoh di papan.

10

Depth-First Search (DFS)

• Proses pencarian dilakukan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel

• Struktur data : stack.• Tidak complete (bisa solusi ada, tapi stuck di inf. loop). • Tidak optimal (bisa solusi yg. lebih baik ada, tapi yg.

keambil yg. kurang baik).• Keuntungan : Memori relatif kecil, Secara kebetulan

akan menemukan solusi tanpa harus meguji lebih banyak lagi

11

Depth-Limited Search

• Sama dng. DFS, hanya saja depth yg. akan di-expand dibatasi. Hal ini utk. menghindari inf. loop/pencarian yg. tdk. optimal krn. mencari terlalu dalam.

• Complete (batas depth >= depth(solusi) / Tidak complete (bisa solusi ada, tapi > batas depth).

• Tidak optimal (bisa ada > 1 solusi pd. depth < batas depth, tapi yg. keambil solusi yg. kurang baik).

12

Iterative Deepening Search (IDS)

• Gabungan antara BFS & DFS. Pencarian dilakukan per level. Utk. tiap level, dilakukan DFS dng. level tersebut sebagai batas depth.

• Mengatasi kesulitan mencari batas depth pd. depth limited search.

• Complete.• Optimal.

13

Bidirectional Search

• Pencarian dilakukan 2 arah, dari root & dari goal. Solusi berhasil ditemukan ketika path dari root & goal bertemu.

• Complete.• Optimal.

14

Constraint Satisfaction Problem (CSP)

• States : values of a set of variables.• Goal test : a set of constraints that the values must obey.• Dapat diselesaikan dng. metode searching biasa & dpt. pula

dng. algoritma khusus (constraint satisfaction search, lebih efisien).

• CSP dapat dikelompokkan menjadi :– Berdasarkan banyaknya variabel dng. constraint :

• Unary, binary, higher-order.

– Apakah constraint merupakan keharusan atau preference :• Absolute, preference.

– Berdasarkan nilai domain :• Discrete, continuous.

15

Constraint Satisfaction Search

• Dng. memanfaatkan constraint, node yg. perlu di-expand menjadi lebih sedikkit shg. waktu yg. dibutuhkan oleh searching lebih sedikit.

• Ada 2 macam :– Backtracking search.

• Memeriksa yg. telah di-expand.

– Forward checking.• Memeriksa dulu sebelum meng-expand.

Informed Search (Heuristic)

• Pendakian Bukit (Hill Climbing) • Pencarian Terbaik Pertama (Best First Search) • Pembangkit & Pengujian (Generate & Test) • Simulated Annealing

16