La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Algorithmes d’exploration Algorithmes d’exploration Luc Lamontagne PLT 3990 Tiré du matériel.

Présentations similaires


Présentation au sujet: "Algorithmes d’exploration Algorithmes d’exploration Luc Lamontagne PLT 3990 Tiré du matériel."— Transcription de la présentation:

1 Algorithmes d’exploration Algorithmes d’exploration Luc Lamontagne PLT Tiré du matériel de Brahim Chaib-draa (A09) 1

2 Planification de trajectoire Représentation continue (espace des configurations) Discrétisation Recherche dans un graphe (blind, best-first, A*) Le contenu de cette section

3 Recherche dans un graphe 3 environnement représentation discrète représentation par graphe

4 Plan Agent de résolution de problèmes Stratégies de recherche Recherche non-informée Largeur d’abord, profondeur d’abord, etc. Recherche informée Meilleur d’abord, A*, etc. Quelques exemples 4

5 5 Rappel - Agent basé sur les buts Capteurs Comment le monde est maintenant? Quelle action dois-je faire maintenant? Effecteurs Agent Environnement État Comment le monde évolue? Quel est l’impact de mes actions? Comment sera le monde si je fais l’action A? Buts Goal-based agent

6 6 Agent basé sur les buts : Agent de résolution de problèmes 1. Formulation d’un but: Un état à atteindre. 2. Formulation du problème: Les états et les actions à considérer. 3. Exploration de solution: Examiner les différentes séquences d’actions menant à un état but; Et choisir la meilleure. 4. Exécution: Accomplir la séquence d’actions sélectionnées.

7 7 Agent basé sur les buts : Agent de résolution de problèmes

8 8 Exemple de formulation de problèmes : Planification de route

9 9 On est à Arad et on veut aller à Bucharest  Problème: États : villes Actions : aller d’une ville à une autre.  But : Être à Bucharest  Solution : Une séquence de villes. Par ex. Arad, Sibiu, Fagaras, Bucharest  Coût : Distance entre les deux villes (en km) Environnement simple  statique, observable, discret et déterministe

10 10 Exemple de formulation de problèmes : 8-puzzle États :  Positions des huit tuiles dans les cases. État initial :  Les huit tuiles dans n’importe quelle case. Actions :  Déplacement du trou droite, gauche, haut, bas. Test de but :  Un état qui correspond à l’état final. Coût :  Chaque action coûte État but État initial

11 11 Exemple de formulation de problèmes : 8-reines États  Une configuration de 0 à 8 reines sur l’échiquier. État initial  Aucune reine sur l’échiquier. Actions  Ajouter une reine sur une case vide. Test de but  Les 8 reines sont placés sur l’échiquier sans attaque. Coût  Chaque action coûte 1 (sans intérêt!).

12 12 Exploration de solutions dans un arbre Exloration obtenue par simulation On simule l’exploration de l’espace d’états en générant des successeurs pour les états déjà explorés. Exploration de type hors-ligne (offline)

13 13 Exemple d’exploration dans un arbre

14 14 Exemple d’exploration dans un arbre

15 15 Exemple d’exploration dans un arbre

16 16 Exploration dans un arbre : Mise en oeuvre

17 17 Exploration de solutions dans un arbre Simuler l’exploration de l’espace d’états en générant des successeurs pour les états déjà explorés. Nœud de recherche  État: l’état dans l’espace d’état.  Nœud parent: Le nœud dans l’arbre de recherche qui a généré ce nœud.  Action: L’action qui a été appliquée au parent pour générer ce nœud.  Coût du chemin: Le coût g(n) du chemin à partir de l’état initial jusqu’à ce nœud.  Profondeur: Le nombre d’étapes dans le chemin à partir de l’état initial.

18 18 Stratégies d’exploration Détermine l’ordre de développement des nœuds. Explorations non informées  Aucune information additionnelle.  Elles ne peuvent pas dire si un nœud est meilleur qu’un autre.  Elles peuvent seulement dire si l’état est un but ou non. Explorations informées (heuristiques):  Elles peuvent estimer si un nœud est plus prometteur qu’un autre.

19 19 Évaluation des stratégies Complétude:  Est-ce que l’algorithme garantit de trouver une solution s’il y en a une? Optimalité:  Est-ce que la stratégie trouve la solution optimale? Complexité en temps:  Combien de temps pour trouver une solution? Complexité en espace:  Quelle quantité de mémoire a-t-on besoin?

20 20 Complexité Elle est exprimée en utilisant les quantités suivantes  B : le facteur de branchement c.-à-d. le nombre maximum de successeurs à un nœud.  D : la profondeur du nœud but le moins éloigné.  M : la longueur maximale d’un chemin dans l’espace d’états. Complexité en temps  le nombre de nœuds générés pendant la recherche. Complexité en espace  le nombre maximum de nœuds en mémoire.

21 21 Stratégies d’exploration non informées Largeur d’abord (Breath-first - BFS) Coût uniforme (Uniform-cost - UFS) Profondeur d’abord (Depth-first - DFS) Profondeur limitée (Depth-limited - DLS) Itérative en profondeur (Iterative deepening - IDS) Bidirectionnelle (Bidirectional search)

22 22 Largeur d’abord (BFS) Approche  Développer tous les noeuds au niveau i  Développer par la suite tous les nœuds au niveau i+1  Et ainsi de suite… Implémenté à l’aide d’une file.  Les nouveaux successeurs vont à la fin.

23 23 A BC DE FG Exemple largeur d’abord A BC DE F G BC File: DEFG Ordre de visite: A – B – C – D – E – F - G

24 24 Propriétés de largeur d’abord Complétude : oui, si b est fini Complexité en temps : O(b d )  1 + b + b 2 + b 3 + … + b d = O(b d ) Complexité en espace : O(b d )  Garde tous les nœuds en mémoire Optimal : non en général.  Oui si le coût des actions est le même pour toutes les actions ProfondeurNœuds (b=10) Temps (1 millions nœuds/sec) Mémoire (1000 octets/ nœuds) minutes103 gigaoctet jours1 pétaoctets

25 25 Coût uniforme (UCS) Développe le nœud ayant le coût le plus faible.  g(n) := coût du nœud initial au nœud développé. File triée selon le coût. Si le coût des actions est toujours le même  Équivalent à largeur d’abord !

26 Coût uniforme (UCS)

27 27 Coût uniforme Complète : oui, si le coût >  Complexité en temps : nombre de nœuds avec g(n) ≤ coût(solution optimale) O(b 1+ C*/ ) où C* est le coût de la solution optimale. Complexité en espace : même que celle en temps Optimal : oui  Les nœuds sont développés en ordre de g(n).

28 28 Profondeur d’abord (DFS) Développe le nœud le plus profond. Implémenté à l’aide d’un pile.  Les nouveaux nœuds générés vont sur le dessus.

29 29 A BC DE HIJK D Exemple profondeur d’abord A BC DE B C Pile: HIJK H E I K J Ordre de visite: A – B – D – H – I – E – J – K - C

30 30 Propriétés de profondeur d’abord Complétude :  Non si la profondeur est infinie, s’il y a des cycles.  Oui, si on évite les états répétés ou si l’espace de recherche est fini. Complexité en temps : O(b m )  Très mauvais si m est plus grand que d.  Mais si les solutions sont denses, il peut être beaucoup plus rapide que largeur d’abord. Complexité en espace : O(bm), linéaire Optimal : Non

31 31 Profondeur limitée (DLS) L’algorithme de profondeur d’abord, mais avec une limite de l sur la profondeur.  Les nœuds de profondeur l n’ont pas de successeurs. Complétude : Seulement si l > d Complexité en temps : O(b l ) Complexité en espace : O(bl), linéaire Optimal : Non!

32 32 A BC DE HIJK D Exemple profondeur limité A BC DE B C Pile: E Ordre de visite: A – B – D – E - C Limite l = 2

33 33 Itérative en profondeur (IDS) Profondeur limitée, mais en essayant toutes les profondeurs: 0, 1, 2, 3, … Évite le problème de trouver une limite pour la recherche profondeur limitée. A les avantages de largeur d’abord (complète et optimale),  Mais a la complexité en espace de profondeur d’abord.  Donc une combinaison des deux stratégies.

34 34 Exemple - itérative en profondeur Ordre de visite: A – A – B – C – A – B – D – E – C – F – G – A – B – D – H – I – E – J – K – C – F – L – M – G – N – O K – C – F – L – M – G – N – O A B DE HIJK C FG LMNO Limite: 0Limite: 1Limite: 2Limite: 3

35 35 Propriétés itérative en profondeur Complétude: Oui Complexité en temps:  (d+1)b 0 + db 1 + (d-1)b 2 + b d = O(b d ) Complexité en espace: O(bd) Optimal?  Oui, si le coût de chaque action est de 1.  Peut être modifiée pour une stratégie de coût uniforme.

36 Stratégie de recherche non-informées : Sommaire 36 Dans ce tableau: (1)b est le facteur de branchement; (2)d est la profondeur du but le - profond; (3)m est la profondeur max; (4)l est la profondeur limite

37 37 Répétition d’états La répétition d’états fait perdre du temps  Dans le pire cas, la recherche tourne en rond dans les cycles créés. Détection de répétitions  Normalement faite en comparant les nouveaux nœuds aux nœuds déjà développés. Avant d’éliminer le nouveau nœud  On doit vérifier s’il est meilleur que le nœud que l’on a déjà.

38 38 Répétition d’états : Exploration de type Graph-Search

39 Exploration de type Graph-Search 39

40 40 Stratégies d’exploration informées Stratégies d’exploration non informées  Ne sont pas très efficaces dans la plupart des cas.  Elles ne savent pas si elles approchent du but. Stratégies d’exploration informées  Elles utilisent une fonction d’estimation Fonction heuristique. Pour choisir les nœuds à visiter.

41 41 Stratégies d’exploration informée Meilleur d’abord (BFS - Best-first) Meilleur d’abord gloutonne (Greedy best-first) A* (A-Star) Algorithmes heuristiques à mémoire limitée  IDA*, RDFS et SMA* Par escalade (Hill-climbing) Par recuit simulé (Simulated annealing) Exploration locale en faisceau (Local beam) Algorithmes génétiques

42 42 Exemple d’exploration: Voyage en Roumanie (avec coûts en km)

43 43 Meilleur d’abord L’idée principale  Utiliser une fonction d’évaluation  Estimer l’intérêt des nœuds  Développer le nœud le plus intéressant. Le nœud à développer est choisi selon une fonction d’évaluation f(n) Une composante importante de ce type d’algorithme est une fonction heuristique h(n)  Elle estime le coût du chemin le plus court pour se rendre au but. Deux types de recherche meilleur d’abord  Meilleur d’abord gloutonne.  A* A B but g(B) h(B) f(B)= g(B) + h(B)

44 44 Meilleur d’abord gloutonne f(n) = h(n) Donc on choisit toujours de développer le nœud le plus proche du but.

45 45 Exemple meilleur d’abord gloutonne Arad 366 Sibiu TimisoaraZerind AradFagarasOradeaRimnicu Vilcea SibiuBucharest 2530 But atteint, l’exploration arrête.

46 46 Propriétés - Meilleur d’abord gloutonne Complétude : Non  Car elle peut être prise dans des cycles.  Mais oui, si l’espace de recherche est fini avec vérification des états répétés. Complexité en temps : O(b m )  Mais une bonne fonction heuristique peut améliorer grandement la situation. Complexité d’espace : O(b m )  Elle retient tous les nœuds en mémoire. Optimale : Non  Elle s’arrête à la première solution trouvée.

47 47 A* (A-star) Fonction d’évaluation: f(n) = g(n) + h(n)  g(n) : coût du nœud de départ jusqu’au nœud n  h(n) : coût estimé du nœud n jusqu’au but  f(n) : coût total estimé du chemin passant par n pour se rendre au but. A* utilise une heuristique admissible  c’est-à-dire h(n) ≤ h*(n)  h*(n) est le véritable coût pour se rendre de n au but. Demande aussi que :  h(n) ≥ 0, et que  h(G) = 0 pour tous les buts G.

48 48 Exemple A* Arad 366 = Sibiu TimisoaraZerind 393 = = = AradFagarasOradeaRimnicu Vilcea 646 = = = = SibiuBucharest 591 = = CraiovaPitestiSibiu 553 = = = CraiovaBucharestRimnicu Vilcea 607 = = = But atteint, la recherche arrête.

49 49 Propriétés de A* Complétude : Oui  À moins qu’il y est une infinité de nœuds avec f ≤ f(but). Complexité de temps : Exponentielle  Selon la longueur de la solution. Complexité en espace : Exponentielle  Selon la longueur de la solution.  Elle garde tous les nœuds en mémoire. Optimale : Oui  Habituellement, on manque d’espace longtemps avant de manquer de temps.

50 50 Exploration heuristique à mémoire limitée A* est parfois trop gourmand en mémoire. Il existe des algorithmes pour surmonter ce problème dont:  IDA*;  RBFS;  SMA*. Ces algorithmes permettent de préserver l’optimalité et la complétude. L’augmentation du temps d’exécution est raisonnable.

51 51 Exploration heuristique à mémoire limitée IDA* ( Iterative-deepening A* )  C’est un algorithme de profondeur itérative  Utilise la valeur f(n) comme limite Contrairement à la profondeur pour IDS.  À chaque itération : On fixe la limite à la plus petite valeur f(n) de tous les nœuds qui avaient une valeur plus grande que la limite au tour précédent.

52 52 Exemple IDA* Arad 366 = Sibiu TimisoaraZerind 393 = = = Limite: 366

53 53 Exemple IDA* Arad 366 = Sibiu TimisoaraZerind 393 = = = AradFagarasOradeaRimnicu Vilcea 646 = = = = Limite: 393

54 54 Exemple IDA* Arad 366 = Sibiu TimisoaraZerind 393 = = = AradFagarasOradeaRimnicu Vilcea 646 = = = = CraiovaPitestiSibiu 553 = = = Limite: 413

55 55 Exemple IDA* Arad 366 = Sibiu TimisoaraZerind 393 = = = AradFagarasOradeaRimnicu Vilcea 646 = = = = SibiuBucharest 591 = = CraiovaPitestiSibiu 553 = = = Limite: 415

56 56 Exemple IDA* Arad 366 = Sibiu TimisoaraZerind 393 = = = AradFagarasOradeaRimnicu Vilcea 646 = = = = SibiuBucharest 591 = = CraiovaPitestiSibiu 553 = = = CraiovaBucharestRimnicu Vilcea 607 = = = Limite: 417

57 57 Exemple IDA* Arad 366 = Sibiu TimisoaraZerind 393 = = = AradFagarasOradeaRimnicu Vilcea 646 = = = = SibiuBucharest 591 = = CraiovaPitestiSibiu 553 = = = CraiovaBucharestRimnicu Vilcea 607 = = = But atteint, la recherche arrête. Limite: 418

58 Plan Agent de résolution de problèmes Stratégies de recherche Recherche non-informée Largeur d’abord, profondeur d’abord, etc. Recherche informée Meilleur d’abord, A*, etc. Prochain cours Espaces de configuration Discrétisation d’espaces Quelques exemples d’exploration pour le projet 58


Télécharger ppt "Algorithmes d’exploration Algorithmes d’exploration Luc Lamontagne PLT 3990 Tiré du matériel."

Présentations similaires


Annonces Google