Intelligenza Artificiale. Lezione 3. Intelligenza Artificiale Daniele Nardi, 2004/05 Lezione 3 0

Transcript

1 Intelligenza Artificiale ezione 3 Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 0

2 isoluzione automatica di problemi Prolem solving sommario(ussell&norvig Cap. 3) Agenti risolutori di problemi Tipi di problemi Formulazione del problema Esempi di problemi Algoritmi di ricerca elementari Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 1

3 Architetture di agente agenti basati su riflessi semplici (stimolo risposta, tropistici): reagiscono agli stimoli agenti basati su modelli costruiscono una rappresentazione del mondo agenti basati su obiettivi individuano degli obiettivi e cercano di raggiungerli agenti basati su utilità valutano l utilità degli stati in base alla misura di prestazioni e cercano di massimizzarla Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 2

4 Progetto di agenti basati su obiettivi ricerca traduzione della conoscenza in una rappresentazione specializzata degli stati e in un insieme di operatori inferenza rappresentazione dello stato e tecniche di ragionamento generali. pianificazione rappresentazione esplicita dello stato e metodi specializzati per la specifica delle azioni ed il ragionamento; Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 3

5 agente risolutore di problemi formulazione del problema: individuazione degli stati, l insieme degli stati si definisce spazio degli stati stato iniziale operatori (azioni che caratterizzano le transizioni di stato); cammino nello spazio degli stati è una sequenza di operatori formulazione obiettivo: insieme di stati o test obiettivo ricerca: processo che individua una soluzione del problema, cioè un cammino dallo stato iniziale ad uno degli stati finali. esecuzione: l agente esegue le azioni specificate dalla soluzione Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 4

6 function emplice-agente-isolutore-problemi( p) returns un azione inputs: p, una percezione static: s, una sequenza di azioni, inizialmente vuota stato, descrizione dello stato attuale g, un obiettivo, inizialmente nullo problema, formulazione di un problema stato Aggiorna-tato(stato,p) if s è vuota then g Formula-Obiettivo(stato) problema Formula-Problema(stato,g) s Cerca( problema) azione accomanda(s,stato) s esto(s,stato) return azione Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 5

7 Esempio: omania In viaggio in omania; correntemente in Arad. Il volo parte domani da Bucarest Formulazione dell obiettivo: essere a Bucarest Formulazione del problema: stati: varie città operatori: guidare tra le città Trovare una soluzione: sequenza di città, per es., Arad, ibiu, Fagaras, Bucarest Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 6

8 Esempio: omania 71 Oradea Neamt Zerind 75 Arad Timisoara Dobreta 151 ibiu 99 Fagaras 80 imnicu Vilcea ugoj Mehadia 120 Pitesti Bucharest Craiova 90 Giurgiu 87 Iasi Urziceni Vaslui Hirsova 86 Eforie Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 7

9 Tipi di problemi Deterministico, osservabile = problema a stati singoli Non Osservabile = problema a stati multipli conformant problem Nondeterministico, parzialmente osservabile = problemi di contingenza deve usare sensori durante l esecuzione; la soluzione è un albero spesso si fa un interleave di ricerca e esecuzione. pazio degli stati sconosciuto = problema di esplorazione ( online ) icerca automatica offline: la risoluzione di problemi Online richiede di agire senza conoscenza completa del problema e della soluzione. Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 8

10 Il mondo dell aspirapolvere tato singolo, start in #5. olution?? [ight, uck] Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 9

11 Mondo non osservabile - conformant ingle-state, start in #5. olution?? [ight, uck] Conformant, start in {1, 2, 3, 4, 5, 6, 7, 8} e.g., ight goes to {2, 4, 6, 8}. olution?? Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 10

12 Mondo parzialmente osservabile - contingenza ingle-state, start in #5. olution?? [ight, uck] Conformant, start in {1, 2, 3, 4, 5, 6, 7, 8} e.g., ight goes to {2, 4, 6, 8}. olution?? [ight, uck, ef t, uck] Contingency, start in #5 Murphy s aw: uck can dirty a clean carpet ocal sensing: dirt, location only. olution?? [ight, if dirt then uck] Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 11

13 Formulazione del problema a stati singoli Un problema è definito da quattro componenti: stato iniziale e.g., ad Arad operatori (o funzioni successore (x)) e.g., Arad Zerind Arad ibiu etc. test obiettivo, può essere esplicito, e.g., x = a Bucarest implicito, e.g., pulito(x) costo di cammino (additivo) e.g., somma delle distanze, numero di operatori, etc. Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 12

14 cegliere lo spazio degli stati Il mondo reale è molto complesso per fare ricerca automatica di soluzioni lo spazio degli stati deve essere una astrazione stato (astratto) = insieme di stati reali operatore (astratto) = sintesi di azioni reali complesse e.g., Arad Zerind rappresenta un insieme di possibili strade, deviazioni, posti ristoro, etc. Per garantire la realizzabilità ogni stato reale in Arad deve portare a qualche stato reale in Zerind soluzione (astratta) = insieme di cammini che sono soluzioni nel mondo reale Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 13

15 Esempio: il mondo dell aspirapolvere stati: coordinate intere della sporcizia e dell aspirapolvere operatori: inistra, Destra, Aspira test obiettivo: niente sporco costo di cammino: 1 per operatore Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 14

16 Esempio: il gioco dell otto tart tate Goal tate stati: coordinate delle tessere (senza posizioni intermedie) operatori: muovere la tessera vuota a dx, sx, su, giù test obiettivo: = stato obiettivo prefissato costo di cammino: 1 per mossa [Nota: la soluzione di giochi della famiglia degli n-puzzle è NP-hard] Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 15

17 Problemi a stati multipli spazio dell insieme degli stati insieme di stati iniziali gli operatori specificano gli insiemi di stati raggiunti a partire da ciascuno stato l applicazione di un operatore ad un insieme di stati si ottiene facendo l unione degli insiemi di stati ottenuti applicando un operatore a ciascuno degli stati dell insieme di partenza una soluzione è un cammino che conduce ad un insieme di tutti stati obiettivo Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 16

18 Esempio: il mondo dell aspirapolvere Il robot non conosce la propria posizione, nè sapere dove c è sporcizia. insiemi di stati: sottoinsiemi di stati 1 8 operatori: inistra, Destra, Aspira test obiettivo: tutti gli stati nell insieme degli stati non contengono sporcizia costo di cammino: 1 per operatore o stato iniziale è l insieme di tutti gli stati. Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 17

19 Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 18

20 Esempio: robot per assemblaggio pezzi P stati: coordinate a valori reali degli angoli dei giunti del robot e parti dell oggetto da assemblare operatori: movimenti continui dei giunti del robot test obiettivo: assemblaggio completo costo di cammino: tempo di esecuzione Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 19

21 Cannibali e Missionari uppose you have a raw boat obot o barca? 3 Cannibali e 3 missionari devono attraversare un fiume con una barchetta che contiene due passeggeri al massimo. I missionari devono sempre in numero maggiore (o uguale) dei cannibali altrimenti vengono mangiati dai cannibali. Come fanno i missionari ad attraversare il fiume senza essere mangiati? Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 20

22 Problemi veri trovare il percorso (voli aerei) disegno VI movimento robot mobili sequenze di assemblaggio ricerca in Internet Intelligenza Artificiale Daniele Nardi, 2004/05 ezione 3 21