Bài giảng Nhập môn trí tuệ nhân tạo

Nội dung text: Bài giảng Nhập môn trí tuệ nhân tạo

1. HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG NHẬP MÔN TRÍ TUỆ NHÂN TẠO (Dùng cho sinh viên hệ đào tạo đại học từ xa) Lưu hành nội bộ HÀ NỘI - 2007
2. HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG NHẬP MÔN TRÍ TUỆ NHÂN TẠO Biên soạn : PGS.TS. NGUYỄN QUANG HOAN
3. LỜI NÓI ĐẦU Trí tuệ nhân tạo (hay AI: Artificial Intelligence), là nỗ lực tìm hiểu những yếu tố trí tuệ. Lý do khác để nghiên cứu lĩnh vực này là cách để ta tự tìm hiểu bản thân chúng ta. Không giống triết học và tâm lý học, hai khoa học liên quan đến trí tuệ, còn AI cố gắng thiết lập các các yếu tố trí tuệ cũng như tìm biết về chúng. Lý do khác để nghiên cứu AI là để tạo ra các thực thể thông minh giúp ích cho chúng ta. AI có nhiều sản phẩm quan trọng và đáng lưu ý, thậm chí ngay từ lúc sản phẩm mới được hình thành. Mặc dù không dự báo được tương lai, nhưng rõ ràng máy tính điện tử với độ thông minh nhất định đã có ảnh hưởng lớn tới cuộc sống ngày nay và tương lai phát triển của văn minh nhân loại. Trong các trường đại học, cao đẳng, Trí tuệ nhân tạo đã trở thành một môn học chuyên ngành của sinh viên các ngành Công nghệ Thông tin. Để đáp ứng kịp thời cho đào tạo từ xa, Học viện Công nghệ Bưu chính Viễn thông biên soạn tài liệu này cho sinh viên, đặc biêt hệ Đào tạo từ xa học tập. Trong quá trình biên soạn, chúng tôi có tham khảo các tài liệu của Đại học Bách khoa Hà nội [1] giáo trình gần gũi về tính công nghệ với Học viện. Một số giáo trình khác của Đại học Quốc gia thành phố Hồ Chí Minh [], tài liệu trên mạng và các tài liệu nước ngoài bằng tiếng Anh [] cũng được tham khảo và giới thiệu để sinh viên đào tạo từ xa đọc thêm. Tài liệu này nhằm hướng dẫn và giới thiệu những kiến thức cơ bản, các khái niệm, định nghĩa tóm tắt. Một số thuật ngữ được chú giải bằng tiếng Anh để học viên đọc bằng tiếng Anh dễ dàng, tránh hiểu nhầm khi chuyển sang tiếng Việt. Tài liệu gồm các chương sau: - Chương 1 : Khoa học Trí tuệ nhân tạo: tổng quan - Chương 2 : Các phương pháp giải quyết vấn đề - Chương 3 : Biểu diễn tri thức và suy diễn - Chương 4 : Xử lý ngôn ngữ tự nhiên - Chương 5 : Các kỹ thuật trí tuệ nhân tạo hiện đại Còn nhiều vấn đề khác chưa đề cập được trong phạm vi tài liệu này. Đề nghị các bạn đọc tìm hiểu thêm sau khi đã có những kiến thức cơ bản này. Nhiều cố gắng để cập nhật kiến thức nhưng thời gian, điều kiện, khả năng có hạn nên tài liệu chắc chắn còn nhiều thiếu sót. Chúng tôi mong nhận được nhiều ý kiến đóng góp để tài liệu được hoàn thiện hơn cho các lần tái bản sau. TÁC GIẢ
4. CHƯƠNG 1: KHOA HỌC TRÍ TUỆ NHÂN TẠO: TỔNG QUAN Học xong phần này sinh viên có thể nắm được: 1. Ý nghĩa, mục đích môn học; lịch sử hình thành và phát triể. Các tiền đề cơ bản của Trí tuệ nhân tạo (TTNT) 2. Các khái niệm cơ bản, định nghĩa của TTNT. 3. Các lĩnh vực nghiên cứu và ứng dụng cơ bản. Những vấn đè chưa được giải quyết trong TTNT 1.1 LỊCH SỬ HÌNH THÀNH VÀ PHÁT TRIỂN Trong phần này chúng tôi nỗ lực giải thích tại sao chúng tôi coi trí tuệ nhân tạo là một bộ môn đáng nghiên cứu nhất; và nỗ lực của chúng tôi nhằm giải thích trí tuệ nhân tạo là gì. Đây có phải là bộ môn hấp dẫn khi nghiên cứu không. Trí tuệ nhân tạo hay AI (Artificial Intelligence) là một trong những ngành tiên tiến nhất. Nó chính thức được bắt đầu vào năm 1956, mặc dù việc này đã bắt đầu từ 5 năm trước. Cùng với ngành di truyền học hiện đại, đây là môn học được nhiều nhà khoa học đánh giá: “là lĩnh vực tôi thích nghiên cứu nhất trong số những môn tôi muốn theo đuổi”. Một sinh viên vật lý đã có lý khi nói rằng: tất cả các ý tưởng hay đã được Galileo, Newton, Einstein tìm rồi; một số ý tưởng khác lại mất rất nhiều năm nghiên cứu trước khi có vai trò thực tiễn. AI vẫn là vấn đề để trống từ thời Einstein. Qua hơn 2000 năm, các triết gia đã cố gắng để hiểu cách nhìn, học, nhớ và lập luận được hình thành như thế nào. Sự kiện những chiếc máy tính có thể sử dụng được vào đầu những năm 50 của thế kỉ XX đã làm các nhà tri thức thay đổi hướng suy nghĩ. Rất nhiều người cho rằng: “những trí tuệ siêu điện tử” mới này đã cho ta dự đoán được tiềm năng của trí tuệ. AI thực sự khó hơn rất nhiều so với ban đầu mọi người nghĩ. Hiện nay AI đã chuyển hướng sang nhiều lĩnh vực nhỏ, từ các lĩnh vực có mục đích chung chung như nhận thức, lập luận, tư duy logic đến những công việc cụ thể như đánh cờ, cung cấp định lý toán học, làm thơ và chuẩn đoán bệnh. Thường, các nhà khoa học trong các lĩnh vực khác cũng nghiêng về trí tuệ nhân tạo. Trong lĩnh vực này họ thấy các phương tiện làm việc, vốn từ vựng được hệ thống hoá, tự động hoá: các nhiệm vụ trí tuệ là công việc mà họ sẽ có thể cống hiến cả đời. Đây thực sự là một ngành rất phổ biến. 1.1.1. Tư duy như con người: phương pháp nhận thức Nếu muốn một chương trình máy tính có khả năng suy nghĩ như con người, chúng ta phải tìm hiểu con người đã tư duy như thế nào? Có một số tiêu chí xác định như thế nào là suy nghĩ kiểu con người. Chúng ta cần xem công việc bên trong của bộ óc con người. Có hai phương pháp để thực hiện điều này: thứ nhất là thông qua tư duy bên trong - phải nắm bắt được suy nghĩ của con người khi làm việc - thứ hai thông qua thí nghiệm tâm lý. Khi chúng ta đã có được đầy đủ lý thuyết về tư duy thì chúng ta có thể chương trình hoá nó trên máy tính. Nếu đầu vào/ra của chương trình và thời gian làm việc phù hợp với con người thì những chương trình tự động này có thể hoạt động theo con người. Ví dụ, Newell và Simon đã phát triển phương pháp giải quyết vấn đề GPS- General Problem Solver (Newell and Simon 1961). Đây là phương pháp đối lập với các 3
5. nghiên cứu đương thời (như Wang (1960)) ông quan tâm đến việc có được những giải pháp đúng đắn, không quan tâm đến việc con người phải làm như thế nào. 1.1.2. Các qui tắc tư duy Triết gia Aristote là người đầu tiên hệ thống hoá “tư duy chính xác”. Phép tam đoạn luận của ông đưa ra kết luận đúng nếu cả tiền đề chính và tiền đề thứ là đúng. Chẳng hạn: “nếu Sô-crát là con người, mọi con người đều chết, như vậy Sô-crát sẽ chết”. Môn tư duy logic phát triển vào cuối thế kỉ XIX đầu XX. Năm 1965 các chương trình cung cấp cho chúng ta đủ những thông tin, chi tiết về một vấn đề trong tư duy logic và tìm ra phương pháp giải. Nếu vẫn còn vấn đề chưa có cách giải thì chương trình sẽ không ngừng tìm kiếm cách giải. Môn logic truyền thống trong AI là điều mong mỏi để có được một chương trình mô tả hệ thống trí tuệ. 1.1.3. Khởi nguồn của AI (1943 - 1956) Những công việc đầu tiên của AI được Warren McCulioch và Walter Pitts (1943) thực hiện. Họ đã nghiên cứu ba cơ sở lí thuyết: triết học cơ bản và chức năng của các nơ ron thần kinh; phân tích về các mệnh đề logic là của Russell và whitehead và cuối cùng là thuyết dự đoán của Turning. Họ đã đề ra mô hình nơ ron nhân tạo, trong đó mỗi nơ ron được đặc trưng bởi hai trạng thái “bật”, “tắt”. McCulloch và Pitts cũng đã phát hiện: mạng nơ ron có khả năng học. Donald Hebb (1949) sử dụng luật học đơn giản tượng trưng cho việc truyền thông tin giữa các giữa các nơ ron. Đầu những năm 1950, Claude Shannon (1950) và Alan Turning (1953) đã viết chương trình đánh cờ theo cách mà Von Newman sáng chế ra máy tính. Cùng lúc đó, hai sinh viên khoa toán trường đại học Princeton, Marvin Minsky và Dean Edmond đã xây dựng hệ thống máy tính nơ ron đầu tiên vào năm 1951 được gọi là SNARC. Nó sử dụng khoảng 3000 bóng điện tử chân không và thiết bị cơ khí tự động tính giá trị thặng dư từ chùm B-24 để mô phỏng mạng với 40 nơ ron. Nhóm thạc sĩ của Minsky nghi ngờ rằng liệu đây có được coi là một phần của toán học, nhưng Neuman một thành viên của nhóm đã cho biết rằng “nếu bây giờ nó không phải là một phần của toán học thì một ngày nào đó nó sẽ là như thế”. Thật mỉa mai, sau này Minsky lại chính là người chứng minh học thuyết này và đã bác bỏ nhiều hệ thống nghiên cứu về mạng nơ ron trong suốt những năm 1970. Lòng say mê và tôn trọng lớn ngay từ rất sớm (1952-1969) Năm 1958 McCarthy đã định nghĩa ngôn ngữ bậc cao Lisp, và trở thành ngôn ngữ lập trình cho AI. Lisp là ngôn ngữ lập trình lâu đời thứ hai mà hiện nay vẫn sử dụng. Với Lisp, McCarthy đã có phương tiện ông cần, nhưng để đáp ứng được yêu cầu và tài nguyên tính toán là một vấn đề quan trọng. Cũng vào năm 1958, McCarthy xuất bản bài báo “Các chương trình với cách nhìn nhận chung”. Trong bài báo này, ông bàn về chương trình tư vấn, một chương trình giả định được coi là hệ thống AI hoàn thiện đầu tiên. Giống học thuyết logic và cách chứng minh các định lý hình học, chương trình của McCarthy được thiết kế nhằm sử dụng kiến thức để nghiên cứu cách giải quyết vấn đề. Không như các chương trình khác, chương trình này là một bộ phận kiến thức của toàn bộ thế giới quan. Ông chỉ ra rằng làm thế nào để những điều rất đơn giản lại làm cho chương trình có thể khái quát được một kế hoạch đến sân bay và lên máy bay. Chương trình này cũng được thiết kế để nó có thể chấp nhận vài chân lý mới về quá trình thực hiện bình thường. Chính vì vậy, chương trình này có được những khả năng thực hiện trong các chương trình mới mà không cần lập trình lại. 4
6. Năm 1963, McCarthy đã có các nghiên cứu về sử dụng logic để xây dựng chương trình người tư vấ Chương trình này được phát triển do khám phá của Robinson về phương pháp cải cách. Những công việc đầu tiên tạo ra những hệ thống mới của McCulloch và Pitts làm cho chúng phát triển. Các phương pháp nghiên cứu của Hebb đã được Widrow ủng hộ (Widrow và Hoff, 1960; Widrow, 1962). Họ đã đặt tên mang nơ ron là mạng của ông, và cũng được Frank Rosenblatt (1962) củng cố. Rosenblatt chứng minh rằng thuật toán mà ông nghiên cứu có thể thêm vào những khả năng của nhận thức phù hợp với bất cứ dữ liệu đầu vào nào. Những nhà nghiên cứu AI cũng đã dự đoán về những thành công sau này. Herbert Simon đã phát biểu (1957): Không phải mục đích của tôi là làm các bạn ngạc nhiên, nhưng cách đơn giản nhất để có thể khái quát là hiện nay trên thế giới, máy móc có thể suy nghĩ, có thể học và sáng tạo được. Hơn nữa, khả năng của nó là làm việc với tiến độ cao- trong tương lai rõ ràng – cho đến khi vấn đề chúng ta có thể giải được, sẽ cùng tồn tại với tư duy của con người có thể áp dụng được. Năm 1958, ông dự đoán trong 10 năm nữa, một máy tính có thể vô địch trong môn cờ vua, và các định lý toán học mới sẽ được máy chứng minh. 1.2. CÁC TIỀN ĐỀ CƠ BẢN CỦA TTNT Toàn cảnh về phương pháp giải quyết vấn đề hình thành trong thập kỉ đầu nghiên cứu AI là mục đích nghiên cứu nỗ lực liên kết các bước lập luận cơ bản với nhau để tìm ra phương pháp hoàn thiện. Các phương pháp này được coi là các phương pháp kém vì sử dụng thông tin kém về lĩnh vực. Đối với nhiều lĩnh vực phức tạp, thì các phương pháp thực hiện lại rất kém. Cách duy nhất quanh vấn đề là sử dụng kiến thức phù hợp hơn để có bước lặp rộng hơn và để giải quyết các trường hợp nảy sinh nhất định trong các lĩnh vực nhỏ chuyên môn. Chúng ta chắc sẽ nói rằng giải quyết các vấn đề khó thì hầu như phải biết trước đáp án. Chương trình DENDRAL (Buchanan, 1969) là một ví dụ sớm tiếp cận phương pháp này. Nó được phát triển tại Stanford, đây chính là nơi Ed Feigenbaum (một sinh viên chính qui của Herbert Simon). Bruce Buchanan (một triết gia chuyển sang làm nghiên cứu máy tính) và Joshua Lederberg (nhà nghiên cứu di truyền đoạt giải Nobel) đã hợp nhau lại để cùng suy luận, giải quyết vấn đề có cấu trúc phân tử từ những thông tin do máy đo quang phổ cung cấp. Dữ liệu đưa vào chương trình gồm các cấu trúc cơ bản của phân tử (Ví dụ C6H12NO2), và rất nhiều dải quang phổ đưa ra hàng loạt đoạn phân tử khác nhau khái quát chung khi nó cùng một lúc đưa ra các dòng điện tử. Ví dụ dải quang phổ chứa đựng một điểm nhọn tại m=15 tương ứng với một dải của đoạn methyl (CH3). Phiên bản sơ khai của chương trình khái quát được toàn bộ cấu trúc có thể bên trong bằng phân tử và sau đó phỏng đoán bằng cách quan sát mỗi dải quang phổ, so sánh nó với quang phổ thực tế. Như chúng ta nghĩ thì điều này trở nên nan giải đối với các phân tử có kích thước đáng kể. Các nhà nghiên cứu DENDRAL khuyên các nhà phân tích dược khoa và cho thấy rằng họ nghiên cứu bằng cách tìm kiếm các phần bên trên của điểm nhọn trong dải quang phổ, điều đó đưa ra gợi ý chung về các cấu trúc nhỏ bên trong phân tử. Ví dụ, qui luật sau đây được sử dụng để nhận ra một nhóm nhỏ xeton (C=0) Nếu có hai đỉnh x1, x2 như sau: (a) x1+x2 = M+28 (M là khối lượng của phân tử) (b) x1-28 là một đỉnh (c) x2-28 là một đỉnh (d) Có ít nhất một đỉnh x1 hoặc x2 là đỉnh cao. Sau đó có một nhóm nhỏ xeton. 5
7. Khi nhận ra phân tử chứa một cấu trúc nhỏ đặc biệt, số lượng thành phần tham gia có thể bị giảm xuống nhanh chóng. Nhóm DENDRAL kết luận rằng hệ thống mới là rất mạnh bởi vì: toàn bộ kiến thức có liên quan đến giải quyết công việc đã được phác thảo sơ qua từ cấu trúc chung trong [thành phần quang phổ đoán trước] để có những cấu trúc đặc biệt Tầm quan trọng của DENDRAL là nó là hệ thống cảm nhận kiến thức thành công đầu tiên. Các chuyên gia của lĩnh vực này đi sâu từ số lượng lớn các qui luật có mục đích đặc biệt. Các hệ thống sau này cũng không kết hợp lại thành chủ đề chính của phương pháp chuyên gia của McCarthy - phần hoàn toàn tách biệt của kiến thức (trong cấu trúc của qui luật) và thành phần lập luận. Với bài học này, Feigebaum và các thành viên khác tại Stanford bắt đầu lập dự án chương trình Heuristic, để đầu tư mở rộng vào các phương pháp mới của hệ chuyên gia nhằm áp dụng vào các lĩnh vực khác nhau. Những nỗ lực chính sau đó là chuẩn đoán y học. Feigenbaum, Buchanan và Edward Shortlife đã phát triển hệ chuyên gia MYCIN để chẩn đoán bệnh nhiễm trùng máu. Với khoảng 450 luật, hệ chuyên gia MYCIN có thể thực hiện tốt hơn nhiều bác sĩ mới. Nó có hai sự khác biệt cơ bản với hệ chuyên gia DENDRAL. Thứ nhất: không giống như các luật DENDRAL, không một mẫu lý thuyết chung nào tồn tại mà có thể suy luận từ các luật của hệ MYCIN. Các luật phải có câu chất vấn của chuyên gia, người có nhiệm vụ tìm chúng từ kinh nghiệm. Thứ hai: các luật phản ánh mối liên quan không chắc chắn với kiến thức y học. MYCIN kết hợp với hệ vi phân của biến số được coi là các nhân tố phù hợp tốt (ở mọi lúc) với phương pháp mà các bác sĩ tiếp cận với các triệu chứng trong quá trình chuẩn đoán. Cách tiếp cận khác để chuẩn đoán y học cũng được nghiên cứu. Tại trường đại học Rutger, những máy tính trong ngành sinh hoá của Sual Amarel bắt đầu tham vọng nhằm cố gắng chuẩn đoán bệnh tật dựa trên kiến thức được biểu đạt rõ ràng của những chiếc máy phân tích quá trình bệnh tật. Trong khi đó, một số nhóm lớn hơn tại MIT và trung tâm y tế của Anh đang tiếp tục phương pháp chuẩn đoán và điều trị dựa trên học thuyết có tính khả thi và thực tế. Mục đích của họ là xây dựng các hệ thống có thể đưa ra các phương pháp chẩn đoán y học. Về y học, phương pháp Stanford sử dụng các qui luật do các bác sĩ cung cấp ngay từ đầu đã được chứng minh là phổ biến hơn. Nhưng hệ chuyên gia PROSPECTOR (Duda 1979) được công bố cho mọi người bằng cách giới thiệu thiết bị khoan thăm quặng Một vài ngôn ngữ dựa vào logic như ngôn ngữ Prolog phổ biến ở châu Âu, và PLANNER ở Mĩ. Các ngôn ngữ khác, theo sau các ý tưởng của Minsky (1975) chấp nhận phương pháp tiếp cận cấu trúc, thu thập các chứng cứ về đối tượng và các loại sự kiện. 1.3. CÁC KHÁI NIỆM CƠ BẢN 1.3.1. Trí tuệ nhân tạo(AI) là gì? Chúng ta có thể nói: “Tuyệt thật, đây là một chương trình được thực hiện bằng những suy diễn thông minh, vì thế cần phải tiếp tục và mọi người cần bổ sung cho nó”. Nhưng theo sự phát triển của khoa học cho thấy: sẽ có ích nếu ta đi đúng hướng. Định nghĩa về AI đã có tới tám cuốn sách đề cập. Những định nghĩa đó đưa ra trên hai nhận định chính: - Thứ nhất: quan tâm chủ yếu đến quá trình tư duy và lập luận - Thứ hai: vấn đề ít được quan tâm hơn, đó là hoạt động. Một hệ thống được coi là hợp lý nếu như nó thực hiện đúng. Điều này sẽ đưa ngành AI đến 4 mục tiêu.(xem Bảng 1.1). Chúng ta sẽ đi vào chi tiết của từng hướng theo các phát biểu sau đây: 6
8. “Nhng n lc thú v mi đây l “Vic nghiên cu c s trí tu to ra máy tính nhng máy móc thông qua s dng máy vi tính” có trí tu, hiu theo c nghiã đy (Charniak and McDermott, 1985) đ ln ngha bóng”. “Nghiên cu máy tính lm cho (Haugeland, 1985) máy tính có kh nng cm nhn, “[s t đng hoá ca] các hot lp lun v lm vic”. đng đã giúp chúng ta kt hp nhng t duy ca con ngi vi công vic cng nh quyt đnh, gii quyt vn đ, hc tp ” (Winston, 1992) (Bellman 1978) “Ngh thut sáng to máy móc l “Trong lnh vc nghiên cu l đ thc hin chc nng hình thnh t tìm ra cách gii thích v đt duy khi con ngi lm vic” đc nhng hnh đng có t duy (Kurzweil, trong “lnh vc x lý tính toán”. 1990) (Schalkoff, 1990) "Vic nghiên cu lm cách no đ “Trong ngnh khoa hc máy tính bt máy tính lm nhng vic m có liên quan đn s t đng hoá cùng mt lúc con ngi có th lm nhng hot đng mang tính trí tt hn.” tu”. (Rich and Knight, 1991) (Luger and Stubbefield, 1993) Hình 1.1 Những định nghĩa về AI được chia thành 4 nhóm: Hệ thống tư duy như con người Hệ thống tư duy có lập luận Hệ thống hoạt động như con người Hệ thống hoạt động có lập luận Hoạt động như con người: phương pháp trắc nghiệm Turning Phương pháp trắc nghiệm Turning được Alan Turning (1950) đưa ra . Đây là phương pháp nhằm định nghĩa một hoạt động gọi là thông minh. Turning cho rằng: hoạt động trí tuệ là khả năng có được như con người trong những công việc cần tri thức, đủ để đánh lừa người thẩm vấn mình. Nói khái quát, phương pháp trắc nghiệm của ông là: máy tính sẽ bị một người hỏi thông qua giao tiếp gõ chữ qua vô tuyến. Kết thúc thí nghiệm sẽ là lúc người hỏi không còn câu nào để hỏi hoặc cả người và máy đều hoàn thành. Để lập chương trình cho máy tính qua được quá trình kiểm tra cần hoàn thành nhiều việc. Máy tính cần có các khả năng sau: • Xử lý ngôn ngữ tự nhiên để giao tiếp tốt bằng tiếng Anh (hoặc ngôn ngữ khác) 7
9. • Biểu diễn tri thức, lưu trữ thông tin được cung cấp trước hoặc trong quá trình thẩm vấn. • Tự động lập luận để sử dụng thông tin đã được lưu nhằm trả lời câu hỏi và phác thảo kết luận mới. • Máy học: để thích nghi với môi trường mới, kiểm tra và chấp nhận những mẫu mới. • Đối với AI, không cần có sự cố gắng cao mới qua được quá trình kiểm tra của Turning. Khi các chương trình AI giao tiếp trực tiếp với con người thì việc hoạt động được giống như người là vấn đề thiết yếu. Quá trình trình diễn và lý giải những hệ thống như thế có thể hoặc không cần dựa vào con người. 1.3.2. Tri thức là gì? Tri thức là sự hiểu biết bằng lý thuyết hay thực tế vè một chủ đề hay lĩnh vực. Tri thức là tổng của những cái đang biết hiện nay; tri thức là sức mạnh. Những người có tri thư tốt là những chuyên gia (expert). So với chương trình truyền thống (được cấu tạo từ hai “chất liệu” cơ bản là dữ liệu và thuật toán), chương trình trí tuệ nhân tạo được cấu tạo từ hai thành phần là cơ sở tri thức (knowledge base) và động cơ suy diễn (inference engine). 1.3.3. Cơ sở tri thức (Knowledge Base: KB) Định nghĩa: Cơ sở tri thức là tập hợp các tri thức liên quan đến vấn đề mà chương trình quan tâm giải quyết. Cơ sở tri thức chứa các kiến thức được sử dụng để giải quyết các vấn đề (bài toán) trong trí tuệ nhân tao. 1.3.4. Hệ cơ sở tri thức Trong hệ cơ sở tri thức chứa hai chức năng tách biệt nhau, trường hợp đơn gian gồm hai khối: khối tri thức hay còn gọi là cơ sở tri thức; khối điều khiển hay còn gọi là đông cơ suy diễn. Với các hệ thống phức tạp, bản thân động cơ suy diễn cũng có thể là một hệ cơ sở tri thức chứa các siêu tri thức (tri thức về các tri thức). Hình dưới đây mô tả cấu trúc chương trình truyền thống (bên trái) và cấu trúc chương trình trí tuệ nhân tạo (bên phải). DỮ LIỆU DỮ LIỆU CƠ SỞ TRI THỨC THUẬT TOÁN ĐỘNG CƠ SUY DIỄN Động cơ suy diễn: là phương pháp vận dụng tri thức trong cơ sở tri thức để giải quyết vấn đề. 8
10. 1.4 CÁC LĨNH VỰC NGHIÊN CỨU VÀ ỨNG DỤNG CƠ BẢN 1.4.1 Lý thuyết giải bài toán và suy diễn thông minh Lý thuyết giải bài toán cho phép viết các chương trình giải câu đố, chơi các trò chơi thông qua các suy luận mang tính người. Hệ thống giải bài toán GPS do Newel, Shaw và Simon đưa ra rồi được hoàn thiện năm 1969 là một mốc đáng ghi nhớ. Trước năm 1980, Buchanal và Luckham cũng hoàn thành hệ thống chứng minh định lý. Ngoài ra các hệ thống hỏi đáp thông minh như SỈ, QA2, QA3, cho phép lưu trữ và xử lý khối lượng lớn các thông tin. Chương trình của McCarthy về các phương án hành động có khả năng cho các lời khuyên. 1.4.2 Lý thuyết tìm kiếm may rủi Việc tìm kiếm lời giải cũng là việc bài toán. Lý thuyết tìm kiếm nhờ may rủi gồm các phương pháp và kỹ thuật tìm kiếm với sự hỗ trợ của thông tin phụ để giải bài toán một cách hiệu quả. Công trình đáng kể về lý thuyết này là của G.Pearl vào năm 1984. 1.4.3 Các ngôn ngữ về Trí Tuệ Nhân Tạo Để xử lý các tri thức người ta không thể chỉ sử dụng các ngôn ngữ lập trình dùng cho các xử lý dữ liệu số mà cần có các ngôn ngữ khác. Các ngôn ngữ chuyên dụng này cho phép lưu trữ và xử lý các thông tin kí hiệu. Dùng các ngôn ngữ này cũng là cách để trả lời câu hỏi “ thế nào” (what). rồi tới câu hỏi “làm sao vậy”(how). Một số ngôn ngữ được nhiều người biết đến là: • Các ngôn ngữ IPL.V, LISP. • Ngôn ngữ mạnh hơn như PLANNER, PROLOG. Ngay trong một ngôn ngữ cũng có nhiều thế hệ với những phát triển đáng kể. 1.4.4 Lý thuyết thể hiện tri thức và hệ chuyên gia Theo quan điểm của nhiều chuyên gia công nghệ thông tin, trí tuệ nhân tạo là khoa học về thể hiện tri thức và sử dụng tri thức. Người ta nhận xét về phương pháp thể hiện tri thức như sau: • Lược đồ dùng thể hiện tri thức trong chương trình • Mạng ngữ nghĩa, logíc vị từ , khung, mạng là các phương pháp thể hiện tri thức một cách thông dụng. • Dùng khung để thể hiện tri thức chắc chắn là phương pháp có nhiều hữa hẹn trong các năm gần đây. Việc gắn liền cách thể hiện và sử dụng tri thức là cơ sở hình thành hệ chuyên gia. Vậy nên phải kết hợp các quá trình nghiên cứu các quy luật, thiết kế và xây dựng hệ chuyên gia. Tuy nhiên cho đên nay, đa số các hệ chuyên gia mới thuộc lĩnh vực y học. 1.4.5 Lý thuyết nhận dạng và xử lý tiếng nói Giai đoạn phát triển đầu của trí tuệ nhân tạo gắn liền với lý thuyết nhận dạng. Các phương pháp nhận dạng chính được giới thiệu gồm: • Nhận dạng dùng tâm lý học • Nhận dạng hình học • Nhận dạng theo phương pháp hàm thế. • Dùng máy nhận dạng 9
11. Ứng dụng của phương pháp này trong việc nhận dạng trong chữ viết, âm thanh, hình ảnh cho đến ngay đã trở nên quen thuộc. Người ta đã có hệ thống xử lý hình ảnh ba chiều, hệ thống tổng hợp tiếng nói. Do khối lượng đồ sộ của tri thức về lý thuyết nhận dạng. các chương trình sau chưa đề cập đến các phương pháp nhận dạng được. 1.4.6 Người máy Cuối những năm 70, người máy trong công nghiệp đã đạt được nhiều tiến bộ “ Khoa học người máy là nối kết thông minh của nhận thức với hành động”. Người máy có bộ cảm nhận và các cơ chế hoạt động được nối ghép theo sự điều khiển thông minh. Khoa học về cơ học và trí tuệ nhân tạo được tích hợp trong khoa học về người máy. Các đề án trí tuệ nhân tạo nghiên cứu về người máy bắt đầu từ đề án “mắt – tay”. Trong thực tế, người máy được dùng trong các nhiệm vụ chuyên sâu, thuộc các dây truyền công nghiệp. Nội dung về khoa học người máy sẽ được trình bày trong tài liệu riêng, không thuộc các chương của tài liệu này. 1.4.7 Tâm lý học xử lý thông tin Các kết quả nghiên cứu của tâm lý học giúp trí tuệ nhân tạo xây dựng các cơ chế trả lời theo hành vi, có ý thức. Nó giúp thực hiện các suy diễn mang tính người. Hệ thống chuyên gia thương mại đầu tiên, R1, bắt đầu hoạt động tại công ty thiết bị kĩ thuật số (McDemott, 1982). Chương trình giúp sắp xếp cấu hình cho các hệ thống máy tính mới và trước năm 1986, nó đã tiết kiệm cho công ty khoảng 40 triệu dollar mỗi năm. Đến trước năm 1988, nhóm nghiên cứu AI của DEC đã có 40 hệ thống chuyên gia được triển khai. Du pont có 100 chiếc đi vào sử dụng và 500 chiếc được phát triển, tiết kiệm được khoảng 10 triệu dollar mỗi năm. Dường như mỗi một công ty chính của Mĩ đều có một nhóm AI của riêng công ty và cùng sử dụng hoặc đầu tư vào công nghệ hệ chuyên gia. Năm 1981, Nhật bản thông báo về dự án “Thế hệ thứ năm”, kế hoạch 10 năm xây dựng những chiếc máy tính thông minh chạy Prolog giống như những chiếc máy chạy chương trình mã máy. Ý tưởng đó với khả năng thực hiện hàng triệu phép tính mỗi giây, máy tính có thể thuận lợi trong việc lưu trữ hàng loạt luật có sẵn. Dự án được đưa ra nhằm máy tính có thể giao tiếp bằng ngôn ngữ tự nhiên cùng một số các tham vọng khác. Dự án “thế hệ 5” thúc đẩy niềm đam mê vào AI, bằng cách tận dụng nỗi lo lắng của người Nhật, các nhà nghiên cứu, các tổng công ty có thể hỗ trợ chung cho việc đầu tư tương tự như ở nước Mĩ. Tổng công ty công nghệ máy tính và siêu điện tử (MMC) đã được hình thành như một công ty liên kết nghiên cứu dự án của Nhật. Ở Anh, bài báo Alvey làm phục hồi số vốn đã bị bài báo Lighthill làm hụt. Trong cả hai trường hợp, thì AI đều là một phần trong nỗ lực lớn bao gồm cả thiết kế con chip và nghiên cứu giao diện với con người. Bùng nổ công nghiệp AI cũng bao gồm cả các công ty như tập đoàn Carnegie, Inference, Intellicorp, và Teknowledge các công ty này yêu cầu các công cụ phần mềm để xây dựng hệ chuyên gia và các công ty phần cứng như Lisp Machine, công ty thiết bị Texas, Symbolic và Xerox đã xây dựng hệ thống làm việc tối ưu để phát triển các chương trình Lisp. Trên 100 công ty lắp ráp hệ thống công nghiệp robot. Nói chung ngành công nghiệp đi từ mức chỉ bán được vài triệu trong năm 1980 lên 2 tỉ dollar năm 1988. Mặc dù khoa học máy tính bỏ quên lĩnh vực mạng nơ ron sau khi cuốn sách “khả năng nhận thức” của Minsky và Papert ra đời, nhưng các lĩnh vực khác vẫn tiếp tục, đặc biệt là vật lý. Một số 10
12. lượng lớn các nơ ron đơn giản đã có thể coi như một số nguyên tử trong chất rắn. Các nhà vật lý học như Hopfield (1982) đã sử dụng các kĩ thuật cơ học thống kê dẫn tới các ý tưởng thụ thai chéo quan trọng. Các nhà triết học David Rumelhart và Geoff Hinton nghiên cứu các mẫu mạng nơ ron trí nhớ. Vào những năm 1980, có ít nhất bốn nhóm khác nhau nghiên cứu lại thuật toán Back-propagation. Thuật toán này được công bố lần đầu vào năm 1969 bởi Bryson và Ho. Thuật toán được áp dụng rất nhiều trong khoa học máy tính và tâm lý học, và phổ biến kết quả trong cuốn “xử lý phân tán song song” (Rumelhart và McClelland, 1986). Những năm gần đây, chúng ta đã chứng kiến sự thay đổi rất lớn trong nội dung và phương pháp nghiên cứu AI. Nó trở nên phổ biến khi dựa trên các lý thuyết có sẵn. Trong những năm 1970, một số lớn các kiến trúc và các phương pháp đã buộc phải thử. Rất nhiều trong số này, thậm trí là ad hoc và fragile và được tượng trưng ở một vài ví dụ được chọn là đặc biệt. Trong những năm gần đây, các phương pháp dựa trên mô hình Markov ẩn (HMMs) đã thống trị lĩnh vực này, hai khía cạnh của HMMs có liên quan đến những vấn đề bàn luận hiện tại. Đầu tiên, chúng được dựa trên lý thuyết toán học chính xác. Điều này cho phép các nhà nghiên cứu tiếng nói xây dựng các kết quả toán học của một vài thập kỉ đã được phát triển ở một số lĩnh vực khác. Thứ hai, chúng đã được sinh ra bởi một quá trình xử lý trên tập dữ liệu tiếng nói. Chắc chắn rằng thực hiện đó là dạng thô, và trong các trắc nghiệm HMMs khắt khe không rõ ràng đã tiến triển đều đặn. Lĩnh vực khác xem ra có lợi ích từ sự chính thức hoá là lập kế hoạch. Công việc sớm được thực hiện bởi Austin Tate (1977), sau đó là David Chapman (1987) đã có kết quả trong sự tổng hợp của các chương trình lập kế hoạch vào một khung làm việc đơn giản. Đã có một vài lời khuyên rằng nên xây dựng trên mỗi cái khác nhau hơn là bắt đầu từ con số không tại mỗi thời điểm. Kết quả của các hệ thống lập kế hoạch đó chỉ thực sự tốt trong các thế giới thu hẹp, trong năm 1970 nhiệm vụ lập lịch cho công việc của nhà máy. Xem Chương 11 và 12 để biết thêm chi tiết. Cuốn Tranh luận theo xác suất trong các hệ thống thông minh đã đánh dấu một sự tán thưởng của lý thuyết quyết định và xác suất trong AI, tiếp theo sự hồi sinh của một sự thu nhỏ lí thú theo bài báo “Trong biện hộ của xác suất” của Peter Cheeseman (1985). Tin tưởng rằng hình thức mạng là phát minh đã cho phép tranh luận hiệu quả về chứng minh của sự phối hợp không chắc chắn. Cách tiếp cận lớn này vượt qua được vấn đề các hệ thống lập luận có khả năng trong những năm 1960 đến 1970 Chương 14 tới 16 bàn tới lĩnh vực này. Cũng tương tự như cuộc cách mạng trong lĩnh vực người máy, khả năng của máy tính, máy học (bao gồm cả các mạng neural) và sự trình diễn tri thức. Một cách hiểu tốt nhất của các vấn đề và sự phức tạp các thuộc tính, phối hợp cùng với sự ngụy biện đã gia tăng trong toán học, đã có sự chỉ đạo về lịch nghiên cứu công việc có khả năng và các phương pháp dạng thô. Có lẽ được khuyến khích bởi sự tiến triển trong giải quyết các vấn đề con của AI, các nhà nghiên cứu đã bắt đầu tìm kiếm “yếu tố đầy đủ” cho vấn đề. Công việc của Allen Newel, John Laird và Paul Rosenbloom ở SOAR (Newel, 1990; Laird 1987) là những ví dụ hiểu biết tốt nhất của một yếu tố hoàn chỉnh về kiến trúc trong AI. Cũng gọi là hành động có mục đích “trong những hoàn cảnh xác định” của các yếu tố đưa vào trong các môi trường thực tế với các đầu vào cảm biến liên tục. Nhiều kết quả lý thú đã được tìm thấy trong công việc; bao gồm sự thực rằng trước đó các lĩnh vực con riêng biệt của AI cần tái tạo lại cái gì đó khi mà các kết quả của họ là cùng chỗ trong thiết kế một yếu tố riêng rẽ. 11
13. 1.5 NHỮNG VẤN ĐỀ CHƯA ĐƯỢC GIẢI QUYẾT TRONG TRÍ TUỆ NHÂN TẠO Kiện tướng cờ vua quốc tế Amold Denker, nghiên cứu các quân cờ trên bàn cờ trước mặt ông ta. Ông ta không hy vọng là hiện thực: ông phải từ bỏ cuộc chơi. Đối thủ của ông, HITECH, đã trở thành chương trình máy tính đầu tiên đánh thắng một kiện tướng cờ trong một ván chơi (Berliner, 1989). “Tôi muốn đi từ Boston tới San Francisco” một người du lịch nói trong micro. “Bạn sẽ đi vào thời gian nào?” là câu hỏi lại. Người du lịch giải thích rằng cô ấy muốn đi vào ngày 20 tháng 10, trên chuyến rẻ nhất có thể, và trở về vào ngày Chủ nhật. Một chương trình giao tiếp bằng tay có thể hiểu được hành động nói của người là PEGASUS, đó là kết quả khiêm tốn dùng để đặt chỗ chuyến đi du lịch với giá 894 dollar bằng xe khách đường dài. Mặc dù vậy chương trình nhận biết tiếng nói có quá 10 từ bị sai, nó có thể là sự tổng hợp từ các lỗi nhỏ bởi vì sự hiểu của nó từ các hội thoại là đưa vào cùng một lúc (Zue 1994). Một phân tích từ nơi điều khiển các nhiệm vụ của phòng thí nghiệm Jet Propulsion bắt đầu xu hướng thanh toán. Một thông báo màu đỏ xuất hiện trên màn hình chỉ ra rằng “sự không bình thường” với người du hành trên tàu không gian, đó là một nơi nào đó trong vùng xung quanh sao Hải vương. May thay, vấn đề phân tích có thể đúng từ mặt đất. Những người điều khiển tin tưởng rằng có vấn đề phải được bỏ qua đó là MARVEL, một hệ chuyên gia thời gian thực có các màn hình, dòng dữ liệu thô được chuyển từ tàu không gian, các công việc điều khiển chương trình và phân tích cảnh báo đối với những vấn đề nghiêm trọng TỔNG KẾT Chương này đưa ra các định nghĩa về AI và thiết lập lại các cơ sở của nó, đó là sự phát triển. Một số các điểm quan trọng đáng lưu ý như sau: Người ta nghĩ về AI có khác nhau. Có hai câu hỏi quan trọng đó là: bạn có quan tâm đến suy nghĩ hoặc hành vi? và Bạn có muốn hình mẫu con người hoặc từ một ý tưởng chuẩn mực? Các nhà triết học (quay trở lại năm 400 tr.CN) đưa ra ý kiến cho rằng não bộ cũng như một chiếc máy, rằng nó được điều khiển bằng tri thức đã được mã hoá, và ý nghĩ có thể mang theo thói quen giúp đỡ những hành động đúng đắn. Một số nhà toán học đã cung cấp những công cụ các lệnh tính toán logic chắc chắn cũng tốt như là không chắc chắn, các lệnh không chính xác. Họ cũng đặt cơ sở làm việc cho các thuật toán. Ngành tâm lý học củng cố thêm ý tưởng rằng loài người và động vật có thể đưa ra cách xử lý thông tin máy móc. Ngành ngôn ngữ học trình bày rằng ngôn ngữ đủ để dùng trong mô hình này. Ngành công nghiệp máy tính cung cấp các ứng dụng của AI. Các chương trình AI có xu hướng khá lớn, và họ không làm việc được nếu máy tính không có đủ tốc độ và bộ nhớ cần thiết. Lịch sử của AI có các chu kì thành công, tối ưu hoá đặt không đúng chỗ, và kết quả dẫn đến giảm lòng nhiệt tình và chi phí. Cũng đã có những bước lặp chỉ ra được các cách tiếp cận mới và trau dồi có hệ thống trong số các cách đó. Những tiến triển gần đây trong học thuyết căn bản về sự thông minh đã tiến bộ cùng với khả năng của các hệ thống thực tế. Những điểm chú ý về tiểu sử và lịch sử 12
14. Cuốn sách Artificial Intelligence của Daniel Crevier (1993) đưa ra lịch sử khá hoàn chỉnh của lĩnh vực này, và Age of Intelligent Machines của Raymond Kurzweil (1990) về AI trong ngữ cảnh của khoa học máy tính và lịch sử trí tuệ. Các văn bản của Dianne Martin (1993) cũng công nhận rằng từ rất sớm các máy tính là có khả năng bởi sức mạnh thần kỳ của trí tuệ. Phương pháp luận trạng thái của AI được Herb Simon bàn tới trong The Sciences of the Artificial (1981), đó là các lĩnh vực nghiên cứu được quan tâm cùng với các đồ tạo tác phức tạp. Nó cũng lý giải tại sao AI có thể có tầm nhìn trên cả hai lĩnh vực toán học và khoa học. Artificial Intelligence: The very Idea bởi John Haugeland (1985) đã đưa ra sự tường thuật có thể đọc được của triết học và các vấn đề của AI. Khoa học nhận thức được mô tả tốt nhất bởi Johnson Laird, Máy tính và não bộ: giới thiệu về khoa học nhận thức. Baker (1989) gồm cả phần cú pháp của ngôn ngữ học hiện đại, cùng Chierchia và McConnel-Ginet (1990) bao gồm cả ngữ nghĩa, Allen (1995) bao gồm cả ngôn ngữ học từ quan điểm của AI. Feigenbaum và Feldman đã làm việc với AI từ rất sớm, cuốn sách của họ có tựa đề Máy tính và suy nghĩ. Cuốn Xử lý thông tin ngữ nghĩa của Minsky và một loạt bài viết về Trí tuệ máy của Donald Michie. Một số lượng lớn các trang báo được tập hợp lại trong Sự hiểu biết trong AI (Webber và Nilsson, 1981). Các cuộc hội thảo xuất hiện gần đây bàn về vấn đề chính của AI, đó là: thống nhất cứ hai năm một lần diễn ra hội thảo quốc tế AI, gọi tắt là IJCA (International Joint Conference AI), và hội thảo diễn ra hàng năm ở mức quốc gia về AI, và AAAI là tổ chức đứng ra bảo trợ cho AI. Các tạp chí chuyên ngành chung về AI là AI, Computation Intelligence, tổ chức IEEE Transactions on Pattern Analysis and Machine Intelligence, và tạp chí điện tử Journal of Artificial Intelligence Research. Các sản phẩm thương mại đưa ra trong các tạp chí như AI Expert và PC AI. Tổ chức xã hội chuyên nghiệp về AI là American Association for AI (AAAI), ACM Special Interest Group in AI (SIGART) và AISB (Society for AI and Simulation of Behaviour). Tạp chí về AI của AAAI và SIGART Bullentin có rất nhiều các đề tài và thầy hướng dẫn tốt như là thông báo của các cuộc hội thảo và thảo luận. Ở Việt Nam gần đây có tổ chức các Hội nghi Khoa học: Hệ mờ mạng nơ ron; Hoi thảo Quốc gia vè Hệ mờ do viện Toan học, Viện Công nghệ Thông tin thuộc viện Khoa học Công nghệ Quốc gia tổ chức hàng năm. BÀI TẬP VÀ CÂU HỎI 1. Chúng tôi đưa ra định nghĩa của AI theo hai khía cạnh, con người, ý tưởng và hành động. Nhưng có nhiều khía cạnh khác có giá trị đáng xét đến. Một trong số đó là sự chọn lựa giữa: sự phấn khích của chúng tôi về các kết quả lí thuyết hoặc các ứng dụng thực hành. Một khía cạnh nữa là chúng tôi có dự kiến có thể nhận ra các máy tính của chúng tôi có thông minh hay không. Đã có 8 định nghĩa tiêu biểu trong Hình 1.1 và có 7 định nghĩa theo bốn khía cạnh chúng tôi vừa đề cập và bạn có cảm thấy các định nghĩa là hữu ích sau đây AI là a. “một tập hợp các thuật toán dễ tính toán, thích hợp tính gần đúng cho các bài toán đặc biệt khó .” (Partridge, 1991) b. “sự tham gia vào xây dựng một hệ thống kí hiệu vật lí sao cho có thể vượt qua trắc nghiệm của Turning.” c. “lĩnh vực khoa học máy tính nghiên cứu về các máy có thể hành động thông minh ra sao.” (Jackson, 1986) 13
15. d. “một lĩnh vực nghiên cứu đó là xoay quanh các kĩ thuật tính toán, cho phép thực hiện các công việc đòi hỏi thông minh thực sự khi có con người tham dự.” (Tanimoto, 1990) e. “một sự đầu tư rất lớn của trí tuệ của tự nhiên và các nguyên lí, các máy móc yêu cầu sự am hiểu hoặc tái tạo nó .” (Sharples , 1989) f. “Lợi ích của máy tính là làm được mọi thứ, xem nó như là thông minh.” (Rowe, 1988) 2. Nghiên cứu tài liệu AI để tìm ra các công việc nào dưới đây có thể giải quyết được bằng máy tính: a. Trò chơi bóng bàn b. Lái xe ở trung tâm Cairô c. Khám phá và chứng minh các lý thuyết toán học mới. d. Viết một truyện cười e. Đưa ra một lời khuyên khá hợp lý trong phạm vi liên quan đến luật pháp. f. Dịch tiếng Anh sang tiếng Việt theo thời gian thực. 3. Thực tế, hư cấu và dự đoán: a. Tìm một bản công bố của một nhà triết học hoặc nhà khoa học có uy tín cho rằng hiệu quả của độ chắc chắn sẽ không bao giờ được trình diễn bởi máy tính, rằng ở đó bây giờ đã được trình diễn. b. Tìm một công bố của một nhà khoa học về máy tính có uy tín cho rằng hiệu quả của độ đo chắc chắn được trình diễn bởi thời điểm từ khi nó hợp qui cách. c. So sánh độ chính xác của những dự đoán trong các lĩnh vực khác nhau, chẳng hạn như y sinh, công nghệ nano, hoặc điện gia dụng. 4. Cho rằng “những chiếc máy tính là không thông minh - chúng chỉ có thể làm được những gì mà lập trình viên bảo chúng” là câu lệnh phần trước thì đúng và hàm ý sau đó không đúng? 14
16. CHƯƠNG 2: CÁC PHƯƠNG PHÁP GIẢI QUYẾT VẤN ĐỀ 2.1. GIẢI QUYẾT VẤN ĐỀ KHOA HỌC VÀ TRÍ TUỆ NHÂN TẠO Trong phần này, chúng ta chỉ ra một agent có thể hành động như thế nào bằng cách đặt ra mục tiêu và xem xét chuỗi các hành động mà có thể đạt được những mục tiêu này. Một mục tiêu và tập các phương tiện để đạt được mục tiêu được gọi là vấn đề. Quá trình khám phá các phương tiện có thể làm được gì gọi là tìm kiếm. Chúng ta cho thấy tìm kiếm có thể thực hiệhie và những giới hạn của nó Giải quyết bài toán bằng cách tìm kiếm Chúng ta xem một agent quyết định phải làm gì? như thế nào? bằng cách xem xét có hệ thống kết quả các chuỗi hành động mà nó thực hiện. Trong chương này, chúng ta mô tả một agent dựa trên mục đích gọi là agent giải quyết bài toán. Các agent giải quyết vấn đề sẽ quyết định phải làm gì bằng cách tìm kiếm chuỗi các hành động dẫn đến trạng thái mong muốn. Chương này phân tích các thuật toán. 2.2. GIẢI QUYẾT VẤN ĐỀ CỦA CON NGƯỜI Hãy tưởng tượng các agent của chúng ta ở trong thành phố Arad, Rumani đang thực hiện một chuyến du lịch. Agent đã có vé để bay đến Bucarét vào ngày hôm sau. Vé máy bay không thể trả lại được, visa của agent chuẩn bị hết hạn, và kể từ ngày mai sẽ không còn chỗ trong 6 tuần tới. Phạm vi thực hiện của agent chứa nhiều yếu tố khác ngoài chi phí tiền vé máy bay và có một điều không mong muốn là có thể bị trục xuất. Chẳng hạn, agent muốn cải thiện nước da rám nắng của mình, học thêm tiếng Rumani, đi chơi đâu đó vv Tất cả những yếu tố này có thể gợi ra vô số các hành động. Agent đưa ra mục tiêu: lái xe tới Bucarét, và xem những thành phố nào cần phải đếcaa, xuất phát từ Arad. Có ba con đường ra khỏi Arad, một đường đến Sibiu, một đường đến Timisoara và một đến Zerind. Tất cả các con đường này đều không đến Bucaret, vì vậy trừ khi agent nắm rõ bản đồ Rumani, agent sẽ không biết phải đi con đường nào tiếp theo. Nói cách khác, agent không biết hành động nào là tốt nhất trong các hành động. Nếu agent không có các kiến thức trợ giúp, nó sẽ bị tắc (không tìm ra được đường đi tiếp theo). Cách tốt nhất nó có thể làm là chọn ngẫu nhiên một trong các hành động. Giả thiết agent có một bản đồ Rumani, hoặc trên giấy hoặc trong trí nhớ. Mục đích của bản đồ là cung cấp cho agent các thông tin về các trạng thái mà nó có thể đến và những hành động mà nó có thể thực hiện. Agent có thể sử dụng thông tin này để xem xét các các đoạn của hành trình mang tính giả thiết là: khi nó tìm ra một con đường trên bản đồ từ Arad tới Bucaret, nó có thể đạt mục tiêu bằng cách thực hiện các hành động tương ứng với các chặng của hành trình. Sau đó agent lựa chọn các giá trị chưa biết để quyết định phải làm gì bằng cách kiểm tra chuỗi các hành động khác nhau dẫn đến các trạng thái đã biết; sau đó chọn hành động tốt nhất. Quá trình tìm kiếm một chuỗi các hành động như vậy được gọi là tìm kiếm. Giải thuật tìm kiếm coi một vấn đề như dữ liệu vào và đáp số là một giải pháp dưới dạng chuỗi hành động. Khi một giải pháp được tìm thấy, các hành động mà nó đề xuất có thể được tiến hành. Điều này được gọi là giai đoạn thực hiện 15
17. Trong phần này, chúng ta sẽ tìm hiểu quá trình xác định bài toán chi tiết hơn. Trước tiên, ta xem xét khối lượng kiến thức mà agent có thể có sử dụng để hướng đến các hành động của nó và trạng thái mà nó phải đi qua. Điều này phụ thuộc vào sự nhận thức của agent với môi trường của nó như thế nào thông qua kết quả giác quan và hành động của nó. Chúng ta biết có bốn loại bài toán khác nhau: bài toán một trạng thái đơn giản; bài toán đa trạng thái; bài toán ngẫu nhiên và bài toán thăm dò 2.3. PHÂN LOẠI VẤN ĐỀ. CÁC ĐẶC TRƯNG CƠ BẢN CỦA VẤN ĐỀ Những vấn đề (bài toán) xác định rõ ràng và các giải pháp Một vấn đề là một tập hợp các thông tin mà agent sử dụng để quyết định phải làm gì. Chúng ta bắt đầu bằng cách phân loại các thông tin cần thiết dùng cho định nghĩa bài toán đơn trạng thái. Các yếu tố cơ bản của việc định nghĩa một bài toán là các trạng thái và các hành động. Để xác định được chúng một cách chính xác, chúng ta cần các yếu tố sau: Trạng thái ban đầu của agent. Tập các hành động có thể đối với agent. Thuật ngữ thao tác (operation) được sử dụng để mô tả một hành động trong ngữ cảnh là trạng thái nào nó sẽ đến nếu thực hiện hành động trong từ một trạng thái đặc biệt. (Một công thức sử dụng hàm S. Cho trước trạng thái x, S(x) cho trạng thái có thể đi tới từ x bằng bất cứ một hành động đơn). Định nghĩa: không gian trạng thái của vấn đề: là tập các trạng thái có thể đạt được bằng chuỗi hành động bất kỳ xuất phát từ trạng thái ban đầu. Một hành trình trong không gian trạng thái là tập các hành động tuỳ ý xuất phát từ trạng thái này đến trạng thái khác. Yếu tố tiếp theo của vấn đề như sau: tiêu chuẩn kiểm tra trạng thái hiện thời là trạng thái đích (mục tiêu)? Việc kiểm tra đơn giản chỉ là để nhằm kiểm tra xem chúng ta đã đi tới một trong các trạng thái mục tiêu hay chưa. Thỉnh thoảng mục tiêu được xác định bởi một thuộc tính trừu tượng thay vì một tập đếm được các trạng thái. Chẳng hạn, trong môn đánh cờ, mục tiêu là đi tới một trạng thái gọi là “chiếu tướng”, khi tướng của đối phương sẽ bị ăn bất kể đối phương đi như thế nào ở bước kế tiếp. Cuối cùng, chọn giải pháp thích hợp nhất, dù có nhiều giải pháp tới đích. Ví dụ, chúng ta có thể thích những hành trình có ít hành động hoặc các hành động có chi phí thấp. Hàm chi phí đường đi là hàm được gán chi phí cho một đường đi. Trong tất cả các trường hợp chi phí của đường đi là tổng các chi phí của các hành động đơn dọc theo đường đi. Hàm chi phí đường đi thường được ký hiệu là hàm g. Trạng thái ban đầu, tập toán tử, thủ tục kiểm tra mục tiêu và hàm chi phí đường đi xác định một vấn đề. Về mặt tự nhiên, chúng ta có thể xác định một kiểu dữ liệu để biểu diễn các vấn đề: Kiu d liu Bi toán Các thành phn: Trng thái ban đu, các toán t, kim tra mc tiêu, hm chi phí đng đi Giải quyết vấn đề Hiệu quả của tìm kiếm có thể đo được theo ít nhất ba chỉ tiêu Thứ nhất, có tìm thấy một giải pháp nào không? Thứ hai, đó có phải là một giải pháp tốt không (giải pháp có chi phí đường đi 16
18. thấp)? Thứ ba, chi phí tìm kiếm với thời gian tìm kiếm và bộ nhớ yêu cầu để tìm một giải pháp là bao nhiêu? Chi phí toàn bộ của việc tìm kiếm là tổng chi phí đường đi và chi phí tìm kiếm (S). Đối với vấn đề tìm đường đi từ Arad đến Bucarét, chi phí đường đi tỷ lệ thuận với tổng độ dài của đường, cộng thêm chi phí do sự cố dọc đường. Chi phí tìm kiếm phụ thuộc vào các tình huống. Trong môi trường tĩnh, nó bằng không vì phạm vi thực hiện là độc lập với thời gian. Nếu phải cấp tốc đến Bucarét, môi trường là bán động bởi vì việc cân nhắc lâu hơn sẽ làm chi phí nhiều hơn. Trong trường hợp này, chi phí tìm kiếm có thbi ì ến thiên xấp xỉ tuyến tính với thời gian tính toán(ít nhất với một khoảng thời gian nhỏ). Do đó, để tính toán tổng chi phí, chúng ta cần phải bổ sung thêm các giá trị là dặm và mili giây. Điều này không phải luôn dễ dàng bởi vì không có một “tỷ lệ trao đổi chính thức” giữa hai đại lượng này. Agent bằng cách nào đó phải quyết định những tài nguyên nào sẽ dành cho việc tìm kiếm và những tài nguyên nào dành cho việc thực hiện. Đối với những vấn đề có không gian trạng thái rất nhỏ, dễ dàng tìm ra giải pháp với chi phí đường đi thấp nhất. Nhưng đối với những vấn đề phức tạp, lớn, cần phải thực hiện một sự thoả hiệp- agent có thể tìm kiếm trong một thời gian dài để tìm ra giải pháp tối ưu hoặc agent có thể tìm kiếm trong một thời gian ngắn hơn và nhận được một giải pháp với chi phí đường đi cao hơn một chút. Chọn lựa trạng thái và hành động Bây giờ chúng ta có các định nghĩa mới, chúng ta hãy bắt đầu sự điều tra các vấn đề của chúng ta với một vấn đề khá dễ như sau: “ Lái xe từ Arad đến Bucarét sử dụng các con đường trên bản đồ” Một không gian trạng thái có xấp xỉ 20 trạng thái, mỗi trạng thái được xác định bởi vị trí, được ghi rõ là một thành phố. Như vậy, trạng thái ban đầu là “ở Arad” và kiểm tra mục tiêu là “đây có phải là Bucarét không?”. Các toán hạng tương ứng với việc lái dọc theo các con đường giữa các thành phố. Các bài toán ví dụ Phạm vi của các môi trường nhiệm vụ mà có thể được mô tả đặc điểm bởi các vấn đề được định nghĩa rõ ràng là rất rộng lớn. Chúng ta có thể phân biệt giữa cái gọi là các bài toán trò chơi, mà nhằm để minh hoạ hay thực hành rất nhiều các phương pháp giải quyết vấn đề, và cái gọi là các bài toán thuộc thế giới thực mà sẽ là các vấn đề khó khăn hơn và mọi người thực sự quan tâm đến các giải pháp để giải quyết các vấn đề này. Trong phần này, chúng ta sẽ đưa ra ví dụ cho cả hai loại vấn đề đó. Các vấn đề đồ chơi tất nhiên có thể mô tả một cách chính xác, ngắn gọn. Điều đó có nghĩa là các nhà nghiên cứu khác nhau có thể dễ dàng sử dụng các vấn đề này để so sánh việc thực hiện của các giải thuật. Ngược lại, các vấn đề thế giới thực lại không thể có một sự miêu tả một cách đơn giản, nhưng chúng ta sẽ cố gắng đưa ra một cách chung nhất về sự mô tả chính xác các vấn đề này. Các bài toán Trò chơi Trò chơi 8 quân cờ (Cờ ta canh) Một ví dụ của trò chơi 8 quân cờ được chỉ ra trong hình 2.1, gồm một bảng kích thước 3 x 3 với 8 quân cờ được đánh số từ 1 đến 8 và một ô trống. Một quân cờ đứng cạnh ô trống có thể đi vào ô trống. Mục tiêu là tiến tới vị trí các quân cờ như ở trong hình bên phải. Một mẹo quan trọng cần chú ý là thay vì dùng các toán tử như “ chuyển quân cờ số 4 vào ô trống”, sẽ tốt hơn nếu có các toán tử như “ ô trống thay đổi vị trí với quân cờ chuyển sang bên trái của nó”, bởi vì loại toán tử thứ hai này sẽ ít hơn. Điều đó sẽ giúp chúng ta có các khái niệm như sau: • Các trạng thái: một sự mô tả trạng thái chỉ rõ vị trí của mỗi quân cờ trong 8 quân cờ ở một trong 9 ô vuông. Để có hiệu quả, sẽ có ích nếu trạng thái bao gồm cả vị trí của ô trống. • Các toán tử: ô trống di chuyển sang trái, phải, lên trên, đi xuống. 17
19. • Kiểm tra mục tiêu: trạng thái khớp với hình dạng chỉ ra ở hình 3.4 • Chi phí đường đi: mỗi bước đi chi phí là 1, vì vậy chi phí đường đi bằng độ dài của đường đi. Trạng thái đầu Trạng thái đích 1 2 3 1 2 3 7 4 6 4 7 6 5 8 5 8 Hình 2.1 Một ví của trò chơi 8 quân cờ Trò chơi 8 quân cờ thuộc về loại trò chơi trượt khối. Lớp trò chơi này được biết đến có mức độ hoàn thành NP, vì vậy chúng ta không mong muốn tìm được các phương pháp tốt hơn các thuật toán tìm kiếm đã được mô tả trong chương này và trong các chương tiếp theo. Trò chơi 8 quân cờ và sự mở rộng của nó, trò chơi 15 quân cờ là những vấn đề kiểm tra tiêu chuẩn đối với các giải thuật tìm kiếm trong AI. Bài toán 8 quân hậu Mục tiêu của bài toán 8 quân hậu là đặt 8 con hậu trên một bàn cờ vua sao cho không con nào ăn con nào. (Một con hậu sẽ ăn bất cứ con nào nằm trên cùng hàng, cùng cột hoặc cùng đường chéo với nó). Hình 2.2 chỉ ra một giải pháp cố gắng để giải quyết bài toán nhưng không thành công: con hậu ở cột bên phải nhất bị con hậu ở trên cùng bên trái chiếu. Mặc dầu các giải thuật đặc biệt hiệu quả tồn tại để giải quyết bài toán này và tập các bài toán tổng quát n con hậu, nó thực sự vẫn là vấn đề rất thú vị dùng để kiểm tra các giải thuật tìm kiếm. Có hai hai loại phương pháp chính. Phương pháp gia tăng bao gồm việc đặt các con hậu từng con một, trong khi phương pháp trạng thái hoàn thành lại bắt đầu với 8 con hậu trên bàn cờ và tiến hành di chuyển các con hậu. Trong cả hai phương pháp, người ta không quan tâm đến chi phí đường đi do chỉ tính đến trạng thái cuối cùng: các giải thuật do đó chỉ được so sánh về chi phí tìm kiếm. Như vậy, chúng ta có việc kiểm tra mục tiêu và chi phí đường đi như sau: Hình 2.2 Gần như là một giải pháp đối với bài toán 8 con hậu. ( Giải pháp thực sự được dành cho bạn đọc tự làm như một bài tập.) 18
20. Hình 2.2 Một giải pháp đối với bài toán 8 con hậu ◊ Kiểm tra mục tiêu: 8 con hậu trên bàn cờ, không con nào ăn con nào ◊ Chi phí đường đi: bằng không ◊ Cũng có các trạng thái và các toán tử có thể khác .Hãy xem xét sự công thức hoá ◊ Các trạng thái: bất cứ sự sắp xếp của từ 0 đến 8 con hậu trên bàn cờ ◊ Các toán tử: thêm một con hậu vào bất cứ ô nào Trong cách công thức hoá này, chúng ta có 648 dãy có thể để thử. Một sự lựa chọn khôn khéo sẽ sử dụng thực tế là việc đặt một con hậu vào ô mà nó đã bị chiếu sẽ không thành công bởi vì việc đặt tất cả các con hậu còn lại sẽ không giúp nó khỏi bị ăn(bị con hậu khác chiếu). Do vậy chúng ta có thể thử cách công thức hoá sau: ◊ Các trạng thái: là sự sắp xếp của 0 đến 8 con hậu mà không con nào ăn con nào ◊ Các toán tử: đặt một con hậu vào cột trống bên trái nhất mà nó không bị ăn bởi bất cứ con hậu nào khác. Dễ thấy rằng các hành động đã đưa ra chỉ có thể tạo nên các trạng thái mà không có sự ăn lẫn nhau; nhưng đôi khi có thể không có hành động nào. Tính toán nhanh cho thấy chỉ có 2057 khả năng có thể để xếp thử các con hậu. Công thức hoá đúng đắn sẽ tạo nên một sự khác biệt rất lớn đối với kích thước của không gian tìm kiếm. Các sự xem xét tương tự cũng sẽ được áp dụng cho cách công thức hoá trạng thái đầy đủ. Chẳng hạn, chúng ta có thể thiết lập vấn đề như sau: ◊ Các trạng thái: là sự sắp xếp của 8 con hậu, mỗi con trên một cột. ◊ Các toán tử: di chuyển bất cứ con hậu nào bị chiếu tới một ô khác trên cùng cột. Cách công thức này sẽ cho phép các giải thuật cuối cùng tìm ra một giải pháp, nhưng sẽ là tốt hơn nếu di chuyển tới ô bị chiếu. Các bài toán thế giới thực Tìm kiếm đường đi Chúng ta đã xem việc tìm kiếm đường đi được định nghĩa như thế nào bằng các thuật ngữ chỉ các vị trí xác định và các phép di chuyển dọc theo các đường nối giữa chúng. Các giải thuật tìm kiếm đường đi được sử dụng trong rất nhiều các ứng dụng, như tìm đường đi trong các mạng máy tính , trong các hệ thống tư vấn du lịch tự động, và trong các hệ thống lập kế hoạch cho các chuyến du lịch bằng máy bay. ứng dụng cuối cùng có lẽ phức tạp hơn, bởi vì du lịch bằng máy bay có chi phí đường đi rất phức tạp, liên quan đến vấn đề tiền nong, chất lượng ghế ngồi, thời gian trong ngày, loại máy bay, các giải thưởng cho các lộ trình bay thường xuyên, v.v Hơn nữa, các hành động trong bài toán không có kết quả được biết đầy đủ: các chuyến bay có thể đến chậm hay đăng ký trước quá nhiều, có thể bị mất liên lạc, sương mù hoặc sự bảo vệ khẩn cấp có thể gây ra sự trì hoãn. Bài toán người bán hàng rong và các chuyến du lịch Hãy xét bài toán kinh điển sau: “ Thăm tất cả các thành phố mỗi thành phố thăm ít nhất một lần, khởi hành và kết thúc ở Bucaret”. Điều này rất giống với tìm kiếm đường đi, bởi vì các toán tử vẫn tương ứng với các chuyến đi giữa các thành phố liền kề. Nhưng đối với bài toán này, không gian trạng thái phải ghi nhận nhiều thông tin hơn. Ngoài vị trí của agent, mỗi trạng thái phải lưu lại được các thành phố mà agent đã đi qua. Như vậy, trạng thái ban đầu sẽ là “ ở Bucaret: đã thăm{Bucaret}.”, một trạng thái trung gian điển hình sẽ là “ ở Vaslui: đã thăm {Bucaret, 19
21. Urziceni, Vaslui}.” và việc kiểm tra mục tiêu sẽ kiểm tra xem agent đã ở Bucaret chưa và tất cả 20 thành phố đã được viếng thăm xong toàn bộ chưa. Bài toán người bán hàng rong (TSP) là một bài toán du lịch nổi tiếng trong đó mỗi thành phố phải được viếng thăm đúng chính xác một lần. Mục đích là tìm hành trình ngắn nhất. 6 Bài toán có độ phức tạp NP(Karp,1972), nhưng đã có một sự cố gắng rất lớn nhắm cải thiện khả năng của các thuật toán TSP. Ngoài các chuyến đi đã được lập kế hoạch cho người bán hàng rong, những thuật toán này đã được sử dụng cho các nhiệm vụ như lập kế hoạch cho sự dịch chuyển của các mũi khoan trên trên bảng mạch một cách tự động. Bài toán hành trình ngắn nhất - ứng dụng nguyên lý tham lam (Greedy) Bài toán: Hãy tìm một hành trình cho người giao hàng đi qua n điểm khác nhau, mỗi điểm đi qua một lần và trở về điểm xuất phát sao cho tổng chiều dài đoạn đường cần đi là ngắn nhất. Giả sử rằng có con đường nối trực tiếp từ giữa hai điểm bất kỳ. Tất nhiên là có thể giải bài toán này bằng cách liệt kê tất cả các con đường có thể đi, tính chiều dài của mỗi con đường đó rồi tìm con đường có chiều dài ngắn nhất. Tuy nhiên cách giải này có độ phức tạp O(n!) Do đó, khi số đại lý tăng thì số con đường phải xét sẽ tăng lên rất nhanh. Một cách đơn giản hơn nhiều cho kết quả tương đối tốt là ứng dụng thuật toán heuristic ứng dụng nguyên lý tham lam Greedy. Tư tưởng của thuật giải như sau: • Điểm khởi đầu, ta liệt kê tất cả các quãng đường từ điểm xuất phát cho đến n đại lý rồi chọn đi theo con đường ngắn nhất. • Khi đã đi đến một đại lý chọn đi đến đại lý kế tiếp cũng theo nguyên tắc trên. Nghĩa là liệt kê tất cả các con đường từ đại lý ta đang đứng đến những đại lý chưa đến. Chọn con đường ngắn nhất. Lặp lại quá trình này cho đến lúc không còn đại lý nào để đi Bài toán phân việc - ứng dụng của nguyên lý thứ tự Bài toán: Một công ty nhận được hợp đồng gia công m chi tiết máy J1, J2, Jm. Công ty có n máy gia công lần lượt là P1, P2, Pn. Mọi chi tiết đều có thể gia công trên bất kỳ máy gia công nào. Một khi đã gia công một chi tiết trên một máy, công việc sẽ tiếp tục cho đến lúc hoàn thành, không thể bị cắt ngang. Để gia công một việc J1 trên một máy bất kỳ ta cần dùng thời gian tương ứng là t1. Nhiệm vụ của công ty là làm sao để gia công xong toàn bộ n chi tiết trong thời gian sớm nhất. Chúng ta xét bài toán trong trường hợp có 3 máy P1, P2, P3 và sáu công việc với thời gian là t1 = 2 , t2 = 5, t3 = 8, t4 = 1, t5 = 5, t6 = 1. Có một giải pháp được đặt ra là: Tại thời điểm t = 0, ta tiến hành gia công chi tiết J2 trên máy P1, J5 trên máy P2 và J1 tại P3. Tại thời điểm t = 2 công việc J1 được hoàn thành, trên máy P3 ta gia công tiếp chi tiết J4. Trong lúc đó, hai máy P1 và P2 vẫn đang thực hiện công việc đầu tiên của mình Theo vậy sau đó máy P3 sẽ tiếp tục hoàn thành nốt các công việc J6 và J3. Thời gian hoàn thành công việc là 12. Ta thấy phương án này đã thực hiện công việc một cách không tốt. Các máy P1 và P2 có quá nhiều thời gian rảnh. Thuật toán tìm phương án tối ưu L0 cho bài toán này theo kiểu vét cạn có độ phức tạp cỡ O(mn) (với m là số máy và n là số công việc). Bây giờ ta xét đến một thuật giải Heuristic rất đơn giản (độ phức tạp O(n)) để giải bài toán này: • Sắp xếp các công việc theo thứ tự giảm dần về thời gian gia công • Lần lượt sắp xếp các việc theo thứ tự đó vào máy còn dư nhiều thời gian nhất Với tư tưởng như vậy ta hoàn toàn có thể đưa ra một phương án tối ưu L*, thời gian thực hiện công việc bằng 8, đúng bằng thời gian thực hiện công việc J3 20
22. Điều khiển Robot Điều khiển robot là sự tổng quát hoá của bài toán tìm đường đi đã được miêu tả lúc trước. Thay vì một tập các lộ trình rời rạc, một robot có thể di chuyển trong một không gian liên tiếp với (về mặt nguyên lý) một bộ vô hạn các hành động và trạng thái có thể. Để đơn giản, robot tròn di chuyển trên một mặt phẳng, không gian bản chất là hai chiều. Khi robốt có cánh tay và chân mà phải được điều khiển, không gian tìm kiếm trở nên đa chiều. Cần có các kỹ thuật tiên tiến để biến không gian tìm kiếm trở nên hữu hạn. Ngoài sự phức tạp của bài toán còn ở chỗ các robot thật sự phải xử lý các lỗi trong việc đọc thông tin sensor và các bộ điều khiển động cơ. Sắp xếp dãy Sự lắp ráp tự động các đối tượng phức tạp được thực hiện bởi rôbốt lần đầu tiên đã được tiến hành bởi robot Freddy (Michie,1972). Sự phát triển kể từ đó khá chậm chạp nhưng chắc chắn nó rất cần cho những nơi lắp ráp phức tạp như lắp ráp điện tử. Trong các bài toán lắp ráp, vấn đề là tìm một thứ tự để lắp ráp các phần của một sản phẩm. Nếu như lựa chọn sai một thứ tự, sẽ không thể lắp thêm một số các bộ phận của sản phẩm nếu như không phải dỡ bỏ một số bộ phận đã lắp ráp lúc trước đó. Kiểm tra một bước trong dãy để đảm bảo tính khả thi là một bài toán tìm kiếm hình học phức tạp rất gần với điều khiển robot. Như vậy, việc sinh ra những bước kế vị hợp lý là khâu đắt nhất trong dây truyền lắp ráp và việc sử dụng các giải thuật tốt để làm giảm việc tìm kiếm là điều cần thiết. 2.4 CÁC PHƯƠNG PHÁP BIỂU DIỄN VÂN ĐỀ Tìm kiếm các giải pháp Chúng ta đã xem xét cách làm thế nào để xác định một vấn đề, và làm thế nào để công nhận một giải pháp. Phần còn lại – tìm kiếm một giải pháp- được thực hiện bởi một phép tìm kiếm trong không gian trạng thái. ý tưởng là để duy trì và mở rộng một tập các chuỗi giải pháp cục bộ. Trong phần này, chúng ta chỉ ra làm thế nào để sinh ra những chuỗi này và làm thế nào để kiểm soát được chúng bằng cách sử dụng các cấu trúc dữ liệu hợp lý. Khởi tạo các chuỗi hành động Ví dụ để giải quyết bài toán tìm đường đi từ Arad đến Bucaret, chúng ta bắt đầu với trạng thái đầu là Arad. Bước đầu tiên là kiểm tra xem nó có phải là trạng thái đích hay không. Rõ ràng là không, nhưng việc kiểm tra là rất quan trọng để chúng ta có thể giải quyết những việc bị chơi xỏ như “ bắt đầu ở Arad, đi đến Arad”. Do nó không phải là trạng thái đích, chúng ta cần phải xem xét một số trạng thái khác. Điều này được thực hiện bằng cách áp dụng các toán tử cho trạng thái hiện thời, do đó xây dựng nên một tập các trạng thái mới. Quá trình này được gọi là sự mở rộng trạng thái. Trong trường hợp này, chúng ta có ba trạng thái mới, “ở Sibiu”,”ở Timisoara” và “ở Zerind” bởi vì có một đường đi một bước trực tiếp từ Arad đến ba thành phố này. Nếu như chỉ có duy nhất một khả năng, chúng ta sẽ chọn khả năng đó và tiếp tục đi tiếp. Nhưng bất cứ khi nào mà có nhiều khả năng lựa chọn, chúng ta phải quyết định sẽ chọn phương án nào để đi tiếp. Đây chính là vấn đề cốt yếu của việc tìm kiếm – lựa chọn một vị trí và để các lựa chọn còn lại cho việc lựa chọn sau này nếu như sự lựa chọn đầu tiên không đưa đến một giải pháp. Giả sử chúng ta chọn Zezind. Chúng ta kiểm tra xem nó đã phải là trạng thái đích chưa (nó chưa phải trạng thái đích), và sau đó mở rộng nó để có “ ở Arad “ và “ở Oradea”. Như thế chúng ta có thể chọn một trong hai trạng thái này, hoặc là quay lại và chọn Sibiu hay Timisoara. Chúng ta tiếp tục chọn , kiểm tra và mở rộng cho đến khi tìm được một đường đi, hoặc cho đến khi không còn trạng 21
23. thái nào nữa để mở rộng. Việc lựa chọn trạng thái nào để mở rộng trước tiên do chiến lược tìm kiếm quyết định. 2.5. CÁC PHƯƠNG PHÁP GIẢI QUYẾT VẤN ĐỀ CƠ BẢN Các chiến lược tìm kiếm Công việc chủ yếu của việc tìm kiếm đã chuyển sang việc tìm kiếm một chiến lược tìm kiếm đúng đắn đối với một vấn đề. Trong sự nghiên cứu của chúng ta về lĩnh vực này, chúng ta sẽ đánh giá các chiến lược bằng các thuật ngữ của bốn tiêu chuẩn sau: ◊ Tính hoàn thành: chiến lược có bảo đảm tìm thấy một giải pháp khi có một vấn đề ◊ Độ phức tạp thời gian: chiến lược mất bao lâu để tìm ra một giải pháp? ◊ Độ phức tạp không gian (dung lượng bộ nhớ): chiến lược đó cần bao nhiêu dung lượng bộ nhớ cần thiết để thực hiện việc tìm kiếm. ◊ Tính tối ưu: chiến lựơc có tìm được giải pháp có chất lượng cao nhất khi có một số các giải pháp khác nhau? Phần này sẽ nói đến 6 chiến lược tìm kiếm mà được sử dụng dưới tiêu đề tìm kiếm không đủ thông tin (uninformed search). Thuật ngữ này có nghĩa là không có các thông tin về số các bước hay chi phi đường đi từ trạng thái hiện tại cho tới đích – tất cả những gì chúng có thể làm là phân biệt một trạng thái đích với một trạng thái không phải là trạng thái đích. Tìm kiếm không có thông tin đầy đủ đôi khi còn được gọi là tìm kiếm mù (blind search). Tìm kiếm theo chiều rộng M ột chiến lược tìm kiếm đơn giản là tìm kiếm theo chiều rộng. Trong chiến lược này, nút gốc được mở rộng trước tiên, sau đó đến lượt tất cả các nút mà được sinh ra bởi nút gốc được mở rộng, và sau đó tiếp đến những nút kế tiếp của chúng và cứ như vậy. Nói một cách tổng quát, tất cả các nút ở độ sâu d trên cây tìm kiếm được mở rộng trước các nút ở độ sâu d+1. Tìm kiếm theo chiều rộng có thể được thực hiện bằng cách gọi giải thuật general-search với một hàm hàng đợi mà đưa các trạng thái mới được sinh ra vào cuối của hàng đợi, đứng sau tất cả các trạng thái mà đã được sinh ra trước nó: Function Tìm- kiếm- rộng(problem) Returns một giải pháp hoặc thất bại Return General-search (problem, xếp vào cuối hàng) Hình 2.3. Tìm kiếm trên một cây nhị phân đơn giản Tìm kiếm theo chiều rộng là một chiến lược rất có phương pháp (có hệ thống) bởi vì nó xem xét tất cả các đường đi có độ dài bằng 1 trước, sau đó đến tất cả những đường đi có độ dài 22
24. bằng 2, và cứ như vậy. Hình 2.3 chỉ ra quá trình của sự tìm kiếm trên một cây nhị phân đơn giản. Nếu như có một giải pháp, tìm kiếm theo chiều rộng đảm bảo sẽ tìm được nó, và nếu có nhiều giải pháp, tìm kiếm theo chiều rộng sẽ luôn tìm ra trạng thái đích nông nhất trước tiên. Dưới thuật ngữ của 4 tiêu chuẩn, tìm kiếm theo chiều rộng là hoàn thành, và nó được cung cấp một cách tối ưu chi phí đường dẫn bằng một hàm tăng của độ sâu các nút. Chúng ta phải xem xét thời gian và dung lượng bộ nhớ nó sử dụng để hoàn thành một cuộc tìm kiếm. Để làm điều này, chúng ta xem xét một không gian trạng thái có tính giả thiết trong đó mỗi trạng thái có thể được mở rộng để tạo ra các trạng thái mới b. Chúng ta nói rằng yếu tố phân nhánh của những trạng thái này (và của cây tìm kiếm) là b. Gốc của cây tìm kiếm sinh ra b nút ở mức đầu tiên, mỗi nút đó lại sinh ra thêm b nút, và sẽ có cả thảy b2 nút ở mức thứ hai. Mỗi một nút này lại sinh ra thêm b nút, tạo ra b3 nút ở mức thứ ba, và cứ như vậy. Bây giờ chúng ta giả sử rằng giải pháp cho bài toán này có độ dài đường đi là d, như vậy số nút tối đa được mở rộng trước khi tìm thấy một giải pháp là : 1 + b + b2 + b3 + + bd Đây là số nút tối đa, nhưng giải pháp có thể được tìm thấy ở bất cứ điểm nào thuộc mức có độ sâu là d. Do đó, trong trường hợp tốt nhất , số lượng các nút sẽ ít hơn. Tìm kiếm với chi phí thấp nhất Phép tìm kiếm theo chiều rộng tìm được trạng thái đích, nhưng trạng thái này có thể không phải là giải pháp có chi phí thấp nhất đối với một hàm chi phí đường đi nói chung. Tìm kiếm với chi phí thấp nhất thay đổi chiến lược tìm kiếm theo chiều rộng bằng cách luôn luôn mở rộng nút có chi phí thấp nhất (được đo bởi công thức tính chi phí được đi g(n)), thay vì mở rộng nút có độ sâu nông nhất. Dễ thấy rằng tìm kiếm theo chiều rộng chính là tìm kiếm với chi phí thấp nhất với g(n)= DEPTH(n). Khi đạt được những điều kiện nhất định, giải pháp đầu tiên được tìm thấy sẽ đảm bảo là giải pháp rẻ nhất, do nếu như có một đường đi khác rẻ hơn, nó đã phải được mở rộng sớm hơn và như vậy nó sẽ phải được tìm thấy trước. Việc quan sát các hành động của chiến lược sẽ giúp giải thích điều này. Hãy xem xét bài toán tìm đường đi. Ván đề là đi từ S đến G, và chi phí của mỗi toán tử được ghi lại. Đầu tiên chiến lược sẽ tiến hành mở rộng trạng thái ban đầu, tạo ra đường đi tới A, B và C. Do đường đi tới A là rẻ nhất, nó sẽ tiếp tục được mở rộng, tạo ra đường đi SAG mà thực sự là một giải pháp, mặc dù không phải là phương án tối ưu. Tuy nhiên, giải thuật không công nhận nó là một giải pháp, bởi vì nó chi phí là 11, và nó bị che bởi đường đi SB có chi phí là 5 ở trong hàng đợi. Dường như thật là xấu hổ nếu sinh ra một giải pháp chỉ nhằm chôn nó ở sâu trong hàng đợi, nhưng điều đó là cần thiết nếu chúng ta muốn tìm một giải pháp tối ưu chứ không đơn thuần là tìm bất cứ giải pháp nào. Bước tiếp theo là mở rộng SB, tạo ra SBG, và nó là đường đi rẻ nhất còn lại trong hàng đợi, do vậy mục tiêu được kiểm tra và đưa ra một giải pháp. Phép tìm kiếm chi phí ít nhất tìm ra giải pháp rẻ nhất thoả mãn một yêu cầu đơn giản: Chi phí của một đường đi phải không bao giờ giảm đi khi chúng ta đi dọc theo đường đi. Nói cách khác, chúng ta mong muốn rằng g(Successor(n)) ≥ g(n) với mọi nút n. Giới hạn đối với chi phí đường đi không được giảm thực sự sẽ là vấn đề cần quan tâm nếu chi phí đường đi của một nút là tổng chi phí của các toán tử mà tạo nên đường đi. Nếu như mọi toán tử có một chi phí không âm, thì chi phí của đường đi không bao giờ có thể giảm đi khi chúng ta đi dọc theo đường đi và phép tìm kiếm với chi phí giống nhau có thể tìm được đường đi rẻ nhất mà không cần kiểm tra hết toàn bộ cây. Nhưng nếu một số toán tử có chi phí âm thì chẳng có một 23
25. cách tìm kiếm nào khác ngoài một phép tìm kiếm toàn bộ tất cả các nút để tìm ra giải pháp tối ưu, bởi vì chúng ta sẽ không bao giờ biết được rằng khi nào một đường đi sẽ chuyển sang một bước với chi phí âm cao và do đó trở thành đường đi tốt nhất trong tất cả các đường đi, bất kể là nó dài bao nhiêu và chi phí thế nào. Tìm kiếm theo chiều sâu Tìm kiếm theo chiều sâu luôn luôn mở rộng một trong các nút ở mức sâu nhất của cây. Chỉ khi phép tìm kiếm đi tới một điểm cụt (một nút không phải đích mà không có phần mở rộng), việc tìm kiếm sẽ quay lại và mở rộng đối với những nút nông hơn. Chiến lược này có thể được thực hiện bởi General-search với một hàm hàng đợi mà luôn đưa các trạng thái mới được sinh ra vào trước hàng đợi. Do nút được mở rộng là sâu nhất, các nút kế tiếp của nó thậm chí sẽ sâu hơn và khi đó sẽ trở thành sâu nhất. Quá trình tìm kiếm được minh hoạ trong hình 2.4. Hình 2.4. Tìm kiếm theo chiều sâu Phép tìm kiếm theo chiều sâu yêu cầu dung lượng bộ nhớ rất khiêm tốn. Như hình vẽ cho thấy, nó chỉ cần phải lưu một đường duy nhất từ gốc tới nút lá, cùng với các nút anh em với các nút trên đường đi chưa được mở rộng còn lại. Đối với một không gian trạng thái với hệ số rẽ nhánh b và độ sâu tối đa m, phép tìm kiếm theo chiều sâu chỉ yêu cầu lưu trữ bm nút, ngược lai so với bd nút mà phép tìm kiếm theo chiều rộng yêu cầu trong trường hợp mục tiêu nông nhất ở độ sâu d. Độ phức tạp thời gian của phép tìm kiếm sâu là O(bm). Đối với những vấn đề mà có rất nhiều giải pháp, phép tìm kiếm sâu có thể nhanh hơn tìm kiếm rộng, bởi vì nó có một cơ hội tốt tìm ra một giải pháp chỉ sau khi khám phá một phần nhỏ của toàn bộ không gian. Tìm kiếm theo chiều rộng sẽ vẫn phải tìm tất cả các đường đi có độ sâu d-1 trước khi xem xét bất cứ đường đi nào có độ sâu d. Phép tìm kiếm theo chiều sâu vẫn cần thời gian O(bm) trong trường hợp tồi nhất. Mặt hạn chế của phép tìm kiếm sâu là nó có thể bị tắc khi đi theo một đường sai. Rất nhiều bài toán có các cây tìm kiếm rất sâu, thậm chí vô hạn, vì vậy tìm kiếm sâu sẽ không bao giờ có thể quay trở lại được một trong các nút gần đỉnh của cây sau khi có một sự lựa chọn sai. Phép tìm kiếm sẽ luôn luôn tiếp tục đi xuống mà không quay trở lại, thậm chí khi có một giải pháp ở mức rất nông tồn tại. Như vậy đối với những bài toán này, phép tìm kiếm sâu sẽ hoặc là bị sa lầy trong một vòng lặp vô hạn và không bao giờ đưa ra một giải pháp, hoặc là cuối cùng nó có thể đưa ra một đường đi giải pháp mà dài hơn so với phương án tối ưu. Điều đó có nghĩa là phép tìm kiếm theo chiều sâu là không hoàn thành và không tối ưu. Bởi vì điều này, cần tránh sử dụng phép tìm kiếm sâu cho các cây tìm kiếm có độ sâu tối đa là vô hạn hoặc rất sâu. 24
26. Việc thực hiện phép tìm kiếm sâu với general-search là khá tầm thường: Function tìm kiếm sâu(bài toán) returns một giải pháp hoặc thất bại returns General-search(bài toán, xếp ở đầu hàng đợi) Người ta thường thực hiện phép tìm kiếm sâu cùng với một hàm đệ qui mà gọi tới chính nó ở lần lượt mỗi con của nó. Trong trường hợp này, hàng đợi được lưu trữ hoàn toàn trong không gian địa phương của mỗi lần gọi trong ngăn xếp gọi. Tìm kiếm theo độ sâu giới hạn Tìm kiếm theo độ sâu giới hạn tránh các bẫy mà tìm kiếm theo chiều sâu mắc phải bằng cách đặt một giới hạn đối với độ sâu tối đa của đường đi. Giới hạn này có thể được thực hiện với một giải thuật tìm kiếm theo độ sâu giới hạn đặc biệt hoặc sử dụng các giải thuật tìm kiếm tổng quát với các toán tử theo dõi độ sâu. Chẳng hạn, trên bản đồ Rumani, có 20 thành phố, vì vậy chúng ta biết rằng nếu như có một giải pháp, thì nó phải có độ dài nhiều nhất là bằng 19. Chúng ta có thể thực hiệnviệc giới hạn độ sâu bằng cách sử dụng các toán tử dưới dạng “ Nếu bạn ở thành phố A và vừa đi một đoạn đường ít hơn 19 bước, thì khởi tạo một trạng thái mới ở thành phố B với độ dài đường đi lớn hơn 1”. Với tập các toán tử mới này, chúng ta đảm bảo tìm thấy giải pháp nếu nó tồn tại, nhưng chúng ta vẫn không đảm bảo tìm thấy giải pháp ngắn nhất trước tiên: phép tìm kiếm theo chiều sâu giới hạn là hoàn thành nhưng không tối ưu. Nếu chúng ta chọn một giới hạn độ sâu mà quá nhỏ, thì phép tìm kiếm theo chiều sâu giới hạn thậm chí không hoàn thành. Độ phức tạp về không gian và thời gian của phép tìm kiếm theo chiều sâu giới hạn tương đương với phép tìm kiếm sâu. Nó mất O(bl) thời gian và O(bl) không gian, với l là giới hạn độ sâu. Tìm kiếm lặp sâu dần (Iterative Deepening Search) Thành phần khó khăn của tìm kiếm theo độ sâu giới hạn đem lại một giới hạn khá tốt. Chúng ta lấy 19 như là một giới hạn độ sâu “hiển nhiên” cho bài toán Rumani, nhưng thực ra nếu chúng ta nghiên cứu kỹ bản đồ, chúng ta sẽ thấy rằng bất cứ thành phố nào cũng có thể đi đến được từ bất kỳ thành phố nào khác với nhiều nhất là 9 bước. Con số này, được biết đến như là đường kính của không gian trạng thái , cho chúng ta một giới hạn độ sâu tốt hơn, và đưa đến một phép tìm kiếm theo độ sâu giới hạn hiệu quả hơn. Tuy nhiên, đối với hầu hết các bài toán, chúng ta chỉ biết một giới hạn độ sâu tốt sau khi đã giải quyết xong bài toán. Function tìm kiếm -lặp -sâu dần(bài toán) returns một dãy giải pháp Inputs: bài toán, một vấn đề cần giải quyết For độ sâu = 0 to ∝ do If tìm kiếm -độ sâu -giới hạn(bài toán, độ sâu) thành công then returns kết quả End Return thất bại Hình 2.5 Giải thuật tìm kiếm lặp sâu dần 25
27. Phép tìm kiếm lặp sâu dần là một chiến lược né tránh vấn đề lựa chọn giới hạn độ sâu tốt nhất và cố gằng thử tất cả các giơí hạn độ sâu có thể: đầu tiên thử độ sâu bằng 0, sau đó độ sâu bằng 1, tiếp theo là 2, và cứ như vậy. Về mặt hiệu quả, việc lặp sâu dần kết hợp lợi ích của cả hai phép tìm kiếm theo chiều sâu và tìm kiếm theo chiều rộng. Đây là phương pháp tối ưu và đầy đủ, giống như phép tìm kiếm theo chiều rộng, nhưng chỉ yêu cầu bộ nhớ rất ít như phép tìm kiếm sâu yêu cầu. Thứ tự mở rộng các trạng thái tương tự với tìm kiếm rộng, ngoại trừ việc một số trạng thái được mở rộng nhiều lần. Phép tìm kiếm lặp sâu dần có thể dường như là hơi lãng phí, bởi vì có rất nhiều trạng thái được mở rộng nhiều lần. Tuy nhiên, đối với hầu hết các bài toán, tổng chi phí của sự mở rộng nhiều lần này thực ra khá nhỏ. Bằng trực giác, có thể thấy rằng trong một cây tìm kiếm theo luật số mũ, hầu hết tất cả các nút là ở mức thấp nhất, vì vậy việc các mức ở bên trên được mở rộng nhiều lần sẽ không thành vấn đề lắm. nhắc lại rằng số lần mở rộng trong phép tìm kiếm theo độ sâu giới hạn tới độ sâu d với hệ số phân nhánh b là: 1+ b + b2+ .+ bd-2+ bd-1+ bd Cụ thể, cho b=10, và d=5 thì số lần mở rộng là : 1+10+100+1000+10.000+100.000= 111.111 Trong phép tìm kiếm lặp sâu dần, các nút ở mức dưới cùng được mở rộng một lần, những nút ở trên mức dưới cùng được mở rộng hai lần, và cứ như vậy đến gốc của cây tìm kiếm sẽ được mở rộng d+1 lần. Do đó tổng số lần mở rộng trong một phép tìm kiếm lặp sâu dần là : (d+1)1 + (d)b + (d-1)b2+ + 3bd-2 + 2bd-1 + 1bd Và cụ thể lại cho b=10, và d=5 thì số lần mở rộng là : 6+50+400+3000+20.000+100000= 123.456 Như vậy chúng ta thấy, một phép tìm kiếm lặp sâu dần từ độ sâu1 xuống tới độ sâu d chỉ mở rộng nhiều hơn khoảng11% số nút so với phép tìm kiếm theo chiều rộng hay phép tìm kiếm theo chiều sâu tới độ sâu d khi hệ số phân nhánh b=10. Hệ số phân nhánh càng cao, tổng số các trạng thái được mở rộng lặp lại (nhiều lần) càng thấp, nhưng thậm chí khi hệ số phân nhánh là 2, phép tìm kiếm lặp sâu dần chỉ mở rộng số trạng thái nhiều gấp hai so với một phép tìm kiếm theo chiều rộng đầy đủ. Điều đó có nghĩa rằng độ phức tạp thời gian của phép tìm kiếm lặp sâu dần vẫn là O(bd), độ phức tạp không gian là O(bd). Nói chung, lặp sâu dần là phép tìm kiếm được tham khảo đến khi có một không gian tìm kiếm lớn và độ sâu của giải pháp là không biết trước. Tìm kiếm tiến lùi Ý tưởng của phép tìm kiếm tiến lùi là thực hiện đồng thời hai phép tìm kiếm: tìm kiếm từ trạng thái đầu về phía trước và tìm kiếm ngược lại từ trạng thái đích, và dừng lại khi hai phép tìm kiếm này gặp nhau. Đối với những bài toán mà hệ số rẽ nhánh là b ở cả hai hướng, phép tìm kiếm tiến lùi có thể đưa lại một sự khác biệt rất lớn. Nếu chúng ta vẫn giả sử rằng có một giải pháp ở độ sâu d, thì giải pháp sẽ được tìm thấy sau O(2bd/2) = O(bd/2) bước, bởi vì mỗi phép tìm kiếm tiến và lùi chỉ phải đi một nửa quãng đường. Xét ví dụ cụ thể, với b=10 và d=6, phép tìm kiếm rộng sinh ra 1.111.111 nút, trong khi đó phép tìm kiếm tiến lùi thành công khi mỗi hướng ở độ sâu bằng 3, tại thời điểm 2.222 nút đã được tạo ra. Điều này về mặt lý thuyết nghe rất hấp dẫn. Chúng ta cần phải xem xét một số vấn đề trước khi thực hiện giải thuật 26
28. Câu hỏi chính là, tìm kiếm lùi từ đích có nghiã là như thế nào? Chúng ta định nghĩa các nút tổ tiên (predecessor) của một nút n là tất cả các nút mà có nút n là nút kế vị (successor). Phép tìm kiếm lùi có nghĩa là sinh ra những nút tổ tiên liên tiếp bắt đầu từ nút đích. Khi tất cả các toán tử là có thể đảo ngược, các tập kế vị và tập tổ tiên là giống hệt nhau. Tuy nhiên, đối với một số bài toán, việc tính toán các phần tử tổ tiên là rất khó khăn. Con số O(bd/2) của độ phức tạp thừa nhận rằng quá trình kiểm tra sự giao nhau của hai biên giới có thể được thực hiện trong một khoảng thời gian không đổi (như vậy, nó không phụ thuộc vào số trạng thái). Điều này thường có thể thu được với một bảng băm. Để hai phép tìm kiếm cuối cùng sẽ gặp nhau, tất cả các nút của ít nhất một trong hai phép tìm kiếm phải được lưu giữ trong bộ nhớ (giống như với trường hợp của phép tìm kiếm rộng). Điều này có nghĩa là độ phức tạp không gian của phép tìm kiếm tiến lùi không có đủ thông tin là O(bd/2). So sánh các chiến lược tìm kiếm Tìm kiếm Tìm kiếm Tìm kiếm Tìm kiếm Tìm Tìm Tiêu chuẩn theo chiều chi phí theo độ theo độ sâu kiếm lặp kiếm rộng thấp nhất sâu giới hạn sâu dần tiến lùi Thời gian bd bd bm bl bd bd/2 Không gian bd bd bm bl bd bd/2 Có tối ưu Có Có Không Không Có Có không? Có Có Không Có, nếu l ≥ d Có Có Có hoàn thành? Đánh giá các chiến lược tìm kiếm, b là hệ số phân nhánh, d là độ sâu của giải pháp; m là độ sâu tối đa của cây tìm kiếm; l là giới hạn độ sâu Cho đến lúc này, chúng ta đã xét tất cả các vấn đề ngoại trừ còn một trong những vấn đề phức tạp nhất của quá trình tìm kiếm, đó là: khả năng lãng phí thời gian do việc mở rộng các trạng thái mà đã gặp và đã được mở rộng trước đó trên một số đường đi. Đối với một số bài toán, khả năng này không bao giờ xảy ra, mỗi trạng thái chỉ được đi đến theo một con đường. Việc xác định chính xác vấn đề bài toán 8 con hậu rất có tác dụng, đó là mỗi trạng thái chỉ có thể nhận được thông qua một đường đi. Đối với rất nhiều bài toán, các trạng thái bị lặp lại là điều không thể tránh khỏi. Điều này có ở tất cả các bài toán mà các toán tử là có thể đảo ngược, như các bài toán tìm đường đi và bài toán những nhà truyền giáo và những kẻ ăn thịt người. Các cây tìm kiếm cho những bài toán này là vô hạn, nhưng nếu chúng ta tỉa bớt một số trạng thái lặp lại, chúng ta có thể cắt cây tìm kiếm xuống còn kích thước hữu hạn, chỉ sinh ra một phần của cây mà mở rộng đồ thị không gian trạng thái. Thậm chí khi cây là hữu hạn, việc tránh các trạng thái lặp có thể dẫn đến một sự suy giảm theo cấp số mũ chi phí tìm kiếm. Một ví dụ kinh điển được mô tả ở hình 2.4. Không gian chỉ chứa m+1 trạng thái, với m là độ sâu tối đa. Do cây bao gồm mỗi đường đi có thể trong không gian, nó có 2m nhánh. 27
29. 2.6. GIẢI QUYẾT VẤN ĐỀ VÀ CÁC KĨ THUẬT HEURISTIC Các phương pháp tìm kiếm có đầy đủ thông tin Phần trước đã chỉ ra rằng các chiến lược tìm kiếm không đầy đủ thông tin có thể tìm thấy giải pháp đối với các bài toán bằng cách tạo ra một cách có hệ thống các trạng thái mới và kiểm tra chúng với mục tiêu. Điều không may là, những chiến lược này rõ ràng là không có hiệu quả trong hầu hết các trường hợp. Phần này cho một chiến lược tìm kiếm có thêm hiểu biết (có đủ thông tin the- một chiến lược sử dụng các tri thực đặc thù đối với bài toán - có thể tìm các giải pháp một cách hiệu quả hơn như thế nào. Phần này cũng chỉ ra các bài toán tối ưu có thể được giải quyết. Phương pháp tìm kiếm tốt nhất (Best-first) Function best-first-search(problem, hàm định giá) return một dãy giải pháp Input : problem, một bài toán Hàm định giá, một hàm giá trị Hàm hàng đợi – một hàm mà sắp thứ tự các nút theo hàm giá Return general-search ( problem, hàm hàng đợi) Hình 2.6 Một phương pháp tìm kiếm tốt nhất sử dụng các giải thuật tìm kiếm tổng quát Trong chương trước, chúng ta đã tìm thấy một số cách để áp dụng các tri thức cho qui trình xác định rõ ràng chính xác một vấn đề bằng các thuật ngữ về trạng thái và các toán tử. Tuy nhiên, khi chúng ta được đưa cho một bài toán mà được chỉ rõ cụ thể, các sự lựa chọn của chúng ta là có giới hạn. Nếu chúng ta sử dụng giải thuật tìm kiếm tổng quát, thì cách duy nhất có thể áp dụng được tri thức là hàm "hàng đợi”, hàm quyết định nút nào sẽ được mở rộng tiếp theo. Thông thường, tri thức để quyết định điều này được cung cấp bởi một hàm định giá trả về một số có nghĩa mô tả sự mong muốn được mở rộng nút. Khi các nút được xếp thứ tự để nút nào có định giá tốt nhất sẽ được mở rộng trước. Chiến lược như vậy được gọi là phép tìm kiếm tốt nhất (best-first). Nó có thể được cài đặt trực tiếp với tìm kiếm tổng quát, như hình 2.6. Tên gọi “tìm kiếm tốt nhất” là phép tìm kiếm quan trọng nhưng không chính xác. Nếu chúng ta mở rộng nút tốt nhất trước tiên, đó không phải là phép tìm kiếm - đó là một cách đi thẳng đến mục tiêu. Điều có thể làm là chọn nút tỏ ra là tốt nhất theo hàm giá. Nếu hàm giá là rõ, thì nút này sẽ là nút tốt nhất. Trong thực tế, hàm giá thỉnh thoảng có sai sót và việc tìm kiếm bị lạc đường. Tuy nhiên, chúng ta sẽ dùng tên “tìm kiếm tốt nhất”, vì tên “tìm kiếm vẻ ngoài tốt nhất“ có vẻ không tiện. Khi có một họ giải thuật tìm kiếm tổng quát với các hàm theo thứ tự khác nhau, tồn tại một họ các giải thuật tìm kiếm tốt nhất với các hàm giá khác nhau. Vì mục đích là tìm kiếm các giải pháp có chi phí thấp, những giải thuật này sử dụng phướng pháp đánh giá các chi phí của giải pháp và cố gắng tối thiểu nó. Chúng ta có một phương pháp đo: sử dụng chi phí 28
30. đường đi g để quyết định đường đi nào sẽ mở. Tuy nhiên, phương pháp này không tìm trực tiếp về phía đích. Để làm chụm phép tìm kiếm, phương pháp kết hợp một số cách đánh giá chi phí đường đi từ một trạng thái tới trạng thái đích gần nhất. Xét hai phương pháp cơ bản. Phương pháp thứ nhất mở nút gần đích nhất. Phương pháp thứ hai mở nút ở đường đi có chi phí ít nhất. Tối thiểu hoá chi phí đánh giá để đi tới mục tiêu: phép tìm kiếm tham lam Một trong những chiến lược tìm kiếm tốt nhất trước đơn giản nhất là tối thiểu chi phí ước lượng để đi tới mục tiêu. Đó là, nút mà trạng thái của nó được đánh giá là gần với trạng thái mục tiêu nhất luôn luôn được mở rộng trước. Đối với hầu hết các bài toán, chi phí của việc đi tới đích từ một trạng thái nào đó có thể được ước lượng nhưng không thể xác định chính xác. Một hàm mà tính toán những ước lượng chi phí như vậy được gọi là hàm heuristic và thường được biểu diễn bằng chữ cái h: h(n) = chi phí ước lượng của đường đi rẻ nhất từ trạng thái ở nút n tới trạng thái đích. Một phép tìm kiếm tốt nhất trước mà sử dụng h để lựa chọn nút mở rộng tiếp theo được gọi là phương pháp tìm kiếm tham lam(greedy search), vì các lý do mà chúng ta sẽ thấy rõ ràng sau đây. Cho một hàm heuristic h, phép tìm kiếm tham lam có thể được thực hiện như sau: function greedy-search(problem) returns một giải pháp hoặc thất bại return best-first-search(problem,h) Nói một cách chính thức, h có thể là bất cứ hàm nào. Chúng ta sẽ chỉ yêu cầu là h(n) = 0 nếu n là một mục tiêu. Để hình dung một hàm heuristic là như thế nào, chúng ta cần chọn một bài toán điển hình, bởi vì các hàm heuristic chuyên xác định các bài toán đặc biệt. Chúng ta hãy quay trở lại với bài toán tim đường đi từ Arad đến Bucaret. M ột hàm heuristic tốt đối với những bài toán tìm đường đi giống như thế này là khoảng cách đường thẳng(straight-line distance hay SLD) tới mục tiêu. Tức là, hSLD(n) = khoảng cách đường thẳng giữa n và vị trí đích. Với phép heuristic khoảng cách -đường thẳng, nút đầu tiên sẽ mở rộng từ Arad sẽ là Sibiu, bởi vì nó gần Bucaret hơn so với Zerind và Timisoara. Nút mở rộng tiếp theo sẽ là Fagaras, do nó là nút gần nhất. Fagaras sẽ sinh ra Bucaret, và là đích.Đối với bài toán này, phép heuristic dẫn tới chi phí tìm kiếm tối thiểu: nó tìm một giải pháp mà không cần mở một nút nào không nằm trên đường đi giải pháp (đường đi tới đích). Tuy nhiên, nó không phải là hoàn toàn tối ưu: đường đi mà nó tìm ra đi qua Sibiu và Fagaras tới Bucaret dài hơn đường đi xuyên qua Rimnicu Vilcea và Pitesti (rồi tới Bucaret) là 32 km. Con đường này nó không tìm ra bởi vì Fagaras gần với Bucaret theo khoảng cách đường thẳng hơn so với Rimnicu, vì vậy nó được mở trước. Chiến lược ưu tiên chọn khả năng có “miếng ngoạm lớn nhất” (tức là đi bước đầu tiên đi được xa nhất) không quan tâm đến các chi phí còn lại để đi đến đích, không đếm xỉa đến việc bước đi này có phải là tốt nhất xét về toàn cục hay không – chính vì thế nó được gọi là “phương pháp tìm kiếm tham lam”. Mặc dù tham lam được coi là một trong 7 lỗi nặng, nhưng các giải thuật tham lam thường tỏ ra khá hiệu quả. Chúng có thiên hướng tìm giải pháp nhanh chóng, mặc dù như đã chỉ ra trong ví dụ vừa 29
31. rồi, chúng không phải luôn luôn tìm ra các giải pháp tối ưu: cần phải có sự phân tích một cách kỹ các giải pháp toàn cục, chứ không chỉ một sự lựa chọn tốt nhất tức thì. Phép tìm kiếm tham lam tương tự phép tìm kiếm theo độ sâu ở điểm là nó ưu tiên đi theo một đường đơn tới đích, nhưng nó sẽ quay lui khi gặp đường cụt.Nó có những nhược điểm giống với phương pháp tìm kiếm sâu - không tối ưu, và không hoàn thành vì có thể rơi vào một đường vô hạn và không bao giờ quay lại để chọn khả năng khác. Độ phức tạp thời gian trong trường hợp tồi nhất của phép tìm kiếm tham lam là O(bm), với m là độ sâu tối đa của không gian tìm kiếm. Bởi vì phép tìm kiếm tham lam lưu trữ tất cả các nút trong bộ nhớ, độ phức tạp không gian của nó tương tự như độ phức tạp thời gian. Với một hàm heuristic tốt, độ phức tạp không gian và độ phức tạp thời gian có thể giảm đáng kể. Lượng giảm phụ thuộc vào bài toán cụ thể và chất lượng của hàm h. Tối thiểu hoá tổng chi phí đường đi: Thuật toán tìm kiếm A* Phương pháp tìm kiếm háu ăn tối thiểu hoá chi phí dự tính tới đích, h(n), và do đó giảm chi phí tìm kiếm đi đáng kể. Điều không may là, đó không phải là phương pháp tối ưu cũng như hoàn thành. Mặt khác, phép tìm kiếm theo chi phí ít nhất lại tối thiểu hoá chi phí đường tính đến thời điểm hiện tại, g(n); Đó là phương pháp tìm kiếm tối ưu và hoàn thành, nhưng có thể rất không hiệu quả. Sẽ rất tốt nếu chúng ta kết hợp cả hai phương pháp này để lợi dụng điểm mạnh của cả hai phương pháp. Rất may là chúng ta có thể làm được chính xác điều đó, kết hợp hai hàm định giá đơn giản bằng cách cộng chúng lại: f(n) = g(n) + h(n) . Do g(n) đưa ra chi phí đường đi từ nút đầu tới nút n, và h(n) là chi phí ước tính của đường đi rẻ nhất từ n đến đích, có : f(n) = chi phí ước tính của giải thuật tốt nhất đi qua n Như thế, nếu chúng ta cố gắng tìm giải pháp rẻ nhất, nút cần mở rộng trước hợp lý một cách hợp lý nhất là nút có giá trị thấp nhất của f. Điều thú vị về phương pháp này là phương pháp này còn hơn cả sự hợp lý. Thực tế chúng ta có thể chứng minh rằng nó là hoàn thành và tối ưu, với một hạn chế đơn giản đối với hàm h. Hạn chế là cần chọn một hàm h mà không vượt quá chi phi đi tới đích. Một hàm h như vậy dược gọi là một heuristic có thể chấp nhận. Những heuristic có thể chấp nhận là theo quan điểm của những người lạc quan, vì họ nghĩ chi phí của việc giải quyết vấn đề là ít hơn thực tế. Sự lạc quan này cũng sẽ chuyển hàm f: Nếu h là chấp nhận được, f(n) không bao giờ vượt quá chi phí thực tế của giải pháp n. Phép tìm kiếm tốt nhất sử dụng f như là một hàm giá và một hàm h chấp nhận được với tên phương pháp tìm kiếm A*. Function A*-search(problem) return một giải pháp hoặc thất bại Return best-first-search(problem, g+h) Hình 2.7. Ví dụ rõ ràng về phép heuristic chấp nhận được là khoảng cách đường thẳng hSLD mà chúng ta sử dụng để đi đến Bucaret. Khoảng cách đường thẳng là chấp nhận được bởi vì đường đi ngắn nhất giữa bất cứ hai điểm là một đường thẳng. Trong hình 2.7, chúng ta chỉ ra một số bước đầu tiên của phép tìm kiếm A* tới Bucaret sử dụng phép heuristic hSLD. Chú ý rằng phép tìm kiếm A* ưu tiên mở rộng từ Rimnicu Vilcea hơn so với mở rộng từ Fagaras. Mặc dù thậm chí 30
32. Fagaras gần Bucaret hơn, đường đi tới Fagaras không hiệu quả bằng đường đi tới Rimnicu trong việc tiến gần tới Bucaret. Bạn đọc có thể mong muốn tiếp tục ví dụ này để xem điều gì sẽ xảy đến tiếp theo. Sự hoạt động của phép tìm kiếm A* Trước khi chúng ta chứng minh tính hoàn thành và tính tối ưu của A*, chúng ta nên đưa ra một bức tranh trực giác về hoạt động của phương pháp tìm kiếm này (Hình 2.8).Một minh hoạ không thể thay thế cho một bằng chứng, nhưng nó thường dễ nhớ và có thể sử dụng tạo ra các chứng cứ khi có yêu cầu. Trước tiên, một sự quan sát ban đầu: nếu như bạn kiểm tra các cây tìm kiếm, bạn sẽ chú ý một hiện tượng thú vị: Dọc theo bất cứ đường đi nào từ gốc, chi phí f không bao giờ tăng. Điều này không phải là ngẫu nhiên. Nó là đúng đối vơí hầu như tất cả các heuristic chấp nhận được. Người ta nói một heuristic như vậy là đưa ra sự đơn điệu (monotonicity1). Nếu heuristic là một trong những heuristic kỳ cục mà không phải là đơn điệu. Chúng ta có thể sửa chữa nhỏ để phục hồi tính đơn điệu. Xét hai nút n và n’, với n là nút cha của n’. Giả sử g(n) = 3 và h(n) = 4, ta có, f(n)= g(n)+h(n) = 7 – như vậy ta biết rằng giá trị thực của một giải pháp tới n ít nhất là 7. Cũng giả sử g(n’) = 4 và h(n’) = 2, do vậy f(n’) =6. Rõ ràng, đây là một ví dụ về một heuristic không đơn điệu. Rất may là, từ thực tế rằng bất cứ đường đi nào đến n’ thì cũng là đường đi đến n, chúng ta có thể thấy rằng giá trị 6 là không có ý nghĩa gì, bởi vì chúng ta đã biết chi phí thực tế ít nhất là 7. Như vậy, chúng ta nên kiểm tra , mỗi lần chúng ta tạo ra một nút mới, để xem chi phí f của nó có nhỏ hơn chi phí f của nút cha của nó nay không: nếu nhỏ hơn, chúng ta sẽ sử dụng chi phí f của nút cha của nó: f(n’) = max(f(n), g(n’) + h(n’)). Theo cách này, ta bỏ qua các giá trị dẫn sai đường có thể xảy ra với một heuristic không đơn điệu. Công thức này gọi là cực đại đường đi. Nếu sử dụng công thức đó, thì f luôn không giảm dọc theo bất cứ đường đi từ gốc, giá trị h được cung cấp là chấp nhận được. ĐộHình phứ 2.8c t ạ Cácp củ giaia thu đoậạtn toán của phépA* tìm kiếm A để đi đến Bucharest. Các nút được gán nhãn với f = g +h . Các giá trị h là các khoảng cách đường thẳng tới Bucharest lấy từ giả thiết 31
33. Phương pháp tìm kiếm A* là hoàn thành, tối ưu và hiệu quả một cách tối ưu trong số tất cả các thuật toán như vậy. Điều đó không có nghĩa là A* là câu trả lời cho tất cả các yêu cầu tìm kiếm. Đối với hầu hết các bài toán, số nút trong không gian tìm kiếm đường viền mục tiêu là cấp số mũ theo độ dài của giải pháp. Mặc dù không chứng minh, nó đã được chỉ ra rằng độ tăng theo cấp số mũ sẽ xẩy ra trừ phi sai số trong hàm heuristic không tăng nhanh hơn logarits của chi phí đường đi thực tế. Theo ký hiệu toán học, điều kiện đối với độ tăng nhỏ hơn cấp số mũ là : ⏐h(n) – h*(n)⏐ ≤ O(logh*(n)), với h*(n) là chi phí thực tế của việc đi từ n đến mục tiêu. Đối với hầu hết tất cả các heuristic trong thực tế sử dụng, sai số ít nhất cũng tỷ lệ với chi phí đường đi , và độ tăng theo cấp số mũ cuối cùng sẽ vượt quá bất cứ khả năng của máy tính nào. Tất nhiên, việc sử dụng một heuristic tốt vẫn cho chúng ta một tiết kiệm rất lớn so với các phép tìm kiếm không đủ thông tin. Trong phần tiếp theo, chúng ta sẽ xem xét đến vấn đề thiết kế các heuristic tốt. Tuy nhiên, thời gian tính toán không phải là mặt trở ngại chính của A*. Do nó lưu trữ tất cả các nút được tạo ra trong bộ nhớ, A* thường bị vượt ra khỏi bộ nhớ rất lâu trước khi nó hết thời gian. Các giải thuật phát triển gần đây đã vượt qua trở ngại về dung lượng bộ nhớ mà không phải hi sinh tính tối ưu hay tính hoàn thành. Các hàm heuristic Cho đến lúc này, chúng ta mới chỉ xem xét một ví dụ về một heuristic: khoảng cách đường thẳng đối với các bài toán tìm đường đi. Trong phần này, chúng ta sẽ xét các hàm heuristic đối với trò chơi số 8. Điều này sẽ soi rọi về yếu tố tự nhiên của các hàm heuristic nói chung. Trò chơi số 8 là một trong những bài toán tìm kiếm theo phương pháp heuristic sớm nhất. Như đã đề cập trong phần 2.5, mục tiêu của trò chơi này là đi các con cờ theo chiều ngang hoặc chiều dọc vào ô trống cho đến khi thu được trạng thái các quân cờ như mô hình mục tiêu (hình 2.9). 5 4 1 2 3 6 1 8 8 4 7 3 2 7 6 5 Trạng thái đầu Trạng thái đích Hình 2.9 Một ví dụ điển hình của trò chơi 8 quân cờ Trò chơi số 8 ở mức độ khó vừa phải nên là một trò chơi rất thú vị. Một giải pháp điển hình gồm khoảng 20 bước, mặc dù tất nhiên con số này biến đổi phụ thuộc vào trạng thái đầu. Hệ số rẽ nhánh khoảng bằng 3 (khi ô trống ở giữa, có bốn khả năng di chuyển; khi nó ở góc bàn cờ, có hai khả năng di chuyển; và khi nó ở trên các cạnh, có 3 khả năng đi). Điều này có nghĩa là một phép tìm kiếm vét cạn tới độ sâu 20 sẽ xem xét khoảng 320 = 3,5 x 109 trạng thái. Bằng cách theo dõi các trạng thái lặp lại, chúng ta có thể giảm số trạng thái này xuống đáng kể, bởi vì chỉ có 9! = 362980 các sự sắp xếp khác nhau của 9 ô vuông. Đây vần là một số rất lớn các trạng thái, vì thế 32
34. bước tiếp theo là tìm một hàm heuristic tốt. Nếu chúng ta muốn tìm kiếm các giải thuật ngắn nhất, chúng ta cần một hàm heuristic mà không bao giờ ước đoán vượt quá số các bước đi tới mục tiêu. Sau đây là hai “ứng cử viên”: • h1 = số lượng quân cờ mà ở sai vị trí. Đối với hình 2.9, 7 trong số 8 quân cờ ở sai vị trí, vì vậy trạng thái đầu sẽ có h1 = 7. h1 là một hàm heuristic chấp nhận được, bởi vì rõ ràng là bất cứ quân cờ nào mà đang ở sai vị trí phải di chuyển ít nhất một lần. • h2 = tổng số khoảng cách của các quân cờ so với vị trí mục tỉêu. Bởi vì các quân cờ không thể đi theo các đường chéo, khoảng cách mà chúng ta tính tổng sẽ là tổng của các khoảng cách theo chiều ngang và theo chiều dọc. Khoảng cách này đôi khi được gọi là “khoảng cách khối thành phố”(city block distance) hoặc khoảng cách Manhantan h2 là chấp nhận được, vì bất cứ nước đi nào cũng chỉ có thể di chuyển một quân cờ một bước gần hơn tới đích. Các quân cờ từ 1 đến 8 trong trạng thái đầu cho ta một khoảng cách Manhatan là: h2 = 2 + 3 + 3 + 2 + 4 + 2 + 0 + 2 = 18 Hiệu quả (tác dụng) của độ chính xác heuristic trong khi thực hiện Một cách để xác định chất lượng của một hàm heuristic là hệ số phân nhánh hiệu quả b*. Nếu tổng số các nút được mở rộng bởi A* đối với một bài toán nào đó là N, và độ sâu giải pháp là d, thì b* là hệ số phân nhánh mà một cây đồng dạng có độ sâu d sẽ phải có để chứa được N nút. Nhưvậy, N = 1 + b* + (b*)2 + .+ (b*)d Chẳng hạn, nếu A* tìm thấy một giải pháp ở độ sâu bằng 5 sử dụng 52 nút, thì hệ số phân nhánh hiệu quả là 1,91. Thông thường, hệ số phân nhánh hiệu quả đưa ra bởi một heuristic cho trước là khá ổn định đối với đa số các bài toán. Do đó, các phép đo thử nghiệm giá trị b* trong một tập nhỏ các bài toán có thể đưa ra một chỉ dẫn tốt khi xét tổng thể hàm heuristic. Một hàm heuristic được thiết kế tốt sẽ có giá trị b* gần với 1, cho phép giải quyết một số lượng lớn các bài toán. Để kiểm tra các hàm heuristic h1 và h2, chúng ta ít khi sinh ra 100 bài toán, mỗi bài toán với các độ dài giải pháp là 2,4, ,20, và giải quyết chúng với phép tìm kiếm A* với h1 và h2, cùng với phép tìm kiếm lặp sâu dần không đầy đủ thông tin. Hình 2.8 đưa ra số trung bình các nút được mở rộng bởi chiến lược tìm kiếm và hệ số phân nhánh hiệu quả. Kết quả cho thấy là h2 tốt hơn h1 và phép tìm kiếm thiếu thông tin tồi hơn nhiều. Xây dựng các hàm heuristic Chúng ta đã thấy rằng, cả h1 và h2 là những heuristic khá tốt đối với trò chơi số 8, và h2 thì tốt hơn h1. Nhưng chúng ta không biết làm thế nào để phát minh ra một hàm heuristic. Làm sao một người có thể có được một heuristic như h2? Một máy tính có thể phát minh một cách máy móc ra được một heuristic như vậy không? h1 và h2 là các đánh giá (ước đoán) đối với độ dài đường đi còn lại trong trò chơi số 8, nhưng chúng cũng có thể được xem là các độ dài đường đi có độ chính xác tuyệt vời đối với những kiểu đơn giản hoá của trò chơi này. Nếu như qui tắc của trò chơi được thay đổi để một quân cờ có thể di chuyển đến bất cứ chỗ nào, thay vì chỉ có thể đi đến ô trống ngay cạnh nó, thì h1 sẽ đưa ra một cách chính xác số các bước của giải pháp gần nhất. Tương tự, nếu một quân cờ có thể đi một ô theo tất cả các hướng, thậm chí đi vào ô đã bị chiếm bởi một quân cờ khác, thì h2 sẽ đưa ra con số chính xác các bước đi của giải pháp ngắn nhất. Một bài toán với ít ràng buộc hơn đối với các toán tử được gọi là một bài toán giải trí (relaxed problem). Thường xảy ra trường hợp 33
35. là chi phí đường đi của một giải pháp đúng đối với một bài toán giải trí là một heuristic tốt đối với bài toán gốc (ban đầu). Nếu việc định nghĩa vấn đề được viết dưới dạng một ngôn ngữ chính thức, có thể xây dựng các bài toán thư giãn một cách tự động. 3 Ví dụ, nếu các toán tử của trò chơi số 8 được miêu tả như sau: Quân cờ A có thể đi từ ô A đến ô B nếu A là cạnh B và B trống, thì chúng ta có thể tạo ra ba bài toán giải trí bằng cách bỏ đi một hoặc nhiều hơn các điều kiện: (a) Quân cờ A có thể đi từ ô A đến ô B nếu A ở cạnh B. (b) Quân cờ A có thể đi từ ô A đến ô B nếu B là trống. (c) Quân cờ A có thể đi từ ô A đến ô B. Gần đây, một chương trình được gọi là ABSOLVER đã được viết mà có thể tạo ra các heuristic một cách tự động từ các khái niệm xác định bài toán, sử dụng phương pháp “bài toán thư giãn” và rất nhiều các kỹ thuật khác (Prieditis, 1993). ABSOLVER sinh ra một heuristic mới cho trò chơi số 8 tốt hơn bất cứ heuristic đang tồn tại nào, và tìm ra heuristic hữu ích đầu tiên cho trò chơi nổi tiếng là hình khối lập phương Rubik. Một vấn đề của việc tạo ra các hàm heuristic mới là chúng ta thường thất bại trong việc có được một heuristic “tốt nhất một cách rõ ràng”. Nếu chúng ta có một tập các heuristic chấp nhận được h1 hm cho một bài toán, và không có hàm nào vượt trội hơn hàm nào, chúng ta nên chọn heuristic nào? Như chúng ta sẽ thấy, chúng ta không cần thiết phải lựa chọn. Chúng ta có thể có heuristic tốt nhất , bằng cách định nghĩa: h(n) = max(h1(n) , , hm(n)). Heuristic tổ hợp này sử dụng bất cứ hàm nào chính xác nhất đối với nút trong câu hỏi. Do các heuristic thành phần là chấp nhận được , h cũng chấp nhận được. Hơn nữa, h vượt trội hơn so với tất cả các heuristic thành phần tạo nên nó. Một cách khác để phát minh ra một heuristic tốt là sử dụng thông tin thống kê. Điều này có thể thu được bằng cách chạy một phép tìm kiếm đối với một số các bài toán đào tạo, như 100 mô hình ngẫu nhiên của trò chơi số 8 được chọn, và thu thập các thống kê. Ví dụ, chúng ta có thể tìm thấy rằng, khi h2(n) = 14, thì 90% của quãng đường thực sự để tới đích là 18. Như vậy khi gặp những bài toán “thực sự”, chúng ta có thể sử dụng 18 làm giá trị quãng đường bất cứ khi nào h2(n) cho giá trị 14. Tất nhiên, nếu chúng ta sử dụng các thông tin theo xác xuất như thế này, chúng ta đang từ bỏ sự bảo đảm về tính có thể chấp nhận được, nhưng tính trung bình chúng ta có lẽ sẽ mở rộng ít nút hơn. Thông thường có thể lấy ra các đặc điểm của một trạng thái mà đóng góp cho hàm định giá heuristic của nó, thậm chí nếu rất khó nói chính xác sự đóng góp là gì. Chẳng hạn, mục tỉêu trong đánh cờ là chiếu tướng đối phương, và các đặc điểm liên quan như số quân mỗi loại của mỗi bên, số quân mà bị ăn bởi quân của đối thủ, v. .v. Thông thường, hàm định giá được giả định là tổ hợp tuyến tính của các giá trị đặc điểm. Thậm chí nếu chúng ta không biết các đặc điểm quan trọng như thế nào, hay thậm chí một đặc điểm là tốt hay xấu, ta vẫn có thể sử dụng một giải thuật học tập để thu được các hệ số hợp lý cho mỗi đặc điểm. Ví dụ, trong đánh cờ, một chương trình có thể học hỏi được rằng con hậu của một người nên có hệ số dương lớn, trong khi một con tốt của đối thủ nên có một hệ số âm nhỏ. Một yếu tố khác mà chúng ta chưa xem xét đến là chi phí tìm kiếm của việc chạy thật sự hàm heuristic trên một nút. Chúng ta vừa giả định rằng chi phí của việc tính toán hàm heuristic 34
36. tương đương với chi phí mở rộng một nút. do vậy tối thiểu hoá số lượng nút mở rộng là một điều tốt. Nhưng nếu hàm heuristic phức tạp đến nối mà tính toán giá trị của nó cho một nút mất khoảng thời gian để mở rộng hàng trăm nút thì chúng ta cần phải cân nhắc. Cuối cùng, rất dễ để có một hàm heuristic mà chính xác tuyệt đối – nếu chúng ta cho phép hàm heuristic thực hiện, ví dụ, một phép tìm kiếm theo chiều rộng “kín đáo”. Điều đó sẽ tối thiểu hoá số lượng các nút được mở rộng bởi phép tìm kiếm thực sự, nhưng nó sẽ không tối thiểu hoá chi phí tìm kiếm tổng thể. Một hàm heuristic tốt phải vừa chính xác vừa hiệu quả. 2.7. CÁC PHƯƠNG PHÁP GIẢI QUYẾT VẤN ĐỀ KHÁC Phương pháp tìm kiếm A* lặp sâu dần (IDA*) function IDA*(problem) return một d∞ãy giải pháp Inputs: problem, một bài toán, vấn đề Các biến địa phương: giới hạn-f, giới hạn chi phí f hiện thời root, một nút root - Make-node(trạng thái đầu[problem]) gi ới hạn-f - chiphí- f(root) loop do giải pháp, giớihạn-f - DFS-contour(root,giới hạn-f) if giải pháp khác rỗng then return giải pháp if giới han-f = ∞ then return thất bại; end function dfs-contour(node, giớihạn-f) returns một dãy giải pháp và một giới hạn chi phí f mới. Input: node, một nút Giới hạn –f, giới hạn chi phí f hiện thời Các biến địa phương: next-f, giới hạn chi phí f của contour tiếp theo, ban đầu là ∞ If chiphí -f[node] > giớihạn-f then return rỗng, chiphí-f[node] If goal-test[problem](state[node]) then return node, giớihạn-f For mỗi nút s trong successor(node) do Giải pháp, f-mới – dfs-contour(s, giớihạn-f) If giải pháp khác rỗng then return giải pháp, giớihạn-f Next-f ← MIN(next-f, new-f); end Return rỗng, next-f Hình 2.10. Giải thuật tìm kiếm IDA Trong phần trước, chúng ta đã chỉ ra rằng lặp sâu dần là một kỹ thuật rất hiệu quả để giảm bộ nhớ. Chúng ta có thể lại thử phép đó lần nữa, biến phép tìm kiếm A* trở thành A* lặp sâu dần hay phương pháp IDA* (Hình 2.10). Trong giải thuật này, mỗi phép lặp là một phép tìm kiếm theo chiều sâu, cũng như trong phương pháp tìm kiếm lặp sâu dần bình thường. Phép tìm kiếm theo chiều sâu được sửa đổi để sử dụng một giới hạn chi phí f thay vì một giới hạn độ sâu. Như vậy, mỗi vòng lặp mở rộng các nút bên trong dường viền của chi phí f hiện tại, nhin vào trong đường viền để tìm đường viền tiếp theo ở đâu. Khi phép tìm kiếm bên trong một đường viền đã cho đã hoàn thành, vòng lặp mới lại bắt đầu sử dụng một chi phí f mới cho đường vìên tiếp theo.IDA* là hoàn thành và tối ưu với cùng một dự báo cho trước như phép tìm kiếm A*, nhưng do nó là phương pháp tìm kiếm theo chiều sâu, nó chỉ yêu cầu không gian bộ nhớ tỷ lệ với đường đi dài nhất mà nó khám 35