INF 1771 – Inteligência Artificial
Aula 05 – Busca Local
Edirlei Soares de Lima
<elima@inf.puc-rio.br>
Métodos de Busca
•
Busca Cega ou Exaustiva:
–
Não sabe qual o melhor nó da fronteira a ser expandido. Apenas
distingue o estado objetivo dos não objetivos.
•
•
Busca Heurística:
–
Estima qual o melhor nó da fronteira a ser expandido com base em
funções heurísticas.
Busca Local:
–
Operam em um único estado e movem-se para a vizinhança deste
estado.
Busca Local
•
Em muitos problemas o caminho para a solução é
irrelevante.
–
Jogo das n-rainhas: o que importa é a configuração final e não a
ordem em que as rainhas foram acrescentadas.
–
Outros exemplos:
•
•
•
•
Projeto de Circuitos eletrônicos;
Layout de instalações industriais;
Escalonamento de salas de aula;
Otimização de redes;
•
Se o caminho para a solução não importa, podemos
utilizar um algoritmo de busca local.
Busca Local
•
•
•
Algoritmos de busca local operam sobre um único
estado corrente, ao invés de vários caminhos.
Em geral se movem apenas para os vizinhos desse
estado.
O caminho seguido pelo algoritmo não é guardado.
Busca Local
•
Vantagens:
–
Ocupam pouquíssima memória (normalmente constante).
–
Podem encontrar soluções razoáveis em grandes ou
infinitos espaços de estados.
•
São uteis para resolver problemas de otimização.
–
Buscar por estados que atendam a uma função objetivo.
Busca Local
•
Panorama do Espaço de Estados:
•
•
Local = Estado;
Elevação = Valor de custo
da função heurística;
•
Busca-se o máximo ou
mínimo global;
Busca Local
•
Principais Algoritmos:
–
–
–
–
Hill Climbing
Simulated Annealing
Local Beam
Genetic Algorithms
Pseudocódigo – Hill Climbing
Função Hill-Climbing(Problema) retorna um estado que é o máximo local
Inicio
EstadoAtual ← FazNó(Problema[EstadoInicial])
loop do
Vizinho ← SucessorDeMaiorValor(EstadoAtual)
se Vizinho[Valor] for menor ou igual EstadoAtual[Valor] então
retorna EstadoAtual
EstadoAtual ← Vizinho
Fim
•
Consiste de de um loop que continuamente move-se para os estados que aumentam
o valor em sua função de avaliação.
•
•
Termina quando atinge um "pico" onde nenhum vizinho tem um valor maior.
Não mantem uma árvores de busca.
Hill Climbing – Exemplo
•
•
•
Problema: 8 Rainhas (estados completos)
–
Em cada estado: 8 rainhas no tabuleiro, uma em
cada coluna.
Ações:
–
Mover uma rainha para outro quadrado na
mesma coluna.
Função Heurística (h):
–
Número de rainhas sendo atacadas.
•
Objetivo:
–
h = 0 (nenhuma rainha sendo atacada)
Hill Climbing – Exemplo
•
•
h = 17
Melhor movimento: 12
Hill Climbing
•
•
É um algoritmo guloso – escolhe sempre o primeiro
melhor vizinho para progredir na busca.
Essa abordagem pode ter bons resultados em alguns
problemas. Sendo capaz de progredir rapidamente para
a solução problema.
•
Mas, sofre de três sérios problemas:
–
–
–
Máximos locais
Planícies
Encostas e Picos
Hill Climbing
•
•
Máximos Locais
Planícies
Hill Climbing – Exemplo
•
•
Ações Possíveis:
–
Pegar um bloco e colocar ele sobre a mesa.
–
Pegar um bloco e colocar ele sobre outro bloco.
Heurística:
–
+1 para cada bloco em cima do bloco onde ele deve estar.
-1 para cada bloco em cima do bloco errado.
–
Hill Climbing – Exemplo
Máximo Local
Hill Climbing
•
Encostas e Picos
Hill Climbing – Exemplo
•
•
Problema: 8 Rainhas
Inicializando aleatoriamente o estado inicial:
–
–
O algoritmo fica em preso em um máximo local em 86%
das vezes.
Resolve apenas 14% das instancias.
•
Quando tem sucesso, resolve o problema em
aproximadamente 4 passos – nada mal para um
espaço de estados com 17 milhões de estados.
Hill Climbing
•
Variações:
–
Random-Restart Hill Climbing;
•
•
Não é ótimo e não é completo.
O desempenho do Hill Climbing depende muito do
formato do panorama do espaço de estados.
Exercício
1) Como tratar ambientes contínuos?
–
–
Discretização
Métodos matemáticos
Busca Online
•
Todos os métodos de busca vistos até o momento são
offline, ou seja, o agente calcula todos antes passos
antes de agir.
•
•
Agentes de busca online devem intercalar entre busca
e execução das ações.
Apropriado para ambientes dinâmicos, desconhecidos
e também para espaços de busca muito grandes.
Busca Online - Exemplo
•
Informações:
Ações(s)
• Lista de ações possíveis no estado s.
–
–
C(s, a, s’)
•
Custo da execução da ação a no estado s
resultando no estado s’.
–
TesteObjetivo(s)
• Testa se s é o estado objetivo.
•
O agente somente tem acesso aos estados
sucessores após executar as ações.
Busca em Profundidade Online
•
•
Realiza uma busca em profundidade executando as ações
fisicamente durante o processo até chegar no estado objetivo.
Se todos os vizinhos de um estado já foram visitados é
necessário retornar fisicamente para a posição anterior.
Busca Local Online
O hill climbing é naturalmente um algoritmo de busca online.
Problema:
•
•
–
Na sua forma mais simples, pode deixar o agente parado em um
máximo local sem ter para onde ir.
–
Não é possível reiniciar o processo randomicamente porque o agente
não pode teletransportar.
•
Solução:
–
Caminhada aleatória ao chegar em uma máximo local.
Busca Local Online
•
•
A caminhada aleatória garante que o agente eventualmente
vai encontrar o objeto ou completar o processo de
exploração.
Esse processo pode ser lento.
Qual Algoritmo Usar?
Leitura Complementar
•
Russell, S. and Novig, P. Artificial Intelligence: a
Modern Approach, 2nd Edition, Prentice-Hall,
2003.
•
Capítulo 4: Informed Search and Exploration