Inteligência Artificial (SI 214) Aula 6 Busca com Adversário. Prof. Josenildo Silva

Transcrição

1 Inteligência Artificial (SI 214) Aula 6 Busca com Adversário Prof. Josenildo Silva jcsilva@ifma.edu.br 2015

2 Josenildo Silva Este material é derivado dos slides de Hwee Tou Ng, disponível no site do livro AIMA (Russel & Norvig) para professores e instrutores.

3 Leitura Recomendada Leia o Capítulo 6 do livro AIMA Seções 6.1 até 6.4

4 Introdução Algoritmos de busca clássicos assumem um ambiente previsível. ações resultados

5 Além disso, assumem que a escolha das ações sempre contribuirá para atingir o estado objetivo.

6 O mundo real, por outro lado, é dinâmico, aleatório e pode conter adversários.

7 O mundo real, por outro lado, é dinâmico, aleatório e pode conter adversários. Não se pode prever um futuro com horizonte muito distante do presente

8 O mundo real, por outro lado, é dinâmico, aleatório e pode conter adversários. Não se pode prever todos os estados futuros com bases apenas nas ações do agente

9 O mundo real, por outro lado, é dinâmico, aleatório e pode conter adversários. Outros agentes no sistema agem para evitar que se atinja o objetivo

10 Este tipo de ambiente é denominado jogo e demanda um tipo de busca diferente: busca adversarial.

11 Como fazer busca com adversários?

12 Idéia geral Análisar o estado resultante de cada possível jogada do oponente Se houver limite de tempo, poderá não encontrar o objetivo

13 Árvore do Jogo da Velha

14 Árvore do Jogo da Velha Um nível é do agente e o outro nível é do oponente

15 Árvore do Jogo da Velha Um nível é do agente e o outro nível é do oponente Agente Oponente Agente Oponente

16 Minimax Escolha uma jogada que tenha o maior valor minimax

17 Minimax Escolha uma jogada que tenha o maior valor minimax Valor o que?!

18 Agente maximiza a sua jogada

19 Agente prevê qual ação do adversário minimiza sua utilidade

20 Minimax Altura finita

21 Minimax

22 Minimax Avalia a função de utilidade para os nós folhas e propaga para o nós pais

23 Minimax

24 Minimax Escolha o minimo valor no nível do oponente

25 Minimax Escolha o minimo valor no nível do oponente

26 Minimax Escolha o minimo valor no nível do oponente

27 Minimax Escolha o máximo valor no nível do agente

28 Minimax Máximo entre os mínimos

29 Minimax Mínimo entre os máximos

30 Algoritmo Minimax

31 Algoritmo Minimax Avalia função de utilidade nos nós folhas

32 Algoritmo Minimax Máximo dos mínimos

33 Algoritmo Minimax Mínimo dos máximos

34 Propriedades do minimax Completo se a árvore é finita Ótimo contra um oponente ótimo Tempo O(b m ) Espaço O(bd) (busca em profundidade)

35 Propriedades do minimax Completo se a árvore é finita Ótimo contra um oponente ótimo Tempo O(b m ) m é a profundidade máxima explorada Espaço O(bd) (busca em profundidade)

36 Propriedades do minimax Completo se a árvore é finita Ótimo contra um oponente ótimo Tempo O(b m ) Espaço O(bd) (busca em profundidade) d é a profundidade da solução ótima

37 Para Xadrez, b 35, m 5 e d = milhões de nodos 35 6 = bilhões de nodos 35 7 = trilhões de nodos =? Aguarde... sua ligação é muito importante! A solução exata é impossível

38 É necesário podar o espaço de estados.

39 Idéia Podar partes da árvore que não irão melhorar o valor minmax

40 Poda α-β

41 Poda α-β Pelo menos 3 Não mais que 3

42 Poda α-β

43 Poda α-β 4 6

44 Poda α-β

45 Poda α-β

46 Poda α-β

47 Propriedades da Poda α-β Podar não afeta o resultado final Ordenação melhora a eficiencia Com ordenação perfeita" a complexidade de tempo é O(b m /2)

48 Propriedades da Poda α-β Podar não afeta o resultado final Ordenação melhora a eficiencia Com ordenação perfeita" a complexidade de tempo é O(b m /2) Duplica a velocidade da busca

49 Por quê poda α-β? α é o valor da melhor escolha encontrada ao longo do caminho para max. Se um valor é pior que α, max deve evitá-lo Poda esta parte da árvore β é definido de modo similar para min.

50 Algoritmo α-β

51 Algoritmo α-β

52 Limite de Recursos Suponha que haja um limite de recursos para a busca. Ao atingir o limite (profundidade, tempo, etc) aplica uma função de avaliação sobre os estados (ao invés de utilidade)

53 Funções de Avaliação Para Xadrez, tipicamente usa-se soma ponderada das características do jogo Eval(s) = w 1 f 1 s + w 2 f 2 s + + w n f n s Cada função tenta capturar uma heurística: valor dos bispos, estrutura geral do jogo, etc.

54 Busca com Corte (cutoff) MinimaxCutoff é idêntico ao MinimaxValue exceto: Terminal é substituído por Cutoff Utility é substituído por Eval

55 Funciona na prática? bm = 106, com b=35 e m=4 4 níveis novato humano 8 níveis PC típico, mestre humano 12 níveis Deep Blue, Kasparov

56 Jogos Determinísticos na Prática Chess: Deep Blue derroutou Garry Kasparov (melhor de 6) em Deep Blue busca 200 milhões de posições por segundo, e pode extender algumas linhas por até 40 níveis de profundidade

57 Jogos Determinísticos na Prática Checkers: Chinook encerrou a soberania de 40 anos do campeão mundial Marion Tinsley in Usa uma base de 444 bilhões de posições.

58 Jogos Determinísticos na Prática Othello: campeões humanos recusamse a competir com computadores, que são muito bons.

59 Jogos Determinísticos na Prática Go: campeões humanos recusam-se a competir com computadores, que são muito ruins. Em go, b > 300, então, os programas utilizam padrões de movimentos para sugerir jogadas plausíveis.