Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

1 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,

Podobne prezentacje


Prezentacja na temat: "1 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,"— Zapis prezentacji:

1 1 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno SZTUCZNA INTELIGENCJA ARTIFICIAL INTELLIGENCE WYKŁAD 1 Dr hab. inż. Barbara Dębska, prof. PWSZ KROSNO WPROWADZENIE

2 2 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno hasło – artint

3 3 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno L. Bolc, J. Cytowski, Szukanie heurystyczne. J. Chromiec, E. Strzemieczna, Sztuczna inteligencja. Podstawowe metody konstrukcji i analizy systemów eksperckich (Akademicka Oficyna Wydawnicza, Warszawa 1994) E. Chwiałkowska, Sztuczna Inteligencja w Systemach Eksperckich (MIKOM 1991) Z. Hippe, Zastosowanie metod sztucznej inteligencji w chemii (PWN, Warszawa 1993) J. Mulawka, Sztuczna Inteligencja (1995) Jerzy Cytowski, Metody i algorytmy sztucznej inteligencji w cyfrowym przetwarzaniu sygnałów. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1999 LITERATURA

4 4 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Definicja Sztuczna inteligencja (Artificial Intelligence, AI) to dziedzina nauki zajmująca się rozwiązywaniem zagadnień efektywnie niealgorytmizowalnych, w oparciu o modelowanie wiedzy. AI uważana jest za część informatyki. * AI - to nauka mająca za zadanie nauczyć maszyny zachowań podobnych do ludzkich. * AI - to nauka o tym, jak nauczyć maszyny robić rzeczy, które obecnie ludzie robią lepiej. * AI - to nauka o komputerowych modelach wiedzy umożliwiających rozumienie, wnioskowanie i działanie. Inne definicje:

5 5 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno AI i inne nauki AI zaliczana jest do nauk kognitywnych (tzn. związanych z procesem poznawczym, odnoszących się do poznawania czegoś). AI to część ogólniejszej dziedziny, nazywanej Inteligencją Obliczeniową (Computational Intelligence), której celem jest rozwiązywanie zagadnień efektywnie niealgorytmizowalnych, przy pomocy obliczeń. Obszary badań naukowych powstają w wyniku skupienia się zainteresowania uczonych wokół różnych zjawisk. Nauki nie powstają w wyniku definicji, ale zostają rozpoznane – definicja wg. A. Newell, 1973 AI została rozpoznana jeszcze przed informatyką!

6 6 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Jak powstała sztuczna inteligencja? Ramon Lull, XIII wiek, kataloński filozof i teolog, franciszkanin, autor Ars magna generalis et ultimata - systemu logicznego, obejmującego wszystkie gałęzie wiedzy. Pisząc o rachunku filozoficznym Leibniz wyraża nadzieję, że w przyszłości dzięki rozwojowi logiki matematycznej zamiast się spierać, wystarczy policzyć - Calculemus! Problem Leibniza: jak większa liczba dzielona przez mniejszą może dać to samo co mniejsza przez większą? Gottfried Leibniz, Czterodziałaniowa maszyna licząca w 1694 r, projekt maszyny działającej w systemie dwójkowym.

7 7 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Początki informatyki 1949: Claude Shannon i teoria informacji; Norbert Wiener Cybernetyka czyli sterowanie i komunikacja w zwierzęciu i maszynie. McCulloch i Pitts - sieć nerwowa jako układu elementów logicznych. Allan Turing, , ojciec informatyki teoretycznej, rozważa w 1950 roku możliwości myślenia maszyn, formułuje Test Turinga i opisuje go w pracy Computing Machinery and Intelligence.

8 8 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Test Turinga B: Człowiek lub komputerC: Człowiek lub komputer W pokoju B lub C znajduje się testowany komputer. Przesłuchujący A może zadać dowolne pytanie, a komputer odpowiada sprawiając wrażenie istoty ludzkiej. Komputer przechodzi test jeśli A nie rozpozna go w wyznaczonym czasie (faktycznie komputer powinien przejść kilka testów z różnymi przesłuchującymi). A: Osoba przesłuchująca UWAGA!!! Żaden komputer nigdy nie dotarł w pobliże granicy przejścia tego testu

9 9 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Rozważmy na ile inteligentny musi być program, aby reagować na następujące pytania zadawane przez osobę A: 1. Czy jesteś komputerem? 2. Która godzina? 3. Kiedy zamordowano prezydenta Kennedyego? 4. Ile jest * 7896? 5. Czy białe mogą dać mata w takiej to a takiej sytuacji na szachownicy? 6. Opisz swoich rodziców? 7. Jakie wrażenie wywiera na tobie następujący wiersz....? 8. Co myślisz o Karolu Dickensie? dostęp do encyklopedii niezbędne opóźnienie czasowe odpowiedzi niezbędna wiedza o grze w szachy wyuczenie odpowiedzi na niektóre pytania 7 i 8 - wymaga zdolności wyrażania preferencji, opinii, emocji i stanowiska oczywiste zaprzeczenie komputer ma wbudowany RTC

10 10 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Powstanie AI wykłady Williama Jamesa w Harvard University, 1988:... Psychologia dojrzała już do zunifikowanych teorii poznania, czyli takich teorii, które postulują spójny system mechanizmów pozwalających wyjaśnić wszystkie aspekty działania umysłu.... Marvin Minksky, 1956, wprowadza nazwę "sztuczna inteligencja". Allen Newell, Herbert Simon, General Problem Solver, podejmuje próbę stworzenia ogólnego programu do rozwiązywania problemów. Newell i Simon, 1975, określają AI jako naukę empiryczną, budując symboliczne systemy oparte na wiedzy jako modelu umysłu.

11 11 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Okresy rozwoju AI według Patricka Winston'a Era prehistoryczna: od maszyny analitycznej Charles'a Babbage (1842) do około 1960 roku. Era romantyczna, , kiedy przewidywano, że AI osiągnie swoje cele w ciągu 10 lat. Okres ciemności: , w którym niewiele się działo, opadł entuzjazm i pojawiły się głosy bardzo krytyczne. Renesans: , gdy zaczęto budować pierwsze systemy doradcze, użyteczne w praktyce. Okres partnerstwa: , gdy do badań nad AI wprowadzono metody kognitywistyki (teorii poznania). Okres komercjalizacji: , gdy programy AI, a szczególnie systemy doradcze zaczęto sprzedawać komercyjnie. Wielkie projekty: 5 generacja; projekty hybrydowe CI; era agentów, elementy AI w wielu programach.

12 12 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Kluczowe zagadnienia Zagadnienia filozoficzne AI. Czy maszyny mogą myśleć? Czy mogą być twórcze? Czy mogą być świadome? Jakie są ograniczenia ich możliwości? Rozwiązywanie problemów: gry i zagadki logiczne, gry planszowe, obliczenia symboliczne. Główne metody to szukanie i redukcja problemów. Drzewa decyzyjne. Mistrzowskie rezultaty: warcaby, szachy i inne, Systemy ekspertowe, systemy doradczo-decyzyjne, inżynieria wiedzy. Reprezentacja wiedzy, dialog z systemem, wyjaśnianie rozumowania, akwizycja wiedzy od ekspertów dziedzinowych. Uczenie się na przykładach lub przez analogię. Uczenie maszynowe: metody statystyczne (analiza skupień), rozpoznawanie obrazów, logika rozmyta, sieci neuronowe, algorytmy genetyczne.

13 13 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Wersja silna AI Wersja silna AI: komputer odpowiednio zaprogramowany jest w istotny sposób równoważny mózgowi i może mieć stany poznawcze. Wersja często atakowana, prowadzone są ciągłe spory filozoficzne, czy jest to możliwe? Symulacja inteligencji to nie prawdziwa inteligencja, umysł nie jest programem a mózg nie jest komputerem. Najsilniejsze ośrodki AI na świecie: MIT, Stanford, CalTech, Berkeley. W Europie: Edynburg w Szkocji, Marsylia w Francji. Wielkie firmy komputerowe: IBM, Microsoft, Siemens. Stąd następująca definicja: Sztuczna inteligencja to to, czego jeszcze nie potrafią zrobić sztuczne systemy.

14 14 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Za i przeciw AI Trudno o dobrą teorię. Inteligencja jest bardzo złożoną funkcją mózgu. Jedynie systemy o podobnej złożoności mogą ze sobą konkurować. Wielkie projekty w AI pozwoliły sporo się nauczyć. Najbardziej ambitne projekty: Japoński projekt komputerów piątej generacji. Projekty amerykańskie. Projekty europejskie.

15 15 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Komputery piątej generacji Budowa Knowledge Information Processing Systems (KIPS). W latach 90. KIPSy miały być centralnym narzędziem we wszystkich dziedzinach społecznej działalności, włączając w to ekonomię, przemysł, kulturę, życie codzienne. Lata Budżet rzędu miliarda USD na 10 lat. Ministry of International Trade and Industry (MITI, Japonia). Ok. 40 młodych ludzi z różnych firm komputerowych. Institute for New Generation of Computer Technology (ICOT).

16 16 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Główne założenia dla komputerów 5-tej generacji Tłumaczenie, ok słów z japońskiego na angielski z dokładnością 90%. Pattern Information Processing National Systems (PIPNS) – analiza obrazów przy założeniu przechowywania do obrazów w pamięci. Stworzenie systemów eksperckich korzystających z reguł wnioskowania. Dialog z maszyną w języku naturalnym. Rozumienie ciągłej mowy w zakresie słów z dokładnością 95%.

17 17 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Wyniki Program zakończono w 1994 roku, o pierwotnych celach zapomniano !!!, natomiast Rozwinięto systemy równoległego i rozproszonego przetwarzania wiedzy oraz systemy równoległego wnioskowania (PIM, Parallel Inference Machines). Opracowano obiektowo-zorientowane języki do reprezentacji wiedzy: np.: KL1, KLIC, pozwalające na opis skomplikowanych fragmentów wiedzy, np. dotyczących reakcji biologicznych czy zagadnień prawniczych. Rozwinięto metody szukania i organizacji wiedzy w dużych, rozproszonych bazach danych multimedialnych. Rozwinięto komputerowe wspomaganie projektowania (CAD, computer– aided design) z wykorzystywaniem wnioskowania logicznego z możliwością jego realizowania na komputerach umożliwiających równoległe przetwarzanie.

18 18 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Projekty amerykańskie Najsilniejsze, specjalizujące się w AI ośrodki naukowe są w USA. Główne projekty AI finansowane są przez ARPA (Advanced Research Projects Agency of Department of Defense) dotyczyły prac na potrzeb armii – automatyczne samoloty i czołgi. Powstało Microelectronic and Computer Technology Corporation (MCTC), od 1983 roku będące konsorcjum większości dużych firm komputerowych. AI, CAD/CAM (computer aided manufacturing), superkomputery, IC... Podjęto Inicjatywę superkomputerową (supercomputing initiative) – hardware: tera-byte flop computer i gigabit networks - The Grid. Opracowano alternatywę do systemów o milionach reguł: inteligencję behawioralną, która zakłada, że rozwój robota podobny jest do rozwoju dziecka. (behawioryzm – uczłowieczenie)

19 19 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Europa W Anglii do 1973 powstało sporo prac w dziedzinie AI. Raport matematyka Sir Jamesa Lighthilla - AI to utopia; fundusze obcięto. Po 1982 r. sytuacja się zmieniła; kilka dobrych ośrodków (Edynburg, Sussex) kognitywnych. Francja, od 1982 realizowano program rozwoju komunikacji, robotyki i AI. Plany: w 1990 roku 20% produkcji będzie wykonywanej dzięki robotom. Projekt inteligentnej encyklopedii. Unia Europejska: ESPRIT - European Strategic Program for Resources in Information Technology, w tym rozwój mikroelektroniki, robotyki, AI, oprogramowania. Budowa społeczeństwa informacyjnego – 6 Program Ramowy UE. Udział politechnik, uniwersytetów i dużych firmy IT w badaniach nad AI. Powstanie Sieci Centrów Doskonałości

20 20 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno I. SZUKANIE I REDUKCJA PROBLEMÓW Szukanie - jedna z najważniejszych metod informatyki, niemal utożsamiana ze sztuczną inteligencją. Występuje w wielu problemach: dedukcji, rozumowania, wnioskowania, planowania, dowodzenia twierdzeń... Sposoby przeszukiwania: - Systematyczna eksploracja alternatyw. - Sekwencja kroków prowadząca do rozwiązania. Donald E. Knuth poświęcił szukaniu cały tom: The art of computer programming. Vol. III. Sorting & Search. (Sztuka programowania, Tom 3, Sortowanie i wyszukiwanie, WNT, 2002) Szukajcie a (być może) znajdziecie!

21 21 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Definicja problemu Trzy elementy potrzebne do zdefiniowania problemu: Ciąg operacji tworzy sekwencję działań, od stanu początkowego do stanu końcowego (celu). Z każdą operacją związany jest pewien koszt. W procesie szukania należy dążyć do minimalizacji całkowitych kosztów. 1.Baza danych: fakty, stany, możliwości, opis sytuacji. 2.Możliwe operacje: zmieniają stan bazy danych. 3.Strategia kontrolna: start, stop i kolejność operacji. Właściwości procesu szukania rozwiązania:

22 22 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Rodzaje algorytmów Analiza środków i celów (means-ends analysis): strategia mieszana, tworzy cele pośrednie. Strategie przeszukiwań: różne sposoby tworzenia grafów lub przechodzenia przez graf. Znaleziona sekwencja operacji rozumowanie. Rozumowanie bezpośrednie: od danych do celu (data driven), zwane szukaniem z dołu do góry (bottom-up). Rozumowanie wstecz: od celu do danych, kierowane przez cele (goal directed), z góry na dół (top-down) Jak przedstawić proces szukania? Grafy lub struktury drzewiaste.

23 23 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Grafy i szukanie węzły = stany bazy; tworzone w miarę potrzeb. gałęzie = operacje prowadzące do nowych stanów.

24 24 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Struktury drzewiaste: grafy w których każdy węzeł ma tylko jednego poprzednika. Drzewo wszystkich możliwości wyznacza przestrzeń szukania. Struktury drzewiaste i szukanie

25 25 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Eksplozja liczby rozwiązań Przestrzeń szukania może być nieskończona lub ogromnie wielka. Np. jeśli jest 10 operatorów a potrzeba 100 kroków to – elementarnych stanów Dla warcabów jest około różnych gier! Liczba gier w szachach jest rzędu (tyle węzłów końcowych) Kostka Rubika, ok możliwości ułożenia klocków na ściankach. W AI interesują nas zagadnienia nieobliczalne, NP-trudne - liczba węzłów rośnie prowadząc do eksplozji kombinatorycznej. Drzewo szukania powinno być małym podzbiorem całej przestrzeni szukania. Podstawowe pytanie: Jak to osiągnąć? Jak znaleźć drogę do rozwiązania w tak wielkiej przestrzeni tworząc najmniejszy graf szukania?

26 26 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Heurystyki Metoda wygeneruj i testuj. Generator nowych stanów (węzłów) produkuje hipotezy. generuj wszystkie możliwe stany (zupełność); unikaj powtarzania tych samych stanów (unikalność); używaj wszystkich informacji pozwalających wstępnie ograniczyć możliwe hipotezy (np. stosuj zdrowy rozsądek – common sense). Testuj wyniki. Heurystyczny - pomocny w rozwiązaniu, służący odkryciu, zawierający praktyczne zasady. Wiedza heurystyczna - wiedza nie gwarantująca rozwiązania. Proces heurystyczny oznacza proces mogący - ale nie gwarantujący - doprowadzić do rozwiązania, strategię, trik. Proces heurystyczny - przeciwstawienie ślepego szukania.

27 27 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno - Szukanie leniwe – znajdujemy najbliższego optyka... Przykład heurystyki – pewna osoba zgubiła szkła kontaktowe. Główną wadą metody heurystycznej jest fakt braku pewności sukcesu (zawodzą w tzw. szczególnych przypadkach). Różne metody poszukiwań: - Szukanie na ślepo – schylanie się i szukanie po omacku losowo; - Szukanie systematyczne – Przeszukiwanie powierzchni w sposób zorganizowany w coraz to większych kręgach wokół punktu centralnego - Szukanie analityczne – rozwiązuje się ścisłe równania matematyczne uwzględniające ciężar i kształt szkieł, siłę ciążenia, wiatr, opór powietrza, topografię, sprężystość i strukturę powierzchni. - Szukanie heurystyczne – po pierwsze określamy przybliżony kierunek upadku, opierając się na naszej wiedzy domyślamy się na jaką odległość mogły upaść szkła, a następnie ograniczamy poszukiwania do wyznaczonego obszaru.

28 28 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Przesuwanka Przykład: 15-ka lub 8-ka, prosta przesuwanka. Przestrzeń stanów liczy 9!/2= elementów (połowa jest niedostępna bez np. zamiany 1 2). Stan = macierz 3 na 3. Operacje = przesuwanie; 4 operacje na pustym polu; Ruchy = zbiór operatorów O d, O g, O l, O p Zbiór stanów wyjściowych S i końcowych G. Problem zdefiniowany jest jako trójka (S,O,G). Rozwiązanie problemu = ciąg operatorów przekształcających S G.

29 29 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno PAP

30 30 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Królowe i kryptologia Stan początkowy: dowolny układ N królowych. Operator: przestaw królową na jedno z pustych pól. Cel: ustawienie N królowych tak, by żadna nie atakowała pozostałych. Cel dodatkowy: znaleźć wszystkie możliwe rozwiązania. Problem N królowych.

31 31 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Lis i gęsi Problem: Jak przewieźć lisa, gęś i ziarno małą łódką na drugą stronę rzeki, jeśli zmieści się w niej nie więcej niż jedna rzecz? Jeśli nie pilnować to: lis zje gęś, gęś zje ziarno (farmer zje wszystko). Farmer, lis, gęś, ziarno pusto Pusto Farmer, lis, gęś, ziarno

32 32 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Algorytm rozwiązania

33 33 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Reprezentacja redukcyjna Najważniejsze nie stany, ale cele, czyli opisy problemu Opis początkowego problemu Zbiór operatorów transformujących dany problem na problemy cząstkowe Zbiór problemów elementarnych Problem całkowity: przesuń n klocków z i na j. Podproblemy: Przesuń stos n-1 klocków z i na j Przesuń jeden klocek z i na k Przesuń stos n-1 klocków z j na k Problem elementarny: przesunięcie pojedynczego klocka. Wieża z Hanoi. Krążki A, B, C,... Kołki, i, j, k.

34 34 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Rzeczywiste problemy Metody szukania są przydatne do rozwiązywania wielu rzeczywistych problemów. Szukanie optymalnej drogi: rutowanie pakietów w sieciach komputerowych, rezerwacje lotnicze lub kolejowe. Projektowanie VLSI: jak optymalnie rozmieścić miliony elementów uwzględniając wiele ograniczeń? Jaką strukturę przyjmie białko po zwinięciu się łańcucha aminokwasów? Szukanie drogi przez roboty, szukanie inteligentnego życia na Marsie, autonomiczne urządzenia ratunkowe. Planowanie zajęć w większej szkole. Gry planszowe, gry wojenne, gry komputerowe. Dowodzenie twierdzeń matematycznych.

35 35 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno Procedury szukania Szukanie na ślepo - nie mamy żadnej informacji. Na ślepo: Monte Carlo, czyli procedura Brytyjskiego Muzeum. Dla większych problemów jeśli istnieje wiele rozwiązań może coś się uda znaleźć... i ślepej kurze... Szukanie heurystycze - potrafimy ocenić postępy. Szukanie w głąb. Szukanie w szerz, sprawdzając wszystkie możliwości.

36 36 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska, prof. PWSZ Krosno


Pobierz ppt "1 Wykład 1 PROGNOZOWANIE WŁAŚCIWOŚCI MATERIAŁÓW Inżynieria Materiałowa SZTUCZNA INTELIGENCJA Sieciowe Systemy Informatyczne Dr hab. inż. Barbara Dębska,"

Podobne prezentacje


Reklamy Google