advertise laitec sharif univercity
دانلود سورس اندروید اپلیکیشن افزایش سرعت گوشی

دانلود سورس اندروید اپلیکیشن افزایش سرعت گوشی

18000 تومان
دانلود مقاله ای در مورد الگوریتم  کرم شب تاب FireFly در هوش مصنوعی

دانلود مقاله ای در مورد الگوریتم کرم شب تاب FireFly در هوش مصنوعی

10000 تومان
پروژه کامل مدیریت شرکت نرم افزاری با سی شارپ و SQL

پروژه کامل مدیریت شرکت نرم افزاری با سی شارپ و SQL

38000 تومان
دانلود سورس پروژه TSP با الگوریتم مورچگان Ants

دانلود سورس پروژه TSP با الگوریتم مورچگان Ants

10000 تومان
پکیج ویژه پروژه پایانی و پایان نامه رشته کامپیوتر

پکیج ویژه پروژه پایانی و پایان نامه رشته کامپیوتر

148000 تومان

الگوریتم جست وجو بدون مشاهدات

در الگوریتم های جست وجوی هوش مصنوعی،وقتی ادراک عامل، هیچ اطلاعاتی را فراهم نکند، با مسئله ای به نام مسئله فاقد سنسور (حسگر) یا جست وجوی بدون مشاهدات مواجه ایم.
الگوریتم جست وجو بدون مشاهدات

الگوریتم جست وجو بدون مشاهدات

وقتی ادراک عامل، هیچ اطلاعاتی را فراهم نمیکند، با مسئله ای به نام مسئله فاقد سنسور (حسگر) یا مسئله انطباق (جست وجو بدون مشاهدات) مواجه ایم. در نگاه اول ممکن است فکر کنید که اگر عامل فاقد سنسور، هیچ ایده ای راجع به حالت فعلی نداشته باشد، هیچ امیدی به حل مسئله ندارد. علاوه بر این عامل های فاقد سنسور میتوانند مفید واقع شوند، دلیل اصلی این است که آنها متکی به سنسورهایی نیستند که باید به درستی عمل کنند. علت دیگر اجتناب از سنسوها، هزینه بالای آنهاست.

برای حل مسئله های فاقد سنسور، به جای حالتهای فیزیکی در فضای حالت های باور جست وجو میکنیم. در " فضای حالت باور" مسئله کاملا قابل مشاهده است، زیرا عامل همیشه حالت باور خود را میداند. علاوه براین، جواب (در صورت وجود) همیشه دنباله ای از فعالیت هاست. علتش این است که ادراکات دریافت شده پس از هر فعالیت کاملا قابل مشاهده هستند.

جست وجو بدون مشاهدات، مسئله فاقد سنسور را میتوان بصورت زیر تعریف کرد:

حالتهای باو (belief states) : کل فضای باور شامل هر مجموعه ی ممکن از حالتهای فیزیکی است. اگر P دارای N حالت باشد، آنگاه مسئله فاقد سنسور تا 2N حالت دارد و ممکن است بسیاری از این حالتها از حالت شروع قابل دسترس نباشند.

حالت شروع (initial state) : معمولا مجموعه ای از تمام حالتها در P است، گرچه در بعضی از موارد، عامل اطلاعات بیشتری دارد.

فعالیتها (actions) : مشخص کردن فعالیتها نیاز به زیرکی خاصی دارد. فرض کنید عامل در حالت باور b={s1 , s2} قرار دارد، اماACTIONSp(s1) != ACTIONSp(s2آنگاه عامل مطمئن نیست که کدام فعالیت ها معتبر هستند. اگر فرض کنیم که فعالیتهای نامعتبر اثری در محیط ندارند، به دست آوردن اجتماع تمام فعالیت ها در هر یک از حالتهای فیزیکی در حالت باور فعلی b مناسب (امن) است.

مدل گذار یا تغییر حالت (transition model) : عامل نمیداند کدام حالت در حالت باور، درست است. لذا تا جایی که عامل اطلاع دارد، میتواند به هر حالتی برود که ناشی از اجرای این فعالیت در یکی از حالتهای فیزیکی در حالت باور است.

آزمون هدف (goal test) : عامل میخواهد برنامه ریزی داشته باشد که مطمئن باشد کار میکند. معنایش این است که حالت باور فقط وقتی هدف را برآورده میکند که تمام حالتهای فیزیکی موجود در آن، را برآورده کند. ممکن است عامل بطور تصادفی زودتر به هدف برسد ولی نخواهند دانست که به هدف  رسیده است.

هزینه مسیر (path cost) : پیدا کردن مسیر هدف نیز به زیرکی خاصی نیاز دارد. اگر فعالیتی در حالتهای مختلف هزینه های متفاوتی داشته باشد، آنگاه هزینه انجام فعالیتی در "حالت باور خاص" میتوانست یکی از چندیدن مقدار باشد. فعلا فرض میکنیم هزینه یک فعالیت در تمام حالتها یکسان است و در نتیجه مستقیما میتواند از مسئله فیزیکی مورد نظر به دست آید.

با استفاده از این تعریفها میتوان فرموله کردن مسئله حالت باور را بطور خودکار از تعریف مسئله ی فیزیکی به دست آورد. در جستوجوی "عادی" گراف، حالتهای جدیدی که ایجاد شدند، تست میشوند تا مشخص شود که با حالتهای موجود یکسان هستند یا خیر. این کار را برای حالت های باور امکان پذیر است. میتوان اثبات کرد که اگر دنباله ای از فعالیتها جوابی برای حالت باور b باشد، جوابی برای هر زیر مجموعه ی b نیز هست. پس اگر زیر مجموعه ای از جوابها پیدا شد میتوان مسیری را که به آن زیر مجموعه منتهی میشود، حذف کرد. این سطح اضافی هرس کردن (حذف کردن) میتواند کارایی حل مسئله ی فاقد سنسور را بهبود بخشد.

حتی با این تغییر و بهبود نیز حل مسئله ی جست وجو بدون مشاهدات در عمل به ندرت امکانپذیر است. این مشکل به گستردگی فضای حالت باور نیست، مشکل اصلی به اندازه ی هر حالت باور مربوط میشود. یک راه حل این است که حالت باور را با توصیف فشرده تری نشان دهیم. روش دیگر، عدم استفاده از الگوریتم های جست وجوی استاندارد است که با حالتهای باور مثل "جعبه سیاه" رفتار میکند. به جای آن میتوان داخل حالتهای باور را دید و الگوریتم های جست وجوی حالت باور افزایشی را ایجاد کرد که هر بار جواب یک حالت فیزیکی را به دست می آورند. درست مانند جست وجوی AND – OR که باید جوابی را برای هر انشعاب در گره AND پیدا کند، این الگوریتم باید جوابی را برای هر حالت در حالت باور پیدا کند. تفاوت آنها این است که جست وجوی AND – OR میتواند برای هر انشعاب جواب متفاوتی به دست آورد در حالیکه در جست وجوی حالت باور افزایشی باید یک جواب را پیدا کند که برای تمام حالتها کار کند.

امتیاز عمده روش افزایشی این است که سریعا وجود خطا را تشخیص میدهد وقتی حالت باور غیر قابل حل باشد، معمولا زیرمجموعه ای از حالت باور که شامل چند حالت اول بررسی شده است، غیرقابل حل است. در بعضی از موارد، این کار منجر به افزایش سرعت متناسب با اندازه حالت های باور میشود که ممکن است به اندازه خود فضای حالت فیزیکی باشد.

 

 



0
نظرات

نظر خود را ارسال کنید



نام:
ایمیل:
دیدگاه:
captcha
کد امنیتی :


advertise
مسئله های فاقد حسگر در هوش مصنوعیآشنایی با مسئله های فاقد سنسور در هوش مصنوعیالگوریتم جست وجو بدون مشاهدات چیست؟آموزش هوش مصنوعی جست وجو بدون مشاهداتمسئله انطباق در هوش مصنوعیجست وجوی بدون مشاهدات در هوش مصنوعیآشنایی با الگوریتم جست وجوی بدون مشاهدهمسئله های فاقد سنسورتبلیغات ارزان سایت آموزش برنامه نویسیتبلیغات مخصوص طراحان وب سایتتبلیغات در سایت برنامه نویسیتبلیغات اینترنتی برای برنامه نویساندر آغوش مینیمالیسممنوی همبرگر با سه خط افقی که روی یکدیگر قرار گرفته اند نشانه چیست؟ سوئیچ به یک ستون واحدتبدیل متن ساده به وبلاگ و سایت های پویا با React.jsکتابخانه sass برای استفاده آسان تر از آنکتابخانه سطح بالا برای اتوماتیک سازی اعمال مرورگر لیست برچسب ها
تمامی حقوق این سایت اعم از محتوی ، تصاویر ، قالب و ... متعلق به گروه مهندسی وب سایت سورس کد می باشد.
SourceCodes.ir ، افقی روشن برای برنامه نویسان ، از مبتدی تا حرفه ای

پیشنهادات ویژه سورس کد

پکیج ویژه پروژه پایانی رشته کامپیوتر دانلود مجموعه 70 پروژه کاربردی سی شارپ وب سایت فروشگاه با php