Системы искусственного интеллекта - презентация, доклад, проект скачать

Нажмите для полного просмотра!

Системы искусственного интеллекта, слайд №1

Системы искусственного интеллекта, слайд №2

Системы искусственного интеллекта, слайд №3

Системы искусственного интеллекта, слайд №4

Системы искусственного интеллекта, слайд №5

Системы искусственного интеллекта, слайд №6

Системы искусственного интеллекта, слайд №7

Системы искусственного интеллекта, слайд №8

Системы искусственного интеллекта, слайд №9

Системы искусственного интеллекта, слайд №10

Системы искусственного интеллекта, слайд №11

Системы искусственного интеллекта, слайд №12

Системы искусственного интеллекта, слайд №13

Системы искусственного интеллекта, слайд №14

Системы искусственного интеллекта, слайд №15

Системы искусственного интеллекта, слайд №16

Системы искусственного интеллекта, слайд №17

Системы искусственного интеллекта, слайд №18

Системы искусственного интеллекта, слайд №19

Системы искусственного интеллекта, слайд №20

Системы искусственного интеллекта, слайд №21

Системы искусственного интеллекта, слайд №22

Системы искусственного интеллекта, слайд №23

Системы искусственного интеллекта, слайд №24

Системы искусственного интеллекта, слайд №25

Системы искусственного интеллекта, слайд №26

Системы искусственного интеллекта, слайд №27

Системы искусственного интеллекта, слайд №28

Системы искусственного интеллекта, слайд №29

Системы искусственного интеллекта, слайд №30

Системы искусственного интеллекта, слайд №31

Системы искусственного интеллекта, слайд №32

Системы искусственного интеллекта, слайд №33

Системы искусственного интеллекта, слайд №34

Системы искусственного интеллекта, слайд №35

Системы искусственного интеллекта, слайд №36

Системы искусственного интеллекта, слайд №37

Системы искусственного интеллекта, слайд №38

Системы искусственного интеллекта, слайд №39

Системы искусственного интеллекта, слайд №40

Системы искусственного интеллекта, слайд №41

Системы искусственного интеллекта, слайд №42

Системы искусственного интеллекта, слайд №43

Системы искусственного интеллекта, слайд №44

Системы искусственного интеллекта, слайд №45

Системы искусственного интеллекта, слайд №46

Системы искусственного интеллекта, слайд №47

Системы искусственного интеллекта, слайд №48

Системы искусственного интеллекта, слайд №49

Системы искусственного интеллекта, слайд №50

Системы искусственного интеллекта, слайд №51

Системы искусственного интеллекта, слайд №52

Системы искусственного интеллекта, слайд №53

Системы искусственного интеллекта, слайд №54

Системы искусственного интеллекта, слайд №55

Системы искусственного интеллекта, слайд №56

Системы искусственного интеллекта, слайд №57

Системы искусственного интеллекта, слайд №58

Системы искусственного интеллекта, слайд №59

Системы искусственного интеллекта, слайд №60

Системы искусственного интеллекта, слайд №61

Системы искусственного интеллекта, слайд №62

Системы искусственного интеллекта, слайд №63

Системы искусственного интеллекта, слайд №64

Системы искусственного интеллекта, слайд №65

Системы искусственного интеллекта, слайд №66

Системы искусственного интеллекта, слайд №67

Системы искусственного интеллекта, слайд №68

Системы искусственного интеллекта, слайд №69

Системы искусственного интеллекта, слайд №70

Системы искусственного интеллекта, слайд №71

Системы искусственного интеллекта, слайд №72

Системы искусственного интеллекта, слайд №73

Системы искусственного интеллекта, слайд №74

Системы искусственного интеллекта, слайд №75

Системы искусственного интеллекта, слайд №76

Системы искусственного интеллекта, слайд №77

Системы искусственного интеллекта, слайд №78

Системы искусственного интеллекта, слайд №79

Системы искусственного интеллекта, слайд №80

Системы искусственного интеллекта, слайд №81

Системы искусственного интеллекта, слайд №82

Системы искусственного интеллекта, слайд №83

Системы искусственного интеллекта, слайд №84

Системы искусственного интеллекта, слайд №85

Системы искусственного интеллекта, слайд №86

Системы искусственного интеллекта, слайд №87

Системы искусственного интеллекта, слайд №88

Системы искусственного интеллекта, слайд №89

Системы искусственного интеллекта, слайд №90

Системы искусственного интеллекта, слайд №91

Системы искусственного интеллекта, слайд №92

Системы искусственного интеллекта, слайд №93

Системы искусственного интеллекта, слайд №94

Системы искусственного интеллекта, слайд №95

Системы искусственного интеллекта, слайд №96

Системы искусственного интеллекта, слайд №97

Системы искусственного интеллекта, слайд №98

Системы искусственного интеллекта, слайд №99

Системы искусственного интеллекта, слайд №100

Системы искусственного интеллекта, слайд №101

Системы искусственного интеллекта, слайд №102

Системы искусственного интеллекта, слайд №103

Системы искусственного интеллекта, слайд №104

Системы искусственного интеллекта, слайд №105

Системы искусственного интеллекта, слайд №106

Системы искусственного интеллекта, слайд №107

Системы искусственного интеллекта, слайд №108

Системы искусственного интеллекта, слайд №109

Системы искусственного интеллекта, слайд №110

Системы искусственного интеллекта, слайд №111

Системы искусственного интеллекта, слайд №112

Системы искусственного интеллекта, слайд №113

Системы искусственного интеллекта, слайд №114

Системы искусственного интеллекта, слайд №115

Системы искусственного интеллекта, слайд №116

Системы искусственного интеллекта, слайд №117

Системы искусственного интеллекта, слайд №118

Системы искусственного интеллекта, слайд №119

Системы искусственного интеллекта, слайд №120

Системы искусственного интеллекта, слайд №121

Системы искусственного интеллекта, слайд №122

Системы искусственного интеллекта, слайд №123

Системы искусственного интеллекта, слайд №124

Системы искусственного интеллекта, слайд №125

Системы искусственного интеллекта, слайд №126

Системы искусственного интеллекта, слайд №127

Системы искусственного интеллекта, слайд №128

Системы искусственного интеллекта, слайд №129

Системы искусственного интеллекта, слайд №130

Системы искусственного интеллекта, слайд №131

Системы искусственного интеллекта, слайд №132

Системы искусственного интеллекта, слайд №133

Системы искусственного интеллекта, слайд №134

Системы искусственного интеллекта, слайд №135

Системы искусственного интеллекта, слайд №136

Системы искусственного интеллекта, слайд №137

Системы искусственного интеллекта, слайд №138

Системы искусственного интеллекта, слайд №139

Системы искусственного интеллекта, слайд №140

Системы искусственного интеллекта, слайд №141

Системы искусственного интеллекта, слайд №142

Системы искусственного интеллекта, слайд №143

Системы искусственного интеллекта, слайд №144

Системы искусственного интеллекта, слайд №145

Системы искусственного интеллекта, слайд №146

Системы искусственного интеллекта, слайд №147

Системы искусственного интеллекта, слайд №148

Системы искусственного интеллекта, слайд №149

Системы искусственного интеллекта, слайд №150

Системы искусственного интеллекта, слайд №151

Системы искусственного интеллекта, слайд №152

Системы искусственного интеллекта, слайд №153

Системы искусственного интеллекта, слайд №154

Системы искусственного интеллекта, слайд №155

Системы искусственного интеллекта, слайд №156

Системы искусственного интеллекта, слайд №157

Системы искусственного интеллекта, слайд №158

Системы искусственного интеллекта, слайд №159

Системы искусственного интеллекта, слайд №160

Системы искусственного интеллекта, слайд №161

Системы искусственного интеллекта, слайд №162

Системы искусственного интеллекта, слайд №163

Системы искусственного интеллекта, слайд №164

Системы искусственного интеллекта, слайд №165

Системы искусственного интеллекта, слайд №166

Системы искусственного интеллекта, слайд №167

Системы искусственного интеллекта, слайд №168

Системы искусственного интеллекта, слайд №169

Системы искусственного интеллекта, слайд №170

Системы искусственного интеллекта, слайд №171

Системы искусственного интеллекта, слайд №172

Системы искусственного интеллекта, слайд №173

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Системы искусственного интеллекта. Доклад-сообщение содержит 173 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1

Описание слайда:

Системы искусственного интеллекта Системы искусственного интеллекта

Слайд 2

Описание слайда:

Литература Рассел С., Норвиг П. Искусственный интеллект: современный подход. – М.: Вильямс, 2006. – 1408 с. Люггер Дж. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Вильямс, 2005. – 864 с. Лорьер Ж.-Л. Системы искусственного интеллекта. –М.: Мир, 1991. – 568 с. Попов Д. В., Ризванов Д.А. Системы искусственного интеллекта. Эвристический поиск и инженерия знаний: [учебное пособие для студентов высших учебных заведений, обучающихся по специальности 230105 - "Программное обеспечение вычислительной техники и автоматизированных систем"], ФГБОУ ВПО УГАТУ - Уфа: УГАТУ, 2012 - 117 с.

Слайд 3

Описание слайда:

Предыстория ИИ Философия основы ИИ, сформулировав идеи, что мозг в определенных отношениях напоминает машину, оперирует знаниями, закодированными на внутреннем языке, мышление может использоваться для выбора наилучших действий. Математика инструментальные средства для манипулирования высказываниями, обладающими логической достоверностью, а также недостоверными вероятностными высказываниями. Заложили основу формирования рассуждений об алгоритмах. Экономика формализация проблемы принятия решений, максимизирующих ожидаемый выигрыш. Психология идея «любая теория познания должна напоминать компьютерную программу», она должна подробно описывать механизм обработки информации, с помощью которого может быть реализована некоторая познавательная функция. Вычислительная быстрые мощные компьютеры. техника Теория управления проектирование устройств, которые действуют оптимально на основе обратной связи. Лингвистика представление знаний, обработка естественного языка

Слайд 4

Описание слайда:

Краткая история ИИ 1943 McCulloch & Pitts: Boolean circuit model of brain 1950 Turing's "Computing Machinery and Intelligence" 1956 Dartmouth meeting: "Artificial Intelligence" adopted 1952—69 Look, Ma, no hands! 1950s Early AI programs, including Samuel's checkers program, Newell & Simon's Logic Theorist, Gelernter's Geometry Engine 1965 Robinson's complete algorithm for logical reasoning 1966—73 AI discovers computational complexity Neural network research almost disappears 1969—79 Early development of knowledge-based systems 1980-- AI becomes an industry 1986-- Neural networks return to popularity 1987-- AI becomes a science 1995-- The emergence of intelligent agents

Слайд 5

Описание слайда:

Что такое ИИ?

Слайд 6

Описание слайда:

Системы, которые действуют подобно людям Turing (1950) "Computing machinery and intelligence": Возможности, которыми должен обладать компьютер: средства обработки текстов на естественном языке, позволяющие успешно общаться с компьютером (например, на англ. языке); средства представления знаний, с помощью которых компьютер может записать в память то, что он узнает или прочитает; средства автоматического формирования логических выводов, обеспечивающие возможность использовать хранимую информацию для поиска ответов на вопросы и вывода новых заключений; средства машинного обучения, которые позволяют приспосабливаться к новым обстоятельствам, а также обнаруживать и экстраполировать признаки стандартных ситуаций; машинное зрение для восприятия объектов; средства робототехники для манипулирования объектами и перемещения в пространстве.

Слайд 7

Описание слайда:

Системы, которые думают подобно людям Существует 3 способа узнать, как думает человек: интроспекция — попытка проследить за ходом собственных мыслей; психологические эксперименты — наблюдение человека в действии; через сканирование мозга – наблюдение за мозгом в действии. Аллен Ньюэлл и Герберт Саймон “General Problem Solver” (GPS, 1961), не стремились к тому, чтобы эта программа правильно решала поставленные задачи. В большей степени их заботило ,чтобы запись этапов проводимых ею рассуждений совпадала с регистрацией рассуждений людей, решающих такие же задачи. Когнитология – междисциплинарная область, в которой совместно используются компьютерные модели, взятые из искусственного интеллекта, и экспериментальные методы, взятые из психологии, для разработки точных и обоснованных теорий работы человеческого мозга.

Слайд 8

Описание слайда:

Системы, которые думают рационально Аристотель – законы «правильного мышления». Его силлогизмы стали образцом для создания процедур доказательства, которые всегда позволяют прийти к правильным заключениям, если даны правильные предпосылки. Основа этих исследований – предположение, что такие законы мышления управляют работой ума. На их основе развивается логика. В 19 веке была разработана точная система логических обозначений для утверждений о предметах любого рода, которые встречаются в мире, и об отношениях между ними (сравните с обычной системой арифметических обозначений, которая предназначена в основном для формирования утверждений о равенстве и неравенстве чисел!!!). К1965 г. были разработаны программы, которые могли в принципе решить любую разрешимую проблему, описанную в системе логических обозначений. Если же решение не существует, программа может так и не остановиться в процессе его поиска. Проблемы: довольно сложно любые неформальные знания выразить в формальных терминах, требуемых для системы логических обозначений, особенно если эти знания не являются полностью достоверными. есть большая разница между решением проблемы «в принципе» и решением проблемы на практике.

Слайд 9

Описание слайда:

Системы, которые действуют рационально Агентом считается все, что действует («агент» произошло от латинского «agere», действовать).Рациональный агент – это агент, который действует таким образом, чтобы можно было достичь наилучшего результата или, в условиях неопределенности, наилучшего ожидаемого результата. Все навыки, необходимые для прохождения теста Тьюринга, позволяют также осуществлять рациональные действия. Представление знаний и логический вывод позволяет агентам получать хорошие решений. Необходимо уметь формировать понятные предложения на естественном языке, поскольку в сложный социум принимают только тех, кто способен правильно высказывать свои мысли. Необходимо учиться не только ради приобретения эрудиции, но и в связи с тем, что лучшее представление о том, как устроен мир, позволяет вырабатывать более эффективные стратегии действий в этом мире. Нужно обладать способностью к зрительному восприятию не только потому, что процесс визуального наблюдения позволяет получить удовольствие, но и потому, что зрение подсказывает, чего можно достичь с помощью определенного действия (например, быстрее всех получить лакомый кусочек).

Слайд 10

Описание слайда:

Системы, которые действуют рационально Преимущества подхода: более общий по сравнению с подходом на основе «законов мышления», поскольку правильный логический вывод – это просто один из нескольких возможных механизмов достижения рациональности. более перспективный для научной разработки по сравнению с подходами, основанными на изучении человеческого поведения или человеческого мышления, поскольку стандарт рациональности четко определен и полностью обобщен.

Слайд 11

Описание слайда:

Различные подходы к построению систем ИИ Логический Структурный Эволюционный Имитационный Агентно-ориентированный подход

Слайд 12

Описание слайда:

Логический подход Основа - Булева алгебра и исчисление предикатов. Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, правила логического вывода как отношения между ними. Каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели. Отсутствие выразительности алгебры высказываний. Добиться большей выразительности позволяет нечеткая логика. Основным ее отличием является то, что правдивость высказывания может принимать в ней кроме да/нет (1/0) еще и промежуточные значения — не знаю (0.5), пациент скорее жив, чем мертв (0.75), пациент скорее мертв, чем жив (0.25). Данный подход больше похож на мышление человека, поскольку он на вопросы редко отвечает только да или нет. Большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошая работа обычно гарантируется при сравнительно небольшом размере базы данных.

Слайд 13

Описание слайда:

Структурный подход Попытки построения ИИ путем моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Френка Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон. Позднее возникли и другие модели, которые известны под термином "нейронные сети" (НС). Эти модели различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Для моделей, построенных по мотивам человеческого мозга характерны: не слишком большая выразительность; легкое распараллеливание алгоритмов; высокая производительность параллельно реализованных НС. Нейронные сети работают даже при условии неполной информации об окружающей среде, то есть как и человек, они на вопросы могут отвечать не только "да" и "нет" но и "не знаю точно, но скорее да" (схожесть с человеческим мозгом).

Слайд 14

Описание слайда:

Эволюционный подход Основное внимание уделяется построению начальной модели и правилам, по которым она может изменяться (эволюционировать). Причем модель может быть составлена по самым различным методам, это может быть и НС и набор логических правил и любая другая модель. После этого мы включаем компьютер и он, на основании проверки моделей отбирает самые лучшие из них, на основании которых по самым различным правилам генерируются новые модели, из которых опять выбираются самые лучшие и т. д. В принципе можно сказать, что эволюционных моделей как таковых не существует, существует только эволюционные алгоритмы обучения, но модели, полученные при эволюционном подходе имеют некоторые характерные особенности, что позволяет выделить их в отдельный класс. Такими особенностями являются: перенесение основной работы разработчика с построения модели на алгоритм ее модификации полученные модели практически не сопутствуют извлечению новых знаний о среде, окружающей систему ИИ, то есть она становится как бы вещью в себе.

Слайд 15

Описание слайда:

Имитационный подход Это классический подход для кибернетики с одним из ее базовых понятий — "черным ящиком". Объект, поведение которого имитируется, как раз и представляет собой такой "черный ящик". Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Моделируется свойство человека — способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит ему массу времени, особенно в начале его жизни. Основной недостаток - низкая информационная способность большинства моделей.

Слайд 16

Описание слайда:

Агентно-ориентированный подход Основан на использовании интеллектуальных (рациональных) агентов. Интеллект — это вычислительная часть (грубо говоря, планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом, воспринимающим окружающий его мир с помощью датчиков и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов. Основной акцент – на методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Здесь значительно сильнее изучаются алгоритмы поиска и принятия решений. Способ решения задачи основан на коммуникациях между агентами.

Слайд 17

Описание слайда:

Современное состояние разработок Robotic vehicles: A driverless robotic car named STANLEY sped through the rough terrain of the Mojave dessert at 22 mph, finishing the 132-mile course first to win the 2005 DARPA Grand Challenge. No hands across America (driving autonomously 98% of the time from Pittsburgh to San Diego) Autonomous planning and scheduling: NASA's on-board autonomous planning program controlled the scheduling of operations for a spacecraft. Game playing: Deep Blue defeated the world chess champion Garry Kasparov in 1997 Spam fighting: Each day, learning algorithms classify over a billion messages as spam, saving the recipient from having to waste time deleting what, for many users, could comprise 80% or 90% of all messages. Logistics planning: During the 1991 Gulf War, US forces deployed an AI logistics planning and scheduling program that involved up to 50,000 vehicles, cargo, and people at a time, and had to account for starting points, destinations, routes, and conflict resolution among all parameters. Machine Translation: A computer program automatically translates from Arabic to English. None of the computer scientists of the team speak Arabic, but they do understand statistics and machine learning algorithms. Proverb solves crossword puzzles better than most humans

Слайд 18

Описание слайда:

Умные машины: до "судного дня" осталось недолго (

Слайд 19

Описание слайда:

Слайд 20

Описание слайда:

Слайд 21

Описание слайда:

Слайд 22

Описание слайда:

Слайд 23

Описание слайда:

Слайд 24

Описание слайда:

Слайд 25

Описание слайда:

Слайд 26

Описание слайда:

Интеллектуальные агенты Интеллектуальные агенты

Слайд 27

Описание слайда:

Агенты и варианты среды Агентом является все, что может рассматриваться как воспринимающее свою среду с помощью датчиков и воздействующее на эту среду с помощью исполнительных механизмов (например, человек, робот, ПО и т.д.).

Слайд 28

Описание слайда:

Агенты и варианты среды Термин «восприятие» используется для обозначения полученных агентом сенсорных данных в любой конкретный момент времени. Последовательностью актов восприятия агента называется полная история всего, что было когда-либо воспринято агентом. Выбор агентом действия в любой конкретный момент времени может зависеть от всей последовательности актов восприятия, наблюдавшихся до этого момента времени. Если существует возможность определить, какое действие будет выбрано агентом в ответ на любую возможную последовательность актов восприятия, то может быть дано более или менее точное определение агента. Поведение некоторого агента может быть описано с помощью функции агента, которая отображает любую конкретную последовательность актов восприятия на некоторое действие. Может рассматриваться задача табуляции функции агента, которая описывает любого конкретного агента. Такая таблица – внешнее описание агента. Внутреннее описание состоит в определении того, какая функция агента для данного искусственного агента реализуется с помощью программы агента. Функция агента представляет собой абстрактное математическое описание, а программа агента – это конкретная реализация, действующая в рамках архитектуры агента.

Слайд 29

Описание слайда:

Пример. Мир пылесоса Восприятие: местоположение (в каком квадрате он находится); состояние квадрата (есть ли мусор в этом квадрате). Действия: переход влево, вправо, всасывание мусора или бездействие.

Слайд 30

Описание слайда:

Качественное поведение: концепция рациональности Рациональным агентом является такой агент, который выполняет правильные действия; или более формально, агент, в котором каждая запись в таблице для функции агента заполнена правильно. выполнение правильных действий?

Слайд 31

Описание слайда:

Показатели производительности Показатели производительности воплощают в себе критерии оценки успешного поведения агента. Последовательность действий агента вынуждает среду пройти через последовательность состояний. Если такая последовательность соответствует желаемому, то агент функционирует хорошо. Не может быть одного постоянного показателя, подходящего для всех агентов. ? Можно узнать у агента его субъективное мнение о том, насколько он удовлетворен своей собственной производительностью, но некоторые агенты не будут способны ответить, а другие склонны заниматься самообманом («зеленый виноград»). Поэтому необходимо добиваться применения объективных показателей производительности, и, как правило, проектировщик, конструирующий агента, предусматривает такие показатели.

Слайд 32

Описание слайда:

Агент-пылесос Показатель производительности??? Рекомендация: лучше всего разрабатывать показатели производительности в соответствии с тем, чего действительно необходимо добиться в данной среде, а не в соответствии с тем, как, по мнению проектировщика, должен вести себя агент. Философская проблема предпочтительности: что лучше — бесшабашная жизнь со взлетами и падениями или безопасное, но однообразное существование? Что лучше — экономика, в которой каждый живет в умеренной бедности, или такая экономика, в которой одни ни в чем не нуждаются, а другие еле сводят концы с концами?

Слайд 33

Описание слайда:

Рациональность Зависит от следующих факторов: • Показатели производительности, которые определяют критерии успеха. • Знания агента о среде, приобретенные ранее. • Действия, которые могут быть выполнены агентом. • Последовательность актов восприятия агента, которые произошли до настоящего времени. Рациональный агент – это агент, который для каждой возможной последовательности актов восприятия должен выбрать действие, которое, как ожидается, максимизирует его показатели производительности, с учетом фактов, предоставленных данной последовательностью актов восприятия и всех встроенных знаний, которыми обладает агент. Является ли рациональным агент-пылесос?

Слайд 34

Описание слайда:

Всезнание, обучение и автономность 1. Необходимо различать рациональность и всезнание. Рациональность — это максимизация ожидаемой производительности, а совершенство — максимизация фактической производительности. Отказываясь от стремления к совершенству, мы не только применяем к агентам справедливые критерии, но и учитываем реальность. Если от агента требуют, чтобы он выполнял действия, которые оказываются наилучшими после их совершения, то задача проектирования агента, отвечающего этой спецификации, становится невыполнимой. 2. Определение рационального агента требует, чтобы он не только собирал информацию, но и обучался в максимально возможной степени на тех данных, которые он воспринимает. 3. Рациональный агент должен быть автономным – он должен обучаться всему, что может освоить, для компенсации неполных или неправильных априорных знаний (например, агент-пылесос, который обучается прогнозированию того, где и когда появится дополнительный мусор, безусловно, будет работать лучше, чем тот агент, который на это не способен).

Слайд 35

Описание слайда:

Определение проблемной среды Факторы, определяющие проблемную среду: производительность; среда; исполнительные механизмы; датчики. PEAS (Performance measure, Environment, Actuators, Sensors) Пример. Описание PEAS проблемной среды для автоматизированного такси

Слайд 36

Описание слайда:

Примеры типов агентов и их описаний

Слайд 37

Описание слайда:

Свойства проблемной среды • Полностью наблюдаемая или частично наблюдаемая (если датчики агента предоставляют ему доступ к полной информации о состоянии среды в каждый момент времени, то такая проблемная среда называется полностью наблюдаемой). • Детерминированная или стохастическая (если следующее состояние среды полностью определяется текущим состоянием и действием, выполненным агентом, то такая среда называется детерминированной; в противном случае она является стохастической). • Эпизодическая или последовательная (в эпизодической проблемной среде опыт агента состоит из неразрывных эпизодов, каждый эпизод включает в себя восприятие среды агентом, а затем выполнение одного действия. При этом крайне важно то, что следующий эпизод не зависит от действий, предпринятых в предыдущих эпизодах. В эпизодических вариантах среды выбор действия в каждом эпизоде зависит только от самого эпизода. В последовательных вариантах среды текущее решение может повлиять на все будущие решения).

Слайд 38

Описание слайда:

Свойства проблемной среды • Статическая или динамическая (если среда может измениться в ходе того, как агент выбирает очередное действие, то такая среда называется динамической для данного агента; в противном случае она является статической. Если с течением времени сама среда не изменяется, а изменяются показатели производительности агента, то такая среда называется полудинамической). • Дискретная или непрерывная (различие между дискретными и непрерывными вариантами среды может относиться к состоянию среды, способу учета времени, а также восприятиям и действиям агента). • Одноагентная или мультиагентная (ключевое различие состоит в том, следует ли или не следует описывать поведение объекта В как максимизирующее личные показатели производительности, значения которых зависят от поведения агента А. Например, в шахматах соперничающая сущность в пытается максимизировать свои показатели производительности, а это по правилам шахмат приводит к минимизации показателей производительности агента А. Таким образом, шахматы — это конкурентная мультиагентная среда. А в среде вождения такси, с другой стороны, предотвращение столкновений максимизирует показатели производительности всех агентов, поэтому она может служить примером частично кооперативной мультиагентной среды. Она является также частично конкурентной, поскольку, например, парковочную площадку может занять только один автомобиль).

Слайд 39

Описание слайда:

Слайд 40

Описание слайда:

Структура агентов Агент = Архитектура + Программа

Слайд 41

Описание слайда:

Простые рефлексные агенты Агенты выбирают действия на основе текущего акта восприятия, игнорируя всю остальную историю актов восприятия.

Слайд 42

Описание слайда:

Простые рефлексные агенты

Слайд 43

Описание слайда:

Рефлексные агенты, основанные на модели

Слайд 44

Описание слайда:

Рефлексные агенты, основанные на модели

Слайд 45

Описание слайда:

Агенты, основанные на цели

Слайд 46

Описание слайда:

Агенты, основанные на полезности

Слайд 47

Описание слайда:

Обучающиеся агенты

Слайд 48

Описание слайда:

Решение проблем посредством поиска Решение проблем посредством поиска

Слайд 49

Описание слайда:

Агенты, решающие задачи

Слайд 50

Описание слайда:

Пример. Выходные в Румынии Currently in Arad. Flight leaves tomorrow from Bucharest Formulate goal: be in Bucharest Formulate problem: states: various cities actions: drive between cities Find solution: sequence of cities, e.g., Arad, Sibiu, Fagaras, Bucharest

Слайд 51

Описание слайда:

Пример. Выходные в Румынии

Слайд 52

Описание слайда:

Основные определения

Слайд 53

Описание слайда:

Хорошо структурированные задачи и решения

Слайд 54

Описание слайда:

Хорошо структурированные задачи и решения

Слайд 55

Описание слайда:

Пространство состояний для мира пылесоса

Слайд 56

Описание слайда:

Мир пылесоса

Слайд 57

Описание слайда:

Задача игры в восемь

Слайд 58

Описание слайда:

Поиск решений

Слайд 59

Описание слайда:

Представление узлов

Слайд 60

Описание слайда:

Представление узлов

Слайд 61

Описание слайда:

Измерение производительности решения задачи

Слайд 62

Описание слайда:

Стратегии неинформированного поиска Uninformed search strategies use only the information available in the problem definition. Breadth-first search Uniform-cost search Depth-first search Depth-limited search Iterative deepening search

Слайд 63

Описание слайда:

Uninformed search strategies A search strategy is defined by picking the order of node expansion Strategies are evaluated along the following dimensions: completeness: Is the algorithm guaranteed to find a solution when there is one? optimality: Does the strategy find the optimal solution? time complexity: How long does it take to find a solution? space complexity: How much memory is needed to perform the search? Time and space complexity are measured in terms of b: the branching factor or maximum number of successors of any node d: the depth of the shallowest goal node m: the maximum length of any path in the state space

Слайд 64

Описание слайда:

Breadth-first search Expand shallowest unexpanded node Frontier is a FIFO queue, i.e., new successors go at end

Слайд 65

Описание слайда:

Breadth-first search Expand shallowest unexpanded node Frontier is a FIFO queue, i.e., new successors go at end

Слайд 66

Описание слайда:

Breadth-first search Expand shallowest unexpanded node Frontier is a FIFO queue, i.e., new successors go at end

Слайд 67

Описание слайда:

Breadth-first search Expand shallowest unexpanded node Frontier is a FIFO queue, i.e., new successors go at end

Слайд 68

Описание слайда:

Breadth-first search

Слайд 69

Описание слайда:

Properties of breadth-first search Complete? Yes (if b is finite) Time? 1+b+b2+b3+… +bd + b(bd-1) = O(bd+1) Space? O(bd+1) (keeps every node in memory) Optimal? Yes (if cost = 1 per step) Space is the bigger problem (more than time)

Слайд 70

Описание слайда:

Uniform-cost search Expand least-cost unexpanded node Frontier is a queue ordered by path cost Equivalent to breadth-first if step costs all equal Complete? Yes, if step cost ≥ ε Time? # of nodes with g ≤ cost of optimal solution, O(bceiling(C*/ ε)) where C* is the cost of the optimal solution Space? # of nodes with g ≤ cost of optimal solution, O(bceiling(C*/ ε)) Optimal? Yes – nodes expanded in increasing order of g(n)

Слайд 71

Описание слайда:

Depth-first search Expand deepest unexpanded node. Frontier = LIFO queue, i.e., put successors at front

Слайд 72

Описание слайда:

Properties of depth-first search Complete? No: fails in infinite-depth spaces, spaces with loops Modify to avoid repeated states along path  complete in finite spaces Time? O(bm): terrible if m is much larger than d but if solutions are dense, may be much faster than breadth-first Space? O(bm), i.e., linear space! Optimal? No

Слайд 73

Описание слайда:

Depth-limited search = depth-first search with depth limit l, i.e., nodes at depth l have no successors

Слайд 74

Описание слайда:

Iterative deepening search

Слайд 75

Описание слайда:

Iterative deepening search

Слайд 76

Описание слайда:

Iterative deepening search

Слайд 77

Описание слайда:

Iterative deepening search

Слайд 78

Описание слайда:

Iterative deepening search

Слайд 79

Описание слайда:

Properties of iterative deepening search Complete? Yes Time? (d+1)b0 + d b1 + (d-1)b2 + … + bd = O(bd) Space? O(bd) Optimal? Yes, if step cost = 1

Слайд 80

Описание слайда:

Comparing uninformed search strategies

Слайд 81

Описание слайда:

Стратегии информированного (эвристического) поиска

Слайд 82

Описание слайда:

Жадный поиск по первому наилучшему совпадению

Слайд 83

Описание слайда:

Пример. Выходные в Румынии

Слайд 84

Описание слайда:

Этапы жадного поиска пути до Бухареста

Слайд 85

Описание слайда:

Слайд 86

Описание слайда:

Этапы жадного поиска пути до Бухареста

Слайд 87

Описание слайда:

Этапы жадного поиска пути до Бухареста

Слайд 88

Описание слайда:

Свойства жадного поиска по наилучшему совпадению Complete? No – can get stuck in loops, e.g., Iasi  Neamt  Iasi  Neamt  Time? O(bm), but a good heuristic can give dramatic improvement Space? O(bm) -- keeps all nodes in memory Optimal? No

Слайд 89

Описание слайда:

Поиск А*

Слайд 90

Описание слайда:

Условия оптимальности: допустимость и непротиворечивость An admissible heuristic is one that never overestimates the cost to reach the goal. Because g(n) is the actual cost to reach n along the current path, and f(n)=g(n) + h(n), we have as an immediate consequence that f(n) never overestimates the true cost of a solution along the current path through n. Admissible heuristics are by nature optimistic because they think the cost of solving the problem is less than it actually is. An obvious example of an admissible heuristic is the straight-line distance hSLD that we used in getting to Bucharest. Straight-line distance is admissible because the shortest path between any two points is a straight line, so the straight line cannot be an overestimate.

Слайд 91

Описание слайда:

Поиск А*

Слайд 92

Описание слайда:

Consistent (непротиворечивые) heuristics A heuristic is consistent if for every node n, every successor n' of n generated by any action a, the estimated cost of reaching the goal from n is no greater than the step cost of getting to n plus the estimated cost of reaching the goal from n: h(n) ≤ c(n,a,n') + h(n') If h is consistent, we have f(n') = g(n') + h(n') = g(n) + c(n,a,n') + h(n') ≥ g(n) + h(n) = f(n) i.e., f(n) is non-decreasing along any path. This is a form of the general triangle inequality, which stipulates that each side of a triangle cannot be longer than the sum of the other two sides.

Слайд 93

Описание слайда:

Optimality of A* (proof) Suppose some suboptimal goal G2 has been generated and is in the fringe. Let n be an unexpanded node in the fringe such that n is on a shortest path to an optimal goal G. f(G2) = g(G2) since h(G2) = 0 g(G2) > g(G) since G2 is suboptimal f(G) = g(G) since h(G) = 0 f(G2) > f(G) from above

Слайд 94

Описание слайда:

Optimality of A* (proof) Suppose some suboptimal goal G2 has been generated and is in the fringe. Let n be an unexpanded node in the fringe such that n is on a shortest path to an optimal goal G. f(G2) > f(G) from above h(n) ≤ h^*(n) since h is admissible g(n) + h(n) ≤ g(n) + h*(n) f(n) ≤ f(G) Hence f(G2) > f(n), and A* will never select G2 for expansion

Слайд 95

Описание слайда:

Поиск А*

Слайд 96

Описание слайда:

Поиск А*

Слайд 97

Описание слайда:

Поиск А*

Слайд 98

Описание слайда:

Поиск А*

Слайд 99

Описание слайда:

Поиск А*

Слайд 100

Описание слайда:

Поиск А*

Слайд 101

Описание слайда:

Поиск А*

Слайд 102

Описание слайда:

Properties of A* Complete? Yes (unless there are infinitely many nodes with f ≤ f(G) ) Time? Exponential Space? Keeps all nodes in memory Optimal? Yes

Слайд 103

Описание слайда:

Поиск А*

Слайд 104

Описание слайда:

Эвристические функции h1(n) = количество фишек, стоящих не на своем месте. h2(n) = сумма расстояний всех фишек от их целевых позиций (манхэттенское расстояние). h1(S) = ? h2(S) = ?

Слайд 105

Описание слайда:

Эвристические функции h1(n) = количество фишек, стоящих не на своем месте. h2(n) = сумма расстояний всех фишек от их целевых позиций (манхэттенское расстояние). h1(S) = ? 8 h2(S) = ? 3+1+2+2+2+3+3+2 = 18 Решение имеет длину 26 ходов.

Слайд 106

Описание слайда:

Сравнение алгоритмов поиска

Слайд 107

Описание слайда:

Доминирование If h2(n) ≥ h1(n) for all n (both admissible) then h2 dominates h1 h2 is better for search Typical search costs (average number of nodes expanded): d=12 IDS = 3,644,035 nodes A*(h1) = 227 nodes A*(h2) = 73 nodes d=24 IDS = too many nodes A*(h1) = 39,135 nodes A*(h2) = 1,641 nodes

Слайд 108

Описание слайда:

Поиск в условиях противодействия Поиск в условиях противодействия (Игры)

Слайд 109

Описание слайда:

Game definition A game can be formally defined as a kind of search problem with the following elements: S0: The initial state, which specifies how the game is set up at the start. PLAYER(s): Defines which player has the move in a state. ACTIONS(s): Returns the set of legal moves in a state. RESULT(s, a): The transition model, which defines the result of a move. TERMINAL-TEST(s): A terminal test, which is true when the game is over and false otherwise. States where the game has ended are called terminal states. UTILITY(s, p): A utility function (also called an objective function or payoff function), defines the final numeric value for a game that ends in terminal state s for a player p. A zero-sum game is defined as one where the total payoff to all players is the same for every instance of the game.

Слайд 110

Описание слайда:

Game tree (2-player, deterministic, turns)

Слайд 111

Описание слайда:

Minimax Perfect play for deterministic games Idea: choose move to position with highest minimax value = best achievable payoff against best play E.g., 2-ply game:

Слайд 112

Описание слайда:

Minimax algorithm

Слайд 113

Описание слайда:

Optimal decisions in multiplayer games

Слайд 114

Описание слайда:

Properties of minimax Complete? Yes (if tree is finite) Optimal? Yes (against an optimal opponent) Time complexity? O(bm) Space complexity? O(bm) (depth-first exploration) For chess, b ≈ 35, m ≈100 for "reasonable" games  exact solution completely infeasible

Слайд 115

Описание слайда:

α-β pruning example

Слайд 116

Описание слайда:

α-β pruning example

Слайд 117

Описание слайда:

α-β pruning example

Слайд 118

Описание слайда:

α-β pruning example

Слайд 119

Описание слайда:

α-β pruning example

Слайд 120

Описание слайда:

Properties of α-β Pruning does not affect final result Good move ordering improves effectiveness of pruning With "perfect ordering" time complexity = O(bm/2)  doubles depth of search

Слайд 121

Описание слайда:

Why is it called α-β? α is the value of the best (i.e., highest-value) choice found so far at any choice point along the path for max If v is worse than α, max will avoid it  prune that branch Define β similarly for min

Слайд 122

Описание слайда:

The α-β algorithm

Слайд 123

Описание слайда:

Evaluation functions For chess, typically linear weighted sum of features Eval(s) = w1 f1(s) + w2 f2(s) + … + wn fn(s) e.g., w1 = 9 with f1(s) = (number of white queens) – (number of black queens), etc.

Слайд 124

Описание слайда:

Планирование Планирование

Слайд 125

Описание слайда:

Основы планирования

Слайд 126

Описание слайда:

Задача планирования

Слайд 127

Описание слайда:

Задача планирования

Слайд 128

Описание слайда:

Задача планирования

Слайд 129

Описание слайда:

Задача планирования

Слайд 130

Описание слайда:

Планирование с помощью поиска в пространстве состояний

Слайд 131

Описание слайда:

Прямой поиск в пространстве состояний

Слайд 132

Описание слайда:

Обратный поиск в пространстве состояний

Слайд 133

Описание слайда:

Обратный поиск в пространстве состояний

Слайд 134

Описание слайда:

Обратный поиск в пространстве состояний

Слайд 135

Описание слайда:

Планирование с частичным упорядочением

Слайд 136

Описание слайда:

Пример задачи с надеванием пары туфель

Слайд 137

Описание слайда:

Планирование с частичным упорядочением

Слайд 138

Описание слайда:

Линеаризация плана с частичным упорядочением

Слайд 139

Описание слайда:

Планирование с частичным упорядочением

Слайд 140

Описание слайда:

Компоненты плана

Слайд 141

Описание слайда:

Компоненты плана

Слайд 142

Описание слайда:

Пример задачи с надеванием пары туфель

Слайд 143

Описание слайда:

Согласованный план

Слайд 144

Описание слайда:

Формулировка задачи планирования

Слайд 145

Описание слайда:

Формулировка задачи планирования