algorithmes d’exploration algorithmes d’exploration luc lamontagne plt 3990...

Algorithmes d’exploration

Luc LamontagnePLT [email protected]

Tiré du matériel de Brahim Chaib-draa (A09)

1

mailto:[email protected]

Planification de trajectoire

Représentation continue(espace des configurations)

Discrétisation

Recherche dans un graphe(blind, best-first, A*) Le contenu de

cette section

Recherche dans un graphe

3

environnement représentation discrète

représentation par graphe

Plan

Agent de résolution de problèmes

Stratégies de recherche

Recherche non-informée

Largeur d’abord, profondeur d’abord, etc.

Recherche informée

Meilleur d’abord, A*, etc.

Quelques exemples

4

5

Rappel - Agent basé sur les buts

Capteurs

Comment le monde est maintenant?

Quelle action dois-je faire maintenant?

Effecteurs

Agent

En

viron

nem

ent

État

Comment le monde évolue?

Quel est l’impact de mes actions? Comment sera le mondesi je fais l’action A?

Buts

Goal-based agent

6

Agent basé sur les buts :


1. Formulation d’un but: Un état à atteindre.

2. Formulation du problème: Les états et les actions à considérer.

3. Exploration de solution: Examiner les différentes séquences d’actions

menant à un état but; Et choisir la meilleure.

4. Exécution: Accomplir la séquence d’actions sélectionnées.

7

Agent basé sur les buts :


8

Exemple de formulation de problèmes :

Planification de route

9


Planification de route On est à Arad et on veut aller à Bucharest

Problème: États : villes Actions : aller d’une ville à une autre.

But : Être à Bucharest

Solution : Une séquence de villes. Par ex. Arad, Sibiu, Fagaras, Bucharest

Coût : Distance entre les deux villes (en km)

Environnement simple statique, observable, discret et déterministe

10


8-puzzle

États : Positions des huit tuiles dans les cases.

État initial : Les huit tuiles dans n’importe quelle case.

Actions : Déplacement du trou

droite, gauche, haut, bas. Test de but :

Un état qui correspond à l’état final. Coût :

Chaque action coûte 1.

1 2 3

4 5 6

7 8

État but

5 7 3

8

6

1

4 2

État initial

11


8-reines États

Une configuration de 0 à 8 reines sur l’échiquier.

État initial Aucune reine sur l’échiquier.

Actions Ajouter une reine sur une case vide.

Test de but Les 8 reines sont placés sur

l’échiquier sans attaque. Coût

Chaque action coûte 1 (sans intérêt!).

12

Exploration de solutions dans un arbre

Exloration obtenue par simulation On simule l’exploration de l’espace d’états en générant

des successeurs pour les états déjà explorés. Exploration de type hors-ligne (offline)

13

Exemple d’exploration dans un arbre

14


15


16

Exploration dans un arbre : Mise en oeuvre

17

Exploration de solutions dans un arbre

Simuler l’exploration de l’espace d’états en générant des successeurs pour les états déjà explorés.

Nœud de recherche État: l’état dans l’espace d’état. Nœud parent: Le nœud dans l’arbre de recherche qui a généré ce

nœud. Action: L’action qui a été appliquée au parent pour générer ce nœud. Coût du chemin: Le coût g(n) du chemin à partir de l’état initial jusqu’à

ce nœud. Profondeur: Le nombre d’étapes dans le chemin à partir de l’état initial.

18

Stratégies d’exploration

Détermine l’ordre de développement des nœuds. Explorations non informées

Aucune information additionnelle. Elles ne peuvent pas dire si un nœud est meilleur qu’un autre. Elles peuvent seulement dire si l’état est un but ou non.

Explorations informées (heuristiques): Elles peuvent estimer si un nœud est plus prometteur qu’un

autre.

19

Évaluation des stratégies

Complétude: Est-ce que l’algorithme garantit de trouver une

solution s’il y en a une? Optimalité:

Est-ce que la stratégie trouve la solution optimale? Complexité en temps:

Combien de temps pour trouver une solution? Complexité en espace:

Quelle quantité de mémoire a-t-on besoin?

20

Complexité

Elle est exprimée en utilisant les quantités suivantes B : le facteur de branchement

c.-à-d. le nombre maximum de successeurs à un nœud. D : la profondeur du nœud but le moins éloigné. M : la longueur maximale d’un chemin dans l’espace d’états.

Complexité en temps le nombre de nœuds générés pendant la recherche.

Complexité en espace le nombre maximum de nœuds en mémoire.

21

Stratégies d’exploration non informées

Largeur d’abord (Breath-first - BFS)

Coût uniforme (Uniform-cost - UFS)

Profondeur d’abord (Depth-first - DFS)

Profondeur limitée (Depth-limited - DLS)

Itérative en profondeur (Iterative deepening - IDS)

Bidirectionnelle (Bidirectional search)

22

Largeur d’abord (BFS)

Approche Développer tous les noeuds au niveau i Développer par la suite tous les nœuds au niveau i+1 Et ainsi de suite…

Implémenté à l’aide d’une file. Les nouveaux successeurs vont à la fin.

23

A

B C

D E F G

Exemple largeur d’abord

A

B C

D E F G

B C

File:

D E F G

Ordre de visite: A – B – C – D – E – F - G

24

Propriétés de largeur d’abord

Complétude : oui, si b est fini Complexité en temps : O(bd)

1 + b + b2 + b3 + … + bd = O(bd) Complexité en espace : O(bd)

Garde tous les nœuds en mémoire Optimal : non en général.

Oui si le coût des actions est le même pour toutes les actions

Profondeur Nœuds (b=10)

Temps(1 millions nœuds/sec)

Mémoire(1000 octets/ nœuds)

8 108 2 minutes 103 gigaoctet

12 1012 13 jours 1 pétaoctets

25

Coût uniforme (UCS)

Développe le nœud ayant le coût le plus faible.

g(n) := coût du nœud initial au nœud développé.

File triée selon le coût.

Si le coût des actions est toujours le même

Équivalent à largeur d’abord !

Coût uniforme (UCS)

26

80

99

177310

278

27

Coût uniforme

Complète : oui, si le coût > e Complexité en temps :

nombre de nœuds avec g(n) ≤ coût(solution optimale)

O(b1+ C*/ ϵ)où C* est le coût de la solution optimale.

Complexité en espace : même que celle en temps Optimal : oui

Les nœuds sont développés en ordre de g(n).

28

Profondeur d’abord (DFS)

Développe le nœud le plus profond.

Implémenté à l’aide d’un pile. Les nouveaux nœuds générés vont sur le

dessus.

29

A

B C

D E

H I J K

D

Exemple profondeur d’abord

A

B C

D E

B

C

Pile:

H I J K

H

E

I

K

J

Ordre de visite: A – B – D – H – I – E – J – K - C

30

Propriétés de profondeur d’abord

Complétude : Non si la profondeur est infinie, s’il y a des cycles. Oui, si on évite les états répétés ou si l’espace de

recherche est fini. Complexité en temps : O(bm)

Très mauvais si m est plus grand que d. Mais si les solutions sont denses, il peut être

beaucoup plus rapide que largeur d’abord. Complexité en espace : O(bm), linéaire Optimal : Non

31

Profondeur limitée (DLS)

L’algorithme de profondeur d’abord, mais avec une limite de l sur la profondeur. Les nœuds de profondeur l n’ont pas de successeurs.

Complétude : Seulement si l > d Complexité en temps : O(bl) Complexité en espace : O(bl), linéaire Optimal : Non!

32

A

B C

D E

H I J K

D

Exemple profondeur limité

A

B C

D E

B

C

Pile:

E

Ordre de visite: A – B – D – E - C

Limite l = 2

33

Itérative en profondeur (IDS)

Profondeur limitée, mais en essayant toutes les profondeurs: 0, 1, 2, 3, …

Évite le problème de trouver une limite pour la recherche profondeur limitée.

A les avantages de largeur d’abord (complète et optimale), Mais a la complexité en espace de profondeur

d’abord. Donc une combinaison des deux stratégies.

34

Exemple - itérative en profondeur

Ordre de visite: A – A – B – C – A – B – D – E – C – F – G – A – B – D – H – I – E – J – K – C – F – L – M – G – N – O

A

B

D E

H I J K

C

F G

L M N O

1

10

2

34

5

6

7 8

9

12

13

1114 17

15 16 18 19 22 23 25 26

20

21 24

Limite: 0Limite: 1Limite: 2Limite: 3

35

Propriétés itérative en profondeur

Complétude: Oui Complexité en temps:

(d+1)b0 + db1+ (d-1)b2 + bd = O(bd) Complexité en espace: O(bd) Optimal?

Oui, si le coût de chaque action est de 1. Peut être modifiée pour une stratégie de coût

uniforme.

Stratégie de recherche non-informées : Sommaire

36

Dans ce tableau:

(1) b est le facteur de branchement;

(2) d est la profondeur du but le - profond;

(3) m est la profondeur max;

(4) l est la profondeur limite

37

Répétition d’états

La répétition d’états fait perdre du temps Dans le pire cas, la recherche tourne en rond dans

les cycles créés. Détection de répétitions

Normalement faite en comparant les nouveaux nœuds aux nœuds déjà développés.

Avant d’éliminer le nouveau nœud On doit vérifier s’il est meilleur que le nœud que l’on a

déjà.

38

Répétition d’états :

Exploration de type Graph-Search

Exploration de type Graph-Search

39

40

Stratégies d’exploration informées

Stratégies d’exploration non informées Ne sont pas très efficaces dans la plupart des

cas. Elles ne savent pas si elles approchent du but.

Stratégies d’exploration informées Elles utilisent une fonction d’estimation

Fonction heuristique. Pour choisir les nœuds à visiter.

41

Stratégies d’exploration informée

Meilleur d’abord (BFS - Best-first) Meilleur d’abord gloutonne (Greedy best-first) A* (A-Star) Algorithmes heuristiques à mémoire limitée

IDA*, RDFS et SMA* Par escalade (Hill-climbing) Par recuit simulé (Simulated annealing) Exploration locale en faisceau (Local beam) Algorithmes génétiques

42

Exemple d’exploration:

Voyage en Roumanie (avec coûts en km)

43

Meilleur d’abord L’idée principale

Utiliser une fonction d’évaluation Estimer l’intérêt des nœuds Développer le nœud le plus intéressant.

Le nœud à développer est choisi selon une fonction d’évaluation f(n)

Une composante importante de ce type d’algorithme est une fonction heuristique h(n) Elle estime le coût du chemin le plus court pour se

rendre au but. Deux types de recherche meilleur d’abord

Meilleur d’abord gloutonne. A*

A

B

but

g(B)

h(B)

.

.

.

f(B)= g(B) + h(B)

44

Meilleur d’abord gloutonne

f(n) = h(n)

Donc on choisit toujours de développer le

nœud le plus proche du but.

45

Exemple meilleur d’abord gloutonne

Arad366

Sibiu Timisoara Zerind253 329 374

Arad Fagaras Oradea Rimnicu Vilcea366 176 380 193

Sibiu Bucharest253 0

But atteint, l’exploration arrête.

46

Propriétés - Meilleur d’abord gloutonne

Complétude : Non Car elle peut être prise dans des cycles. Mais oui, si l’espace de recherche est fini avec vérification des

états répétés. Complexité en temps : O(bm)

Mais une bonne fonction heuristique peut améliorer grandement la situation.

Complexité d’espace : O(bm) Elle retient tous les nœuds en mémoire.

Optimale : Non Elle s’arrête à la première solution trouvée.

47

A* (A-star)

Fonction d’évaluation: f(n) = g(n) + h(n) g(n) : coût du nœud de départ jusqu’au nœud n h(n) : coût estimé du nœud n jusqu’au but f(n) : coût total estimé du chemin passant par n pour se rendre

au but. A* utilise une heuristique admissible

c’est-à-dire h(n) ≤ h*(n) h*(n) est le véritable coût pour se rendre de n au but.

Demande aussi que : h(n) ≥ 0, et que h(G) = 0 pour tous les buts G.

48

Exemple A*Arad366 = 0 + 366

Sibiu Timisoara Zerind393 = 140 + 253 447 = 118 + 329

449 = 75 + 374

Arad Fagaras Oradea Rimnicu Vilcea

646 = 280+ 366

415 = 239 + 176

671 = 291 + 380

413 = 220 + 193

Sibiu Bucharest

591 = 338 + 253 450 = 450 + 0

Craiova Pitesti Sibiu

553 = 300 + 253

417 = 317 + 100

526 = 366 + 160

CraiovaBucharest Rimnicu Vilcea

607 = 414 + 193615 = 455 + 160418 = 418 + 0

But atteint, la recherche arrête.

49

Propriétés de A*

Complétude : Oui À moins qu’il y est une infinité de nœuds avec f ≤ f(but).

Complexité de temps : Exponentielle Selon la longueur de la solution.

Complexité en espace : Exponentielle Selon la longueur de la solution. Elle garde tous les nœuds en mémoire.

Optimale : Oui Habituellement, on manque d’espace longtemps avant de

manquer de temps.

50

Exploration heuristique à mémoire limitée

A* est parfois trop gourmand en mémoire. Il existe des algorithmes pour surmonter ce

problème dont: IDA*; RBFS; SMA*.

Ces algorithmes permettent de préserver l’optimalité et la complétude.

L’augmentation du temps d’exécution est raisonnable.

51

Exploration heuristique à mémoire limitée

IDA* (Iterative-deepening A*)C’est un algorithme de profondeur itérative Utilise la valeur f(n) comme limite

Contrairement à la profondeur pour IDS. À chaque itération :

On fixe la limite à la plus petite valeur f(n) de tous les nœuds qui avaient une valeur plus grande que la limite au tour précédent.

52

Exemple IDA*Arad366 = 0 + 366


449 = 75 + 374

Limite: 366

53



449 = 75 + 374


646 = 280+ 366

415 = 239 + 176

671 = 291 + 380

413 = 220 + 193

Limite: 393

54



449 = 75 + 374


646 = 280+ 366

415 = 239 + 176

671 = 291 + 380

413 = 220 + 193


553 = 300 + 253

417 = 317 + 100

526 = 366 + 160

Limite: 413

55



449 = 75 + 374


646 = 280+ 366

415 = 239 + 176

671 = 291 + 380

413 = 220 + 193

Sibiu Bucharest

591 = 338 + 253 450 = 450 + 0


553 = 300 + 253

417 = 317 + 100

526 = 366 + 160

Limite: 415

56



449 = 75 + 374


646 = 280+ 366

415 = 239 + 176

671 = 291 + 380

413 = 220 + 193

Sibiu Bucharest

591 = 338 + 253 450 = 450 + 0


553 = 300 + 253

417 = 317 + 100

526 = 366 + 160


607 = 414 + 193615 = 455 + 160418 = 418 + 0

Limite: 417

57



449 = 75 + 374


646 = 280+ 366

415 = 239 + 176

671 = 291 + 380

413 = 220 + 193

Sibiu Bucharest

591 = 338 + 253 450 = 450 + 0


553 = 300 + 253

417 = 317 + 100

526 = 366 + 160


607 = 414 + 193615 = 455 + 160418 = 418 + 0

But atteint, la recherche arrête.

Limite: 418

Plan


Stratégies de recherche

Recherche non-informée

Largeur d’abord, profondeur d’abord, etc.

Recherche informée

Meilleur d’abord, A*, etc.

Prochain cours

Espaces de configuration

Discrétisation d’espaces

Quelques exemples d’exploration pour le projet

58

algorithmes d’exploration algorithmes d’exploration luc lamontagne plt 3990...

Documents