Algoritma Pencarian Heuristik (TM 12a).pptx

Kecerdasan Buatan
Algoritma Heuristik

• Best First Search
• A*
• Hill climbing
• Branch and Bound
• Dynamic
Programming

Tujuan Instruksi Khusus
• Mengetahui definisi Algoritma
Pencarian
• Mengetahui contoh algoritma pencarian
yang mempertimbangkan bobot

Menentukan sebuah state lebih baik dibandingkan dengan
state lainnya.
1 2 3
4 5 6
7 8
7 8 4
3 5 1
6 2
FWD
C FW C
D

Pencarian dengan Informasi (Informed Search)
• Tambahkan informasi pada spesifik domain untuk memilih
jalur terbaik, pada saat melakukan pencarian.
• Tentukan fungsi heuristik, h(n), untuk memperkirakan
“goodness” dari sebuah node n.
• Secara khusus, h(n) = perkiraan cost (jarak) dari lintasan
dengan minimal cost dari node n ke node tujuan (goal
state)
• Fungsi heuristik adalah perkiraan, berdasarkan informasi spesifik
domain yang dapat dihitung dari state/node saat ini, seberapa
dekat state tersebut dengan tujuan

Greedy Search
• f(N) = h(N)  greedy best-first search

Fungsi Heuristik (1)
1 2 3
4 5 6
7 8
5 8
4 2 1
7 3 6
N goal
• Fungsi h (N) yang memperkirakan cost jalur terpendek dari node
N ke node tujuan.
• Contoh: 8-puzzle
h(N) = jumlah tile yang tidak sesuai
= 6

Fungsi Heuristik (2) – Manhattan Distance
en
h tile "3", "8" dan "1" d
n
gan perbedaan 2, 3, da
• Dengan kata lain, heuristik
memberitahukan bahwa solusi
tersedia membutuhkan hanya dalam
langkah lagi
8
3 2 8
4 5 6
7 1
1 2 3
4 5 6
7 8
Goal State
Current State
• Tile yang tidak sesuai dengan node
tujuan adala 3 tile.
• Jadi fungsi heuristiknya akan mencapai
8.
3 3
8
8
1
1
2 spaces
3 spaces
3 spaces
Total 8
Catatan : h(n) h(current state) = 8

Fungsi Heuristik (2) – Manhattan Distance
• Fungsi h (N) yang memperkirakan cost jalur terpendek dari node N ke
node tujuan.
• Contoh: 8-puzzle
1 2
3
4 5
6
7 8
5 8
4 2 1
7 3 6
N goal
h(N) = jumlah jarak untuk tiap tile yang berbeda dengan tile
pada node tujuan
= 2 + 3 + 0 + 1 + 3 + 0 + 3 + 1
= 13

8-Puzzle
5 8
4 2 1
7 3 6
N
• h1(N) = Jumlah tile yang berbeda = 6
• h2(N) = jumlah jarak untuk tiap tile yang berbeda dengan tile pada
node tujuan = 13
1 2 3
4 5 6
7 8
goal

Pencarian Heuristik dengan Ruang Keadaan
Berikut
Node
Nilai heuristik dari sebuah node

Algoritma Depth First Search (DFS)
• Function depth_first_search;
• begin
open := [Start];
closed := [ ];
while open  [ ] do
begin
remove leftmost state from open, call it X;
if X is a goal then return SUCCESS
else begin
generate children of X;
put X on closed;
discard remaining children of X if already on open or closed
put remaining children on left end of open
end
end;
return FAIL
end.

Algoritma Best First Search
(Pengembangan Algoritma DFS)
• Function best_first_search;
• begin
open := [Start];
closed := [ ];
while open  [ ] do
begin
remove leftmost state from open, call it X;
if X is a goal then return SUCCESS
else begin
generate children of X;
assign each child their heuristic value;
put X on closed;
(discard remaining children of X if already on open or closed)
put remaining children on open
sort open by heuristic merit (best leftmost)
end
end;
return FAIL
end.

Pencarian Heuristik dengan Ruang Keadaan Berikut
- Contoh 1

Proses Trace untuk Algoritma Best First Search

Pencarian Heuristik dengan Ruang Keadaan Berikut
- Menandai Open dan Close

Contoh 2. Algoritma Best First
Search

Analisa Best First Search
• Kelebihan
• Butuh memori kecil
• Menemukan solusi tanpa harus menguji lebih banyak lagi
• Kelemahan
• Mungkin terjebak pada local optima

January 31, 2006
25
Algoritma
A*
• A * (A star) adalah bentuk pencarian Best-First yang paling banyak
dikenal
• Mengevaluasi node dengan menggabungkan g (n) dan h (n)
• f (n) = g (n) + h (n)
• Dimana
• g(n) = cost dari node asal ke node saat ini yaitu n
• h(n) = perkiraan cost dengan lintasan terdekat dari node n ke node
tujuan
• f(n) = perkiraan total cost pada lintasan yang melalui node n

Fungsi Heuristik pada 8-Puzzle

Proses Trace pada Algoritma A*

Algoritma Pencarian Heuristik (TM 12a).pptx

A* Search
30
January 31, 2006
AI: Chapter 4: Informed Search and

4
5
3
3
4
3 4
4
2 1
2
0
3
3
Algoritma Best First Search (8-Puzzle)
f(N) = h(N) = jumlah tile yang berbeda
goal
5 4

5
6
4
4
2 1
2
0
5
3
Algoritma Best First Search (8-Puzzle)
f(N) = h(N) = jarak tile yang berbeda dengan tile yang terdapat pada node tujuan
goal
6 5

Algoritma A* (8-Puzzle)
0+4
1+5
1+3
3+4
3+4
3+2 4+1
5+2
5+0
2+3
2+3
f(N) = g(N) + h(N)
dengan h(N) = jumlah tile yang berbeda
3+3
goal
1+5 2+4

- Dengan Cutoff 4
f(N) = g(N) + h(N)
6
4
Cutoff=4

- Dengan Cutoff 5
4
4
f(N) = g(N) + h(N)
6 6
Cutoff=4

- Dengan Cutoff 4
4
4
f(N) = g(N) + h(N)
Cutoff=4 5
6 6

- Dengan Cutoff 4
4
4
f(N) = g(N) + h(N)
Cutoff=4 5
5
6 6

4
- Dengan Cutoff 4
4
f(N) = g(N) + h(N)
Cutoff=4 5
5
6
6 6

- Dengan Cutoff 5 f(N) = g(N) + h(N)
6
4
Cutoff=5

- Dengan Cutoff 5
4
4
f(N) = g(N) + h(N)
6 6
Cutoff=5

- Dengan Cutoff 5
4
4
f(N) = g(N) + h(N)
Cutoff=5 5
6 6
Algoritma A* (8-Puzle)

- Dengan Cutoff 5
4
4
f(N) = g(N) + h(N)
Cutoff=5 5
7
6 6
Algoritma A* (8-Puzle)

- Dengan Cutoff 5
4
4
f(N) = g(N) + h(N)
Cutoff=5 5
7
5
6 6

- Dengan Cutoff 5
4
4
f(N) = g(N) + h(N)
Cutoff=5 5
7
5 5
6 6

Mengenai Algoritma Heuristik
• Fungsi Heuristik untuk mengarahkan pencarian ke lintasan yang
menjanjikan
• Waktu yang dihabiskan untuk menghitung fungsi heuristik akan
mendapatkan pencarian yang lebih baik
• Fungsi heuristik dapat menyelesaikan permasalahan, dapat
mengarahkan pencarian menuju ke node tujuan
• Menentukan node mana yang akan diperluas disebut meta-reasoning
• Heuristik mungkin tidak selalu terlihat seperti angka dan mungkin
melibatkan sejumlah besar knowledge

Kapan Menggunakan Algoritma Pencarian?
• Ruang pencarian kecil
• Tidak ada teknik lain yang tersedia, atau
• Tidak sepadan dengan usaha untuk mengembangkan teknik yang lebih
efisien
• Ruang pencariannya besar, dan
• Tidak ada teknik lain yang tersedia, dan
• Terdapat heuristik “good“

Hill climbing
S
B
C
A B
C
D A
F
Z
D
E B
C F
E
Z
D
C F
E
Z
D
A F
4 3
5
5
3
2
E
2
Z

Hill climbing
S
B A
C A A
E D A A
Z D A A
Mirip dengan Depth
First Search, hanya
saja pemilihan node
anak disertai dengan
aturan
Rule: yang paling
kecil jaraknya

Analisa Hill climbing
• Kelebihan
• Butuh memori kecil
• Menemukan solusi tanpa harus menguji lebih banyak lagi
• Kelemahan
• Mungkin terjebak pada local optima
• Perlu menentukan aturan yang tepat

Branch and Bound
F
Z
D
E B
C F
E
Z
C F
E
Z
A F
3
5 3
2
E
5
2
S
0
A
4
B
3
C
6
B
8
5
4
5
D
9
8
D
11
3
C
11
A
8
D
13
5
Z
10

Branch and Bound
S
SB SA
3 4
SA SBC SBA
4 6
8
dan seterusnya…

Analisa Branch and Bound
• Kelebihan
• Selalu menemukan global optimum
• Kelemahan
• Boros memori karena menyimpan lintasan partial lebih dari 1 kali

Dynamic Programming
C
F
Z
D
E B
C F
E
Z
C F
E
Z
A F
3
5 3
2
E
5
2
S
0
A
4
B
3
A
8
D
C
6
B
8
5
4
5
D
9
8
D
11
Z
10

Dynamic Programming
S
SB SA
3 4
SA SBC SBA
4 6
8
dan seterusnya…

Dynamic Programming
• Kelebihan
• Selalu menemukan global optimum
• Lebih cepat dan hemat memori karena hanya 1 kali menyimpan lintasan
partial
• Kelemahan
• Harus mengingat node terakhir dari lintasan partial yang sudah dicapai
sebelumnya

Tugas 1
S
A
B C
D
Z
2
7
5
2
2
4
1
3

Tugas 2
Traveling Salesperson Problem
• Dari kota A mengunjungi kota lainnya dan kembali ke kota A

Tuga
sSelesaikan Tugas 1 dan Tugas 2:
• Representasikan kasus diatas dengan tree
• Selesaikan kasus diatas dengan metode:
– Best First Search
– Hill climbing
– Branch and Bound
– Dynamic Programming

Algoritma Pencarian Heuristik (TM 12a).pptx

More Related Content

More from ashaby (20)

Recently uploaded (20)

Algoritma Pencarian Heuristik (TM 12a).pptx