جستجو در هوش مصنوعی – CSP (Constraint Satisfaction Problem

رایگان می‌توانید توسط تمام کارت‌های بانکی عضو شتاب خرید خود را انجام داده و بلافاصله بعد از خرید فایل را دریافت نمایید. دانلود سوال از فروشنده راهنمای دریافت
  • اطلاعات و مشخصات فایل
جستجو در هوش مصنوعی –  CSP (Constraint Satisfaction Problem
  • کد فایل: 6384
  • قیمت: رایگان
  • فرمت فایل دانلودی: .doc
  • حجم فایل: 137 کیلوبایت
  • تعداد مشاهده: 660 بازدید
  • فرمت فایل اصلی: docx
  • تعداد صفحات: 8 صفحه
  • اطلاعات فروشنده
  • پرداخت به بانک ملت

    شرح فایل

    جستجو در هوش مصنوعی

    CSP (Constraint Satisfaction Problem)

    نوعی خاصی از مسئله است که تعدادی از خواص ساختاری اضافی را، اضافه بر درخواست های پایه ای برای مسئله در حالت کلی، نیاز دارد. در یک CSP، حالات توسط مقادیر مجموعه ای از متغیر ها تعریف می شوند. همچنین آزمون هدف، مجموعه ای از محدودیت ها را به آن ها اختصاص می دهد که متغیر ها ملزم به پیروی از آن ها هستند.

     

    روش های جستجوی آگاهانه

    این استراتژی ها با استفاده از دانش ویژه مسئله، راه حل های کارا تری پیدا می کنند.

     

    کشف کنندگی(Heuristic)

    کلمه کشف کنندگی از فعل یونانی Heuriskein که به معنی پیدا کردن یا کشف کردن است، مشتق شده است.

    برخی کشف کنندگی را متضاد حالت الگوریتمیک به کار می برند.

    تکنیک های کشف کنندگی بر کاربرد های اولیه هوش مصنوعی حکم فرما بود. اولین آزمایشگاه سیستم های خبره، که توسط Ed Fergenbaum، Bruce Buchanan، Joshua Lederberg در دانشگاه استنفورد آغاز به کار کرد، پروژه برنامه نویسی کشف کننده (HPP) نامیده شد.

    کشف کنندگی ها به عنوان راه تجربی مطرح می شوند که خبره دان ها از آن برای تولید راه حل های خوب بدون جستجوی بی نتیجه استفاده می کردند.

    در حال حاضر، کشف کنندگی اغلب به عنوان یک صفت برای تکنیکی که کارایی حالت متوسط روی عمل حل مسئله را گسترش می دهد، به کار می رود. اما لزوما کارآیی بدترین حالت را گسترش نمی دهد. در حیطه ویژه از الگوریتم های جستجو، کشف کنندگی به یک تابع رجوع می کند که تخمینی از هزینه حل را به دست می آورد.

     

    1- جستجوی بهترین (Best-First Search)

    همانطور که می دانید، الگوریتم جستجوی عمومی با استفاده از صف ها دانش مسئله را به کار می برد. اگر با استفاده از یک تابع ارزیابی (Evaluation)، که توضیحاتی مبنی بر مطلوب بودن یا نبودن گره را در بر دارد، صف را مرتب کنیم، ابتدا گره ای که بهترین رتبه را در ارزیابی داشته باشد، بسط داده می شود. این استراتژی را جستجوی بهترین می گویند.

    نام «جستجوی بهترین» نادرست است. زیرا اگر ما می توانستیم واقعا بهترین گره را در ابتدا بسط دهیم، دیگر نمی توانستیم نام این عمل را جستجو بگذاریم.

    به دلیل وجود توابع ارزیابی گوناگون، خانواده بزرگی از الگوریتم های جستجوی بهترین وجود دارد. همان گونه که الگوریتم جستجوی بهترین نیز عضوی از خانواده بزرگ الگوریتم جستجوی عمومی است.

     

    مثال :

    امیدوارم نقشه رومانی رو یادتون نرفته باشه! یک تابع کشف کننده خوب برای مسائل مسیریابی، مانند این مسئله، تابع مسافت مستقیم تا هدف است.

    hSLD(n) : مسافت مستقیم بین n و مکان هدف.

    فاصله مستقیم بین شهر های نقشه  و هدف :

    366

    0

    160

    242

    161

    178

    77

    151

    226

    244

    Arad

    Bucharest

    Craiova

    Dobreta

    Eforie

    Fagaras

    Guirgui

    Hirsova

    Iasi

    Lugoj

    241

    234

    380

    98

    193

    253

    329

    80

    199

    374

    Mehadia

    Neamt

    Oradea

    Pitesti

    Rimnicu Vilcea

    Sibiu

    Timisoara

    Urziceni

    Valsui

    Zerind

    با محاسبه مقادیر hSLD در این مسئله، تابع کشف کنندگی حالت مطلوب را ارائه می دهد. زیرا یک مسیر A به B را معمولا در جهت درست هدایت می کند.

     


    دانلود
    • قیمت: رایگان
    • فرمت فایل دانلودی: .doc
    • حجم فایل: 137 کیلوبایت

    راهنمای دانلود فایل

    با کلیک روی دکمه "دانلود" وارد صفحه دانلود می شوید و می توانید به صورت رایگان فایل مورد نظر را دانلود کنید.

    نام
    ایمیل
    تلفن تماس
    سوال یا نظر