INF4230 – Intelligence Artificielle Algorithme A*
– Ajout d'une heuristique. • A* et les heuristiques sont à la base de beaucoup de travaux en IA: – Recherche de
Chapitre 8 : Introduction aux méthodes heuristiques
Méta-heuristiques : algorithmes d'optimisation (généralement de type Méthode heuristique en programmation dynamique : Algorithme A?.
Intelligence Artificielle Heuristique
Algorithmes et recherches heuristiques. Recherche meilleur d'abord. Recherche gloutonne. L'algorithme A?. Algorithmes de recherche locale.
Les méthodes de résolution approchées pour le Programmation en
2 Les algorithmes approchés : heuristiques Définition 2 : Un algorithme de résolution Heuristique est un algorithme qui fournit une solution réalisable ...
Méta-heuristiques
Les algorithmes génétiques reprennent ces mécanismes pour définir une méta- heuristique de résolution de problèmes d'optimisation combinatoire. L'idée est.
Algorithmes gloutons Problèmes doptimisation. Problèmes d
sous-problèmes) : heuristique de choix. Algorithmes gloutons – Stéphane Grandcolas – p.6. Algorithmes gloutons. Un algorithme glouton construit une solution
Algorithmes heuristiques et exacts pour le probleme de lensemble
Algorithmes heuristiques et exacts pour le probl`eme de l'ensemble dominant connexe minimum par. Sofiane Soualah. Département d'informatique et de recherche
Les Méthodes Hybrides en Optimisation Combinatoire:Algorithmes
28 avr. 2006 2.1 – Heuristique gloutonne pour le KP. 2.2.2 Calcul de bornes supérieures et élément critique. Calculer des bornes supérieures ou inférieures ( ...
Heuristique DSATUR
des exemples d'application nous aborderons le problème du temps de calcul de certains algorithmes
Coopération méta heuristique et logique floue pour le
Pour cela nous utilisons une approche pour la génération de base de r`egles floues et une optimisation automatiques au moyen d'algorithme génétique et d'un PSO
[PDF] INF4230 – Intelligence Artificielle Algorithme A* - GDAC
une heuristique est une méthode (~algorithme) qui calcule rapidement (ex: en temps constant linéaire ou polynomiale) une solution pouvant être approximative
[PDF] Intelligence Artificielle Heuristique - Université Paris Cité
Algorithmes et recherches heuristiques Recherche meilleur d'abord Recherche gloutonne L'algorithme A? Algorithmes de recherche locale
[PDF] Chapitre 8 : Introduction aux méthodes heuristiques
Quelques méthodes heuristiques 1 Algorithme A? 2 Recuit simulé 3 Algorithmes génétiques 4 Algorithme de colonies de fourmis
[PDF] Heuristiques
Dans cet algorithme la file contient des chemins issus de la racine à chaque étape on défile le chemin le plus prioritaire et on l'étend par les différentes
[PDF] Algorithmes de recherche heuristique - Free
Les algorithmes de recherche aveugle ou "non-informés" – n'exploitent aucune information présente dans l'arbre de recherche pour optimiser la recherche
[PDF] Cours des Méthodes de Résolution Exactes Heuristiques et
1 1 1 Introduction Si les méthodes de résolution exactes permettent d'obtenir une En optimisation combinatoire une heuristique est un algorithme ap-
[PDF] Algorithmes Heuristiques et Techniques dApprentissage
6 mai 2010 · Chapitre 1 Introduction 1 1 Probl`emes difficiles et algorithmes heuristiques Une instance d'un probl`eme d'optimisation combinatoire est
[PDF] Algorithmes de recherche informés - Irif
Les heuristiques • Algorithmes de recherche locale 1 Cours Intelligence Artificielle 2005-2006 Peter Habermehl Recherche meilleur d'abord
[PDF] Algorithmes Heuristiques et Evolutionnistes - Université de Lille
24 juil 2022 · 1! 4 2 Algorithme R8 : Introduction aux principes intéressons aux méthodes de résolution appliquées au format existant des formes
Algorithmes Et Recherches Heuristiques PDF - Scribd
Elise Bonzon (Université Paris Descartes) Intelligence artificielle Licence 3 Informatique 1 / 23 Algorithmes et recherches heuristiques
C'est quoi la méthode heuristique ?
La méthode heuristique repose sur une évaluation quasi continue, principalement formative. L'acquisition des notions est évaluée lors des observations de l'enseignant. L'évaluation s'appuie sur des critères explicites et partagés avec les élèves.Comment calculer l'heuristique ?
Cet algorithme utilise une heuristique qui calcule pour chaque nœud n le coût chemin g(n) depuis l`état initial jusqu'au nœud n. Le coût chemin g(n) est une fonction croissante le long d`un chemin : chacune n dans E, s dans Successeurs(n), g(n) <= g(s).Comment savoir si une heuristique est admissible ?
L'heuristique admissible Dans la science informatique, en particulier dans les algorithmes liés à pathfinding, une fonction heuristique est dite admissible si elle surestime jamais le coût pour atteindre l'objectif, à savoir que le coût qu'il estime pour atteindre l'objectif ne dépasse pas le coût le plus bas possible- h1 et h2 admissible implique pour tout noeud n h1(n) ? h?(n) et h2(n) ? h?(n). Donc pour tout noeud n on a max(h1(n),h2(n)) ? h?(n) donc max(h1,h2) est admissible.
Intelligence Artificielle
Heuristique
Bruno Bouzy
http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.frLicence 3 Informatique
UFR Mathématiques et Informatique
Université Paris Descartes
Algorithmes et recherches heuristiques
Algorithmes et recherches heuristiques
Recherche meilleur d'abord
Recherche gloutonne
L'algorithme A
Algorithmes de recherche locale
2 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Algorithmes et recherches heuristiques
Recherche meilleur d'abord
Recherche gloutonne
L'algorithme A
Algorithmes de recherche locale
3 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Recherche meilleur d'abord
Rappel: Une strategie est denie en choisissant un ordre dans lequel les etats sont developpesIdee: Utiliser unefo nctiond 'evaluationfpour chaque noeud !mesure l'utilite d'un noeud !introduction d'unef onctionhe uristiqueh(n)q uiestimele co^ut du cheminle plus court pour se rendre au butInsertAllinsere le nud par ordre decroissant d'utiliteCas speciaux:Recherche gloutonne(u nc hoixn'e stj amaisr emisen cau se)
A4 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Algorithmes et recherches heuristiques
Recherche meilleur d'abord
Recherche gloutonne
L'algorithme A
Algorithmes de recherche locale
5 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Recherche gloutonne
Fonction d'evaluationf(n) =h(n) (heuristique)h(n) : estimation du co^ut denvers l'etat nalPar exemple,hdd(n) est la distance a vol d'oiseau entre la villenet
BucharestLarecherche gloutonnedeveloppe le nud quip ara^tle p lusp roched e l'etat nal6 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Le voyage en Roumanie
AradZerind
TimisoaraOradea
Sibiu LugojMehadia
Dobreta
CraiovaRimnicu VilceaFagaras
PitestiBucharest
GiurgiuUrziceni
Hirsova
EforieVasluiLasiNeamt
7511871
140151
11170
75
12080
14699
13897211
101908598
801429287Ligne droite jusqu'a Bucharest
Arad366
Bucharest0
Craiova160
Dobreta242
Eforie161
Fagaras176
Giurgiu77
Hirsova151
Lasi226
Lugoj244
Mehadia241
Neamt234
Oradea380
Pitesti100
Rimnicu Vilcea193
Sibiu253
Timisoara329
Urziceni80
Vaslui199
Zerind374
7 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Recherche gloutonne
Completude: Incomplet (peut rester bloque dans des boucles)Exemple : Arad!Zerind!Arad!:::Complet si on ajoute un test pour eviter les etats repetes
Temps:O(bm)Une bonne heuristique peut ameliorer grandement les performances Espace:O(bm) : Garde tous les nuds en memoireOptimale: Non8 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Algorithmes et recherches heuristiques
Recherche meilleur d'abord
Recherche gloutonne
L'algorithme A
Algorithmes de recherche locale
9 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Algorithme A
Idee: Eviter de developper des chemins qui sont deja chersFonction d'evaluation:f(n) =g(n) +h(n)g(n) est leco ^utd el' etatin itial al 'etatnh(n) est leco ^utes timep ourat teindrel' etat nalf(n) est leco ^utt otalest imep oura llerde l' etatin itial al 'etat nalen
passant parnAutilise une heuristiquea dmissibleh(n)h(n) ouh(n) est le co^ut reel pour aller denjusqu'a l'etat nalUne heuristique admissible ne surestime jamais le co^ut reel pour atteindre
le but. Elle esto ptimistePar exemplehddne surestime jamais la vraie distanceSih(n) = 0 pour toutn, alors Aest equivalent a l'algorithme de Dijkstra
de calcul du plus court cheminTheoreme: Aest optimale10 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Le voyage en Roumanie
AradZerind
TimisoaraOradea
Sibiu LugojMehadia
Dobreta
CraiovaRimnicu VilceaFagaras
PitestiBucharest
GiurgiuUrziceni
Hirsova
EforieVasluiLasiNeamt
7511871
140151
11170
75
12080
14699
13897211
101908598
801429287Ligne droite jusqu'a Bucharest
Arad366
Bucharest0
Craiova160
Dobreta242
Eforie161
Fagaras176
Giurgiu77
Hirsova151
Lasi226
Lugoj244
Mehadia241
Neamt234
Oradea380
Pitesti100
Rimnicu Vilcea193
Sibiu253
Timisoara329
Urziceni80
Vaslui199
Zerind374
11 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Preuve d'optimalite de A
Supposons qu'il y ait un etat nal non optimalG0genere dans la liste des nuds a traiterSoitnun nud non developpe sur le chemin le plus court vers un etat nal optimalGstart n GG0f(G0) =g(G0) carh(G0) = 0
>g(G) carG0n'est pas optimale f(n) carhest admissiblef(G0)>f(n), donc Ane va pas choisirG012 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Algorithme A
Completude: Oui, sauf s'il y a une innite de nuds tels queff(G)Temps: exponentielle selon la longueur de la solutionEspace: exponentielle (garde tous les nuds en memoire)Habituellement, on manque d'espace bien avant de manquer de temps
Optimale: Oui13 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Que faire sifdecro^t?Avec une heuristique admissible,fpeutdecro^treau cours du cheminPar exemple, sipest un successeur den, il est possible d'avoirn
pg= 4,h= 8,f= 12g= 5,h= 4,f= 9On perd de l'informationf(n) = 12, donc le vrai co^ut d'un chemin a traversnest12Donc le vrai co^ut d'un chemin a traverspest aussi12
)Au lieu def(p) =g(p) +h(p), on utilisef(p) =max(g(p) +h(p);f(n)) !fne decro^t jamais le long du chemin14 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Que faire sifdecro^t?Avec une heuristique admissible,fpeutdecro^treau cours du cheminPar exemple, sipest un successeur den, il est possible d'avoirn
pg= 4,h= 8,f= 12g= 5,h= 4,f= 9On perd de l'informationf(n) = 12, donc le vrai co^ut d'un chemin a traversnest12Donc le vrai co^ut d'un chemin a traverspest aussi12)Au lieu def(p) =g(p) +h(p), on utilisef(p) =max(g(p) +h(p);f(n))
!fne decro^t jamais le long du chemin14 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Exemple d'heuristiques admissibles: le
taquinh1(n) = le nombre de pieces mal placees
!h1(S) = 8h2(n) = la distance de Manhattan totale (la distance de chaque piece
entre sa place actuelle et sa position nale en nombre de places) !h2(S) = 3 + 1 + 2 + 2 + 2 + 3 + 3 + 2 = 1815 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Exemple d'heuristiques admissibles: le
taquinh1(n) = le nombre de pieces mal placees!h1(S) = 8h
2(n) = la distance de Manhattan totale (la distance de chaque piece
entre sa place actuelle et sa position nale en nombre de places) !h2(S) = 3 + 1 + 2 + 2 + 2 + 3 + 3 + 2 = 1815 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Exemple d'heuristiques admissibles: le
taquinh1(n) = le nombre de pieces mal placees!h1(S) = 8h
2(n) = la distance de Manhattan totale (la distance de chaque piece
entre sa place actuelle et sa position nale en nombre de places) !h2(S) = 3 + 1 + 2 + 2 + 2 + 3 + 3 + 2 = 1815 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Exemple d'heuristiques admissibles: le
taquinh1(n) = le nombre de pieces mal placees!h1(S) = 8h
2(n) = la distance de Manhattan totale (la distance de chaque piece
entre sa place actuelle et sa position nale en nombre de places)!h2(S) = 3 + 1 + 2 + 2 + 2 + 3 + 3 + 2 = 1815 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Dominance
h1domineh2sih1eth2sont admissibles et queh1(n)h2(n) pour toutnh
1est alors meilleure pour la rechercheExemple :
d= 12 IDS: 3;644;035 nuds A (h1): 227 nuds A (h2): 73 nuds d= 24 IDS: trop de nuds A (h1): 39;135 nuds A (h2): 1;641 nuds16 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Comment trouver des heuristiques ad-
missibles?Considerer uneversion simpliee du problemeLe co^ut exact d'une solution optimale du probleme simplie est une
heuristique admissible pour le probleme originalExemple : simplication des regles du taquin une piece peut ^etre deplacee partout !h1(n) donne la plus petite solutionune piece peut ^etre deplacee vers toutes les places adjacentes !h2(n) donne la plus petite solution17 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Algorithmes et recherches heuristiques
Recherche meilleur d'abord
Recherche gloutonne
L'algorithme A
Algorithmes de recherche locale
18 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Algorithmes de recherche locale
Dans de nombreux problemes d'optimisation, le chemin qui mene vers une solution n'est pas importantL'etatlu i-m^emee stla s olution Idee : Modier l'etat en l'ameliorant au fur et a mesure Espace d'etats : ensemble des congurations possible des etats Besoin de denir une fonction qui mesure l'utilite d'un etat19 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Exemple : lesnreinesPlacernreines sur un plateau de taillenn, sans que deux reines se trouvent sur la m^eme ligne, colonne ou diagonaleDeplacer une reine pour reduire le nombre de con itsh = 5h = 2h = 0 20 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Algorithmes de recherche locale
On cherche un maximum globalcurrent
state objective function state space global maximum local maximum "flat" local maximum shoulder21 / 23Intelligence articielle NAlgorithmes et recherches heuristiques
Algorithmes de recherche locale
Algorithme d'ascension du gradient:
22 / 23Intelligence articielle
NAlgorithmes et recherches heuristiques
Algorithmes de recherche locale
On peut aussi considerer la descente du gradient
On peut ^etre bloque dans un maximum local
Probleme : les plateaux
Solution : on admet des mouvements de c^ote
23 / 23Intelligence articielle
Nquotesdbs_dbs44.pdfusesText_44[PDF] structure fonctionnelle d'un système automatisé
[PDF] méthodes heuristiques d'optimisation
[PDF] définition d'un système automatisé de production
[PDF] méthodes heuristiques et métaheuristique d'optimisation
[PDF] méthode heuristique optimisation
[PDF] système automatisé de production sap
[PDF] les métaheuristiques en optimisation combinatoire
[PDF] système automatisé de production pdf
[PDF] système automatisé de production ppt
[PDF] cours aide soignante module 1 pdf
[PDF] qcm module 1 aide soignante gratuit
[PDF] cours aide soignante module 2
[PDF] module 1 aide soignante résumé
[PDF] les 8 modules aide soignante