Gli agenti per il problem solving
Maria Simi
a.a 2006/2007
Agenti risolutori di problemi



Adottano il paradigma della risoluzione di problemi
come ricerca in uno spazio di stati
Sono particolari agenti con obiettivo, che pianificano
l’intera sequenza di mosse prima di agire
Passi da seguire:
1. Determinazione obiettivo (un insieme di stati)
2. Formulazione del problema
3. Determinazione della soluzione mediante ricerca
4. Esecuzione del piano
Che tipo di assunzioni?



L’ambiente è statico
Osservabile
Discreto


un insieme finito di azioni possibili
Deterministico

Si assume che l’agente possa eseguire il piano “ad
occhi chiusi”
Formulazione del problema
datatype Problem
components:
1.
2.
Initial-State, Operators,
Goal-Test, Path-Cost-Function
Stato iniziale
Una funzione successore:
Succ-fn: stato  {<azione, stato>*}
3.
4.
(1 e 2 definiscono lo spazio degli stati)
Goal-test: stato  {true, false}
Path-Cost-Function : costo del cammino, somma dei
costi delle azioni
Algoritmi di ricerca
Gli algoritmi di ricerca prendono in input un
problema e restituiscono un cammino soluzione, i.e. un
cammino che porta dallo stato iniziale a uno stato goal

Misura delle prestazioni
Trova una soluzione? quanto costa trovarla? quanto
efficiente è?
Costo totale = costo della ricerca +
costo del cammino soluzione
Route finding: il problema
Route finding: la formulazione






Stati: le città
Stato iniziale: la città da cui si parte
Obiettivo: la città destinazione
Azioni: spostarsi su una città vicina collegata
Funzione di costo: somma delle lunghezze delle
strade
Lo spazio degli stati coincide con la rete di
collegamenti tra città
Vacuum world: il problema
Versione semplice: solo due locazioni, sporche o
pulite, l’agente può essere in una delle due
Percezioni:
Dirt, No_dirt
Azioni:
Left, Right, Suck
Vacuum world: formulazione



Obiettivo: rimuovere lo sporco { 7, 8 }
Funzione di costo: ogni azione ha costo 1
Spazio degli stati :
Il puzzle dell’otto
Puzzle dell’otto: formulazione







Stati: configurazioni della scacchiera
Stato iniziale: una certa configurazione
Obiettivo: una certa configurazione
Successori: mosse della casella bianca
in sù: 
in giù: 
a destra: 
a sinistra: 
Goal-Test: Stato obiettivo?
Path-Cost: ogni passo costa 1
Lo spazio degli stati è un grafo con possibili cicli.
Le otto regine: il problema
Collocare 8
regine sulla
scacchiera in
modo tale che
nessuna regina
sia attaccata da
altre
Le otto regine: formulazione incrementale 1




Stati: scacchiere con 0-8 regine
Goal-Test: 8 regine sulla scacchiera, nessuna
attaccata
Path-Cost: zero
Azioni: aggiungi una regina
64  63  …  57 ~ 3  104
sequenze da considerare!
Le otto regine: formulazione incrementale 2
Stati: scacchiere con 0-8 regine, nessuna
minacciata
 Goal-Test: 8 regine sulla scacchiera, nessuna
minacciata
 Path-Cost: zero
 Azioni: aggiungi una regina nella colonna
vuota più a destra in modo che non sia
minacciata
2057 sequenze da considerare

Le 8 regine: formulazione a stato completo




Goal-Test: 8 regine sulla scacchiera, nessuna
minacciata
Path-Cost: zero
Stati: scacchiere con 8 regine, una per colonna
Azioni: sposta una regina nella colonna, se
minacciata
Dimostrazione di teoremi
Nel calcolo proposizionale un’unica regola di
inferenza, il Modus Ponens:
da p e pq deriva q
Dato un insieme di premesse
{s, t, qp, rp, vq, tr, sv}
Dimostrare una proposizione
p
Dim. teoremi: formulazione




Stati: insiemi di proposizioni
Stato iniziale: un insieme di proposizioni (le
premesse).
Stato obiettivo: un insieme di proposizioni
contenente il teorema da dimostrare. Es p.
Operatori: l’applicazione del MP, che aggiunge
teoremi
continua
Dim. teoremi: spazio degli stati
{s, t, qp, rp, vq, tr, sv}
{s, t, qp, rp, vq, t r, s v, v}
{s, t, qp, rp, vq, tr, sv, r}
{s, t, qp, rp, vq, tr, sv, v, q}
{s, t, qp, rp, vq, tr, sv, r, p}
{s, t, qp, rp, vq, tr, sv, v, q, p}
Ricerca della soluzione
Generazione di un albero di ricerca sovrapposto allo spazio
degli stati
Ricerca della soluzione
Generazione di un albero di ricerca sovrapposto allo spazio
degli stati
Strategia di ricerca
Ovvero: quale nodo espandere tra quelli foglia?
function Tree-Search(problem, strategy)
…
loop do
if non ci sono nodi da espandere then return failure
scegli un nodo da espandere secondo la strategia
if il nodo corrisponde a uno stato goal
then return la soluzione corrispondente
else espandi il nodo e aggiungi i successori
all’albero di ricerca
end
I nodi dell’albero di ricerca
Un nodo ha cinque componenti:
 Uno stato
 Il nodo genitore
 L’operatore applicato per generarlo
 La profondità del nodo
 Il costo del cammino dal nodo iniziale al nodo
Datatype node
components:
state, parent-node, operator, depth, path-cost
Struttura dati per la frontiera


Frontiera: lista dei nodi in attesa di essere
espansi (le foglie dell’albero di ricerca).
La frontiera è implementata come una coda
con operazioni:





Make-Queue
Empty?
First, Rest, RemoveFront
Insert, InsertAll
I diversi tipi di coda hanno diverse Insert
Algoritmo di ricerca
function Tree-Search (problem, fringe)
returns a solution or failure
fringe  Insert(Make-Node(Initial-State[problem]),
fringe))
loop do
if Empty?(fringe) then return failure
node  RemoveFront(fringe)
if Goal-Test[problem] (State[node]) = true
then return Solution(node)
fringe  InsertAll(Expand(node, problem), fringe)
end
Valutazione di una strategia




Completezza: se la soluzione esiste viene
trovata
Ottimalità (ammissibilità): trova la soluzione
migliore, con costo minore
Complessità nel tempo: tempo richiesto per
trovare la soluzione
Complessità nello spazio: memoria richiesta
Strategie non informate





Ricerca in ampiezza
Ricerca di costo uniforme
Ricerca in profondità
Ricerca in profondità limitata
Ricerca con approfondimento iterativo
Vs strategie di ricerca euristica (o informata):
fanno uso di informazioni riguardo alla
distanza stimata dalla soluzione
Ricerca in ampiezza
Implementata con una coda che inserisce alla fine (FIFO)
Ricerca in ampiezza: analisi




Strategia completa
Strategia ottimale se gli operatori hanno tutti lo stesso
costo k, cioè g(n) = k · depth(n), dove g(n) è il costo
del cammino per arrivare a n
Assumendo
b = fattore di diramazione (numero max di successori)
d = profondità della soluzione più superficiale
Complessità nel tempo (nodi generati)
b + b2 + … + bd + (bd+1 – b)  O(bd+1)

Complessità spazio (nodi in memoria): O(bd+1)
Ricerca in ampiezza: esempio

Esempio: b=10; 10000 nodi al sec generati; 1
nodo occupa 1000 byte
Profondità
Nodi
Tempo
Memoria
2
4
6
8
10
12
14
1.100
111.000
107
109
1011
1013
1015
0,11 sec
11 sec
19 min
31 ore
129 giorni
35 anni
3523 anni
1 megabyte
106 megabyte
10 gigabyte
1 terabyte
101 terabyte
10 petabyte
1 exabyte
Ricerca di costo uniforme
Generalizzazione della ricerca in ampiezza: si sceglie il nodo di
costo minore sulla frontiera (si intende il costo del cammino)
Implementata da una coda ordinata per costo crescente (in cima i
nodi di costo minore)
Costo uniforme: analisi
Ottimalità e completezza garantite purché il costo
degli archi sia maggiore di 0.
Nota: quando ogni azione ha lo stesso costo
Uniform-search = Breadth-first
Complessità: O(b 1+C*/ )
C* è il costo della soluzione ottima
(C*/ è il numero di mosse nel caso peggiore)
Ricerca in profondità
Implementata da una coda che mette i successori in testa alla lista
(LIFO, pila o stack).
Ricerca in profondità: analisi



Se m
distanza massima della soluzione
nello spazio di ricerca
b
fattore di diramazione
 Occupazione memoria: bm + 1
 Tempo: O(bm+1)
Strategia non completa e non ottimale.
Drastico risparmio in memoria:
BF d=12
DF d=12
10 petabyte
118 Kbyte
Ricerca con backtracking (ricorsiva)
function Recursive-DF(node, problem)
returns a solution or failure
if Goal-Test[problem](State[node])
then return Solution(node)
else
for each successor in Expand(node, problem) do
result  Recursive_DF(successor, problem)
if result ≠ failure then return result
end
 Ancora più efficiente in occupazione di memoria
perché mantiene solo il cammino corrente (solo m)
Ricerca in profondità limitata (DL)






Si va in profondità fino ad un certo livello predefinito l
Completa per problemi in cui si conosce un limite
superiore per la profondità della soluzione.
Es. Route-finding limitata dal numero di città – 1
Completo: se d < l
Non ottimale
Complessità tempo: O(bl)
Complessità spazio: O(b.l)
DL ricorsivo
function Recursive-DL(node, problem, limit)
returns a solution or failure or cutoff
cutoff-occurred?  false
if Goal-Test[problem](State[node])
then return Solution(node)
else if Depth[node] = limit then return cutoff
else for each successor in Expand(node, problem) do
result  Recursive_DL(successor, problem, limit)
if result = cutoff then cutoff-occurred?  true
else if result ≠ failure then return result
end
if cutoff-occurred? then return failure
Approfondimento iterativo (ID)
Limite
Limite3
21
0
ID: analisi




Miglior compromesso tra BF e DF
BF: b+b2+ … +bd-1+(bd+1– b) con b=10 e d=5
10+100+1000+10.000+100.000+(1.000.000–
10)=1.111.100
ID: (d)b+(d-1) b2+ … +3bd-2+2bd-1+1bd
= 50+400+3000+20.000+100.000=123450
I nodi dell’ultimo livello generati una volta, quelli del
penultimo 2, quelli del terzultimo 3 … quelli del primo
d volte
Più grande b più basso l’overhead (se b=2 il doppio)
Complessità tempo: O(bd)
Spazio: O(b.d)
Direzione della ricerca


Un problema ortogonale alla strategia è la
direzione della ricerca:
ricerca in avanti o guidata dai dati: si esplora
lo spazio di ricerca dallo stato iniziale allo
stato obiettivo;
ricerca all’indietro o guidata dall’obiettivo: si
esplora lo spazio di ricerca a partire da uno
stato goal e riconducendosi a sotto-goal fino a
trovare uno stato iniziale.
Quale direzione?


Conviene procedere nella direzione in cui il
fattore di diramazione è minore
Si preferisce ricerca all’indietro quando:



l’obiettivo e chiaramente definito (th. pr.) o si
possono formulare una serie limitata di ipotesi;
i dati del problema non sono noti e la loro
acquisizione può essere guidata dall’obiettivo
Si preferisce ricerca in avanti quando:


gli obiettivi possibili sono molti (design)
abbiamo una serie di dati da cui partire
Ricerca bidirezionale
Si procede nelle due direzioni fino ad incontrarsi
Ricerca bidirezionale: analisi


Complessità tempo: O(bd/2)
(test intersezione in tempo costante, es. hash
table)
Complessità spazio: O(bd/2)
(almeno tutti i nodi in una direzione in memoria,
es usando BF)
NOTA: non sempre applicabile, es. predecessori
non definiti, troppi stati obiettivo …
Confronto delle strategie
Criterio
BF
UC
DF
Tempo
bd+1 b1+C*/ bm
1+C*/
d+1
b
Spazio
b
bm
si(**)
Ottimale? si(*)
no
si(**)
Completa? si
no
DL
ID
Bidir
bl
bl
no
si (+)
bd
bd
si(*)
si
bd/2
bd/2
si
si
(*) se gli operatori hanno tutti lo stesso costo
(**) per costi degli archi   > 0
(+) per problemi per cui si conosce un limite alla
profondità della soluzione (se l>d)
Evitare stati ripetuti
Su spazi di stati a grafo si generano più volte gli
stessi nodi nella ricerca.
Come evitare di visitare nodi già visitati?
Compromesso tra spazio e tempo


Ricordare gli stati già visitati occupa spazio ma
ci consente di evitare di visitarli di nuovo
Gli algoritmi che dimenticano la propria storia
sono destinati a ripeterla!
Tre soluzioni
Tre tecniche in ordine crescente di costo e di
efficacia:
 Non tornare nello stato da cui si proviene: si
elimina il genitore dai nodi successori;
 Non creare cammini con cicli: si controlla che i
successori non siano antenati del nodo corrente;
 Non generare nodi con stati già visitati: ogni
nodo visitato deve essere tenuto in memoria per
una complessità O(bd), o meglio O(s) dove s è il
numero di stati possibili (hash table).
Ricerca su grafi




Mantiene una lista dei nodi visitati (closed)
Prima di espandere un nodo si controlla se lo
stato era stato già incontrato prima
Se questo succede il nodo appena trovato non
viene espanso
Ottimale solo se abbiamo la garanzia che il
costo del nuovo cammino è maggiore

Altrimenti necessario aggiornamento
L’algoritmo di ricerca su grafi
Ricerca con informazione parziale
La conoscenza degli stati e dell’effetto delle azioni può
essere incompleta.
1.
Problemi senza sensori (sensorless)

un insieme di stati possibili
Problemi con contingenza
2.

effetto delle azioni incerto (non deterministico o con
avversario)
Problemi di esplorazione
3.

servono azioni per acquisire informazioni
Il mondo dell’aspirapolvere senza sensori
Problemi con contingenza e di esplorazione
Aspirapolvere con sensori difettoso: che qualche
volta deposita sporco se casella pulita
Vanno considerati tutti i possibili effetti





Piano condizionale (prevede le possibili contingenze)
Alternanza di pianificazione e azione (o ricerca ed
esecuzione) è tipica dei giochi con avversario
I problemi di esplorazione sono casi estremi di
problemi con contingenza in cui l’agente deve anche
pianificare azioni esplorative