ผู้ใช้:Seighart
Best first search[แก้]
Best first search คืออัลกอริทึมในการผ่านปมกราฟ เป็นการนำข้อดีของ Breadth first search และ Depth first search มารวมกัน โดย Best first search จะเลือก Node ที่มีค่าดีสุดซึ่งอาศัย heuristic function ในการหา[1]
Heuristic function[2] ใช้หลักการของ greedy algorithm เป็นการคาดเดาอย่างมีเหตุผลแต่อาจไม่ใช่คำตอบที่สมบูรณ์ โดยจะแปลงจากสถานะปัจจุบันไปเป็นตัวเลข ซึ่งตัวเลขนี้จะบ่งบอกว่าเข้าใกล้เป้าหมายมากน้อยเพียงใด ซึ่ง heuristic function จะช่วยบอกว่าควรไปในทิศทางใด ถ้าฟังก์ชันดีก็จะกระจายโหนดน้อยเข้าสู่เป้าหมายได้ไว ถ้าฟังก์ชันไม่ดีอาจค้นหาผิด ได้คำตอบที่ไม่ดีที่สุด หรือคำตอบผิดไปเลยก็ได้ โดยเฉลี่ยแล้วจะค้นหาได้ดีกว่า Breadth first search และ Depth first search
เป็นกระบวนการค้นหาข้อมูลที่ได้นําเอาข้อดีของทั้งการค้นหาแบบลึกก่อน(Depth firstsearch) และการค้นหาแบบกว้างก่อน(Breadth first search) มารวมกันเป็นวิธีการเดียว โดยที่แต่ละขั้นของการค้นหาในโหนดลูกนั้น การค้นหาแบบดีที่ดีก่อนจะเลือกเอา โหนดที่ดีที่สุด (most promising)และการที่จะทราบว่าโหนดใดดีที่สุดนี้สามารถทําได้โดยอาศัยฮิวริสติกฟังก์ชัน ซึ่งฮิวริสติก ฟังก์ชันนี้จะทําหน้าที่เหมือนตัววัดผล และให้ผลของการวัดนี้ออกมาเป็นคะแนน
การท่องไปในต้นไม้ของ Best first search[แก้]
เป็นตัวอย่างของการค้นหาแบบดีที่สุดก่อน ขั้นตอนนี้เริ่มจากตอน 1 สร้างโหนดราก(root node) ในขั้นตอน 2 สร้างโหนดลูก B และ C แล้วตรวจสอบโหนด B และ C ด้วยฮิวริสติกฟังก์ชัน ได้ผลออกมาเป็นคะแนนคือ 3 และ 1 ตามลำดับ จากนั้นให้เลือกโหนด C เป็นโหนดต่อไปที่เราสนใจ เพราะมีค่าน้อยกว่า แล้วสร้างโหนด ลูกให้กับโหนด C ในขั้นตอน 3 ได้โหนด D และ E แล้วตรวจสอบคะแนนได้ 4 และ 6 ตามลำดับ จากนั้นทำการเปรียบเทียบค่าของโหนดท้ายสุด หรือเทอร์มินอลโหนด(terminal node) ทุกโหนดว่าโหนดใดมีค่าดีที่สุด ในที่นี้จะต้องเลือกโหนด B เพราะมีคะแนนเพียง 3 (เลือกคะแนนตํ่าสุด)แล้วสร้างโหนดลูกตามขั้นตอน 4 ได้ F และ G แล้วตรวจสอบคะแนนได้ 6 และ 5 คะแนนตามลำดับ ทําเช่นนี้เรื่อยๆจนพบคําตอบหรือจนไม่สามารถ สร้างโหนดต่อไปได้อีก (หมายเหตุ ในการเลือกนี้จะเลือกค่ามากสุด หรือน้อยสุดก็ได้ ขึ้นอยู่กับลักษณะของปัญหา)
รหัสเทียมแสดงการทำงาน[แก้]
1 Open = priority queue
2 Open.add( sourceNode )
3 Close = empty list
4 While( !Open.empty() ){
5 N = Open.removeBestNode
6 Close.add( N )
7 If( N == targetNode ){
8 Backtrack Parent to Path
9 Return Path
10 }
11 For(A is each adjacency node of N){
12 Open.add( A )
13 If( !Close.exist(A) ){
14 H = Heuristic( A )
15 Open.add( H )
16 Parent[A] = N
17 }else{
18 If( New path is better )
19 Parent[A]=N
20 Update cost
21 }
22 }
23}
ตัวอย่างการทำงาน[แก้]
จากรูปและรหัสเทียมด้านบนจะได้รายการของ Open และ Close ดังนี้
การวิเคราะห์ประสิทธิภาพเชิงเวลา[แก้]
Best first search มีประสิทธิภาพเชิงเวลาเป็น O(bm) [4]
- b คือ จำนวนปมลูกเฉลี่ยในแต่ละปม
- m คือ ความสูงของต้นไม้ที่ลึกที่สุด
โดย heuristic ฟังชันก์ที่ดีจะช่วยให้ประสิทธิภาพการทำงานดีขึ้น แต่ถ้า heuristic ฟังชันก์ไม่ดีก็จะทำให้การค้นหาช้าหรืออาจไม่เจอคำตอบเลยก็ได้
อ้างอิง[แก้]
- ↑ Pearl, J. Heuristics: Intelligent Search Strategies for Computer Problem Solving. Addison-Wesley, 1984. p. 48.
- ↑ แม่แบบ:Russell Norvig 2003 -- Chapter 4
- ↑ http://www.it.uu.se/edu/course/homepage/ai/vt05/sok.pdf
- ↑ Book Reference: Artificial Intelligence: A Modern Approach, 4.1