Selamat datang di Pelajaran 3 dari Konsep Kecerdasan Buatan (PolyU COMP5511). Dalam sesi ini, kita beralih dari pencarian jalur agen tunggal ke Pencarian Adversarial, di mana agen beroperasi dalam lingkungan multi-agen yang kompetitif. Kami juga memperkenalkan Masalah Pemenuhan Kendala (CSP), sebuah paradigma di mana tujuannya adalah menemukan keadaan yang memenuhi serangkaian pembatasan tertentu, bukan menemukan jalur.
Konsep Inti
- Pencarian Adversarial: Berfokus pada algoritma seperti Minimax dan Pemangkasan Alpha-Beta untuk membuat keputusan rasional melawan lawan yang cerdas.
- Monte Carlo Tree Search (MCTS): Menjelajahi pengambilan keputusan probabilistik, menjadi tulang punggung AI game modern seperti AlphaGo.
- Pemenuhan Kendala: Memodelkan masalah menggunakan Variabel, Domain, dan Kendala, diselesaikan melalui Backtracking dan Pencarian Lokal.
Analisis Kompleksitas
Dalam pengaturan adversarial, kompleksitas ruang pencarian sering ditentukan oleh faktor percabangan permainan
Peringatan Pergeseran Paradigma
Berbeda dengan pencarian standar (misalnya A* atau BFS) di mana lingkungan bersifat statis, Pencarian Adversarial mengasumsikan lingkungan (lawan) secara aktif berusaha meminimalkan keberhasilan Anda. Dalam CSP, urutan tindakan tidak sepenting validitas penetapan akhir.
Pseudocode Konseptual: Jenis Agen
1
# Adversarial Agent (Game Theory)
2
functionDecide_Move(state):
3
returnMaximize_Utility(Predict_Opponent_Minimization(state))
4
5
# CSP Solver (Constraint Logic)
6
functionSolve_CSP(variables, constraints):
7
ifAll_Constraints_Satisfied(assignment):
8
returnassignment
9
else:
10
returnBacktrack_Search(variables)
Course Roadmap
Transitioning from Search (Lesson 2) to Strategic Decision Making (Lesson 3).