• Document: Constraint Satisfaction Problems (CSP)
  • Size: 2.79 MB
  • Uploaded: 2019-03-24 07:00:27
  • Status: Successfully converted


Some snippets from your converted document:

Constraint Satisfaction Problems (CSP) CSP atau Constraint Satisfaction Problem adalah permasalahan yang tujuannya adalah mendapatkan suatu kombinasi variabel-variabel tertentu yang memenuhi aturan-aturan (constraints) tertentu. State didefinisikan dengan variables Xi yang mempunyai values dari domain Di Goal Test adalah sebuah himpunan constraints yang memberikan kombinasi yang diijinkan untuk mengisi variabel Batasan CSP dalam perkuliahan ini: diskrit (solusi deterministik), absolut (solusi pasti tersedia dalam domain), unair atau biner (satu atau dua variabel yang harus diisi). CSP Example: Map-Coloring Variables: WA, NT, Q, NSW, V, SA, T Domains: Di = {red, green, blue} Constraints: adjacent regions must have different colors e.g.: WA ≠ NT, WA ≠ SA, NT ≠ SA, ... (if the language allow this), or (WA,NT) Є { (red, green), (red, blue), (green, red),...} CSP Example: Map-Coloring Solutions are complete and consistent assignments, e.g. {WA=red, NT=green, Q=red, NSW=green, V=red, SA=blue, T=green} Varieties of Constraints Unary : Constraints involve a single variable e.g.: SA ≠ green Binary : Constraints involve pairs of variables e.g.: SA ≠ WA Higher-Order : Constraints involve 3 or more variables e.g.: cryptarithmetic column constraints Preferences (soft constraints) : e.g.: blue is better than green. (Often representable by a cost for each variable assignment  Constrained Optimization Problems Standard Search Formulation for CSP States ditentukan dengan nilai yang sudah dialokasikan sekarang Initial State: { } Successor Function: assign value ke variable yang belum terisi nilai tidak boleh melanggar constraint Goal Test: bila assignment selesai dilakukan Catatan: 1. Hal ini berlaku untuk setiap masalah CSP 2. Karena variable terbatas maka setiap solusi akan muncul pada kedalaman n dengan n variable  gunakan depth-first Search 3. Karena path irrelevan kita dapat gunakan algoritma local search Backtracking Example: Map Coloring Backtracking Example: Map Coloring Backtracking Example: Map Coloring Backtracking Example: Map Coloring Memperbaiki backtracking 1. Variable yang mana yang harus di assign terlebih dahulu ? 2. Bagaimana urutan nilai dicoba ? 3. Bisakah kita mendeteksi kegagalan lebih awal 4. Dapatkah kita menggunakan struktur problem untuk membantu kita ? Forward Checking Idenya : • Simpan nilai valid untuk variable yang belum diassign • Bila salah satu variable tidak mempunyai kemungkinan nilai yang valid maka pencarian dihentikan Forward Checking Idenya : • Simpan nilai valid untuk variable yang belum di-assign • Bila salah satu variable tidak mempunyai kemungkinan nilai yang valid maka search dihentikan Forward Checking Idenya : • Simpan nilai valid untuk variable yang belum diassign • Bila salah satu variable tidak mempunyai kemungkinan nilai yang valid maka search dihentikan Forward Checking Idenya : • Simpan nilai valid untuk variable yang belum diassign • Bila salah satu variable tidak mempunyai kemungkinan nilai yang valid search dihentikan Constraint Propagation Forward checking memberikan informasi dari variabel yang dialokasi, namun tidak dapat mendeteksi kegagalan sebelumnya. NT dan SA tidak boleh diberikan warna biru ! Constraint Propagation secara berulang mengevaluasi alokasi variabel dalam skala lokal (solusi sementara) R7 R6 R2 R3 R4 R5 R1 Isikan bidang (R1..R7) di atas dengan warna: merah, kuning, hijau, biru. Bidang bertetangga tidak boleh memiliki warna yang sama. 1. Apakah variabel yang Anda gunakan? 2. Apakah domain yang tersedia? 3. Bagaimana Anda mengevaluasi constraints-nya? 1. Variabel yang harus diisi: R1, .. R7 2. Domain yang tersedia: warna (merah, kuning, hijau, biru) 3. Constraints: 1. R1 <> R2, …, R7, 2. R2 <> R3, 3. R3 <> R4, 4. R4 <> R5, 5. R5 <> R6, 6. R6 <> R7 Backtracking Backtracking Backtracking Backtracking Backtracking Backtracking Backtracking Backtracking Most Constrained Variable Heuristic Pilih variabel dengan kemungkinan nilai legal paling sedikit, constraint terbesar. (Cari variabel yang paling susah untuk diisi) Dikenal juga dengan heuristik Minimum Remaining Values (MRV) Least Constraining Value Diberikan sebuah variabel, pilihlah yang memiliki nilai constraint paling sedikit (legalitas terbesar, variabel yang paling mudah diisi) Degree Heuristic Pilih variabel dengan constraint paling besar diantara variabel yang belum terisi (kumpulkan variabel-variabel yang paling sulit diisi) Tie-breaker diantara MRV variabel  Why game playing ?

Recently converted files (publicly available):