Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...
Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...
Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
2 Suchverfahren<br />
Die Weiterführung <strong>der</strong> ersten Situation nach möglichen Zügen von O-Spieler ergibt:<br />
X X O<br />
O<br />
O<br />
X<br />
O<br />
X<br />
O<br />
X O X O X O O X<br />
−20 0 0 1<br />
Über <strong>die</strong>se ist zu m<strong>in</strong>imieren, so dass sich hier e<strong>in</strong> Wert von −20 ergibt.<br />
In <strong>der</strong> ersten Ebene, nach <strong>der</strong> ersten Zugmöglichkeit von X, ist zu maximieren. Der erste Zug trägt<br />
−20 dazu bei.<br />
Auf <strong>der</strong> Webseite zu <strong>die</strong>ser Veranstaltung ist e<strong>in</strong> Haskell-Programm, das zur e<strong>in</strong>fachen Bewertung<br />
+1, 0, −1 e<strong>in</strong>e Berechnung des nächsten Gew<strong>in</strong>nzuges bzw. falls es ke<strong>in</strong>en solchen gibt, den<br />
Zug ausrechnet, <strong>der</strong> zum Remis führt, o<strong>der</strong> aufgibt. Dieses Programm f<strong>in</strong>det <strong>in</strong> annehmbarer Zeit<br />
jeweils den besten Zug, und erkennt auch, dass es ke<strong>in</strong>en garantierten Gew<strong>in</strong>n für den X-Spieler<br />
o<strong>der</strong> O-Spieler am Anfang gibt. Z.B.<br />
*Ma<strong>in</strong>> nzug ’X’ "XBBBBOBBB"<br />
"Siegzug Feld: 3"<br />
*Ma<strong>in</strong>> nzug ’X’ "XBBBBBOBB"<br />
"Siegzug Feld: 2"<br />
*Ma<strong>in</strong>> nzug ’X’ "XBBBBBBOB"<br />
"Siegzug Feld: 3"<br />
*Ma<strong>in</strong>> nzug ’X’ "XBBBBBBBO"<br />
Man könnte <strong>die</strong> Bewertung verbessern, wenn man beachtet, wer am Zug ist, allerd<strong>in</strong>gs<br />
ergibt sich <strong>der</strong> gleiche Effekt, wenn man e<strong>in</strong>en Zug weiter sucht und bewertet.<br />
Praktisch erwünschte Eigenschaften <strong>der</strong> Bewertungsfunktion s<strong>in</strong>d:<br />
• hoher Wert ≡ hohe Wahrsche<strong>in</strong>lichkeit zu gew<strong>in</strong>nen<br />
• schnell zu berechnen<br />
Dies verdeckt manchmal den Weg zum Sieg. z.B. im Schach: E<strong>in</strong> Damenopfer, das zum<br />
Gew<strong>in</strong>n führt, würde zwischenzeitlich <strong>die</strong> Bewertung bzgl. Material verr<strong>in</strong>gern.<br />
Beachte, dass <strong>der</strong> folgende E<strong>in</strong>wand nicht ganz aus <strong>der</strong> Luft gegriffen ist: Wenn man<br />
e<strong>in</strong> sehr gute Bewertungsfunktion hat: Warum sollte man überhaupt mit M<strong>in</strong>Max <strong>in</strong> <strong>die</strong><br />
Tiefe schauen, und nicht direkt <strong>die</strong> Nachfolger <strong>der</strong> Wurzel bewerten, und den am besten<br />
bewerteten Zug übernehmen? Das Gegenargument ist, dass i.A. <strong>die</strong> Bewertung besser<br />
wird, je weiter man sich dem Ziel nähert. Betrachtet man z.B. Schach, dann kann man aus<br />
<strong>der</strong> Bewertung des Anfangszustand und dessen direkte Nachfolger vermutlich nicht viel<br />
schließen.<br />
E<strong>in</strong>e Tiefenbeschränkte M<strong>in</strong>-Max-Suche braucht O(c m ) Zeit, wenn c <strong>die</strong> mittlere Verzweigungrate,<br />
m <strong>die</strong> Tiefenschranke ist und <strong>die</strong> Bewertungsfunktion konstante Laufzeit<br />
hat<br />
X<br />
X<br />
O<br />
O<br />
X<br />
X<br />
O<br />
Stand: 19. Oktober 2012 58 M. Schmidt-Schauß & D. Sabel, Skript KI, WS 2012/13