TIỂU LUẬN MÔN TRÍ TUỆ NHÂN TẠO TÌM KIẾM HEURISTIC

Tìm kiếm heuristic
Đặt vấn đề
Các kỹ thuật tìm kiếm mù rất kém hiệu quả và trong nhiều trường hợp không
thể áp dụng được. Vì vậy, trong bài viết này chúng ta sẽ nghiên cứu các phương
pháp tìm kiếm kinh nghiệm (tìm kiếm heuristic), đó là phương pháp sử dụng hàm
đánh giá để hướng dẫn sự tìm kiếm.
1. Tổng quan về Heuristic
1.1. Heuristic là gì?
George Polya định nghĩa heuristic là “sự nghiên cứu về các phương pháp và các
qui tắc trong việc khám phá và phát minh” (Polya 1945). Nghĩa này có thể xuất
phát từ gốc Hy Lạp của động từ eurisco nghĩa là “tôi phát hiện”.
Trong tìm kiếm không gian trạng thái, heuristic là các luật dùng để chọn những
nhánh nào có nhiều khả năng nhất dẫn đến một giải pháp chấp nhận được.
- Heuristic chỉ là một phỏng đoán chứa các thông tin về bước tiếp theo sẽ
được chọn dùng trong việc giải quyết một vấn đề.
- Heuristic là những tri thức được rút ra từ những kinh nghiệm, “trực giác”
của con người
- Heuristic có thể là những tri thức đúng hoặc sai
Vì các heuristic sử dụng những thông tin hạn chế nên chúng ít khi có khả năng
đoán trước chính xác cách hành xử của không gian trạng thái ở những giai đoạn xa
hơn
1.2. Heuristic dùng để làm gì?
Các chương trình giải quyết những vấn đề trí tuệ nhân tạo sử dụng heuristic cơ bản
theo hai dạng:
1. Vấn đề có thể không có giải pháp chính xác vì những điều không rõ ràng
trong diễn đạt vấn đề hoặc trong các dữ liệu có sẵn.
2. Vấn đề có thể có giải pháp chính xác, nhưng chi phí tính toán để tìm ra nó
không cho phép.
1.3. Ưu điểm của thuật giải Heuristic
Thuật giải Heuristic thể hiện cách giải bài toán với các đặc tính sau:
- Thường tìm được lời giải tốt ( nhưng không chắc là lời giải tốt nhất)

- Giải bài toán theo thuật giải Heuristic thường dễ dàng và nhanh chóng đưa
ra kết quả hơn so với giải thuật tối ưu, vì vậy chi phí thấp hơn.
- Thuật giải Heuristic thường thể hiện khá tự nhiên, gần gũi với cách suy nghĩ
và hành động con người
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 1
Tìm kiếm heuristic
1.4. Phương pháp xây dựng thuật giải Heuristic
Thuật giải heuristic gồm hai phần: Hàm đánh giá heuristic và thuật toán để sử dụng
nó trong tìm kiếm không gian trạng thái.
Có nhiều các để xây dựng một thuật giải Heuristic, trong đó người ta thường dựa
và một số nguyên lý cơ bản như sau:
- Nguyên lý vét cạn thông minh: Trong một bài toán tìm kiếm nào đó, khi
không gian tìm kiếm lớn, ta thường tìm cách giới hạn lại không gian tìm
kiếm hoặc thực hiện một kiểu dò tìm đặc biệt dựa vào đặc thù của bài toán
để nhanh chóng tìm ra mục tiêu
- Nguyên lý tham lam (greedy): lấy tiêu chuẩn tối ưu ( trên phạm vi toàn cục)
của bài toán để làm tiêu chuẩn chọn lựa hành động cho phạm vi cục bộ của
từng bước ( hay từng giai đoạn) trong quá trình tìm kiếm lời giải
- Nguyên lý thứ tự: thực hiện hành động dựa trên một cấu trúc thứ tự hợp lý
của không gian khảo sát nhằm nhanh chóng đạt được một lời giải tốt
1.5. Tìm kiếm kinh nghiệm (Heuristic Search)
Các kỹ thuật tìm kiếm sử dụng hàm đánh giá để hướng dẫn sự tìm kiếm được gọi
chung là các kỹ thuật tìm kiếm kinh nghiệm (heuristic search). Các giai đoạn cơ
bản để giải quyết vấn đề bằng tìm kiếm kinh nghiệm như sau:
1. Tìm biểu diễn thích hợp mô tả các trạng thái và các toán tử của vấn đề
2. Xây dựng hàm đánh giá
3. Thiết kế chiến lược chọn trạng thái để phát triển ở mỗi bước
1.6. Ví dụ
1.6.1. Trò chơi Tic-tac-toe
Xét trò chơi Tic-tac-toe, mỗi nước đi trong chín nước đầu tiên đều có tám khả

năng đặt quân cờ kế tiếp và đến lượt mình mỗi nước đi này lại có bảy khả năng đặt
quân cờ cho nước đi tiếp tục Một phân tích đơn giản cho biết số lượng các trạng
thái cần được xem xét cho quá trình này là 9 x 8 x 7 x x 1 = 9!.
Áp dụng một nhận xét trực quan nhỏ dựa theo tính chất đối xứng của cấu hình bàn
cờ : thực tế chỉ có ba nước đi cho quân cờ đầu tiên: ô cạnh, ô góc hoặc ô giữa
• Giảm số lượng đường đi có thể xảy ra trong không gian đó xuống đến tổng
số 12 x 7! . Nó đã nhỏ hơn không gian ban đầu nhưng vẫn phát triển theo
hàm giai thừa.
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 2
Tìm kiếm heuristic
Hình 1 – Không gian trạng thái bài toán Tic-tac-toe thu giảm bởi tính đối xứng
Tuy nhiên, một heuristic đơn giản có thể loại bỏ việc tìm kiếm hầu như toàn
bộ: heuristic “nước đi chắc thắng nhất”, nghĩa là chọn vị trí đặt quân cờ mà có
nhiều đường chắc thắng nhất giao nhau. Trong trường hợp các trạng thái đều có số
lượng bằng nhau, chọn trạng thái đầu tiên.
Hình 2 - Heuristic “nước đi chắc thắng nhất”
Sau nước đi đầu tiên, đối thủ có thể chọn một trong hai nước đi tương đương
nhau. Dù chọn nước đi nào, heuristic đó cũng được áp dụng cho các bước tiếp
theo. Khi quá trình tìm kiếm tiếp tục, từng bước đi sẽ đánh giá các con của một nút
duy nhất mà không yêu cầu tìm kiếm hết không gian.
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 3
Tìm kiếm heuristic
Hình 3 – Không gian trạng thái đã được thu giảm bởi heuristic
1.6.2. Bài toán hành trình ngắn nhất – ứng dụng nguyên lý Greedy
Bài toán: Hãy tìm một hành trình cho một người giao hàng đi qua n điểm khác
nhau, mỗi điểm đi qua một lần và trở về điểm xuất phát sao cho tổng chiều dài
đoạn đường cần đi là ngắn nhất. Giả sử rằng có con đường nối trực tiếp từ giữa hai
điểm bất kỳ.
Tư tưởng của thuật giải như sau:
Từ điểm khởi đầu, ta liệt kê tất cả quãng đường từ điểm xuất phát cho đến n

đại lý rồi chọn đi theo con đường ngắn nhất.
Khi đã đi đến một đại lý, chọn đi đến đại lý kế tiếp cũng theo nguyên tắc
trên. Nghĩa là liệt kê tất cả con đường từ đại lý ta đang đứng đến những đại
lý chưa đi đến. Chọn con đường ngắn nhất. Lặp lại quá trình này cho đến lúc
không còn đại lý nào để đi.
Theo nguyên lý Greedy, ta lấy tiêu chuẩn hành trình ngắn nhất của bài toán
làm tiêu chuẩn cho chọn lựa cục bộ. Ta hy vọng rằng, khi đi trên n đoạn đường
ngắn nhất thì cuối cùng ta sẽ có một hành trình ngắn nhất. Điều này không phải
lúc nào cũng đúng. Với điều kiện trong hình tiếp theo thì thuật giải cho chúng ta
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 4
Tìm kiếm heuristic
một hành trình có chiều dài là 14 trong khi hành trình tối ưu là 13. Kết quả của
thuật giải Heuristic trong trường hợp này chỉ lệch 1 đơn vị so với kết quả tối ưu.
Trong khi đó, độ phức tạp của thuật giải Heuristic này chỉ là 0(n
2
).
Hình 4 - Giải bài toán sử dụng nguyên lý Greedy
Tất nhiên, thuật giải theo kiểu Heuristic đôi lúc lại đưa ra kết quả không tốt, thậm
chí rất tệ như trường hợp ở hình sau.
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 5
Tìm kiếm heuristic
1.6.3. Bài toán phân việc – ứng dụng của nguyên lý thứ tự
Bài toán: Một công ty nhận được hợp đồng gia công m chi tiết máy J
1
, J
2
, … Jm.
Công ty có n máy gia công lần lượt là P
1
, P

2
, … Pn. Mọi chi tiết đều có thể được
gia công trên bất kỳ máy nào. Một khi đã gia công một chi tiết trên một máy, công
việ sẽ tiếp tục cho đến lúc hoàn thành, không thể bị cắt ngang. Để gia công một
việc J
1
trên một máy bất kỳ ta cần dùng một thời gian tương ứng là t
1
. Nhiệm vụ
của công ty là phải làm sao gia công xong toàn bộ n chi tiết trong thời gian sớm
nhất.
Chúng ta xét bài toán trong trường hợp có 3 máy P
1
, P
2
, P
3
và 6 công việc với thời
gian là t
1
=2, t
2
=5, t
3
=8, t
4
=1, t
5
=5, t
6

=1. ta có một phương án phân công (L) như
hình sau:
Thuật giải Heuristic rất đơn giản (độ phức tạp O(n)) :
Sắp xếp các công việc theo thứ tự giảm dần về thời gian gia công.
Lần lượt sắp xếp các việc theo thứ tự đó vào máy còn dư nhiều thời
gian nhất.
Với tư tưởng như vậy, ta sẽ có một phương án L* như sau:
Rõ ràng phương án L* vừa thực hiện cũng chính là phương án tối ưu của trường
hợp này vì thời gian hoàn thành là 8, đúng bằng thời gian của công việc J
3
. Ta hy
vọng rằng một giải Heuristic đơn giản như vậy sẽ là một thuật giải tối ưu. Nhưng
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 6
Tìm kiếm heuristic
tiếc thay, ta dễ dàng đưa ra được một trường hợp mà thuật giải Heuristic không
đưa ra được kết quả tối ưu.

2. Các kỹ thuật tìm kiếm Heuristic
2.1. Hàm đánh giá
2.1.1. Định nghĩa hàm đánh giá
- Với mỗi trạng thái u chúng ta sẽ xác định một giá trị h(u), số này đánh
giá “sự gần đích “ của trạng thái u. Hàm h(u) được gọi là hàm đánh giá.
2.1.2. Ý nghĩa của hàm đánh giá trong tìm kiếm kinh nghiệm
- Trong tìm kiếm kinh nghiệm, hàm đánh giá đóng vai trò cực kì quan
trọng. Chúng ta có thể xây dựng được hàm đánh giá cho ta sự đánh giá đúng
các trạng thái thì sự tìm kiếm mới hiệu quả. Nếu hàm đánh giá không chính
xác, nó có thể dẫn ta đi chệch hướng, do đó việc tìm kiếm sẽ kém hiệu quả.
2.1.3. Ví dụ về hàm đánh giá
Ví dụ bài toán 8 số
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 7

Tìm kiếm heuristic
Chúng ta có thể đưa ra hai cách xây dựng hàm đánh giá:
- Hàm h
1
: Với mỗi trạng thái u thì h
1
(u) là số quân ở trạng thái đầu không nằm
đúng vị trí so với trạng thái đích. Các quân không nằm đúng so với vị trí của
trạng thái đích là: 3, 8, 6, 1. Do đó ta có h
1
(u) = 4.
- Hàm h
2
: h
2
(u) là tổng khoảng cách giữa vị trí các quân trong trạng thái u và
vị trí của nó trong trạng thái đích. Ở đây khoảng cách là số ít nhất các dịch
chuyển theo hàng hoặc theo cột để đưa một quân tới vị trí của nó trong trạng
thái đích.
Trong bài toán 8 ô ở trên thì: Quân 3 cần ít nhất 2 dịch chuyển
Quân 8 cần ít nhất 3 dịch chuyển
Quân 6 cần ít nhất 1 dịch chuyển
Quân 1 cần ít nhất 3 dịch chuyển
Do đó ta có: h
2
(u) = 2 + 3 + 1 + 3 = 9
2.2. Tìm kiếm Beam (Beam Search)
2.2.1. Ý tưởng thuật toán
Đầu tiên chọn trạng thái ban đầu, sau đó phát triển k đỉnh tốt nhất (k được
xác định bởi hàm đánh giá) ở một mức rồi phát triển k đỉnh tốt nhất ở mức tiếp

theo.
Như vậy tìm kiếm bean cũng giống như tìm kiếm theo bề rộng tuy nhiên
trong tìm kiếm bean, ở bất kì mức nào cũng chỉ có k đỉnh được phát triển còn trong
tìm kiếm theo bề rộng thì ở mức d sẽ có b
d
đỉnh cần phát triển (b lá số nhánh).
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 8
Tìm kiếm heuristic
2.2.2. Ví dụ về tìm kiếm bean
Trong đó: A là trạng thái ban đầu
B là trạng thái kết thúc.
Giá trị của hàm đánh giá là các số ghi ở bên cạnh mỗi đỉnh.
- Chọn k = 2
- Từ trạng thái ban đầu A chọn 2 đỉnh (D, E) có chi phí nhỏ nhất kề với
A để phát triển tiếp
- Tiếp tục ở mức tiếp theo ta chọn được 2 đỉnh (I, G) có chi phí nhỏ
nhất để phát triển tiếp.
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 9
Tìm kiếm heuristic
- Đỉnh được chọn để phát triển ở mức tiếp theo là trạng thái kết thúc (B)
nên việc tìm kiếm dừng lại. Ta so sánh tổng chi phí và tìm ra được
đường đi ngắn nhất từ trạng thái đầu đến trạng thái kết thúc.
Ở đây : A -> D -> I -> B có tổng chi phí là 14.
: A -> E -> G ->B có tổng chi phí là 12.
Vậy đường đi ngắn nhất từ A tới B là: A -> E -> G ->B.
2.3. Tìm kiếm leo đồi (Hill climbing Search)
2.3.1. Leo đồi đơn giản
2.3.1.1. Tư tưởng
1) Nếu trạng thái bắt đầu cũng là trạng thái đích thì thoát và báo là đã tìm được lời
giải. Ngược lại, đặt trạng thái hiện hành (Ti) là trạng thái khởi đầu (T

0
)
2) Lặp lại cho đến khi đạt đến trạng thái kết thúc hoặc cho đến khi không tồn tại
một trạng thái tiếp theo hợp lệ (Tk) của trạng thái hiện hành :
a. Đặt Tk là một trạng thái tiếp theo hợp lệ của trạng thái hiện hành Ti
.
b. Đánh giá trạng thái Tk mới :
b.1. Nếu là trạng thái kết thúc thì trả về trị này và thoát.
b.2. Nếu không phải là trạng thái kết thúc nhưng tốt hơn trạng
thái hiện hành thì cập nhật nó thành trạng thái hiện hành.
b.3. Nếu nó không tốt hơn trạng thái hiện hành thì tiếp tục vòng
lặp.
2.3.1.2. Mã giả
Ti

:= T
0
; Stop :=FALSE;
WHILE Stop=FALSE DO BEGIN
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 10
Tìm kiếm heuristic
IF Ti ≡ TG THEN BEGIN
<tìm được kết quả >; Stop:=TRUE;
END;
ELSE BEGIN
Better:=FALSE;
WHILE (Better=FALSE) AND (STOP=FALSE) DO BEGIN
IF <không tồn tại trạng thái kế tiếp hợp lệ của Ti> THEN
BEGIN
<không tìm được kết quả >; Stop:=TRUE; END;

ELSE BEGIN
Tk := <một trạng thái kế tiếp hợp lệ của Ti>;
IF <h(Tk) tốt hơn h(Ti)> THEN BEGIN
Ti :=Tk; Better:=TRUE;
END;
END;
END; {WHILE}
END; {ELSE}
END;{WHILE}
2.3.2. Leo đồi dốc đứng
Về cơ bản, leo đồi dốc đứng cũng giống như leo đồi, chỉ khác ở điểm là leo
đồi dốc đứng sẽ duyệt tất cả các hướng đi có thể và chọn đi theo trạng thái tốt nhất
trong số các trạng thái kế tiếp có thể có (trong khi đó leo đồi chỉ chọn đi theo trạng
thái kế tiếp đầu tiên tốt hơn trạng thái hiện hành mà nó tìm thấy).
2.3.2.1. Tư tưởng
1) Nếu trạng thái bắt đầu cũng là trạng thái đích thì thoát và báo là đã tìm được lời
giải. Ngược lại, đặt trạng thái hiện hành (Ti) là trạng thái khởi đầu (T
0
)
2) Lặp lại cho đến khi đạt đến trạng thái kết thúc hoặc cho đến khi (Ti) không tồn
tại một trạng thái kế tiếp (Tk) nào tốt hơn trạng thái hiện tại (Ti)
a) Đặt S bằng tập tất cả trạng thái kế tiếp có thể có của T
i
và tốt hơn
Ti.
b) Xác định Tkmax là trạng thái tốt nhất trong tập S
Đặt Ti = Tkmax
2.3.2.2. Mã giả
Ti

:= T
0
;
Stop :=FALSE;
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 11
Tìm kiếm heuristic
WHILE Stop=FALSE DO BEGIN
IF Ti TG THEN BEGIN
<tìm được kết quả >;
STOP :=TRUE;
END;
ELSE BEGIN
Best:=h’(Ti);
Tmax

:= Ti;
WHILE <tồn tại trạng thái kế tiếp hợp lệ của Ti> DO BEGIN
Tk := <một trạng thái kế tiếp hợp lệ của Ti>;
IF <h’(Tk) tốt hơn Best> THEN BEGIN
Best :=h’(Tk);
Tmax

:= Tk;
END;
END;
IF (Best>Ti) THEN
Ti

:= Tmax;
ELSE BEGIN

<không tìm được kết quả >;
STOP:=TRUE;
END;
END; {ELSE IF}
END;{WHILE STOP}
2.3.3. Đánh giá
• So sánh leo đồi dốc đứng và leo đồi đơn giản
 Để chọn ra được hướng đi tốt nhất, leo đồi dốc đứng phải duyệt qua tất
cả các hướng đi có thể có tại trạng thái hiện hành. Trong khi đó, leo đồi
đơn giản chỉ chọn đi theo trạng thái đầu tiên tốt hơn (so với trạng thái
hiện hành) mà nó tìm ra được.
 Thời gian cần thiết để leo đồi dốc đứng chọn được một hướng đi sẽ
lớn hơn so với leo đồi đơn giản.
 Tuy vậy, do lúc nào cũng chọn hướng đi tốt nhất nên leo đồi dốc đứng
thường sẽ tìm đến lời giải sau một số bước ít hơn so với leo đồi đơn giản
• Qui tắc đơn giản này có ba nhược điểm nổi tiếng như sau:
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 12
Tìm kiếm heuristic
 Các giá trị cực đại địa phương: một giá trị cực đại địa phương, trái
ngược với một giá trị cực đại toàn cục, là một đỉnh mà thấp hơn đỉnh cao
nhất trong không gian trạng thái. Khi ở trên một đại lượng cực đại địa
phương , giảithuật sẽ dừng lại thậm chí mặc dù giải pháp vẫn còn lâu mới
tối ưu.
 Các cao nguyên: một cao nguyên là một khu vực của không gian trạng
thái mà hàm định giá là phẳng tuyệt đối. Phép tìm kiếm sẽ thực hiện một
bước đi ngẫu nhiên.
 Các đỉnh chóp: một đỉnh chóp có thể có các bên sườn võng và dốc, vì
vậy phép tìm kiếm đi đến đỉnh của chóp một cách dễ dàng, nhưng đỉnh
có thể dốc rất ít về phía một đỉnh khác. Trừ phi ở đó có các toán tử mà di
chuyển trực tiếp dọc theo đỉnh của hình chóp, phép tìm kiếm có thể dao

động từ bên này qua bên kia, khiến cho sự tiến chuyển rất ít.
 Cả hai phương pháp leo núi đơn giản và leo núi dốc đứng đều có khả năng
thất bại trong việc tìm lời giải của bài toán mặc dù lời giải đó thực sự hiện
hữu.
• Vai trò quyết định của hàm Heuristic trong quá trình tìm kiếm lời giải.
Xét bài toán về các khối được trình bày ở hình sau. Ta có hai thao tác biến
đổi là:
+ Lấy một khối ở đỉnh một cột bất kỳ và đặt nó lên một chỗ trống tạo thành
một cột mới. Lưu ý là chỉ có thể tạo ra tối đa 2 cột mới.
+ Lấy một khối ở đỉnh một cột và đặt nó lên đỉnh một cột khác
Hãy xác định số thao tác ít nhất để biến đổi cột đã cho thành cột kết quả.
Hình 5 - Trạng thái khởi đầu và trạng thái kết thúc
Giả sử ban đầu ta dùng một hàm Heuristic đơn giản như sau :
H
1
: Cộng 1 điểm cho mỗi khối ở vị trí đúng so với trạng thái đích. Trừ 1
điểm cho mỗi khối đặt ở vị trí sai so với trạng thái đích.
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 13
Tìm kiếm heuristic
- Trạng thái kết thúc sẽ có giá trị là 8 vì cả 8 khối đều được đặt ở vị trí đúng.
- Trạng thái khởi đầu có giá trị là 4 (vì nó có 1 điểm cộng cho các khối C, D,
E, F, G, H và 1 điểm trừ cho các khối A và B).
 Chỉ có thể có một di chuyển từ trạng thái khởi đầu, đó là dịch chuyển khối A
xuống tạo thành một cột mới (T
1
).
- Từ trạng thái mới T
1
, có ba di chuyển có thể thực hiện dẫn đến ba trạng thái
Ta, Tb, Tc được minh họa trong hình dưới. Những trạng thái này có số điểm

là : h’(Ta)= 4; h’(Tb) = 4 và h’(Tc) = 4
T
1
T
A
T
B
T
C
Hình 6 - Các trạng thái có thể đạt được từ T
1
 Thủ tục leo núi sẽ tạm dừng bởi vì tất cả các trạng thái này có số điểm thấp
hơn trạng thái hiện hành. Quá trình tìm kiếm chỉ dừng lại ở một trạng thái
cực đại địa phương mà không phải là cực đại toàn cục.
H
2
: Đối với mỗi khối phụ trợ đúng (khối phụ trợ là khối nằm bên dưới khối
hiện tại), cộng 1 điểm, ngược lại trừ 1 điểm.
- Trạng thái kết thúc có số điểm là 28
- Trạng thái khởi đầu có số điểm là –28.
- Việc di chuyển A xuống tạo thành một cột mới làm sinh ra một trạng thái
với số điểm là h’(T
1
) = –21 vì A không còn 7 khối sai phía dưới nó nữa. Ba
trạng thái có thể phát sinh tiếp theo bây giờ có các điểm số là : h’(Ta)=–28;
h’(Tb)=–16 và h’(Tc) = –15.
 Lúc này thủ tục leo núi dốc đứng sẽ chọn di chuyến đến trạng thái Tc, ở đó
có một khối đúng.
• Hiệu quả của cả hai thuật giải leo đồi đơn giản và leo đồi dốc đứng phụ
thuộc vào :

Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 14
Tìm kiếm heuristic
+ Chất lượng của hàm Heuristic.
+ Đặc điểm của không gian trạng thái.
+ Trạng thái khởi đầu.
Sau đây, chúng ta sẽ tìm hiểu một tiếp cận theo mới, kết hợp được sức mạnh của cả
tìm kiếm chiều sâu và tìm kiếm chiều rộng. Một thuật giải rất linh động và có thể
nói là một thuật giải kinh điển của Heuristic.
2.4. Tìm kiếm tốt nhất (Best First Search)
2.4.1. Tư tưởng
 Tại mỗi bước của tìm kiếm BFS, chọn đi theo TT có khả năng cao nhất
trong số các TT đã được xét cho đến thời điểm đó
=> Ưu tiên đi vào những nhánh tìm kiếm có khả năng nhất (giống tìm kiếm leo
đồi dốc đứng)
 Nếu phát hiện ra hướng đang đi càng đi thì càng tệ, đến mức xấu hơn cả
những hướng mà chưa đi
=> Không đi tiếp hướng hiện tại nữa mà chọn đi theo một hướng tốt nhất trong
số những hướng chưa đi.
2.4.2. Ví dụ
Để hiểu được tư tưởng này. Bạn hãy xem ví dụ sau :
Hình 7 - Minh họa thuật giải Best-First Search
- Khởi đầu, chỉ có một nút (trạng thái) A nên nó sẽ được mở rộng tạo ra 3 nút
mới B,C và D.
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 15
Tìm kiếm heuristic
- Do D là nút có khả năng nhất nên nó sẽ được mở rộng tiếp sau nút A và sinh
ra 2 nút kế tiếp là E và F.
- Đến đây, ta lại thấy nút B có vẻ có khả năng nhất (trong các nút B,C,E,F)
nên ta sẽ chọn mở rộng nút B và tạo ra 2 nút G và H.
- Hai nút G, H này được đánh giá ít khả năng hơn E, vì thế sự chú ý lại trở về

E. E được mở rộng và các nút được sinh ra từ E là I và J.
- Ở bước kế tiếp, J sẽ được mở rộng vì nó có khả năng nhất. Quá trình này
tiếp tục cho đến khi tìm thấy một lời giải.
2.4.3. Thuật giải
Để cài đặt các thuật giải theo kiểu tìm kiếm BFS, người ta thường cần dùng 2 tập
hợp sau :
OPEN : tập chứa các trạng thái đã được sinh ra nhưng chưa được xét đến (vì ta đã
chọn một trạng thái khác). Thực ra, OPEN là một loại hàng đợi ưu tiên (priority
queue) mà trong đó, phần tử có độ ưu tiên cao nhất là phần tử tốt nhất. Người ta
thường cài đặt hàng đợi ưu tiên bằng Heap. Các bạn có thể tham khảo thêm trong
các tài liệu về Cấu trúc dữ liệu về loại dữ liệu này.
CLOSE : tập chứa các trạng thái đã được xét đến. Chúng ta cần lưu trữ những
trạng thái này trong bộ nhớ để đề phòng trường hợp khi một trạng thái mới được
tạo ra lại trùng với một trạng thái mà ta đã xét đến trước đó. Trong trường hợp
không gian tìm kiếm có dạng cây thì không cần dùng tập này.

Thuật giải BEST-FIRST SEARCH
1. Đặt OPEN chứa trạng thái khởi đầu.
2. Cho đến khi tìm được trạng thái đích hoặc không còn nút nào trong
OPEN, thực hiện :
2.a. Chọn trạng thái tốt nhất (Tmax) trong OPEN (và xóa Tmax

khỏi
OPEN)
2.b. Nếu Tmax là trạng thái kết thúc thì thoát.
2.c. Ngược lại, tạo ra các trạng thái kế tiếp Tk có thể có từ trạng thái
Tmax. Đối với mỗi trạng thái kế tiếp Tk thực hiện :
Tính f(Tk); Thêm Tk vào OPEN
2.4.4. So sánh với tìm kiếm leo đồi
Tìm kiếm này rất giống với tìm kiếm leo đồi dốc đứng, với 2 ngoại lệ.

Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 16
Tìm kiếm heuristic
• Trong leo núi, một trạng thái được chọn và tất cả các trạng thái khác bị loại
bỏ, không bao giờ chúng được xem xét lại. Cách xử lý dứt khoát này là một
đặc trưng của leo đồi. Trong BFS, tại một bước, cũng có một di chuyển được
chọn nhưng những cái khác vẫn được giữ lại, để ta có thể trở lại xét sau đó
khi trạng thái hiện tại trở nên kém khả năng hơn những trạng thái đã được
lưu trữ.
• Hơn nữa, ta chọn trạng thái tốt nhất mà không quan tâm đến nó có tốt hơn
hay không các trạng thái trước đó. Điều này tương phản với leo đồi vì leo
đồi sẽ dừng nếu không có trạng thái tiếp theo nào tốt hơn trạng thái hiện
hành.
2.4.5. Thông tin về quá khứ và tương lai
Thông thường, trong các phương án tìm kiếm theo kiểu BFS, độ tốt f của
một trạng thái được tính dựa theo 2 hai giá trị mà ta gọi là là g và h’.
- h’ chúng ta đã biết, đó là một ước lượng về chi phí từ trạng thái hiện
hành cho đến trạng thái đích (thông tin tương lai).
- g là "chiều dài quãng đường" đã đi từ trạng thái ban đầu cho đến trạng
thái hiện tại (thông tin quá khứ).
Hình 8 - Phân biệt khái niệm g và h’
Kết hợp g và h’ thành f’ (f’ = g + h’) sẽ thể hiện một ước lượng về "tổng chi
phí" cho con đường từ trạng thái bắt đầu đến trạng thái kết thúc dọc theo con
đường đi qua trạng thái hiện hành. Để thuận tiện cho thuật giải, ta quy ước là g và
h’ đều không âm và càng nhỏ nghĩa là càng tốt.
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 17
Tìm kiếm heuristic
2.5. Thuật giải AT
Thuật giải AT

là một phương pháp tìm kiếm theo kiểu BFS với độ tốt của nút là giá

trị hàm g – tổng chiều dài con đường đã đi từ trạng thái bắt đầu đến trạng thái hiện
tại.
Thuật giải AT
1. Đặt OPEN chứa trạng thái khởi đầu.
2. Cho đến khi tìm được trạng thái đích hoặc không còn nút nào trong
OPEN, thực hiện :
2.a. Chọn trạng thái (Tmax) có giá trị g nhỏ nhất trong OPEN (và
xóa Tmax

khỏi OPEN)
2.b. Nếu Tmax là trạng thái kết thúc thì thoát.
2.c. Ngược lại, tạo ra các trạng thái kế tiếp Tk có thể có từ trạng thái
Tmax. Đối với mỗi trạng thái kế tiếp Tk thực hiện :
g(Tk) = g(Tmax) + cost(Tmax, Tk);
Thêm Tk vào OPEN.
* Vì chỉ sử dụng hàm g (mà không dùng hàm ước lượng h’) fsđể đánh giá độ tốt
của một trạng thái nên ta cũng có thể xem AT chỉ là một thuật toán.
2.6. Thuật giải AKT
(Algorithm for Knowlegeable Tree Search)
Thuật giải AKT

mở rộng AT bằng cách sử dụng thêm thông tin ước lượng h’. Độ
tốt của một trạng thái f là tổng của hai hàm g và h’.
Thuật giải AKT
1. Đặt OPEN chứa trạng thái khởi đầu.
2. Cho đến khi tìm được trạng thái đích hoặc không còn nút nào trong
OPEN, thực hiện :
2.a. Chọn trạng thái (Tmax) có giá trị f nhỏ nhất trong OPEN (và
xóa Tmax

khỏi OPEN)
2.b. Nếu Tmax là trạng thái kết thúc thì thoát.
2.c. Ngược lại, tạo ra các trạng thái kế tiếp Tk có thể có từ trạng thái
Tmax. Đối với mỗi trạng thái kế tiếp Tk thực hiện :
g(Tk) = g(Tmax) + cost(Tmax, Tk);
Tính h’(Tk)
f(Tk) = g(Tk) + h’(Tk);
Thêm Tk vào OPEN.
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 18
Tìm kiếm heuristic
Kết luận
Các heuristic và việc thiết kế thuật toán để thực hiện tìm kiếm heuristic từ
lâu đã là sự quan tâm chủ yếu của các công trình nghiên cứu trí tuệ nhân tạo. Chơi
game và chứng minh định lý là hai ứng dụng lâu đời nhất, cả hai đều cần đến các
heuristic để thu giảm bớt không gian giải pháp có thể. Không thể nào kiểm tra hết
mọi suy luận có thể sinh ra trong lĩnh vực toán hoặc mọi nước đi có thể có trên bàn
cờ vua, tìm kiếm heuristic thường là câu trả lời thực tế duy nhất. Gần đây việc tìm
kiếm trong các hệ chuyên gia cũng xác nhận mức độ quan trọng của các heuristic
như là một phần không thể thiếu trong quá trình giải quyết vấn đề.
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 19
Tìm kiếm heuristic
Tài liệu tham khảo
1. Trí tuệ nhân tạo, Võ Huỳnh Trâm- Trần Ngân Bình
2. Bài giảng trí tuệ nhân tạo, 2007, TS Nguyễn Đình Thuận
3. Trí tuệ nhân tạo, Đinh Mạnh Tường
4. Bài giảng trí tuệ nhân tạo, Lê Thành Sách, Đại học Bách khoa TP Hồ Chí
Minh
5. Bài giảng trí tuệ nhân tạo, 2006, Đặng Xuân Hà
6. Nhập môn trí tuệ nhân tạo, 2007, PGS-TS Nguyễn Quang Hoan, Học viện
Bưu chính viễn thông

7. Thuật toán và giải thuật, www.ebook.edu.vn
Nguyễn Thị Diệp – Phạm Thị Định – Nguyễn Thị Gấm – Nguyễn Thị Nụ - THC52Page 20