Cours Intelligence Artificielle 2005-2006 Peter Habermehl Cours Intelligence Artificielle 2005-2006 Peter Habermehl

Bibliographie

• Ganascia, Jean-Gabriel. L’intelligence artificielle. Flammarion, 1993.

• I. Bratko, Programmation en Prolog pour l’intelligence artificielle, 2001

• J.M. Alliot et [Link], Intelligence Artificielle et Informatique Théorique,

Intelligence Artificielle Cépaduès Editions, 1993.

Master 1ère année Informatique • N. Nilsson, Artificial Intelligence: A New Synthesis, Morgan Kaufmann,
Université Paris 7 1998.

• S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, 2nd edition,

2002.

1 3

Cours Intelligence Artificielle 2005-2006 Peter Habermehl Cours Intelligence Artificielle 2005-2006 Peter Habermehl

Organisation Plan du cours

• [Link] • Les agents intelligents (du très simple au plus complexe)

e-mail: [Link]@[Link]
• Les algorithmes de recherche
• Contrôle des connaissances:
Note finale première session = 2/3 Note examen + 1/3 Note contrôle • Les algorithmes de jeux
continu
Note finale deuxième session = examen • Les algorithmes d’apprentissage

• Contrôle continu: ?? – Les algorithmes de classification

– Les réseaux de neurones
– L’apprentissage de langages formels
• TD: Alexandra d’Erfurth et Peter Habermehl

• Avertissement: Les transparents ne contiennent pas tout.

2 4
Cours Intelligence Artificielle 2005-2006 Peter Habermehl Cours Intelligence Artificielle 2005-2006 Peter Habermehl

Qu’est-ce que l’Intelligence Artificielle ? Définitions

• Quatre vues: • Une perception est l’entrée perçu par l’agent à un moment donné.
– Penser comme un humain
• La séquence de perception est l’histoire complète de tout ce qu’un agent a
– Agir comme un humain
perçu.
– Penser raisonnablement
– Agir raisonnablement
• Le comportement d’un agent est décrit par la fonction d’agent qui associe à
chaque séquence de perception une action.
• Agir raisonnablement: Faire la bonne chose

• Un programme d’agent est une implémentation de la fonction d’agent.

• Ici: Étudier des agents intelligents

5 7

Cours Intelligence Artificielle 2005-2006 Peter Habermehl Cours Intelligence Artificielle 2005-2006 Peter Habermehl

Les agents (intelligents) Exemple Agent Aspirateur

sensors A B

percepts
?
environment
agent
actions Séquence de perception Action
[A,Propre] Droite
[A,Sale] Aspire
actuators [B,Propre] Gauche
[B,Sale] Aspire
• Un agent est tout ce qu’il peut être vu comme quelque chose qui perçoit son [A,Propre],[A,Propre] Droite
environnement à travers de capteurs et agit sur son environnement à travers [A,Propre],[A,Sale] Aspire
d’effecteurs. .. ..
[A,Propre],[A,Propre],[A,Propre] Droite
.. ..

6 8
Cours Intelligence Artificielle 2005-2006 Peter Habermehl Cours Intelligence Artificielle 2005-2006 Peter Habermehl

Exemple Taxi automatisé Environnements

• Définir le cadre de la conception d’un agent intelligent: la description OEEP • accessible - inaccessible

• Objectifs: sûreté, atteindre destination, minimiser distance, maximiser • déterministe - non déterministe
profits, etc.
• épisodique - non épisodique
• Environnement: météo, routes, piétons, passager, etc.
• statique - semi dynamique - dynamique
• Effecteurs: permettent de freiner, accélérer, parler, etc.
• discret - continu
• Perception: video, capteurs de moteurs, jauge d’essence, GPS, etc.
• agent seul - multiagent (compétitif, coopératif)

9 11

Cours Intelligence Artificielle 2005-2006 Peter Habermehl Cours Intelligence Artificielle 2005-2006 Peter Habermehl

Agent raisonnable (doué de raison) idéal Fonction d’agent et programme

Un agent est complètement déterminé par la fonction d’agent qui étant donnée
• Les objectifs sont spécifiés par une mesure de performance donnée par une une séquence de perception renvoie une action.
valeur numérique pour chaque passé de l’environnement.

• Action raisonnable: Action qui maximise la valeur attendu de la mesure de Programme d’agent:
performance (en connaissant la séquence des perceptions jusqu‘à présent et
en tenant compte de la connaissance de l’agent)
function SKELETON-AGENT( percept) returns action
• raisonnable 6= omniscient static: memory, the agent’s memory of the world

memory UPDATE-MEMORY(memory, percept)

• raisonnable 6= à succès action CHOOSE-BEST-ACTION(memory)
memory UPDATE-MEMORY(memory, action)
• Autonomie return action

10 12
Cours Intelligence Artificielle 2005-2006 Peter Habermehl Cours Intelligence Artificielle 2005-2006 Peter Habermehl

Le Programme le plus simple Agent réactif: Programme

function SIMPLE-REFLEX-AGENT( percept) returns action

function TABLE-DRIVEN-AGENT( percept) returns action static: rules, a set of condition-action rules
static: percepts, a sequence, initially empty state INTERPRET-INPUT( percept)

table, a table, indexed by percept sequences, initially fully specified rule RULE-MATCH(state, rules)

append percept to the end of percepts action RULE-ACTION[rule]

return action
action LOOKUP( percepts, table)
return action

Programme pour l’agent aspirateur

function AGENT-REACTIF-ASPIRATEUR([endroit,status]) returns acti

if status = Sale alors return Aspire

else if endroit = A then return Droite
else if endroit = B then return Gauche

13 15

Cours Intelligence Artificielle 2005-2006 Peter Habermehl Cours Intelligence Artificielle 2005-2006 Peter Habermehl

Agent réactif: Schéma Agent réactif avec état: Schéma

Agent Sensors Sensors

State
What the world What the world
is like now How the world evolves is like now
Environment

Environment
What my actions do

What action I What action I

Condition−action rules should do now Condition−action rules should do now

Actuators Agent Actuators

14 16
Cours Intelligence Artificielle 2005-2006 Peter Habermehl Cours Intelligence Artificielle 2005-2006 Peter Habermehl

Agent réactif avec état: Programme Agent qui apprend: Schéma

Performance standard

Critic Sensors

function REFLEX-AGENT-WITH-STATE( percept) returns action

feedback
static: state, a description of the current world state

Environment
rules, a set of condition-action rules
changes
state UPDATE-STATE(state, percept) Learning
element
Performance
element
rule RULE-MATCH(state, rules) knowledge
action RULE-ACTION[rule] learning
goals
state UPDATE-STATE(state, action)
return action Problem
generator

Agent Actuators

17 19

Cours Intelligence Artificielle 2005-2006 Peter Habermehl Cours Intelligence Artificielle 2005-2006 Peter Habermehl

Agent avec objectifs explicites: Schéma Exemple d’agent réactif

Contrôleur d’un robot dans un monde grillagé:
• Objectif: Le robot doit aller vers un
Sensors mur et le suivre.
State
What the world
How the world evolves no n ne
is like now • Environnement: le monde grillagé
Environment

o e
What it will be like so s se
What my actions do if I do action A • Effecteurs: le robot peut aller dans 4
directions (ouest, est, nord, sud)

• Perception: le robot a 8 capteurs

What action I
Goals should do now booléens (vrai indique qu’il y a un
mur dans cette direction)
Agent Actuators
• À partir des valeurs des capteurs on
doit décider quelle action faire.

18 20
Cours Intelligence Artificielle 2005-2006 Peter Habermehl

Exemple d’agent réactif

• Pour faciliter la description des règles, on choisit d’abord des caractéristiques

qu’on veut extraire des perceptions possibles. Ici, quatre valeurs booléennes
données comme suit:
– x1 := n ∨ ne, x2 := e ∨ se
– x3 := s ∨ so, x4 := o ∨ no

• En utilisant les caractéristiques x1, x2, x3, x4 on écrit un système de

productions (des règles condition-action):
x 1 x2 ⇒ est
x2 x3 ⇒ sud
x3 x4 ⇒ ouest
x4 x1 ⇒ nord
true ⇒ nord
Attention: On lit les règles du haut vers le bas.
Dans quel sens le robot suit-il les murs ?

21