AI

เป็นเกมส์ผลรวมเป็นศูนย์ เนื่องจากผลรวมนี้คือการรวมความสำเร็จ ชนะพร้อมกันไม่ได้
1. ขั้นตอนวิธีแบบค่าน้อยสุด-มากสุด minimax algorithm จุด root node แทนผู้เล่นแรกๆ และจุดโหนดลูกแทนผู้เล่นฝ่ายตรงข้าม จุดปลายสุดจะระบุคะแนน เราต้องหาการเล่นวิธีที่ดีดีที่สุดของผู้เล่นคนแรกดังนั้น จึงเลือกคะแนนสูงสุดต่อจุดของจุดต่อลูกๆๆของมัน ส่วนที่จุดต่อของผู้เล่นฝั่งตรงข้ามจะเลือกคะแนนสูงสุดของจุดต่อลูกๆมัน ส่วนจุดต่อฝั่งตรงข้ามจะเลือกคะแนนต่ำสุดของจุดลูกๆของมัน สำหรับจุดต่อที่น้อยที่สุดMIN คะแนนเริ่มแรกก่อนการเปรียบเทียบ จะเท่ากับ +infinityและลดลงเรื่อยๆเมื่อโปรแกรมทำงานต่อไป ส่วนจุดต่อมากที่สุด(MAX)คะแนนจะเริ่มที่-infinityและเพิ่มขึ้นเรื่อยๆ แผนถูมิต้นไม้ขนาดใหญ่จนต้องกำหนดขอบเขตล่วงหน้า

-สถานะ,เป้าหมาย,การกระทำ,ฟังก์ชั่นการแก้ปัญหาที่มีโดเมนที่เฉพาะเจาะจง

• Binary CSP: แต่ละข้อจำกัดที่เกี่ยวข้องกับสองตัวแปร
• Constraint graph: โหนดเป็นตัวแปรโค้งที่มีข้อจำกัด

e.g., SA ≠ WA

Higher-order: ข้อจำกัดที่เกี่ยวข้องกับมากกว่า3ตัวแปรขึ้นไป

Real-world CSPs

ปัญหาที่ได้รับมอบหมาย
=เช่นสิ่งที่สอนในชั้นเรียน
ปัญหา timetabling
=เช่น ระดับที่จะถูกนำเสนอเมื่อใดและที่ไหน

• การจัดตารางเวลาการขนส่ง
• การตั้งเวลาโรงงาน
• ขอให้สังเกตว่าปัญหาที่แท้จริงของโลกจำนวนมากที่เกี่ยวข้องกับมูลค่าที่แท้จริงตัวแปร

ค้นหาสูตรมาตรฐาน (เพิ่มขึ้น)Standard search formulation (incremental)

วิธีธรรมดาในการค้นหา
สถานะจะถูกกำหนดโดยค่าที่ได้รับมอบหมายเพื่อให้ห่างไกล

• สถานะเริ่มต้น: การกำหนดที่ว่างเปล่า {}
• ฟังก์ชั่นตัวตายตัวแทน (การกระทำ): กำหนดค่าให้ตัวแปรที่ไม่ได้กำหนดว่าไม่ขัดแย้งกับที่ได้รับมอบหมายในปัจจุบัน

• วิธีการใช้งานทั่วไปมีความเร็วมากในการรับ:
• ซึ่งตัวแปรควรจะกำหนดต่อไปหรือไม่
• ในสิ่งที่เรียงลำดับตามค่าที่พยายาม?
• เราสามารถตรวจสอบความล้มเหลวที่หลีกเลี่ยงไม่ได้ในช่วงต้น?

ตัวแปรที่จำกัดมากที่สุด

• การตรวจสอบการส่งต่อแพร่กระจายข้อมูลจากได้รับมอบหมายให้ตัวแปรที่ไม่ได้กำหนด แต่ไม่ได้ให้ตรวจสอบเริ่มต้นสำหรับความล้มเหลวทั้งหมด:
• NT และ SA ไม่สามารถทั้งเป็นสีฟ้า!
• การขยายพันธุ์อย่างจำกัด(Constraint propagation) ซ้ำบังคับใช้ข้อจำกัดในประเทศ มันแพร่กระจายผลกระทบของข้อจำกัด ในตัวแปรหนึ่งบนตัวแปรอื่น ๆ

Arc consistency(สอดคล้อง)

• รูปแบบที่ง่ายของการขยายพันธุ์ที่ทำให้โค้งแต่ละที่สอดคล้อง (consistent)กัน
• X--> Y ถ้ามีความสอดคล้อง
• สำหรับทุกค่า x ของ X มีบาง y ที่ได้รับอนุญาต
• การตรวจสอบความArc consistency ต้องใช้ซ้ำ ๆ จนกระทั่งไม่มีความไม่สอดคล้องกันมากขึ้นยังคงอยู่
• ถ้า x สูญเสียค่าใกล้เคียงของ X จะต้องมีการเดินทาง
• เช่นเมื่อ V สูญเสียค่าจะต้องตรวจสอบค่าของNSW และ SA’s จากนั้นจะต้องตรวจสอบค่าของNSW’s and SA’s และอื่น ๆ

Class	Name	Operation
ไม่รู้เส้นทางใด	Depth-First Breadth-First	ระบบการตรวจสอบข้อเท็จจริงของต้นไม้ ทั้งค้นหาจนกว่าจะพบเป้าหมาย
รู้เส้นทางเส้นทาง	Greedy Best- First	ใช้มาตรการแก้ปัญหาของความดีของสถานะ เช่น ระยะทางประมาณเป้าหมาย
ไม่รู้ความเหมาะสม	UniformCost	ใช้เส้นทาง "ความยาว" วัดพบ "สั้น" เส้นทาง
รู้ความเหมาะสม	A*	ใช้เส้นทาง"ความยาว" มาตรการและ การแก้ปัญหาพบเส้นทาง"สั้น"

• Uninformed search  :(หรือการค้นหาแบบตาบอด): ไม่มีเพิ่มเติมข้อมูลเกี่ยวกับสถานะเกินกว่าที่ระบุไว้ในคำนิยามปัญหา
•  Informed search :(หรือการค้นหาที่ Heuristicการค้นหาที่เลือกคำตอบที่เหมาะสมกับการค้นหาเท่านั้นแต่อาจจะไม่ใช่คำตอบที่ดีที่สุด): ใช้ problem- 7? ค้นหาแจ้ง (เทียบกับการแก้ปัญหาการค้นหา): ใช้ความรู้เฉพาะปัญหาที่นอกเหนือจากความหมายของปัญหาของตัวเอง
  

Informed (Heuristic) Search

• บางขั้นตอนวิธีการค้นหาที่ใช้heuristic functions.
• heuristic functionsอาจจะช่วยเป็นแนวทางในการค้นหาและเพิ่มความเร็วอย่างน้อยโดยเฉลี่ยกระบวนการในการหาที่เป้าหมาย
• การประเมินผลการใช้ฟังก์ชัน f (s) ซึ่งประมาณการระยะทางไปยังเป้าหมาย
• ขยายโหนดที่มีลักษณะที่ดีที่สุด (มีแนวโน้มมากที่สุด)ในขณะที่คนที่มีต่ำสุด f (s)
• เราจะหารือสองวิธี:

1. Greedy best-first search
2. A* search

Greedy Best-First Search

• ขยายโหนดที่ปรากฏขึ้นใกล้เคียงกับเป้าหมาย
• เลือกเส้นทางที่ดีที่สุดที่ดูจากโหนดปัจจุบัน S เพื่อเป้าหมาย
• f (s) = h (s)  h (s): ประเมินค่าใช้จ่ายของเส้นทางถูกที่สุดจากโหนดเพื่อเป้าหมาย
• h (เป้าหมาย) = 0

Greedy Best-First Search

• A* = สมบูรณ์ที่สุด,ดีที่สุด
• A * จะเสร็จสมบูรณ์และที่ดีที่สุดที่ได้รับ h (s) ตอบสนองเงื่อนไขบางประการ
• เงื่อนไขอะไร?--> h (s) เป็นที่ยอมรับ
• ดังนั้น เป็นปัญหาหรือไม่? -->หน่วยความจำ

ซ้ำที่ดีที่สุดครั้งแรกที่การค้นหา (RBFS)

เป็นการค้นหาแบบที่เริ่มต้นการสำวจจากโหนดหนึ่งไปยังอีกโหนดหนึ่งอาศัยทิศทางเป็นตัวกำหนดการค้นหา  ไม่มีข้อมูลอะไรมาเสริมการตัดสินใจ คือการหยิบข้อมูลมาตรวจสอบในขั้นต่อไป ไม่ต้องอาศัยข้อมูลใดๆทั้งสิ้น ตัวอย่าง Depth First Search ,Breadth First Search

เป้นการค้นหาแบบลึกก่อน กำหนดทิศทางจากรูปโครงสร้างต้นไม้ เริ่มจากRoot เดินลงมาที่ลึกสุดTerminal Node ให้ย้อนขึ้นไปที่กิ่ง แยกต่ำสุดของกิ่งเดียวกัน และยังไม่ทำการสำรวจแล้วทำการสำรวจโหนดในกิ่งนั้น ถ้าพบโหนดที่ต้องการการค้นหาก็สิ้นสุด ถ้าไม่พบก็สำรวจจนถึงปลายทาง  ถ้าไม่พบให้ย้อนขึ้นมายังกิ่งแยกต่ำสุดที่ยังไม่สำรวจถัดไปแล้วทำการสำรวจโหนดบนกิ่งแยกนั้น ทำสลับกับไปเรื่อยๆจนพบโหนดที่ต้องการหาหรือสำรวจให้ครบทุกโหนด

เป็นการกำหนดทิศทางการค้นหาที่ทำการสำรวจที่ละระดับของโครงสร้างต้นไม้ ดดยเริ่มจากโหนดรากแล้วลงมาที่ระดับ1จากซ้ายไปขวา จนกว่าจะพบโหนดที่ต้องการ หรือจนครบทุกโหนด เป้นหมายเลขที่กำกับบนโหนด 

จะอาศัยการจัดการโครงสร้างข้อมูลแบบคิวมาช่วย เช่นกัน ด้วยวิธีการเช่นเดียวกับการค้นหาแบบลึกก่อน คือให้เริ่มต้นสำรวจที่โหนดเริ่มต้น แล้วนำโหนดที่ข้างเคียงเก็บไว้ในคิว เมื่อสำรวจโหนดเริ่มต้นจนเสร็จ ให้นำข้อมูลในคิวออกมาสำรวจ นำโหนดข้างเคียงที่ไม่ได้สำรวจและไม่ได้อยู่ในคิวใส่ในคิว ทำจนพบโหนดที่ต้องการหรือเมื่อสำรวจครบทุกโหนด สำหรับโหนดข้างเคียงในที่นี้หมายถึงโหนดที่มีเส้นเชื่อม เชื่อมกับโหนดที่กำลังสำรวจหรือกล่าวอีกนัยหนึ่ง คือ โหนดที่อยู่ติดกันและมีทางเดินเชื่อมหากัน

การค้นหาแบบฮิวริสติก

        ความแตกต่างระหว่างการค้นหาข้อมูลธรรมดา และ การค้นหาข้อมูลแบบฮิวริสติก(Heuristic Search) การค้นหาแบธรรมดาจะเป็นการตรวจสอบข้อมูลจนครบ ถ้าข้อมูลไม่ใหญ่มาก การค้นหาแบบนี้จะให้คำตอบที่ถูกต้องเสมอ แต่ในบางครั้งข้อมูลมีขนาดใหญ่มาก การตรวจสอบต้องทำหลายล้านครั้ง ซึ่งทำให้การเปรียบเทียบข้อมูลทุกตัวเพื่อหาคำตอบที่เป็นไปไม่ได้  ลักษณะของปัยหาแบบนี้ เช่น การหาทางที่สั้นที่สุดเราจะต้องเปรียบเทียบเส้นทาง 99! ครั้ง หรือ (n-1)! เมื่อ n คือจำนวนเมืองซึ่งต้องการเปรียบเทียบจำนวนที่ไม่อาจเปรียบเทียบให้เสร็จได้ ดังนั้นจะตอบคำถามว่าเส้นที่สั้นที่สุดคือเส้นทางใด จะยากมากและอาจหาไม่ได้เลยก็ได้  ดังนั้นการแก้ปัญหาต้องอาศัยวิธีการฮิวริสติก วิธีการนี้เลือกคำตอบที่เหมาะสมให้กับการค้นหาเท่านั้น แต่ไม่ได้คำตอบที่ดีที่สุด
           เครื่องมือช่วยค้นหาฮิวริสติก คือ ฮิวริสติกฟังชัน
Heuristic Functionทำหน้าที่วัดขนาดความเป็นไปได้ในการแก้ปัญหา เพื่อกำหนดทิศทางของการค้นหาคำตอบ หรือกล่าวอีกนัยหนึ่งคือ ฮิวริสติกฟังชันจะเป็นการบอกว่าสำรวจครั้งต่อไปจะเลือกสำรวจโหนดที่กิ่งใด โดยบอกขนาดของความเป็นไปได้ และขนาดความเป็นไปได้แสดงเป้นตัวเลข
          การวัดความเป็นไปได้ในการแก้ปัญหา จะกระทำได้โดยพิจารณษถึงวิธีการ(Aspects)ต่างๆ  ที่ใช้ในการแก้ปัญหา ณ สถานะหนึ่งว่า จะสามารถแก้ปัญหาได้ตามที่ต้องการหรือไม่ โดยกำหนดน้ำหนักที่ให้กับการแก้ปัญหาของแต่ละวิธี น้ำหนักเหล่านี้จะถูกแสดงด้วยตัวเลขที่กำกับไว้โหนดต่างๆ ในกระบวนการค้นหา และค่าเหล่านี้จะเป็นตัวที่ใช้ในการประมาณความเป็นไปได้ว่าเส้นทางผ่านโหนดนั้น มีความเป็นไปได้นำสู่หนทางการแก้ปัญหาได้มากน้อยแค่ไหน

การค้นหาBest-first search

การค้นหาแบบเลือกโหนดที่ดีที่สุด (most promising) การทราบว่าโหนดใดดีที่สุดนี้สามารถทำได้โดยอาศัยฮิวริสติกฟังชั่น ฮิวริสติก ฟังชันนี้ทำหน้าที่เหมือนตัววัดผล

กรีดีอัลกอริทึมGreedy Algorithm

เลือกโหนดที่ดีที่สุดก่อน อาศัยการวัดสถานะไปยังเป้าหมาย ดังนั้นการเลือกโหนดต้องเลือกโหนดที่มีค่าh ดีที่สุด

เลือกโหนดที่ใช้ดำเนินการต่อที่ดีที่สุด  วิธีการเลือกโหนดที่ใช้ในการดำเนินการต่อ พิจารณาจากโหนดที่ดีที่สุด ความแตกต่างระหว่างA* กับฮิวริกฟังชั่น  ฮิวริกฟังชั่น จะวัดจากโหนดราก(เริ่ม) โหนดปัจจุบัน(สถานะปัจจุบัน) แต่ค่าฮิวริสติก ฟังก์ชั่นA*จะเกิดการรวมค่า2ค่า คือ ค่าวัดจากสถานะปัจจุบันไปยังสถานะเริ่มต้น รวมค่าที่วัดจากสถานะปัจจุบัยนไปยังสถานะเป้าหมายถ้ากำหนดให้ตัวแปร fแทนค่าของฮิวริสติก ฟังชันของA* และg เป็นฟังชันที่ใช้วัดค่า(cost)จากสถานะเริ่มต้นจนถึงสถานะปัจจุบัน h' เป็นฟังชั่นที่ใช้วัดค่าจากสถานะปัจจุบันถึงสถานะเป้าหมาย

การค้นหาข้อมูลแบบ A*ของปัญหา 8-Puzzle ในการคำนวณค่าของ g คือการเปรียบเทียบสถานะปัจจุบัน กับสถานะเริ่มต้น และค่า h' คือการเปรียบเทียบสถานะปัจจุบันกับสถานะเป้าหมาย ซึ่งในการคำนวณค่าgและh'

สถานะเริ่มต้น

สถานะเป้าหมาย

การหาค่าของ g ทำได้โดยเปรียบเทียบสถานะปัจจุบันกับสถานะเริ่มต้น คือการนับว่าแต่ละช่องของตารางปัจจุบันห่างจากจุดเริ่มต้นไปกี่ช่อง เช่นที่ช่อง1ตารางทั้งสองไม่ห่างกัน ดังนั้นได้ค่า0 ที่ช่อง1ที่ช่อง2 สถานะปัจจุบันไม่มีค่าไม่คิด และเช่นกันที่ช่องที่3และ4ก็มีค่าเป็น0 เพราะทั้งสองตารางไม่ต่างกัน สำหรับตารางที่5 จะมีค่าเป็น1เพราะ8ห่างจากที่เคยอยู่ 1 ช่อง ทำเช่นนี้เรื่อยๆเราจะได้คำตอบช่องตารางต่างๆ ดังนี้
1=0,2=0,3=0,4=0,5=1,6=0,7=0,8=1,9=0รวม g=2

สำหรับค่าของ h'จะได้
1=1,2=0,3=0,4=1,5=1,6=0,7=0,8=1,9=0รวมh'=3 f=2+3=5

ข้อสังเกต

Depth-First Search ตามแนวลึก

-เป็นวิธีที่ไม่ดี

-ไม่รับประกันว่าจะหยุด ถ้าต้นไม้มากมายก็ต้องค้นจากที่ลึกก่อน เพื่อแก้ไขปัญหานี้:Depth-Limited Search

Depth-Limited Search

• DFS ที่มีความลึกคงที่  โหนดที่ระดับความลึกไม่มีการสืบทอด
• อะไรคือสิ่งที่เหมาะสมcut-off depth d?
• ถ้า d มีขนาดเล็กเกินไปไม่อาจหาเป้าหมายได้
• ถ้า d มีขนาดใหญ่เกินไป: การทำงานพิเศษ
• สิ่งที่เกี่ยวกับการเริ่มต้นที่มีขนาดเล็กและให้ d เพิ่มขึ้น? 
• ซ้ำลึกการค้นหา

• ค้นหาลึกมากขึ้น
• DFS มีความลึกคงค่อยๆที่เพิ่มขึ้น
• มันไม่ซ้ำมากเกินไปในการทำงานหรือไม่
• ในต้นไม้เวลาถูกครอบงำโดยการค้นหาแนวลึกที่สุด(deepest search)

BFS Revisited

• การขยายตัว Node: A, B, C, E (เป้าหมาย)
• โซลูชั่นที่พบ: A-B-E  (ค่าใช้จ่าย 100) - ไม่ดีที่สุด
• การแก้ไขปัญหานี้: การค้นหาเครื่องแบบค่าใช้จ่าย

Uniform-Cost Search การค้นหาแบบประหยัดต้นทุน

• ขยายโหนดที่มีค่าใช้จ่ายในเส้นทางที่ต่ำที่สุด (ใกล้เคียงกับเป้าหมาย)
• เหมือนกับ BFS หากค่าใช้จ่ายขั้นตอนทั้งหมดเท่ากัน

• การขยายตัว Node: A, C, D, E (เป้าหมาย)
• โซลูชั่นที่พบ: A-C-D-E (ต้นทุน 3) - ที่ดีที่สุด
• ที่ดีสำหรับค่าใช้จ่ายที่ไม่สม่ำเสมอ

Bidirectional Searchการค้นหาสองทิศทาง

• การค้นหาพร้อมกันสองคนคนหนึ่งไปข้างหน้าจากสถานะเริ่มต้นย้อนหลังจากเป้าหมายอื่น ๆ
• ประหยัดพื้นที่

      การสร้างรูปแบบเครื่อข่ายข้อมูลกราฟ ดีกว่าต้นไม้ เพราะจะประหยัดพื้นที่หน่วยความจภำ การค้นหาข้อมูลทำได้เร็วกว่า ข้อเสีย ทำให้เชื่อมต่อของข้อมูลทำได้ยาก ใช้เวลาในการเชื่อมต่อข้อมูลนานกว่า ดังนั้นการออกแบบโครงสร้างบางครั้งจึงนิยมสร้างเป้นต้นไม้ก่อนแล้วค่อยเปลี่ยนเป็นกราฟ

การแสดงความรู้

Knowledge Representation เป้นวิธ๊การแสดงความรู้ในการแก้ปัญหาให้อยู่ในรูปแบบที่คอมพิวเตอร์ประมวลผลได้ การแสดงคสามรู้นี้จุะอยู่ในรูปประโยค และจะต้องสอดคล้องกันทั้งในแง่ของไวยากรณ์ ท Syntax และความหมาย Semantic
เงื่อนไข-->ข้อสรุป

ในกรณ๊ที่ความรู้ไม่ใช่ตัวเลข เป็นobjectและfact ที่มีความสัมพันธ์กัน เช่น ความรู้ "Plant is on the table พืชอยู่บนโต็ะ"
จะมีobject 2 ตัว  พืชและโต๊ะ มีonแสดงถึงความสัมพันธ์การแสะดงความรู้แบบนี้จะมีการกล่าวถึงต่อไปอย่างละเอียด

ON(plant,table):plant is on  the table
IN(table,room):table is in the room
UNDER (table,window)table is under the window

อย่างไรการแสดงความรู้มีสิ่งที่ควรคำนึงถึง
1.รวมความรู้เป็นหนึ่งเดียวกันได้อย่างไร เช่น ถ้าอธิบายลักษณะห้องห้องหนึ่ง ห้องนี้มีโต๊ะตั้งไว้ใต้หน้าต่าง table is under the window  แล้ววันหนึ่งมีการเปลี่ยนฐานความรู้ว่า CENTER (table,room)ในระบบแสดงความรู้มีวิธีการอย่างไรที่จะแจ้งให้ทราบว่าUNDER (table,window) ไม่ได้เพราะในเมื่อโต๊ะมาอยู่กลางห้องก็เป็นไปไม่ได้ทีโต๊ะจะอยู่ใต้หน้าต่างด้วย
2.จัดลำดับให้ค้นหาง่าย เช่น ถ้าเติมABOVE(ceiling,floor)เข้าไปในฐานความรู้ ใส่ตรงไหนที่จะไม่ต้องบอกทุกครั้งเมื่อมีการอ้างถึงว่า เพดานอยู่เหนือพื้น

ทั้งหมดที่กล่าวมานี้เป็นการแสดงความรู้ด้วยเฟรม(frame)

การค้นหา

จุดเริ่มต้นคือstart state พิจารนาสถานะเป้าหมาย goal state ถ้าไม่ใช่ต้องหาเป้าหมายต่อไป การค้นหาต้องค้นหาจากระยะทางที่ใกล้ที่สุดก่อน ทำให้ค้นหาง่ายขึ้น

ส่วนประกอบการค้นหา

โครงสร้างข้อมูลของต้นไม้ค้นหาSearch tree ต้องประกอบด้วยจุดต่อnodeแต่ละจุดต่อประกอบด้วยมั้ง
1.state=สถานะที่ต้องมีการเชื่อมโยง
2.parent node=จุดต่อม่าย
3.operation=การดำเนินการ
4.depth node=ความลึกของจุดต่อ จำนวนชั้นจุดต่อ
5.path cost=ค่าระยะทาง

การวัดความสำเร็จการค้นหา

ประกอบด้วยเกณฑ์ข้อสรุป
1.Completeness ค้นพบคำตอบไหม?
2.Time complexity เวลาค้นหา
3.Space complexity จำนวนหน่วยความจำที่ใช้ในการจำจุดต่อจุด
4. Optimality มีประสิทธิภาพ?

ค้นหามี2แบบ ค้นหาแบบสม่ำเสมอ การค้นหาแบบแจ้งให้ทราบ

การค้นหาแบบสม่ำเสมอ uniform search
1.การค้นหาแบบกว้าง breadth first search เป็นการค้นหาเริ่มจากราก ค้นหาไปยังจุดต่อลูก ถ้าความสูงของต้นไม้มีค่าเท่ากับ dการค้นหาจะd+1 สามารถเขียนโปรแกรมโดยใช้คิว ค้นหาจะประสบความสำเร็จต่อเมื่อสถานะที่ต้องการค้นหาอยู่แบบตื้นๆ ค้นหาแนวกว้างจะสมบูรณ์ ต่อเมื่อจำนวนครั้งมีไม่มากนัก ขึ้นอยู่กับชั้นของจุดต่อ 

2. การค้นหาแนวลึก depth first searchโดยเริ่มจากจุดราก แล้วค้นหาไปยังลูกที่ลึกที่สุดทางซ้ายมือก่อน แล้วค้นต่อลูกทางขวามือ bเป็นจำนวนจุดต่อในแต่ละชั้นและmเท่ากับจำนวนชั้น
Depth first search ใช้หน่วยความจำน้อยกว่าการค้นหาในbreadth first search เพราะว่ามีการเก็บข้อมูลเฉพาะในวิถีที่พิจารณาเท่านั้น ในขณะที่การค้นหาแนวกว้างต้องเก็บข้อมูลทุกจุดต่อในแต่ละระดับครั้งละ 1ระดับ ทุกสถานะก่อนจะพิจารณาระดับหนึ่ง การค้นหาแนวกว้างจะไม่ถูกกักอยู่ในสถานที่วนซ้ำ เหมือนกันการค้นหาแนวลึก เกิดได้ถ้าถ้าไม่มีการเก็บข้อมูลของสถานะที่ได้ผ่านมาแล้ว แต่ถ้าหากปัญหานั้นมีผลเฉลยนั้นมีหลายผลเฉลย  การค้นหาแนวกว้างจะได้ผลเฉลยที่ระยะที่สั้นที่สุด ซึ่งระยะทางจำนวนใช้กฎในขณะที่การค้นหาแนวลึกได้ผลเฉลี่ยที่มากกว่า เพราะว่าเพราะว่าผลเฉลยที่ระยะสั้นที่สุดไม่ได้ถูกนำพิจารณาในการค้นหานั้น 
3.การค้นหาจำกัดความลึก depth limited search เป็นการกำหนดค่าความลึก ของเส้นทางเอาไว้โดยกำหนดในขั้นตอนวิธีในขณะค้นหาเลยก็ได้ เช่น แผนที่ประเทศไทย77จังหวัด ค่าสูงสุดของการค้นหาคือ19ชั้น จากการกำหนดนี้รับรองว่าต้องค้นพบผลลัพธ์ แต่จะไม่รองรับว่าจะค้นพบระยะทางที่สั้นที่สุดก่อน ซึ่งถ้ากำหนดระยะทางสิ้นสุดสั้นเกินไปก็จะค้นไม่พบ เวลาและการใช้เนื้อที่การค้นคล้ายกับก่รค้นหาแนวลึก

4.การค้นหาแบบทีดีที่สุดก่อน(ฺBest-first search)เป็นกระบวนการค้นหาข้อมูลที่นำเอาข้อดีbreadth first searchกับdepth first searchมารวมกันเป็นวิธีการเดียว ดดยแต่ละขั้นค้นหาในโหนดลูกนั้น เลือกเอาโหนดทที่ดีที่สุด(most promising)

              ความฉลาดไม่จำเป็นต้องมีข้อมูลจำนวนมากเสมอไป แต่เกี่ยวข้องกับการแทนความรู้ต่างๆลงในโปรแกรมและให้เหตุผลของโปรแกรม  การแทนความรู้ เป็นคำพื้นฐานที่ใช้อ้างถึงกระบวนการแทนโดยคอมพิวเตอร์ยุคใหม่ เป็นส่วนหนึ่งของอ็อบเจกต์ต่างๆและอ้างถึงอ็อบเจกต์นั้น ความรู้ที่แทนได้จะเก็บไว้ในคอมพิวเตอร์และทำให้คอมพิวเตอร์หาข้อสรุปได้

เทคนิคการแทนความรู้
3ชนิดคือ

1.1ตรรกศาสตร์ประพจน์(propositional logic) เป้นประโยคที่กล่าวถึงสิ่งใดสิ่งหนึ่งที่มีลักษณะเฉพาะ (ประโยคอะตอม)

เช่น it is raining and pussy is outside-->pussy gets wet
 ถ้าใส่วงเล็บจะแตกต่างกัน
1.(it is raining and pussy is outside)-->pussy gets wet

2.it is raining and (pussy is outside-->pussy gets wet)

ประโยค1คือถ้าฝนตกจริงและแมวที่ชื่อพุชซี่อยู่ข้างนอกจริงพุชซี่จะต้องเปียก

ประโยค2คือฝนตกแล้วขณะนี้จริงถ้าพุชซี่อยู่ข้างนอกพุซซี่ขะเปียก

ตารางค่าความจริงแบ่งออกเป็น3ประเภท

1.สัจนินันดร์(tautology)จะได้ค่าความเป็นจริงเป็นจริงเสมอในทุกกรณ๊
2.คอนทินเจนต์(contingent)ได้ค่าความเป็นจริงที่มีโอกาศจริงบ้างเท็จบ้าง
3.อินคอนซิเทนต์(inconsistent)ได้ค่าความจริงที่ไม่มีทางเป็นจริงหมด
1.2 แคลคูลัสภาคแสดง(predicate calculus)
or bird(tweety)
    is a (tweety ,bird)
ลองพิจารณา "If tweety files then tweety is a bird.Tweety flies. Therefore tweety is  a bird"

Model-based agents

ติดตามประวัติศาสตร์ Percept

• สร้าง "รูปแบบ"
• ตามยังคงอยู่ในการปกครองถ้าแล้ว
  Ex: หุ่นยนต์เครื่องดูดฝุ่น
• ครอบคลุมพื้นที่ทั้งหมด

Goal-based agents

• มีข้อมูลเกี่ยวกับสถานการณ์บางอย่างที่เป็นที่พึงประสงค์
• ท่ามกลางความเป็นไปได้หลายเลือกหนึ่งซึ่งถึงเป้าหมายของรัฐ
  Ex: ระบบตรวจสอบคำที่ไม่ดี
• ตรวจหาและลบที่เกิดขึ้นคำหยาบ

Utility-based agents

• มีข้อมูลบางอย่างที่อธิบายระดับของความพอใจ (เช่นเมื่อมีเงื่อนไขที่น่าพอใจหลายที่บางส่วนที่มีความสำคัญมากขึ้นกว่าคนอื่น ๆ )
  Ex: แท็กซี่อัตโนมัติ
• พิจารณาความถูกต้องค่าใช้จ่ายที่, เวลา, ความปลอดภัย ฯลฯ

Learning agents

• ประสบการณ์การใช้เพื่อปรับปรุงประสิทธิภาพ
  Ex: แนะนำหนังสือ
• สร้างรายชื่อหนังสือที่ลูกค้าอาจชอบตามเปิด / ประวัติการซื้อของเขาและเธอ

เปรียบเทียบมนุษย์กับหุ่นยนต์

มนุษย์

• เซ็นเซอร์เหมือนมนุษย์ มองภาพ ได้ยินเสียง สัมผัส ได้กลิ่น  รู้รส
• ตัวกระตุ้นต่อสิ่งเร้าของมนุษย์: มือขาริมฝีปากอวัยวะอื่น ๆ

หุ่นยนต์

• เซ็นเซอร์หุ่นยนต์: กล้องอินฟาเรด, ไมโครโฟน 
• กระตุ้นหุ่นยนต์: มอเตอร์, ชิ้นส่วนเครื่องจักรกล

Percepts and Actions

percepts: ข้อมูลAgentจากสภาพแวดล้อม

actions: output จากAgentที่มีต่อสิ่งแวดล้อม

Rationality ความมีเหตุผล

• วัดสมรรถนะของผู้ประเมินพฤติกรรมของ agent 
• rational agent ทำหน้าที่เพื่อเพิ่มค่าที่คาดหวังexpectedของการวัดประสิทธิภาพการทำงานรับ percept history ซึ่งมันต้องใช้เวลาการกระทำของมัน  เชื่อว่าbelievesจะบรรลุเป้าหมาย
• เหตุผล: ทำให้ได้รับข้อมูลที่ดีที่สุด
• เหตุผล ≠ การรอบรู้ทุกอย่าง
• เหตุผล ≠ ความสำเร็จ

PEAS

การออกแบบเป็นตัวแทนที่มีเหตุผลที่เราจะต้องระบุสภาพแวดล้อมของงานซึ่งเป็นหลัก

"ปัญหา" ที่เป็น rational agents "การแก้ปัญหา"

• สี่องค์ประกอบของสภาพแวดล้อมของงาน: PEAS
• วัดสมรรถนะ
• สิ่งแวดล้อม
•  Actuators
• Sensors

ตัวอย่างเช่น โปรแกรมOX

• การวัดประสิทธิภาพการทำงาน: ร้อยละที่ชนะ
• ความพึงพอใจของผู้เล่นคนที่ใช้งานง่าย
• สิ่งแวดล้อม: ผู้เล่นของมนุษย์
•  Actuators: จอแสดงผลคอมพิวเตอร์อินเตอร์เฟซแบบกราฟิก
• เซนเซอร์:แป้นพิมพ์

ตัวอย่าง: แท็กซี่อัตโนมัติ

• การวัดประสิทธิภาพการทำงาน: ความปลอดภัยเวลา
• ถูกต้องตามกฎหมายกำไร ฯลฯ
• สิ่งแวดล้อม: ถนนยานพาหนะอื่น ๆ , คนเดินเท้า
• ผู้โดยสาร ฯลฯ
•  Actuators: พวงมาลัยพาวเวอร์, เร่ง, เบรกสัญญาณ
• ฮอร์น, ฯลฯ
• เซนเซอร์: กล้องโซนาร์วัดความเร็ว, GPS, ฯลฯ