المهارات الرقمية، الصف الثاني عشر · الوحدة 4 · الوحدات والمواضيع
الذكاء الاصطناعي
الدروس باختصار
الوكيل والحالة والعقدة في حلّ المشكلات
في حلّ المشكلات بالبحث ثلاثة مفاهيم تُخلط كثيرًا: الوكيل (Agent) الذي ينفّذ الحل، والحالة (State) التي تصف وضع المشكلة، والعقدة (Node) التي تمثّل الحالة داخل شجرة البحث. نحدّد هنا تعريف كل منها والفرق بين الحالة والعقدة.
اقرأ تلخيص الدرس كامل · أسئلة على الدرس
- مراحل حلّ المشكلة ودور الوكيل: نحل المشكلة بأربع مراحل: صياغة الهدف، ثم صياغة المشكلة (وصف واضح للحالة الابتدائية والقيود والمتاح)، ثم البحث (محاكاة سلسلة الإجراءات وتجربة تسلسلات عدة للوصول للهدف)، ثم التنفيذ. في التنفيذ يتولّى الوكيل (ويسمى أحيانًا العميل) تنفيذ إجراءات الحل خطوة خطوة، فقد يكون الوكيل شخصًا أو برنامجًا أو نظامًا. فتعريف الوكيل: الكيان الذي يؤدّي الإجراءات المؤدية إلى الحل ضمن عملية البحث.
- الحالة: الحالة وصف لموقع الأشياء في المشكلة. في لعبة الأرقام الثمانية الحالة هي توزيع المربعات على الشبكة (3×3)، وفي مسألة الطريق الحالة هي المدينة التي نقف عندها. تسمّى مجموعة الحالات الممكنة فضاء الحالة (State Space). وتبدأ المشكلة بحالة ابتدائية، وتنتهي بحالة هدف قد تكون حالة واحدة أو مجموعة حالات.
- العقدة: تُرسم الحالات في شجرة البحث بنقاط تسمّى عقدًا، لذلك يُقال أحيانًا إن الحالات تمثّل بعقد. لكن العقدة بنية بيانات تستخدم لتمثيل الشجرة وتحمل أربعة مكوّنات: الحالة، والأب الذي نشأت منه، والإجراء الذي أنشأها، وتكلفة المسار من الحالة الابتدائية إليها. لذلك تختلف العقدة عن الحالة.
- الفرق بين العقدة والحالة: الحالة وصف لوضع في المشكلة، والعقدة نقطة في شجرة البحث تحمل حالة وتفاصيل عن كيفية الوصول. يمكن أن تحتوي عقدتان مختلفتان (وصلنا إليهما بمسارين مختلفين) على الحالة نفسها. فالقول إن العقدة والحالة وجهان لعملة واحدة غير صحيح لأنهما ليستا شيئًا واحدًا.
مقدمة في شجرة البحث
كثير من مسائل الذكاء الاصطناعي تُحلّ بالبحث: ننطلق من حالة أولية ونجرّب إجراءات تنقلنا من حالة إلى أخرى حتى نبلغ الحالة الهدف. نمثّل هذه الحالات والانتقالات بشجرة بحث (Search Tree)، ونسمّي مجموعة الحالات والإجراءات حيّز الحالة (State Space).
اقرأ تلخيص الدرس كامل · أسئلة على الدرس
- مراحل حل المشكلة: نمرّ بأربع مراحل: صياغة الهدف بوضوح، ثم صياغة المشكلة بوصف معطياتها وقيودها، ثم البحث بمحاكاة تسلسلات الإجراءات لاختيار الأفضل، ثم التنفيذ الذي يقوم به الوكيل. وقد يكون الوكيل شخصًا أو برنامجًا أو نظامًا.
- عناصر تمثيل المشكلة: لتمثيل مشكلة نحدّد: الحالات، والحالة الأولية، والحالة الهدف، والإجراءات، والنموذج الانتقالي، وتكلفة الإجراء. حيّز الحالة يصف الحالات والإجراءات الممكنة، وشجرة البحث تصف المسارات بينها، ولكل عقدة في الشجرة مسار وحيد يعود إلى الجذر.
- آلية البحث: تركّز الخوارزمية على حالة واحدة وتؤجّل بقية الخيارات؛ فإن لم تكن هدفًا وسّعت البحث إلى أبنائها حتى تصل إلى الهدف أو إلى عقدة ميتة. تسمّى العقد المتاحة للتوسع حدود التوسع (Frontier). وقد تظهر مسارات متكررة تصل إلى النقطة نفسها، وقد تجعل المشكلة صعبة.
- أنواع المشكلات: المشكلات القياسية (Standardized) تُستعمل لمقارنة أداء الخوارزميات ووصفها موجز ودقيق، مثل روبوت التنظيف ولغز الأرقام الثمانية ولعبة XO، وتُسمّى مشكلات عالم الشبكة. أما المشكلات الواقعية (Real-World) فتتعلق بالحياة العملية وصياغتها فردية، مثل تحديد المسار وتخطيط السفر.
- خطوات بناء حيّز الحالة: نبدأ بعقدة الجذر للحالة الأولية، ثم نحدّد كل الانتقالات الممكنة منها ونرسم فروعًا، ونكرر ذلك لكل عقدة حتى الوصول إلى الحالات النهائية، ثم نضع تسمية لكل عقدة. في لعبة XO مثلًا لا يمكن عادة رسم كل الحالات يدويًا لكثرتها، فنرسم عدة مستويات فقط.
تجنّب تكرار الحالات واختيار طريقة البحث (BFS وA*)
عند حلّ مشكلة بالبحث نواجه ثلاثة أسئلة عملية: لماذا يجب ألّا ننسى الحالات التي زرناها، ومتى نختار البحث في العرض أولًا (BFS)، وأي خوارزمية تضمن أقل تكلفة. نجيب عنها هنا مع التعليل.
اقرأ تلخيص الدرس كامل · أسئلة على الدرس
- نسيان التاريخ وتكرار الحالات: قد تواجه شجرة البحث مسارات متكررة، أي إمكانية الوصول إلى النقطة نفسها بطرق مختلفة، فتتضخم المسارات ويتحوّل الحل من سهل إلى مستعصٍ. معنى القول «الخوارزميات التي تنسى تاريخها محكوم عليها بتكراره»: الخوارزمية التي لا تتذكّر الحالات التي زارتها ستعيد توسيعها وتفحصها مرارًا، فتضيع الوقت والذاكرة وقد لا تنتهي. تجنّب ذلك بأن تحتفظ الخوارزمية بسجل بالحالات التي زارتها، وتتجاهل أي حالة موجودة فيه عند توليدها من جديد.
- البحث في العرض أولًا: يعمل BFS هكذا: نقارن الحالة الابتدائية بالهدف؛ فإن لم تكن هدفًا ننتقل إلى المستوى الثاني ونفحص عقده من اليسار إلى اليمين، ثم إلى المستوى الثالث، وهكذا حتى نجد الهدف. في لعبة الأرقام الثمانية وصل إلى الهدف في المستوى الرابع بعد فحص العقد A ثم B وC وD ثم E وF وG ثم H وI. لأنه يفحص المستويات القريبة أولًا فهو يجد أقرب حالة هدف إلى الجذر؛ وإذا كانت كل خطوة بتكلفة واحدة فهذا الحل بأقل عدد خطوات.
- متى نختار BFS؟: نختاره حين تكون كل الخطوات بالتكلفة نفسها (مسارات متساوية الطول) ويكون الهدف قريبًا من البداية، كروبوت في متاهة بسيطة: يفحص الأماكن المجاورة ثم التي تليها بالترتيب فيصل إلى الخروج دون التعمّق في مسارات طويلة لا داعي لها.
- الحل الأمثل بأقل تكلفة: حين تختلف تكاليف الإجراءات لا يكفي عدد الخطوات، ونحتاج خوارزمية تأخذ التكلفة في الحسبان. البحث الشامل بالأفضلية A* يجمع التكلفة الفعلية المقطوعة g والتكلفة المقدّرة المتبقية h في الاقتران f(n) = g(n) + h(n) ويوسّع العقدة صاحبة أصغر f، ويجد الحل الأمثل بأقل تكلفة إذا تحقق شرطا القبول (h لا يبالغ في تقدير التكلفة) والاتساق. لذلك جواب «أي خوارزمية تجد الحل الأمثل بأقل تكلفة» هو A* مع التعليل بهذين الأمرين.
استراتيجيات البحث في الذكاء الاصطناعي
عندما نريد أن نصل إلى حالة هدف داخل حيِّز الحالة (State Space) فإننا نبحث في شجرة تمثِّل الحالات الممكنة. توجد طريقتان أساسيتان: البحث الأعمى (Blind Search) الذي لا يعرف شيئًا عن موقع الحل، والبحث المستنير أو الاستدلالي (Informed/Heuristic Search) الذي يستعين بتقدير يوجِّه البحث. نتعلم هنا كيف يعمل البحث في العمق أولًا والبحث في العرض أولًا، ثم أهم الخوارزميات الاستدلالية.
اقرأ تلخيص الدرس كامل · أسئلة على الدرس
- البحث الأعمى ينقسم إلى أنواع منها البحث في العمق والبحث في العرض والبحث العشوائي: البحث الأعمى ينقسم إلى أنواع منها البحث في العمق والبحث في العرض والبحث العشوائي والبحث ذو التكلفة الموحَّدة. ما يجمعها أنها لا تستفيد من معرفة خاصة بالمسألة، فتفحص العُقَد بترتيب ثابت إلى أن تجد الهدف.
- في العمق أولًا: نبدأ من الجذر ونذهب إلى العقدة الموجودة أقصى اليسار ثم إلى أبنائها وهكذا للأسفل. إذا بلغنا عقدة ميتة رجعنا إلى أبيها ثم انتقلنا إلى العقدة التالية التي لم تُستكشف في جهة اليمين. نتوقف حال الوصول إلى الهدف، ويُكتب مسار البحث بالعقد التي مررنا بها دون تكرار.
- في العرض أولًا: نفحص الجذر، ثم كل عقد المستوى الثاني من اليسار إلى اليمين، ثم المستوى الثالث وهكذا. لا ننزل مستوى جديدًا قبل إنهاء المستوى الحالي. وإذا كانت تكلفة كل حركة 1 فإن تكلفة الحل تساوي عدد الحركات على مسار الحل.
- البحث الاستدلالي يستعمل دالة التقدير h(n) لتوجيه البحث بسرعة نحو الحلول المحتملة: البحث الجشع الذي يختار أقل h ولا يضمن دائمًا أفضل مسار، والبحث بالشبكة العصبية الذي يتعلم دالة التقدير من بيانات ضخمة، وبحث المستعمرات النملية (ACO) الذي يحاكي أثر الفيرومونات عند النمل.
- خوارزمية A* تجمع التقدير مع التكلفة الفعلية للمسار المقطوع، فتختار العقدة التي ي: خوارزمية A* تجمع التقدير مع التكلفة الفعلية للمسار المقطوع، فتختار العقدة التي يكون مجموعهما فيها أقل، ولذلك تُعد من أكفأ الخوارزميات وتُستعمل في الملاحة (GPS) وألعاب الألغاز والجدولة. أما IDA* فتخفف استهلاك الذاكرة بوضع حد بحث يتغير تدريجيًّا.
الاقتران الاستدلالي
عندما تكون الحالات التي يمكن أن يمر بها البرنامج كثيرة جدًّا، لا يكفي أن نجرّب كل الاحتمالات واحدًا بعد الآخر. الاقتران الاستدلالي (Heuristic Function) يعطي كل حالة رقمًا يقدّر مدى قربها من الهدف، فيُوجَّه البحث نحو المسارات الواعدة ويوفَّر الوقت والذاكرة. نتعلم كيف يُستعمل مع خوارزمية البحث بالأفضلية (A* Search) ومع لعبة الأرقام الثمانية (8-Puzzle) والألعاب بين لاعبين.
اقرأ تلخيص الدرس كامل · أسئلة على الدرس
- فكرة الاستدلال وفائدته: الاستدلال نصيحة تكون غالبًا فعّالة: نحوّل الحالة إلى رقم، ثم نختار المسارات التي يبدو أن فرصة نجاحها أكبر. هذا يقلّل عدد الحالات التي نفحصها ويوفّر الوقت والذاكرة، ويسمح بتجاهل (تقليم) أجزاء من شجرة البحث لا تغيّر القرار النهائي. مثال: الروبوت في المتاهة من دون استدلال يوسّع العقد في كل الاتجاهات، ومعه يتجه نحو الأقرب إلى الهدف.
- ثلاثة أنواع من المشكلات: المشكلات التي تحتاج إلى بحث استدلالي ثلاثة أنواع: إيجاد مسار بوكيل واحد من الحالة الابتدائية إلى الهدف بأقصر مسار، والألعاب التي يتنافس فيها طرفان، ومشكلات إرضاء القيود (Constraint-Satisfaction) التي نبحث فيها عن حالة تحقق مجموعة قيود.
- خوارزمية A* واقتران التقييم: في كل خطوة نحسب لكل عقدة مرشحة ، ثم نكمل من العقدة التي لها أصغر f بين كل العقد المفتوحة (وليس بين أبناء العقدة الأخيرة فقط). إذا ظهرت عقدة ميتة (لا أبناء لها) أو عقدة زُرتها سابقًا تجاهلناها، وعدنا إلى أصغر f بين العقد المتبقية. ننتهي عند الوصول إلى الهدف، وتكون f عنده تساوي g لأن .
- شرطا الحل الأمثل: للحصول على المسار الأمثل يجب أن يكون الاقتران h مقبولًا (لا يبالغ في تقدير التكلفة، كالخط المستقيم بين نقطتين فهو أقصر مسار ممكن بينهما) ومتسقًا. في لعبة الأرقام الثمانية يُحسب h بطريقتين: H1 عدد المربعات الموجودة في أماكن خاطئة، وH2 مجموع المسافات الأفقية والعمودية (دون القُطرية) لكل مربع عن موضعه الهدف. كلتاهما مقبولتان لأن كل مربع يحتاج إلى حركة واحدة على الأقل، لكن H2 أقرب إلى التكلفة الحقيقية.
- الألعاب بين لاعبين: في الشطرنج و XO يقيّم الاقتران وضع اللوحة برقم، فمثلًا يمكن طرح مجموع قيم قطع الخصم من مجموع قيم قطع الحاسوب مع إعطاء القطع أهمية مختلفة (الوزير أعلى من الجندي). القيم الموجبة الكبيرة تعني موقفًا قويًّا للاعب MAX، والقيم السالبة الكبيرة موقفًا قويًّا للاعب MIN.
اشتقاق الاقترانات الاستدلالية للعبة الأرقام ومزايا A* وعيوبها
نتعمّق هنا في كيف تُشتق الاقترانات الاستدلالية للعبة الأرقام الثمانية من تبسيط المشكلة (إزالة بعض القيود أو كلها)، ثم نحصر مزايا خوارزمية A* وعيوبها.
اقرأ تلخيص الدرس كامل · أسئلة على الدرس
- H1 وH2 في لعبة الأرقام: في اللعبة تتحرك المربعات بحركة واحدة في اتجاه مجاور للمربع الفارغ. للحالة الابتدائية (7 2 4 / 5 _ 6 / 8 3 1) والهدف (_ 1 2 / 3 4 5 / 6 7 8): H1 = عدد المربعات الخاطئة الموضع = 8 لأنها كلها خارج موضعها، وهو مقبول لأن كل مربع يحتاج حركة واحدة على الأقل. وH2 = مجموع مسافات المربعات: 3+1+2+2+2+3+3+2 = 18، وهو مقبول أيضًا لأن كل حركة تقرّب مربعًا واحدًا خطوة واحدة. الحل الفعلي يتطلب 26 حركة، فكلاهما أقل منه، لكن H2 أقرب.
- اشتقاق الاقتران من تبسيط المشكلة: تُستمدّ الاقترانات الاستدلالية من النماذج المبسَّطة للمشكلة الأصلية: نزيل قيدًا فتصبح المشكلة أسهل، ثم نأخذ تكلفة حلّها تقديرًا للتكلفة الأصلية. في اللعبة الأصلية لا يتحرك المربع إلا إلى مكان مجاور فارغ. إذا أزلنا شرط الانتقال إلى مكان مجاور فقط (يبقى أن يكون المكان فارغًا) أمكن تحريك المربع إلى أي مكان بحركة واحدة، فتصير كل حركة تضع مربعًا واحدًا في الفراغ، ولا يقل عدد الحركات عن عدد المربعات التي ليست في مواضعها، أي H1. وفي مثالنا تساوي التكلفة 8، وهي قيمة H1 نفسها.
- إزالة جميع القيود: إذا أزيلت كل القيود (يتحرك أي مربع إلى أي موضع في حركة واحدة) فإن كل مربع غير موضعه يحتاج حركة واحدة بالضبط، فنتيجة الاقتران هي عدد المربعات الخاطئة، أي H1، وتصير هي التكلفة الفعلية للمشكلة المبسَّطة (8 في مثالنا). أما H2 فيحسب مسافات عدة حركات لكل مربع فلا يمثل هذه المشكلة، وتبقى القيمة 8 أبعد عن التكلفة الأصلية (26) من 18، فتفحص الخوارزمية عقدًا أكثر. فالمسألة الأبسط تعطي تقديرًا أضعف.
- مزايا A* وعيوبها: المزايا: من أكثر خوارزميات البحث استخدامًا وكفاءة؛ تجمع التكلفة الفعلية والمقدّرة (f = g + h) فتقلّل تكلفة الحل الإجمالية؛ تجد الحل الأمثل إذا كان h مقبولًا ومتسقًا؛ تُستخدم في أنظمة الملاحة وحل الألغاز والألعاب والبحث في البيانات الضخمة. العيوب: تحتاج اقترانًا استدلاليًّا جيدًا لا يبالغ في التقدير؛ تكلفة البحث الشامل قد تتفجّر (في لعبة الأرقام تبلغ نحو 3.1×10^10 حالة عند عمق 22)؛ وتحتفظ بعدد كبير من العقد، ولذلك طُوّرت IDA* لتستهلك ذاكرة أقل.
تطبيقات الذكاء الاصطناعي باستخدام لغة البرمجة بايثون
في الألعاب التي يتنافس فيها لاعبان يحتاج الذكاء الاصطناعي إلى خوارزمية تختار الحركة الأفضل مع افتراض أن الخصم يلعب أفضل ما عنده. تسمى هذه الفكرة البحث التنافسي (Adversarial Search)، وأشهر خوارزمياتها (MiniMax). نتعلم كيف تُحسب قيم العقد في شجرة اللعبة، وكيف تُبرمج في بايثون (Python) للعبة (XO).
اقرأ تلخيص الدرس كامل · أسئلة على الدرس
- MAX وMIN: يتناوب لاعبان على الحركة: (MAX) يريد أعلى قيمة فائدة، و(MIN) يريد أدنى قيمة. تفترض (MiniMax) أن كلا اللاعبين يلعب بشكل مثالي، وتقيّم شجرة اللعبة كاملة لتتخذ قرارًا مثاليًا.
- حساب القيم صعودًا: نبدأ بالعقد الطرفية (النهائية) ذات الفوائد المعروفة، ثم نصعد: عقدة (MIN) تأخذ أصغر قيم أبنائها، وعقدة (MAX) تأخذ أكبرها. تشبه هذه العملية الاقترانات الراجعة (Recursive Functions) وفكّ التكرار (Backtracking)، وعند الجذر يختار (MAX) الحركة ذات القيمة الأعلى.
- التعقيد والتقليم: إذا كان أقصى عمق وعدد الحركات الممكنة في العقدة ، فالتعقيد الزماني لأن الخوارزمية تستكشف الشجرة كاملة بالبحث في العمق أولًا (Depth-First Search). يزداد عدد الحالات بسرعة مع العمق، لذا يُستخدم التقليم ألفا-بيتا لإهمال فروع لا تغيّر القرار، فتنخفض الحالات المفحوصة إلى النصف أو أقل دون التأثير في صحة القرار.
- برمجة (XO) في بايثون: تُمثَّل اللوحة مصفوفة ثنائية الأبعاد 3×3. تأخذ الدالة `minimax(board, depth, is_maximizing)` اللوحة والعمق ومتغيرًا منطقيًا، وتُرجع `1` إذا فاز الذكاء الاصطناعي (X) و`-1` إذا فاز المستخدم (O) و`0` للتعادل. إذا كان الدور للذكاء الاصطناعي جرّب كل خانة فارغة واحتفظ بأكبر قيمة بالدالة `max`، وإلا فبأصغر قيمة بالدالة `min`، مع إعادة الخانة فارغة بعد كل تجربة.
تقليم ألفا-بيتا في شجرة اللعبة
تتبّع خوارزمية MiniMax كل فروع شجرة اللعبة، وهذا مكلف. تقليم ألفا-بيتا (Alpha-Beta Pruning) يعطي القرار النهائي نفسه مع إهمال فروع لا تؤثر فيه. نتعلّم هنا كيف نتتبّعه خطوة خطوة بقيمتي ألفا وبيتا.
اقرأ تلخيص الدرس كامل · أسئلة على الدرس
- لماذا نقلّم؟: يزداد عدد حالات اللعبة بسرعة مع العمق، ويُفحص في MiniMax كامل الشجرة. لكن يمكن تقليل عدد الحالات التي نفحصها إلى النصف أو أكثر بعدم النظر إلى كل عقدة. فنستخدم التقليم للتخلّص من فروع لا تؤثر في القرار النهائي. ألفا-بيتا تزيل الفروع التي لا تؤثر في القرار النهائي لـ MAX ولا لـ MIN، فتقلّل زيارات العقد بصورة كبيرة وتحسّن الكفاءة دون تغيير صحة القرار.
- مثال التقليم بالحساب: للشجرة التي جذرها MAX وفروعها: MINIMAX(root) = max( min(3,12,8), min(2,x,y), min(14,5,2) ). الفرع الأول يعطي 3. في الثاني نرى 2 أولًا فتكون القيمة أقل من أو تساوي 2 مهما كانت x وy، وبما أنها لا تتجاوز 2 فلن تتفوق على 3. فنكتب max(3, z, 2) حيث z ≤ 2 فالناتج 3. إذن قيمة الجذر مستقلة عن x وy، فلا حاجة إلى فحصهما.
- ألفا وبيتا والقاعدة: نتتبّع الشجرة من اليسار إلى اليمين بالعمق أولًا، وننقل مع كل عقدة قيمتين: ألفا (أفضل قيمة أمكن لـ MAX ضمانها) وتبدأ من −∞، وبيتا (أفضل قيمة ل MIN) وتبدأ من +∞. في عقدة MAX نرفع ألفا إلى أكبر قيمة ابن، وفي عقدة MIN نخفض بيتا إلى أصغر قيمة ابن. القاعدة: إذا صار ألفا ≥ بيتا في عقدة توقفنا عن فحص بقية أبنائها (تقليم).
دالتا check_winner وbest_move للعبة XO
نكتب هنا دالتين من برنامج لعبة XO: check_winner التي تفحص اللوحة وتعيد حالة اللعبة، وbest_move التي تختار أفضل حركة للذكاء الاصطناعي بالاستناد إلى خوارزمية MiniMax. اللوحة مصفوفة 3×3 من القوائم، فيها "X" للذكاء الاصطناعي و"O" للمستخدم و" " للخانة الفارغة.
اقرأ تلخيص الدرس كامل · أسئلة على الدرس
- شروط check_winner: الفوز بوجود ثلاث إشارات متطابقة على خط مستقيم أو بامتلاء جميع المربعات بلا فائز تعادل. الخطوط ثمانية: ثلاثة صفوف وثلاثة أعمدة وقطران. نجمعها في قائمة ونفحص كل خط: إذا كانت خاناته الثلاث متطابقة وغير فارغة نعيد رمز الفائز ("X" أو "O"). إن لم نجد فائزًا نفحص الخانات: إذا بقيت خانة فارغة نعيد "none" وإلا نعيد "draw". نعيد النصوص كما في المطلوب: X وO وdraw وnone.
- استخدام check_winner في MiniMax: تستعمل MiniMax الدالة check_winner لمعرفة نهاية اللعبة: ما دامت النتيجة "none" نكمل الأدوار، وإن كانت غير ذلك نعيد قيمتها من القاموس {"X": 1, "O": -1, "draw": 0}. ولأن النص "none" يُعدّ صحيحًا في الاختبار المنطقي فالشرط الصحيح هو winner != "none" وليس if winner فقط. والأمر نفسه في البرنامج الرئيس: نكتب if check_winner(board) != "none" بدل if check_winner(board) فقط، وإلا اعتُبرت اللعبة منتهية من أول دور.
- فكرة best_move: المدخل هو اللوحة والمخرج زوج (الصف، العمود). نمر على كل خانة فارغة، نضع فيها "X"، ونستدعي minimax(board, 0, False) لأن الدور بعد حركتنا للمستخدم (MIN)، ثم نمسح الحركة. نحتفظ بأعلى قيمة وبالحركة التي أعطتها، ثم نعيد الحركة. وفي البرنامج الرئيس نستعملها هكذا: move = best_move(board) ثم board[move[0]][move[1]] = "X".
أمثلة محلولة
مثال 1
اكتب تعريفًا للوكيل (Agent) الذي يؤدّي دورًا رئيسًا في عمليات الذكاء الاصطناعي.
اعرض الحل
- الوكيل هو الذي ينفّذ إجراءات الحل (البحث) خطوة خطوة.
- قد يكون شخصًا أو برنامجًا أو نظامًا حاسوبيًّا.
الجواب: الكيان (شخص أو برنامج أو نظام) الذي ينفّذ إجراءات الحل خطوة خطوة
مثال 2
في خريطة فيها الطرق: أ إلى ب وج وهـ، ومن ب وج إلى د، ومن هـ إلى و، ومن د وو إلى ز. الحالة الأولية أ والهدف ز، وكل إجراء (انتقال) تكلفته 1. اذكر حلًّا وأوجد تكلفته.
اعرض الحل
- الحل مسار من أ إلى ز، مثلًا: أ - ج - د - ز.
- هذا المسار فيه ثلاثة انتقالات: أ إلى ج، ثم ج إلى د، ثم د إلى ز.
- التكلفة = 1 + 1 + 1 = 3. والمسار أ - هـ - و - ز له التكلفة نفسها.
الجواب: المسار أ - ج - د - ز، وتكلفته 3
مثال 3
«الخوارزميات التي تنسى تاريخها محكوم عليها بتكرار هذا التاريخ». أوضّح المقصود وكيف نتجنّب ذلك.
اعرض الحل
- المقصود: الخوارزمية التي لا تسجّل الحالات التي زارتها تكرّر فحصها عبر مسارات متكررة، فتضيع الجهد وقد تدور بلا نهاية.
- التجنّب: نحتفظ بسجل بالحالات المزارة ونتجاهل أي حالة مكرّرة عند توليدها، فنفحص كل حالة مرة واحدة.
الجواب: نحتفظ بسجل للحالات المزارة ونتجاهل المكرر
جاهز تتدرّب؟
87 سؤال على هالوحدة، بتتصحّح خطوة خطوة، ومعها تلميحات لما تعلق. أول أسئلة مجانية.
تدرّب على 87 سؤال من هالوحدة مجانًا