L Intelligence Artificielle

Transcription

1 L Intelligence Artificielle pour les développeurs Concepts et implémentations en C# Virginie MATHIVET

2 Table des matières 1 Les exemples à télécharger sont disponibles à l'adresse suivante : Saisissez la référence ENI de l'ouvrage DPINT dans la zone de recherche et validez. Cliquez sur le titre du livre puis sur le bouton de téléchargement. Avant-propos Introduction 1. Structure du chapitre Définir l intelligence L intelligence du vivant L intelligence artificielle Domaines d application Synthèse Chapitre 1 Systèmes experts 1. Présentation du chapitre Exemple : un système expert en polygones Triangles Quadrilatères Autres polygones Contenu d'un système expert Base de règles Base de faits Moteur d'inférences Interface utilisateur

3 2 L Intelligence Artificielle pour les développeurs - Concepts et implémentations en C# 4. Types d'inférences Chaînage avant Principe Application à un exemple Chaînage arrière Principe Application à un exemple Chaînage mixte Étapes de construction d'un système Extraction des connaissances Création du moteur d'inférences Écriture des règles Création de l'interface utilisateur Performance et améliorations Critères de performance Amélioration des performances par l'écriture des règles Importance de la représentation du problème Domaines d application Aide au diagnostic Estimation de risques Planification et logistique Transfert de compétences et connaissances Autres applications Création d un système expert en C# Détermination des besoins Implémentation des faits Base de faits Règles et base de règles Interface Moteur d'inférences Saisie des règles et utilisation

4 Table des matières 3 9. Utilisation de Prolog Présentation du langage Syntaxe du langage Généralités Prédicats Poser des questions Écriture des règles Autres prédicats utiles Codage du problème des formes géométriques Codage du problème des huit reines Intérêt du chaînage arrière Étude du problème Règles à appliquer Règles de conflits entre reines But du programme Exemples d'utilisation Ajout d incertitudes et de probabilités Apport des incertitudes Faits incertains Règles incertaines Synthèse Chapitre 2 Logique floue 1. Présentation du chapitre Incertitude et imprécision Incertitude et probabilités Imprécision et subjectivité Nécessité de traiter l'imprécision

5 4 L Intelligence Artificielle pour les développeurs - Concepts et implémentations en C# 3. Ensembles flous et degrés d appartenance Logique booléenne et logique floue Fonctions d'appartenance Caractéristiques d'une fonction d'appartenance Valeurs et variables linguistiques Opérateurs sur les ensembles flous Opérateurs booléens Opérateurs flous Négation Union et intersection Création de règles Règles en logique booléenne Règles floues Fuzzification et défuzzification Valeur de vérité Fuzzification et application des règles Défuzzification Exemples d applications Premières utilisations Dans les produits électroniques En automobile Autres domaines Implémentation d un moteur de logique floue Le cœur du code : les ensembles flous Point2D : un point d'une fonction d'appartenance FuzzySet : un ensemble flou Opérateurs de comparaison et de multiplication Opérateurs ensemblistes Calcul du barycentre Ensembles flous particuliers

6 Table des matières Variables et valeurs linguistiques LinguisticValue : valeur linguistique LinguisticVariable : variable linguistique Règles floues FuzzyExpression : expression floue FuzzyValue : valeur floue FuzzyRule : règle floue Système de contrôle flou Synthèse du code créé Implémentation d un cas pratique Synthèse Chapitre 3 Recherche de chemins 1. Présentation du chapitre Chemins et graphes Définition et concepts Représentations Représentation graphique Matrice d adjacence Coût d'un chemin et matrice des longueurs Exemple en cartographie Algorithmes naïfs de recherche de chemins Parcours en profondeur Principe et pseudo-code Application à la carte Parcours en largeur Principe et pseudo-code Application à la carte

7 6 L Intelligence Artificielle pour les développeurs - Concepts et implémentations en C# 5. Algorithmes "intelligents" Algorithme de Bellman-Ford Principe et pseudo-code Application à la carte Algorithme de Dijkstra Principe et pseudo-code Application à la carte Algorithme A* Principe et pseudo-code Application à la carte Implémentations Nœuds, arcs et graphes Implémentation des nœuds Classe représentant les arcs Interface des graphes Fin du programme générique IHM Algorithme générique Codage des différents algorithmes Recherche en profondeur Recherche en largeur Algorithme de Bellman-Ford Algorithme de Dijkstra Algorithme A* Application à la carte Tile et Tiletype Implémentation de la carte Programme principal Comparaison des performances Domaines d application Synthèse

8 Table des matières 7 Chapitre 4 Algorithmes génétiques 1. Présentation du chapitre Évolution biologique Le concept d'évolution Les causes des mutations Le support de cette information : les facteurs Des facteurs au code génétique Le «cycle de la vie» Évolution artificielle Principes Vue d'ensemble du cycle Phases d'initialisation et de terminaison Phase de sélection Phase de reproduction avec mutations Phase de survie Convergence Exemple du robinet Présentation du problème Initialisation de l'algorithme Évaluation des individus Reproduction avec mutations Survie Suite du processus Choix des représentations Population et individus Gènes Cas d'un algorithme de résolution de labyrinthe Évaluation, sélection et survie Choix de la fonction d évaluation Opérateurs de sélection Opérateurs de survie

9 8 L Intelligence Artificielle pour les développeurs - Concepts et implémentations en C# 7. Reproduction : crossover et mutation Crossover Mutation Domaines d application Implémentation d'un algorithme génétique Implémentation générique d'un algorithme Spécifications Paramètres Individus et gènes IHM Processus évolutionnaire Utilisation pour le voyageur de commerce Présentation du problème Environnement Gènes Individus Programme principal Résultats Utilisation pour la résolution d'un labyrinthe Présentation du problème Environnement Gènes Individus Programme principal Résultats Coévolution Synthèse

10 Table des matières 9 Chapitre 5 Métaheuristiques d'optimisation 1. Présentation du chapitre Optimisation et minimums Exemples Le problème du sac à dos Formulation des problèmes Résolution mathématique Recherche exhaustive Métaheuristiques Algorithmes gloutons Descente de gradient Recherche tabou Recuit simulé Optimisation par essaims particulaires Méta-optimisation Domaines d application Implémentation Classes génériques Implémentation des différents algorithmes Algorithme glouton Descente de gradient Recherche tabou Recuit simulé Optimisation par essaims particulaires Résolution du problème du sac à dos Implémentation du problème Algorithme glouton Descente de gradient Recherche tabou Recuit simulé

11 10 L Intelligence Artificielle pour les développeurs - Concepts et implémentations en C# Optimisation par essaims particulaires Programme principal Résultats obtenus Synthèse Chapitre 6 Systèmes multi-agents 1. Présentation du chapitre Origine biologique Les abeilles et la danse Les termites et le génie civil Les fourmis et l'optimisation de chemins Intelligence sociale Systèmes multi-agents L'environnement Les objets Les agents Classification des agents Perception du monde Prise des décisions Coopération et communication Capacités de l'agent Principaux algorithmes Algorithmes de meutes Optimisation par colonie de fourmis Systèmes immunitaires artificiels Automates cellulaires Domaines d application Simulation de foules Planification Phénomènes complexes

12 Table des matières Implémentation Banc de poissons Les objets du monde et les zones à éviter Les agents-poissons L'océan L'application graphique Résultats obtenus Tri sélectif Les déchets Les agents nettoyeurs L'environnement L'application graphique Résultats obtenus Le jeu de la vie La grille L'application graphique Résultats obtenus Synthèse Chapitre 7 Réseaux de neurones 1. Présentation du chapitre Origine biologique Le neurone formel Fonctionnement général Fonctions d'agrégation Fonctions d'activation Fonction "heavyside" Fonction sigmoïde Fonction gaussienne Poids et apprentissage

13 12 L Intelligence Artificielle pour les développeurs - Concepts et implémentations en C# 4. Perceptron Structure Condition de linéarité Réseaux feed-forward Apprentissage Apprentissage non supervisé Apprentissage par renforcement Apprentissage supervisé Principe général Descente de gradient Algorithme de Widrow-Hoff Rétropropagation Surapprentissage et généralisation Reconnaître le surapprentissage Création de sous-ensembles de données Autres réseaux Réseaux de neurones récurrents Cartes de Kohonen Réseaux de Hopfield Domaines d'application Reconnaissance de patterns Estimation de fonctions Création de comportements Implémentation d'un MLP Points et ensembles de points Neurone Réseau de neurones IHM Système complet Programme principal

14 Table des matières Applications Application au XOR Application à Abalone Améliorations possibles Synthèse du chapitre Bibliographie 1. Bibliographie Sitographie 1. Pourquoi une sitographie? Systèmes experts Logique floue Algorithmes génétiques Recherche de chemins Métaheuristiques Systèmes multi-agents Réseaux de neurones Annexe 1. Installation de SWI-Prolog Utilisation de SWI-Prolog Index

15 159 Chapitre 3 Recherche de chemins 1. Présentation du chapitre Recherche de chemins De nombreux domaines font face à un problème de recherche de chemins, appelé "pathfinding" en anglais. On pense tout d'abord aux GPS et aux logiciels de recherche d'itinéraires (en voiture, en train, en transport en commun...), voire aux jeux vidéo dans lesquels les ennemis doivent arriver sur le joueur par le chemin le plus court. La recherche de chemins est en réalité un domaine bien plus vaste. En effet, de nombreux problèmes peuvent être représentés sous la forme d'un graphe, comme l'enchaînement des mouvements dans un jeu d'échecs. La recherche d'un chemin dans ce cas-là peut être vue comme la recherche de la suite des mouvements à faire pour gagner. Ce chapitre commence par présenter les différents concepts de théorie des graphes, et les définitions associées. Les algorithmes fondamentaux sont ensuite présentés, avec leur fonctionnement et leurs contraintes. Les principaux domaines dans lesquels on peut utiliser cette recherche de chemins sont alors indiqués et un exemple d'implémentation des algorithmes en C# est présenté et appliqué à une recherche de chemins dans un environnement en 2D. Le chapitre se termine par une synthèse.

16 160 L'Intelligence Artificielle pour les développeurs - Concepts et implémentations en C# 2. Chemins et graphes Un chemin peut être vu comme un parcours dans un graphe. Les principaux algorithmes se basent donc sur la théorie des graphes. 2.1 Définition et concepts Un graphe est un ensemble de nœuds ou sommets (qui peuvent représenter par exemple des villes) liés par des arcs, qui seraient alors des routes. Voici un graphe qui représente des gares et les liens qui existent entre ces gares (en train, sans changement) : Les gares de G1 à G6 sont donc les nœuds. L'arc allant de G5 à G6 indique la présence d'un lien direct entre ces deux gares. Il est noté (G5, G6) ou (G6, G5) selon le sens voulu. Par contre pour aller de G1 à G6, il n'y a pas de lien direct, il faudra passer par G4 ou G5 si on ne souhaite qu'un changement, ou par G2 puis G3 avec deux changements. Editions ENI - All rights reserved

17 Recherche de chemins Chapitre Un chemin permet de rejoindre différents sommets liés entre eux par des arcs. Ainsi, G1-G2-G3-G6 est un chemin de longueur 3 (la longueur est le nombre d'arcs suivis). On parle de circuit lorsqu'on peut partir d'un nœud et y revenir. Ici, le graphe contient de nombreux circuits, comme G1-G4-G5-G1 ou G4-G5-G6-G4. L'ordre d'un graphe correspond au nombre de sommets qu'il contient. Notre exemple contient 6 gares, il s'agit donc d'un graphe d'ordre 6. Deux nœuds sont dits adjacents (ou voisins) s'il existe un lien permettant d'aller de l'un à l'autre. G5 est donc adjacent à G1, G4 et G Représentations Représentation graphique Il existe plusieurs façons de représenter un graphe. La première est la représentation graphique, comme celle vue précédemment. L'ordre et le placement des nœuds ne sont pas importants, cependant on va chercher à toujours placer les sommets de façon à rendre le graphe le plus lisible possible. Le graphe est dit orienté si les arcs ont un sens, représentant par exemple des rues à sens unique dans une ville. Si tous les arcs peuvent être pris dans les deux sens, on dit alors que le graphe est non orienté, ce qui est généralement le cas de ceux utilisés pour la recherche de chemins Matrice d adjacence Les représentations graphiques ne sont pas toujours très pratiques, en particulier quand il s'agit d'y appliquer des algorithmes ou de les rentrer dans un ordinateur. On préfère souvent utiliser une matrice, appelée matrice d'adjacence.

18 162 L'Intelligence Artificielle pour les développeurs - Concepts et implémentations en C# Remarque Une matrice est une structure mathématique particulière qui peut être vue plus simplement comme un tableau à deux dimensions. Dans cette matrice, l'absence d'arc est représentée par un 0, et sa présence par un 1. Dans l'exemple des gares, on a donc une matrice de 6 par 6 (car il y a 6 gares) : Editions ENI - All rights reserved

19 Recherche de chemins Chapitre On voit sur le graphe qu'il existe un lien entre G1 et G4. La case correspondant au trajet de G1 vers G4 contient donc un 1, tout comme celle de G4 à G1 (le trajet est à double sens). On a alors la matrice suivante : De même, il existe un arc de G1 vers G2 et G5 mais pas vers G3 ou G6. On peut donc compléter notre matrice :

20 164 L'Intelligence Artificielle pour les développeurs - Concepts et implémentations en C# On fait de même pour tous les autres nœuds et les autres arcs : Il ne reste que la diagonale. Elle représente la possibilité d'aller d'un nœud à luimême, c'est ce qu'on appelle une boucle. Ici il n'y a pas de trajet direct allant d'une gare à elle-même, on remplit donc par des 0 cette diagonale. Editions ENI - All rights reserved