4AI04 - RIA Initiation à l Intelligence Artificielle. Raja Chatila Instructeurs TP: Mata Khalili, Alexandre Bazin

Dimension: px
Commencer à balayer dès la page:

Download "4AI04 - RIA Initiation à l Intelligence Artificielle. Raja Chatila Raja.Chatila@isir.upmc.fr Instructeurs TP: Mata Khalili, Alexandre Bazin"

Transcription

1 4AI04 - RIA Initiation à l Intelligence Artificielle Raja Chatila Instructeurs TP: Mata Khalili, Alexandre Bazin

2 Organisation Dates cours, TD et contrôle continu: Mardi 28/01 16h-18h Mardi 04/02 PM 13h45-15h45 ; 16h-18h Mardi 11/02 PM 13h45-15h45 ; 16h-18h Mardi 18/02 PM 13h45-15h45 ; 16h-18h Mardi 25/02 PM 13h45-15h45 ; 16h-18h Mardi 04/03 PM 13h45-15h45 ; 16h-18h TP 12h en groupe Contrôle continu et final. Documents autorisés. Référence: S. Russell and P. Norvig Artificial Intelligence: A Modern Approach Prentice Hall, 2003 (Second edition) ou 2010 (Third edition). 2

3 Contenu du cours Qu est-ce que l IA? Agents intelligents; Architectures. Algorithmes de recherche dans les espaces d états Représentations des connaissances et Logique des propositions et des prédicats du 1er ordre Planification d actions Raisonnement dans l incertain, Réseaux probabilistes bayésiens. Processus décisionnels markoviens (MDP). 3

4 Qu est-ce que l IA? 4

5 Historique Alan Turing (1950) "Computing machinery and intelligence": Les machines peuvent-elles penser? Ou : Les machines peuvent-elles se comporter intelligemment? Test: le jeu de l imitation (test de Turing). A prévu qu en 2000, une machine pourrait avoir une chance sur trois de faire illusion pendant 5 minutes. 5

6 Naissance de l IA Conférence à Dartmouth College (NH, USA) Définition: Programmes informatiques qui résolvent des problèmes habituellement résolus par des processus mentaux de haut niveau chez les humains (John McCarthy) 6

7 Deux approches Imiter l intelligence humaine. Les machines (ordinateurs, robots) doivent raisonner/agir comme les humains. Agir rationnellement. Les machines (ordinateurs, robots) doivent raisonner/ agir rationnellement. 7

8 Penser comme les humains Sciences cognitives et neurosciences cognitives. Modèles de fonctionnement du cerveau. Validation à partir de prédictions basées sur les modèles et d études/tests du comportement humain et à partir de données neurologiques (IRM,...). 8

9 Penser et agir rationnellement Aristote et les règles du raisonnement correct. Syllogismes: Tous les hommes sont mortels; Socrate est un homme; donc Socrate est mortel La logique mathématique (XIXe, XXe Siècles): règles et notations. A permis la mécanisation du raisonnement. Mais: tout comportement intelligent n est pas forcément issu d un raisonnement logique (ex: mécanismes sensori-moteurs). Agir rationnellement: Faire la chose correcte. Optimiser un critère donné compte tenu de l information disponible. 9

10 Domaines de l IA Fondements et méthodes: Résolution de problèmes - recherche de solutions (complexité). Représentation des connaissances Raisonnement logique; agents logiques Planification d actions, anticipation 10 Architectures intelligentes ou cognitives Raisonnement sur le temps Raisonnement sur l incertain Apprentissage Domaines d application Langues naturelles Perception/vision Robotique

11 Situation de l IA Les techniques de l IA sont diffusives (et deviennent invisibles) en informatique: moteurs de recherche, traducteurs automatiques, langages de programmation,... Exemples marquants: Deep Blue vs. Garry Kasparov (1997); Jeopardy! (2011). Preuve de théorèmes Systèmes experts Finances. Planification de missions spatiales ou militaires Robotique 11

12 La robotique Paradigme de l IA Machines matérielles dans le monde réel. Importance de la matérialisation ( embodiment ) et de la mise en situation. Importance du lien intelligent entre perception et action. Intégration de toutes les fonctions. Robots: agents rationnels/agents réactifs 12

13 Turtle Les débuts de la Robotique Shakey Hilare Unimate General Electric Stanford Cart Scemi

14 Quelques robots actuels 14

15 Le robot: principales fonctions Percevoir/représenter l espace, les objets, les scènes, les situations Apprendre de nouvelles capacités, des concepts Communiquer Interagir Se déplacer et agir Le mouvement Anticiper décider réagir 15

16 Agents; Architectures 16

17 Agents Système possédant des capteurs et des actionneurs, percevant et agissant dans un environnement. Fonction(s) f: Percepts ---> Actions Les actions modifient les percepts futurs. Mise en oeuvre d une architecture organisant des fonctions. Agent rationnel: agent effectuant les actions de manière à maximiser une mesure de performance, compte tenu des possibilités d action, de ses percepts et de ses connaissances. 17

18 Un robot interactif 18

19 Agents Rationalité relative à l environnement, aux capacités de perception et d action Rationalité et connaissances Mesure de performance Catégories d agents 19

20 Autonomie La conception d un agent (architecture, capteurs, effecteurs, capacités de traitement) dépend: de l environnement dans lequel il va agir, des tâches qu il doit y effectuer. des performances qu il doit atteindre Le degré d autonomie est en lien avec la complexité de la tâche et de la complexité de l environnement. 20

21 Différents agents, différents environnements, différentes tâches, différentes actions 21

22 Environnement Totalement vs. partiellement observable: l agent possède une connaissance complète/partielle de l état du monde à chaque instant à travers ses capteurs. Deterministe vs. stochastique: L évolution de l état du monde est entièrement déterminée par l état courant et l action effectuée par l agent ou incertaine. (Stratégique : si d autres agents agissent). Episodique vs. séquentiel: épisodes atomiques {perception- action choisie en fonction de la perception}. Statique vs. dynamique: L environnement évolue ou non pendant que l agent délibère. Discret vs. continu: Nombre de percepts et d actions fini (et souvent faible), ou continuté. Mono-agent (vs. multiagent): L agent est le seul acteur dans l environnement. 22

23 Exemples d'environments " " " " Jeu d échecs avec pendule" Jeu d échecs sans pendule " Taxi autonome Observable" OUI" OUI " " Partiel Déterministe" " Stratégique" Stratégique" NON Episodique "" NON NON" NON Statique " " " Semi" " OUI " " NON Discret" " OUI " " OUI " " NON Mono-agent"" NON NON"" NON 23

24 Types d agents Quatre catégories (généralité et complexité croissantes): Agents réflexifs simples Agents réflexifs avec modèle Agents orientés objectif Agents orientés utilité. 24

25 Agent réflexif 25

26 Agent réflexif 26

27 Agent réflexif avec modèle Avec Modèle: état, évolution 27

28 Agent orienté but 28

29 Agent orienté utilité 29

30 Agent apprenant 30

31 Agent cognitif 31

32 Résolution de problèmes Algorithmes de Recherche 32

33 Plan Formulation en espaces d états Algorithmes de recherche 33

34 Etats Etat: abstraction du monde réel (être dans une ville, dans une pièce, tenir un objet, position d un objet, interrupteur ouvert/ fermé...) Actions, transformation d état: abstraction des actions réelles; actions plus ou moins complexes (prendre, poser, avancer, aller-à, grimper,...) 34

35 Problèmes Un problème est défini par: 1. Un état initial 2. Un ensemble d Actions ou une fonction successeur S(x) = ensemble de paires {action-état} définissant les états succédant à un état donné. 3. Test d atteinte de but ou un état but explicite. ex: être à un endroit donné, tenir un objet particulier. implicite. ex: mat du roi adverse. 4. Coût (additif) des actions exécutées. Une solution est une séquence d actions joignant l état initial à un état but. 35

36 Exemples d états 36

37 Exemple: jeu de taquin Etats? Actions? Test état but? Coût? 37

38 Exemple: jeu de taquin Etats? emplacements des carreaux Actions? g, d, h, b du carreau vide Test état but?positions finales des carreaux Coût? 1 (unité d action) par mouvement. 38

39 Exemple: robot manipulateur Etats? Actions? Test état but? Coût? 39

40 Exemple: robot manipulateur Etats? configuration du bras, objets à assembler Actions? mouvements du bras Test état but? objet assemblé (positions relatives des pièces) Coût? temps; nombre d actions 40

41 Espace d états L ensemble des états et l ensemble des actions définissent un graphe d états fini ou infini. Etats: noeuds Actions: arcs Coûts des actions Un algorithme de recherche va explorer le graphe pour trouver un chemin entre état initial et état(s) objectif(s). 41

42 Espace d états L ensemble des états et l ensemble des actions définissent un graphe d états fini ou 3 E infini. 0 E 4 E 10 E 14 Etats: noeuds Actions: arcs E 1 7 E 3 E 11 E 15 3 E 17 Coûts des actions 3 E 5 2 E E 13 3 E E 8 4 E 6 5 E 7 6 E 12 5 E 18 Un algorithme de recherche va explorer le graphe pour trouver un chemin entre état initial et état(s) objectif(s). 7 E

43 Algorithmes de recherche Recherche arborescente: exploration de l espace d états par génération des successeurs des états explorés. Transformation du graphe en arbre de recherche. 42

44 Exemple Graphe d états Arbre de recherche 43

45 Exemple Graphe d états Arbre de recherche 43

46 Exemple Graphe d états Arbre de recherche 44

47 Exemple Graphe d états Arbre de recherche 44

48 Exemple Graphe d états Arbre de recherche 45

49 Exemple Graphe d états Arbre de recherche 45

50 Exemple Graphe d états Arbre de recherche 45

51 Etats et Noeuds Un état x est une représentation de la situation réelle Un noeud x est une structure de données constitutive de l arbre de recherche, incluant l état, le noeud parent, l action, le coût g(x) du chemin depuis l état initial, la profondeur (itération). Le développement d un noeud crée de nouveaux noeuds, avec les différents champs remplis. 46

52 Stratégies de recherche Une stratégie de recherche définit l ordre de développement des noeuds. Effectuée par un Algorithme de recherche. Une stratégie est caractérisée par les propriétés de: complétude : si une solution existe, est-elle toujours trouvée? complexité en temps: nombre de noeuds générés complexité en espace: nombre maximal de noeuds en mémoire optimalité: la solution trouvée est-elle de moindre coût? 47

53 Complexité La complexité en temps et en espace sont mesurées par : b: facteur de branchement maximal de l arbre de recherche (nombre d états successeurs d un état donné) d: profondeur de la solution de moindre coût m: profondeur maximale de l espace de recherche Donnée en ordre de grandeur de la taille du problème : O(.) 48

54 Algorithme de recherche général Search( S, G_test, Criteria)/* Espace d états fourni implicitement par l état initial S et la fonction successeur */ Init: Open = { S }; Closed = { }; " repeat " " if (empty(open)) return fail; /*(terminaison sur échec)*/ " select Node from Open using Criteria; " " if (Goal_test(Node)) return Node; /*(Fin; chemin trouvé)*/ " " for each Child of Node do " " " if (Child not in Closed) " " " " Open Open + { Child }; " " Closed Closed + { Node }; 49

55 Algorithmes de recherche Algorithmes non informés Largeur d abord Profondeur d abord Algorithmes informés Meilleur d abord A*

56 Algorithmes non informés Aucune connaissance sur le problème à part l espace d état et le coût de développement. 51

57 Largeur (Breadth) Recherche systématique - critère : distance au prédécesseur Search( Start, Goal_test, Criteria ) " Open: fifo_queue; " Closed: hash_table; " enqueue(start, Open); insert(start, Closed) " repeat " " if (empty(open)) return fail; " " Node = dequeue(open); " " if (Goal_test(Node)) return Node; " " for each Child of Node do " " " if (not find(child, Closed)) " " " " enqueue(child, Open) " " insert(child, Closed) 52

58

59 Propriétés Complet? si b est fini Complexité en Temps: 1+b+b 2 +b 3 + +b d = b(b d -1); O(b d+1 ) Complexité en Espace: O(b d+1 ) (garde tous les noeuds en mémoire) Optimalité si le coût est uniforme pour chaque pas (coût = 1) 54

60 Profondeur (Depth) Critère: profondeur la plus longue du départ Search( Start, Goal_test, Criteria ) " Open: stack; " Closed: hash_table; " push(start, Open); insert(start, Closed) " repeat " " if (empty(open)) return fail; " " Node = pop(open); " " if (Goal_test(Node)) return Node; " " for each Child of node do " " " if (not find(child, Closed)) " " " " push(child, Open) insert(child, Closed) 55

61

62 Propriétés Complétude Non: échoue dans les espaces de profondeur infinie et les espaces avec cycles (il y a des versions améliorées). Complétude dans espaces finis. Complexité en temps: O(b m ): très mauvais si m >> d Peut être plus rapide que largeur selon la densité de la structure de l espace. Complexité en espace? O(bm), (linéaire). Optimalité: Non. 57

63 Stratégies informées Fonction d évaluation f(n) pour choisir le noeud à développer Utilisation d une heuristique. Objectif: réduction de la complexité. 58

64 Heuristique Valeur numérique associée à un état donné et égale à l estimation du coût restant pour atteindre un état but. Plusieurs fonctions possibles pour un problème donné. Souvent spécifique au problème Doit être à la fois discriminante (pour être utile) et simple à calculer (pour ne pas augmenter la complexité). 59

65 Exemples d heuristique Jeu de taquin 60

66 Exemples d heuristique Jeu de taquin h 1 (E) : nombre de carreaux ne se trouvant pas à leur emplacement final. h 1 (E 0 )=8 60

67 Exemples d heuristique Jeu de taquin h 1 (E) : nombre de carreaux ne se trouvant pas à leur emplacement final. h 1 (E 0 )=8 h 2 (E): Distance Manhattan (nombre de cases entre l emplacement courant et l emplacement but pour chaque carreau). h 2 (E 0 )= =18 60

68 Exemple d heuristique: recherche de route 3 E 10 E 0 E 4 E E 15 E 1 7 E 3 E 11 3 E E 5 2 E E 13 3 E E 8 4 E 7 E 18 E E E 9 61

69 Exemple d heuristique: recherche de route 3 E 10 E 0 E 4 E E 15 E 1 7 E 3 E 11 3 E E 5 2 E E 13 3 E E 8 4 E 7 E 18 E E E 9 4 h(e i )=distance à vol d oiseau au but 62

70 Heuristique: propriétés Une heuristique est admissible si pour tout noeud n, h(n) h*(n) où h*(n) est le vrai coût pour atteindre le but à partir du noeud n. Ne surestime jamais le véritable coût. Une heuristique est consistente si pour tout noeud n et son successeur n, h(n) c(n,n') + h(n'), où c(n,n') est le coût de production de n à partir de n. 63

71 Algorithme Meilleur d abord (Best first) Critère: coût heuristique Search( Start, Goal_test, Criteria ) " Open: priority_queue; " Closed: hash_table; " enqueue(start, Open, heuristic(start)); " repeat " " if (empty(open)) return fail; " " Node = dequeue(open); " " if (Goal_test(Node)) return Node; " " for each Child of Node do " " " if (not find(child, Closed)) " " " " enqueue(child, Open, heuristic(child)) " " insert(child, Closed) 64

72 Exemple de Best-First heuristique: Distance Manhattan (Δx+Δy) 53 rd St 52 nd St 51 st St G 50 th St S 2 nd Ave 3 rd Ave 4 th Ave 5 th Ave 6 th Ave 7 th Ave 8 th Ave 9 th Ave 10 th Ave

73 Non-Optimalité de Best-First 53 nd St 52 nd St 51 st St S G 50 th St 2 nd Ave 3 rd Ave 4 th Ave 5 th Ave 6 th Ave 7 th Ave 8 th Ave 9 th Ave 10 th Ave

74 Algorithme A* Critère de choix d un noeud: minimiser f(n) = g(n) + h(n) g(n)= distance depuis l état initial à n h(n)= heuristique : estimation de la distance de n au but 67

75 Algorithme A* (S, G )! S: noeud origine; G: but; Variables : "k(p,n),g(n), h(n), f(n)=g(n)+h(n), nbest Début Open = {S}; Closed = { }; Répéter " Si (vide(open)) alors échec; " Sinon " Choisir nbest /*tête de Open*/; " Open Open - {nbest}; " Closed Closed + {nbest}; " Si nbest = G, Fournir le chemin : la séquence du noeud initial à G. Exit " Sinon " " Développer nbest; Production de Successeurs(nbest) ensemble des noeuds successeurs de nbest. " " " Pour tout x dans Successeurs(nbest) qui n est pas dans Closed " Si x n est pas dans Open alors: " " " " Open Open + {x}; " " " Sinon " " " " Si g(nbest) + k(nbest,x) < g(x) alors " " " " " Modifier parent de x à nbest ; " " " " " Remplacer g(x) par g(nbest) + k(nbest,x) ; " " " " Finsi Ordonner Open par ordre croissant de f; si égalité, par ordre décroissant de g Fin

76 exemple A*

77 Propagation de la recherche dans A* 70

78 Propriétés de A* Si h(n)=cste pour tout n, A* est l algorithme de Dijkstra A* est optimal si l heuristique est admissible: h(n) h*(n), pour tout noeud n, où h*(n) est le vrai coût pour atteindre le but à partir de n. Algorithme Complet. Si une solution existe, elle sera trouvée. Exponentiel en temps. Polynômial si heuristique minorante. 71

79 Représentations des connaissances et Logique 72

80 Représentation des connaissances Connaissances factuelles Connaissances opératoires Représentations simples Représentations structurées 73

81 Réseaux sémantiques ppp 74

82 Frames (objets) (AutoDeSarah (est_une (=voiture)) (couleur (=rouge)) (puissance (fiscale 9) (unité CV) (réelle 95)) Tout est mis dans le frame Les facettes définissent la sémantique de l attribut Mise en correspondance: la valeur de l attribut peut être une valeur, un frame ou un ensemble de frames 75

83 Ontologies Description d un domaine : Concepts Propriétés, attributs des concepts Contraintes sur les propriétés et attributs éléments individuels Réseau sémantique. Concepts liés les uns aux autres par une taxonomie. Déduction et recherche d information Permet une compréhension partagée commune du domaine. 76

84 Exemple S. Lamaignan - LAAS 77

85 Logique 78

86 Logique propositionnelle Syntaxe Propositions : a, b, c, Ex: la balle est rouge Connecteurs : Disjonction; OU: Conjonction; ET: Négation; NON: Implication: Equivalence: Ex: il pleut il y a des nuages 79

87 Formules Une proposition est une formule Si a et b sont des formules, alors a, a b, a b, a b, a b sont aussi des formules 80

88 Sémantique Les formules sont interprétées dans {F,V} ou {0,1} Tables de vérité: p q p p q p q p q p q

89 Formules Formule valide: toujours vraie (quelle que soit l interprétation) Formule consistante: il existe une interprétation dans laquelle elle est vraie. Formule inconsistante: il n existe aucune interprétation dans laquelle elle est vraie. 82

90 Règles Lois de Morgan : (a b) a b (a b) a b et commutatives et associatives et distributives et associatives l une par rapport à l autre 83

91 Règles et Equivalences a a a a a (idempotence) a a (loi du tiers exclu) a a (double négation) a b a b (a b) ( b a) (contraposition) a b (a b) (b a) ((a b) a) b (modus ponens) ((a b) b) a (modus tollens) Règle d inférence Règle d inférence 84

92 Logique des Prédicats du 1er ordre Syntaxe variables : x, y, z, Fonctions: f(), g(),... Prédicats: p, q,... Propositions: a, b,... prédicats d arité 0; p(x), p(y): arité 1. Quantificateurs:, Connecteurs : Disjonction; OU: Conjonction; ET: Négation; NON: Implication: Equivalence: 85

93 Atomes, formules Termes: Constantes, variables, fonctions de termes Atomes: prédicats de termes: p(t 1, t 2,...) Formules: Un atome est une formule Si F et G sont des formules, alors F, F G, F G, F G sont des formules Si F est une formule, x, F et x, F sont des formules 86

94 Clauses Un atome (ou sa négation) est un littéral (positif ou négatif) Une clause est une formule qui est une disjonction de littéraux. Une clause concrète ne comporte pas de variables Une clause de Horn est une clause comportant au plus un littéral positif 87

95 Principe de Résolution Robinson, 1965 Règle d inférence. Clause1: G = G 1 G 2 G n Clause2: H = G 1 H 2 H m G 1 et G 1 : littéraux complémentaires Résolvante: K = G 2 G n H 2 H m 88

96 Exemples P et P Q se résolvent en Q (modus ponens) Q et P Q se résolvent en P (modus tollens) G H et H K se résolvent en G K (enchaînement) 89

97 Unification Pour les clauses non concrètes, l unification est nécessaire Deux termes t 1 et t 2 sont unifiables s il existe une substitution s des variables de t 1 et t 2 telle que s(t 1 ) = s(t 2 ) Exemple : SUR(X,Y) s unifie avec SUR(A,B) si X = A et Y=B 90

98 Sémantique Interprétation I d une formule G dans un domaine D les constantes de G sont des éléments de D les propositions de G prennent la valeur V ou F les prédicats sont associés à des applications D {V,F} les fonction de G sont associées à des applications D D. 91

99 Indécidabilité Formule valide: vraie quel que soit le domaine d interprétation (tautologie) Indécidabilité: Impossibilité de déterminer la validité d une formule quelconque en un nombre fini d opérations (Gödel 1931, Church 1936, Turing 1936/37) Semi-décidabilité: si la formule est valide, le nombre d opérations est fini mais non borné. 92

100 Systèmes à base de règles Connaissances Moteur d inférence opératoires (règles) Connaissances factuelles Base de faits base de règles moteur d inférence 93

101 Principes Règles: Si (prémisses) Alors (conclusions) Faits: propositions logiques Méthodes: chaînage avant (à partir des prémisses). On cherche à établir des faits à partir de l état initial. chaînage arrière (à partir des conclusions). On cherche à résoudre un problème en remontant à l état initial. 94

102 Intérêt Programmation déclarative connaissances éparses, parcellaires, granulaire savoir faire peu structuré (pas d algorithme) évolution facile (nouvelles règles, nouveaux faits) Application principale: Systèmes experts 95

103 Planification 96

104 Planification Décider des actions nécessaires pour atteindre un objectif: une problématique classique de l IA Objectifs abstraits Actions de déplacement, de manipulation, de perception, Raisonnement déductif et anticipation des conséquences des actions 97

105 Hypothèses de la planification classique Temps discret Actions déterministes Connaissance complète du monde Seul le robot agit sur le monde 98

106 Planification Entrées Description de l état initial du monde Description de l état but Description des actions Eventuellement: coût des actions Sortie: Séquence d actions qui mène de l état initial à l état final à coût minimal (nombre d actions, coût des actions) 99

107 100 Questions Comment représenter les connaissances sur l environnement? Comment représenter l état du robot? Comment représenter les actions? Comment guider le raisonnement?

108 101 Cadre formel: Logique des prédicats L état du monde et du robot est représenté par un ensemble de propositions (vraies/ fausses). Notion d état. Les actions modifient l état du monde et sa description La recherche des actions applicables repose sur l unification logique L enchaînement des actions est basé sur une recherche dans un espace d états.

109 102 Représentation des actions Actions caractérisées par: Qualification: ce qui est nécessaire à l exécution l action Ramification: les conséquences de l action Cadre ou référentiel (Frame): ce qui est inchangé par l action.

110 103 Exemple simple le Monde des cubes Le robot fait des assemblages de cubes. Le bras peut tenir un seul cube Les cubes s empilent parfaitement La table est infinie Etat du monde = configuration des cubes {on-table (G), on (B, G), clear (B), holding (R)} Actions: Opérateurs. prendre (pick-up); poser (put-down); empiler (stack), dépiler (unstack). Sémantique différente des actions, même si l action physique est identique: prendre v.s. dépiler

111 Représentation du monde L état du monde est une liste de faits ou propositions logiques B C A holding(a) clear(b) on(b,c) ontable(c) Etat 1 handempty clear(a) on(a,b) on(b,c) ontable(c) A B C Etat 2

112 Représentation du monde L état du monde est une liste de faits ou propositions logiques B C A holding(a) clear(b) on(b,c) ontable(c) Etat 1 handempty clear(a) on(a,b) on(b,c) ontable(c) A B C Etat 2 Hypothèse du Monde clos: Les faits non mentionnés sont supposés faux

113 Représentation des buts Les buts sont aussi des faits Exemple: { on(a,b) } est un but Un Etat But est tout état qui inclut les faits à réaliser A B C handempty clear(a) on(a,b) on(b,c) ontable(c) B C A holding(a) clear(b) on(b,c) ontable(c) Etat 1 Etat 2 Etat 1 est un état but pour { on(a,b) }. Etat 2 n est pas un état but.

114 Actions: Opérateurs Représentations pour le planificateur STRIPS (c. 1972) B C A holding(a) clear(b) on(b,c) ontable(c) Etat 1 Stack(A,B) handempty clear(a) on(a,b) on(b,c) ontable(c) Etat 2 A B C 1) PRE : liste de Préconditions (qualification) 2) ADD : liste d Ajouts (ramification) 3) DEL : liste de Suppressions (ramification) Exemple Stack(A,B): PRE: { holding(a), clear(b) } ADD: { on(a,b), handempty, Clear(A)} DEL: { holding(a), clear(b) } Ce qui est inchangé par l action n est pas mentionné (cadre - frame)

115 Planification dans STRIPS Problème: Solution: (Stack(A,B)) holding(a) clear(b) ontable(b) Etat Initial Stack(A,B): PRE: { holding(a), clear(b) } ADD: { on(a,b), handempty } DEL: { holding(a), clear(b) } on(a,b) Etat But Stack(B,A): PRE: { holding(b), clear(a) } ADD: { on(b,a), handempty } DEL: { holding(b), clear(a) } Problème: Il faudrait définir autant d actions que d objets ou associations d objets

116 Planification dans STRIPS Problème: Solution: (Stack(A,B)) B A holding(a) clear(b) ontable(b) on(a,b) Etat Initial Stack(A,B): PRE: { holding(a), clear(b) } ADD: { on(a,b), handempty } DEL: { holding(a), clear(b) } Etat But Stack(B,A): PRE: { holding(b), clear(a) } ADD: { on(b,a), handempty } DEL: { holding(b), clear(a) } Problème: Il faudrait définir autant d actions que d objets ou associations d objets

117 Schémas d Action Schéma générique plutôt que spécification de chaque action. Stack(x,y): Introduction de variables PRE: { holding(x), clear(y) } ADD: { on(x,y), handempty } DEL: { holding(x), clear(y) } Stack(B,A): PRE: { holding(b), clear(a) } ADD: { on(b,a), handempty } DEL: { holding(b), clear(a) }.... Stack(A,B): PRE: { holding(a), clear(b) } ADD: { on(a,b), handempty } DEL: { holding(a), clear(b) } Mais: Les schémas doivent être instanciés pour être appliqués: variables x, y,... transformées en constantes. Problème d unification logique.

118 Espace d Etats Planifier : = trouver les chemins les plus courts dans l espace d états représenté par un graphe. Noeuds= états; Arcs= actions put-down(r) stack(r,b) pick-up(r) pick-up(g) stack(g,r)

119 Algorithme STRIPS Algorithme Strips; BUT, Etat initial E 0! Liste L = [ ], PLAN = [ ], ETAT Initialisation: L = [BUT], ETAT = E 0 Tant que L non vide g = tête de liste L; Si g est vrai dans ETAT: FIN Sinon Si g est une conjonction de buts cg (maintenant en tête de L Choisir un ordre des sous-buts il y a forcément un but Ajouter les sous-buts en tête de L simple, g) g:= tête de liste L Choisir un opérateur O dont les Ajouts s unifient avec g Ajouter les préconditions po de O en tête de L Strips(po); appel récursif de Strips sur une précondition de O ETAT = ETAT(O); Appliquer O à l état courant. PLAN = [PLAN, O]; ajouter l opérateur O au plan. FIN

120 Exemple 111

121 Exemple A C C A B B CLEAR(B) CLEAR(C) ON(C,A) HANDEMPTY BUT: ON(A,C) ON(C,B) ONTABLE(A) ONTABLE(B) 112

122 113 Exemple: Opérateurs Pickup(x): Putdown(x): Stack(x,y): Unstack(x,y): PRE: {Ontable(x), Clear(x), HandEmpty} ADD: {Holding(x)} DEL: {Ontable(x), Clear(x), HandEmpty} PRE: {Holding(x)} ADD: {Ontable(x), Clear(x), HandEmpty} DEL: {Holding(x)} PRE: { Holding(x), Clear(y)} ADD: { On(x,y), HandEmpty} DEL: { Holding(x), Clear(y)} PRE: {HandEmpty, Clear(x), On(x,y)} ADD: {Holding(x), Clear(y) } DEL: {HandEmpty, Clear(x), On(x,y)}

123 114 Exemple ETAT DU MONDE BUT: CLEAR(B) ON(C,B) ON(A,C) CLEAR(C) ON(C,A) ONTABLE(A) ONTABLE(B) HANDEMPTY C A C A B B CLEAR(B) ON(C,A) CLEAR(C) HANDEMPTY ONTABLE(A) ONTABLE(B) BUT: ON(A,C)!ON(C,B)

124 115 Exemple ETAT DU MONDE CLEAR(B) CLEAR(C) ON(C,A) ONTABLE(A) ONTABLE(B) HANDEMPTY BUT: ON(C,B) ON(A,C) ON(C,B) ON(A,C) Décomposition du but

125 Exemple ETAT DU MONDE CLEAR(B) CLEAR(C) ON(C,A) BUT: ON(C,B) ON(A,C) ON(C,B) ON(A,C) ONTABLE(A) ONTABLE(B) HANDEMPTY Choix d un opérateur (liste d ajouts) x=c, y=b 116

126 Exemple ETAT DU MONDE CLEAR(B) CLEAR(C) ON(C,A) BUT: ON(C,B) ON(A,C) ON(C,B) ON(A,C) ONTABLE(A) ONTABLE(B) HANDEMPTY Choix d un opérateur (liste d ajouts) Stack(x,y) PRE: { Holding(x), Clear(y)} ADD: { On(x,y), HandEmpty} DEL: { Holding(x), Clear(y)} x=c, y=b 116

127 117 Exemple ETAT DU MONDE CLEAR(B) CLEAR(C) ON(C,A) ONTABLE(A) ONTABLE(B) HANDEMPTY BUT: HOLDING(C) CLEAR(B) ON(C,B) ON(A,C) ON(C,B) ON(A,C)

128 117 Exemple ETAT DU MONDE CLEAR(B) CLEAR(C) ON(C,A) ONTABLE(A) ONTABLE(B) HANDEMPTY BUT: HOLDING(C) CLEAR(B) ON(C,B) ON(A,C) ON(C,B) ON(A,C) Stack(x=C,y=B) PRE: { Holding(x), Clear(y)} ADD: { On(x,y), HandEmpty} DEL: { Holding(x), Clear(y)}

129 118 Exemple ETAT DU MONDE CLEAR(B) CLEAR(C) Décomposition { BUT: HOLDING(C) CLEAR(B) ON(C,A) ONTABLE(A) ONTABLE(B) HANDEMPTY HOLDING(C) CLEAR(B) ON(C,B) ON(A,C) ON(C,B) ON(A,C)

130 118 Exemple ETAT DU MONDE CLEAR(B) CLEAR(C) Décomposition { BUT: HOLDING(C) CLEAR(B) ON(C,A) ONTABLE(A) ONTABLE(B) HANDEMPTY HOLDING(C) CLEAR(B) ON(C,B) ON(A,C) ON(C,B) ON(A,C) Stack(x=C,y=B) PRE: { Holding(x), Clear(y)} ADD: { On(x,y), HandEmpty} DEL: { Holding(x), Clear(y)}

131 Exemple ETAT DU MONDE CLEAR(B) CLEAR(C) ON(C,A) ONTABLE(A) ONTABLE(B) HANDEMPTY BUT: HOLDING(C) CLEAR(B) HOLDING(C) CLEAR(B) ON(C,B) ON(A,C) ON(C,B) ON(A,C) Unstack(x=C,y=A) PRE: {HandEmpty, Clear(x), On(x,y)} ADD: {Holding(x), Clear(y) } DEL: {HandEmpty, Clear(x), On(x,y)} 119

132 Exemple ETAT DU MONDE CLEAR(B) CLEAR(C) ON(C,A) ONTABLE(A) ONTABLE(B) HANDEMPTY BUT: HOLDING(C) CLEAR(B) HOLDING(C) CLEAR(B) ON(C,B) ON(A,C) ON(C,B) ON(A,C) Unstack(x=C,y=A) PRE: {HandEmpty, Clear(x), On(x,y)} ADD: {Holding(x), Clear(y) } DEL: {HandEmpty, Clear(x), On(x,y)} Stack(x=C,y=B) PRE: { Holding(x), Clear(y)} ADD: { On(x,y), HandEmpty} DEL: { Holding(x), Clear(y)} 119

133 Exemple: Plan Unstack(C,A) Putdown(C) Pickup(B) A C Stack(B,C) Pickup(A) Stack(A,B) B A B C CLEAR(B) CLEAR(C) ON(C,A) HANDEMPTY BUT: ON(A,B) ON(B,C) ONTABLE(A) ONTABLE(B) 120

134 Espace de recherche souvent fini

135 Espace de recherche souvent fini

136 122 Limitations Limites de la logique: incertitudes, cas particuliers Représentation complexe des actions (liste exhaustive des conditions, des conséquences) Complexité du raisonnement logique: limitation à des cas relativement simples

137 123 Raisonnement Procédural Cadre pour des systèmes symboliques réactifs dans des environnements dynamiques Robots Mobiles Diagnostic de systèmes (p.ex Navette) Les systèmes de raisonnement procédural intégrés dans des architectures appropriées permettent de réaliser des systèmes opérationnels sur des problèmes réels Association avec des planificateurs comme ressources.

138 124 PRS: Procedural Reasoning System Connaissance: procédures pré-compilées Basé sur le modèle BDI (Belief, Desires, Intentions) Délibératif et réactif Sélection de plans, exécution, perception Planification incrémentale et dynamique Orienté par le but et par les événements Architecture permettant d interrompre l exécution Méta-raisonnement

! S. Russell & P. Norvig : Artificial Intelligence: A modern approach (2nd ed.).

! S. Russell & P. Norvig : Artificial Intelligence: A modern approach (2nd ed.). Introduction à l intelligence artificielle (recherche dans les graphes) Ouvrages conseillés! S. Russell & P. Norvig : rtificial Intelligence: modern approach (nd ed.). Prentice Hall, 003 (Trad. française

Plus en détail

Intelligence Artificielle. Dorra BEN AYED

Intelligence Artificielle. Dorra BEN AYED Intelligence Artificielle Dorra BEN AYED Chapitre 2 Résolution de problème en IA Par recherche Introduction Résoudre un pb c est chercher un chemin qui permet d aller d une situation initiale à une situation

Plus en détail

Systèmes d'informations Géographiques - Graphes

Systèmes d'informations Géographiques - Graphes Systèmes d'informations Géographiques - Graphes Institut National des Sciences Appliquées - Rouen Département Architecture des Systèmes d'information michel.mainguenaud@insa-rouen.fr Graphe et Spatialisation!

Plus en détail

Intelligence artificielle

Intelligence artificielle Intelligence artificielle Fabien Teytaud Université du Littoral Côte d Opale 21 mars 2013 Fabien Teytaud (Université du Littoral Côte d Opale) Intelligence artificielle 21 mars 2013 1 / 14 Résumé (1/3)

Plus en détail

Intelligence Artificielle Planification

Intelligence Artificielle Planification Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes

Plus en détail

Intelligence Artificielle Introduction

Intelligence Artificielle Introduction Intelligence Artificielle Introduction Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

Méthodes de Résolution de problèmes En Intelligence Artificielle

Méthodes de Résolution de problèmes En Intelligence Artificielle Méthodes de Résolution de problèmes En Intelligence Artificielle Résolution de Problèmes et Intelligence Artificielle Résoudre des puzzles Jouer aux échecs Faire des mathématiques Et même conduire une

Plus en détail

Raisonnement symbolique et géométrique pour la robotique mobile

Raisonnement symbolique et géométrique pour la robotique mobile Introduction à la réunion finale Raisonnement symbolique et géométrique pour la robotique mobile J. Guitton, J.L. Farges Control Architectures of Robots - Bourges - 30 mai 2008 1 Plan Introduction Vers

Plus en détail

Programmation Avancée - Prolog

Programmation Avancée - Prolog Programmation Avancée - Prolog N. Prcovic Programmation Avancée - Prolog p.1/26 Introduction La programmation logique est une forme particulière de programmation déclarative. La programmation déclarative

Plus en détail

Intelligence Artificielle et Robotique

Intelligence Artificielle et Robotique Intelligence Artificielle et Robotique Introduction à l intelligence artificielle David Janiszek david.janiszek@parisdescartes.fr http://www.math-info.univ-paris5.fr/~janiszek/ PRES Sorbonne Paris Cité

Plus en détail

Planification. Plan. Planification. Introduction à la planification. La langage STRIPS. Représentation des plans. Planification partiellement ordonnée

Planification. Plan. Planification. Introduction à la planification. La langage STRIPS. Représentation des plans. Planification partiellement ordonnée Planification 1 Plan Introduction à la planification La langage STRIPS Représentation des plans Planification partiellement ordonnée Graphes de panification 2 Planification Un agent planificateur construit

Plus en détail

Modélisation de la Résolution de Problèmes

Modélisation de la Résolution de Problèmes Modélisation de la Résolution de Problèmes - Rappels : «Suite d opérations par lesquelles on conclut qu une proposition implique la vérité d une autre proposition» ( * ) Historiquement : Nécessité de séparer

Plus en détail

Sortie : OUI si n est premier, NON sinon. On peut voir Premier aussi comme une fonction, en remplaçant OUI par 1 et NON par 0.

Sortie : OUI si n est premier, NON sinon. On peut voir Premier aussi comme une fonction, en remplaçant OUI par 1 et NON par 0. Université Bordeaux 1. Master Sciences & Technologies, Informatique. Examen UE IN7W11, Modèles de calcul. Responsable A. Muscholl Session 1, 2011 2012. 12 décembre 2011, 14h-17h. Documents autorisés :

Plus en détail

Logique et bases de données

Logique et bases de données Logique et bases de données Plan Théorie du premier ordre Hypothèses CWA, unique name, domain closure BD comme interprétation BD comme théorie du 1er ordre BD déductives Signification des différentes formes

Plus en détail

Cours de Master Recherche

Cours de Master Recherche Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction

Plus en détail

IFT 615 Intelligence artificielle

IFT 615 Intelligence artificielle Département d informatique IFT 615 Intelligence artificielle Plan de cours Hiver 201 Professeur Auxiliaire Froduald Kabanza Courriel : kabanza@usherbrooke.ca Local : D-1022-2 Téléphone : (819) 821-8000,

Plus en détail

Résolution générique à la volée de systèmes d équations booléennes et applications

Résolution générique à la volée de systèmes d équations booléennes et applications Résolution générique à la volée de systèmes d équations booléennes et applications Radu Mateescu INRIA Rhône-Alpes / VASY Plan Introduction Systèmes d équations booléennes d alternance 1 Algorithmes de

Plus en détail

Programmation des Systèmes Experts

Programmation des Systèmes Experts Conception de systèmes intelligents Programmation des Systèmes Experts James L. Crowley Deuxième Année ENSIMAG Troisième Bimestre 2000/2001 Séance 3 23 février 2001 Planification et Parcours de Graphe

Plus en détail

Utilisation des tableaux sémantiques dans les logiques de description

Utilisation des tableaux sémantiques dans les logiques de description Utilisation des tableaux sémantiques dans les logiques de description IFT6281 Web Sémantique Jacques Bergeron Département d informatique et de recherche opérationnelle Université de Montréal bergerja@iro.umontreal.ca

Plus en détail

Intelligence Artificielle Jeux

Intelligence Artificielle Jeux Intelligence Artificielle Jeux Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes Programmation

Plus en détail

Intelligence Artificielle. Dorra BEN AYED

Intelligence Artificielle. Dorra BEN AYED Intelligence Artificielle Dorra BEN AYED Chapitre 1 Introduction et Présentation Générale Sommaire Introduction Historique Définitions de l IAl Domaines d applicationd Les approches de l IA cognitive,

Plus en détail

Notion de complexité

Notion de complexité 1 de 27 Algorithmique Notion de complexité Florent Hivert Mél : Florent.Hivert@lri.fr Adresse universelle : http://www-igm.univ-mlv.fr/ hivert Outils mathématiques 2 de 27 Outils mathématiques : analyse

Plus en détail

Antoine Cornuéjols. 1- Introduction à l IA. 1.1- C est quoi l intelligence? 1.2- Comment étudier l intelligence? AgroParisTech

Antoine Cornuéjols. 1- Introduction à l IA. 1.1- C est quoi l intelligence? 1.2- Comment étudier l intelligence? AgroParisTech ! 7 séances de 3h (cours + TD/TP)! Programme et références sur : http://www.agroparistech.fr/ufr-info/membres/cornuejols/teaching/agro/cours-ia/ iodaa-cours-ia.html Antoine Cornuéjols AgroParisTech! Contrôle

Plus en détail

Machine de Turing. Informatique II Algorithmique 1

Machine de Turing. Informatique II Algorithmique 1 Machine de Turing Nous avons vu qu un programme peut être considéré comme la décomposition de la tâche à réaliser en une séquence d instructions élémentaires (manipulant des données élémentaires) compréhensibles

Plus en détail

Résolution de problèmes en intelligence artificielle et optimisation combinatoire : les algorithmes A*

Résolution de problèmes en intelligence artificielle et optimisation combinatoire : les algorithmes A* Résolution de problèmes en intelligence artificielle et optimisation combinatoire : les algorithmes A* Michel Couprie Le 5 avril 2013 Ce document est une courte introduction à la technique dite A*. Pour

Plus en détail

Planification d actions Séance 2

Planification d actions Séance 2 Planification d actions Séance 2 Philippe Morignot pmorignot@yahoo.fr P. Morignot EPITA SCIA & CSI - Planification d'actions 1 Plan du cours 1. Notions de base 2. Algorithmes 3. Planification et exécution

Plus en détail

Plan du cours de Programmation logique

Plan du cours de Programmation logique Plan du cours de Programmation logique 1 Introduction 2 3 Igor Stéphan 1/ 64 La logique comme langage de programmation Un langage de programmation logique est défini par : un langage des données Ω; et

Plus en détail

Introduction à l Intelligence Artificielle (L3) IA(L3) Agents rationnels

Introduction à l Intelligence Artificielle (L3) IA(L3) Agents rationnels Introduction à l Intelligence Artificielle (L3) Agents rationnels vincent.risch@univ-amu.fr Merci (toujours) à Cyril Terrioux Plan 1 Introduction 2 définition d un agent 3 perception de l environnement

Plus en détail

Technique d Intelligence Artificielle : Résumé

Technique d Intelligence Artificielle : Résumé Technique d Intelligence Artificielle : Résumé Chapitre 1 : Préambule 1.1 Système classique de gestion! Processus bien défini et bien connu! Utilisateur passif! Ex : logiciel de gestion Généralement, il

Plus en détail

Machines composées de (depuis 1940 env.) : http://cui.unige.ch/isi/cours/std/

Machines composées de (depuis 1940 env.) : http://cui.unige.ch/isi/cours/std/ données pr ogramme 11111101 11001101 01000101 b us disque ma gnétique processeur écran Structures de données et algorithmes Ordinateurs Gilles Falquet, printemps-été 2002 Machines composées de (depuis

Plus en détail

Introduction à l Intelligence Artificielle

Introduction à l Intelligence Artificielle Introduction à l Intelligence Artificielle p. 1/41 Introduction à l Intelligence Artificielle Cyril Terrioux Laboratoire des Sciences de l Information et des Systèmes LSIS - UMR CNRS 6168 Introduction

Plus en détail

Antoine Cornuéjols AgroParisTech

Antoine Cornuéjols AgroParisTech Antoine Cornuéjols AgroParisTech antoine.cornuejols@agroparistech.fr http://www.lri.fr/~antoine Cours IA 1. Introduction 2. Cas des jeux entièrement explorables 3. L algorithme du MinMax 4. Amélioration

Plus en détail

Introduction à l Intelligence Artificielle

Introduction à l Intelligence Artificielle 1 / 14 Introduction à l Intelligence Artificielle Présentation de l option 2 nd semestre 2014-15 Philippe Chatalic chatalic@lri.fr Université Paris Sud Laboratoire de Recherche en Informatique (UMR CNRS

Plus en détail

Exploration informée

Exploration informée Exploration informée Jerôme Champavère jerome.champavere @ lifl.fr http://www.grappa.univ-lille3.fr/~champavere/?page=enseignement Stratégies d'exploration informée Exploration «meilleur d'abord» Best-first

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

L Intelligence Artificielle

L Intelligence Artificielle Conférence L Intelligence Artificielle Taalabi M. 30/04/2004 Intelligence Artificielle 1 Historique Définition Paradigmes Systèmes experts Concevoir un système expert Système à Inférence floue Applications

Plus en détail

1. Les fondements de l informatique 13

1. Les fondements de l informatique 13 Introduction à l'algorithmique 1. Les fondements de l informatique 13 1.1 Architecture de Von Neumann 13 1.2 La machine de Turing 17 1.3 Représentation interne des instructions et des données 19 1.3.1

Plus en détail

Démonstrations. Chapitre 4. 4.1 Introduction

Démonstrations. Chapitre 4. 4.1 Introduction Chapitre 4 Démonstrations L objectif de ce chapitre est de commencer à aborder la question fondamentale suivante : qu est-ce qu une démonstration? Pour cela, plus précisément, on va se focaliser dans ce

Plus en détail

Diagnostic et décision

Diagnostic et décision Diagnostic et décision Bibliographie J. N. Chatain, DIagnostic par Système Expert, Traité des Nouvelles Technologies, série Diagnostic et Maintenance, édition Hermes 1993. B. Dubuisson, Diagnostic, intelligence

Plus en détail

Contributions à l'apprentissage automatique de réseau de contraintes et à la constitution automatique de comportements sensorimoteurs en robotique.

Contributions à l'apprentissage automatique de réseau de contraintes et à la constitution automatique de comportements sensorimoteurs en robotique. Contributions à l'apprentissage automatique de réseau de contraintes et à la constitution automatique de comportements sensorimoteurs en robotique. Mathias PAULIN LIRMM (CNRS, Univ. Montpellier II) 161

Plus en détail

Algorithmique et Analyse d Algorithmes

Algorithmique et Analyse d Algorithmes Algorithmique et Analyse d Algorithmes L3 Info Cours 11 : Arbre couvrant Prétraitement Benjamin Wack 2015-2016 1 / 32 La dernière fois Rappels sur les graphes Problèmes classiques Algorithmes d optimisation

Plus en détail

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN

LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas

Plus en détail

GIND5439 Systèmes Intelligents. Chapitre 2: Systèmes à base de règles

GIND5439 Systèmes Intelligents. Chapitre 2: Systèmes à base de règles GIND5439 Systèmes Intelligents Chapitre 2: Systèmes à base de règles Contenu du chapitre Définition de connaissances Représentation des connaissances Les règles Chaînage avant et arrière Résolution de

Plus en détail

Intelligence artificielle appliquée à l automatique

Intelligence artificielle appliquée à l automatique Intelligence artificielle appliquée à l automatique par Sylviane GENTIL Professeur à l École nationale supérieure d ingénieurs électriciens Institut national polytechnique de Grenoble 1. Définitions et

Plus en détail

Agents Intelligents. Plan. Qu est ce qu un agent intelligent? Comment les agents intelligents doivent agir? Structure d un agent intelligent

Agents Intelligents. Plan. Qu est ce qu un agent intelligent? Comment les agents intelligents doivent agir? Structure d un agent intelligent s Intelligents Plan Qu est ce qu un agent intelligent? Comment les agents intelligents doivent agir? Structure d un agent intelligent Types d environnements Qu est ce qu un agent intelligent? intelligent:

Plus en détail

Intelligence Artificielle Master 1ère année Informatique Université Paris 7

Intelligence Artificielle Master 1ère année Informatique Université Paris 7 Bibliographie Ganascia, Jean-Gabriel L intelligence artificielle Flammarion, 1993 I Bratko, Programmation en Prolog pour l intelligence artificielle, 2001 Intelligence Artificielle Master 1ère année Informatique

Plus en détail

Sé m a n t iq u e d e la lo g iq u e. In t e r p r é t a t io n ( 1 /2 )

Sé m a n t iq u e d e la lo g iq u e. In t e r p r é t a t io n ( 1 /2 ) Sé m a n t iq u e d e la lo g iq u e Comment écrire les formules? Aspects syntaxiques Programmation Comment Logique et déterminer Prolog la valeur de vérité d une formule? Aspects sémantiques logique bivaluée

Plus en détail

Systèmes de dialogue homme-machine

Systèmes de dialogue homme-machine Systèmes de dialogue homme-machine Une introduction rapide Sophie Rosset Groupe Traitement du Langage Parlé Département Communication Homme-Machine LIMSI - CNRS Sophie Rosset (LIMSI) Systèmes de dialogue

Plus en détail

Initiation à l Intelligence Artificielle

Initiation à l Intelligence Artificielle Initiation à l Intelligence Artificielle Philippe Beaune, Gauthier Picard, Laurent Vercouter École Nationale Supérieure des Mines de Saint-Étienne gauthierpicard@emsefr Pôle XXI 2010-2011 Initiation à

Plus en détail

Principes de fonctionnement des moteurs d inférences. Le Moteur d Inférences (MI)

Principes de fonctionnement des moteurs d inférences. Le Moteur d Inférences (MI) Principes de fonctionnement des moteurs d inférences 1 Le Moteur d Inférences (MI) BCD Si A et B -> D Si A et non D -> non C BCP Moteur d Inférences A vrai C faux B? D? Le MI décide, en fonction de la

Plus en détail

Programme de la licence informatique, université de Caen http://www.info.unicaen.fr

Programme de la licence informatique, université de Caen http://www.info.unicaen.fr Programme de la licence informatique, université de Caen http://www.info.unicaen.fr Unité Systèmes d'information CM : 45h - TD : 60h - TP : 12h - Coeff 2 Systèmes de Gestion de Bases de Données Modéliser

Plus en détail

Logique pour l informatique

Logique pour l informatique UR Sciences et Techniques Licence S&T 1 année Logique pour l informatique Jean-Yves Antoine http://www.info.univ-tours.fr/~antoine 1 MATHEMATIQUES ET INORMATIQUE Travaux pionniers toujours d actualité

Plus en détail

Logique des propositions (2)

Logique des propositions (2) Logique des propositions (2) F. Alexandre École Supérieure d Informatique et Applications de Lorraine January 21, 2009 Plan Algorithme de mise sous forme clausale 1 Système formel basé sur les clauses

Plus en détail

Correction de programmes : Logique de Hoare

Correction de programmes : Logique de Hoare 16 juillet 2009 Logique et informatique Vis-à-vis de l informatique la logique a au moins 2 rôles : 1 Externe et théorique (fondements de l informatique - Électif en S4) : Logique comme méta-informatique

Plus en détail

Programmation logique par contraintes. Partie II

Programmation logique par contraintes. Partie II Programmation logique par contraintes Partie II Plan du cours Programmation logique et Prolog (PL) SWI-Prolog, Sicstus Programmation logique par contraintes (PLC) Sicstus Problèmes de satisfaction de contraintes

Plus en détail

Algorithmes de recherche

Algorithmes de recherche Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème

Plus en détail

Intelligence Artificielle Agents Intelligents

Intelligence Artificielle Agents Intelligents Intelligence Artificielle Agents Intelligents Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris

Plus en détail

l Intelligence Artificielle

l Intelligence Artificielle 1 Introduction à l Intelligence Artificielle Antoine Cornuéjols antoine@lri.fr http://www.iie.cnam.fr/~cornuejols/ I.I.E. & L.R.I., Université d Orsay Intelligence Artificielle : plan 2 1-2- 3-4- 5-6-

Plus en détail

Introduc)on à la logique Michel Rueher

Introduc)on à la logique Michel Rueher Introduc)on à la logique Michel Rueher SI3 Qu est ce que la logique? Etre Logique? Formaliser le raisonnement? Automatiser le raisonnement? Un art paradoxal? A quoi peut servir la logique? Formaliser le

Plus en détail

Systèmes décisionnels et programmation avancée

Systèmes décisionnels et programmation avancée Systèmes décisionnels et programmation avancée M1 SIR Philippe Muller et Mustapha Mojahid, Matthieu Serrurier, Marie-Christine Scheix 2014-2015 Introduction structure du cours intervenants introduction

Plus en détail

(3.22) Interchangeabilité mutuelle : p q r p q r

(3.22) Interchangeabilité mutuelle : p q r p q r Préséance (priorité) des opérateurs (1) [x := e] (substitution textuelle) (prioritéélevée) (2). (application de fonction) (3) + P (opérateurs unaires préfixes) (4) / mod pgcd (5) + (opérateurs binaires)

Plus en détail

Apprentissage par exploration

Apprentissage par exploration Apprentissage par exploration 1/32 Introduction Méthode particulière d acquisition de connaissance : apprentissage artificiel, à partir d induction. obtention des connaissances à partir d exemples. On

Plus en détail

Algorithmique - Techniques fondamentales de programmation Exemples en Python (nombreux exercices corrigés) - BTS, DUT informatique

Algorithmique - Techniques fondamentales de programmation Exemples en Python (nombreux exercices corrigés) - BTS, DUT informatique Introduction à l'algorithmique 1. Les fondements de l informatique 13 1.1 Architecture de Von Neumann 13 1.2 La machine de Turing 17 1.3 Représentation interne des instructions et des données 19 1.3.1

Plus en détail

Évaluation et implémentation des langages

Évaluation et implémentation des langages Évaluation et implémentation des langages Les langages de programmation et le processus de programmation Critères de conception et d évaluation des langages de programmation Les fondations de l implémentation

Plus en détail

Les Jeux. Plan. Introduction. Le minimax. Le minimax α / β. Bilan

Les Jeux. Plan. Introduction. Le minimax. Le minimax α / β. Bilan Les Jeux Plan Introduction Qu est-ce qu un jeu? Pourquoi les jeux et quels jeux? Aperçu historique Informatisation Complexité Le minimax Création d un arbre ET / OU Fonction d évaluation Version simplifiée

Plus en détail

Programmation par contraintes Cours 3 : Programmation logique avec contraintes PLC

Programmation par contraintes Cours 3 : Programmation logique avec contraintes PLC Cours 3 : avec contraintes PLC ESIL Université de la méditerranée Odile.Papini@esil.univ-mrs.fr http://pages-perso.esil.univmed.fr/ papini/ Plan du cours 3 1 Introduction 2 3 4 Bibliographie Livres : K.

Plus en détail

Système à Base de Règles. EPITA SYBR SCIA Adrien Pain -Version 1 (11) Philippe Morignot V2(oct. 12), V3 (oct. 13), V4 (sept. 15)

Système à Base de Règles. EPITA SYBR SCIA Adrien Pain -Version 1 (11) Philippe Morignot V2(oct. 12), V3 (oct. 13), V4 (sept. 15) Système à Base de Règles EPITA SYBR SCIA Adrien Pain -Version 1 (11) Philippe Morignot V2(oct. 12), V3 (oct. 13), V4 (sept. 15) Plan du cours 1. Diagnostic 2. Systèmes experts 3. Algorithme RETE 4. Travaux

Plus en détail

Automatisation de la certification formelle de systèmes critiques par instrumentation d interpréteurs abstraits

Automatisation de la certification formelle de systèmes critiques par instrumentation d interpréteurs abstraits 1 d Automatisation de la certification formelle de systèmes critiques par instrumentation d sous la direction de Michaël Périn Soutenance de Thèse de Doctorat Université de Grenoble - Laboratoire Verimag

Plus en détail

Approche logique de l intelligence artificielle

Approche logique de l intelligence artificielle Approche logique de l intelligence artificielle Où l on voit comment une méthode de démonstration formelle en logique des prédicats a permis la réalisation d un langage de programmation logique Prolog

Plus en détail

Leçon 4 : Typologie des SI

Leçon 4 : Typologie des SI Leçon 4 : Typologie des SI Typologie des SI Système formel Système informel Typologie des SI Chaque jour au sein d une organisation Le système d info stocke, traie ou restitue des quantités importantes

Plus en détail

Introduction au model-checking et application à la vérification des protocoles cryptographiques

Introduction au model-checking et application à la vérification des protocoles cryptographiques Introduction au model-checking et application à la vérification des protocoles cryptographiques Prof. John MULLINS École Polytechnique de Montréal Prof. John MULLINS (École Polytechnique) Introduction

Plus en détail

V Recherche dans les arbres de jeux

V Recherche dans les arbres de jeux V Recherche dans les arbres de jeux Damien Olivier Damien.Olivier@univ-lehavre.fr Faculte des Sciences et Techniques du Havre Maitrise d informatique - Intelligence Artificielle p.1/30 Plan 1. Quels jeux?

Plus en détail

Cinquième partie V. 5. Programmation des jeux de réflexion. Plan. Programmation des jeux vs. résolution de problèmes. En bref...

Cinquième partie V. 5. Programmation des jeux de réflexion. Plan. Programmation des jeux vs. résolution de problèmes. En bref... Plan Cinquième partie V Programmation des jeux de réflexion 1. ntroduction à l intelligence artificielle 2. Agents intelligents. Algorithmes classiques de recherche en A 4. Algorithmes et recherches heuristiques

Plus en détail

1 Introduction. 2 Algorithmes sans élagage. 2.1 Minimax. Chapitre 3 : Jeux (Février 2007, Pierre Gançarski)

1 Introduction. 2 Algorithmes sans élagage. 2.1 Minimax. Chapitre 3 : Jeux (Février 2007, Pierre Gançarski) Chapitre 3 : Jeux (Février 2007, Pierre Gançarski) 1 Introduction Quatre caractérisques pour les jeux étudiés : jeux à deux : deux adversaires eectuent alternativement des coups, chaque défaillance de

Plus en détail

Cours d Algorithmique et structures de données 1

Cours d Algorithmique et structures de données 1 Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université Mohamed Khider - Biskra Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie Département d Informatique

Plus en détail

Module Mixmod pour OpenTURNS

Module Mixmod pour OpenTURNS Module Mixmod pour OpenTURNS Régis LEBRUN EADS Innovation Works 23 septembre 2013 EADS IW 2013 (EADS Innovation Work) 23 septembre 2013 1 / 21 Outline Plan 1 OpenTURNS et propagation d incertitudes 2 Mixmod

Plus en détail

KLIPS - PROJET INTELLIGENCE ARTIFICIEL

KLIPS - PROJET INTELLIGENCE ARTIFICIEL 19/03/2008 EPSI KLIPS - PROJET INTELLIGENCE ARTIFICIEL Christian Couder, Fabien Joubert, Guy-Ludovic Rodriguez Sommaire I Cahier des Charges 1. Les différentes composantes demandées... 3 a. Caractéristiques

Plus en détail

Chapitre 7. Problèmes de flots. 7.1 Exemple. 7.2 Notions de base sur les graphes

Chapitre 7. Problèmes de flots. 7.1 Exemple. 7.2 Notions de base sur les graphes Chapitre 7 Problèmes de flots. 7.1 Exemple. Un réseau electrique est formé de lignes reliant des noeuds (transformateurs, centre de redistributions,...), chaque ligne a une capacité de transport maximale.

Plus en détail

Algorithmes pour les graphes

Algorithmes pour les graphes Algorithmes pour les graphes 1 Définitions Un graphe est représenté par : V : L ensemble des noeuds ou sommets. E : L ensemble des arcs ou arrêtes. E est un sous-ensemble de V xv. On note G = (V, E). Si

Plus en détail

OPTIMISATION DE QUESTIONS

OPTIMISATION DE QUESTIONS OPTIMISATION DE QUESTIONS Luc Bouganim Luc.Bouganim@prism.uvsq.fr Page 2 Architecture en couche d un SGBD Gestion de Mémoire Interface Analyseur sémantique Optimiseur Moteur d exécution Opérations relationnelles

Plus en détail

Initiation à la Programmation en Logique avec SISCtus Prolog

Initiation à la Programmation en Logique avec SISCtus Prolog Initiation à la Programmation en Logique avec SISCtus Prolog Identificateurs Ils sont représentés par une suite de caractères alphanumériques commençant par une lettre minuscule (les lettres accentuées

Plus en détail

Cours d introduction à l informatique. Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions

Cours d introduction à l informatique. Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions Cours d introduction à l informatique Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions Qu est-ce qu un Une recette de cuisine algorithme? Protocole expérimental

Plus en détail

Environnement Architecture de controle. Décisions

Environnement Architecture de controle. Décisions Chapitre 1 Introduction 1.1 Robot Mobile Il existe diverses définitions du terme robot, mais elles tournent en général autour de celle-ci : Un robot est une machine équipée de capacités de perception,

Plus en détail

Règles d affaires. éponse informatique inc. www.reponse.ca. Critères de qualité de toutes spécifications

Règles d affaires. éponse informatique inc. www.reponse.ca. Critères de qualité de toutes spécifications Règles d affaires éponse informatique inc. 1 Critères de qualité de toutes spécifications IEEE830-1998 Recommended Practice for Software Requirements Specifications Une spécification doit être: Correcte,

Plus en détail

Bases de données Cours 5 : Base de données déductives

Bases de données Cours 5 : Base de données déductives Cours 5 : ESIL Université de la méditerranée Odile.Papini@esil.univmed.fr http://odile.papini.perso.esil.univmed.fr/sources/bd.html Plan du cours 1 Introduction 2 approche sémantique approche axiomatique

Plus en détail

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel.

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Workshop du GIS 3SGS Reims, 29 septembre 2010 Sommaire Missions

Plus en détail

Optimisation en nombres entiers

Optimisation en nombres entiers Optimisation en nombres entiers p. 1/83 Optimisation en nombres entiers Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Optimisation en nombres entiers p. 2/83

Plus en détail

Les automates. Fabrice EUDES, Pascal EVRARD, Philippe MARQUET, François RECHER & Yann SECQ

Les automates. Fabrice EUDES, Pascal EVRARD, Philippe MARQUET, François RECHER & Yann SECQ Les automates Fabrice EUDES, Pascal EVRARD, Philippe MARQUET, François RECHER & Yann SECQ Avril 2015 Retour sur l île et le barman Deux problèmes similaires: Des îles, des bateaux et un trésor à trouver

Plus en détail

Les apports de. l'informatique. La filiation. Le statut de technologie ou de sous-discipline. Le statut de science à part entière est lorsqu il y a :

Les apports de. l'informatique. La filiation. Le statut de technologie ou de sous-discipline. Le statut de science à part entière est lorsqu il y a : Les apports de Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il y a : Rétro-action

Plus en détail

Programmation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006

Programmation d'agents intelligents Vers une refonte des fils de raisonnement. Stage de fin d'études Master IAD 2006 vendredi 8 septembre 2006 Programmation d'agents intelligents Vers une refonte des fils de raisonnement Stage de fin d'études Master IAD 2006 Benjamin DEVEZE Responsable : M. Patrick TAILLIBERT Plan Plan

Plus en détail

Programmation orientée agent #6. Agents cognitifs. Tiberiu Stratulat

Programmation orientée agent #6. Agents cognitifs. Tiberiu Stratulat Programmation orientée agent #6 Agents cognitifs Tiberiu Stratulat M1 S2 - Université de Montpellier II Resp du module: J. Ferbet et T. Stratulat FMIN207 - Parcours I2A - GL Interaction: concepts de base

Plus en détail

INFO-F-302 Informatique Fondamentale Logique du premier ordre

INFO-F-302 Informatique Fondamentale Logique du premier ordre INFO-F-302 Informatique Fondamentale Logique du premier ordre Prof. Emmanuel Filiot Exercice 1 1. Soit un langage L = (p, q, r, s, t, f, g) où p, q sont des prédicats unaires, r, s, t sont des prédicats

Plus en détail

Cours de logique pour l informatique

Cours de logique pour l informatique Cours de logique pour l informatique Prof. Jean-François Raskin Département d Informatique Faculté des Sciences Université Libre de Bruxelles Année académique 2007-2008 0-0 Organisation pratique du cours

Plus en détail

Logique et bases de données

Logique et bases de données Logique et bases de données Vision logique d une BD relationnelle Signification des règles logiques Le modèle DATALOG Evaluation des règles non récursives Signification et évaluation des règles récursives

Plus en détail

Fondements de l informatique: Examen Durée: 3h

Fondements de l informatique: Examen Durée: 3h École polytechnique X2013 INF412 Fondements de l informatique Fondements de l informatique: Examen Durée: 3h Sujet proposé par Olivier Bournez Version 3 (corrigé) L énoncé comporte 4 parties (sections),

Plus en détail

Variable Neighborhood Search

Variable Neighborhood Search Variable Neighborhood Search () Universite de Montreal 6 avril 2010 Plan Motivations 1 Motivations 2 3 skewed variable neighborhood search variable neighborhood decomposition search 4 Le probleme d optimisation.

Plus en détail

BASES DU RAISONNEMENT

BASES DU RAISONNEMENT BASES DU RAISONNEMENT P. Pansu 10 septembre 2006 Rappel du programme officiel Logique, différents types de raisonnement. Ensembles, éléments. Fonctions et applications. Produit, puissances. Union, intersection,

Plus en détail

Analyse abstraite de missions sous PILOT

Analyse abstraite de missions sous PILOT Analyse abstraite de missions sous PILOT Damien Massé EA 3883, Université de Bretagne Occidentale, Brest damien.masse@univ-brest.fr Résumé Nous étudions la possibilité de réaliser un analyseur par interprétation

Plus en détail

SOMMAIRE. II L organisation du projet. 15 II.1 La place du projet dans la structure de l entreprise. 15 II.2 Les acteurs. 18

SOMMAIRE. II L organisation du projet. 15 II.1 La place du projet dans la structure de l entreprise. 15 II.2 Les acteurs. 18 SOMMAIRE CHAPITRE 1 INTRODUCTION I Définition du projet et de la gestion de projets. 7 I.1 Définition du projet. 7 I.2 Définition de la gestion des projets. 10 I.3 Interaction formulation - résolution

Plus en détail