- 우리는 순방향이나 역방향으로 추론할 수 있는 전략을 연구했지만, 복잡하고 큰 문제를 해결하려면 두 방향을 혼합하는 것이 적합합니다. 이러한 혼합 전략을 사용하면 먼저 문제의 주요 부분을 해결한 다음 다시 돌아가서 문제의 큰 부분을 결합하는 동안 발생하는 작은 문제를 해결할 수 있습니다. 그런 기술을 일컬어 수단 목적 분석 .
- 수단목적분석(Means-Ends Analysis)은 인공지능 프로그램에서 검색을 제한하기 위해 인공지능에 사용되는 문제 해결 기술입니다.
- 역방향 검색과 순방향 검색 기술을 혼합한 것입니다.
- MEA 기술은 1961년 Allen Newell과 Herbert A. Simon이 GPS(General Problem Solver)라는 문제 해결 컴퓨터 프로그램에서 처음 도입했습니다.
- MEA 분석 과정은 현재 상태와 목표 상태의 차이를 평가하는 데 중점을 두었습니다.
수단 목적 분석 작동 방식:
수단 목적 분석 프로세스는 문제에 대해 반복적으로 적용될 수 있습니다. 문제 해결에서 탐색을 통제하는 전략이다. 다음은 문제 해결을 위한 MEA 기술의 작동을 설명하는 주요 단계입니다.
- 먼저 초기 상태와 최종 상태의 차이를 평가합니다.
- 각 차이에 적용할 수 있는 다양한 연산자를 선택하세요.
- 각 차이에 연산자를 적용하면 현재 상태와 목표 상태 간의 차이가 줄어듭니다.
운영자 하위 목표
MEA 과정에서는 현재 상태와 목표 상태의 차이를 감지합니다. 이러한 차이가 발생하면 연산자를 적용하여 차이를 줄일 수 있습니다. 그러나 때로는 현재 상태에 연산자를 적용할 수 없는 경우도 있습니다. 그래서 우리는 연산자를 적용할 수 있는 현재 상태의 하위 문제를 만듭니다. 이러한 연산자를 선택한 다음 하위 목표를 설정하여 연산자의 전제 조건을 설정하는 이러한 유형의 역방향 연결을 호출합니다. 운영자 하위 목표 .
수단 목적 분석을 위한 알고리즘:
현재 상태를 CURRENT로, 목표 상태를 GOAL로 가정하고 다음은 MEA 알고리즘의 단계입니다.
- 전류차에 해당하는 새로운 연산자 O를 선택하고, 해당 연산자가 없으면 신호실패이다.
- CURRENT에 연산자 O를 적용해 보십시오. 두 가지 상태에 대해 설명하세요.
i) O-Start, O의 전제조건이 만족되는 상태.
ii) O-결과, O가 O-start에 적용될 경우 발생하는 상태입니다. - 만약에
(첫 번째 부분<------ mea (current, o-start)< strong>
그리고
(마지막 부분<----- mea (o-result, goal)< strong>, 성공하면 성공 신호를 보내고 FIRST-PART, O 및 LAST-PART를 결합한 결과를 반환합니다.
위에서 설명한 알고리즘은 간단한 문제에 더 적합하지만 복잡한 문제를 해결하는 데는 적합하지 않습니다.
평균이익 분석의 예:
아래와 같이 초기 상태와 목표 상태를 알고 있는 예를 들어보겠습니다. 이 문제에서는 초기 상태와 목표 상태의 차이를 찾고 연산자를 적용하여 목표 상태를 구해야 합니다.
해결책:
위의 문제를 해결하기 위해 먼저 초기 상태와 목표 상태의 차이점을 찾아보고, 각 차이점에 대해 새로운 상태를 생성하고 연산자를 적용하겠습니다. 이 문제에 대한 연산자는 다음과 같습니다.
1. 초기 상태 평가: 첫 번째 단계에서는 초기 상태를 평가하고 초기 상태와 목표 상태를 비교하여 두 상태 간의 차이점을 찾습니다.
2. 삭제 연산자 적용: 첫 번째 차이점을 확인할 수 있듯이 목표 상태에는 초기 상태에 존재하는 점 기호가 없으므로 먼저 다음을 적용합니다. 삭제 연산자 이 점을 제거하려면
3. 이동 연산자 적용: 삭제 연산자를 적용한 후 목표 상태와 다시 비교할 새 상태가 발생합니다. 이러한 상태를 비교한 결과 사각형이 원 밖에 있다는 또 다른 차이점이 있으므로 다음을 적용하겠습니다. 이동 연산자 .
4. 확장 연산자 적용: 이제 세 번째 단계에서 새로운 상태가 생성되고 이 상태를 목표 상태와 비교해 보겠습니다. 상태를 비교한 후에도 여전히 정사각형의 크기라는 한 가지 차이점이 있으므로 다음을 적용하겠습니다. 확장 연산자 , 마지막으로 목표 상태를 생성합니다.
