Các thuật toán tìm kiếm theo lối kinh nghiệm (heuristic search techniques)

1. Tìm kiếm theo thuật toán di truyền (Genetic

Algorithms - GA): là một phương pháp tối ưu hóa dựa trên tiến hóa trong tự nhiên. Nó bắt đầu với một tập hợp các cá thể biểu diễn các giải pháp ngẫu nhiên cho một vấn đề. Các cá thể được đánh giá bằng một hàm mục tiêu, và sau đó, những cá thể tốt nhất được lựa chọn để tiếp tục tái sản xuất. Quá trình này lặp đi lặp lại, kết hợp các phép lai ghép và đột biến, tạo ra thế hệ mới có các giải pháp tối ưu hơn. GA có khả năng khám phá không gian tìm kiếm rộng và thoát khỏi tối ưu cục bộ, giúp tìm ra giải pháp tốt nhất cho vấn đề được đặt ra.

1. Thuật toán leo đồi (Hill Climbing): là một phương pháp tìm kiếm tối ưu hóa đơn giản. Nó bắt đầu từ một giải pháp ngẫu nhiên và tiến hóa bằng cách di chuyển đến các giải pháp láng giềng tốt hơn. Thuật toán này dừng lại khi không có giải pháp láng giềng nào tốt hơn giải pháp hiện tại. Hill Climbing có thể bị kẹt ở giải pháp cục bộ tối ưu và không đảm bảo tìm ra giải pháp toàn cầu tối ưu. Điều chỉnh tham số khởi tạo và chiến lược chọn giải pháp láng giềng là quan trọng để cải thiện hiệu suất của thuật toán này.
2. Thuật toán A* (A-star): là một phương pháp tìm kiếm thông minh được sử dụng rộng rãi trong trí tuệ nhân tạo. Nó kết hợp tìm kiếm theo chiều rộng và sử dụng một hàm đánh giá (heuristic function) để dự đoán chi phí tối ưu từ nút gốc đến mục tiêu. A* thực hiện tìm kiếm theo độ ưu tiên, ưu tiên các nút có tổng chi phí dự đoán (g + h) thấp nhất, trong đó g là chi phí từ nút gốc đến nút hiện tại, và h là ước tính chi phí từ nút hiện tại đến mục tiêu. Thuật toán này đảm bảo tìm ra đường đi ngắn nhất trên đồ thị có trọng số hoặc bản đồ và thường được sử dụng trong các ứng dụng như tìm đường đi trong bản đồ đường phố, trò chơi, và lập kế hoạch di chuyển cho các robot.
3. Thuật toán Greedy Best-First-Search: là một phương pháp tìm kiếm thông minh dựa trên việc chọn lựa nút con có ước tính chi phí tới mục tiêu thấp nhất. Nó tập trung vào việc chọn lựa tùy chọn tốt nhất dựa trên thông tin có sẵn tại thời điểm hiện tại mà không quan tâm đến lịch sử tìm kiếm. Greedy Best-First-Search thường dẫn đến tìm kiếm đường đi gần nhất tới mục tiêu, nhưng có thể bỏ qua các lựa chọn tốt hơn trong tương lai và không đảm bảo tìm ra đường đi tối ưu trên đồ thị có trọng số.
4. Thuật toán Tìm kiếm theo mô phỏng (Simulated Annealing): là một phương pháp tối ưu hóa dựa trên quá trình tản nhiệt trong kim loại. Nó bắt đầu từ một giải pháp ngẫu nhiên và chấp nhận các giải pháp kém hơn với xác suất giảm dần theo thang nhiệt độ. Thuật toán này giúp thoát khỏi các giải pháp cục bộ tối ưu và khám phá không gian tìm kiếm rộng hơn. Thang đo nhiệt độ là một tham số quan trọng để kiểm soát tốc độ tìm kiếm. Khi nhiệt độ giảm, thuật toán hướng dẫn về phía giải pháp tốt hơn, và cuối cùng, nó dừng lại ở một giải pháp có khả năng cao là tối ưu hoặc gần tối ưu.
5. Thuật toán Tìm kiếm bằng trải nghiệm (ExperienceBased Search): là một phương pháp tìm kiếm dựa trên việc học hỏi từ các lần tìm kiếm trước đó. Nó sử dụng thông tin từ kinh nghiệm đã tích luỹ để tạo ra các hướng dẫn hoặc ưu tiên trong quá trình tìm kiếm hiện tại. Thuật toán này liên tục cải thiện các giải pháp bằng cách sử dụng kiến thức đã học và có thể được áp dụng trong nhiều lĩnh vực, từ trí tuệ nhân tạo đến quyết định tự động và tối ưu hóa.

Tài liệu tham khảo: https://websitehcm.com/tim-kiem-heuristic-trong-ai/ https://labs.flinters.vn/algorithm/algorithm-cac-thuat-toan-timkiem-trong-ai/