Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/caknoooo/informed-search-algorithm

Kami dari Kelompok 06 Kecerdasan Buatan D akan mengimplementasikan tentang 2 Algoritma Informed Search yaitu A* Algorithm dan Greedy BFS
https://github.com/caknoooo/informed-search-algorithm

astar-algorithm greedy-best-first-search informed-search python pythonnotebook

Last synced: 16 days ago
JSON representation

Kami dari Kelompok 06 Kecerdasan Buatan D akan mengimplementasikan tentang 2 Algoritma Informed Search yaitu A* Algorithm dan Greedy BFS

Awesome Lists containing this project

README 

        
# Informed-Search-Algorithm



## Daftar Isi



-   [Group Introduction](#group-introduction)

-   [Description](#description)

-   [Terminology](#terminology)

-   [Greedy Best First Search](#greedy-best-first-search)

-   [A\* Search](#a*-search)

-   [Implementation Details](#implementation-details)

-   [Comparative Analysis](#comparative-analysis)

-   [Conclusion](#conclusion)

-   [References](#references)



## Group Introduction



Kelompok 06 Kecerdasan Buatan D :

| Nama | NRP |

|---------------------------|------------|

|Calvin Janitra | 5025211020 |

|Kevin Nathanael Halim | 5025211140 |

|M. Zhafran Dzaky | 5025211142 |

|M. Naufal Badruttamam | 5025211240 |



## Description



Pada repository ini, kami mengimplementasikan 2 Algoritma Informed Search yaitu Greedy Best First Search Algorithm dan A\* Algorithm menggunakan bahasa Python ke dalam file dengan format .ipynb untuk menjalankan satu contoh kasus yang telah diberikan.


Contoh kasus yang digunakan sendiri adalah contoh kasus pada powerpoint yakni Romania Problem yang merupakan permasalahan klasik untuk Informed Search. Pada permasalahan tersebut terdapat peta Romania yang terdiri dari beberapa kota dengan diberikan informasi jarak antar kota-kota yang ada. Tujuan pada kasus yang digunakan adalah untuk melakukan pencarian jalur terpendek untuk pergi dari satu kota ke yang lain, dalam hal ini adalah dari Aran ke Bucharest.


Selain dari contoh kasus yang ada, kami juga menyertakan kasus custom yang kami buat sendiri dengan judul Java Problem dimana terdapat peta pulau Jawa yang terdiri dari beberapa kota di sana dengan diberikan informasi jarak antar kota-kota yang ada. Tujuan pada kasus ini sama dengan contoh kasus sebelumnya, akan tetapi jalur terpendek yang dicari adalah dari Surabaya ke Tulungagung.


Tujuan : Untuk mengetahui bagaimana performa kedua metode informed search tersebut dan perbandingannya antara yang satu dengan yang lain.



## Terminology



-   Informed Search : Sebuah algoritma pencarian/search dimana terdapat informasi tambahan untuk mencapai goal state yang tentunya akan sangat membantu dalam proses pencarian secara efisien. Disebut juga dengan Heuristic Search.

-   Start State : Keadaan/kondisi awal sebelum pencarian mulai dijalankan.

-   Current State : Keadaan/kondisi terkini pada pencarian.

-   Goal State : Keadaan/kondisi tujuan yang ingin dicari.

-   Heuristic Functions : Fungsi pembantu yang digunakan dalam Informed Search untuk membantu mencari jalur pencarian yang paling menjanjikan dengan cara melakukan perkiraan jarak dari state terkini dengan goal state. Walaupun terdapat beberapa metode heuristik yang dapat digunakan dalam fungsi ini, tetapi semuanya akan membantu dalam membuat proses pencarian lebih efisien.



## Greedy Best First Search



Greedy Best First Search adalah salah satu algoritma Informed Search yang bekerja dengan memilih satu jalur pencarian yang terlihat menjanjikan atau terbaik saat itu. Merupakan hasil penggabungan dari algoritma Depth-First Search dan Breadth-First Search sehingga lebih efisien dari keduanya karena dapat bergerak dengan memilih mana yang lebih baik dari kedua algoritma tersebut sesuai dengan kondisi terkini.


Cara kerja algoritma Greedy BFS ini sendiri adalah dengan memanfaatkan Heuristic Functions untuk menentukan jarak dari state terkini ke goal state dan memilih node yang terlihat paling baik (jaraknya paling dekat) pada setiap langkah pencarian hingga goal state tercapai. Algoritma ini dapat diimplementasikan menggunakan struktur data Priority Queue. Perumusan yang digunakan untuk menentukan cost terbaik dari node yang akan dilalui sendiri sebagai berikut,



    f(n) = h(n)



Dimana :



-   f(n) adalah hasil dari fungsi yang berupa cost/jarak total dari current state ke goal state

-   h(n) adalah heuristic function yang dipergunakan



## A\* Search



Algoritma A\* adalah salah satu jenis algoritma Informed Search yang juga memanfaatkan Heuristic Function untuk mempercepat proses pencarian solusi terbaik. Kelebihan dari algoritma ini adalah konsepnya yang mengkombinasikan informasi tentang jarak yang telah ditempuh dengan estimasi jarak yang tersisa untuk mencapai tujuan.



Cara kerja algoritma A\* adalah dengan mempertimbangkan dua nilai untuk setiap node pada setiap langkah pencarian, yaitu cost aktual yang telah ditempuh dari state awal ke state yang sedang dipertimbangkan (biasanya dinotasikan dengan g(n)) dan estimasi cost yang tersisa untuk mencapai tujuan (biasanya dinotasikan dengan h(n)).



Algoritma A\* memiliih node yang memiliki nilai f(n) = g(n) + h(n) yang terkecil pada setiap langkah pencarian, di mana f(n) adalah fungsi yang menghitung total cost dari state awal hingga goal state melalui state yang sedang dipertimbangkan.



Untuk mengimplementasikan algoritma A\*, kita dapat menggunakan struktur data Priority Queue untuk menyimpan node-node yang akan dievaluasi. Selain itu, kita juga memerlukan sebuah sebuah Heuristic Function yang dapat memberikan estimasi cost yang tersisa untuk mencapai tujuan dari setiap state pada graf.



Sehingga, formulasi untuk algoritma A\* dapat dituliskan sebagai berikut,



```

f(n) = g(n) + h(n)

```



di mana :



-   f(n) merupakan hasil penjumlahan cost aktual yang telah ditempuh dan estimasi cost yang tersisa untuk mencapai tujuan melalui node tersebut.

-   g(n) adalah nilai cost aktual dari state awal hingga state akhir

-   h(n) adalah nilai estimasi cost yang tersisa untuk mencapai tujuan dari state yang sedang dipertimbangkan atau yang biasa disebut dengan heuristic function.



## Implementation Details



1. Diawali dengan pembuatan class PriorityQueue yang merupakan implementasi dari struktur data Priority Queue untuk membantu simulasi implementasi algoritma Greedy BFS

2. Dibuat juga class CityNode yang merupakan class untuk melambangkan setiap node/kota yang ada pada peta Romania

3. Dibuat fungsi makeDict() yang digunakan untuk mengambil data kota-kota beserta dengan jarak antar tiap kota dari dalam file Jalan.txt yang akan dipergunakan untuk membangun graph untuk mewakili peta Romania pada kasus

4. Dibuat juga fungsi makeHeuristicDict() yang digunakan untuk mengambil data informasi tambahan yang terdapat pada file HeuristicJalan.txt yang nantinya akan dipergunakan sebagai fungsi heuristic untuk proses pencarian

5. Kemudian dibuat fungsi pencarian Greedy BFS dan A* yang akan melakukan pencarian dengan perbedaan dimana pada A* Search nilai yang diperoleh dari heuristic function ditambahkan dengan nilai distance atau cost dari start state ke current state, sementara pada Greedy BFS hanya digunakan nilai dari heuristic function saja

6. Setelah itu, dibuat fungsi PrintOutput yang akan mengeluarkan hasil dari proses pencarian dengan format sesuai yang telah dispesifikasikan. Yakni terdiri dari kota yang sempat terjelajahi saat proses searching dan juga jarak terpendek yang didapatkan sebagai hasil pencarian yang ditambah dengan jumlah kota serta jarak pencariannya (depth).

7. Terakhir, barulah dibuat fungsi main dimana semuanya dimulai, dengan masukkan start state adalah kota Aran dan goal statenya kota Bucharest.



## Comparative Analysis



## Conclusion



Algoritma A* cenderung menghasilkan cost yang lebih kecil dibandingkan dengan Greedy Search, karena A* menggabungkan informasi biaya dan heuristik dalam pemilihan node berikutnya, sehingga memungkinkan A\* untuk mengeksplorasi jalur yang lebih efisien. Namun, ada kemungkinan bahwa Greedy Search bisa menghasilkan solusi yang lebih baik dalam beberapa kasus, terutama ketika goal state cukup dekat dengan state awal dan heuristik yang digunakan sudah cukup akurat.



Sementara itu, jumlah node yang diekspansi oleh A* dan Greedy Search tidak tetap karena dipengaruhi oleh struktur graf dan heuristik yang digunakan. Dalam beberapa kasus, A* dapat menghasilkan jumlah node yang lebih sedikit dibandingkan dengan Greedy Search, tetapi dalam kasus lain, jumlah node yang diekspansi oleh A\* bisa jadi lebih besar daripada Greedy Search.



Oleh karena itu, untuk memilih algoritma pencarian yang tepat, kita perlu mempertimbangkan karakteristik dari masalah yang akan diselesaikan dan melakukan evaluasi kinerja dengan melakukan beberapa test case yang mencakup berbagai kemungkinan kondisi masalah.



## References



-   [https://www.javatpoint.com/ai-informed-search-algorithms](https://www.javatpoint.com/ai-informed-search-algorithms)

-   [https://www.geeksforgeeks.org/difference-between-informed-and-uninformed-search-in-ai](https://www.geeksforgeeks.org/difference-between-informed-and-uninformed-search-in-ai)

-   [https://socs.binus.ac.id/2013/04/23/uninformed-search-dan-informed-search](https://socs.binus.ac.id/2013/04/23/uninformed-search-dan-informed-search)