مقارنة أداء خوارزميات البحث - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

--- SECTION: N/A --- A* Search unweighted with the Manhattan heuristic. Shortest Path: [(14, 0), (13, 1), (12, 2), (11, 3), (10, 4), (9, 5), (8, 6), (8, 7), (9, 8), (9, 9), (9, 10), (9, 11), (9, 12), (8, 13), (7, 13), (6, 13), (5, 12), (5, 11), (5, 10)] Cells on the Shortest Path: 19 Shortest Path Distance: 18 Number of cell visits: 865--- SECTION: N/A --- A* Search weighted with the Manhattan heuristic. Shortest Path: [(14, 0), (14, 1), (13, 1), (12, 1), (12, 2), (12, 3), (12, 4), (12, 5), (12, 6), (12, 7), (11, 7), (11, 8), (10, 8), (9, 8), (9, 9), (9, 10), (9, 11), (9, 12), (9, 13), (8, 13), (7, 13), (6, 13), (5, 13), (5, 12), (5, 11), (5, 10)] Cells on the Shortest Path: 26 Shortest Path Distance: 25 Number of cell visits: 1033--- SECTION: N/A --- تؤكد النتائج أن استدلال مسافة مانهاتن (Manhattan Distance) يمكن استخدامه لدعم خوارزمية البحث بأولوية الأفضل (A* search) في العثور على المسارات الأقصر المحتملة بفحص أقل عدد من الخلايا في كل من الحالات الموزونة وغير الموزونة. علمًا بأن استخدام هذا الاستدلال الأكثر ذكاءً يفحص عددًا أقل من الخلايا من ذلك المستخدم في خوارزمية البحث بأولوية الاتساع (BFS). يلخص الجدول 2.7 النتائج حول متغيرات الخوارزميات المختلفة في المتاهة الكبيرة:--- SECTION: جدول 2.7: مقارنة بين أداء الخوارزميات --- جدول 2.7: مقارنة بين أداء الخوارزميات--- SECTION: N/A --- يوضح الجدول مزايا استخدام الطرائق الأكثر ذكاءً لحل المشكلات المستندة إلى البحث مثل تلك الموضحة بهذا الدرس: • التحول من خوارزمية البحث بأولوية الاتساع (BFS) غير المستنيرة إلى خوارزمية البحث بأولوية الأفضل (A* search) المستنيرة حقق نتائج أفضل، كما أتاح إمكانية حل المشكلات الأكثر تعقيدًا. • يمكن تحسين ذكاء خوارزميات البحث المستنيرة باستخدام دوال الاستدلال الأفضل التي تسمح لها بالعثور على الحل الأمثل بشكل أسرع.--- SECTION: N/A --- 2023 - 1447--- VISUAL CONTEXT --- **TABLE**: جدول 2.7: مقارنة بين أداء الخوارزميات Description: جدول يقارن أداء ثلاث خوارزميات بحث (BFS، A* بالاستدلال الثابت، A* باستدلال مانهاتن) في حالتين: الموزونة وغير الموزونة، مع عرض المسافة وعدد الخلايا التي تم فحصها. Table Structure: Headers: | خوارزمية البحث بأولوية الاتساع (BFS) | خوارزمية البحث بأولوية الأفضل (A* search) بالاستدلال الثابت | خوارزمية البحث بأولوية الأفضل (A* search) باستدلال مانهاتن Rows: Row 1: الموزونة | المسافة=30، وفحصت 1235 | المسافة=25، وفحصت 1245 | المسافة=25، وفحصت 1033 Row 2: غير الموزونة | المسافة=18، وفحصت 1237 | المسافة=18، وفحصت 1272 | المسافة=18، وفحصت 865 Calculation needed: N/A X-axis: N/A Y-axis: N/A Data: The table compares the performance of three search algorithms (BFS, A* with constant heuristic, A* with Manhattan heuristic) across two scenarios: weighted and unweighted. For each algorithm and scenario, it provides the 'Distance' (المسافة) and 'Cells Visited' (وفحصت). Key Values: BFS Weighted: Distance=30, Visited=1235, A* Constant Weighted: Distance=25, Visited=1245, A* Manhattan Weighted: Distance=25, Visited=1033, BFS Unweighted: Distance=18, Visited=1237, A* Constant Unweighted: Distance=18, Visited=1272, A* Manhattan Unweighted: Distance=18, Visited=865 Context: The table demonstrates the efficiency of different search algorithms. It highlights that A* search, especially with the Manhattan heuristic, generally finds shorter paths and examines fewer cells compared to BFS or A* with a constant heuristic, particularly in weighted scenarios. This illustrates the benefit of using more intelligent heuristics in search problems.