Enunciado EP1

MAC0425/5739 - Inteligência Artificial
Exercı́cio-Programa 1 - Agente de Busca para o Pac-Man
Prazo limite de entrega no e-Disciplinas: 20/05/2022 às 23:55
1 Introdução
Neste exercı́cio-programa estudaremos a abordagem de contrução de agentes inteligentes capazes de
resolver problemas através de uma busca no espaço de estados do jogo Pac-Man. Utilizaremos parte
do material/código livremente disponı́vel do curso UC Berkeley CS188 1 .
Os objetivos deste exercı́cio-programa são:
(i) compreender a abordagem de resolução de problemas baseada em busca no espaço de estados,

através da construção de um jogador autônomo de Pac-Man;
(ii) implementar algoritmos de busca informada e não-informada, bem como um algoritmo de busca
online, e comparar seus desempenhos.
Figura 1: Cenário 1 - Ponto fixo de comida
Figura 2: Cenário 2 - Cantos do labirinto
O jogo Pac-Man é um jogo eletrônico em que um jogador, representado por um boca que se abre e fecha,
deve se mover em um labirinto repleto de comida e fantasmas que o perseguem. O objetivo é comer o
máximo possı́vel de comida sem ser alcançado pelos fantasmas, em ritmo progressivo de dificuldade.
Existem muitas variações do jogo Pac-Man, para esse exercı́cio-programa consideraremos alguns
1
http://ai.berkeley.edu/project_overview.html
1
cenários nos quais utilizaremos algoritmos de busca para guiar o Pac-Man no labirinto a
fim de atingir determinadas posições e coletar comida eficientemente.
1.1 Instalação
Para a realização deste EP será necessário ter instalado em sua máquina a versão 2.7 do Python 2 . Faça
o download dos arquivo ep1.zip disponı́vel na página da disciplina no e-Disciplinas. Descompacte o
arquivo ep1.zip e rode na raiz do diretório o seguinte comando para testar a instalação:
$ cd search/
$ python pacman.py
Após executar esta linha de comando uma nova janela deve ter sido aberta em seu desktop com o
simulador sendo executado e o agente do Pac-Man parado (pois chamamos a linha de comando sem
nenhum algoritmo especificado). Em exemplo da execução pode ser visto abaixo:
Figura 3: Exemplo de execução do simulador
2
https://www.python.org/downloads/
2
2 Pac-Man como problema de busca
Nesse exercı́cio-programa você resolverá diversos problemas de busca. Independente da busca, a
interface que implementa a formulação do problema é definida pela classe abstrata e seu conjunto de
métodos abaixo (disponı́vel no arquivo search.py na pasta search/):
# arquivo search.py
class SearchProblem:
def getStartState(self):
""" Returns the start state for the search problem. """
# ...
def isGoalState(self, state):

""" Returns True if and only if the state is a valid goal state. """
# ...
def getSuccessors(self, state):

""" For a given state, this should return a list of triples
(successor, action, stepCost), where 'successor' is a successor to
the current state, 'action' is the action required to get there, and
'stepCost' is the incremental cost of expanding to that successor. """
# ...
def getCostOfActions(self, actions):

""" This method returns the total cost of a particular sequence
of actions. The sequence must be composed of legal moves. """
# ...
Note que embora a formulação de busca seja sempre a mesma para cada cenário de busca, a repre-
sentação de estados varia de problema a problema. Por exemplo, veja a classe PositionSearchProblem
no arquivo searchAgents.py e entenda a representação de estados utilizada para esse problema. Isso
será importante pois você terá que implementar outra representação de estados para outro cenário de
busca em um dos exercı́cios.
3
3 Implementação
Arquivos que você precisará editar:
• search/search.py onde os algoritmos de busca serão implementados;
• search/searchAgents.py onde os agentes baseados em busca serão implementados, isto é, onde
formulamos os problemas que resolveremos nesse EP.
Arquivos que você precisará ler e entender (em qualquer pasta):
• pacman.py arquivo principal para executar o jogo. Descreve a representação de estado ac-
cessı́vel para acesso de informações dos agentes de busca.
• util.py estruturas de dados para auxiliar a codificação dos algoritmos de busca.
Observação: Utilize as estruturas de dados Stack, Queue, PriorityQueue e PriorityQueueWithFunction

disponı́veis no arquivo util.py para implementação da fronteira de busca. Essas implementações são
necessárias para manter a compatibilidade com o aquivo de testes (autograder.py). Listas, tu-
plas, tuplas nomeadas, conjuntos e dicionários do Python podem ser utilizados sem problemas caso
necessário.
4 Parte prática
Neste EP, você deverá resolver diferentes problemas de busca para dois ambientes diferentes do jogo
Pac-Man, que chamaremos de Cenário 1 e Cenário 2. No Cenário 1 o Pac-Man deve procurar a comida
que está localizada em uma única posição do labirinto. No Cenário 2, o Pac-Man deve procurar a
comida que está distribuida nos quatro cantos do labirinto. Você deverá implementar os seguintes
algoritmos de busca: Busca em Largura, Busca em profundidade, Busca de Custo Uniforme, Busca
Heurı́stica e um algoritmo de Busca Online chamado de LRTA∗ . Para isso, você deverá implementar
algumas funções nos arquivos search.py e searchAgents.py (sinalizadas pelo comentário ”*** ADD
YOUR CODE HERE ***”, contendo um exemplo de código que deverá ser eliminado, chamado de o
código util.raiseNotDefined().
Observação: Não esqueça de remover o código util.raiseNotDefined() ao final de cada função.
4.1 Cenário 1 - Encontrando a comida numa única localização do labirinto

Para o Cenário 1 a formulação do agente de busta já está disponı́vel no arquivo searchAgents.py
na classe PositionSearchProblem, isto é, a definição da tupla ⟨s0, S, A, T, g, M ⟩ define o agente para
esse ambiente.
Código 1 - Busca em Profundidade (DFS)
Implemente a busca em profundidade (DFS) no arquivo search.py na função depthFirstSearch. Para

que a busca seja completa, implemente busca em grafo, que evita a expansão de estados previamente
visitados. Para testar seu algoritmo rode os comandos:
$ python pacman.py -l tinyMaze -p SearchAgent

$ python pacman.py -l mediumMaze -p SearchAgent
$ python pacman.py -l bigMaze -z .5 -p SearchAgent
4
Observação: note que o tabuleiro do jogo mostra os estados visitados pela busca por cor, isto é,
quanto mais vermelho escuro mais cedo na busca o estado foi visitado (o que serve para ilustrar e
visualizar a árvore de busca). Além disso, para todas essas buscas seu algoritmo DFS deve encontrar
uma solução rapidamente, isto é, se demorar mais que alguns milisegundos algo provavelmente está
errado no seu código!
Código 2 - Busca em Largura (BFS)
Implemente a busca em largura (BFS) no arquivo search.py na função breadthFirstSearch. Nova-

mente, implemente busca em grafo. Para testar seu algoritmo rode os comandos:
$ python pacman.py -l mediumMaze -p SearchAgent -a fn=bfs

$ python pacman.py -l bigMaze -p SearchAgent -a fn=bfs -z .5
Observação: se o Pac-Man se mover muito devagar tente usar a opção --frameTime 0 na linha de
comando.
Código 3 - Busca de Custo Uniforme
Implemente a busca de custo uniforme (UCS) no arquivo search.py na função uniformCostSearch.

Para isso, você precisa adicionar custos variados às ações do agente UCS. No arquivo searchA-
gents.py estão disponı́veis 2 implementações de agentes com custo variado: StayEastSearchAgent e
StayWestSearchAgent. Teste esse algoritmo para os 2 agentes de custo variado. Novamente, imple-
mente o UCS como busca em grafo. Para testar seu algoritmo rode o comando:
$ python pacman.py -l mediumMaze -p SearchAgent -a fn=ucs
Código 4 - Busca heurı́stica (A∗ )
Implemente busca em grafo A∗ no arquivo search.py na função aStarSearch. Para testar seu algoritmo
rode o comando:
$ python pacman.py -l bigMaze -z .5 -p SearchAgent -a fn=astar,heuristic=manhattanHeuristic
Código 4 - Busca heurı́stica com Aprendizado em Tempo Real (LRTA∗ )
Nesse item você deverá implementar o algoritmo LRTA∗ (Learning Real-Time A∗ ) (visto na Aula 6).
Você deverá se basear no algoritmo da Figura 2 na Seção 6.1. do artigo Learning in Real-Time
Search: A Unifying Framework, disponı́vel em http://www.aaai.org/Papers/JAIR/Vol25/
JAIR-2504.pdf. Implemente a busca (LRTA∗ ) no arquivo search.py na função learningRealTimeAStar.
Teste o algoritmo para cada tamanho de layout do Pac-Man com números de trials 10, 20 e 100. Use
lookahead de 1.
Reporte em uma tabela para cada configuração (layout, número de trials) os seguintes resultados:
5
1. custo total do caminho
2. número de nós expandidos; e
3. estimativa final do custo do estado inicial no último trial.
Para testar seu algoritmo rode o comando:
$ python pacman.py -l smallMaze -p SearchAgent -a fn=lrta,heuristic=manhattanHeuristic

$ python pacman.py -l mediumMaze -p SearchAgent -a fn=lrta,heuristic=manhattanHeuristic
$ python pacman.py -l bigMaze -z .5 -p SearchAgent -a fn=lrta,heuristic=manhattanHeuristic
Observação: Você pode passar a opção -q (ou --quietTextGraphics) para não iniciar a simulação
gráfica do algoritmo.
4.2 Cenário 2 - Encontrando os cantos com comida do labirinto

Para este cenário, vamos executar e analisar os algoritmos implementados anteriormente, sem a neces-
sidade de modificá-los. A única modificação que você deverá fazer é definir uma nova função heurı́stica
para o A*, como mencionado a seguir.
Código 5 - Formulação de problema de busca dos 4 cantos
Nesse exercı́cio vamos implementar um novo problema de busca. Você deverá completar a imple-
mentação dos métodos da classe CornersProblem no arquivo searchAgents.py. Você deverá escolher
uma representação de estados que codifique somente a informação necessária para detectar se
todos os 4 cantos do labirinto foram visitados. Para testar a formulação do problema rode o comando:
$ python pacman.py -l tinyCorners -p SearchAgent -a fn=bfs,prob=CornersProblem

$ python pacman.py -l mediumCorners -p SearchAgent -a fn=bfs,prob=CornersProblem
Observação: Não utilize um objeto GameState como estado de busca! Se utilizar, seu código prova-
velmente ficará errado e muito lento.
Código 6 - Heurı́stica para o problema dos 4 cantos
Além da nova formulação de problema, você deverá implementar uma heurı́stica não trivial e consis-
tente na função cornersHeuristic. Para testar sua heurı́stica rode o comando:
$ python pacman.py -l mediumCorners -p AStarCornersAgent -z 0.5
Nesse exercı́cio consideramos heurı́sticas triviais aquelas que devolvem 0 (zero). A heurı́stica trivial
não ajuda muito do ponto de vista da eficiência do algoritmo. Você pode usar a heurı́stica trivial para
compará-la com a sua proposta de heurı́stica não-trivial.
O algoritmo LRTA∗ pode ser testado para esse problema rodando o comando:
6
$ python pacman.py -l mediumCorners -p LRTAStarCornersAgent -z 0.5
5 Relatório
Após o desenvolvimento da parte prática, você deverá testar seus algoritmos e redigir um relatório,
claro e sucinto (máximo de 4 páginas), fazendo uma análise comparativa de desempenho dos algoritmos
implementados nos dois ambientes de teste. Assim, você deverá:
(a) compilar em tabelas as estatı́sticas das buscas implementadas em termos de nós expandidos e
tamanho de plano;
(b) discutir as vantagens e desvantagens de cada método, no contexto dos dados obtidos;
(c) responder as questões teóricas;
(d) sugerir possı́veis melhorias ao sistema e relatar dificuldades.
5.1 Questões
Questão 1 - Busca em Profundidade A ordem de exploração do espaço de estados seguiu conforme

esperado? O Pac-Man de fato se move para todos os estados explorados em sua deliberação para
encontrar uma solução para a meta?
Questão 2 - Busca em Largura A sua implementação de busca em largura encontra uma solução
de custo mı́nimo? Por quê?
Questão 3 - Busca de Custo Uniforme Execute os comandos abaixo e explique sucintamente

o comportamento os agentes StayEastSearchAgent e StayWestSearchAgent em termos da função
custo utilizada por cada agente.
$ python pacman.py -l mediumDottedMaze -p StayEastSearchAgent

$ python pacman.py -l mediumDottedMaze -p StayWestSearchAgent
Questão 4 - Busca Heurı́stica Você deve ter percebido que o algoritmo A* encontra uma solução
mais rapidamente que outras buscas. Por quê? Qual a razão para se implementar uma heurı́stica
consistente para sua implementação da busca A*?
Questão 5 - Busca Heurı́stica LRTA∗ Compare os resultados obtidos para os testes do LRTA∗ .
Quais caracterı́sticas diferenciam esse algoritmo dos demais algoritmos implementados? O que você
pode dizer sobre o valor estimado do estado inicial a medida que o número de trials aumenta? Com
base somente nos resultados obtidos como você pode verificar se o o algoritmo convergiu?
6 Entrega
Você deve entregar um arquivo EP1-NUSP-NOME-COMPLETO.zip contendo APENAS os arquivos:
7
(1) search.py e searchAgents.py com as implementações da parte prática;
(2) relatório em formato PDF com as questões e comparação e discussão dos resultados (máximo de
4 páginas).
Não esqueça de identificar cada arquivo com seu nome e número USP! No código coloque
um cabeçalho em forma de comentário.
7 Critério de avaliação
O critério de avaliação dependerá parcialmente dos resultados dos testes automatizados do autogra-
der.py. Dessa forma você terá como avaliar por si só parte da nota que receberá para a parte prática.
Note que para o algoritmo LRTA∗ não há testes automatizados no autograder. Avaliaremos
esse algoritmo separadamente. Para rodar os testes automatizados, execute o seguinte comando:
$ python autograder.py
Com relação ao relatório, avaliaremos principalmente sua forma de interpretar comparativamente os

desempenhos de cada busca. Não é necessário detalhar a estratégia de cada busca ou qual estrutura de
dados você utilizou para cada busca, mas deve ficar claro que você compreendeu os resultados obtidos
conforme esperado dado as caracterı́sticas teóricas de cada busca.
Parte prática (30 pontos)
• Cenário 1: autograder (12 pontos)
• Cenário 2: autograder (6 pontos)
• Código 4∗ (LRTA∗ ) (12 pontos)
Relatório (30 pontos)
• Questões: (10 pontos)
• Comparação e Discussão: (20 pontos)

Enunciado EP1

Enviado por

Direitos autorais:

Formatos disponíveis

Enunciado EP1

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Enunciado EP1

Enviado por

Direitos autorais:

Formatos disponíveis

MAC0425/5739 - Inteligência Artificial

Exercı́cio-Programa 1 - Agente de Busca para o Pac-Man

Prazo limite de entrega no e-Disciplinas: 20/05/2022 às 23:55

Os objetivos deste exercı́cio-programa são:

(i) compreender a abordagem de resolução de problemas baseada em busca no espaço de estados,

Figura 1: Cenário 1 - Ponto fixo de comida

Figura 2: Cenário 2 - Cantos do labirinto

Figura 3: Exemplo de execução do simulador

def isGoalState(self, state):

def getSuccessors(self, state):

def getCostOfActions(self, actions):

• search/search.py onde os algoritmos de busca serão implementados;

Arquivos que você precisará ler e entender (em qualquer pasta):

• util.py estruturas de dados para auxiliar a codificação dos algoritmos de busca.

Observação: Utilize as estruturas de dados Stack, Queue, PriorityQueue e PriorityQueueWithFunction

Observação: Não esqueça de remover o código util.raiseNotDefined() ao final de cada função.

4.1 Cenário 1 - Encontrando a comida numa única localização do labirinto

Código 1 - Busca em Profundidade (DFS)

Implemente a busca em profundidade (DFS) no arquivo search.py na função depthFirstSearch. Para

$ python pacman.py -l tinyMaze -p SearchAgent

Código 2 - Busca em Largura (BFS)

Implemente a busca em largura (BFS) no arquivo search.py na função breadthFirstSearch. Nova-

$ python pacman.py -l mediumMaze -p SearchAgent -a fn=bfs

Código 3 - Busca de Custo Uniforme

Implemente a busca de custo uniforme (UCS) no arquivo search.py na função uniformCostSearch.

$ python pacman.py -l mediumMaze -p SearchAgent -a fn=ucs

Código 4 - Busca heurı́stica (A∗ )

$ python pacman.py -l bigMaze -z .5 -p SearchAgent -a fn=astar,heuristic=manhattanHeuristic

Código 4 - Busca heurı́stica com Aprendizado em Tempo Real (LRTA∗ )

2. número de nós expandidos; e

3. estimativa final do custo do estado inicial no último trial.

Para testar seu algoritmo rode o comando:

$ python pacman.py -l smallMaze -p SearchAgent -a fn=lrta,heuristic=manhattanHeuristic

4.2 Cenário 2 - Encontrando os cantos com comida do labirinto

Código 5 - Formulação de problema de busca dos 4 cantos

$ python pacman.py -l tinyCorners -p SearchAgent -a fn=bfs,prob=CornersProblem

Código 6 - Heurı́stica para o problema dos 4 cantos

$ python pacman.py -l mediumCorners -p AStarCornersAgent -z 0.5

(c) responder as questões teóricas;

(d) sugerir possı́veis melhorias ao sistema e relatar dificuldades.

Questão 1 - Busca em Profundidade A ordem de exploração do espaço de estados seguiu conforme

Questão 3 - Busca de Custo Uniforme Execute os comandos abaixo e explique sucintamente

$ python pacman.py -l mediumDottedMaze -p StayEastSearchAgent

Com relação ao relatório, avaliaremos principalmente sua forma de interpretar comparativamente os

Parte prática (30 pontos)

• Cenário 1: autograder (12 pontos)

• Cenário 2: autograder (6 pontos)

• Código 4∗ (LRTA∗ ) (12 pontos)

Relatório (30 pontos)

• Questões: (10 pontos)

• Comparação e Discussão: (20 pontos)

Você também pode gostar