  Reading 

  AIMA3e 4.1 (skim 4.2) 

  Assignments 
  Asst 0 issues 
  Asst 1 due Friday (on informed/uninformed search) 

  Sections 
  Mandatory Sections this month…. 

  Email list 
Prof. Radhika Nagpal    If you are not registered for the class yet, please come and talk 
to me before end of class. 
School of Engineering and Applied Sciences 
Harvard University 

  Problem: Place 8 queens on 8x8 chess board,    Problem: Place n queens on nxn chess board, 
such that no two queens attack each other.  such that no two queens attack each other. 
  State space is exponential in “n”   
▪  even if you are smart… 
  How big is the search space?    E.g. 1052 for 100 queens 
  Naïve state space = (64 choose 8) = 4, 426,165,368 
  One per row = 8^8= 16,777,216 
  Just permutations = 8!    Systematic Search 
  Can get even smarter & prune ~ 15K!    Systematically go through the state space and 
remember the paths we took 
  Actual solutions? (priceless!) = 92 (12 “unique”) 
  What does the “search tree” look like? 
  What method would you use? 
(We will look at this much more closely next week……) 
Queen attacks in  States: any arrangement of 0 to 8 
row, column, diagonals  queens on board with none attacked 
  Can we do better? 
Successor: place a queen in the right‐
most empty column  
s.t. it is not attacked by any other queen 

1
  New Search Strategy    In many problems, its not the path to the solution that 
  State: All n‐queens on board  matters, but the solution itself… 
  Successor: Any board that can be    n‐queens 
generated by moving one queen               Airline crew scheduling 
in a column 
  Evaluation: minimize conflicts 
  Travelling Salesman 
  Don’t bother remembering the past    Protein folding 

  Performance 
  Metric: number of checks required to  States: all 8 queens on the board 
solve all n‐queens from 2 to 50 
  Systematic search (DFS‐like) > 40,000K  Successor: move each queen within 
its column to generate a state  
  With good heuristics                 > 13,000K  (8x7 possibilities).   
  Today’s technique                 4K!!!!! 
Good state: fewer conflicts 

  In many problems, its not the path to the solution that 
matters, but the solution itself… 

  Local Search 
  In that case we can  
    use a different search strategy 
▪  Keep only the current state 
▪  Check successors for a “better” state  

  Advantages: very little memory (no search tree!) and works in 
large or infinite spaces, where systematic search fails 
  Disadvantages: usually lose guaranteed complete/optimality 
▪  Useful for Optimization (maximize an objective function) 

2
   Local search uses complete‐state formulations 
  Many problems can be formulated in two ways    Hill Climbing and its variants 
  Simulated Annealing 
  Complete‐state Problem Formulation 
  The current state represents a full solution 
  Cooperative Search 
  Partial‐state Problem Formulation    Local Beam Search 
  The current state represents part of the solution    Genetic Algorithms 

  Nqueens    Mapquest/Routing     (briefly) Optimization in Continuous Spaces 

  Imagine that we are trying to find the highest peak on    Hill climbing can easily get permanently stuck 
a mountain range (global maxima)    Local maxima, plateaus.  
  Avoid by adding randomness 
  Strategy 
  Given current state, evaluate next states    Stochastic Hill Climbing 
  Pick the best one (highest value)    Pick the successor with a probability related to the steepness 
(goodness) 
  Objective (evaluation) function 
  E.g. n‐queens    Random‐restarts 
  Don’t waste time being stuck, simply retry from new initial 
  Analysis:   condition. (why is this a good idea?) 
  Complete? Optimal? Complexity? 
  How does this compare to random walk?    Tabu Search 
  Remember last “k” answers and avoid revisiting… 

3
  Complete State Formulation:    Concept: Consider a ball stuck in a crevice (local minima), 
suppose we could shake it a bit to dislodge it…. 
  Current state: board with 8 queens 
  Successor function: all boards that result from moving a single    Inspiration: In metallurgy, strengthen metal by first heating 
queen within its column (8x7 = 56  successors)  then slowly cooling (high exploration, then lower) 
  Objective: minimize number of conflicts (goal=zero) 
  Strategy 
Given current state, pick a random successor 
  How well does it perform?   
  If it is better, then take it 
  Hill climbing    If not, accept with probability p  
▪  14% success, 86% stuck    p depends on “badness” of move and T  
▪  But quick to succeed or get stuck (4 iterations, 3 iterations)    T (temperature) represents “exploration”,     
  Random‐restart   high initially, then lower slowly. 
▪  If “trial” event has probability p, expected number of trials =1/p 
  Analysis:   (minimization)
     Expect: 7 trials x 4 steps each = 28 steps. 
  Complete? Optimal? Efficiency? 
  For a million queens, random restart finds solution in < minute!     How does this compare to random‐restart? 

  Hill climbing and Simulated Annealing assume a 
  Strategy:  
single point moving through space    Start with k randomly chosen states 
  Random‐restart has many points in the landscape    Evaluate all successors of all k states 
(exploits diversification)    Choose the best “k” from the set 
  Can combine with any previous method! 

  Stochastic Version 
  To avoid overconcentration,  
stochastically choose  
  E.g. roulette wheel: each successor has a 
section proportional to value, spin k 
times. 

  What if these points could “share” knowledge? 

4
  A variant of local beam search, that uses a special    In Genetic Algorithms 
State (solution) is represented by a “genetic code” 
mechanism for generating successors   
  E.g. nqueens: code is position of queens 
  Mutation changes a solution  
  Strategy    Crossover combines solutions!  
▪  k states (“population” of k individuals) 
▪  Each individual can generate successors by “mutation”  8‐Queens 
▪  But successors can also be generated by combining two 
individuals (“cross‐over”) 
▪  Idea: Cross‐over enables combining two partial solutions, can 
move very far within the landscape (but not blindly) 

  Inspiration: Evolution by sexual reproduction 
  What’s important for making this idea work? 

  Goal: Encode an image using 50 semi‐transparent 
polygons (nice compression!) 

  What is the best you can do to capture the MonaLisa? 

http://rogeralsing.com/2008/12/07/genetic-programming-evolution-of-mona-lisa/

5
   Pollack’s Group, (Brandeis) 
  Popular, but still poorly understood/controversial    EvoCAD: evolve lego structures that 
satify various conditions (bridges, 
  Good representation is critical and difficult to characterize (not a unique problem,  counter balanced cranes) 
true for all search problems, but worse for GA). 
▪  Schemas => when crossover is useful    Hod Lipson (Cornell) 
  Golem project: evolve simple electro‐
  GAs have been applied to a wide and surprising range of problems  mechanical systems that can move 
▪  Challenges our understanding (and peaks our interest) more so than traditional problems.  (Nature 2000) 
  Related Algorithms    HUMIES awards 
  Evolutionary algorithms, genetic programming, particle swarm optimization, etc…. 
  Human‐competitive results produced by 
  Bio‐inspiration: is the goal to mimic or exceed nature?  genetic/evo algorithms (e.g. NASA 
antenna design, 2006) 

  Interesting feature     Although exciting, sill remains a 
  Ability to represent and search over complex problems  difficult tool to use systematically 
▪  Evolutionary robotics, genetic programming    Represention 
  Costly “fitness” evaluation 

  Example Problem: Place three airports in Massachusetts such that    Problem Type: Optimization Problems! 
we minimize the total sum of distances of cities to nearest airports 
  State: (x1,y1,x2,y2,x3,y3)    Objective function subject to Constraints 
  Objective function to be minimized: sum of squared distances from each  ▪  Recall, the Allocation  Problem  
city to its closest airport.  ▪  Agents+Items+Prefer maximize Happiness 

  Solutions    Solution, not path, is what matters  
  Discretize space (and use methods we already covered)    Large/infinite complex state spaces 
  Compute Gradients (differentiate the objective function) 
  Sometimes there are analytical solutions! 
  “Better” is better than “best”  

  Constrained Optimization    Local search techniques come up routinely 
  Linear programming 
  Convex Optimization    VLSI design, factory‐floor layout, hubble telescope 
scheduling, airline crew and gate assignment, parameters 
for dynamical models in robotics, etc. 
[board lecture; skim AIMA 4.2] 

6
  Local Search:  
Sometimes the path to the solution doesn’t matter 
  Complete vs Partial Formulation 
  Techniques: hill Climbing, simulated annealing 
  Cooperative Search: local beam, genetic algorithms 
  Gain: little memory and ability to operate in large landscapes 
  Lose: optimality/completeness (“black magic”) 

  Two overarching concepts: 
  Intensification 
▪  increase search effort in promising areas of the search space (e.g. choose 
optimally in the neighborhood, cooperativity, etc.) 
  Diversification 
▪  facilitate movement between very different areas of the search space (e.g. 
high temperature, random restarts, cross‐over…) 
Optimization: Exploration vs Exploitation (occurs often in Nature!)