Sarana Analisis atau Means End Analysis

Sarana-Ends Analysis (MEA) adalah teknik yang digunakan dalam Artificial Intelligence untuk mengontrol pencarian dalam memecahkan masalah program komputer.

Ini juga merupakan teknik yang digunakan setidaknya sejak tahun 1950-an sebagai alat kreativitas, yang paling sering disebutkan dalam buku-buku teknik pada metode desain. Sarana-Ends Analysis juga merupakan cara untuk menjernihkan pikiran seseorang ketika memulai sebuah bukti matematis .

Sebuah aspek penting dari perilaku cerdas seperti dipelajari dalam AI adalah tujuan berbasis pemecahan masalah, sebuah kerangka di mana solusi dari masalah dapat dijelaskan dengan menemukan urutan tindakan yang mengarah ke tujuan yang diinginkan. Sebuah sistem pencari tujuan seharusnya terhubung ke lingkungan luar dengan saluran sensorik melalui yang menerima informasi tentang lingkungan dan saluran motor melalui yang bekerja pada lingkungan. (Istilah "aferen" digunakan untuk menggambarkan "ke dalam" arus sensorik, dan "eferen" digunakan untuk menggambarkan "keluar" perintah motorik.) Selain itu, sistem memiliki beberapa cara untuk menyimpan dalam memori informasi tentang keadaan lingkungan (informasi aferen) dan informasi tentang tindakan (informasi eferen). Kemampuan untuk mencapai tujuan tergantung pada membangun asosiasi, sederhana atau kompleks, antara perubahan tertentu di negara-negara dan tindakan tertentu yang akan membawa perubahan-perubahan tentang. Pencarian adalah proses penemuan dan perakitan urutan tindakan yang akan memimpin dari negara yang diberikan kepada keadaan yang diinginkan. Meskipun strategi ini mungkin cocok untuk belajar mesin dan pemecahan masalah, hal ini tidak selalu disarankan untuk manusia (misalnya beban kognitif teori dan implikasinya).

Teknik MEA adalah strategi untuk mengontrol pencarian dalam memecahkan masalah. Mengingat keadaan saat ini dan negara tujuan, suatu tindakan yang dipilih akan mengurangi perbedaan antara keduanya. Tindakan ini dilakukan pada keadaan saat ini untuk menghasilkan negara baru, dan proses ini secara rekursif diterapkan untuk negara baru dan negara tujuan.

Perhatikan bahwa, agar MEA menjadi efektif, tujuan-sistem mencari harus memiliki sarana bergaul untuk setiap jenis perbedaan terdeteksi tindakan-tindakan yang relevan untuk mengurangi perbedaan itu. Hal ini juga harus memiliki cara untuk mendeteksi kemajuan itu adalah keputusan (perubahan perbedaan antara aktual dan negara yang diinginkan), karena beberapa urutan mencoba tindakan mungkin gagal dan, karenanya, beberapa urutan alternatif mungkin dicoba.

Ketika pengetahuan tersedia mengenai pentingnya perbedaan, perbedaan yang paling penting adalah dipilih pertama untuk lebih meningkatkan kinerja rata-rata MEA atas lain brute force strategi pencarian. Namun, bahkan tanpa pemesanan perbedaan menurut kepentingan, meningkatkan MEA atas heuristik pencari lainnya (lagi dalam kasus rata-rata) dengan fokus pemecahan masalah tentang perbedaan yang sebenarnya antara negara saat ini dan bahwa tujuan.

Teknik MEA sebagai strategi pemecahan masalah pertama kali diperkenalkan pada 1963 oleh Allen Newell dan Herbert Simon di komputer mereka memecahkan masalah Program Umum Problem Solver (GPS). Dalam implementasi itu, korespondensi antara perbedaan dan tindakan , juga disebut operator, disediakan apriori sebagai pengetahuan dalam sistem. (Dalam GPS pengetahuan ini adalah dalam bentuk tabel koneksi.)

Ketika aksi dan efek samping menerapkan operator yang ditembus, pencarian dapat memilih operator yang relevan dengan inspeksi dari operator dan melakukan tanpa tabel koneksi. Kasus yang terakhir, yang contoh kanonik adalah strip , sebuah perencanaan otomatis program komputer, memungkinkan tugas-independen korelasi perbedaan dengan operator yang mengurangi mereka.

Prodigy, masalah pemecah dikembangkan dalam sebuah proyek perencanaan yang lebih besar belajar-dibantu otomatis dimulai di Carnegie Mellon University oleh Jaime Carbonell, Steven Minton dan Craig Knoblock, adalah sistem lain yang digunakan MEA.

Profesor Morten Lind, di Technical University of Denmark telah mengembangkan alat yang disebut aliran MFM pemodelan bertingkat. Ini berarti melakukan penalaran diagnostik-end berbasis kontrol industri dan sistem otomatisasi.