Inteligencia Artificial

UTI Inteligencia Artificial

Inteligencia Artificial (IA)

Son técinicas para que las máquinas tengan comportamiento inteligente. Se denomina inteligencia artificial (IA) a la rama de las Ciencias de la Computación dedicada al desarrollo de agentes racionales no vivos. http://es.wikipedia.org/wiki/Inteligencia_artificial

Generación de Computadores. http://www.monografias.com/trabajos12/inteartf/inteartf.shtml IA Sist. Expertos Robótica 1955-1956 1965-1972 6ta. Generación 1999-Fecha Actual

Breve historia

• 1943 McCulloch & Pitts: Circuitos booleanos como modelos del cerebro• 1950 Turing “Computing Machinery and Intelligence”• 1956 Conferencia de Dartmouth• 1950s Primeros programas en IA• 1965 Algoritmo para razonamiento lógico de Robinson• 1966-73 IA descubre la complejidad computacional. La investigación en redes

neuronales casi desaparece• 1969-79 Primeros desarrollos en sistemas basados en el conocimiento• 1980- IA Se convierte en una industria• 1986- Las redes neuronales retoman son popularidad• 1987- IA se convierte en una ciencia• 1995- Aparecen los agentes inteligentes

8vo Semipresencial Pág. 1

I.A.

Robótica (Apoyo a procesos Numéricos y Repetitivos)Simulación Sensorial (Oído, Vista, tacto, Olfato, etc)

Sistemas Expertos (Apoyo Decisiones)Lenguas Naturales (Comunicación Corporal)



Técnica

Tres en calle

Preguntas y respuestas

El Nivel del Modelo

Criterios de Determinación del Exito

DENDRAL

Pruebas psicológicas

Simular cerebro

Hipótesis

Hipótesis del sistema físico de solución

Símbolos para actuar de forma inteligente

Construir Programas

Es una máquina que produce a travez del tiempo una colección evolutiva de estructuras de símbolos

ImportanteHipótesis Subyacentes

La IA necesita conocimiento

El conocimiento necesita algunas propiedades

-Voluminoso-Es difícil caracterizar con exactitud -Cambia constantemente-Se distingue de otros datos

Punto de Vista de la Inteligencia artificial

- Que es el conocimiento?- Como se puede representar el conocimiento?- Como se podría manipular este conocimiento?

Inteligencia artificial




AGENTE

Un Agente es un sistema de ordenador, situado en algún entorno, que es capaz de realizar acciones de forma autónoma y que es flexible para lograr los objetivos planteados.Los agentes permiten dar una nueva forma de mostrar la Inteligencia Artificial

– Situación: el agente recibe entradas sensoriales de un entorno en donde está situado y realiza acciones que cambian dicho entorno

– Autonomía: el sistema es capaz de actuar sin la intervención directa de los humanos y tiene control sobre sus propias acciones y estado interno

EL CONOCIMIENTO

Obtenido de http://es.wikipedia.org/wiki/Conocimiento El conocimiento es, por una parte, el estado de quien conoce o sabe algo, y por otro lado, los contenidos sabidos o conocidos que forman parte del patrimonio cultural del Homo sapiens. Saber que se consigue mediante la experiencia personal, la observación o el estudio.[1]

Por extensión, suele llamarse también "conocimiento" a todo lo que un individuo o una sociedad dados considera sabido o conocido. En este sentido, se diría por ejemplo que la existencia de brujas y duendes era consabida en la Edad Media, incluso si, desde el punto de vista actual, estas creencias son infundadas y no constituyen propiamente conocimientos.

Visión científico/técnica

En ciencias, es común asumir la existencia de un continuo progresivamente complejo, integrado por los datos, la información, el conocimiento y la sabiduría. Así, se define al conocimiento como el conjunto organizado de datos e información que permiten resolver un determinado problema o tomar una decisión (conocimiento "accionable").



¿Que es el conocimiento?

Puede ser definido como el conjunto de hechos y principios acumulados por la humanidad, o el acto, hecho o estado de conocer. Es la familiaridad con el lenguaje, conceptos, procedimientos, reglas, ideas, abstracciones, lugares, costumbres y asociaciones, unida a la habilidad de utilizar estas nociones en forma efectiva para modelar diferentes aspectos del universo que nos rodea.

Los conceptos de conocimiento e inteligencia están íntimamente ligados. La inteligencia requiere de la posesión y acceso al conocimiento. Conocimiento no debe ser confundido con datos o información. El conocimiento incluye y requiere del uso de datos e información. Además, combina relaciones, dependencias, y la noción del saber con datos e información.

A veces es también útil o más aun necesario distinguir entre conocimiento y otros términos como creencia e hipótesis.

Esencialmente, se define como creencia a toda expresión que tiene significado, que es coherente y puede ser representada. En consecuencia una creencia puede ser verdadera o falsa. Hipótesis se define como una creencia justificada que no se conoce sea verdadera. Una hipótesis es una creencia que está respaldada por cierta evidencia, pero todavía puede resultar falsa. Finalmente, se puede también decir que conocimiento es una creencia justificada como verdadera.

¿Cómo se puede representar el conocimiento?

La representación del conocimiento se utiliza para la clasificación en bibliotecas y para procesar conceptos en un sistema de información. En el área de la inteligencia artificial, la resolución de problemas puede ser simplificada con la elección apropiada de representación del conocimiento.

Si bien representar el conocimiento de una manera hace la solución más simple, elegir una representación inadecueda puede hacer que la solución sea difícil. Una analogía es hacer cálculos con números arábigos o con números romanos. Dentro de las técnicas de representación del conocimiento tenemos: reglas, marcos, redes semánticas, entre otras. Asimismo, no se conoce una representación que pueda servir para cualquier propósito.

Debido a la variedad de formas que el conocimiento puede asumir, los problemas involucrados en el desarrollo de una representación del conocimiento son complejos, interrelacionados y


http://es.wikipedia.org/wiki/N%C3%BAmero_romano

http://es.wikipedia.org/wiki/N%C3%BAmero

http://es.wikipedia.org/wiki/Inteligencia_artificial


dependientes del objetivo. En términos generales, se debe tratar que el conocimiento esté representado de tal forma que:

Capture generalizaciones. Pueda ser comprendido por todas las personas que vayan a proporcionarlo y procesarlo. Pueda ser fácilmente modificado. Pueda ser utilizado en diversas situaciones aún cuando no sea totalmente exacto o

completo. Pueda ser utilizado para reducir el rango de posibilidades que usualmente debería

considerarse para buscar soluciones.

¿Cómo se podría manipular el conocimiento?

Existen tres paradigmas que los investigadores han utilizado tradicionalmente para la resolución de problemas de IA:

Programación Heurística.- Está basado en el modelo de comportamiento humano y su estilo para resolver problemas complejos. Existen diversos tipos de programas que incluyen algoritmos heurísticos. Varios de ellos son capaces de aprender de su experiencia.

Redes Neuronales Artificiales.- Es una representación abstraída del modelo neuronal del cerebro humano. Las redes están formadas por un gran número de elementos simples y por sus interconexiones. Una red neuronal artificial puede ser simulada o ser real. Al elemento procesador de la red, se lo denomina neurona artificial.

Evolución Artificial.- Su modelo está basado en el proceso genético de evolución natural, propuesto por Charles Darwin. Se utilizan sistemas simulados en computador que evolucionan mediante operaciones de reproducción, mutación y cruce (Algoritmos Genéticos).

Cada paradigma comprende una colección de métodos, configuraciones y técnicas desarrolladas para manipular el conocimiento. En general, una técnica de IA está caracterizada por incluir los siguientes componentes:

Procesos de Búsqueda.- Proporciona una forma de resolver problemas para los cuales no hay un método más directo, así como también se constituye en un marco de trabajo dentro del cual cualquier técnica directa puede ser incorporada.

Uso del Conocimiento.- Proporciona una forma de resolver problemas explotando las estructuras de los objetos involucrados.

Abstracción.- Proporciona una forma de separar rasgos importantes y variaciones, de los tantos que no tienen importancia.

La manipulación del conocimiento involucra además la selección de objetos, entidades y rasgos que son claves para las representaciones. Al nivel más bajo de representación del conocimiento, estas entidades pueden consistir de simples datos de entrada, por ejemplo: grabaciones cuantizadas y digitalizadas de audio, datos de una imagen, valores captados por un sensor, información de interruptores o hechos elementales. Estos bloques constructivos de la representación se los denomina comúnmente primitivas. La representación escogida para las



primitivas, puede determinar las capacidades del sistema, el éxito, la corrección y sus posibilidades de expansión.

En lo sucesivo, este tutorial se centrará en el estudio de las aplicaciones de la programación heurística, para el desarrollo de sistemas de IA.

Características del conocimiento

Podemos establecer varias formas de conocimiento (algunas más generales y otras más profundas)

El conocimiento a priori es independiente de cualquier experiencia, verdad universal y necesaria.

El conocimiento a posteriori deriva de la experiencia de los sentidos. Puede rechazarse sin necesidad de una contradicción.

El conocimiento puede ser codificado si se puede almacenar o especificar formalmente de tal manera que no se pierda ninguna información. Por contraposición el conocimiento no codificado es aquél que no puede ser codificado ya que es difícil de expresar o explicitar.

El conocimiento puede ser público si es fácil de compartir, y consiste en un conocimiento creado/difundido por la sociedad. En cambio, si es personal ha sido construido por el propio individuo; es la base del conocimiento público.

Cuando se cruza la cultura con la localidad espacial y lo ecológico, hablamos de conocimiento local, es decir, un conocimiento desarrollado alrededor de una área geográfica definida. En cambio, el conocimiento global es el que se ha formado mediante redes o comunidades, pertenecientes a lugares geográficos dispares.

El conocimiento puede ser orientado si hace referencia a las relaciones causales entre conceptos, y será axiomático cuando se refiera a explicaciones de causas finales o a priori de sucesos.

El conocimiento es explícito si puede ser transmitido de un individuo a otro mediante algún medio de comunicación formal. Si el conocimiento es difícil de comunicar o de formalizar, hablamos de conocimiento tácito o implícito, normalmente arraigado en experiencias personales o modelos mentales.

El conocimiento empírico es aquél que es obtenido de la experiencia. Según Kant, el conocimiento empírico es a posteriori y por tanto, nunca ofrece certeza universalmente válida. Éstos se obtienen por inducción y deducción.

El conocimiento será cultural cuando en una organización se empleen términos, nomenclaturas y procedimientos que hayan sido acordados internamente. Cuando estos elementos tengan una base bibliográfica habemos de conocimiento de diccionario.

Finalmente, considerando una organización, empresa, grupo o sistema, el conocimiento puede existir en un ámbito individual o en un ámbito colectivo.

La teoría del conocimiento o epistemología es aquella que se encarga de estudiar el conocimiento y su formas de adquirirlo. En la Antigua Grecia, estuvo dividido en seis escuelas: jónica, pitagórica, eleática, atomista, ecléptica y sofista.

El saber o conocimiento puede ser teórico o práctico. El conocimiento teórico puede ser científico (todas las "-logías" como Geología) o descriptivo (las "-grafías" como Geografía). El conocimiento científico a su vez se divide en científico en sentido estricto (por las causas inmediatas), filosófico (por las causas segundas) y teológico (por las causas últimas pero con la ayuda de la revelación divina). El conocimiento práctico se divide en arte y técnica, atendiendo a su belleza.



Generación formal del conocimiento

El conocimiento desde el punto de vista formal puede ser generado de diversas formas. Una forma sistemática de generar conocimiento humano tiene las siguientes etapas:

1. Investigación básica (ciencias). Publicación de aportes predominantemente a través de memorias de congresos y de artículos especializados. 2. Investigación aplicada o de análisis (tecnología, humanidades, etc.). Publicación de aportes igual que en ciencias básicas.

Estas 2 primeras etapas pueden interactuar y ciclarse ya que puede existir un artículo con un aporte muy pequeño y luego uno que reúna los aportes de dos o más artículos. La investigación aplicada se basa en el conocimiento de las ciencias básicas pero también en cualquier manifestación de conocimiento. La investigación aplicada puede generar más conocimiento aunque la investigación básica no lo haga, sin embargo, nuevas aportaciones en ciencias básicas conllevan un gran cúmulo de nuevas potencialidades para la generación de conocimiento aplicado.

3. Libros científicos o técnicos. Un libro científico o técnico se hace agrupando, catalogando y resumiendo el conocimiento existente en un determinado tema. Un libro actualizado deberá incluir los últimos aportes que sobre el tema que trate hayan sido generados. 4. Divulgación. Partiendo del conocimiento existente o del flamante son publicados diversos artículos en revistas o libros de divulgación con la intención de que el conocimiento sea explicado a la población en general (no especializada). Es en esta etapa cuando el conocimiento llega a la población de forma masiva. También puede llegar a través de los medios de comunicación electrónicos.

Vías de acceso al conocimiento

El conocimiento sobre el mundo puede provenir de diferentes fuentes:

Intuición: con este método se asume que algo es cierto porque es de pura lógica. Por tanto este conocimiento no suele basarse en la confirmación empírica, es decir, no sigue un camino racional para su construcción y formulación, y por lo tanto no puede explicarse o, incluso, verbalizarse. Esta falta de referencia empírica puede llevar en ocasiones a conclusiones erróneas. Un ejemplo de este conocimiento puede ser el de muchos profesionales de la comunicación cuando se aventuran por instinto a crear un nuevo programa televisivo que puede ser un éxito.

Experiencia: Se conoce que algo es cierto por haberlo vivido empíricamente, dando testimonio fehaciente de él.

Tradición: Se mantiene algo cierto porque siempre ha sido así y todo el mundo lo sabe. Es tradición todo aquello que una generación hereda de las anteriores y, por estimarlo valioso, lega a las siguientes. Aquí entra en juego el conocimiento cultural y el aprendizaje de normas sociales que no suelen cuestionarse. Por ejemplo, el hecho de guardar silencio en un funeral o en una sala de cine.

Autoridad: se establece la verdad de un conocimiento tomando como referencia la fuente del mismo y no la comprobación empírica. La influencia de la autoridad se relaciona con el status que posee. Por ejemplo, al querer obtener información política acudimos a un medio u otro según la veracidad que pueda inspirarnos y su influencia en la sociedad.

Ciencia: el concepto de ciencia deriva del latín "scire" que significa saber, conocer, una forma de saber resultante de la acumulación de conocimientos. La ciencia es el conjunto de conocimientos racionales, ciertos o probables, que obtenidos de una forma metódica verificados y contrastados con la realidad, se refieren a objetos o conceptos de una misma naturaleza. Acceder al conocimiento a través de la ciencia es la forma más provechosa y confiable, pues pretende la búsqueda de la verdad, la racionalidad y la neutralidad.



DENDRAL Obtenido de "http://es.wikipedia.org/wiki/Dendral" Dendral (Interpreta la estructura molecular)es el nombre de un sistema experto desarrollado por Edward Feigenbaum y otros programadores en la Universidad de Stanford, a mediados de los años 60, y su desarrollo duró diez años, (1965 a 1975)

Fue el primer sistema experto en ser utilizado para propósitos reales, al margen de la investigación computacional, y durante aproximadamente 10 años, el sistema tuvo cierto éxito entre químicos y biólogos, ya que facilitaba enormemente la inferencia de estructuras moleculares, dominio en el que Dendral estaba especializado.

http://e-ducation.net/scientists/PIC2006317951453372.JPG

Inicialmente escrito en Lisp(lenguajes de programación de computadora de tipo funcional), su filosofía de trabajo se aleja de las estructuras clásicas de los sistemas expertos más típicos (como Mycin o XCon), ya que su implementación no separaba de forma explícita el conocimiento del motor de inferencia. Sin embargo, pronto se convirtió en uno de los modelos a seguir por muchos de los programadores de sistemas expertos de la época.

Algunas aplicaciones.

Un agente, tal como se ha definido anteriormente, puede ser usado de múltiples maneras en el entorno empresarial actual, por ejemplo:

Newstracker. Este programa recupera datos específicos.



Cuando el usuario indica el tipo de información que le interesa, Newstracker comprende el mensaje y, después de revisar durante horas miles de artículos en periódicos, agencias de noticias o revistas conectadas a Internet, cada mañana "edita" un periódico personalizado.

Si la selección de noticias no satisface por completo al lector, Newstracker toma nota, rectifica y es capaz de aprender de sus errores. Una vez que haya estudiado durante cierto tiempo los hábitos de lectura del usuario, le proporciona información a su medida.

Los expertos definen a este sofisticado programa como un "asistente polivalente" de la primera generación.

Mind-it. Este servicio gratuito de Internet envía un mensaje por correo electrónico cada vez que una página web (u otro documento) ha sido actualizado.

Permite seleccionar una parte de la página web para saber si ha sido actualizada.

Notifica al usuario, de forma automática, cuándo un documento ha sido trasladado a otra dirección. Otro servicio parecido es Informant.

Eliza. En 1966, Joseph Weizenbaum, del Instituto de Tecnología de Massachusetts, creó un programa para estudiar el lenguaje de comunicación entre el hombre y el computador. Fue programado para simular a un psicoterapeuta y contestar preguntas.

El sistema Eliza es muy simple: analiza cada pregunta y proporciona una respuesta adecuada al contexto solicitado.

Express. Este programa permite realizar múltiples búsquedas simultáneas en diferentes buscadores, y localizar información en Internet de manera fácil y rápida a través de una interfaz sencilla.

BargainFinder, representado en la red como una esfera amarilla con un casco de minero, se dedica a buscar Compact Disc baratos en Internet.

Pero si el vendedor descubre que se trata de un agente en lugar de un ser humano, puede burlarlo. Está además, Shopbot que es más inteligente, aprende de su errores para burlar al vendedor.

Mención aparte merece Letizia, un knowbot más sofisticado desarrollado por el investigador Henry Lieberman.

Leticia, bautizada así en homenaje a un texto de Jorge Luis Borges, está dotada de un talento especial: dispone del suficiente grado de autonomía como para introducir en sus acciones una cierta dosis de azar e improvisación.

En la actualidad• Razonar• recuperación inteligente de la información• vehículos autodirigidos• toma de decisiones complejas• etc.

Aplicaciones reales

• MARVEL - Sistema experto en tiempo real que maneja la información de Voyager y ayuda a diagnosticar fallos (Schwuttke´92)



• PEGASUS - Hace reservas de transporte por teléfono (Zue et al.´94)

• MYCIN - Sistema de diagnóstico de medicina interna con capacidad de explicar sus razones a los expertos (Heckerman, 1991)

• NAVLAB - Vehículo autónomo que viaja en forma automática de un extremo a otro de EEUU (Pomerlau, 1993)

• Sistema de visión que monitoriza el tráfico y reconoce accidentes (Koller, 1994)

• DEEP BLUE - máquina paralela que juega ajedrez y primera en derrotar a un campeón mundial (IBM 1997)

•

Remote Agent 1999 (http://ti.arc.nasa.gov/projects/remote-agent/)



Algoritmo de Búsqueda

Algoritmo primero en profundidad

El algoritmo primero en profundidad funciona de la manera como lo muestra este

esquema:

A continuacion, el algoritmo de busqueda Depth First:

Beginopen := [Start];closed := [ ];while open ? [ ] dobeginremove leftmost state from open, call it X;if X is a goal then returns SUCCESSelse begingenerate children of X;put X on closed;discard children of X if already on open or closed;put remaining children on left end of openendendreturn FAILend


http://cienciasdelacomputacion.com/algoritmo-primero-en-profundidad/


A continuacion se muestra un arbol, el cual va a ser recorrido hasta encontrar el nodo U

La implementacion del algoritmo seria:

open = [A]; closed = [ ]open = [B,C,D]; closed = [A]open = [E,F,C,D]; closed = [B,A]open = [K,L,F,C,D]; closed = [E,B,A]open = [S,L,F,C,D]; closed = [K,E,B,A]open = [L,F,C,D]; closed = [S,K,E,B,A]open = [T,F,C,D]; closed = [L,S,K,E,B,A]open = [F,C,D]; closed = [T,L,S,K,E,B,A]Continua hasta encontrar U, o open = [ ]

Estrategias y Algoritmos de Busqueda de Informacion

Existe diferencia de estrategias de búsqueda de información:

Algoritmo Primero a lo Ancho (BREATH-FIRST) Algoritmo Primero en Profundidad (DEPTH-FIRST) Búsqueda Heurística: Ascenso a Colina Recocido Simulado

o Búsqueda Primero el Mejor (BEST-FIRST) o Teorema de Admisibilidad o Algoritmo Guiado por Agenda

Las técnicas de solución de problemas en IA, en general, incorporan un proceso de búsqueda.Todo proceso de búsqueda puede ser visualizado como el recorrido por un árbol en el que cada nodo representa un estado y cada rama representa las relaciones entre los estados cuyos nodos conecta.En general, las reglas contienen en forma implícita el árbol, y se genera en forma explícita sólo aquellas partes que se decide explorar.La dirección en la cual se conduce la búsqueda (hacia adelante o hacia atrás).



La estrategia de control, o forma de seleccionar las reglas que pueden ser aplicables. Los principales requerimientos de una buena estrategia de control son: que cause desplazamiento en el espacio de estado; y, que sea sistemático.

La forma de representar cada nodo del proceso de búsqueda (representación del conocimiento).

Muchas veces, tratar el proceso como búsqueda en un grafo en lugar de una búsqueda en un árbol, puede reducir el esfuerzo que se gasta en explorar senderos, esencialmente iguales, varias veces. Sin embargo, los requisitos asociados, son:Cada vez que se genere un nodo se debe chequear para ver si ha sido generado antes.

Se deben introducir procedimientos especiales para que la búsqueda no quede atrapada en algún lazo.

Existen dos formas de conduce las búsquedas:

Conducida por el objetivo (goal driven – backward chaining)

Tomar el objetivo que queremos resolver, establecer que reglas o movimientos legales podrían usarse para generar este objetivo y determinar que condiciones deben ser verdaderas para ser usadas. Estas condiciones constituyen los nuevos objetivos de la búsqueda y la búsqueda continua hacia atrás hasta encontrar los hechos del problema.Conducida por los datos (data driven – forward chaining)

Búsqueda empieza con los hechos o datos conocidos y un conjunto de movimientos legales o reglas para cambiar de estado. La búsqueda se realiza aplicando las reglas a los datos o hechos, produciendo nuevos datos o hechos. Este proceso continua hasta generar una ruta que satisfaga la condición del objetivo.

Algoritmo primero a lo Ancho



Como especificar un problema en IA

PROBLEMAS ESPACIOS , PROBLEMAS Y BUSQUEDAS

Debemos tener en claro lo siguiente:-Definir el problema con presicion.-Analizar el problema.-Aislar y representar el conocimiento.-Elegir la mejor técnica que resuelve el problema.

Estos cuatro parámetros son de mucha importancia..



DEFINIR EL PROBLEMA DE UNA BUSQUEDA EN EL ESPACIO DEL ESTADO

-Espacios de estado.-Formas Natural.-Conjunto de estados.-Bien estructurados.

SISTEMAS DE PRODUCCION

Ayuda a la relación de la Inteligencia artificial.-Conjunto de reglas.-Base de datos que contengo cualquier conocimiento.-Estrategias control y reglas -Aplicación de reglas.

ESTRATEGIAS DE CONTROL .

Son pasos ideas, estrategias, normativas.Las reglas deben ser aplicadas en el momento que lo requiera.Para pasar de un estado a otro se debe hacer primero una buena estrategia de control que genere un cambio.La segunda estrategia debe ser sistematica . redes sistematicas –taxonomia

ARBOLES

BUSQUEDA PROFUNDO. – Puede encontrar una solución sin tener que examinar gran parte del espacio de estados.BUSQUEDA EN ANCHURA.-No queda atrapada, explorando callejones sin salida .Si existe una solución la búsqueda garantiza que se logre encontrarla.

Para producir una especificación formal de un problema se deben definir:

espacio de estados válidos; estado inicial del problema; estado objetivo o final; estado de falla reglas que se pueden aplicar para pasar de un estado a otro.

Un estado es la representación de un problema en un instante dado. Para definir el espacio de estados no es necesario hacer una enumeración exhaustiva de todos los estado válidos, sino que es posible definirlo de manera más general.

El estado inicial consiste en uno o varios estados en los que puede comenzar el problema.El estado objetivo consiste en uno o varios estados finales que se consideran solución aceptable.



Las reglas describen las acciones u operadores que posibilitan un pasaje de estados.

Una regla tiene una parte izquierda y una parte derecha.

La parte izquierda determina la aplicabilidad de la regla, es decir, describe los estados a los que puede aplicarse la regla.

La parte derecha describe la operación que se lleva a cabo si se aplica la regla, es decir, como obtener el estado sucesor.

Por ejemplo, en el problema de jugar al ajedrez:

el espacio de estados son la totalidad de tableros que se puede generar en un juego de ajedrez;el estado inicial es el tablero de 8 x 8 donde cada celda contiene un símbolo de acuerdo a las piezas situadas;el objetivo o estado final se define como cualquier posición de tablero en la que el contrario no puede realizar ningún movimiento legal y su rey esté amenazado.las reglas son los movimientos legales, que pueden describirse mediante una parte patrón para ser contrastado con la posición actual de tablero y otra parte que describe el cambio que debe producirse en el tablero.dado que escribir exhaustivamente todas las reglas es imposible prácticamente, (en el ejemplo, escribir todas las posiciones



La búsqueda en un espacio de estados

• Espacio de estados – Representación del conocimiento a través de las acciones del agente

• Búsqueda en el espacio de estados – Resolución del problema mediante proyección de las distintas acciones


Estado 2

Aplicar Reglas

Aplicar Reglas

Estado 1

Estado Inicial


GENERACION Y PRUEBAS.

Es un primer factor que permite realizar un proceso de búsqueda. Genera una posible solución para algunos problemas significa generar un objetivo particular en el espacio.Todo estado es igual al estado de objetivo.



Escaladas

Escalada (Hill-Climbing) Es una variable de generación y prueba. En el existe realimentación a partir del procedimiento de prueba que se usa para ayuda. Al generador a describirse por lo cual la dirección debe moverse en el espacio de búsqueda.

Segunda estrategia: escalada Caminar hasta en una dirección cualquiera en la que se divise un edificio más

alto. Repetir mientras haya mejora en la altura. Ventaja: poco espacio. Desventaja: probablemente encontraremos el edificio más alto de una zona

concreta pero no de la ciudad o nos quedaremos en una zona de edificios de altura similar.

Mejora: Caminar en la dirección en la que vemos el edificio más alto (escalada por máxima pendiente). Ventajas y desventajas: las mismas que antes.

Escalada simple:– Cualquier movimiento que mejora al padre


Solución

Solución

MinFocal

MaxFocal

MaxFocal

MinFocal

F(-1)

F(-0)F(1)

MAXMAX


Evaluar el estado inicial Repetir hasta que se encuentre una solución o hasta que no queden nuevos operadores que aplica al estado actual

Si f(1)>f(0) SUBE Si f(-1)<f(0) BAJA

Escalada por máxima pendiente:

Evaluar el estado inicial Repetir hasta que se encuentre una solución o hasta que una interacion completa no predica un cambio En el estado actual

– De los movimientos que mejoran al padre el que más lo mejora.



Algoritmo Hill-Climbing

– actual=estado_inicial– fin=falso;– mientras no fin hacer_ hijos=sucesores(actual);_ hijos=elimina_peores(hijos, actual);_ si no vacío (hijos) entonces actual=mejor(hijos)_ si no fin=verdadero;_ fsi– Fmientrasfalgoritmo Hill-Climbing

8-puzzle con búsqueda en escalada(heurística de suma de las distancias de Manhatan)



Problema de las N reinas Búsqueda



Posible funcionamiento incorrecto

_ algoritmo Hill-Climbing Estocástico– actual=estado_inicial– fin=falso;– mientras no fin hacer_ hijos=sucesores(actual);_ hijos=elimina_peores(hijos, actual);_ si no vacío (hijos) entonces actual=sorteo de acuerdo a una distribución de probabilidad dada.



_ si no fin=verdadero;_ fsi– fmientras

En general…_ Paralelizar la búsqueda local._ reStart: ejecutar hill climbing (estocástico o no) k veces elegiendo al azar el punto de inicio en cada intento. Quedarse con el mejor valor obtenido.

Otras búsquedas locales

Enfriamiento Simulado

Es una variable de la escala en la que al comienzo del proceso pueden realizarse algunos movimientos descendientes







METODOS DE BUSQUEDA

Primero el Mejor (Best-First)

Este algoritmo, combina las ventajas de los algoritmos primero en profundidad y primero en amplitud. Sigue un sendero a la vez, pero puede cambiarse a otro sendero que parece más prometedor que el que está siguiendo.

En este sentido, puede considerarse que es un algoritmo que realiza su proceso de búsqueda en un grafo de tipo O, ya que todos sus ramales representan una alternativa de solución. Para su operación, el algoritmo necesita dos listas de nodos y una función heurística que estime los méritos de cada nodo que se genere:



1. ABIERTOS - Es una variable que contiene los nodos que han sido generados. La función heurística ha sido aplicada a ellos, pero todavía no han sido examinados, es decir no se han generado sus sucesores. ABIERTOS puede considerarse como una COLA DE PRIORIDADES en la que los elementos con mayor prioridad son los que tienen los valores más prometedores, dados por la función heurística.

2. CERRADOS - Es una variable que contiene los nodos que han sido examinados. Es necesario tener esta información, para que la búsqueda sea en un grafo y no en un árbol.

3. FUNCIÓN HEURÍSTICA - Permite que el algoritmo busque primero por senderos que son o parecen más prometedores.

Para muchas aplicaciones, es conveniente definir esta función f', como la suma de dos,

que se las llamará g y h'. La función g es una medida del costo de llegar desde el nodo

inicial al nodo actual. La función h' es una estimación del costo adicional para llegar desde el nodo actual al estado objetivo. Aquí es donde se explota el conocimiento que se dispone sobre el dominio del problema.

Es decir, la función combinada f' representa una estimación del costo de llegar desde el estado inicial hasta el estado objetivo, siguiendo el sendero que ha generado el nodo actual. Si el nodo actual ha generado más de un sendero, el algoritmo deberá dejar registrado sólo el mejor.

El algoritmo, en la forma que fue formulado, se aplica a grafos. Puede ser simplificado para aplicarse a árboles, si no se preocupa de comprobar si un nuevo nodo esta en

ABIERTOS o en CERRADOS. Esto aceleraría la generación de nodos y la búsqueda, para casos en que es poco probable que se repitan nodos.

Usualmente, el costo de ir de un nodo a su sucesor, g, se fija en una constante igual 1, cuando se desea encontrar un sendero a la solución, que involucre el menor número de pasos. Si por el contrario nos interesa encontrar el camino menos costoso y algunos operadores cuestan más que otros, se asume un valor de g, que refleje esos costos. Un valor de g igual a cero significaría que simplemente nos interesa llegar a alguna solución, de cualquier manera.

Si h' es un estimador perfecto de h, hará que A* converja inmediatamente al objetivo, sin búsqueda. Mientras mejor sea h', más cerca se estará de alcanzar esta aproximación directa. Si h' vale cero, la búsqueda será controlada por g. Si el valor de g es también cero, hará que la búsqueda sea aleatoria. Si el valor de g es siempre 1, hará que la búsqueda sea primero en anchura. Para los casos en que h' no sea perfecto ni cero, y nunca llega a sobrestimar el valor de h, el algoritmo A* está garantizado que encontrará un sendero óptimo a un objetivo, en caso de que exista solución. Cuando un algoritmo garantiza el encontrar una solución óptima, si esta existe, se dice que es admisible.


Documents

Inteligencia Artificial