Este documento trata sobre diferentes estrategias y métodos de resolución de problemas mediante búsqueda, incluyendo definiciones de problemas, espacios de estado, estrategias de búsqueda como búsqueda ciega, heurística, con adversarios y algoritmos como A*, genéticos, minimax y poda alfa-beta.
0 calificaciones0% encontró este documento útil (0 votos)
132 vistas5 páginas
Este documento trata sobre diferentes estrategias y métodos de resolución de problemas mediante búsqueda, incluyendo definiciones de problemas, espacios de estado, estrategias de búsqueda como búsqueda ciega, heurística, con adversarios y algoritmos como A*, genéticos, minimax y poda alfa-beta.
Este documento trata sobre diferentes estrategias y métodos de resolución de problemas mediante búsqueda, incluyendo definiciones de problemas, espacios de estado, estrategias de búsqueda como búsqueda ciega, heurística, con adversarios y algoritmos como A*, genéticos, minimax y poda alfa-beta.
Este documento trata sobre diferentes estrategias y métodos de resolución de problemas mediante búsqueda, incluyendo definiciones de problemas, espacios de estado, estrategias de búsqueda como búsqueda ciega, heurística, con adversarios y algoritmos como A*, genéticos, minimax y poda alfa-beta.
Descargue como PDF, TXT o lea en línea desde Scribd
Descargar como pdf o txt
Está en la página 1/ 5
CARRERA DE INGENIERIA EN SISTEMAS Y COMPUTACION.
Tarea III: RESOLUCIÓN DE PROBLEMAS MEDIANTE BÚSQUEDA
Alumno: Rony Daniel Osoria Vargas
Matricula: 18-EIST-7-016
Profesor: Lucas Caonabo Reyes Salas
Asignatura: Inteligencia Artificial
Octubre 2022 3.1 La definición del problema.
Un problema es un determinado asunto o una cuestión que requiere de
una solución.
3.2 Espacios de Estado.
es un modelo matemático de un sistema físico descrito mediante un conjunto de
entradas, salidas y variables de estado relacionadas por ecuaciones diferenciales de cualquier orden en el dominio del tiempo, que se combinan en una ecuación diferencial matricial de primer orden. Las variables de entradas, salidas y estados son convenientemente expresadas como vectoresː un vector de entrada, un vector de salida y un vector de estados; y si el sistema dinámico es lineal e invariante en el tiempo, las ecuaciones algebraicas se escriben en forma matricial.
Las variables de estado conforman un vector de estado, que da lugar al
denominado espacio de estado de dimensiones.
3.3 Estrategias de búsqueda.
Una estrategia de búsqueda es una colección de valores de parámetros de
comparación de búsqueda asociados colectivamente con un único nombre de estrategia de búsqueda.
El archivo de configuración que se suministra con IBM NameWorks contiene tres
estrategias de búsqueda de ejemplo que los administradores del sistema pueden utilizar como base:
Estándar (Standard, contiene los valores de comparación
predeterminados) Amplia (Broad, contiene valores de parámetros de comparación que amplían la búsqueda) Limitada (Narrow, contiene valores de parámetros de comparación que restringen la búsqueda) 3.4 Búsqueda a ciegas:
Son llamados de métodos ciegos, porque usan estrategias de búsqueda que solo consideran la relación de precedencia entre estados. La información sobre el beneficio, utilidad, lucro de pasar de un estado para otro estado no es considerado y normalmente, se realiza una búsqueda exhaustiva.
El orden en que la búsqueda se realiza no depende de la naturaleza de la
solución buscada. La localización de la(s) meta(s) no altera el orden de expansión de los nodos.
Los métodos de búsqueda ciega más conocidos son:
Búsqueda en amplitud. Búsqueda en profundidad.
Recorrido en amplitud
Recorrido en amplitud es otra forma sistemática de visitar los vértices. Este
enfoque se denomina en amplitud porque desde cada vértice v que se visita se busca en forma tan amplia como sea posible, visitando todos los vértices adyacentes a v. Es una generalización del recorrido por niveles de un árbol.
La estrategia seria partir de algún vértice u, visitar u y, después, visitar cada uno de los vértices adyacentes a u. Hay que repetir el proceso para cada nodo adyacente a u, siguiendo el orden en que fueron visitados.
Recorrido en profundidad.
Un Recorrido en profundidad (en inglés DFS o Depth First Search) es un
algoritmo que permite recorrer todos los nodos de un grafo. Es una generalización del recorrido preorden de un árbol.
La estrategia consiste en partir de un vértice determinado v y a partir de alli,
cuando se visita un nuevo vértice, explorar cada camino que salga de él. Hasta que no se haya finalizado de explorar uno de los caminos no se comienza con el siguiente. Un camino deja de explorarse cuando se llega a un vértice ya visitado.
Si existían vértices no alcanzables desde v el recorrido queda incompleto;
entonces, se debe seleccionar algún vértice como nuevo vértice de partida, y repetir el proceso. 3.5 Búsqueda Heurística
Los métodos de búsqueda heurísticas (del griego heuriskein, que
significa encontrar) están orientados a reducir la cantidad de búsqueda requerida para encontrar una solución. Cuando un problema es presentado como un árbol de búsqueda el enfoque heurístico intenta reducir el tamaño del árbol cortando nodos pocos prometedores. Estos métodos se llaman métodos fuertes porque ellos son más poderosos que los estudiados hasta aquí al incorporar conocimiento heurístico o heurística. Hay una contradicción entre generalidad y potencia en el sentido que los métodos débiles son esencialmente aplicables universalmente mientras que los fuertes son menos universales en su aplicabilidad y el conocimiento o heurística usada en un problema dado puede no ser totalmente aplicable o ser inaplicable en otro dominio o tarea.
Ascensión a la cima
También es conocido como el método de ascenso de colinas • Usa una técnica
de mejoramiento iterativo • Comienza a partir de un punto (punto actual) en el espacio de búsqueda • Si el nuevo punto es mejor, se transforma en el punto actual, si no, otro punto vecino es seleccionado y evaluado • El método termina cuando no hay mejorías, o cuando se alcanza un número predefinido de iteraciones
Búsqueda avara (Primero el mejor)
Búsqueda avara llamada también primero el mejor o búsqueda codiciosa (greedy
search) es un caso particular del algoritmo de búsqueda-árboles o de búsqueda- grafo, expande el nodo más prometedor en base a una función de evaluación (𝒏). Tradicionalmente se selecciona para la expansión del nodo con la evaluación más baja, porque la evaluación mide la distancia al objetivo, este tipo de búsqueda puede llegar a ser inexacta. A fin si se expande primero el mejor nodo. Un componente clave de estos algoritmos es una función heurística, denotado h(n). (𝒏) = Coste estimado del camino más barato desde el nodo 𝒏 a un nodo objetivo.
Algoritmo A*
Este algoritmo es una mejora desarrollada a los postulados del algoritmo Dijsktra que se encarga de encontrar rutas más cortas dentro de un grafo. En esta modificación se toma como punto central la observación búsquedas informadas dentro del grafo que nos permitan tomar decisiones óptimas sobre los caminos que deben tomarse para recorrer de forma eficiente el grafo. El Algoritmo A * tiene su origen en el año 1968 y fue desarrollado principalmente para aportar elementos a la determinación de rutas de costo mínimo. Algoritmos genéticos
Algoritmos genéticos, (AG) Son llamados así porque se inspiran en la evolución
biológica y su base genético-molecular. Estos algoritmos hacen evolucionar una población de individuos sometiéndola a acciones aleatorias semejantes a las que actúan en la evolución biológica (mutaciones y recombinaciones genéticas), así como también a una selección de acuerdo con algún criterio, en función del cual se decide cuáles son los individuos más adaptados, que sobreviven, y cuáles los menos aptos, que son descartados. Los algoritmos genéticos (AG) funcionan entre el conjunto de soluciones de un problema llamado fenotipo, y el conjunto de individuos de una población natural, codificando la información de cada solución en una cadena, generalmente binaria, llamada cromosoma. Los símbolos que forman la cadena son llamados genes. Cuando la representación de los cromosomas se hace con cadenas de dígitos binarios se le conoce como genotipo. Los cromosomas evolucionan a través de iteraciones, llamadas generaciones. En cada generación, los cromosomas son evaluados usando alguna medida de aptitud. Las siguientes generaciones (nuevos cromosomas), son generadas aplicando los operadores genéticos repetidamente, siendo estos los operadores de selección, cruzamiento, mutación y reemplazo.
3.7 Búsqueda con adversarios
La búsqueda en adversarios fue creada por los investigadores de la inteligencia
artificial, para resolver los problemas de agentes que se encuentran en entornos multiagente, y que son competitivos o cooperativos, en el caso de los juegos, ambos agentes requieren ganar, pero solamente puede haber uno que gane, y la se debe realizar esa búsqueda hasta que se consiga ese objetivo.
Algoritmo del minimax
es un método de decisión para minimizar la pérdida máxima esperada en juegos
con adversario y con información perfecta. Minimax es un algoritmo recursivo. El funcionamiento de minimax puede resumirse en cómo elegir el mejor movimiento para ti mismo suponiendo que tu contrincante escogerá el peor para ti.
Poda alfa-beta.
La poda alfa beta es una técnica de búsqueda que reduce el número de nodos evaluados en un árbol de juego por el algoritmo Minimax. Se trata de una técnica muy utilizada en programas de juegos entre adversarios como el ajedrez, el tres en raya o el Go.
