ALGORITMOS DE BÚSQUEDA. Ing. Ronald A. Rentería Ayquipa
|
|
- Jorge Ponce Zúñiga
- hace 6 años
- Vistas:
Transcripción
1 ALGORITMOS DE BÚSQUEDA
2 Algoritmos de Búsqueda Tipos Tipos de algoritmos de búsqueda ALGORITMOS DE BÚSQUEDA NO INFORMADA ALGORITMOS DE BÚSQUEDA HEURÍSTICA
3 Búsqueda no informada Introducción Búsqueda no informada Conocidos como algoritmos de búsqueda ciega No dependen de la información del problema Son generales (aplicables a cualquier problema) Algoritmos exhaustivos (pueden llegar a recorrer todo el árbol para llegar a una solución) Aplicables a problemas pequeños Políticas de recorrido: En anchura (Anchura prioritaria) En profundidad (Profundidad prioritaria, Profundidad iterativa)
4 Búsqueda no informada Búsqueda en anchura prioritaria Búsqueda en Anchura Prioritaria Los nodos se visitan y generan por niveles La estructura para los nodos abiertos es una cola (FIFO) Un nodo es visitado cuando todos los nodos de los niveles superiores y sus hermanos precedentes han sido visitados Características: Completitud: El algoritmo siempre encuentra una solución Complejidad temporal: Exponencial respecto al factor de ramificación y la profundidad de la solución O(r p ) Complejidad espacial: Exponencial respecto al factor de ramificación y la profundidad de la solución O(r p ) Optimalidad: La solución que se encuentra es óptima en número de niveles desde la raíz
5 Búsqueda no informada Búsqueda en profundidad prioritaria Búsqueda en Profundidad Prioritaria Los nodos se visitan y generan buscando los nodos a mayor profundidad y retrocediendo cuando no se encuentran nodos sucesores La estructura para los nodos abiertos es una pila (LIFO) Para garantizar que el algoritmo acaba (caminos infinitos) debe imponerse un límite en la profundidad de exploración (profundidad limitada) Características Completitud: El algoritmo encuentra una solución si se impone un límite de profundidad y existe una solución dentro de ese límite Complejidad temporal: Exponencial respecto al factor de ramificación y la profundidad del límite de exploración O(r p ) Complejidad espacial: En el caso de no controlar los nodos repetidos el coste es lineal respecto al factor de ramificación y el límite de profundidad O(rp). Si tratamos repetidos el coste es igual que en anchura. Si la implementación es recursiva el coste es O(p) Optimalidad: No se garantiza que la solución sea óptima
6 Búsqueda no informada Búsqueda en profundidad limitada Búsqueda en Profundidad Limitada La estructura de abiertos es ahora una pila Se dejan de generar sucesores cuando se llega al límite de profundidad Esta modificación garantiza que el algoritmo acaba pero no una solución Si tratamos repetidos el ahorro en espacio es nulo
7 Búsqueda no informada Tratamiento repetidos Tratamiento de nodos repetidos En anchura Si el repetido está en la estructura de nodos cerrados podemos descartarlo. Tendrá una profundidad igual o mayor al repetido cerrado (por tanto un costo igual o mayor) Si el repetido está en la estructura de nodos abiertos podemos descartarlo. Tendrá una profundidad igual o mayor al repetido abierto (por tanto un costo igual o mayor)
8 Búsqueda no informada Tratamiento repetidos Tratamiento de nodos repetidos En profundidad Si el repetido está en la estructura de nodos cerrados lo dejaremos, si tiene una profundidad menor Si el repetido está en la estructura de nodos abiertos podemos olvidarlo, seguro que tiene una profundidad mayor
9 Búsqueda no informada Profundidad iterativa Búsqueda en profundidad iterativa (ID) Intenta combinar el comportamiento espacial de la búsqueda en profundidad (DFS) con la optimalidad de la búsqueda en anchura (BFS), por esto es el más ventajoso de los anteriores. El algoritmo consiste en realizar búsquedas en profundidad sucesivas con un nivel de profundidad máximo acotado y creciente en cada iteración Así se consigue el comportamiento de BFS pero sin su coste espacial, ya que la exploración es en profundidad, y además los nodos se regeneran a cada iteración Además esto permite evitar los casos en que DFS no acaba (existen ramas infinitas) En la primera iteración la profundidad máxima será 1 y este valor irá aumentando en sucesivas iteraciones hasta llegar a la solución Para garantizar que el algoritmo acaba si no hay solución, se puede definir una cota máxima de profundidad en la exploración
10 Búsqueda no informada Profundidad iterativa Búsqueda en profundidad iterativa (ID) Iteración 1: 1 Iteración 2: 2, 3, 4, 5 Iteración 3: 6, 7, 8, 9,, 21
11 Búsqueda no informada Profundidad iterativa Búsqueda en profundidad iterativa (ID)
12 Búsqueda no informada Profundidad iterativa Búsqueda en profundidad iterativa (ID) Completitud: El algoritmo siempre encontrará la solución Complejidad temporal: La misma que la búsqueda en anchura. El regenerar el árbol en cada iteración solo añade un factor constante a la función de coste O(r p ) Complejidad espacial: Igual que en la búsqueda en profundidad Optimalidad: La solución es óptima igual que en la búsqueda en anchura
13 Búsqueda no informada Ejemplos Ejemplos En esta sección vamos a ver ejemplos de ejecución de los algoritmos vistos anteriormente. Utilizaremos los algoritmos de búsqueda ciega para encontrar una solución (camino entre los nodos inicial y final) Supondremos que hacemos un tratamiento de los nodos repetidos durante la ejecución del algoritmo. Hay que tener en cuenta también que para poder recuperar el camino, los nodos deben tener un enlace al padre que los ha generado.
14 Búsqueda no informada Ejemplos Ejemplos En la figura, podemos ver el grafo que vamos a utilizar en los siguientes ejemplos. Este grafo tiene como nodo inicial el 1 y como nodo final el 8, todos los caminos son dirigidos y tienen el mismo coste.
15 Búsqueda no informada Ejemplos Ejemplo: Búsqueda en anchura 1. Este algoritmo comenzaría encolando el nodo inicial (nodo 1). 2. Los nodos sucesores del primer nodo son los nodos 2 y 3, que pasarían a ser encolados 3. El siguiente nodo extraído de la cola sería el 2, que tiene como sucesores el 4 y el El siguiente nodo extraído de la cola sería el 3, que tiene como sucesores el 4, el 5 y el 7. Como el 4 está repetido no se encolaría al ser de la misma profundidad que el nodo repetido. 5. El siguiente nodo extraído de la cola sería el 4, que tiene como sucesor el 5. Como el 5 está repetido no se encolaría al tener profundidad mayor que el nodo repetido. 6. El siguiente nodo extraído de la cola sería el 6, que tiene como sucesores el 7 y el 8. Como el 7 está repetido no se encolaría al tener profundidad mayor que el nodo repetido. 7. El siguiente nodo extraído de la cola sería el 5, que tiene como sucesores el 6 y el 7. Como los dos nodos corresponden a nodos repetidos con profundidad menor, no se encolarían. 8. El siguiente nodo extraído de la cola sería el 7, que tiene como sucesor el 8. Como el 8 está repetido no se encolaría al tener la misma profundidad que el nodo repetido. 9. El siguiente nodo extraído de la cola sería el 8 que es el nodo solución y por tanto acabaría la ejecución. En la figura sgte. se puede ver el árbol de búsqueda que se genera. En el caso de los nodos cerrados necesitamos una estructura adicional para controlar los nodos repetidos (resultado)
16 Búsqueda no informada Ejemplos Ejemplo: Búsqueda en anchura
17 Búsqueda no informada Ejemplos Ejemplo: Búsqueda en profundidad 1. Este algoritmo comenzaría empilando el nodo inicial (nodo 1). 2. Los nodos sucesores del primer nodo son los nodos 2 y 3, que pasarían a ser empilados 3. El siguiente nodo extraído de la pila sería el 2, que tiene como sucesores el 4 y el El siguiente nodo extraído de la pila sería el 4, que tiene como sucesor el El siguiente nodo extraído de la pila sería el 5, que tiene como sucesores el 6 y el 7. Como el nodo 6 está en la pila en con nivel superior descartaríamos este nodo. 6. El siguiente nodo extraído de la pila sería el 7, que tiene como sucesor el El siguiente nodo extraído de la pila sería el 8 que es el nodo solución y por tanto acabaría la ejecución. En la figura sgte. se puede ver el árbol de búsqueda que se genera. Fijarse que en este caso el camino es más largo que el encontrado con el algoritmo anterior. Para el control de repetidos, si se quiere ahorrar espacio, pueden solo tenerse en cuenta los nodos que hay en la pila como se ha hecho en el ejemplo, esto evitará que podamos entrar en bucle y que tengamos que tener una estructura para los nodos cerrados.
18 Búsqueda no informada Ejemplos Ejemplo: Búsqueda en profundidad
19 Búsqueda no informada Ejemplos Ejemplo: Búsqueda en profundidad iterativa 1. Primera iteración (profundidad 1) 1.1 Se comenzaría empilando el nodo inicial (nodo 1). 1.2 Al extraer este nodo de la pila habríamos visitado todos los caminos de profundidad 1 y con eso acabaríamos la iteración 2. Segunda Iteración (profundidad 2) 2.1 Se comenzaría empilando el nodo inicial (nodo 1). 2.2 Los nodos sucesores del primer nodo son los nodos 2 y 3, que pasarían a ser empilados. 2.3 El siguiente nodo extraído de la pila sería el 2, los nodos sucesores estarían a mayor profundidad que el límite actual, no los empilaríamos. 2.4 El siguiente nodo extraído de la pila sería el 3, los nodos sucesores estarían a mayor profundidad que el límite actual, no los empilaríamos. Al extraer este nodo de la pila habríamos visitado todos los caminos de profundidad 2 y con eso acabaríamos la iteración. 3. Tercera Iteración (profundidad 3) 3.1 Se comenzaría empilando el nodo inicial (nodo 1). 3.2 Los nodos sucesores del primer nodo son los nodos 2 y 3, que pasarían a ser empilados. 3.3 El siguiente nodo extraído de la pila sería el 2, que tiene como sucesores el 4 y el El siguiente nodo extraído de la pila sería el 4, los nodos sucesores estarían a mayor profundidad que el límite actual, no los empilaríamos. 3.5 El siguiente nodo extraído de la pila sería el 6, los nodos sucesores estarían a mayor profundidad que el límite actual, no los empilaríamos. 3.6 El siguiente nodo extraído de la pila sería el 3, que tiene como sucesores el 4, el 5 y el El siguiente nodo extraído de la pila sería el 4, los nodos sucesores estarían a mayor profundidad que el límite actual, no los empilaríamos. 3.8 El siguiente nodo extraído de la pila sería el 5, los nodos sucesores estarían a mayor profundidad que el límite actual, no los empilaríamos. 3.9 El siguiente nodo extraído de la pila sería el 7, los nodos sucesores estarían a mayor profundidad que el límite actual, no los empilaríamos. Al extraer este nodo de la pila habríamos visitado todos los caminos de profundidad 3 y con eso acabaríamos la iteración. 4. Cuarta Iteración (profundidad 4) 4.1 Se comenzaría empilando el nodo inicial (nodo 1). 4.2 Los nodos sucesores del primer nodo son los nodos 2 y 3, que pasarían a ser empilados. 4.3 El siguiente nodo extraído de la pila sería el 2, que tiene como sucesores el 4 y el El siguiente nodo extraído de la pila sería el 4, que tiene como sucesor el El siguiente nodo extraído de la pila sería el 5, los nodos sucesores estarían a mayor profundidad que el límite actual, no los empilaríamos. 4.6 El siguiente nodo extraído de la pila sería el 6, que tiene como sucesores el 7 y el El siguiente nodo extraído de la pila sería el 7, los nodos sucesores estarían a mayor profundidad que el límite actual, no los empilaríamos. 4.8 El siguiente nodo extraído de la pila sería el 8 que es el nodo solución y por tanto acabaría la ejecución.
20 Búsqueda no informada Ejemplos Ejemplo: Búsqueda en profundidad iterativa En la figura, se puede ver el árbol de búsqueda que se genera. En este caso encontramos el camino más corto, ya que este algoritmo explora los caminos en orden de longitud como la búsqueda en anchura. Para mantener la ganancia en espacio en este caso no se han guardado los nodos cerraros, es por ello que no se ha tratado en nodo 4 en el paso 3.7 como repetido.
21 Búsqueda heurística Introducción BÚSQUEDA HEURÍSTICA Supone la existencia de una función de evaluación que debe medir la distancia estimada al (a un) objetivo (h(n)) Esta función de evaluación se utiliza para guiar el proceso haciendo que en cada momento se seleccione el estado o las operaciones más prometedoras No siempre se garantiza encontrar una solución (de existir ésta) No siempre se garantiza encontrar la solución más próxima (la que se encuentra a una distancia o número de operaciones menor) Existen múltiples algoritmos: Branch and Bound, Best First Search A, A* IDA* Búsqueda local (Hill climbing, Simulated annealing, Alg. Genéticos)
22 Búsqueda heurística Branch and Bound Branch and Bound Ramificación y acotación Generaliza las búsquedas en anchura prioritaria (BFS) y en profundidad prioritaria (DFS) Se guarda para cada estado el coste (hasta el momento) de llegar desde el estado inicial a dicho estado. Guarda el coste mínimo global hasta el momento Deja de explorar una rama cuando su coste es mayor que el mínimo actual Si el coste de los nodos es uniforme equivale a una búsqueda por niveles
23 Búsqueda heurística Greedy best first Greedy Best First La estructura de abiertos es una cola con prioridad La prioridad la marca la función de estimación (coste del camino que falta hasta la solución) En cada iteración se escoge el nodo más cercano a la solución (el primero de la cola), esto provoca que no se garantice la solución optima
24 Búsqueda heurística Heurísticos Importancia del estimador
25 Búsqueda heurística Heurísticos Importancia del estimador
26 Búsqueda heurística Heurísticos Heurísticos Posibles heurísticos (estimadores del coste a la solución) h(n) = w(n) = #desclasificados h(n) = p(n) = suma de distancias a la posición final h(n) = p(n) + 3 s(n) donde s(n) se obtiene recorriendo las posiciones no centrales y si una ficha no va seguida por su sucesora sumar 2, si hay ficha en el centro sumar 1
27 Búsqueda heurística Heurísticos Costes
28 Búsqueda heurística Búsqueda A* Búsqueda A* La función de evaluación tiene dos componentes: 1. coste para ir desde el (un) inicio al nodo actual 2. coste (estimado) para ir desde el nodo actual a una solución f (n) = g(n) + h(n) f es un valor estimado del coste total del camino que pasa por n h (heurístico) es un valor estimado de lo que falta para llegar desde n al (a un) objetivo g es un coste real (lo gastado por el camino más corto conocido hasta n) La preferencia es siempre del nodo con menor f, en caso de empate, la preferencia es del nodo con menor h.
29 Búsqueda heurística Búsqueda A* Búsqueda A* Con esta función podemos variar el comportamiento del algoritmo Si n h(n) = 0, todo estará controlado por g (estaremos en presencia de un algoritmo de Branch & Bound) Si n h(n) = 0 y además el coste de todos los arcos es 1 estaremos realizando una búsqueda en anchura. Si dicho coste fuera 0, la búsqueda sería aleatoria Al ser h una estimación del verdadero coste h*, cuanto más se aproxime h a h* mayor será la tendencia a explorar en profundidad. Si h = h* entonces A* converge directamente hacia el objetivo Se puede demostrar que si h(n) es un minorante del coste real h*(n), es decir si n h(n) h*(n) A* encontrará (de haberlo) un camino óptimo.
30 Búsqueda heurística Búsqueda A* El algoritmo A* La estructura de abiertos es una cola con prioridad La prioridad la marca la función de estimación (f (n) = g(n) + h(n)) En cada iteración se escoge el mejor camino (el primero de la cola) Es el mismo algoritmo que el Best First!
31 Búsqueda heurística Búsqueda A* Tratamiento de repetidos Si es un repetido que está en la estructura de abiertos Si su coste es menor substituimos el coste por el nuevo, esto podrá variar su posición en la estructura de abiertos Si su coste es igual o mayor nos olvidamos del nodo Si es un repetido que esta en la estructura de cerrados Si su coste es menor reabrimos el nodo insertándolo en la estructura de abiertos con el nuevo coste Atención! No hacemos nada con sus sucesores, ya se reabrirán si hace falta Si su coste es mayor o igual nos olvidamos del nodo
32 Búsqueda heurística Búsqueda A* A* Ejemplo
33 Búsqueda heurística Búsqueda A* A* Ejemplo
34 Búsqueda heurística Búsqueda A* A* Ejemplo
35 Búsqueda heurística Búsqueda A* A* Ejemplo
36 Búsqueda heurística Búsqueda A* A* Ejemplo
37 Búsqueda heurística Búsqueda A* A* Ejemplo
38 Búsqueda heurística Búsqueda A* A* Ejemplo
39 Búsqueda heurística Búsqueda A* A* Ejemplo
40 Búsqueda heurística Búsqueda A* A* Ejemplo
41 Búsqueda heurística Búsqueda A* A* Ejemplo
42 Búsqueda heurística Búsqueda A* A* Ejemplo
43 Búsqueda heurística Búsqueda A* A* Ejemplo
44 Búsqueda heurística Búsqueda IDA* Búsqueda IDA* Similar a ID (es decir iteración de búsqueda en profundidad con un límite en la búsqueda) En ID el límite lo daba una cota máxima en la profundidad En IDA* el límite lo da una cota máxima sobre el valor de la función f Ojo! La búsqueda es una DFS normal y corriente, el heurístico f sólo se utiliza para podar Empezamos con corte = f(inicial)
45 Búsqueda heurística Búsqueda IDA* Algoritmo IDA* La función generar_sucesores solo genera aquellos con una f menor o igual a la del límite de la iteración La estructura de abiertos es ahora una pila (búsqueda en profundidad) Hemos de tener en cuenta que si tratamos los nodos repetidos el ahorro en espacio es nulo
46 Búsqueda heurística Búsqueda con limitación de memoria Otros algoritmos con limitación de memoria Las reexpansiones de IDA* pueden suponer un elevado coste temporal Existen algoritmos que por lo general reexpanden menos nodos Su funcionamiento se basa en eliminar los nodos menos prometedores y guardar información que permita reexpandirlos Ejemplos: Best first recursivo Memory Bound A* (MA*)
Búsqueda Heurística. Branch and Bound, Best First Search A, A IDA Búsqueda local (Hill climbing, Simulated annealing, Alg.
Introducción Búsqueda Heurística Supone la existencia de una función de evaluación que debe medir la distancia estimada al (a un) objetivo (h(n)) Esta función de evaluación se utiliza para guiar el proceso
Más detallesResolución de Problemas
Introducción Resolución de Problemas La resolución de problemas es una capacidad que consideramos inteligente Somos capaces de resolver problemas muy diferentes Encontrar el camino en un laberinto Resolver
Más detallesUNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR INTEGRANTES: Caricari Cala Aquilardo Villarroel Fernandez Fructuoso DOCENTE: Lic. Garcia
Más detallesEstado 3.2 (coste = 9)
Búsqueda heurística Fernando Berzal, berzal@acm.org Búsqueda heurística Búsqueda primero el mejor p.ej. búsqueda de coste uniforme [UCS] Heurísticas Búsqueda greedy El algoritmo A* Heurísticas admisibles
Más detallesCentro Asociado Palma de Mallorca. Tutor: Antonio Rivero Cuesta
Centro Asociado Palma de Mallorca Lógica y Estructuras Discretas Tutor: Antonio Rivero Cuesta Tema 5 Teoría de Grafos Conceptos Básicos Un grafo consta de: Grafo Un conjunto de nodos, Un conjunto de aristas
Más detallesInteligencia Artificial Resolver problemas mediante búsqueda
Inteligencia Artificial Resolver problemas mediante búsqueda Primavera 2007 profesor: Luigi Ceccaroni Resolución de problemas Se quiere: Resolver automáticamente un problema Se necesita: Una representación
Más detallesBúsqueda en e.e. --> reglas para elegir entre las ramas que con más probabilidad lleven a la solución.
BÚSQUEDA HEURÍSTICA estudio de los métodos y reglas del descubrimiento y la invención. Búsqueda en e.e. --> reglas para elegir entre las ramas que con más probabilidad lleven a la solución. Situaciones
Más detallesGrafos. Amalia Duch Brown Octubre de 2007
Grafos Amalia Duch Brown Octubre de 2007 Índice 1. Definiciones Básicas Intuitivamente un grafo es un conjunto de vértices unidos por un conjunto de líneas o flechas dependiendo de si el grafo es dirigido
Más detallesBúsqueda con información, informada o heurística
Búsqueda con información, informada o heurística Heurística Del griego heuriskein (encontrar, descubrir).» Arquímedes EUREKA!» Uso en IA 957, (G. Polya): Estudio de métodos para descubrir formas de resolución
Más detallesEl TAD Grafo. El TAD Grafo
! Esta representación resulta útil cuando el número de vértices se conoce previamente y permanecerá fijo durante la resolución del problema, pero resulta ineficiente si necesitamos añadir o eliminar vértices
Más detallesResolviendo Modelos de Mapas
Resolviendo Modelos de Mapas SMMC Prof. Teddy Alfaro Resolviendo Mapas o Grafos Entre las técnicas completas más utilizadas para resolver la ruta más corta se encuentran BFS Backtracking Dijkstra A* Uso
Más detallesTema 2: Búsqueda. Formalización de la resolución de problemas Ejemplos Procedimiento general de búsqueda Estrategias de control Búsqueda heurística
Tema 2: Búsqueda Formalización de la resolución de problemas Ejemplos Procedimiento general de búsqueda Estrategias de control Búsqueda heurística 1 Resolución de problemas: formalización CONCEPTO BÁSICO:
Más detallesIntroducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
Más detallesBúsqueda con adversario
Introducción Búsqueda con adversario Uso: Decidir mejor jugada en cada momento para cierto tipo de juegos Hay diferentes tipos de juegos según sus características: Numero de jugadores, toda la información
Más detalles3ra. Practica. Algoritmos de Búsqueda. Inteligencia Artificial Prácticas 2004/2005
3ra. Practica Algoritmos de Búsqueda Inteligencia Artificial Prácticas 2004/2005 Algoritmos de Búsqueda Algoritmos Básicos: (búsqueda no informada) Búsqueda preferente por amplitud Búsqueda preferente
Más detallesTema 4: Búsqueda informada mediante técnicas heurísticas
Tema 4: Búsqueda informada mediante técnicas heurísticas José Luis Ruiz Reina José Antonio Alonso Franciso J. Martín Mateos 1 Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesBúsqueda Heurística I
Búsqueda Heurística I Pedro Meseguer IIIA-CSIC Bellaterra, Spain pedro@iiia.csic.es Introducción Temario curso Búsqueda sistemática Búsqueda ciega Búsqueda informada: primero el mejor, A* Búsqueda en memoria
Más detallesModelos de Inventarios
Modelos de Inventarios 1. Qué significa PERT? Program Evaluation Review Technique Técnica de Revisión de Evaluación de Programa 2. Qué significa las siglas C.E.P Cantidad Económica de Pedidos 3. Para qué
Más detallesALGORITMO MINIMAX. o Nodo: Representa una situación del juego. o Sucesores de un nodo: Situaciones del juego a las que se
ALGORITMO MINIMAX Algoritmo de decisión para minimizar la pérdida máxima aplicada en juegos de adversarios Información completa (cada jugador conoce el estado del otro) Elección del mejor movimiento para
Más detalles(b) Cuál es la desventaja principal de una heurística con aprendizaje? es más informada que otra función heurística optimista h 2 *?
UNIVERIDD REY JUN CRLO CURO 0-0 INTELIGENCI RTIFICIL Hoja de Problemas Tema Ejercicio : Conteste a las siguientes preguntas: (a) Cómo funciona una heurística con aprendizaje? olución: Una heurística con
Más detallesPara definir en formalmente el juego se deberá establecer:
INTRODUCCION A LA INTELIGENCIA ARTIFICIAL MÓDULO 5- JUEGOS COMO PROBLEMA DE BÚSQUEDA Referencias: Inteligencia Artificial Russell and Norvig Cap.5. Artificial Intellingence Nils Nilsson Ch.3 Se trata el
Más detallesResolución de problemas de búsqueda
Resolución de problemas de búsqueda Memoria de Prácticas de Segunda Entrega 26 de noviembre de 2007 Autores: Mariano Cabrero Canosa cicanosa@udc.es Elena Hernández Pereira elena@udc.es Directorio de entrega:
Más detallesTema 2: Juegos unipersonales
Tema : Juegos unipersonales Resumen:. Juegos unipersonales.. Representación básica.. Juegos con información completa.. Recursos limitados en juegos con información completa.. Juegos con información incompleta
Más detallesAlgoritmos y estructuras de datos
Algoritmos y estructuras de datos Dr. Eduardo A. Rodríguez Tello Laboratorio de Tecnologías de Información Cinvestav Tamaulipas ertello@tamps.cinvestav.mx Cursos de inducción a la MCC Cinvestav Tamaulipas
Más detalles4ta. Práctica. Búsqueda en árbol con contrincante: MiniMax con poda Alfa-Beta. Inteligencia Artificial Prácticas 2004/2005
4ta. Práctica Búsqueda en árbol con contrincante: MiniMax con poda Alfa-Beta Inteligencia Artificial Prácticas 2004/2005 Decisiones Perfectas en Juegos de DOS Participantes Definición de Juego Estado Inicial:
Más detallesComplejidad computacional (Análisis de Algoritmos)
Definición. Complejidad computacional (Análisis de Algoritmos) Es la rama de las ciencias de la computación que estudia, de manera teórica, la optimización de los recursos requeridos durante la ejecución
Más detallesJUEGOS. Área de aplicación de los algoritmos heurísticos Juegos bi-personales: oponente hostil
JUEGOS Área de aplicación de los algoritmos heurísticos Juegos bi-personales: oponente hostil I Oponente: Jugador: intenta mover a un estado que es el peor para Etiquetar cada nivel del espacio de búsqueda
Más detallesCaminos y Flujos optimales. Introducción a la Investigación de Operaciones 2007
Caminos y Flujos optimales Introducción a la Investigación de Operaciones 2007 Contenido Definiciones básicas. Conexidad. Clausura transitiva. Esqueletos y caminos optimales. Redes. Flujos. Algoritmo de
Más detallesADMINISTRACION DE LA MEMORIA. En memoria 1 solo proceso Desventajas:
ADMINISTRACION DE LA MEMORIA Función del Administrador de Memoria Registra qué parte de memoria está libre y ocupada Asigna y libera espacio en memoria a los procesos Administra el intercambio entre la
Más detallesApuntes elaborados por: Aaron Asencio, Eduardo Quevedo, Raquel López Revisado por: Javier Miranda el???
Apuntes elaborados por: Aaron Asencio, duardo Quevedo, Raquel López Revisado por: Javier Miranda el??? Tema 9: rafos Los grafos no son más que la versión general de un árbol, es decir, cualquier nodo de
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detallesInteligencia Artificial
Inteligencia Artificial Tema 2 Búsquedas Ivan Olmos Pineda Contenido Estructura General de un PSA Formulación de un PSA Algoritmos de Búsqueda de Soluciones Aplicaciones BUAP Inteligencia Artificial 2
Más detallesC a l ses P P y y NP C a l se P C a l se N P N P [No N n o -De D te t rmin i i n s i ti t c i Polynomial-tim i e]
Análisis y Diseño de Algoritmos Introducción Análisis y Diseño de Algoritmos Concepto de algoritmo Resolución de problemas Clasificación de problemas Algorítmica Análisis de la eficiencia de los algoritmos
Más detallesA B MIN C D E F MAX x E.T.S.I. INFORMÁTICA 4º CURSO. INTELIGENCIA ARTIFICIAL E INGENIERÍA DEL CONOCIMIENTO
E.T.S.I. INFORMÁTICA 4º CURSO. INTELIGENCIA ARTIFICIAL E INGENIERÍA DEL CONOCIMIENTO UNIVERSIDAD DE MÁLAGA Dpto. Lenguajes y Ciencias de la Computación RELACIÓN DE PROBLEMAS. TEMA IV. PROBLEMAS DE JUEGOS.
Más detalles(d) Puede haber estrategias que funcionan mejor que Minimax si el contrincante es
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 5 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Minimax son ciertas (a) El algoritmo Minimax realiza una exploración primero
Más detallesEl Juego como Problema de Búsqueda
El Juego como Problema de Búsqueda En este algoritmo identificamos dos jugadores: max y min. El objetivo es encontrar la mejor movida para max. Supondremos que max mueve inicialmente y que luego se turnan
Más detallesManejo de módulos y recursión en programación. Pseudocódigo. (CU00204A)
aprenderaprogramarcom Manejo de módulos y recursión en programación Pseudocódigo (CU00204A) Sección: Cursos Categoría: Curso Bases de la programación Nivel II Fecha revisión: 2024 Autor: Mario R Rancel
Más detallesÁrboles. Un grafo no dirigido es un árbol si y sólo si existe una ruta unica simple entre cualquiera dos de sus vértices.
ÁRBOLES Árboles Un grafo conectado que no contiene circuitos simples. Utilizados desde 1857, por el matemático Ingles Arthur Cayley para contar ciertos tipos de componentes químicos. Un árbol es un grafo
Más detallesGrafos. Suponiendo que e = [u, v]. Entonces los nodos u y v se llaman extremos de e y u y v se dice que son nodos adyacentes o vecinos.
Grafos Los grafos son estructuras que constan de vértices o nodos y de aristas o arcos que conectan los vértices entre sí. Un grafo G consiste en dos cosas: 1. Un conjunto V de elementos llamados nodos
Más detallesBúsqueda con adversario
Búsqueda con adversario José Luis Ruiz Reina José Antonio Alonso Jiménez Franciso J. Martín Mateos María José Hidalgo Doblado Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesMétodos de Búsqueda para juegos humano-maquina. PROF: Lic. Ana María Huayna D.
Métodos de Búsqueda para juegos humano-maquina PROF: Lic. Ana María Huayna D. Tópicos 1. Introducción 2. Juegos 3. Estrategias de Juego 4. Algoritmo Minimax 5. Algoritmo Poda Alfa-Beta 1.- Introducción
Más detallesUnidad Nº V Listas Enlazadas
Instituto Universitario Politécnico Santiago Mariño Unidad Nº V Listas Enlazadas Lista Enlazadas Es una colección o secuencia de elementos dispuestos uno detrás de otro, en la que cada elemento se conecta
Más detallesTema: Búsqueda Heurística (Informada).
Sistemas Expertos e Inteligencia Artificial. Guía No. 5 1 Tema: Búsqueda Heurística (Informada). Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos
Más detallesCONCEPTOS BASICOS DE LA TRANSFORMADA DE LAPLACE LA TRANSFORMADA DE LAPLACE
LA TRANSFORMADA DE LAPLACE Por cálculo integral sabemos que cuando vamos a determinar una integral impropia de la forma,su desarrollo se obtiene realizando un cambio de variable en el límite superior de
Más detallesRELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA
RELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA SIMPLEX Y LINEAL ENTERA a Resuelve el siguiente problema con variables continuas positivas utilizando el método simple a partir del vértice
Más detallesAlgoritmos para determinar Caminos Mínimos en Grafos
Problemas de camino mínimo Algoritmos para determinar Caminos Mínimos en Grafos Algoritmos y Estructuras de Datos III DC, FCEN, UBA, C 202 Problemas de camino mínimo Dado un grafo orientado G = (V, E)
Más detalles(e) Con la poda alfa-beta se eliminan nodos que nunca serán alcanzados
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 5 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Minimax son ciertas (a) El algoritmo Minimax realiza una exploración primero
Más detallesTema 3. Análisis de costes
Tema 3. Análisis de costes http://aulavirtual.uji.es José M. Badía, Begoña Martínez, Antonio Morales y José M. Sanchiz {badia, bmartine, morales, sanchiz}@icc.uji.es Estructuras de datos y de la información
Más detallesResolución de problemas
Inteligencia en Redes de Comunicaciones Resolución de problemas Julio Villena Román jvillena@it.uc3m.es El problema de resolver problemas La resolución de problemas es uno de los procesos básicos de razonamiento
Más detallesProgramación Lineal Entera. Programación Entera
Programación Lineal Entera PE Programación Entera Modelo matemático, es el problema de programación lineal Restricción adicional de variables con valores enteros. Programación entera mita Algunas variables
Más detallesEs un conjunto de objetos llamados vértices o nodos unidos por enlaces llamados aristas o arcos, que permiten representar relaciones binarias entre
Es un conjunto de objetos llamados vértices o nodos unidos por enlaces llamados aristas o arcos, que permiten representar relaciones binarias entre elementos de un conjunto. Típicamente, un grafo se representa
Más detallesEMPRESA PRODUCTORA EMPRESA COMERCIAL EMPRESA DE SERVICIOS INMOVILIZADO EXISTENCIAS VALORACIÓN EXISTENCIAS EFICIENCIA
UNIDAD 3. EL PLAN DE OPERACIONES PLAN OPERACIONES CONCEPTO EMPRESA PRODUCTORA EMPRESA COMERCIAL EMPRESA DE SERVICIOS INVERSIONES APROVISIONAMIENTO INMOVILIZADO EXISTENCIAS VALORACIÓN EXISTENCIAS CICLO
Más detallesOPTIMIZACIÓN DE CÓDIGO
OPTIMIZACIÓN DE CÓDIGO INTRODUCCION La finalidad de la optimización de código es producir un código objeto lo más eficiente posible. En algunos casos también se realiza una optimización del código intermedio.
Más detallesProblemas de la Ruta más m s corta
Modelos de Redes: Problemas de la Ruta más m s corta M. En C. Eduardo Bustos Farías as Problemas de la Ruta más m s corta Problemas de la Ruta más m s corta Se trata de encontrar la ruta de menor distancia,
Más detallesInteligencia Artificial. Integrantes Equipo # 1:
INSTITUTO TECNOLÓGICO De Nuevo Laredo Especialidad: Ingeniería en Sistemas Computacionales Catedrático: Ing. Bruno López Takeyas. Asignatura: Inteligencia Artificial. Integrantes Equipo # 1: Javier Alonso
Más detalles4. DIAGRAMAS DE INTERACCIÓN INTRODUCCIÓN DIAGRAMAS DE SECUENCIA Objetos Mensajes
4. DIAGRAMAS DE INTERACCIÓN...37 4.1. INTRODUCCIÓN... 37 4.2. DIAGRAMAS DE SECUENCIA... 37 4.2.1. Objetos...37 4.2.2. Mensajes...38 4.2.3. Creación y destrucción de un objeto...39 4.3. DIAGRAMAS DE COLABORACIÓN...
Más detallesModelos de Redes: Problema del flujo máximom. M. En C. Eduardo Bustos Farías
Modelos de Redes: Problema del flujo máimom M. En C. Eduardo Bustos Farías as Problema del flujo máimom Problema del flujo máimom Este modelo se utiliza para reducir los embotellamientos entre ciertos
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesMODELOS DE COMPUTACION I Preguntas Tipo Test. 1. El lema de bombeo puede usarse para demostrar que un lenguaje determinado es regular.
MODELOS DE COMPUTACION I Preguntas Tipo Test Indicar si son verdaderas o falsas las siguientes afirmaciones: 1. El lema de bombeo puede usarse para demostrar que un lenguaje determinado es regular. 2.
Más detallesCAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesAPUNTADORES. Un apuntador es un objeto que apunta a otro objeto. Es decir, una variable cuyo valor es la dirección de memoria de otra variable.
APUNTADORES Un apuntador es un objeto que apunta a otro objeto. Es decir, una variable cuyo valor es la dirección de memoria de otra variable. No hay que confundir una dirección de memoria con el contenido
Más detallesUnidad 1 Introducción y resolución de problemas 11/01/2014
Unidad 1 Introducción y resolución de problemas 11/01/2014 Unidad 1 Lección 1 Introducción a la Inteligencia Artificial 3 Contenidos 1. Qué es inteligencia artificial? 2. Perspectiva histórica 3. Tipos
Más detallesDiseño Estructurado de Algoritmos
Diseño Estructurado de Algoritmos 1 Sesión No. 11 Nombre: Estructuras algorítmicas. Tercera parte. Objetivo de la sesión: Al concluir la sesión el estudiante aplicará las estructuras algorítmicas repetitivas
Más detallesMedidas de Tendencia Central
Medidas de Tendencia Central En cualquier análisis o interpretación, se pueden usar muchas medidas descriptivas que representan las propiedades de tendencia central, variación y forma para resumir las
Más detallesPráctica 2. Algoritmos de enfriamiento simulado (simulated annealing)
PLANIFICACIÓN Y GESTIÓN DE REDES Grado en Ingeniería Telemática Curso 2012-2013 Práctica 2. Algoritmos de enfriamiento simulado (simulated annealing) Autor: Pablo Pavón Mariño 1. Objetivos Los objetivos
Más detallesNotación Asintótica 2
Notación Asintótica 2 mat-151 1 Éxamen Rápido (6 minutos) Cada operación fundamental usa c milisegundos, cuánto tiempo toma contar hasta 1,000,000? Cuál es el valor de N? Cuál es el órden de complejidad
Más detallesPROGRAMACION CONCURRENTE Y DISTRIBUIDA
PROGRAMACION CONCURRENTE Y DISTRIBUIDA V.2 Redes de Petri: Análisis y validación. J.M. Drake 1 Capacidad de modelado y capacidad de análisis El éxito de un método de modelado es consecuencia de su capacidad
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesComplejidad de los Algoritmos
Que es un Algoritmo? Complejidad de los Algoritmos Webster: cualquier método especial para resolver cierta clase de problemas. Horowitz: método preciso utilizable en una computadora para la solución de
Más detallesEspecificación y uso de módulos en C++(II)
Sesión 3 Especificación y uso de módulos en C++(II) 3.1 La clase Poli para representar polinomios Disponemos de la clase Poli que permite operar con polinomios de coeficientes enteros. Se basa en el módulo
Más detallesSistemas Operativos. Dr. Luis Gerardo de la Fraga. Departamento de Computación Cinvestav
Sistemas Operativos Dr. Luis Gerardo de la Fraga E-mail: fraga@cs.cinvestav.mx http://cs.cinvestav.mx/~fraga Departamento de Computación Cinvestav 12 de junio de 2015 Dr. Luis Gerardo de la Fraga Cinvestav,
Más detallesClase 9 Programación No Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 9 Programación No Lineal ICS 110 Optimización Profesor : Claudio Seebach Apuntes de Clases
Más detalles2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO. Una señal puede ser definida como una portadora física de información. Por ejemplo,
2. SEÑALES Y SISTEMAS DISCRETOS EN EL TIEMPO Una señal puede ser definida como una portadora física de información. Por ejemplo, las señales de audio son variaciones en la presión del aire llevando consigo
Más detallesSistemas Operativos. Curso 2016 Sistema de Archivos
Sistemas Operativos Curso 2016 Sistema de Archivos Agenda Interfaz. Archivos. Directorios. Seguridad en archivos. Implementación. Definiciones. Sistema de archivos virtual. Estructura de los directorios.
Más detallesDescripción inicial del sistema. Descripción final del sistema. Estado 1 Estado 2 Estado n
Búsqueda en Inteligencia Artificial Fernando Berzal, berzal@acm.org Búsqueda en I.A. Introducción Espacios de búsqueda Agentes de búsqueda Uso de información en el proceso de búsqueda Búsqueda sin información
Más detallesAlgoritmos de búsqueda
Capítulo 3 Algoritmos de búsqueda 3.1. Introducción Para realizar una búsqueda en el juego del ajedrez, éste, puede ser representado mediante un árbol, en el cual los nodos representan posiciones del tablero
Más detallesÍNDICE INTRODUCCIÓN...13
ÍNDICE INTRODUCCIÓN...13 CAPÍTULO 1. LENGUAJE ALGORÍTMICO...15 1.1 DEFINICIÓN DE ALGORITMO...16 1.2 LA ROTACIÓN DE UNA LISTA DE NÚMEROS NATURALES...20 1.3 CUESTIONES...23 1.3.1 Dos comerciales en el restaurante...23
Más detallesPROGRAMACIÓN LINEAL ENTERA
PROGRAMACIÓN LINEAL ENTERA Programación lineal: hipótesis de perfecta divisibilidad Así pues decimos que un problema es de programación lineal entera, cuando prescindiendo de las condiciones de integridad,
Más detallesModelos de cola.
Modelos de cola http://humberto-r-alvarez-a.webs.com Las colas Las colas son frecuentes en la vida cotidiana: En un banco En un restaurante de comidas rápidas Al matricular en la universidad Los autos
Más detallesTema 7: Búsqueda con adversario (juegos)
Tema 7: Búsqueda con adversario (juegos) José Luis Ruiz Reina José Antonio Alonso Franciso J. Martín Mateos María José Hidalgo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detalles6. Diagramas de flujo.
Ingeniería de Control I Tema 6 Diagramas de flujo 1 6. Diagramas de flujo. Representación en DF Simplificaciones Fórmula de Mason Formas de Kalman Sistemas MIMO Diagramas de Flujo 2 1 Bibliografía Señales
Más detallesAmplificadores Operacionales
Amplificadores Operacionales Configuraciones básicas del amplificador operacional Los amplificadores operacionales se pueden conectar según dos circuitos amplificadores básicos: las configuraciones (1)
Más detallesIntroducción a la Robótica
Introducción a la Robótica L. Enrique Sucar INAOE Robótica Probabilista, L. E. Sucar 1 10.2 9.2 8.2 6.8 5.8 4.8 3.8 3.4 3 9.8 8.8 7.8 6.8 5.8 4.8 4.4 2.4 2 6.4 5.4 4.4 3.4 1.4 1 8.8 7.8 6.8 4 3 2 1 0 9.2
Más detallesTrabajando con Listas
Trabajando con Listas Hasta ahora hemos trabajado en base a los ejemplos para ir comprendiendo esta herramienta. Este es el primer caso en el que vamos a programar desde cero. El enunciado que queremos
Más detallesUNIDAD 9. DATOS COMPLEJOS PILAS
UNI 9. TOS OMPLEJOS PILS Una pila es una lista de elementos en la que se pueden insertar y eliminar elementos sólo por uno de los extremos. omo consecuencia, los elementos de una pila serán eliminados
Más detallesProgramación Lineal. Modelo de Redes. Alcance de las aplicaciones. Curso: Investigación de Operaciones Ing. Javier Villatoro
Programación Lineal Modelo de Redes Alcance de las aplicaciones Curso: Investigación de Operaciones Ing. Javier Villatoro ALCANCE DE LAS APLICACONES DE REDES ALCANCE DE LAS APLICACIONES Muchas situaciones
Más detallesMétodos de Ordenamiento. Unidad VI: Estructura de datos
Métodos de Ordenamiento Unidad VI: Estructura de datos Concepto de ordenación La ordenación de los datos consiste en disponer o clasificar un conjunto de datos (o una estructura) en algún determinado orden
Más detallesSistemas de Interconexión entre Redes LAN
Los puentes Sistemas de Interconexión entre Redes LAN Generalidades Los puentes (bridges) operan en la capa de enlace de datos Sólo se usan las direcciones del nivel 2 de OSI En caso de redes IEEE 802.x,
Más detallesDefinición 1.1 Sea G = (V, A) un grafo no dirigido. G se denomina árbol si es conexo y no contiene ciclos.
Matemática Discreta y Lógica 2 1. Árboles Árboles Definición 1.1 Sea G = (V, A) un grafo no dirigido. G se denomina árbol si es conexo y no contiene ciclos. Como un lazo es un ciclo de longitud 1, un árbol
Más detallesMODELOS DE INVESTIGACION DE OPERACIONES
MODELOS DE INVESTIGACION DE OPERACIONES CARACTERÍSTICAS Los modelos se dividen en determinísticos (no probabilisticos) y estocásticos (probilisticos). Hay otros modelos híbridos porque incluyen las dos
Más detallesCapitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS
Capitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS INTRODUCCIÓN En el mundo real, tanto en las relaciones económicas como en las políticas o sociales, son muy frecuentes las situaciones en las que, al
Más detallesTeoría de grafos y optimización en redes
Teoría de grafos y optimización en redes José María Ferrer Caja Universidad Pontificia Comillas Definiciones básicas Grafo: Conjunto de nodos (o vértices) unidos por aristas G = (V,E) Ejemplo V = {,,,,
Más detallesTipos algebraicos y abstractos. Algoritmos y Estructuras de Datos I. Tipos algebraicos
Algoritmos y Estructuras de Datos I 1 cuatrimestre de 009 Departamento de Computación - FCEyN - UBA Programación funcional - clase Tipos algebraicos Tipos algebraicos y abstractos ya vimos los tipos básicos
Más detallesAlgebra Lineal Tarea No 22: Valores y vectores propios Solución a algunos problemas de la tarea (al 29 de junio de 2014)
Algebra Lineal Tarea No : Valores y vectores propios a algunos problemas de la tarea (al 9 de junio de 04. Para la matriz A A Indique cuáles vectores son vectores propios: ( ( ( v, v, v 3 3 Recordemos
Más detallesUna ecuación puede tener ninguna, una o varias soluciones. Por ejemplo: 5x 9 = 1 es una ecuación con una incógnita con una solución, x = 2
Podemos definir a las ecuaciones como una igualdad entre expresiones algebraicas (encadenamiento de números y letras ligados por operaciones matemáticas diversas),en la que intervienen una o más letras,
Más detallesDiagramas de secuencia
Facultad de Ingeniería Departamento de Ingeniería de Sistemas y Computación Diagramas de secuencia Fragmentos Combinados: caminos alternativos Departamento de Ingeniería de Sistemas y Computación - Universidad
Más detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS Autor: Miguel Ángel Muñoz Pérez. Primera versión: Noviembre, 1997. Última modificación: Abril, 2005. ADVERTENCIA Si ya sabes lo que es un algoritmo genético y esperas hallar algo novedoso
Más detallesEstructuras en LabVIEW.
Estructuras en LabVIEW. Sumario: 1. Ejecución según el flujo de datos. 2. Estructuras básicas disponibles en LabVIEW. a) Estructura Sequence. b) Estructura Case. c) Estructura For Loop. d) Estructura While
Más detallesProyecto 6. Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial.
Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Funcionamiento: Se realiza un test en cada nodo interno del árbol, a medida que
Más detalles