Inteligencia Computacional

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Inteligencia Computacional"

Francisco Javier Macías Botella
hace 6 años
Vistas:

1 Inteligencia Computacional Búsqueda local: hill-climbing Blanca A. Vargas Govea * blanca.vg@gmail.com * Agosto, 0

2 La solución es una secuencia de acciones A-I-G-H A B I C G D E F F H H Métodos anteriores

3 En vez de explorar los caminos se evalúan y modifican uno o más estados Los algoritmos son adecuados para problemas en los que importa el estado meta, no el camino A B C D E F G H A C B D E F G H A B C D E F G H Búsqueda local

4 Los caminos no se almacenan A B C D E F G H A C B D El movimiento es hacia vecinos del estado E F G H A B C D E F G H Generación y evaluación de vecinos Búsqueda local 4

5 simple Selecciona la primer acción que mejora el estado actual Algoritmo Hill climbing 5

6 steepest ascent Evalúa a todos los vecinos y se mueve en la dirección en donde el valor aumenta ( cuesta arriba ) Termina cuando alcanza un pico donde ningún vecino tiene mayor valor Algoritmo Hill climbing 6

7 steepest ascent No mantiene un árbol de búsqueda La estructura de datos del nodo actual solamente registra el estado y el valor de la función objetivo Si hay vecinos empatados, la estrategia más simple es seleccionar de forma aleatoria Algoritmo Hill climbing 7

8 steepest ascent estado_actual = estado_inicial loop Generar sucesores del estado_actual Obtener el sucesor con el valor más alto if valor(sucesor) < valor(estado_actual) then return estado_actual else estado_actual = sucesor Algoritmo Hill climbing 8

9 función objetivo máximo local máximo global función objetivo máximo local máximo global Solución: óptimo local espacio de estados Solución: óptimo global espacio de estados Algoritmo Hill climbing 9

10 Valor de la función objetivo Posibles objetivos: Minimizar costo Maximizar el valor de la función El estado inicial es importante Panorama espacio de stados 0

11 Razones de estancamiento Máximo local. Pico más alto que cualquier vecino pero menor al óptimo global. Cresta. Secuencia de máximos locales. Meseta. Área plana del espacio de estados (plano, hombro). En cada caso, el algoritmo llega a un punto en el cual no puede alcanzar una mejor solución Algoritmo Hill climbing

12 Saliendo de mesetas Se llega a una meseta cuando el vecino mejor evaluado tiene el mismo valor que el estado actual. hombro Idea: movimientos laterales esperando que encuentre un mejor vecino. máximo local plano Riesgo: que no existan y se entre en un ciclo infinito. Posible solución: limitar el no. de movimientos laterales. Algoritmo Hill climbing

13 Considera las 5 figuras geométricas de tamaño,,,4 y 5: 4 5 Se da el estado inicial y el estado meta. Solamente se puede mover la pieza de arriba y usar stacks adicionales. Ejemplo : acomoda los bloques

14 + por cada figura que esté sobre la figura correcta. El estado meta vale por cada figura que esté en la figura incorrecta. Ejemplo - heurística 4

15 Estado meta Estado inicial = = Ejemplo - heurística 5

16 Movimiento = Mejor evaluación que el estado inicial. Reemplaza al estado actual. Movimiento a = Menor al estado actual Ejemplo - heurística 6

17 Movimiento 4 5 Movimiento b 4 5 Se llega a un óptimo local = Mejor evaluación que el estado inicial. Reemplaza al estado actual = Menor al estado actual Para a y b la evaluación es menor que el estado inicial. El movimiento es el mejor. Ejemplo - heurística 7

18 +n por cada figura que esté en un grupo correcto de n figuras. El estado meta tiene el valor de 0. -n por cada figura que esté en un grupo incorrecto de n figuras. Ejemplo - heurística 8

19 Estado meta Estado inicial está sobre pieza correcta = está sobre piezas correctas = está sobre piezas correctas = está sobre 4 piezas correctas = 4 0 está sobre pieza incorrecta = - está sobre piezas incorrectas = - está sobre piezas incorrectas = - 5 está sobre 4 piezas incorrectas = -4-0 Ejemplo - heurística 9

20 4 5 Movimiento está sobre pieza incorrecta = - está sobre piezas incorrectas = - está sobre piezas incorrectas = = -6 Mejor evaluación que el estado inicial. Reemplaza al estado actual. Movimiento a = - Mayor al estado actual Ejemplo - heurística 0

21 4 5 Movimiento está sobre pieza incorrecta = - está sobre piezas incorrectas = - está sobre piezas incorrectas = Movimiento b --- = -6 Mejor evaluación que el estado inicial. Reemplaza al estado actual. --- = -4 Mayor al estado actual Se evita el óptimo local Ejemplo - heurística

22 Estado inicial 4 h= Estado meta h= h=4 h= h=0 4 5 Reemplaza Reemplaza h= h= h= h=0 h= En este caso, HC es exitoso Ejemplo - 8 puzzle

23 Agente viajero. Traveling Salesman Problem (TSP). Dado un conjunto de n ciudades y el costo del viaje entre cada par, el problema es encontrar la forma menos costosa de visitarlas todas, sin repetición y regresar al punto de partida. F 4 4 A E 5 B D 4 C Pueden usarse distintos operadores. El más simple: intercambiar el orden en que dos ciudades son visitadas. Ejemplo : agente viajero

24 Estado inicial ABCDEF (6) ACBDEF (7) ABDCEF (7) ABCEDF (9) ABCDFE (5) reemplaza ABCDFE (5) ACBDFE (6) ABDCFE (7) ABCFDE (0) Ninguno es mejor. F 4 4 A E 5 B 4 D C Óptimo local: ABCDFE Ejemplo : agente viajero. Óptimo local. 4

25 Si consideramos que cualquier par de ciudades puede intercambiarse al mismo tiempo: ABCDEF (6) ACBDEF (7) ADCBEF () AECDBF (5) AFCDEB (9) ABDCEF (6) ABEDCF (9) ABCEDF (7) ABCFED (6) ABCDFE (5) ADCBEF () ACDBEF (5) AECBDF (7) ADBCEF () ADFBEC (4) ADCFEB (4) AFCBED (6) ADEBCF (6) ADCEBF () ADCBFE (0) Óptimo global: ADCBFE Al reemplazar y continuar, no hay otro menor Ejemplo : agente viajero. Óptimo global. 5

26 Stochastic hill: no examina a todos los vecinos, selecciona aleatoriamente a uno y con base en la mejora decide si revisa otro o se queda con ése. Random restart hill climbing: realiza series de búsqueda hill climbing a partir de estados iniciales generados aleatoriamente hasta que se encuentra la meta. Variantes 6

27 Ventajas Fácil de implementar, poca memoria Fácil para obtener una solución aproximada Desventajas El diseño de la función de evaluación puede ser difícil Si el no. de movimientos es muy grande puede ser ineficiente Si el no. de movimientos es pequeño puede estancarse fácilmente Ventajas/desventajas de Hill Climbing 7

28 Recocido simulado Algoritmos genéticos Familia de algoritmos de búsqueda local 8

29 Problema de los misioneros y caníbales. misioneros y caníbales están en la orilla izquiera de un río. Los 6 quieren cruzar el río. Un bote está disponible pero el bote solamente puede llevar personas a la vez. Además, los misioneros no deben ser menos (en número) que los caníbales en ningún momento. Ejercicio: resolver usando Hill Climbing 9

30 Referencias Russell, S., y Norvig, P. (00). Artificial intelligence: A modern approach (nd edition ed.). Prentice-Hall, Englewood Cliffs, NJ. Grosan C., y Abraham A. (0) Intelligent Systems: A Modern Approach. Intelligent Systems Reference Library, Volume 7. Springer. 0

Documentos relacionados

Estado 3.2 (coste = 9)

Estado 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