Tema 2: Juegos unipersonales
|
|
- José María Correa Castillo
- hace 7 años
- Vistas:
Transcripción
1 Tema : Juegos unipersonales Resumen:. Juegos unipersonales.. Representación básica.. Juegos con información completa.. Recursos limitados en juegos con información completa.. Juegos con información incompleta Fundamentos de Inteligencia rtificial º Ing. up. Inf
2 Juegos unipersonales Juegos sin contrario (pasatiempos) Ejemplos: n-puzzle: - Laberinto: n Reinas: El agente es el único jugador Fundamentos de Inteligencia rtificial º Ing. up. Inf
3 Componentes que definen un problema Problema: Descripción de los estados (posibles situaciones) Descripción de los operadores (acciones) determina en que condiciones (estados) se puede aplicar una acción determina el resultado de realizar una acción (el estado resultante) Función de coste que asigna un coste a cada acción ( o secuencia de acciones) Descripción de la solución un estado objetivo ( reinas) una acción (laberinto) una secuencia de acciones (-puzzle) Instanciación del problema: Estado meta Estado inicial (situación actual) Fundamentos de Inteligencia rtificial º Ing. up. Inf
4 Ejemplo: -Puzzle Problema: Instanciación: Estados: posición de cada una de las piezas cciones: Coste: mover pieza adyacente a la posición del hueco de a operadores aplicables, según el estado La aplicación de cada operador vale una unidad Estado inicial Estado meta olución: secuencia de acciones que lleva de un estado inicial al estado meta Fundamentos de Inteligencia rtificial º Ing. up. Inf
5 Representación de problemas / búsqueda en el espacio de estados Ejemplo con -Puzzle olución óptima estado inicial Instanciación estado meta Fundamentos de Inteligencia rtificial º Ing. up. Inf
6 Búsqueda en espacios de estados Espacio de estados: modelo del mundo representado por un grafo mundo modelo representación situacion estado nodo acción y sus efectos operador arco solución plan (secuencia de acciones); acción; estado camino; arco; nodo Problema de búsqueda: espacio de estados + actitud del agente actitud estados meta eficiencia de un plan estado inicial representación conjunto de nodos coste de un camino nodo inicial Objetivo: encontrar el plan más eficiente que lleve del estado inicial a un estado meta Fundamentos de Inteligencia rtificial º Ing. up. Inf
7 Formalización del problema Ejemplo -Puzzle: Representación (eficiente) de estados x x, x, x Estado inicial Estado meta, 0,,,0 Coste de un operador: para todos los operadores Coste de un plan: suma de los costes de los operadores Tipo de solución: plan Fundamentos de Inteligencia rtificial º Ing. up. Inf
8 Fundamentos de Inteligencia rtificial º Ing. up. Inf Formalización del problema Ejemplo -Puzzle: Operadores: z y x, 0, z y x,,0 OP: z x y 0,, OP: z y x,,0 z y x, 0, OP:,0, y z x OP: z y x, 0, z y x,,0 z x y 0,,,0, z x y OP: z y x, 0, OP:,0, y z x y z x 0,, OP: OP: z x y 0,,,0, y z x z y x,,0
9 Ejercicio. Problema de búsqueda / formalización: En una mesa se encuentran dos jarras, una con una capacidad de litros (llamada Tres), y la otra con una capacidad de litros (llamada Cuatro). Inicialmente, Tres y Cuatro están vacías. Cualquiera de ellas puede llenarse con el agua de un grifo G. simismo, el contenido tanto de Tres como de Cuatro puede vaciarse en una pila P. Es posible echar todo el agua de una jarra a la otra. No se dispone de dispositivos de medición adicionales. e trata de encontrar una secuencia de operadores que deje exactamente dos litros de agua en Cuatro. a) Modele este problema como un problema de búsqueda. Con tal fin, defina una representación eficiente de los estados, el estado inicial, el conjunto de estados meta, los operadores con precondiciones y postcondiciones, tipo de solución, así como el coste de cada operador. b) Encuentre una solución al problema. Fundamentos de Inteligencia rtificial º Ing. up. Inf
10 Ejercicio. Problema de búsqueda / formalización: Modela el problema de las Torres de Hanoi Objetivo: Trasladar los discos de la aguja a B en el mismo orden B C Restricción: un disco mayor nunca debe reposar sobre uno de menor tamaño B C Fundamentos de Inteligencia rtificial º Ing. up. Inf
11 Método general de búsqueda Método de búsqueda: estrategia para explorar el espacio de estados en cada paso se expande un estado se desarrolla sucesivamente un árbol de búsqueda rbol de búsqueda: Método general de búsqueda:. seleccionar nodo hoja. comprobar si es nodo meta. expandir este nodo hoja Fundamentos de Inteligencia rtificial º Ing. up. Inf
12 lgoritmo general de búsqueda Elementos del algoritmo el árbol se representa en base a un registro del tipo nodo s 0 estado inicial abierta es una lista de nodos, con las hojas actuales del árbol vacía? determina si una lista es vacía primero quita el primer elemento de una lista ordinsertar añade un nodo a una lista, según una función de orden (determina el método de búsqueda) expandir devuelve los hijos de un nodo {búsqueda general} abierta s 0 Repetir i vacía?(abierta) entonces devolver(negativo) nodo primero(abierta) i meta?(nodo) entonces devolver(nodo) sucesores expandir(nodo) Para cada n sucesores hacer n.padre nodo ordinsertar(n,abierta,<orden>) Fin {repetir} Fundamentos de Inteligencia rtificial º Ing. up. Inf
13 Conocimientos mínimos a priori de un agente Conocimientos mínimos a priori de un agente de búsqueda en el espacio de estados: s 0 Estado inicial expandir: s {s i,..., s in } plica los posibles operadores a s y devuelve todos los posibles estados succesores meta?: s verdad falso Compara el estado s con los estados meta y devuelve verdad si s es un estado meta c: (s i, s j ) v, v ℵ Coste de un operador c n ( s s s ) = c( s s ) i k= i, in ik i k + Coste de un plan Fundamentos de Inteligencia rtificial º Ing. up. Inf
14 Estados repetidos Problema: el mismo estado puede repetirse varias veces en el árbol de búsqueda puede generarse el mismo subárbol varias veces oluciones: ignorarlo evitar ciclos simples: no añadir el padre de un nodo al conjunto de sucesores evitar ciclos generales: no añadir un antecesor de un nodo al conjunto de sucesores evitar todos los estados repetidos: no añadir ningún nodo existente en el árbol al conjunto de sucesores Fundamentos de Inteligencia rtificial º Ing. up. Inf
15 Clasificación de métodos de búsqueda Características: Completitud: se encuentra una solución si existe Optimalidad: se encuentra la mejor solución si hay varias Complejidad en tiempo: cuánto se tarda en encontrar la solución? Complejidad en espacio: cuánta memoria se utiliza en la búsqueda? Tipos de métodos de búsqueda: no informados: utilizan sólo los conocimientos a priori heurísticos: además utilizan información aproximada, y específica del problema, para guiar la búsqueda Fundamentos de Inteligencia rtificial º Ing. up. Inf
16 Métodos de búsqueda para juegos unipersonales Juegos con información completa: Búsqueda en amplitud y en profundidad Búsqueda de profundización iterativa Búsqueda bidireccional Recursos limitados Búsqueda voraz Búsqueda * Búsqueda con subobjetivos Búsqueda por ascenso de colinas Búsqueda con horizonte Juegos con información incompleta Búsqueda * en tiempo real Búsqueda con aprendizaje del * en tiempo real Fundamentos de Inteligencia rtificial º Ing. up. Inf
17 Tema : Juegos unipersonales Resumen:. Juegos unipersonales.. Representación básica.. Juegos con información completa Búsqueda en amplitud Búsqueda en profundidad Búsqueda en profundidad limitada Búsqueda de profundización iterativa Búsqueda bidireccional.. Recursos limitados en juegos con información completa.. Juegos con información incompleta Fundamentos de Inteligencia rtificial º Ing. up. Inf
18 Ejemplo base: -Puzzle Problema: Instanciación: Estados: posición de cada una de las piezas cciones: Coste: mover pieza adyacente a la posición del hueco de a operadores aplicables, según el estado La aplicación de cada operador vale una unidad Estado inicial Estado meta olución: secuencia de acciones que lleva de un estado inicial al estado meta Fundamentos de Inteligencia rtificial º Ing. up. Inf
19 Búsqueda en amplitud Búsqueda en amplitud: inglés: breadth first search Estrategia: generar el árbol por niveles de profundidad expandir todos los nodos de nivel i, antes de expandir nodos de nivel i+ Resultado: considera primero todos los caminos de longitud, después los caminos de longitud, etc. e encuentra el estado meta de menor profundidad Fundamentos de Inteligencia rtificial º Ing. up. Inf
20 Fundamentos de Inteligencia rtificial º Ing. up. Inf Nivel Nivel Nivel Nivel Nivel Árbol de búsqueda en amplitud (evitando ciclos simples)
21 lgoritmo para búsqueda en amplitud lgoritmo: usar el algoritmo general de búsqueda añadir nuevos sucesores al final de la lista abierta abierta funciona como cola inserción al final recuperación desde la cabeza estructura FIFO: siempre expandir primero el nodo más antiguo (es decir: menos profundo) {búsqueda en amplitud} abierta s 0 Repetir i vacía?(abierta) entonces devolver(negativo) nodo primero(abierta) i meta?(nodo) entonces devolver(nodo) sucesores expandir(nodo) Para cada n sucesores hacer n.padre nodo ordinsertar(n,abierta,final) Fin {repetir} Fundamentos de Inteligencia rtificial º Ing. up. Inf
22 Fundamentos de Inteligencia rtificial º Ing. up. Inf Árbol de búsqueda en amplitud Lista abierta:...
23 Complejidad Complejidad en espacio: proporcional al número de nodos abiertos Complejidad en tiempo: proporcional al número de nodos expandidos uponemos que en el árbol de búsqueda el factor de ramificación es b el mejor nodo meta tiene profundidad d Mejor caso Caso medio Peor caso d... d... d... d d d d d+ d+ espacio: +b+...+b d- +b d O(b d ) +b+...+b d +b d+ / O(b d ) +b+...+b d + b d+ -b O(b d ) tiempo: +b+...+b d- O(b d ) +b+...+b d / O(b d ) +b+...+b d - O(b d ) Fundamentos de Inteligencia rtificial º Ing. up. Inf
24 Requerimientos de tiempo y memoria Requerimientos de recursos de una búsqueda en amplitud exponencial factor de ramificación efectivo: 0 tiempo: 000 nodos/segundo memoria: 000 bytes/nodo profundidad nodos (abiertos) tiempo memoria 0 ms 00 Bytes 00 ms KB. s MB 0 min MB 0 horas GB días TB 0 años TB 0 00 años. TB Fundamentos de Inteligencia rtificial º Ing. up. Inf
25 Búsqueda en amplitud: análisis Ventajas: completo: siempre se encuentra un nodo meta si existe óptimo (para operadores de coste uno): siempre se encuentra el nodo meta menos profundo Problemas: complejidad exponencial incluso en el mejor caso los problemas de espacio son aún más graves que los problemas de tiempo Fundamentos de Inteligencia rtificial º Ing. up. Inf
26 Ejercicio. Búsqueda en amplitud: El grafo que se muestra al lado determina un problema de búsqueda. Cada nodo representa un estado; los arcos modelan la aplicación de operadores. uponga que es el estado inicial y que K y E son estados meta a) desarrolle el árbol de búsqueda que genera la búsqueda en amplitud. Cuál de los nodos meta se encuentra primero? b) indique el orden en que se expanden los nodos c) ponga el estado de la lista abierta en cada paso del algoritmo G H D C F E B K Z W Fundamentos de Inteligencia rtificial º Ing. up. Inf
27 Búsqueda en profundidad Búsqueda en profundidad: inglés: depth first search Estrategia: expandir el árbol de izquierda a derecha (los nodos más profundos primero) si se llega a un nodo sin sucesores, dar vuelta atrás y expandir el siguiente nodo más profundo Resultado: el método va explorando un camino actual no siempre se encuentra el nodo de profundidad mínima Fundamentos de Inteligencia rtificial º Ing. up. Inf
28 Fundamentos de Inteligencia rtificial º Ing. up. Inf... Árbol de búsqueda en profundidad (evitando ciclos simples) olución óptima
29 Búsqueda en profundidad lgoritmo: usar el algoritmo general de búsqueda añadir nuevos sucesores en la cabeza de la lista abierta abierta funciona como pila inserción en la cabeza de la lista recuperación desde la cabeza estructura LIFO: siempre expandir primero el nodo más reciente (es decir: el más profundo) al guardar todos los sucesores de un nodo expandido en abierta, se permite la vuelta atrás {búsqueda en profundidad} abierta s 0 Repetir i vacía?(abierta) entonces devolver(negativo) nodo primero(abierta) i meta?(nodo) entonces devolver(nodo) sucesores expandir(nodo) Para cada n sucesores hacer n.padre nodo ordinsertar(n,abierta,cabeza) Fin {repetir} Fundamentos de Inteligencia rtificial º Ing. up. Inf
30 Fundamentos de Inteligencia rtificial º Ing. up. Inf Lista abierta: Árbol de búsqueda en profundidad
31 Límites de profundidad Problema: si existen caminos infinitos sin nodo meta, es posible que la búsqueda en profundidad no termine la búsqueda en profundidad sólo es completa: en el caso de árboles de búsqueda finitos para espacios de búsqueda finitos; si se controla nodos repetidos en la misma rama del árbol olución: búsqueda en profundidad limitada: inglés: depth limited search búsqueda en profundidad con límite de profundidad d * antes de expandir un nodo, compruebe su profundidad expandir sólo nodos con profundidad d<d * incompleto si la profundidad del mejor nodo meta es mayor que d *... Fundamentos de Inteligencia rtificial º Ing. up. Inf
32 Fundamentos de Inteligencia rtificial º Ing. up. Inf Árbol de búsqueda en profundidad limitada (evitando ciclos simples) limite d*= 0
33 Búsqueda en profundidad limitada: complejidad Complejidad en tiempo: proporcional al número de nodos expandidos factor de ramificación b / límite de profundidad d * / nodo meta con profundidad d d * mejor caso: d O(d) (se expanden sólo los nodos del camino meta) peor caso: +b+...+b d*- O(b d* ) (se expanden todos los nodos de prof. < d * ) Complejidad en espacio: sólo los nodos del camino actual y sus vecinos (sucesores) necesitan almacenarse en la memoria lineal en la profundidad del árbol de búsqueda mejor caso (si se encuentra la solución): +b d O(b d) peor caso (si no hay solución hasta profundidad d*): +b d* O(b d * ) Fundamentos de Inteligencia rtificial º Ing. up. Inf
34 Búsqueda en profundidad limitada: análisis Ventajas: mejora significativa de la complejidad en espacio con respecto a la búsqueda en amplitud (lineal frente a exponencial): completo para límites de profundidad d * adecuados Problemas: no es óptima: el nodo meta que se encuentra puede no ser de profundidad mínima es común que unos límites buenos de profundidad sólo pueden establecerse cuando el problema ya haya sido resuelto en general, no se puede asegurar que la profundidad d de un nodo meta sea d d*, es decir no se puede garantizar la completitud. Fundamentos de Inteligencia rtificial º Ing. up. Inf
35 Ejercicio. Búsqueda en profundidad: El grafo que se muestra al lado determina un problema de búsqueda. Cada nodo representa un estado; los arcos modelan la aplicación de operadores. uponga que es el estado inicial y que K y E son estados meta a) desarrolle el árbol de búsqueda que genera la búsqueda en profundidad. Cuál de los nodos meta se encuentra primero? b) indique el orden en que se expanden los nodos c) ponga el estado de la lista abierta en cada paso del algoritmo d) cómo cambiaría el proceso de búsqueda si aplicamos límites de profundidad, p.e. d * =? G H D C F E B K Z W Fundamentos de Inteligencia rtificial º Ing. up. Inf
36 Ejercicio. Búsqueda en profundidad (limitada): La búsqueda en profundidad puede implementarse fácilmente con un programa recursivo. a) Especifique una implementación recursiva de la búsqueda en profundidad en pseudocódigo. b) Modifique el pseudocódigo del ejercicio a) para incorporar límites de profundidad. Fundamentos de Inteligencia rtificial º Ing. up. Inf
37 Inglés: iterative deepening search Idea: esquivar el problema de elegir d *, al probar todos los posibles límites de profundidad Estrategia: enumerar todos los límites de profundidad d, empezando por 0 realizar búsqueda de profundidad limitada hasta d lgoritmo: Búsqueda de profundización iterativa {búsqueda de profundización iterativa} abierta s 0 desde d 0 hasta hacer si búsqueda-en-prof-limitada(problema, d ) = éxito entonces fin {desde} devolver(nodo-meta) Fundamentos de Inteligencia rtificial º Ing. up. Inf
38 Búsqueda de profundización iterativa límite d * = límite d * = límite d * = fallo fallo éxito Fundamentos de Inteligencia rtificial º Ing. up. Inf
39 Búsqueda de profundización iterativa: complejidad Complejidad en espacio: igual que la búsqueda en profundidad: sólo se almacenan los nodos vecinos del camino actual lineal en la profundidad del árbol de búsqueda: todos los casos O(b d) Complejidad en tiempo: normalmente el coste adicional es relativamente pequeño argumento intuitivo: suponga un árbol de búsqueda de profundidad d los nodos interiores (prof. <d) se expanden varias veces los nodos hoja (prof. = d) se expanden sólo una vez en un árbol de búsqueda exponencial casi todos los nodos son hojas en consecuencia, para árboles de búsqueda grandes, la búsqueda de profundización iterativa no expande muchos más nodos que la búsqueda en profundidad limitada Fundamentos de Inteligencia rtificial º Ing. up. Inf
40 Búsqueda de prof. iterativa: complejidad en tiempo factor de ramificación = nodo nodos nodos nodos nodos nodos factor de ramificación = nodo 0 nodos 00 nodos 000 nodos nodos Fundamentos de Inteligencia rtificial º Ing. up. Inf
41 Fundamentos de Inteligencia rtificial º Ing. up. Inf Complejidad en tiempo en el peor caso: nº de nodos expandidos por la búsqueda en prof. limitada hasta prof. d: ( ) = = b b b b b d N d d pl ( ) ( ) ( ) ( ) ( ) = + = = = = = + + = = = = = b d bd b b d b b b b b b b b b j N d N d d d j d j j d j j d j j d j pl pi nº de nodos expandidos por la búsqueda de prof. iterativa hasta prof. d: Búsqueda de prof. iterativa: complejidad en tiempo
42 Fundamentos de Inteligencia rtificial º Ing. up. Inf Coste adicional de tiempo de la búsqueda de profundización iterativa: ( ) ( ) ( ) ( ) ( ) ( ) lim = + + = = + + = + + = + = = b b b b b b b b b b b b b b b d bd b b b b b d bd b b d N d N d d d d d d d d d d d d d d d d d d d b b b d b d b d b b b d b d b b b b b b d b d b bd b b d d d d d d b b b d bd b b pl pi Búsqueda de prof. iterativa: complejidad en tiempo
43 Búsqueda en prof. iterativa: complejidad en tiempo Coste adicional de tiempo de la búsqueda de profundización iterativa: pi N b para d se obtiene: = pl N b Ejemplo: b= 0 N N pi pl = 0 9 =. para b=0 y nodos meta profundos, la búsqueda de profundización iterativa expande sólo un % más nodos que la búsqueda en profundidad limitada complejidad en tiempo en el peor caso de la búsqueda de profundización iterativa : O(b d ) Fundamentos de Inteligencia rtificial º Ing. up. Inf
44 Ejercicio. Búsqueda de profundización iterativa: El grafo que se muestra al lado determina un problema de búsqueda. Cada nodo representa un estado; los arcos modelan la aplicación de operadores. uponga que es el estado inicial y que K y E son estados meta a) desarrolle la secuencia de árboles de búsqueda generadas por la búsqueda de profundización iterativa, indicando para cada uno de ellos el orden en que se expanden los nodos b) Cuál de los nodos meta se encuentra primero? G H D C F E B K Z W Fundamentos de Inteligencia rtificial º Ing. up. Inf
45 Ejercicio. Búsqueda de profundización iterativa: Describa características relevantes de los espacios de búsqueda en los que el rendimiento de la búsqueda de profundización iterativa es mucho peor que el de la búsqueda en profundidad estándar. Ponga un problema ejemplo que ilustre dichas características. Fundamentos de Inteligencia rtificial º Ing. up. Inf
46 Búsqueda bidireccional: Estrategia: generar dos árboles de búsqueda en amplitud en paralelo: uno desde el estado inicial uno desde el estado meta (con operadores invertidos) comprueba en cada paso si un nodo a expandir se encuentre en los nodos hoja del otro árbol Resultado: i un mismo nodo es hoja en ambos árboles, el camino a través de él es la solución e encuentra el estado meta de menor profundidad Búsqueda bidireccional Fundamentos de Inteligencia rtificial º Ing. up. Inf
47 Fundamentos de Inteligencia rtificial º Ing. up. Inf Árboles de búsqueda bidireccional (evitando ciclos simples)
48 lgoritmo para búsqueda bidireccional lgoritmo: usar el algoritmo para la búsqueda en profundidad emplear el algoritmos en paralelo, empezando por el estado inicial y final respectivamente comprobar(nodo): comprueba si un nodo está en la lista abierta del otro árbol conectar(árboles): conecta los dos árboles (por los primeros nodos hoja); invierte el camino hasta el nodo meta y devuelve el nodo meta {búsqueda bidireccional} abierta s 0 /s meta Repetir i vacía?(abierta) entonces devolver(negativo) nodo primero(abierta) i comprobar(nodo) entonces nodo_m conectar(árboles) devolver(nodo_m) sucesores expandir(nodo) Para cada n sucesores hacer n.padre nodo ordinsertar(n,abierta,final) Fin {repetir} Fundamentos de Inteligencia rtificial º Ing. up. Inf
49 Fundamentos de Inteligencia rtificial º Ing. up. Inf Árboles de búsqueda bidireccional abierta inicial abierta meta
50 Búsqueda bidireccional: complejidad brir dos medios árboles es menos costoso que un árbol entero Complejidad en espacio: proporcional al número de nodos abiertos Complejidad en tiempo: proporcional al número de nodos expandidos Complejidad de comprobar: constante utilizando tablas hash Mejor caso (se da si d es impar) (d-)/ (d+)/ (d-)/ Peor caso (se da si d es par) d/ d/+ d/+ d/ espacio: (+b+...+b (d-)/ ) +b O(b d ) [b d/ ] (+b+...+b (d+)/ - b) O(b d ) [b d/ ] tiempo: (+b+...+b ((d-)/)- ) + O(b d ) [b d/ ] (+b+...+b ((d+)/)- - ) O(b d ) [b d/ ] Fundamentos de Inteligencia rtificial º Ing. up. Inf
51 Búsqueda bidireccional: análisis Ventajas: completo: siempre se encuentra un nodo meta si existe óptimo (para operadores de coste uno): siempre se encuentra el nodo meta menos profundo reduce la complejidad (en espacio y en tiempo) de forma considerable Problemas: complejidad sigue siendo exponencial (especialmente en el espacio) puede ser dificil/ imposible en algunos casos: dificultad de calcular los predecesores de un nodo varios estados meta factor de ramificación del árbol inverso puede ser mayor Ejemplo: jedrez: estado meta jaque mate Fundamentos de Inteligencia rtificial º Ing. up. Inf
52 Ejercicio. Búsqueda bidireccional: El grafo que se muestra al lado determina un problema de búsqueda. Cada nodo representa un estado; los arcos modelan la aplicación de operadores. uponga que es el estado inicial y que E es estado meta a) desarrolle los árboles de búsqueda que genera la búsqueda bidireccional suponiendo que todos los operadores son inversibles. b) ponga el estado de las dos listas abiertas en cada paso del algoritmo G H B D C F Z E W Fundamentos de Inteligencia rtificial º Ing. up. Inf
53 Búsqueda no informada: resultados Resultados del peor caso: factor de ramificación b / profundidad de la mejor solución d / límite de profundidad d * complejidad en tiempo búsqueda en amplitud búsqueda en prof. limitada búsqueda bidireccional búsqueda de prof. iterativa O(b d ) O(b d* ) O(b d ) [b d/ ] O(b d ) [> que bus. en amp.] Método no informado preferido complejidad en espacio óptimo? (op. de coste ) O(b d ) O(b d * ) O(b d ) [b d/ ] O(b d) sí no sí sí completo? sí sólo si d d * sí sí Fundamentos de Inteligencia rtificial º Ing. up. Inf
54 Resumen (intermedio) resolución de problemas Muchos dominios se pueden representar mediante estados (situaciones) entre los que se puede transitar realizando acciones Problemas en este dominio se pueden resolver mediante una búsqueda en el espacios de estados Hay esencialmente posibles enfoques básicos de búsqueda:. Búsqueda aleatoria. Búsqueda ordenada (los algoritmos que hemos vista hasta ahora) y.? Fundamentos de Inteligencia rtificial º Ing. up. Inf
55 Resumen (intermedio) resolución de problemas Consideramos el siguiente ejemplo: Estado actual Estado meta simple vista: Cual de las acciones posibles harías? Por qué? Tercera estrategia básica de búsqueda: Búsqueda guiada (informada) Fundamentos de Inteligencia rtificial º Ing. up. Inf
56 Tema : Juegos unipersonales Resumen:. Juegos unipersonales.. Representación básica.. Juegos con información completa.. Recursos limitados en juegos con información completa Heurísticas Búsqueda voraz Búsqueda * Búsqueda con subobjetivos Búsqueda por ascenso de colinas Búsqueda con horizonte.. Juegos con información incompleta Fundamentos de Inteligencia rtificial º Ing. up. Inf
57 Problema En determinados problemas es imposible/impracticable buscar el plan de acciones completo. Las razones pueden ser: Limitación de recursos computacionales: el espacio de búsqueda es demasiado grande para buscar hasta la solución (no pueden emplear las técnicas anteriores) Ejemplo: jedrez, -Puzzle,... Información incompleta o entornos dinámicos: no se conocen todos los estados posibles del problema o no se pueden predecir los posibles efectos de acciones Ejemplo: laberinto, laberinto con obstáculos en movimiento gentes reactivos que actúan de forma rápida o cuyo objetivo es continuo: es imposible encontrar un plan de acciones hasta el final, por falta de tiempo o porque el estado objetivo es continuo solo hace falta una acción buena (no un plan de acción) Ejemplo: conducir un coche, agentes de control,... Fundamentos de Inteligencia rtificial º Ing. up. Inf
58 olución: Información heurística. cotar el espacio de búsqueda: Reducir anchura del árbol expandido: eliminar algunas ramas porque probablemente no reflejan la solución óptima Qué ramas no necesitan ser explorados? Reducir profundidad del árbol expandido: expandir el árbol sólo hasta un determinado nivel y elegir el nodo más prometedor Cuál es el nodo más prometedor?. Guiar la búsqueda: explorar ramas prometedoras del árbol antes que otras/ expandir determinados nodos antes que otras Qué nodos hay que expandir primero? e requiere información adicional: información heurística Heurística (griego: heuriskein): encontrar, descubrir compila conocimiento empírico sobre un problema / un entorno suele reflejar una estimación o aproximación de la solución (esencialmente imperfecta) Fundamentos de Inteligencia rtificial º Ing. up. Inf
59 Heurísticas plicación fuerte : la aplicación de la heurística reduce el problema se deja de analizar soluciones posibles pero improbables Objetivo: encontrar soluciones buenas (no necesariamente óptimas) minimizar el índice competitivo: Coste del camino real del agente Coste del camino óptimo mejorar el rendimiento de forma substancial / optimalidad y completitud no garantizados plicación débil : método de búsqueda + información heurística la información heurística no reduce el problema sino guía la búsqueda Información heurística puede mejorar el rendimiento medio de un método, pero no asegura una mejora en el peor caso Fundamentos de Inteligencia rtificial º Ing. up. Inf
60 Funciones heurísticas Funciones heurísticas en la búsqueda en el espacio de estados: estiman la cercanía de un estado a un estado meta Posibles funciones heurísticas: distancia : coste estimado del camino de un estado al estado meta h :N ℵ mide el coste real desde el nodo n hasta el nodo meta más cercano h * :N ℵ es una función heurística que estima el valor de h(n) similitud de un estado con el estado meta (mide la calidad o utilidad de un estado) Posibilidad de un estado de pertenecer al camino óptimo Ejemplos de funciones heurísticas: Laberinto: distancia en línea recta hasta la salida jedrez: número de piezas de un jugador Encontrar una ruta de Madrid a Bilbao en un mapa de capitales de provincias: evilla no; Burgos si; oria quizas; Fundamentos de Inteligencia rtificial º Ing. up. Inf
61 Encontrar Funciones Heurísticas: Diseño Estado inicial Problemas relajados: menos restricciones para cada operador h * : distancia h exacta en el problema relajado Puzzle: una pieza puede moverse de a B... a) siempre b) si B está vació c) si es adyacente a B Estado meta Funciones heurísticas: a) número de piezas descolocadas h a* (s 0 ) = b) suma de saltos necesarios h b* (s 0 ) = c) suma de las distancias de Manhattan h c* (s 0 ) = +++= Basadas en el coste del camino restante: valores pequeños reflejan estados buenos Fundamentos de Inteligencia rtificial º Ing. up. Inf
62 Búsqueda voraz Búsqueda voraz: Inglés: greedy search Idea: emplear una función heurística h* para guiar la búsqueda (heurística débil) minimizar el coste estimado para llegar a la meta Estrategia: Entre las hojas del árbol de búsqueda, seleccionar el nodo que minimice h * (n) lgoritmo: mantener la lista abierta ordenada por valores crecientes de h * insertar nuevos nodos en abierta según sus valores h * {búsqueda voraz} abierta s 0 Repetir i vacía?(abierta) entonces devolver(negativo) nodo primero(abierta) i meta?(nodo) entonces devolver(nodo) sucesores expandir(nodo) Para cada n sucesores hacer n.padre nodo ordinsertar(n,abierta,h * ) Fin {repetir} Fundamentos de Inteligencia rtificial º Ing. up. Inf
63 Búsqueda voraz (evitando ciclos simples): Ejemplo función heurística: h a * h a * = h * a = h * h * a = a = h a * = h a * = h a * =... h a * = h a * = h a * = h a * = h a * = h a * = h a * = h * a = camino óptimo h a * = 0 Fundamentos de Inteligencia rtificial º Ing. up. Inf
64 Búsqueda voraz (evitando ciclos simples): Ejemplo Ejemplo ( mínimo local de h * ): Nodo inicial: Nodo meta: h*: distancia de Manhattan h * = h * = h * = h * = h * = h * = h * = h * =... Fundamentos de Inteligencia rtificial º Ing. up. Inf
65 Búsqueda voraz: complejidad Depende de la función heurística: d profundidad de la mejor solución, b factor de ramificación efectivo si h*(n)=h(n): la búsqueda va directamente a la solución caso irreal, ya que significa que se conozca la solución complejidad en espacio: O(d b) complejidad en tiempo: O(d) otros casos: complejidad en espacio y en tiempo puede ser mayor que en la búsqueda por amplitud (si la función heurística es mala) OJO: hay que contar la complejidad de calcular h* Fundamentos de Inteligencia rtificial º Ing. up. Inf
66 Búsqueda voraz: análisis nálisis: en general, la búsqueda voraz sufre los mismos problemas que la búsqueda en profundidad no es óptima (ejemplo ) no es completa (ejemplo ) sin embargo, suele encontrar una solución aceptable de forma rápida Comentarios: para asegurar la completitud habría que evitar todos los estados repetidos el método es óptimo: si la función heurística devuelve siempre el coste exacto del camino: para todo n: h*(n)=h(n) en aquellos espacios de estados, en los que el coste de un nodo n es independiente del camino por el que se ha llega hasta él (p.e.: n-reinas) Fundamentos de Inteligencia rtificial º Ing. up. Inf
67 Ejercicio. Búsqueda voraz: -Puzzle a) plica la búsqueda voraz al problema presentado en el ejemplo. Utiliza en este caso la función heurística h c *. b) Compara la solución encontrada y el árbol expandido con la del ejemplo. Qué función heurística es mejor? Por qué? Fundamentos de Inteligencia rtificial º Ing. up. Inf
68 Ejercicio.9 Problema de las reinas: reinas en un tablero x estados: casillas de las reinas meta?: ninguna reina amenazada op.: mover una reina a otra casilla de su misma fila coste: el coste de cada op. es cero estado inicial: Nótese: dado que el coste de cada operador es 0, el camino por el cual se llega a un nodo no importa, siempre que al final se encuentre un nodo meta (ninguna reina esta amenazada) a) encuentre una heurística h * para el problema de las reinas b) resuelve el problema aplicando la búsqueda voraz con dicha heurística h * Fundamentos de Inteligencia rtificial º Ing. up. Inf
69 Búsqueda * Idea: emplear información heurística para guiar la búsqueda (heurística débil) minimizar el coste estimado total de un camino en el árbol de búsqueda combinar el coste para llegar al nodo n (se conoce exactamente: g), y el coste aproximado para llegar a un nodo meta desde el nodo n (estimado por la función heurística h * ) Función heurística de * : f (n) = g(n)+h(n): coste real del plan (camino) de mínimo coste que pasa por n f * (n) = g(n)+h * (n): estimación de f Estrategia * : entre las hojas del árbol de búsqueda, elegir el nodo de valor f * mínimo Fundamentos de Inteligencia rtificial º Ing. up. Inf
70 El lgoritmo * {búsqueda *} lgoritmo * : se basa en la búsqueda general almacenar el valor g de cada nodo expandido mantener la lista abierta ordenada por valores crecientes de f * insertar nuevos nodos en abierta según sus valores f * abierta s 0 Repetir i vacía?(abierta) entonces devolver(negativo) nodo primero(abierta) i meta?(nodo) entonces devolver(nodo) sucesores expandir(nodo) Para cada n sucesores hacer n.padre nodo ordinsertar(n,abierta, f * ) Fin {repetir} Fundamentos de Inteligencia rtificial º Ing. up. Inf
71 Búsqueda * (evitando ciclos simples): Ejemplo función heurística: f * (n)=g(n)+h a* (n) f * = 0+= f* =+= f * =+= f * =+= f * =+= f * =+=... f * =+= f * =+= f * =+= f * =+0= camino encontrado en búsqueda voraz f * =+= f * =+= f * =+= f * =+= Fundamentos de Inteligencia rtificial º Ing. up. Inf
72 Búsqueda * (evitando ciclos simples): Ejemplo Ejemplo ( mínimo local de h * ): Nodo inicial: f * =+= f * =0+= f * =+= Nodo meta: f * =+= f * =+= h*: distancia de Manhattan f * =+= f * =+= f * =+= f * =+= f * =+= f * =+= f * =+= f * =+= f * =+= f * =+= f * =+= f * =+0= Fundamentos de Inteligencia rtificial º Ing. up. Inf
73 Optimalidad y completitud de * * es optimo y completo si: h * es optimista: para todos los nodos n i : h * (n i ) h(n i ) para todos los nodos n i : h * (n i ) 0 El coste de todas las acciones es mayor que 0 (para todos los nodos hijos n i de cualquier nodo n j : c(n j, n i )>0) f * f * (n m ) Nodo meta no óptimo: g(n m )>g(n m ) f * (n m ) Mejor nodo meta: f * (n m )=h*(n m )+g(n m )=g(n m )=f(n m ) Camino infinito: Tiene que cruzar f*(n m ) an algún punto n inicial n m Fundamentos de Inteligencia rtificial º Ing. up. Inf
74 Calidad de las Funciones Heurísticas Definición: ean h * y h * dos funciones heurísticas optimistas. h * es más informada que h *, si para todo nodo n se cumple que Ejemplo: h * (n ) h * (n ) en el -puzzle, h c * es más informada que h a * las piezas bien colocadas no cuenta en h a * ni en h c * la distancia Manhattan de cada pieza descolocada es al menos en consecuencia, en toda posible configuración n del -puzzle la suma de las distancias es igual o mayor que la suma de piezas descolocadas para todas las configuraciones n se cumple h c* (n ) h a* (n ) Fundamentos de Inteligencia rtificial º Ing. up. Inf
75 Complejidad de * El número de nodos expandidos por * depende de la calidad de h * : Para dos funciones heurísticas h * y h * : i h * es más informada que h *, entones * (h * ) expande el mismo número o menos nodos que * (h * ) La complejidad es más baja si h * es más informada: si h * (n) = h(n) para todos los nodos n: información completa: complejidad lineal (sin contar la complejidad de computar h *!) calcular h * (n) suele equivaler a resolver el problema completo si h * (n) = 0 para todos los nodos n: * degenera a la búsqueda por amplitud Fundamentos de Inteligencia rtificial º Ing. up. Inf
76 Resultados experimentales Comparación experimental: número de nodos expandidos en el problema del -puzzle varias profundidades d de la solución media sobre 00 instancias del problema d prof. iterativa * (h a ) * (h c ) Fundamentos de Inteligencia rtificial º Ing. up. Inf
77 Ejercicio.0 lgoritmo * : uponga el juego de las torres de Hanoi con el estado inicial que se presenta al lado. El objetivo consiste en pasar la torre bien a la aguja B o bien a la aguja C. e filtren todos los estados repetidos y equivalentes (dos estados se consideran equivalentes, si están los mismos discos en la aguja mientras que los discos de las agujas B y C están intercambiadas). a)defina una función heurística para este problema. b)desarrolle el árbol de búsqueda que genera el algoritmo *, incluyendo los valores de g, h *, y f * de cada nodo. Indique el orden en que se expanden los nodos. c) u función heurística es optimista? rgumente su respuesta. B C B C B C Fundamentos de Inteligencia rtificial º Ing. up. Inf
78 Búsqueda por ubobjetivos Idea: reducir la anchura del árbol al subdividir el problema en varios problemas más pequeños determinar una secuencia de estados intermedios i,i,...,i n que muy posiblemente están en el camino óptimo realizar búsquedas con un método base (amplitud, prof., prof. iterativa,...) desde el estado inicial s 0 a i, de i a i,, e de i n al estado meta s m se aplica la heurística para elegir los estados intermedios Ejemplo -Puzzle: obtener filas correctas s 0 estado inicial????????? i i estados intermedios s m estado meta Fundamentos de Inteligencia rtificial º Ing. up. Inf
79 Búsqueda por subobjetivos (evitando ciclos simples) Método base: búsqueda en amplitud camino de s 0 a i : s 0 i Fundamentos de Inteligencia rtificial º Ing. up. Inf
80 Fundamentos de Inteligencia rtificial º Ing. up. Inf i =s m Búsqueda por subobjetivos (evitando ciclos simples) camino de i a i : i
81 Búsqueda por subojetivos: complejidad Complejidad en espacio: proporcional al número de nodos abiertos Complejidad en tiempo: proporcional al número de nodos expandidos En general se obtiene una mejora de la complejidad respecto a los métodos de búsqueda no informados que se usan como base basado en: la suma de varias búsquedas pequeñas es más eficiente que una búsqueda global depende de la selección inicial de los subojetivos condición necesaria para una mejora: los caminos entre los pares de subojetivos están más cortos que la solución global Fundamentos de Inteligencia rtificial º Ing. up. Inf
82 Búsqueda por subojetivos: Ejemplo complejidad General: método base: búsqueda en amplitud; factor de ramificación efectivo: b; profundidad de la mejor solución: d; x subojetivos intermedios; profundidad de los caminos mínimos entre los subobjetivos: d Ejemplo: b=; d=0; x=; d = (el camino encontrado tiene una longitud de ) mejor caso: - tiempo: General Bús. prof. Bús. subob. b d b d ' b ( x + ) * b Ejemplo Bús. prof. Bús. subob espacio: b d + b ( x b + ) * d ' + b peor caso: - tiempo: b d + b ( x d ' + b + ) * b espacio: b d + b b ( x d ' + b + ) * b b Fundamentos de Inteligencia rtificial º Ing. up. Inf
83 Búsqueda por subojetivos: análisis nálisis: Es completo si: El método base es completo, y Los subobjetivos están en (por lo menos) un camino que lleva del estado inicial a la meta Es óptimo si: El método base es óptimo, y Los subobjetivos están en este orden en el camíno mínimo desde el estado inicial a la meta Comentarios: Es posible utilizar búsquedas heurísticas como método base (p.e. búsqueda voraz) Es posible modificar el método para realizar búsquedas jerárquicas: plicar la búsqueda a distintos niveles jerárquicas Por ejemplo: buscar un camino (en coche/barco) desde Madrid a Buenos ires Fundamentos de Inteligencia rtificial º Ing. up. Inf
84 Ejercicio. Problema de las reinas: Resuelve el problema de las reinas (del ejercicio.9) con la búsqueda por subobjetivos a) Utilizando como estado inicial el estado descrito en el ejercicio.9, define una serie de estados intermedios. b) Realiza los árboles de la búsqueda por subobjetivos, utilizando como método base la búsqueda por profundidad limitada. Determina un limite de profundidad adecuado. c) nalizar los árboles obtenidos y el árbol del ejercicio.9, para comparar la complejidad de los dos métodos. Fundamentos de Inteligencia rtificial º Ing. up. Inf
85 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
86 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
87 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
88 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
89 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
90 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
91 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
92 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
93 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
94 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
95 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
96 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
97 Búsqueda por ascenso de colinas (hill climbing) Idea subyacente: Reducir profundidad del árbol expandido ( on line search ) Realizar siempre la acción más prometedora Expandir el árbol sólo un nivel y realizar la acción hacía el mejor nodo Repetir el ciclo percepción/acción de forma continua olución óptima Repetir:. percibir estado. expandir nodo. elegir nodo más prometedor. realizar acción Fin repetir Fundamentos de Inteligencia rtificial º Ing. up. Inf
98 lgoritmo búsqueda por ascenso de colinas lgoritmo: h*: función heurística que estima la distancia al nodo meta más cercano percibir(entorno): devuelve el estado actual del problema evaluar(n,h*): calcula el valor de la función heurística h* para el nodo n debería comprobar si n es nodo meta en este caso debería devolver el mínimo valor posible acción(n,m):devuelve la acción que lleva de n a m ejecutar(a, entorno): efectúa la acción a en el entorno {búsqueda ascenso de colinas} Repetir nodo percibir(entorno) i meta?(nodo) entonces devolver(positivo) sucesores expandir(nodo) i vacia?(sucesores) entonces mejor devolver(negativo) arg min n sucesores a acción(n,mejor) ejecutar(a, entorno) Fin {repetir} [ (, )] * evaluar n h Fundamentos de Inteligencia rtificial º Ing. up. Inf
99 Fundamentos de Inteligencia rtificial º Ing. up. Inf h a * = h a * = h a * = Búsqueda por ascenso de colinas: Ejemplo No se evitan ciclos simples! Función heurística: h a * (piezas descolocadas) h a * = h a * = h a * = h a * = h a * = h a * = h a * = h a * = h a * = h a * = h a * = h a * =
100 Búsqueda por ascenso de colinas: Ejemplo (cont.) Función heurística: h a * (piezas descolocadas) h * a = h * h * a = a = h * a = h a * = h a * = h a * = h a * = h a * = h a * = h a * = h a * = 0 No es la solución óptima! Fundamentos de Inteligencia rtificial º Ing. up. Inf
101 Búsqueda por ascenso de colinas: complejidad Proporcional al número de nodos abiertos/expandidos d profundidad de la mejor solución, b factor de ramificación efectivo Complejidad en espacio: O(b) solo se mantiene en memoria los hijos de un nodo Complejidad en tiempo: depende de la función heurística hay que contar la complejidad de calcular h* si h*(n)=h(n): la búsqueda va directamente a la solución caso irreal, ya que significa que se conozca la solución complejidad en tiempo: O(d) otros casos: puede ser mayor que en la búsqueda por amplitud (si la función heurística es mala) Fundamentos de Inteligencia rtificial º Ing. up. Inf
102 Búsqueda por ascenso de colinas: análisis nálisis: uele obtener buenos resultados en algunos casos, especialmente: si no hay ciclos la función heurística es muy buena En general, no se puede asegurar optimalidad ni completitud No se puede evitar ciclos simples i h* es ideal (h*=h), entonces es óptimo y completo e puede conseguir completitud: i el conjunto de posibles estados es finito i se guardan todos los estados a los que se ha ido en el pasado: cada vez que se llega a un estado repetido, se elige una acción que no se ha elegido anteriormente pero, para eso hay que guardar todo el árbol y la ganancia en complejidad se pierde Fundamentos de Inteligencia rtificial º Ing. up. Inf
103 Búsqueda por ascenso de colinas: comentarios Comentarios: plicable en entornos inaccesibles o dinámicos Ejemplos: Laberinos, Robot moviéndose en un entorno real, Útil en tareas de optimización, donde se quiere mejorar el estado continuamente Ejemplo: Controlar los parámetros de procesos industriales Posibles modificaciones: e podría evitar ciclos simples guardando el último estado conocido Buscar un camino completo: Realizar el algoritmo off line olo simular las acciones pero no efectuarlas en el entorno No intercalar la búsqueda con el ciclo percepción/acción No es posible en entornos inaccesibles o dinámicos Fundamentos de Inteligencia rtificial º Ing. up. Inf
104 Ejercicio. Búsqueda por ascenso de colinas l lado se muestra el plano de una habitación. El agente () tiene que encontrar un camino a la salida (). En cada acción, el agente puede moverse a un cuadro adyacente (no diagonal), si no existe un obstáculo que lo impida. El agente conoce todo el plano de antemano. a) Resuelve el problema mediante la búsqueda por ascenso de colinas (evitando ciclos simples). b) Resuelve el problema mediante la búsqueda voraz (evitando ciclos simples). c) uponiendo que se evitan ciclos simples, Qué diferencias hay entre estos dos métodos? d) Qué ocurre (en ambos métodos) si no se evitan los ciclos simples? Fundamentos de Inteligencia rtificial º Ing. up. Inf
105 Búsqueda con horizonte Idea subyacente: la primera acción de un plan que lleva a un nodo con una evaluación heurística óptima, tiene una buena probabilidad de pertenecer al camino óptimo Reducir profundidad del árbol expandido ( on line search ) Expandir el árbol hasta un nivel k (horizonte) y realizar la acción hacía el mejor nodo en el nivel k Repetir el ciclo percepción/acción de forma continua lgoritmo general: Percibir el estado actual s plicar un método de búsqueda no informado hasta el nivel k y nodos metas. ea H el conjunto de nodos hoja hasta el nivel k: Utilizar h* para determinar el mejor nodo hoja n * * * H: n arg min h ( Ejecutar la primera acción a * en el camino que lleva a n * n H Repetir hasta que el agente se encuentra en un estado meta [ n) ] Fundamentos de Inteligencia rtificial º Ing. up. Inf
Búsqueda no-informada
Inteligencia rtificial úsqueda no-informada Ingeniería Informática, 4º urso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani 1 Inteligencia rtificial Tema 2: gentes basados en úsqueda Resumen:
Más detallesBúsqueda Heurística (1ª parte)
Búsqueda Heurística (1ª parte) Ingeniería Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani 1 Tema 2: Agentes basados en Búsqueda Resumen: 2. Agentes basados en búsqueda
Más detallesHoja de Problemas Tema 2 Búsqueda no-informada
Ejercicio 1: 1.1. El enfoque de los Agentes Inteligentes concibe el objetivo de la Inteligencia Artificial como el intento de construir sistemas (a) (b) (c) (d) que actúen como las personas (tipo Eliza).
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 detallesBúsqueda en línea y Búsqueda multiagente
Búsqueda en línea y Búsqueda multiagente Ingeniería Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani 1 Tema 2: Agentes basados en Búsqueda Resumen: 2. Agentes basados
Más detallesTema 3: Técnicas básicas de búsqueda para la resolución de problemas
Tema 3: Técnicas básicas de búsqueda para la resolución de problemas José Luis Ruiz Reina José Antonio Alonso Franciso J. Martín Mateos Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesResolviendo Problemas Buscando Soluciones. Tomás Arredondo Vidal 16/6/2010
Resolviendo Problemas Buscando Soluciones Tomás Arredondo Vidal 16/6/2010 Resolviendo Problemas Buscando Soluciones Contenidos Agentes que resuelven problemas Tipos de problemas Formulación de problemas
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Búsqueda Representación Tipos búsquedas: Sin información Con información
Más detallesALGORITMOS DE BÚSQUEDA. Ing. Ronald A. Rentería Ayquipa
ALGORITMOS DE BÚSQUEDA Algoritmos de Búsqueda Tipos Tipos de algoritmos de búsqueda ALGORITMOS DE BÚSQUEDA NO INFORMADA ALGORITMOS DE BÚSQUEDA HEURÍSTICA Búsqueda no informada Introducción Búsqueda no
Más detallesAgentes que resuelven problemas
Agentes que resuelven problemas 1. Formulación de meta (decidir que estados son objetivo) y del problema (decidir que acciones y estados se van a considerar) 2. Buscar una solución (examinar posibles acciones
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 detallesHoja de Ejercicios. Temas 1 y 2
Hoja de Ejercicios Temas 1 y 2 Ejercicio 1: Complete las siguientes frases con las alternativas especificadas. Si existen varias alternativas verdaderas, márquelas todas. 1.1. Cuál(es) de las siguientes
Más detallesInteligencia Artificial
Inteligencia rtificial I.T. en Informática de Sistemas, 3º urso académico: 2010/2011 Profesores: Ramón Hermoso y Roberto enteno Tema 2: úsqueda 2. úsqueda 2.1. gentes de resolución de problemas 2.2. úsqueda
Más detallesInteligencia Artificial
I.T. en Informática de Sistemas, 3º Curso académico: 2009/2010 Profesores: Sascha Ossowski y Ramón Hermoso 1 Tema 2: Búsqueda Resumen: 2. Búsqueda 2.1. Agentes de resolución de problemas 2.2. Búsqueda
Más detallesRESOLUCIÓN DE PROBLEMAS, BÚSQUEDA. Ing. Ronald A. Rentería Ayquipa
RESOLUCIÓN DE PROBLEMAS, BÚSQUEDA Introducción Resolución de Problemas La resolución de problemas es una capacidad que consideramos inteligente Somos capaces de resolver problemas muy diferentes Encontrar
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 detallesNo se permiten libros ni apuntes. Ejercicio 1 Ejercicio 2 Ejercicio 3 Ejercicio 4 TOTAL NOTA
Junio Duración: h Ejercicio Ejercicio Ejercicio Ejercicio TOTAL NOTA Ejercicio : [ puntos: respuesta acertada = +., respuesta incorrecta =.] Complete las siguientes frases y conteste a cada una con verdadero
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 detallesEjemplo. Ejemplo. 8-puzzle. Formulación de un Problema de Búsqueda. Inteligencia Artificial 2º cuatrimestre de Algoritmos de Búsqueda
ormulación de un Problema de úsqueda lgoritmos de úsqueda onsideraciones de iseño e mplementación estado inicial conjunto de acciones Se usa el término operador para denotar la descripción de una acción
Más detallesTema 2: Búsqueda. Resolución de problemas: formalización. Búsqueda en espacio de estados. Ejemplos. Búsqueda en espacio de estados.
Tema 2: Búsqueda Formalización de la resolución de problemas Ejemplos Procedimiento general de búsqueda Estrategias de control Búsqueda heurística Resolución de problemas: formalización CONCEPTO BÁSICO:
Más detallesInteligencia Artificial II Unidad Plan 2010-Ingeniería en Sistemas Computacionales
Inteligencia Artificial II Unidad Plan 2010-Ingeniería en Sistemas Computacionales Rafael Vázquez Pérez Unidad II:Técnicas de Búsqueda. 2.1. Solución de problemas con búsqueda. 2.2. Espacios de estados.
Más detallesAlgoritmos de Búsqueda Informados. Tomas Arredondo Vidal 16/6/2010
Algoritmos de Búsqueda Informados Tomas Arredondo Vidal 16/6/2010 Algoritmos de Búsqueda Informados Contenidos Best-first search Greedy best-first search A * search Heurísticas Búsqueda local Best-first
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 detallesBúsqueda Informada. Algoritmos primero el mejor Algoritmos de búsqueda local
Búsqueda Informada Algoritmos primero el mejor Algoritmos de búsqueda local Algoritmos primero el mejor Búsqueda primero el mejor Búsqueda Voraz A* Algoritmos primero el mejor Familia de algoritmos de
Más detallesNo se permiten libros ni apuntes. Ejercicio 1 Ejercicio 2 Ejercicio 3 Ejercicio 4 TOTAL NOTA
PLLID: MR: o se permiten libros ni apuntes jercicio 1 jercicio 2 jercicio 3 jercicio 4 TTL T jercicio 1: [XX puntos: respuesta acertada = +2, respuesta incorrecta = 2] Complete las siguientes frases y
Más detallesBúsqueda Informada. Heurísticas
Búsqueda Informada Heurísticas Búsqueda informada: heurística Ejemplo de heurística para el problema del viajante de comercio Clasificación de heurísticas Ventajas de las heurísticas Aplicando heurísticas
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 detallesEstimar la adecuación de un nodo para ser expandido.
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 3 - Solución 1. Contesta a las siguientes preguntas: (a) Cuál es el objetivo de una función heurística aplicada a la búsqueda en el espacio
Más detalles1. Método general. 2. Análisis de tiempos de ejecución. 3. Ejemplos de aplicación Problema de las 8 reinas Problema de la mochila 0/1.
Backtracking. Método general. 2. Análisis de tiempos de ejecución. 3. Ejemplos de aplicación. 3.. Problema de las 8 reinas. 3.2. Problema de la mochila 0/. Método general El backtracking (método de retroceso
Más detallesBúsqueda Heurística III
Búsqueda Heurística III Pedro Meseguer IIIA-CSIC Bellaterra, Spain pedro@iiia.csic.es Búsqueda heurística Búsqueda informada por la función heurística f(n) Algoritmos: esquema primero el mejor (best-first)
Más detallesSolución de Problemas Mediante Búsqueda (2) Carlos Hurtado Depto de Ciencias de la Computación, Universidad de Chile
Solución de Problemas Mediante Búsqueda (2) Carlos Hurtado Depto de Ciencias de la Computación, Universidad de Chile Manhattan Bike Curier (Acíclico) Ref. Curso IA U. of Toronto Algoritmo Genérico de Búsqueda
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 detallesIV. Métodos de Búsqueda Estudiaremos los métodos de búsqueda para resolver problema de la IA
IV. Métodos de Búsqueda Estudiaremos los métodos de búsqueda para resolver problema de la IA 1 4. Métodos de Búsqueda Tópicos Métodos de búsqueda Árbol de estado Métodos a ciegas Función evaluadora Métodos
Más detallesINGENIERÍA EN SISTEMAS Y COMUNICACIONES
INGENIERÍA EN SISTEMAS Y COMUNICACIONES UDA: INTELIGENCIA ARTIFICIAL TEMA: RESOLUCIÓN DE PROBLEMAS ESTRATEGIAS DE BÚSQUEDA Y CONTROL E L A B O R Ó : D R. E N C. H É C T O R R A F A E L O R O Z C O A G
Más detallesIngeniería en Sistemas Computacionales. Inteligencia Artificial. Ing. Bruno López Takeyas. Algoritmo Hill Climbing
Ingeniería en Sistemas Computacionales Inteligencia Artificial Ing. Bruno López Takeyas Algoritmo Hill Climbing Alumnos Ylliana Samantha Anderson Benavides 01100161 Pablo Saúl Hernández Ribota 01100230
Más detallesBúsqueda Heurística II
Búsqueda Heurística II Pedro Meseguer IIIA-CSIC Bellaterra, Spain pedro@iiia.csic.es Algoritmos Algoritmo: procedimiento computacional que termina si en algún caso no termina, hay que especificarlo Características:
Más detallesCAPÍTULO 3. GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica.
CAPÍTULO 3 GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica. Estos problemas se aplican en distintas áreas, tales como:
Más detalles1. Cuáles de las siguientes afirmaciones acerca del algoritmo Q-learning son ciertas
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 12 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Q-learning son ciertas (a) Para garantizar la convergencia de los valores
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 detallesINTELIGENCIA ARTIFICIAL II
ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DE MANABÍ MANUEL FÉLIX LÓPEZ CARRERA INFORMÁTICA SEMESTRE SÉPTIMO PERIODO ABR. /SEP.-2015 INTELIGENCIA ARTIFICIAL II TEMA: RESUMEN#2: - OTROS ALGORITMOS DE BÚSQUEDA
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 detallesParte de Algoritmos de la asignatura de Programación Master de Bioinformática. Búsqueda exhaustiva
Parte de Algoritmos de la asignatura de Programación Master de Bioinformática Búsqueda exhaustiva Web asignatura: http://dis.um.es/~domingo/algbio.html E-mail profesor: domingo@um.es Transparencias preparadas
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 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 detallesFundamentos de Inteligencia Artificial
Fundamentos de Inteligencia Artificial Búsqueda con Adversario Hugo Vega Huerta En esta sección Conoceremos métodos que permiten practicar juegos de tablero. una opción conduce a otra, pero se trata de
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 detallesInteligencia Artificial
Inteligencia Artificial II Resolución de problemas mediante búsquedas 1. Introducción Dr. Edgard Iván Benítez Guerrero cursofei@gmail.com 1 1. Introducción Agentes solucionadores de problemas Problemas
Más detallesAnálisis de algoritmos
Tema 10: Algoritmos ávidos M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com edfrancom@ipn.mx @edfrancom edgardoadrianfrancom 1 Contenido Introducción Algoritmos ávidos Forma general de un
Más detallesB s ú que u da p rim i ero o e n n p rof o u f n u d n id i ad: E tr t ate t gia i L I L FO B s ú que u da p rim i ero o e n n a nc n h c u h r u a:
Búsqueda sin información Fernando Berzal, berzal@acm.org Búsqueda sin información Recorridos sobre grafos Búsqueda en anchura (BFS) Búsqueda en profundidad (DFS) Descenso iterativo (IDS) [ vuelta atrás
Más detallesTema 2: Representación de problemas como espacios de estados
Tema 2: Representación de problemas como espacios de estados José Luis Ruiz Reina José Antonio Alonso Franciso J. Martín Mateos Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesEspacios de estados Técnicas básicas de búsqueda en espacios de estados Búsqueda informada mediante técnicas heurísticas.
Tema 3: Búsqueda José Luis Ruiz Reina José Antonio Alonso Franciso J. Martín Mateos Miguel A. Gutiérrez Naranjo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesBúsqueda 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 detallesBÚSQUEDA. Vicente Martínez Orga
BÚSQUEDA Vicente Martínez Orga vicente.martinez@upm.es Departamento de Inteligencia Artificial Facultad de Informática Universidad Politécnica de Madrid Campus de Montegancedo sn, 28660 Boadilla del Monte,
Más detallesINTELIGENCIA ARTIFICIAL Puzzle 3 x 3 con 3 Heurísticas
INTELIGENCIA ARTIFICIAL Puzzle x con Heurísticas El juego del puzzle se representa, sobre un tablero de x casillas. 8 de las casillas contienen una pieza o ficha que se puede deslizar a lo largo del tablero
Más detalles25/09/2014 BÚSQUEDA INFORMADA BÚSQUEDA VORAZ PRIMERO EL MEJOR (BÚSQUEDA ÁVARA / BÚSQUEDA PRIMERO EL MEJOR) EJEMPLO BÚSQUEDA VORAZ
Galadriel a Frodo, en El señor de los anillos: BÚSQUEDA INFORMADA M. en C. Arturo Rodríguez García Te entrego la luz de Eärendil, nuestra más preciada estrella, que ella te ilumine en los lugares más oscuros
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 detallesGrafos Eulerianos y Hamiltonianos. Algoritmos y Estructuras de Datos III
Grafos Eulerianos y Hamiltonianos Algoritmos y Estructuras de Datos III Grafos eulerianos Definiciones: Un circuito C en un grafo (o multigrafo) G es un circuito euleriano si C pasa por todos las aristas
Más detallesUn árbol binario T se define como un conjunto finito de elementos, llamados nodos, de forma que:
Instituto Universitario de Tecnología Industrial Rodolfo Loero Arismendi I.U.T.I.R.L.A. ÁRBOLES Sección 3DA Asignatura: Estructura de Datos Lenguaje (C). Ciudad Bolívar _ abril_ 2006. Introducción El siguiente
Más detallesTema 3: Técnicas básicas de
Inteligencia Artificial Curso 999 2000 Tema 3: Técnicas básicas de búsqueda José A. Alonso Jiménez Francisco J. Martín Mateos Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de
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(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 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 detallesSistemas Inteligentes. 3 o Ingeniería Informática
Sistemas Inteligentes Félix Gómez Mármol 3 o Ingeniería Informática 2 Índice general 1. Elementos de un Problema 5 1.1. Problemas y Representación de Problemas.................... 5 1.1.1. Representación
Más detallesAlgoritmo de ramificación y acotación
Algoritmo de ramificación y acotación Investigación Operativa Ingeniería Técnica en Informática de Gestión UC3M Curso 08/09 Descripción de los objetivos En esta práctica desarrollaremos el algoritmo de
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 detallesEstratégias generales de análisis y diseño de algorítmos
Estratégias generales de análisis y diseño de algorítmos comp-420 Ayudantes Hugo Eduardo Dueñas heduenas@cimat.mx (ordinaria) Alberto José Ramirez Valadez alberto@cimat.mx (ordinaria) Mandar tareas (programas)
Más detallesMetaheurísticas y heurísticas. Algoritmos y Estructuras de Datos III
Metaheurísticas y heurísticas Algoritmos y Estructuras de Datos III Metaheurísticas Heurísticas clásicas. Metaheurísticas o heurísticas modernas. Cuándo usarlas? Problemas para los cuales no se conocen
Más detallesBacktracking: Esquema General
Backtracking Idea: Técnica para recorrer sistemáticamente todas las posibles configuraciones de un espacio asociado a soluciones candidatos de un problema computacional. Se puede pensar este espacio tiene
Más detallesAmpliación de Algoritmos y Estructura de Datos Curso 02/03. Ejercicios
272. En un problema determinado, una solución está dada por una tupla de n elementos (x, x 2,..., x n ). Para cada elemento existen en total m posibles valores. Comparar el número de nodos generados para
Más detallesTema 10: Árbol binario de búsqueda
Tema 10: Árbol binario de búsqueda M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com edfrancom@ipn.mx @edfrancom edgardoadrianfrancom (Prof. Edgardo A. Franco) 1 Contenido Árbol binario de
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 detallesProblemas de programación entera: El método Ramifica y Acota. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Problemas de programación entera: El método Ramifica y Acota Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema La estrategia Divide y vencerás Árboles de enumeración
Más detallesEstructuras de datos Listas y árboles
Estructuras de datos Listas y árboles Dra. Elisa Schaeffer elisa.schaeffer@gmail.com PISIS / FIME / UANL Listas y árboles p. 1 Listas Listas son estructuras un poco más avanzadas que puros arreglos, como
Más detallesApellidos:... Nombre:...
Apellidos:....................................... Nombre:........................................ Introducción a la Inteligencia Artificial 1 er Parcial de Teoría 12 Noviembre 2004 Ejercicio 1: Responder
Más detallesBúsqueda con adversario. Representación del juego. Búsqueda con adversario. Notas. Uso: Decidir mejor jugada en cada momento para cierto tipo de
úsqueda con adversario ntroducción Uso: ecidir mejor jugada en cada momento para cierto tipo de juegos Hay diferentes tipos de juegos según sus características: umero de jugadores, toda la información
Más detallesIN34A - Optimización
IN34A - Optimización Complejidad Leonardo López H. lelopez@ing.uchile.cl Primavera 2008 1 / 33 Contenidos Problemas y Procedimientos de solución Problemas de optimización v/s problemas de decisión Métodos,
Más detallesProgramación lógica ( )
1 / 48 Programación lógica (2008 09) Tema 4: Resolución de problemas de espacios de estados José A. Alonso Jiménez Grupo de Lógica Computacional Departamento de Ciencias de la Computación e I.A. Universidad
Más detalles259. El número de combinaciones de m objetos entre un conjunto de n, denotado por n, para n 1 y 0 m n, se puede definir recursivamente por: m
258. Aplicar el algoritmo de programación dinámica para el problema del cambio de monedas sobre el siguiente ejemplo: n = 3, P = 9, c = (1, 3, 4). Qué ocurre si multiplicamos P y c por un valor constante,
Más detallesPráctica 2. Algoritmos de búsqueda local (local search algorithms) y algoritmos avariciosos (greedy algorithms)
PLANIFICACIÓN Y GESTIÓN DE REDES Grado en Ingeniería Telemática Curso 2012-2013 Práctica 2. Algoritmos de búsqueda local (local search algorithms) y algoritmos avariciosos (greedy algorithms) Autor: Pablo
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 detalles1. Diseñe algoritmos que permitan resolver eficientemente el problema de la mochila 0/1 para los siguientes casos:
PROGRAMACIÓN DINÁMICA RELACIÓN DE EJERCICIOS Y PROBLEMAS 1. Diseñe algoritmos que permitan resolver eficientemente el problema de la mochila /1 para los siguientes casos: a. Mochila de capacidad W=15:
Más detallesTema 4: Resolución de problemas de espacios de estados
Programación lógica Curso 2004 05 Tema 4: Resolución de problemas de espacios de estados José A. Alonso Jiménez Jose-Antonio.Alonso@cs.us.es http://www.cs.us.es/ jalonso Dpto. de Ciencias de la Computación
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 detallesResumen de las clases dictadas: Semana 16 al 20 de Noviembre INTRODUCCIÓN
Resumen de las clases dictadas: Semana 16 al 20 de Noviembre 2015 Tema: Algoritmo Minimax 1. INTRODUCCIÓN En este tema se tratará sobre el algoritmo minimax, con el propósito de mostrar implementaciones
Más detallesBúsqueda de soluciones
úsqueda de soluciones Diseño de sistemas de búsqueda de soluciones. Espacio de estados. Representación mediante espacio de estados. lgoritmos de búsqueda. Estrategias de búsqueda. úsqueda forward. úsqueda
Más detallesTema 08: TAD Árbol. M. en C. Edgardo Adrián Franco Martínez edgardoadrianfrancom
Tema 08: TAD Árbol M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com edfrancom@ipn.mx @edfrancom edgardoadrianfrancom (Prof. Edgardo A. Franco) 1 Contenido Descripción del TAD Árbol Especificación
Más detallesInteligencia Artificial I
Ingeniería en Sistemas Computacionales Inteligencia Artificial I Rafael Rivera López Departamento de Sistemas y Computación 1 Ago-Dic 2008 Veracruz, Ver. Unidad IV Técnicas de Búsqueda y Satisfacción de
Más detallesRuta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE
Ruta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) 1 DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Problema de Encontrar la Ruta más Corta 2 Se requiere llegar de
Más detallesAproximaciones a problemas NP duros: Algoritmos heurísticos y aproximados
Aproximaciones a problemas NP duros: Algoritmos heurísticos y aproximados Algoritmos aproximados Decimos que H es un algoritmo ε- aproximado para el problema Π si para algún ε > 0 x H (I) - x*(i) ε x*(i)
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 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 detallesIntroducción a Árboles Árboles Binarios
Introducción a Árboles Árboles Binarios Estructuras de Datos Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Introducción a Árboles Estructuras hasta ahora Estructuras
Más detallesTema 2. Fundamentos Teóricos de la. programación dinámica Teorema de Optimalidad de Mitten
Tema 2 Fundamentos Teóricos de la Programación Dinámica 2.1. Teorema de Optimalidad de Mitten El objetivo básico en la programación dinámica consiste en descomponer un problema de optimización en k variables
Más detallesEjemplo: El problema de la mochila. Algoritmos golosos. Algoritmos y Estructuras de Datos III. Segundo cuatrimestre 2013
Técnicas de diseño de algoritmos Algoritmos y Estructuras de Datos III Segundo cuatrimestre 2013 Técnicas de diseño de algoritmos Algoritmos golosos Backtracking (búsqueda con retroceso) Divide and conquer
Más detallesAlgoritmos para caminos más cortos (2) comp-420
lgoritmos para caminos más cortos (2) comp-420 lgoritmo * escrito totalmente en 1968 por Peter art, Nils Nilsson y ertram Raphael. n 1964 Nils Nilsson inventó un método que utiliza una heurística para
Más detallesRESUMEN DE ALGORITMOS PROBABILÍSTICOS
RESUMEN DE ALGORITMOS PROBABILÍSTICOS En los algoritmos probabilísticos hay ciertas decisiones que se toman al azar bajo condiciones estadísticamente estables como una distribución uniforme. Normalmente
Más detallesUniversidad de Valladolid. Departamento de informática. Campus de Segovia. Estructura de datos Tema 1: Recursividad. Prof. Montserrat Serrano Montero
Universidad de Valladolid Departamento de informática Campus de Segovia Estructura de datos Tema 1: Recursividad Prof. Montserrat Serrano Montero ÍNDICE Conceptos básicos Ejemplos recursivos Recursividad
Más detallesEjercicio 1: [20 puntos: respuesta acertada = +1, respuesta incorrecta = 1]
Ejercicio 1: [20 puntos: respuesta acertada = +1, respuesta incorrecta = 1] Complete las frases que se muestran a continuación con las alternativas especificadas. En la siguiente tabla, indique "V" o "F"
Más detallesCapítulo 8. Árboles. Continuar
Capítulo 8. Árboles Continuar Introducción Uno de los problemas principales para el tratamiento de los grafos es que no guardan una estructura establecida y que no respetan reglas, ya que la relación entre
Más detallesFICHEROS Y BASES DE DATOS (E44) 3º INGENIERÍA EN INFORMÁTICA. Tema 3. Estructuras de Almacenamiento. Básicas. Definición y Manejo.
FICHEROS Y BASES DE DATOS (E44) 3º INGENIERÍA EN INFORMÁTICA Tema 3. Estructuras de Almacenamiento Básicas. Definición y Manejo. 1.- Búsqueda de Información. Definición de Clave. 2.- Definición y Manejo
Más detalles