Planificación con STRIPS
|
|
- Antonia Silva Iglesias
- hace 6 años
- Vistas:
Transcripción
1 Planificación con STRIPS 1
2 Bibliografía Nilsson, Artificial Intelligence: A New Synthesis. Cap. 22. Russell & Norvig, Artificial Intelligence: A Modern Approach. Cap
3 Introducción Objetivo: Desarrollar un proceso de planificación» La planificación es un proceso de búsqueda y ejecución de una serie de acciones que permitan alcanzar un objetivo» Ejemplos de agentes planificadores ya vistos Agentes basados en búsquedas Agentes basados en lógica Cambiar una rueda, embarques de vuelos, etc. El lenguaje empleado en los problemas de planificación es STRIPS» STRIPS: STanford Research Institute Problem Solver. [Fikes y Nilsson 1971]» Los algoritmos que usan STRIPS aprovechan la estructura de problema gracias a su capacidad expresiva La Planificación clásica se restringe a entornos» Observables» Deterministas» Finitos» Estáticos los cambios sólo se producen al actuar los agentes» Discretos En tiempo, acciones, objetos y efectos 3
4 Sintaxis Un método de planificación es un método de búsqueda sobre una estructura de datos (estados del proceso de planificación) que evoluciona con las acciones de un agente de planificación ESTADOS» Los estados en un proceso de planificación se denominan DESCRIPCIONES DE ESTADO (DE) Compuestos de condiciones lógicas (predicados) [En(RP,E), En(RR,M)] Sólo admiten literales simples, sin dependencias funcionales y sin variables no ligadas. En(x, y), En(padre(Pedro), Madrid) -> NO ADMITIDOS En(Avión, Barcelona), En(Tren, Ávila) -> ADMITIDOS OBJETIVOS» Un objetivo es una conjunción de literales básicos afirmados» Los objetivos se restringen a conjuntos de literales cuantificados existencialmente Una DE s satisface un objetivo w si s contiene todos los elementos en w DE s: rico ^ famoso ^ miserable Goal w: rico ^ famoso (se satisface) 4
5 Sintaxis, II OPERADORES o ACCIONES» Un operador o regla STRIPS es un patrón que posee variables libres» se especifica en términos de Las precondiciones, PC, que deben cumplirse antes de ser ejecutado El conjunto PC está formado por literales.» La acción correspondiente a un operador sólo se puede ejecutar en un estado si todos los literales en PC pertenecen también a la DE previa a la acción» On(x,y) ^ Clear(x) ^ Clear(z) Las consecuencias (efectos) que se derivan cuando se ejecuta Lista de borrado: Un conjunto, D, de literales Lista de adición: Un conjunto, A, de literales Una forma alternativa de representación de los efectos de una regla es mediante una conjunción de literales positivos y negativos» PC, D y A o, alternativamente, PC y EFECTOS constituyen un esquema de acción. Obs.: en lo que sigue los efectos los consideraremos como listas de borrado y adición 5
6 Semántica Descripción de cómo los operadores afectan a los estados Existen diferentes métodos de búsqueda fundamentados en el uso de operadores STRIPS aplicables a los procesos de planificación» Hacia delante: progression planning» Hacia atrás: regression planning Dada una FBF objetivo w, los métodos de búsqueda tratan de encontrar una secuencia de acciones que proporcionen un estado del mundo descrito mediante alguna DE tal que w. Si esto sucede se dice que la DE satisface el objetivo. w si existe una sustitución σ tal que wσ es una conjunción de literales todos los cuales están en 6
7 Semántica, II Un operador es aplicable si lo es en cualquier DE que satisfaga sus PC. En caso contrario es no aplicable (sin efecto) Partiendo de una DE s (before-action), el resultado de ejecutar un operador aplicable a s nos lleva a otra DE s (after-action). En el proceso:» Comprobado que los literales de PC están, a su vez, en la DE s (condición de aplicación del operador STRIPS)» Borrados de la DE s los literales de D» Añadidos a la DE s los literales en A» Todos los literales no mencionados en D se acarrean a la DE s. Este acarreo se denomina HIPÓTESIS STRIPS Hipótesis STRIPS: Cada literal no mencionado en los efectos permanece sin modificar 7
8 Semántica, III (ejemplo) Mundo de Bloques» Dominio: conjunto de bloques sobre un tablero Sólo es posible situar un bloque sobre otro Los bloques los mueve un brazo mecánico, uno cada vez» Objetivo: Construir uno o más montones de bloques A B C D A B C» Operadores: On(bloque, posición) On ( C, Fl) Move(bloque, pos_x, pos_y) Requiere PC. Para mover un bloque requiere que no haya otro sobre él. Con el predicado CLEAR garantizaremos esta restricción Move(B, Fl, C) Move (B, C, C) acción espuria o degenerada (se puede solventar añadiendo PC de igualdad) 8 D
9 Ejemplo (cont.) Ej.: move(x,y,z)» PC: On(x,y) ^ Clear(x) ^ Clear(z)» D: Clear(z), On(x,y)» A: On(x,z), Clear(y), Clear(Fl) Clear(posición) Predicado que toma valor T si ningún bloque está sobre posición Se debe interpretar este operador como» existe un espacio vacío sobre posición para trasladar un bloque» En tal caso Clear(Fl) = T siempre Dificultad 1: si en el operador move y o z corresponden al tablero (Fl), este no se puede despejar. Para evitarlo se podría incluir un operador adicional moversobretablero Ej.: moversobretablero(x, y)» PC: On(x,y) ^ Clear(x)» D: Clear (x)» A: On(x, Fl), Clear(y) 9
10 Ejemplo (cont.) Dificultad 2:» O bien se permite mover Fl espacio de búsqueda mayor» Si no se permite hay que incluir un nuevo predicado, bloque(x), e incluir, como precondiciones de move, bloque(x) ^ bloque(z) (se evita poder mover Fl) 10
11 Forward Search Methods (FSM) Búsqueda en el espacio de estados desde el estado inicial» El estado inicial del problema de planificación está descrito en términos de un conjunto de literales simples positivos (los literales que no aparecen se consideran F)» Los operadores STRIPS aplicables deben cumplir las precondiciones. La DE resultante, a-a, se obtiene aplicando los conjuntos D y A sobre la DE b-a DE before-action STRIPS action-operator DE after-action» Se debe incluir un test objetivo» El coste de aplicación de los operadores habitualmente es unitario Los FSM parten de una DE before-action y mediante un operador STRIPS generan una DE after-action. Este proceso lo realizan de forma iterativa (hacia delante), generando una secuencia de DEs, la última de las cuales se desea que sea el objetivo DE 1 DE 2... DE n 11
12 FSM, II Al no existir funciones, el espacio de estados es finito. Cualquier algoritmo completo para búsqueda en grafos lo es también para planificación (por ejemplo A*) En la práctica suelen ser ineficaces en problemas de tamaño medio. Por ejemplo, para un problema de planificación de carga aérea con» 9 aeropuertos» 50 aviones» 200 piezas a transportar» Objetivo: llevar la carga de aeropuerto A a aeropuerto B» El factor de ramificación es de aproximadamente 1000 y el árbol de búsqueda tiene aproximadamente nodos 12
13 FSM, III Ejemplo de aplicación del patrón de regla visto anteriormente en búsqueda hacia adelante:» move(x,y,z) PC: On(x,y) ^ Clear(x) ^ Clear(z) [1] D: Clear(z), On(x,y) [2] A: On(x,z), Clear(y), Clear(Fl) [3]» [1]: PC en una regla STRIPS están en forma de objetivo: conjunción de literales. Se asumen cuantificadas existencialmente las variables de PC. Una instancia de regla STRIPS (instancia de patrón) se puede aplicar a la DE si una instancia de PC se satisface mediante la DE. Tal instancia se obtiene mediante la unificación, por etapas, de los literales en PC con un literal en la DE. La instancia del operador aplicable se obtiene aplicando la sustitución a todos los elementos de la regla. 13
14 FSM, IV ejemplo operador STRIPS (Nilsson, pp. 376) [1] [2] [3] DE before-action DE after-action PC = On( x, y) Clear( x) Clear( z) DE { (, ), (, )}, {, }, σ { : } = { On( B, y), On( B, A) } b a On( B, A), Clear( B), Clear( Fl) = On( A, C), On( C, Fl) A = On x y On B A D = x B = x = B Aσ { x : B, y : A, z : Fl} σ = = = = 14
15 FSM, V (aplicación cont.) La instancia de la regla y la DE after-action quedan, una vez aplicado el unificador σ: move( B, A, Fl) PC = On( B, A) Clear( B) Clear( Fl) D A y = = DE On( B, A), Clear( Fl) { } On( B, Fl), Clear( A), Clear( Fl) { } a a On( A, C), On( B, Fl), On( C, Fl), = Clear( A), Clear( B), Clear( Fl) En la búsqueda puede usarse, por ejemplo, A*, donde» h es una heurística que estime el coste al objetivo» g función que refleje el coste de las acciones (usualmente unitario) Sin una heurística sobre qué acciones aplicar, FSM no es apta en aplicaciones con gran número de reglas y DE 15
16 Backward Search Methods (BSM) También denominados Regression Planning Methods Poco eficientes en problemas grandes Consideran sólo operadores relevantes, aquellos que alcanzan alguno de los objetivos que se desea explorar La regresión de una fórmula w mediante una regla STRIPS a es una fórmula más débil w tal que, si w se satisface por una DE b-a antes de aplicar una instancia de a (w verifica PC de la instancia de a) entonces w será satisfecha por la DE a-a después de aplicar la instancia de a Ejemplo de BSM con STRIPS (Nilsson, pp. 382) 16
17 BSM, II Es importante que los operadores sean consistentes, es decir, que no deshagan literales (aquellos que aparecen en su conjunto D)» No hay forma de que un operador alcance un literal λ si dicho literal lo borra el operador» En tal caso, una regresión sobre cualquier conjunción de literales que contenga λ mediante un operador que elimine λ es F (dicho estado es imposible de alcanzar) El proceso de construcción de predecesores mediante regresión es:» Sea G objetivo» Sea C un operador relevante y consistente» Se define el predecesor como i) cualquier efecto positivo de C que aparezca en G se elimina ii) cada precondición literal de C se añade, salvo que ya aparezca 17
18 BSM, III Uso de operadores no instanciados parcialmente» Es complejo. Se describe con detalle en [Nilsson 1980, 288-].» Permite retrasar la toma de decisiones sobre las instancias de determinados parámetros del operador, dejándolos sin especificar temporalmente. Esta alternativa en el uso de operadores se denomina planificación menos comprometida (least commitment planning) En el ejemplo de la página siguiente, el operador move(a,x,b) está instanciado parcialmente. Una de las precondiciones queda ahora instanciada en términos de una variable On(A,x) Interpretado como subobjetivo, este literal se puede satisfacer si unifica con un literal de una DE Una heurística posible consiste en retrasar la instanciación hasta conseguir la unificación con literales en la DE inicial 18
19 BSM, IV Ejemplo de Least Commitment Planning (Nilsson, pp. 383) 19
20 Forward vs Backward 20
21 STRIPS recursivo Si el objetivo es una conjunción de literales puede emplearse en FSM una heurística divide y vencerás, satisfaciendo un literal cada vez» Se aplican los operadores necesarios para satisfacer el literal propuesto. A continuación se repite el proceso hacia un nuevo literal y así sucesivamente El sistema GPS (General Problem Solver) aborda de este modo la resolución de problemas. La aplicación de esta técnica (STRIPS recursivo) a los problemas de planificación requiere» Seleccionar un literal en el objetivo» Seleccionar una instancia de un operador STRIPS que lo satisfaga» Crear, como subobjetivo, la precondición necesaria para aplicar la regla» Trabajar recursivamente sobre la DE generada hasta ir satisfaciendo el resto de literales del objetivo 21
22 STRIPS recursivo II Algoritmo STRIPS recursivo para satisfacer una fórmula objetivo w:» STRIPS(w): El procedimiento usa una estructura de datos global δ que consiste en un conjunto de literales. Se inicializa con la DE inicial y se actualiza durante el proceso» Repetir hasta δ w 1. El test terminal produce una sustitución σ, tal vez vacía, tal que algunos de los literales (tal vez ninguno) de wσ están en δ. Puede haber distintas sustituciones, por tanto el test constituye un punto de retorno (backtracking point: bp) 2. g un elemento de wσ tal que (δ w). Si se escoge otro literal (bp) 3. f una regla STRIPS cuyo conjunto A contiene un literal λ que unifica con g con el umg s. Si se escoge otra regla (bp) 4. f fs. Instancia de f con la sustitución s. f puede contener variables 5. p precondiciones de f (instanciadas con la sustitución s) 6. STRIPS(p). Llamada recursiva para producir una DE que verifique el subobjetivo. Esta llamada modifica δ 7. f Instancia de f aplicable en δ 8. δ resultado de aplicar f a δ. δ siempre consiste en una conjunción de literales 22
23 STRIPS recursivo (ejemplo) Estado inicial objetivo B A C On(B,A) On(A,C) On(C,Fl) Clear(B) Clear(Fl) C B A On(A,Fl) On(B,Fl) On(C,B) Ningún literal del objetivo está en la DE inicial g On(A,fl) La regla r1: move(a,x,fl) tiene On(A,fl) en su lista A llamar a STRIPSr para analizar las PC de la regla PC(r1): Clear(A) ^ Clear(Fl) ^ On(A,x) se genera la sustitucion σ 1 ={x:=c} PC(r1)σ 1 están en DE inicial salvo Clear(A) g Clear(A) La regla r2: move(y,a,u) se escoge para alcanzar el literal llamar a STRIPSr para analizar las PC de la regla PC(r2): Clear(y) ^ Clear(u) ^ On(y,A) se genera la sustitucion σ 2 ={y:=b, u:=fl} PC(r2)σ 2 están en DE inicial Salimos de la segunda recursión para aplicar move(b,a,fl) El estado inicial cambia. 23
24 STRIPS recursivo (ejemplo II) Estado sucesor-1 A C B On(B,Fl) On(A,C) On(C,Fl) Clear(A) Clear(B) Clear(Fl) Estamos en la llamada recursiva inicial Comprobamos de nuevo PC(r1) PC(r1)σ 1 : Clear(A) ^ Clear(Fl) ^ On(A,C) Se cumplen. Salimos de la 1ª recursión aplicando: move(a,c,fl) El estado sucesor-1 cambia. A C B On(B,Fl) On(A,Fl) On(C,Fl) Clear(A) Clear(B) Clear(C) Clear(Fl) 24
25 STRIPS recursivo (ejemplo III) Estado sucesor-2 A C B On(B,Fl) On(A,Fl) On(C,Fl) Clear(A) Clear(B) Clear(C) Clear(Fl) Comprobamos si se cumple δ w. No se cumple aún. Falta el literal On(C,B) del objetivo Comprobamos que existe r3: move(c,fl,b) tal que PC(r3): Clear(C) ^ Clear(B) ^ On(C,Fl) Se cumplen. aplicando move(c,fl,b) se alzanza la DE objetivo C B A On(A,Fl) On(B,Fl) On(C,B) 25
26 La anomalía de Sussman (1975) Surge al deshacer operadores que han sido aplicados previamente mediante STRIPS recursivo A Ejemplo» Objetivo w: On(A,B)^On(B,C)» Supongamos que se escoge On(A,B) Retiramos C de A, al tablero Entonces movemos A sobre B C Para alcanzar el otro literal On(B,C) Deshacer el movimiento anterior On(A,B)!» Supongamos que se escoge 1º On(B,C) C A Movemos B sobre C Para alcanzar el otro literal On(A,B) Deshacer el movimiento anterior On(B,C)!» Conclusión: no hay un plan que minimice el número de operadores a emplear» Alternativa: Usar BSM B B C A B 26
Bibliografía. Planificación con STRIPS
ibliografía Nilsson, rtificial Intelligence: New Synthesis. ap. 22. Russell & Norvig, rtificial Intelligence: Modern pproach. ap. 11. Planificación con STRIPS 1 2 Introducción Objetivo: Desarrollar un
Inteligencia Computacional
Inteligencia Computacional Unidad VI Búsqueda. Estrategias informadas y no informadas. Complejidad computacional. Planificación. Docente: Dr. Georgina Stegmayer gstegmayer@santafe-conicet.gov.ar Inteligencia
I N T E L I G E N C I A A R T I F I C I A L I
I N T E L I G E N C I A A R T I F I C I A L I Ingeniería en Mecatrónica Dra. Ing. SELVA S. RIVERA P R O F E S O R A T I T U L A R PLANIFICACIÓN Se llama Planificación al proceso de búsqueda y articulación
Planning. Inteligencia Artificial. Prof. Dra. Silvia Schiaffino ISISTAN - UNCPBA
Planning Inteligencia Artificial ISISTAN - UNCPBA Agenda Problema de Planning Tipos de algoritmos Algoritmo POP Algoritmo UCPOP Inteligencia Artificial - 2018 Planning en agentes Necesidad de actuar en
Tema: Planificación en Inteligencia Artificial. Agentes Planificadores.
Sistemas Expertos e Inteligencia Artificial. Guía No. 11 1 Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Tema: Planificación en Inteligencia Artificial.
Determinar la incertidumbre al momento de desarrollar aplicativos en inteligencia artificial, haciendo uso de estructuras probabilísticas..
Sistemas expertos e inteligencia artificial, Guia 5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: RAZONAMIENTO CON INCERTIDUMBRE. Objetivo
Planificación n de Tareas
Manufactura Integrado por Computador - CIM II FIUBA M. Ing. Ochoa María Alejandra Se describe como un: Conjunto de procesos que se realizan para obtener un plan de actuación n para resolver un problema.
Tema 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
Optimizando Dominios de Planning
Optimizando Dominios de Planning Carlos Areces carlos.areces@gmail.com https://cs.famaf.unc.edu.ar/~careces/ (colaboración con F. Bustos, M. Dominguez, A. Torralba, J. Hoffmann) XIV Jornadas de Ciencias
Planificación con FastForward
Planificación con FastForward Javier Béjar Intel ligència Artificial 2016/2017 Facultat d Informàtica de Barcelona Fastforward FastForward Fast Forward es un planificador que permite ejecutar planes definidos
Búsqueda no Informada. Soporte computacional de la búsqueda
Búsqueda no Informada Soporte computacional de la búsqueda Sistema de producción Modelo de cómputo basado en tres componentes: Memoria de trabajo Intérprete de reglas Reglas de producción 2 Soporte computacional
4.1 Definición. Se dice que algo es recursivo si se define en función de sí mismo o a sí mismo. Un objeto (problemas, estructuras de datos) es
Recursividad 4.1 Definición. Se dice que algo es recursivo si se define en función de sí mismo o a sí mismo. Un objeto (problemas, estructuras de datos) es recursivo si forma parte de sí mismo o interviene
Unidad 3. Álgebra Relacional y Cálculo Relacional
Unidad 3 Álgebra Relacional y Cálculo Relacional Álgebra Relacional Definición de Álgebra Álgebra es un sistema matemático que está formado por: Operandos. Valores o variables con los cuáles se pueden
Algoritmos de búsqueda con espacio de memoria limitado
Algoritmos de búsqueda con espacio de memoria limitado Los métodos de búsqueda por primero el mejor, tales como A, no escalan bien a grandes problemas de búsqueda debido a su consumo de memoria, mientras
Tema 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
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
Búsqueda en espacio de estados
Búsqueda en espacio de estados Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Abstracción Problema Representación como espacio de estados Implementación del
Inteligencia 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
Solución de Problemas Mediante Búsqueda (1) Carlos Hurtado L. Depto de Ciencias de la Computación, Universidad de Chile
Solución de Problemas Mediante Búsqueda (1) Carlos Hurtado L. Depto de Ciencias de la Computación, Universidad de Chile Contenido Solución de problemas mediante búsqueda Modelación de problemas como búsquedas
Planificación ANÁLISIS MEDIOS - FINES
ANÁLISIS MEDIOS - FINES Una dificultad en Inteligencia Artificial, es conseguir un procedimiento para que el computador pueda formular planes para resolver problemas. Los conceptos básicos de un problema
Demostraciones por resolución
Demostraciones por resolución A lo largo del curso, hemos prometido insistentemente que hay métodos para mecanizar demostraciones En particular, queremos un método, dado una base de conocimiento Σ y una
Técnicas de prueba y corrección de algoritmos
Técnicas de prueba y corrección de algoritmos Diseño y Análisis de Algoritmos Cátedra de Programación Carrera de Ingeniería de Sistemas Prof. Isabel Besembel Carrera Un algoritmo A define una secuencia
ALGORITMO 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
Departamento de Tecnologías de la Información. Tema 5. Decidibilidad. Ciencias de la Computación e Inteligencia Artificial
Departamento de Tecnologías de la Información Tema 5 Decidibilidad Ciencias de la Computación e Inteligencia Artificial Índice 5.1 Lenguajes reconocibles y decidibles 5.2 Problemas decidibles sobre lenguajes
Búsqueda en espacio de estados
Búsqueda en espacio de estados Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial CCIA, US Búsqueda en espacio de estados IA 1 / 35 Metodología
Tema 8: Teorema de Herbrand. Tableros en lógica de primer orden
Tema 8:. en de primer orden Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla Lógica Informática (Tecnologías Informáticas) Curso 2016 17 Contenido Sea Γ un conjunto de fórmulas
Tema 4: (Tecnologías Informáticas) Curso Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla
Tema 4: Proposicional Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla Lógica Informática (Tecnologías Informáticas) Curso 2015 16 Contenido Los tableros semánticos proporcionan
Problemas de satisfacción de restricciones.
Problemas de satisfacción de restricciones. In whitch we see how treating states as more than just little black boxes leads to the invention of a range of powerful new search methods and a deeper understanding
Cómo Implementar una Ontología? Prolog Datalog Description Logic
Cómo Implementar una Ontología? Prolog Datalog Description Logic Reglas como LPO CláusulaHorn: Una cláusula con a lo sumo un literal positivo Cláusulas: Subconjuntos de LPO con la siguiente forma: x 1,.,x
Sistemas de produción. Sistemas de Producción. El motor de inferencias. Notas
Sistemas de Producción Introducción Las representación mediante formalismos lógicos puede verse de forma procedimental Describimos cuales son los pasos para resolver un problema como una cadena de deducciones
Sistemas de Producción
Introducción Sistemas de Producción Las representación mediante formalismos lógicos puede verse de forma procedimental Describimos cuales son los pasos para resolver un problema como una cadena de deducciones
RESOLUCIÓN DE PROBLEMAS
GENERALIDADES ESPACIO DE ESTADOS CARACTERÍSTICAS GENERALES DE LOS PROCESOS DE BÚSQUEDA ESTRATEGIAS DE EXPLORACIÓN DEL ESPACIO DE ESTADOS CONCLUSIONES Informática 1 Moret et al., Fundamentos de Inteligencia
3.0.-ARBOLES ABARCADORES Y COMPONENTES CONEXOS CONCEPTO DE ARBOL ABARCADOR Y SU RELACION CON LOS RECORRIDOS.
3.0.-ARBOLES ABARCADORES Y COMPONENTES CONEXOS 3.1.- CONCEPTO DE ARBOL ABARCADOR Y SU RELACION CON LOS RECORRIDOS. 3.2.- BOSQUES Y COMPONENTES CONEXOS. NEXON LENIN CEFERINO POMPOSO Los árboles son particularmente
Propiedades de lenguajes independientes del contexto
Capítulo 12. Propiedades de lenguajes independientes del contexto 12.1. Identificación de lenguajes independientes del contexto Lema de bombeo. 12.2. Propiedades Cierre, Complemento de lenguajes, Sustitución,
Métodos 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
Se pueden agrupar las reglas que tienen la misma parte izquierda:
GRAMÁTICA DE CONTEXTO LIBRE Gramática de contexto libre G = (V N, V T, P, S) que genera oraciones copulativas: V N = { , , , , V T = {el, la, hombre, niña,
Esquema de Dividir y Vencer
Esquema de Dividir y Vencer Amalia Duch Barcelona, marzo de 2006 Índice 1. Esquema general 1 2. Búsqueda binaria (binary search) 2 3. Ordenación por fusión (merge sort) 2 4. Ordenación rápida (quick sort)
Apellidos:... Nombre:...
Apellidos:....................................... Nombre:........................................ Introducción a la Inteligencia Artificial 1 er Parcial de Teoría 12 Noviembre 2004 Ejercicio 1: Responder
CAPÍTULO 6 PROGRAMACIÓN DINÁMICA. Programación Dinámica
CAPÍTULO 6 PROGRAMACIÓN DINÁMICA Programación Dinámica Programación Dinámica En muchos casos las decisiones del pasado afectan los escenarios del futuro. En estos casos se pueden tomar 2 opciones: asumir
Programación Lógica. David Barrera Steven Bustos Jhonatan Guzmán
Programación Lógica David Barrera Steven Bustos Jhonatan Guzmán Programación Lógica axiomas Datos Reglas Programación Lógica Relaciones vs Funciones Funciones Relaciones Determinista Único patrón de entradas
Hasta ahora sólo hemos visto algoritmos con tratamiento secuencial
2. Recursividad 1. La recursividad 2. Programación recursiva 1. Recursión directa como método de diseño de soluciones 2. Ejemplos 3. Funcionamiento de la recursión 1. Cómo se comporta un algoritmo recursivo?
Inteligencia Artificial
Inteligencia Artificial Conjunto de técnicas que se aplican en el diseño de programas de computador para la resolución de problemas que por su dificultad requieren el uso de un cierto grado de inteligencia.
Definición 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
PARTE II: ALGORÍTMICA
Programa de teoría Parte I. Estructuras de Datos.. Abstracciones y especificaciones.. Conjuntos y diccionarios.. Representación de conjuntos mediante árboles. 4. Grafos. Parte II. Algorítmica.. Análisis
25/09/2014 BÚSQUEDA NO INFORMADA / BÚSQUEDA CIEGA INTRODUCCIÓN BÚSQUEDA SUPOSICIONES DEL ENTORNO FORMULAR-BUSCAR-EJECUTAR
BÚSQUEDA NO INFORMADA / BÚSQUEDA CIEGA M. en C. Arturo Rodríguez García INTRODUCCIÓN BÚSQUEDA Proceso en el cual un agente construye una secuencia de acciones para alcanzar un objetivo. SUPOSICIONES DEL
Programa de teoría. Algoritmos y Estructuras de Datos II. 3. Algoritmos voraces. 1. Análisis de algoritmos 2. Divide y vencerás
Programa de teoría Algoritmos y Estructuras de Datos II 1. Análisis de algoritmos 2. Divide y vencerás 3. Algoritmos voraces 4. Programación dinámica 5. Backtracking 6. Ramificación y poda A.E.D. II 1
Programación II Sesión 2: Especificación de problemas
Programación II Sesión 2: Especificación de problemas Diego R. Llanos Ferraris UNED, Centro Asociado de Palencia Nota: Estos apuntes son la guía utilizada por el Profesor Tutor para impartir el seminario
Planificación Automática 1
Planificación utomática Grupo PLG Universidad Carlos III de Madrid I. 2008-09 Planificación utomática 1 Indice 1 Introducción 2 Planificación clásica Técnicas iniciales Planes de orden parcial 3 Planificación
Diseño de algoritmos paralelos
Diseño de algoritmos paralelos Curso 2011-2012 Esquema del capítulo Visión general de algunos algoritmos serie. Algoritmo paralelo vs. Formulación paralela Elementos de un Algoritmo paralelo Métodos de
1. Corrección de un programa TEMA 2: ESPECIFICACIÓN Y CORRECCIÓN DE ALGORITMOS. 1. Corrección de un programa. 1. Corrección de un programa
Uno de los grandes problemas de la programación es la escritura de programas totalmente correctos. Al implementar un programa siempre se introducen errores. Técnicas de detección de errores: Mediante pruebas:
Universidad Nacional de Educación a Distancia. Ingeniería Técnica en Informática de Sistemas. Introducción a la Inteligencia Artificial (2º curso)
Universidad Nacional de Educación a Distancia Ingeniería Técnica en Informática de Sistemas Introducción a la Inteligencia Artificial (2º curso) Soluciones exámenes septiembre 2010 Ejercicio 1. (Valoración:
Lenguajes de Programación Programación funcional
Lenguajes de Programación Programación funcional Roberto Bonvallet Departamento de Informática Universidad Técnica Federico Santa María Concepto de función En el paradigma imperativo: Una función es una
Algorítmica y Lenguajes de Programación. Algoritmos voraces y divide y vencerás
Algorítmica y Lenguajes de Programación Algoritmos voraces y divide y vencerás Algoritmos voraces. Introducción (i) Las personas glotonas (voraces) intentan coger tanto como pueden en cada momento. Los
Programación imperativa. Algoritmos y Estructuras de Datos I. Ciclos
Programación imperativa Algoritmos y Estructuras de Datos I Segundo cuatrimestre de 2014 Departamento de Computación - FCEyN - UBA Programación imperativa - clase 6 Ciclos y arreglos Entidad fundamental:
Lógica - Conjuntos inductivos
Lógica - Conjuntos inductivos Matemática discreta y Lógica I Mayo de 2017 Las transparencias son tomadas del curso de Lógica del instituto de computación de Facultad de Ingeniería. Inducción - Plan Conjuntos
Tema 1: Representación de problemas como espacio de estados
Tema 1: Representación de problemas como espacio de estados José A. Alonso Jiménez Carmen Graciani Díaz Francisco Jesús Martín Mateos José Luis Ruiz Reina Dpto. Ciencias de la Computación e Inteligencia
Tema 3: Algoritmos para SAT: Tableros y algoritmo DPLL
Tema 3: : y DPLL Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla Lógicas Informática (Tecnologías Informáticas) Curso 2016 17 Contenido Presentaremos dos s para estudiar
LENGUAJES Y GRAMÁTICAS
LENGUAJES Y GRAMÁTICAS Orlando Arboleda Molina Escuela de Ingeniería de Sistemas y Computación de La Universidad del Valle 20 de septiembre de 2008 Contenido Lenguajes y Gramáticas Gramáticas Gramáticas
PROYECTO DOCENTE ASIGNATURA: "Inteligencia Artificial I"
PROYECTO DOCENTE ASIGNATURA: "Inteligencia Artificial I" Grupo: Grupo de CLASES TEORICAS de INTELIGENCIA ARTIFICI.(865586) Titulacion: INGENIERO EN INFORMÁTICA ( Plan 97 ) Curso: 2009-2010 DATOS BÁSICOS
Métodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Contenido Lógica proposicional Lógica de predicados Inferencia en lógica
1. Objetivos. 2. Idea Principal. Teoría de Autómatas y Lenguajes Formales
Teoría de Autómatas y Lenguajes Formales Boletín de Autoevaluación 2: Cómo se transforma un AFλ en un AFN? Y en un AFD?. 1. Objetivos. El objetivo de este boletín es ilustrar el método de transformación
Tema 5: Problemas de satisfacción de restricciones
Tema 5: Problemas de satisfacción de restricciones José Luis uiz eina José Antonio Alonso Franciso J. Martín Mateos María José Hidalgo Departamento de Ciencias de la Computación e Inteligencia Artificial
Bases de Datos 2. Teórico
Bases de Datos 2 Teórico Cómo se resuelven las consultas? Haga clic para modificar el estilo de texto del patrón Segundo nivel Tercer nivel Cuarto nivel Quinto nivel Estrategias usuales de los optimizadores
Modelos De Computación. Guía Modelos de Computación. Tema I: Lenguajes y Gramáticas
Guía Modelos de Computación Tema I: Lenguajes y Gramáticas Introducción La sintaxis de un lenguaje natural, esto es, la de los lenguajes hablados, como el inglés, el español, el alemán o el francés, es
Unidad Didáctica 3. Tipos genéricos. Fundamentos de Programación Departamento de Lenguajes y Sistemas Informáticos
Unidad Didáctica 3 Tipos genéricos Fundamentos de Programación Departamento de Lenguajes y Sistemas Informáticos Definición de tipo genérico Hablamos de un tipo genérico cuando el tipo en cuestión depende
Tema 4: Lógicas Informática (Tecnologías Informáticas) Curso Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla
Tema 4: Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla Lógicas Informática (Tecnologías Informáticas) Curso 2017 18 Contenido Presentaremos un algoritmo más para estudiar
El algoritmo de Resolución
El algoritmo de Resolución El algoritmo de resolución es casi idéntico al de lógica proposicional: Suponga que quiere demostrar que ϕ es consecuencia lógica de Σ. El método es el siguiente: Transforme
Programación II. Mario Aldea Rivas Programación II 05/05/11 1
Programación II Bloque temático 1. Lenguajes de programación Bloque temático 2. Metodología de programación Bloque temático 3. Esquemas algorítmicos Tema 4. Introducción a los Algoritmos Tema 5. Algoritmos
Apuntes de Teórico de Programación 3. Apuntes de Teórico PROGRAMACIÓN 3. Greedy. Versión 1.1
Apuntes de Teórico PROGRAMACIÓN 3 Greedy Versión 1.1 1 Índice Índice... Introducción... 3 Ejemplo 1 (problema de las monedas)... 3 Ejemplo (problema de la mochila)... 4 Aplicaciones del método Greedy a
Tema: Búsqueda a Ciegas (No Informada).
Sistemas Expertos e Inteligencia Artificial. Guía No. 4 1 Tema: Búsqueda a Ciegas (No Informada). Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos
CONTENIDO. 1.- Introducción a la Inteligencia Artificial (IA) 2.- Lógica de predicados. 3.- Búsqueda de soluciones
CONTENIDO 1.- Introducción a la Inteligencia Artificial (IA) 2.- Lógica de predicados 3.- Búsqueda de soluciones 4.- Lenguajes de IA e Introducción a Sistemas Expertos 1.- Introducción a la Inteligencia
Inteligencia Artificial
Inteligencia Artificial Tema 2 Búsquedas Dr. Jesús Antonio González Bernal Contenido Estructura General de un PSA (Problem Solving Agent) Formulación de un PSA Algoritmos de Búsqueda de Sl Soluciones Aplicaciones
Lógica Instituto de Computación. 27 de febrero
Inducción Lógica 2018 Instituto de Computación 27 de febrero Instituto de Computación (InCo) Inducción Curso 2018 1 / 1 Inducción - Plan Conjuntos inductivos Inducción como mecanismo primitivo para definir
CI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles. Cap 18.3: RN
CI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles de Decisión Cap 18.3: RN Universidad Simón Boĺıvar 5 de octubre de 2009 Árboles de Decisión Un árbol de decisión es un árbol de búsqueda
Un sistema de ecuaciones diferenciales son aquellas que tienen varias posibilidades para su solución. Estas son:
Unidad X: Programación lineal (continuación) Objetivo específico: Entender ampliamente el fenómeno del comportamiento de los modelos matemáticos para la resolución de problemas enfocados a las ecuaciones
Algebra Relacional. Bases de Datos 2 - Tecnologo de Informatica. BD2 - Algebra Relacoinal
Algebra Relacional Bases de Datos 2 - Tecnologo de Informatica Outline 1 Introducción Vision general 2 Operadores Operaciones relacionales unarias Operaciones de la teoría de conjuntos Operadores derivados
Tema 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
Resolviendo 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
Resumen 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
INTRODUCCION A LA INTELIGENCIA ARTIFICIAL MÓDULO 6- CÁLCULO DE PREDICADOS Y LÓGICA DE PRIMER ORDEN
INTRODUCCION A LA INTELIGENCIA ARTIFICIAL MÓDULO 6- CÁLCULO DE PREDICADOS Y LÓGICA DE PRIMER ORDEN Referencias: Inteligencia Artificial Russell and Norvig Cap.6. Artificial Intellingence Nils Nilsson Ch.4
Agentes 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
Introducción a la Lógica y la Computación
Introducción a la Lógica y la Computación Parte III: Lenguajes y Autómatas Clase del 7 de Noviembre de 2014 Parte III: Lenguajes y Autómatas Introducción a la Lógica y la Computación 1/20 Lenguajes Formales
Tema 3 Concepto y Especificación de Tipos Abstractos de Datos
Tema 3 Concepto y Especificación de Tipos Abstractos de Datos Pablo Sánchez Dpto. Matemáticas, Estadística y Computación Universidad de Cantabria Santander (Cantabria, España) p.sanchez@unican.es Pablo
INTRODUCCION AL DISEÑO EDUCATIVO Andrea Paola Leal Rivero. La Academia al servicio de la Vida
Andrea Paola Leal Rivero La Academia al servicio de la Vida INTRODUCCION El diseño de Software juega un papel importante en el desarrollo de software lo cual permite producir varios modelos del sistema
INTELIGENCIA 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
Archivos Indice. Indexación y. Asociación. Conceptos Básicos Indices Ordenados Arboles. Asociación. Docente: Albert A.
Docente: Albert A. Osiris Sofía 1º Cuatrimestre 2002 Conceptos Básicos Indices Ordenados Arboles Asociación Indexación y Asociación Archivos Indice 1 2 3 1 Archivos Indice Ordenados Asociativos Primario
ASIGNATURA: INTELIGENCIA ARTIFICIAL
ASIGNATURA: INTELIGENCIA ARTIFICIAL Código: 33-505 Régimen: cuatrimestral Horas reloj semanales: 4 Horas teóricas: 26 Horas prácticas: 34 Carrera: Sistemas Año del programa: 2016 FUNDAMENTOS: La evolución
Búsqueda 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
SISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T6: Sistemas Basados en Reglas {jdiez, juanjo} @ aic.uniovi.es Introducción Definición: sistemas diseñados para actuar como un experto humano en un dominio o área de conocimiento
Estructura de Datos. Temario Unidad VI. Árboles Árboles Binarios
Estructura de Datos Árboles Árboles Binarios Temario Unidad VI 6.1 Definición y operaciones 6.2 Implementación 6.3 Recorrido en Árboles Binarios 6.4 Árboles AVL y su implementación 6.5 Árboles n-arios
Problemas de Satisfacción de Restricciones
Problemas de Satisfacción de estricciones José Luis uiz eina José Antonio Alonso Jiménez Franciso J. Martín Mateos María José Hidalgo Doblado Dpto. Ciencias de la Computación e Inteligencia Artificial
INDUCCIÓN. Inducción - 2
INDUCCIÓN Inducción - 1 Inducción - Plan Conjuntos Inductivos Inducción como mecanismo primitivo para definir conjuntos Pruebas Inductivas Principios de inducción asociados a los conjuntos inductivos como
INDUCCIÓN Instituto de Computación Lógica Inducción - 1
INDUCCIÓN Inducción - 1 Inducción - Plan Conjuntos Inductivos Inducción como mecanismo primitivo para definir conjuntos Pruebas Inductivas Principios de inducción asociados a los conjuntos inductivos como
Tema 14: Sustitución y Unificación
Facultad de Informática Grado en Ingeniería Informática Lógica PARTE 4: RESOLUCIÓN Tema 14: Sustitución y Unificación Profesor: Javier Bajo jbajo@fi.upm.es Madrid, España 04/12/2012 Introducción. 2/12
ANÁLISIS SEMÁNTICO ETDS VS DDS
Todos los derechos de propiedad intelectual de esta obra pertenecen en exclusiva a la Universidad Europea de Madrid, S.L.U. Queda terminantemente prohibida la reproducción, puesta a disposición del público
Unidad III: Introducción a la Programación
Unidad III: Introducción a la Programación 3.1 Características del lenguaje de programación Un lenguaje de programación es un idioma artificial diseñado para expresar procesos que pueden ser llevadas a
Aprendizaje Automático
Introducción foil Ingeniería Informática Fernando Fernández Rebollo y Daniel Borrajo Millán Grupo de Planificación y Aprendizaje (PLG) Departamento de Informática Escuela Politécnica Superior Universidad
Semántica Operacional para la Programación en Lógica Lógica para Ciencias de la Computación
Semántica Operacional para la Programación en Lógica Lógica para Ciencias de la Computación Primer Cuatrimestre de 2009 Material Adicional Semánticas para la Programación n en LógicaL Se han explorado
Claúsulas de Horn. Resolución SLD
Claúsulas de Horn. Resolución SLD 1 / 114 Refinando la resolución La resolución general es un mecanismo muy potente de demostración... pero tiene un alto grado de indeterminismo: en la selección de las