unidad 4 inteligencia artificial.pdf
TRANSCRIPT
4.1.-PROBLEMAS Y ESPACIOS DE ESTADOS
Definición de Problema y Espacio de Estados
Un problema se define por:
-Estado inicial, conjunto de operadores, predicado meta, función de coste del
camino
-Solución
-Camino del estado inicial a un estado que satisface el predicado meta
-Espacio de Estados
-Conjunto de todos los estados alcanzables desde el estado inicial por cualquier
secuencia de operadores
4.2.-ESPACIOS DE ESTADOS DETERMINISTICOS Y NO – DETERMINISTICOS
Un ambiente determinístico es aquel en el cual cualquier acción tiene un solo efecto
garantizado, no hay incertidumbre acerca del estado que resultará de la realización
de la acción. El mundo físico puede ante todos los intentos y propósitos, ser
considerado como no determinístico. Un ambiente no determinístico presente
problemas más grandes para el agente diseñador.
Un sistema es determinístico si, para un estado dado, al menos aplica una regla a
él y de solo una manera. Si más de una regla aplica a cualquier estado particular
del sistema, o si una regla aplica a un estado particular del sistema en más de una
manera, entonces el sistema es no determinístico.
4.3.-BUSQUEDA SISTEMATICA
Los problemas de búsquedas, que generalmente encontramos en Ciencias
Computacionales, son de un estado determinístico. Por ejemplo, en los algoritmos
de búsqueda de anchura y de búsqueda de profundidad, uno sabe la secuencia de
los nodos visitados en un árbol.
Sin embargo, los problemas de búsqueda, los cuales siempre tendremos que tratar
en Inteligencia artificial, son no determinísticos y el orden de elementos visitados
en el espacio de búsqueda depende completamente en el conjunto de datos.
Dependiendo de la metodología de expansión de un espacio de estado y
consecuentemente el orden de los estados visitados los problemas de búsqueda se
nombran diferentes:
-Búsqueda de Metas en Anchura.
-Búsqueda de Metas a Profundidad.
-Búsqueda Óptima.
4.3.1.-BUSQUEDA DE METAS A PROFUNDIDAD
El algoritmo de más utilizado es el de búsqueda de metas por profundidad. Es
llamado así porque sigue cada camino hasta su mayor profundidad antes de
moverse al siguiente camino.
Asumiendo que iniciamos desde el izquierdo y trabajamos hacia la derecha, la
búsqueda de metas por profundidad involucra trabajar todos los caminos debajo del
camino de árbol más a la izquierda hasta que un nodo hoja es alcanzado. Si esta es
una meta de estado, la búsqueda es completada y reportada de exitosa.
Si el nodo hoja no representa la meta de estado, la búsqueda se dirige atrás y
arriba al siguiente
La búsqueda de profundidad es usada por computadoras a menudo para los
problemas de búsqueda como ubicar archivos en un disco, o por buscadores para
“spidering” en Internet.
4.3.2.-BUSQUEDA DE METAS EN ANCHURA
Una alternativa para la búsqueda de profundidad es la búsqueda de metas de
anchura (o amplitud). Como su nombre indica, este enfoque supone atravesar un
árbol por anchura más que por profundidad. Como puede ser visto en la figura más
adelante, el algoritmo de anchura empieza examinando todos los nodos de un nivel
(a veces llamado hebra uno) abajo del nodo raíz.
Si una meta de estado es alcanzada aquí, el éxito es reportado. De otra forma, la
búsqueda continúa ampliando caminos de todos los nodos del nivel en curso, para
posteriormente bajar al próximo nivel. De este modo, la búsqueda continúa revisar
nodos en un nivel especial, e informará sobre el éxito cuando un nodo meta es
encontrado, y reportar una falla si todos los nodos han sido revisados y ningún
nodo meta ha sido encontrado.
4.3.3.- BUSQUEDA ÓPTIMA
La búsqueda heurística trata de resolver los problemas mediante una nueva
técnica.
Podemos expandir nodos por selección juiciosa, seleccionado el nodo más
prometedor, donde estos nodos estarán identificados por el valor de su fuerza
comparada con sus competidores homólogos con la ayuda de funciones intuitivas
especializadas, llamadas funciones heurísticas.
La búsqueda heurística generalmente trabaja para dos tipos distintos de problemas:
-Backward reasoning (razonamiento hacia atrás).
-Forward reasoning (razonamiento hacia delante).
En un problema de razonamiento hacia delante, nos movemos hacia la meta de
estado desde un estado inicial predefinido, mientras en un problema de
razonamiento hacia atrás, nos movemos hacia un estado inicial a partir de una
meta de estado final.
4.4.- SATISFACCION DE RESTRICCIONES
Los problemas pueden resolverse buscando en un espacio de estados, estos
estados pueden evaluarse por heurísticas específicas para el dominio y probados
para verificar si son estados meta.
Los componentes del estado, son equivalentes a un grafo de restricciones, los
cuales están compuestos de:
Variables. Dominios (valores posibles para las variables).
Restricciones (binarias) entre las variables.
Objetivo: encontrar un estado (una asignación completa de valores a las variables)
Que satisface las restricciones.
En los Problemas de Satisfacción de Restricciones (PSR), los estados y la prueba de
meta siguen a una representación estándar, estructurada y muy simple.
Ejemplos:
--Crucigramas
--Colorear mapas
4.5.-RESOLUCION DE PROBLEMAS DE JUEGOS
Siendo una de las principales capacidades de la inteligencia humana su capacidad
para resolver problemas, así como la habilidad para analizar los elementos
esenciales de cada problema, abstrayéndolos, el identificar las acciones que son
necesarias para resolverlos y el determinar cuál es la estrategia más acertada para
atacarlos, son rasgos fundamentales.
Podemos definir la resolución de problemas como el proceso que partiendo de unos
datos iníciales y utilizando un conjunto de procedimientos escogidos, es capaz de
determinar el conjunto de pasos o elementos que nos llevan a lo que
denominaremos una solución óptima o semi-óptima de un problema de
planificación, descubrir una estrategia ganadora de un juego, demostrar un
teorema, reconocer
Una imagen, comprender una oración o un texto son algunas de las tareas que
pueden concebirse como de resolución.
Una gran ventaja que nos proporciona la utilización de los juegos es que a través
de ellos es muy fácil medir el éxito o el fracaso, por lo que podemos comprobar si
las técnicas y algoritmos empleados son los óptimos. En comparación con otras
aplicaciones de inteligencia artificial, por ejemplo comprensión del lenguaje, los
juegos no necesitan grandes cantidades de algoritmos. Los juegos más utilizados
son las damas y el ajedrez