ESCUELA SUPERIOR POLITCNICA AGROPECUARIA DE

MANAB MANUEL FLIX LPEZ

CARRERA INFORMTICA

SEMESTRE SPTIMO PERODO ABRIL-SEPT/2015

TEMA:

BSQUEDA INFORMADA Y EXPLORADA: AGENTES

BSQUEDA ONLINE Y MBITOS DESCONOCIDOS.

MATERIA:

INTELIGENCIA ARTIFICIAL II

AUTORA:

MNICA L. DIAZ ENCARNACIN

FACILITADORA:

ING. HIRAIDA SANTANA

MISIN

Formacin de profesionales ntegros que conjuguen ciencia, tecnologa y valores en

su accionar, comprometidos con la sociedad en el manejo adecuado de programas

y herramientas computacionales de ltima generacin.

VISIN

Ser referente en la formacin de profesionales de prestigio en el desarrollo de

aplicaciones informticas y soluciones de hardware.

CALCETA, JUNIO 2015

17 de Junio del 2015

INTRODUCCIN

Despus de conocer los diferentes agentes de bsqueda, en esta

seccin daremos a conocer los siguientes agentes bsqueda online

y mbitos desconocidos, con el propsito de saber cul es la mejor

ruta para llegar al objetivo planteado, en la cual solo necesita saber

que acontecimientos suceden realmente.

En contraste un agente de bsqueda online funciona intercalando el

clculo y la accin es decir toma una accin, la observa en el entorno

y calcula la siguiente accin.

OBJETIVO

El objetivo de esta clase es conocer y aprender sobre las bsquedas

online y su importancia en el entorno.

MARCO TERICO

Hasta ahora nos hemos enfocado en los agentes que usan algoritmos de

bsqueda offline, ellos calculan una solucin completa antes de poner un pie en

el mundo y luego ejecutan la solucin sin recurrir a sus percepciones.

La bsqueda offline, debera presentar un plan de contingencia que considere

todos los acontecimientos posibles, mientras que una bsqueda online necesita

slo considere lo que realmente pasa.

PROBLEMAS DE BSQUEDA EN LNEA (ONLINE)

El agente sabe su:

Accin.

Funcin de coste individual.

Test Objetivo.

En la que el agente asume lo siguiente:

a

No puede

tener acceso

a los

sucesores de

un estado,

excepto si

intenta todas

las acciones

en ese

estado.

a

Puede

reconocer

siempre un

estado que

ha visitado

anterior-

mente.

a

Las

acciones

son

determinis-

tas.

El agente

podra tener

acceso a una

funcin

heurstica

admisible que

estime la

distancia del

estado actual

a un estado

objetivo.

Por lo tanto el objetivo del objetivo.

AGENTES DE BSQUEDA EN LNEA (ONLINE)

Un agente online recibe una percepcin al decirle que estado ha alcanzado; de

esta informacin, puede aumentar su mapa del entorno. El mapa actual se usa

para decidir dnde ir despus.

Alcanzar un

estado objetivo

minimizando el

coste.

Minimizar el

coste

OBJETIVO DEL

AGENTE

BSQUEDA LOCAL EN LNEA (ONLINE)

As como en la Bsqueda Primero en Profundidad, la Bsqueda Local Online

tiene la propiedad de expandir o buscar hasta el nodo ms profundo del rbol de

bsqueda. Desafortunadamente no es muy til en su forma ms simple porque

deja el agente que se situ en sus ltimos nodos con ningn movimiento que

hacer.

En vez de reinicios aleatorios, podemos considerar el uso de un camino aleatorio

para explorar el entorno. Un camino aleatorio selecciona simplemente al azar

una de las acciones disponibles del estado actual; se puede dar preferencia a

las acciones que todava no se han intentado.

Es fcil probar que un camino aleatorio encontrara al final un objetivo o terminar

su exploracin, a condicin de que el espacio sea finito. Por otra parte el proceso

puede ser muy lento.

BSQUEDA LOCAL EN LNEA

Una de las cualidades de este tipo de aprendizaje es que el agente presenta

ignorancia al inicio de la bsqueda online y esto brinda muchas oportunidades

para aprender.

Primero, los agentes con la experiencia aprender un mapa de su entorno

mediante el resultado de cada accin en cada estado, para ello registran

cada una de sus experiencias, esto se basa en que una experiencia es

suficiente para cada accin.

Segundo, los agentes de bsqueda local al usar las reglas de

actualizacin local como en AA*TR obtienen estimaciones ms exactas

del valor de cada estado, y estas actualizaciones finalmente se unirn en

valores exactos para cada estado y esto se logra cuando el agente explora

el espacio de estados de manera correcta.

Tercero, cuando ya se conocen los valores, exactos, es posible tomar las

decisiones [optimas simplemente movindose al sucesor con el valor ms

alto.

Cuarto, lo que se pretende es que el agente aprenda que Arriba aumenta

la coordenada y a menos que haya una pared en el camino, que hacia

Abajo la reduce, etc.

Y por ltimo, para que esto ocurra se necesita una representacin formal

y manipulable para estas clases de reglas generales, y segundo se

necesitan algoritmos que puedan construir reglas generales adecuadas a

partir de la observacin especifica hecha por el agente.

CONCLUSIN

He concluido que los problemas de exploracin inician cuando no se

conocer los estados y las acciones de su entorno. Para esto los

agentes de bsqueda en lnea construyen un mapa para encontrar el

objetivo si este ya existiera.

La bsqueda en lnea (online) es una idea necesaria para un

problema de exploracin, donde los estados y las acciones son

desconocidos por el agente; un agente en este estado de ignorancia,

donde debe usar sus acciones como experimentos para determinar

que hacer despus, y a partir de ah debe intercalar el clculo y la

accin, ya que el objetivo del agente es alcanzar un estado objetivo,

siempre y cuando minimizando el coste del camino.

BIBLIOGRAFAS

Hermoso, R; Vasirani, M. 2012. (En lnea). Bsqueda en Lnea y

Bsqueda Multiagente. Consultado el 19 Jun. 2015. Formato:

PDF. Disponible en:

http://www.ia.urjc.es/cms/sites/default/files/userfiles/file/ia4/2011

/IA4_%5BMinimax%5D.pdf

Ruiz, J; Alonso, J; Martin, F. 2011. (En lnea). Problemas de

satisfaccin de restricciones. Consultado el 19 Jun. 2015.

Formato: PDF. Disponible en:

https://www.cs.us.es/cursos/ia1/temas/tema-04.pdf

Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque

Moderno. 2 ed. Espaa. Pearson Education. p 1242