inteligencia artificiallctorress/iartificial/iac004.pdf2 inteligencia artificial búsqueda de metas...

Inteligencia artificial

Búsqueda de metas

Los procesos de búsqueda tienen sentido enproblemas que:

Permitan asociar conjunto de estados.Poseen estados iniciales donde empezar.Hay operadores para pasar de un estado aotro.Existen estados metas (solución)

Algoritmo general

Procbuscar() ABIERTO <- [estado inicial] CERRADO <- [] MQ (ABIERTO <> vacio) tomar estado X de ABIERTO SI (X = META) V: ÉXITO F: generar sucesores de X agregar X a CERRADO

agregar sucesores a ABIERTO FMQ return FALLOFin_proc_buscar()

Búsquedas

Anchura (amplitud)

Profundidad

HeurísticaCon información

Sin información

dd e ff g

h i jj k l

m n o x

r z z v z v c

dd ee ff gg

hh ii jj kk ll

mm nn oo xx

Búsqueda en profundidad

Algoritmo

Buscar_ampli() ABIERTO <- [estado inicial] CERRADO <- [] MQ (ABIERTO <> vacío) tomar primer estado X de ABIERTO SI (X = META) V: ÉXITO F: generar sucesores de X agregar X a CERRADO eliminar sucesores que A/C agregar sucesores a ABIERTO final FMQ return FALLOFin_Buscar_ampl()

dd ee ff gg

hh ii jj kk ll

mm nn oo xx

Búsqueda en anchura

Algoritmo

Buscar_prof() ABIERTO <- [estado inicial] CERRADO <- [] MQ (ABIERTO <> vacio) tomar primer estado X de ABIERTO SI (X = META) V: indicar camino, ÉXITO

F: MQ hermanos a derechagenerar sucesores de Xagregar sucesores a ABIERTO no repetiragregar X a CERRADO

FMQFMQreturn FALLO

Fin_Buscar_prof()

dd ee ff gg

hh ii jj kk ll

mm nn oo xx

Búsqueda mixta

dd ee ff gg

hh ii jj kk ll

mm nn oo xx

Búsqueda mixta

dd ee ff gg

hh ii jj kk ll

mm nn oo xx

Búsqueda mixta

dd ee ff gg

hh ii jj kk ll

mm nn oo xx

Búsqueda mixta

Algoritmo

Buscar_nodet() ABIERTO <- [estado inicial] CERRADO <- [] MQ (ABIERTO <> vacío) tomar estado X de ABIERTO SI (X = META) V: ÉXITO F: generar sucesores de X agregar X a CERRADO agregar sucesores a ABIERTO al azar FMQ return FALLOFin_Buscar_nodet()

Procesos-algoritmos

Mini-MaxPoda Alfa-BetaMuseo BritánicoPrimero el MejorA*A-Escalando Montañas

Algoritmo

Minimax

6 2 1 5 3 4 7 4 6 2 4 4 3 6 2 7

2 1 3 4 2 4 3 2

6 2 1 5 3 4 7 4 6 2 4 4 3 6 2 7

2 4 4 3

6 2 1 5 3 4 7 4 6 2 4 4 3 6 2 7

2 1 3 4 2 4 3 2

6 2 1 5 3 4 7 4 6 2 4 4 3 6 2 7

2 1 3 4 2 4 3 2

2 4 4 3

6 2 1 5 3 4 7 4 6 2 4 4 3 6 2 7

2 1 3 4 2 4 3 2

2 4 4 3

6 2 1 5 3 4 7 4

AlgoritmoProc MinMax() Generar árbol ABIERTO <- [estado inicial] CERRADO <- [] MQ (ABIERTO <> vacío) tomar estado X de ABIERTO SI (X = META) V: ÉXITO F: aplicar utilidad de X trasladar mejor utilidad nivel superior FMQ retornar FALLOFin_proc_MinMax()

-1 2 4 5 3 2 7 3 2 6 3 -1 2 5 -2 4

MinMinMaxEjercicio

Algoritmo

Primero el mejor

d e f g

h i j k l n o

p q x r x su v x

i xx y z s

Para implementar la búsqueda en el grafo(árbol) se hará uso de dos listas:

ABIERTO: Nodos generados y que han sidoevaluados pero no visitados.

CERRADO: Nodos que ya han sido examinados.

En este método a cada paso se desarrolla elnodo más prometedor haciendo uso de laheurística.Después se desarrollan los hijos del nodo másprometedor y escoger el mejor y asísucesivamente, hasta hallar la meta.

d e ff g

h i j k ll m n o

pp qq x r xx sst x uu vv xx

ii xxzz ss

Cerrado _Abierto a

Cerrado aAbierto bc

hh ii jj kk ll mm nn oo

pp qq xx rr xx sstt xx uu vv xx

ii xxxx yy zz ss

Cerrado abAbierto ced

ff gg77 88

Cerrado: abcAbierto: efdg

dd ee ff gg

jj kkhh ii ll mm nn oo

ii xxxx yy zz ss

d e f g

88 77 88

j k11 13

Cerrado: abceAbierto: fdgjk

dd ee gg

jj kk ll mm

h i n o

p q x r x st x u v x

i xxx y z s

e g 888 f

l m 13 13 9

Cerrado: abcejfAbierto: dgmkl

dd ee ff gg

ii xxxx yy zz ss

dd ee ff gg

jj kk ll mm

12 13 12 13 13 13 13 13

Cerrado: abcejfmdAbierto: gklhi

dd ee ff gg

ii xxxx yy zz ss

dd ee ff gg

12 14 12 14 13 13 13 13 13 14 13 14

Cerrado: abcejfmdgAbierto : klhino

dd ee ff gg

ii xxxx yy zz ss

dd ee ff gg

Cerrado: abcejfmdghAbierto: klinopq

15 1615 16

14 13 13 14 13 13 13 14 13 14

dd ee ff gg

ii xxxx yy zz ss

dd ee ff gg

pp qq xx ss

Cerrado: abcejfmdghpqkAbierto: linoxs

1414 13 13 1413 13 14

¿Será la meta que tiene el costo menor?¿Existen otras metas con este costo?¿Cómo determinar el camino desde el puntoinicial?

dd ee ff gg

pp qq x r xx ssu v x

i xx y z s

d e f g

h i j k l m n o

p q x s

Cerrado: abcejfmdghpqkxlAbierto: inostx

1414 13 1413 14

xt15 2015 20

Best-first Search

1. Inicializar ABIERTO con estado inicial2. Hasta encontrar meta o haya aún nodos enABIERTO hacer:Tomar el mejornodo de ABIERTOGenerar sucesores Por cada sucesor hacer:

– Si no ha sido ya generado evaluarlo, agregarlo aABIERTO y registrar el padre.

– Si fue ya generado cambiarle el padre si elcamino es mejor que el anterior y propagar asucesores la mejora en costo.

d e f g

h i j k l m n o

p qx r x s

t x u v x

i xx y z s

4 4 3 4

Algoritmo

Museo Británico

d e f g

h i j k l m n o

p qx r x s

t x u v x

i xx y z s

5 4 3 4

d e f g

h i j k l m n o

p qx r x s

t x u v x

i xx y z s

5 4 3 4

Cola a#cam 0Camopt _Costopt 0Costact 0

Cola ab#cam 0Camopt _Costopt 0Costact 3

Cola abd#cam 0Camopt _Costopt 0Costact 8

hCola abdh#cam 0Camopt _Costopt 0Costact 12

Cola abdhp#cam 0Camopt _Costopt 0Costact 15

Cola abdh#cam 0Camopt _Costopt 0Costact 12

ii jj kk ll

xx rr xx sstt xx

xx yy zz ss

55 55 44

33 33 22

Cola abdhq#cam 0Camopt _Costopt 0Costact 16

Cola Cola abdhabdh##cam cam 0 0Camopt Camopt _ _Costopt Costopt 0 0Costact Costact 12 12

Cola Cola abdabd##cam cam 0 0Camopt Camopt _ _Costopt Costopt 0 0Costact Costact 8 8

iiCola Cola abdiabdi##cam cam 0 0Camopt Camopt _ _Costopt Costopt 0 0Costact Costact 14 14

Cola Cola abdixabdix##cam cam 1 1Camopt abdixCamopt abdixCostopt Costopt 2020Costact Costact 20 20

Cola Cola abdiabdi##cam cam 1 1Camopt abdixCamopt abdixCostopt Costopt 20 20Costact Costact 14 14

Cola Cola abdirabdir##cam cam 1 1Camopt abdixCamopt abdixCostopt Costopt 20 20Costact Costact 19 19

h i j k l m

p q x r x st x

x y z s

Cola abdirx#cam 2Camopt abdixCostopt 20Costact 23

Cola Cola abdiryabdiry##cam cam 2 2Camopt abdixCamopt abdixCostopt Costopt 20 20Costact Costact 22 22

Cola Cola abdiabdi##cam cam 2 2Camopt abdixCamopt abdixCostopt Costopt 20 20Costact Costact 14 14

Cola Cola abdabd##cam cam 2 2Camopt abdixCamopt abdixCostopt Costopt 2020Costact Costact 8 8

Cola abCola ab##cam cam 2 2Camopt Camopt abdixabdixCostopt Costopt 20 20Costact Costact 3 3

Cola Cola abeabe##cam cam 2 2Camopt Camopt abdixabdixCostopt Costopt 20 20Costact Costact 7 7

dd ee ff gg

hh ii jj kk ll mm

pp qq x rr xx sstt x

xx yy zz ss

66 6644

33 33 22

Cola Cola abejabej##cam cam 2 2Camopt Camopt abdixabdixCostopt Costopt 20 20Costact Costact 11 11

Cola Cola abeabe##cam cam 2 2Camopt Camopt abdixabdixCostopt Costopt 20 20Costact Costact 7 7

Cola Cola abekabek##cam cam 2 2Camopt Camopt abdixabdixCostopt Costopt 20 20Costact Costact 13 13

Cola Cola abekxabekx##cam cam 3 3Camopt abekxCamopt abekxCostopt Costopt 18 18Costact Costact 18 18

Cola Cola abekabek##cam cam 3 3Camopt Camopt abekxabekxCostopt Costopt 18 18Costact Costact 13 13

66 66 22

dd ff gg

hh ii jj ll mm

pp qq xx rr xx tt xx

xx yy zz ss

33 33 22

Cola Cola abekabek##cam cam 3 3Camopt Camopt abekxabekxCostopt Costopt 18 18Costact Costact 13 13

dd ee ff gg

hh ii jj kk ll mm

pp qq xx rr xx sstt xx

xx yy z ss

66 6644

33 33 22

Cola Cola abekszabeksz##cam cam 3 3Camopt Camopt abekxabekxCostopt Costopt 18 18Costact Costact 20 20

Sigue el proceso, hasta revisar todos los nodos en elárbol, siempre evaluando cuál es el mejor camino...

Cola Cola acac##cam cam 6 6Camopt Camopt abekxabekxCostopt Costopt 18 18Costact Costact 4 4

d e f g

i j k l m

x st x

66 6 64

Cola []Cola []##cam cam 6 6Camopt Camopt abekxabekxCostopt Costopt 18 18Costact Costact 4 4 x

dd ee ff gg

ii jj kk ll mm

xx sstt xx

6666 66 6644

uu vv x

885555

d e f g

h i j k l m n o

p qX r X s

t X u v X

i XX y z X

2 4 3 4

Algoritmo

Poda Alfa-Beta

a = - inf b = + inf

maxmin

a>=b => poda

b = - inf a = + inf

maxmin

b>=a => poda

mina=2b=6

max a=1b=3

maxa=2b=4

a=2b=1

a=2b=3a=2b=1

a=3b=3

a=5b=4

6 2 1 5 3 4 7 4 6 2 4 4 3 6 2 7

a=+inf b=-inf

maxa=+inf b=-infa=+inf b=6

a=+inf b=-inf

a=+inf b=6

a=6 b=-inf

a=+infb=-inf

a=+infb=6

a=6b=-inf

maxa=6b=1a=6b=5

a=+infb=-inf

a=+infb=6

a=6b=-inf

a=6b=5

a=5b=-inf

a=+infb=5

a=+infb=-inf

a=+infb=6

a=6b=5

a=5b=-inf

a=+infb=5

a=+infb=-inf

a=+infb=6

a=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=+infb=-inf

a=+infb=6

a=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=5b=-inf

a=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=5b=-inf

a=+infb=6

a=5b=6

maxa=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=5b=-inf

a=5b=6

a=+infb=6

a=5b=-inf

a=5b=6

a=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=5b=-inf

a=+infb=6

a=5b=-inf

a=5b=4

a=4b=-inf

a=5b=4

maxa=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=5b=-inf

a=+infb=6

a=5b=4

a=4b=-inf

a=5b=4

a=5b=6

a=5b=4

maxa=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=5b=-inf

a=+infb=6

a=5b=4

a=4b=-inf

a=5b=4

a=5b=6

a=5b=4

a=5b=6

maxa=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=5b=-inf

a=+infb=6

a=5b=4

a=4b=-inf

a=5b=4

a=5b=6

a=5b=4

maxa=5b=4

a=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=5b=-inf

a=+infb=6

a=5b=4

a=4b=-inf

a=5b=4

a=5b=6

a=5b=4

a=5b=7

maxa=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=5b=-inf

a=+infb=6

a=5b=4

a=4b=-inf

a=5b=4

a=5b=6

a=5b=4

a=5b=7

maxa=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=5b=-inf

a=+infb=6

a=5b=4

a=4b=-inf

a=5b=4

a=5b=6

a=5b=4

a=5b=7

a=5b=5

maxa=5b=4

a=6b=5

a=5b=-inf

a=+infb=5

a=5b=5

a=5b=-inf

a=+infb=6

a=5b=4

a=4b=-inf

a=5b=6

a=5b=4

a=5b=7

a=5b=5

6 2 1 5 4 4

Algoritmo

Alg alfabeta()SI nivel=0 V: a=-inf, b=+inf FSIHQ todo hijo visitado

SI nivel = min V: HQ todo hijo visitado o a>=b (poda)

uno()SI valor <b V: b=valor FSI

FHQ retornar b F: HQ todo hijo visitado o a>=b (poda)

uno()SI valor >a V: a=valor FSI

FHQ retornar aFSI

FHQSALIR

uno()SI nivel <> ultimo

V: a=a_actual b=b_actualF: retornar valor

FSIF_uno()

Fin Alg alfabeta()

Otro ejemplo

1 4 3 -2 1 5 3 -7 4 6 -2 4 4 3 6 2

b=+infa=-inf

b=+infa=-infb=1a=-inf

b=+infa=-inf

b=1a=-inf

b=+infa=1

b=+infa=1b=3a=1b=-2a=1

b=+infa=-inf

b=1a=-inf

b=+infa=1

b=-2a=1

b=1a=-inf

b=+infa=-inf

b=1a=-inf

b=+infa=1

b=1a=-inf

b=-2a=1

b=1a=1

b=+infa=-inf

b=1a=-inf

b=+infa=1

b=-2a=1

b=1a=-inf

b=1a=1

b=+infa=1

minb=1a=-inf

b=+infa=1

b=-2a=1

b=1a=-inf

b=1a=1

b=+infa=1

b=4a=1

b=+infa=4

b=+infa=1

b=1a=-inf

b=+infa=1

b=-2a=1

b=1a=-inf

b=1a=1

b=+infa=1

b=4a=1

b=+infa=4

b=+infa=4b=-2a=4

b=4a=1

minb=4a=1

b=+infa=4

b=-2a=4

b=1a=-inf

b=+infa=1

b=-2a=1

b=1a=-inf

b=1a=1

b=+infa=1

b=4a=1

b=3a=1

minb=1a=-inf

b=+infa=1

b=-2a=1

b=1a=-inf

b=1a=1

b=+infa=1

b=4a=1

b=+infa=4

b=-2a=4

b=4a=1

b=3a=1

b=4a=3

b=2a=3

minb=1a=-inf

b=+infa=1

b=-2a=1

b=1a=-inf

b=1a=1

b=+infa=1

b=4a=1

b=+infa=4

b=-2a=4

b=4a=1

b=2a=3

b=4a=3

b=3a=1

b=+infa=3

minb=1a=-inf

b=+infa=1

b=-2a=1

b=1a=-inf

b=1a=1

b=4a=1

b=+infa=4

b=-2a=4

b=2a=3

b=4a=3

b=3a=1

b=+infa=3

4 6 4 3 61 4 3

Ejercicios

1 4 3 5 3 5 7 3 4 2 5 2 4 3 2 4

-1 2 0 -2 -1 1 -2 0 1 -2 0 -1 2 1 -1 3

1 -2 0 -1 1 0 3 2 2 3 0 1 2 3 1 3

al 1 1 1

4 -1 5

Algoritmo

A *((Versión sofisticada del Best-First Search))

Algoritmo A*

1. ABIERTO <- RAIZ, g = 0,h <- valor(RAIZ), f = h + g, CERRADO=[]2. Repetir hasta encontrar meta:

SI ABIERTO= [] RETORNAR(falla)SINO, tomar de ABIERTO el nodo con mín f. Llámese MEJORNODO,

quitarlo de ABIERTO,meterlo a CERRADO,

SI MEJORNODO = METARETORNAR(solución)

SINO generar sucesores de MEJORNODOexaminamos SUCESOR.

Hacer link de SUCESOR a MEJORNODO (pararecuperar el camino)g(SUCESOR) = g(MEJORNODO) +costo(MEJORNODO hasta SUCESOR).SI SUCESOR está en ABIERTO

llamarlo VIEJOignoramos SUCESORdecidimos si VIEJO apunta a MEJORNODOregistra el nuevo costo g (VIEJO)y actualizar f (VIEJO)

Comparar nuevo camino y el viejo como en el incisoanterior y reasignar apuntador al padre, actualizarf y g apropiadamente (Propagar hacia abajo).

SI SUCESOR ∉ ABIERTO ver si SUCESOR ∈CERRADO meter en CERRADO VIEJO y agregarVIEJO a la lista de SUCESOR de MEJORNODO.

Si SUCESOR ∉ ABIERTO o SUCESOR ∉CERRADO, agregar a ABIERTO y ponerlo comoSUCESOR de MEJORNODO.

h, sirve para expandir el nodo aparentemente másprometedor.

g, sirve para evaluar (expandir) el mejor camino delinicio hasta ese nodo que parezca más cercano a lameta…… si lo que interesa es encontrar una soluciónaproximada, hacemos g=0 para escoger siempre elnodo más prometedor.Si se desea obtener el mínimo número de pasos elcosto es una constante para pasar a los SUCESOR.

Comentarios sobre A*

h’ es estimación de distancia a la meta si h’= hestimación perfecta converge inmediatamente sinbúsqueda.

Si lo que se quiere es encontrar el camino másbarato reflejamos un criterio en el costo de lasaristas.

Algoritmo

Subir MontañasHill Climbing

Hill Climbing

Es una variedad del Generate-and-Test dondeTest es guiada por una función heurística que nosdice qué tan lejos se está de la meta.

La evaluación de la heurística no es costosa.

Es usado cuando se cuenta con una buenaheurística y no se puede echar mano de másinformación.

Ejemplo. Buscar el centro de la ciudad cuando seestá perdido. La heurística sería tomar porreferencia edificios altos.

Una buena solución puede ser absoluta o relativa, esdecir, cuando se puede probar que estamos en unestado meta es absoluta y en caso contrario esrelativa.

Para el problema del agente viajero sólo se puedentener soluciones relativas.

Algoritmo de Hill Climbing

Búsqueda fundamental para la solución de problemas

1. Evaluar el estado corriente y si es final salir y darlo comoresultado, en caso contrario hacer del estado corriente elestado inicial.

Si es un estado meta darlo como resultado y salir.Si no es un estado final pero es mejor que el estadoactual entonces hacerlo estado corrienteSi no es un mejor estado continuar con el ciclo.

Hay una etapa de evaluación

Hay una pregunta sobre el mejor estado cuyosignificado dependerá del problema en cuestión.

En general Hill Climbing es un método local que noes recomendable cuando la función heurística sedispara repentinamente a medida que nos alejamosde la meta.

Es menos explosiva desde el punto de vistacombinatorio que otros métodos globales.

Problemas del Hill Climbing

Mínimos locales - Máximo localPresencia de llanuras: Todos los vecinos tienenlocalmente el mismo valor.

Soluciones a estos problemasBacktracking (Bueno para salir de máximos locales)

Grandes brincos (Para evitar problema de llanuras)

Aplicar varias reglas a la vez antes del TEST(Bueno para evitar picos)

Steepest-Ascent Hill Climbing oGradient Search

Es una variante del Hill Climbing que consideratodos los movimientos a partir del estado corriente yelige el mejor de todos.

Algoritmo

1. Evaluar estado inicial; si es un estado metaregresarlo y salir, de lo contrario tomar el estadoactual como estado inicial y continuar.2. Repetir hasta encontrar una solución o hasta queuna iteración completa no produzca cambios alestado actual.Sea SUCC un estado tal que cualquier posiblesucesor del estado corriente sea mejor que SUCCPor cada operación aplicable a partir del estadoactual: Aplicar operador y generar nuevo estado

Si SUCC es mejor que el estado corriente hacer queSUCC sea el estado corriente.

Evaluar nuevo estado. Si es un estado meta regresaréste como resultado y salirse. Si no, compararlo conSUCC y si es mejor hacerlo igual a ese estado . Si no,es mejor dejar SUCC solo.

Simulated Annealing

La función heurística es conocida como funciónobjetivo.

En vez de buscar máx f buscamos mín f

La idea es explorar lo más que se pueda de tal formaque la solución final sea independiente de la posicióninicial.

Inspirado del proceso de enfriamiento de metales almezclarlos, para lo cual se ponen éstos a su máximaenergía y después se espera a que se endurezcan.

Se busca llegar a un estado final de energía mínimo.

Físicamente las sustancias pasan de niveles altos deenergía a niveles más bajos, pero hay probabilidad deque existan saltos de energía los cuales aparecen conla siguiente distribución de probabilidad.

P=exp -²E/kT

Donde²E= Cambio de energíaT = Temperaturak = Constante de Boltzman

La probabilidad de aparición de una cresta grande esmenor que la de una pequeña a medida que baja latemperatura.

Si los cambios de temperatura son bruscos aparecenmínimos locales si no, se forma una estructurauniforme y cristalina y aparecen mínimos globalesmás fácilmente.

Al inicio del enfriamiento pueden darse subidaslargas de temperatura pero después sólo se puedenpresentar pequeños movimientos hacia arriba.

En este método ²E se escoge en función de laheurística y kT son escogidos de tal forma que seasegure un buen comportamiento.

La velocidad de enfriamiento debe mantenerse. Losmovimientos a estados peores se aceptan. A parte deguardar el estado corriente se guarda el mejor estadopor el que se ha pasado.

Algoritmo de Simulated Annealing

Evaluar estado inicial. Si estado es una metaregresarlo como resultado y salir. Si no, continuarcon estado inicial el estado corriente

Inicializar BEST-SO-FAR estado corriente

Inicializar T de acuerdo a la tasa de enfriamiento

Repetir hasta hallar una solución o que ya no hayamás operaciones válidas a partir de este estado

Seleccionar un operador aún no utilizado desde este estado ygenerar un nuevo estado

Evaluación de nuevo estado. Calcular:²E= (valor-de-estado-corriente)- (valor-nuevo-estado)

Si nuevo estado es una meta entonces devolverlo y salir.Si no, pero es mejor que estado corriente entonces hacerloestado corriente y BEST-SO-FAR es estado corriente.

Si no es mejor que estado corriente entonces hacerlo estadoactual con probabilidad P´.

Utilizar para esto un generador random y si <P´ entoncesaceptar y sino hacer nada.Revisar T

El Annelating Schedule está compuesto de 3 partes:Temperatura inicial, criterio de reducción detemperatura, cantidad de temperatura adecrementar.

Se usa el Simulated Annealing cuando a cada paso elnúmero de opciones de acción es muy grande.Se experimenta y elige el proceso que se aproximamás al óptimo y converge más rápido.Si T -> 0 entonces p -> 0 y el proceso se convierte enun simple Hill Climbing.

Es parecido al Depth-First cuando se escoge el nodomás prometedor pero se puede uno regresar a unnodo menos bueno en caso de falla y guardar la ramaen la lista de nodos generados pero no desarrollados.

Es similar al Steepest Ascending salvo que aquí noeliminamos ancestros y que el mejor estadodisponible es elegido aún si su valuación es menor aalgún otro nodo evaluado.

Se puede evitar la duplicación de caminosmanteniendo en cada nodo su valor y unapuntador al padre más valioso paraposteriormente poder recuperar el mejorcamino una vez que se halla la meta.(Propagación de mejoras a sucesores) (ORgraphs)

f = g + h aproximación de la f realg = medida del costo desde el inicio hasta ese nodo.h = estimación de costo de ir de ese estado a lameta.

Hay que explotar el conocimiento del problema,en particular (Buenos nodos dan valores bajos).

inteligencia artificiallctorress/iartificial/iac004.pdf2 inteligencia artificial búsqueda de metas...

Documents

mg. samuel oporto díaz lima, 24 octubre 2005 búsqueda...

inteligencia artificiallctorress/iartificial/iac010.pdf ·...

tipos de búsqueda en inteligencia artificial

búsqueda eduardo morales/l. enrique sucar sesión 03...

inteligencia en redes de comunicaciones · java, diseño e...

inteligencia artificial búsqueda informada y exploración...

inteligencia artificial búsqueda de soluciones: algoritmo...

búsqueda búsqueda ciega y búsqueda informada inteligencia...

inteligencia artificiallctorress/iartificial/iac008.pdf ·...

búsqueda heurística i - iiia...

inteligencia artificial resolver problemas mediante...

inteligencia artificiallctorress/iartificial/iac001.pdfes...

central de inteligencia militar de ejÉ~-clto grupo de...

inteligencia artificial 2.2 métodos de búsqueda...

inteligencia artificiallctorress/iartificial/iac016.pdf ·...

mg. samuel oporto díaz lima, 12 de octubre de 2005...

inteligencia artificial resolver problemas mediante...

inteligencia artificiallctorress/iartificial/iac010.pdf ·...

inteligencia artificial búsqueda local

búsqueda en inteligencia...