inteligencia artificial_
DESCRIPTION
Presentación...TRANSCRIPT
Inteligencia
ArtificialProfesor: Dr. Cesar Augusto Isaza Bohorquez
EVALUACIÓN A TITULO DE COMPETENCIA (ETC)
Alumno: Samuel Tiburcio Parra.
3. Representación del
conocimiento.3.1 Lógica de predicados
3.2 Lógica difusa
3.3 Redes de búsqueda
3.4 Redes de búsqueda óptima
3.5 Árboles de búsqueda con adversario
Inteligencia Artificial 2
3.1 Lógica de predicados
• Comencemos por definir el conocimiento como: “conjunto
de datos de primer orden, que modelan de forma
estructurada la experiencia que se tiene sobre un cierto
dominio o que surgen de interpretar los datos básicos”.
• Un concepto muy importante, probablemente el más
importante a este respecto, es el del conocimiento y su
representación. Los agentes (inteligentes) parecenanticiparse a los eventos que ocurren en su entorno habitual y
a las consecuencias de sus acciones, actuando como si
supiesen, de alguna manera, cuales serían los resultados
causados por éstas. Se puede concluir que esta capacidad
de anticiparse está respaldada por la presunción de que losagentes poseen conocimiento sobre el entorno.
Inteligencia Artificial 3
• La lógica de predicados está basada en la idea de que
las sentencias realmente expresan relaciones entre
objetos, así como también cualidades y atributos de
tales objetos. Los objetos pueden ser personas, objetos
físicos, o conceptos. Tales cualidades , relaciones o
atributos , se denominan predicados.
• Los objetos se conocen como argumentos o términos
del predicado. Al igual que las proposiciones, los
predicados tienen un valor de veracidad, pero a
diferencia de las preposiciones, su valor de veracidad,
depende de sus términos. Es decir, un predicado puede
ser verdadero para un conjunto de términos, pero falso
para otro.
Inteligencia Artificial 4
3.1 Lógica de predicados
• Por ejemplo, el siguiente predicado es verdadero:
color (yerba, verde)
• El mismo predicado, pero con diferentes
argumentos, puede no ser verdadero:
color (yerba, azul) o color (cielo, verde)
Inteligencia Artificial 5
3.1 Lógica de predicados
• Al construir los predicados se asume que su veracidad
está basada en su relación con el mundo real.
Naturalmente, siendo prácticos, trataremos que los
predicados que definimos estén de acuerdo con el
mundo que conocemos, pero no es absolutamente
necesario que así lo hagamos.
• En lógica de predicados el establecer como verdadero
un predicado es suficiente para que así sea
considerado.
• En el siguiente ejemplo, indicamos que Ecuador está en
Europa:
parte_de(ecuador, europa)
Inteligencia Artificial 6
3.1 Lógica de predicados
• El ejemplo anterior, no es verdadero en el mundo
real, pero la lógica de predicados no tiene razón
de saber geografía y si el predicado es dado como
verdadero, entonces es considerado como
lógicamente verdadero. Tales predicados,
establecidos y asumidos como lógicamente
verdaderos se denominan axiomas , y no requieren
de justificación para establecer su verdad.
Inteligencia Artificial 7
3.1 Lógica de predicados
• La lógica de predicados, se ocupa únicamente demétodos de argumentación sólidos. Talesargumentaciones se denominan Reglas deInferencia. Si se da un conjunto de axiomas queson aceptados como verdaderos, las reglas deinferencia garantizan que sólo serán derivadasconsecuencias verdaderas.
• Tanto los conectivos lógicos, como los operadoresdados anteriormente para la lógica proposicional,son igualmente válidos en lógica de predicados.De hecho, la lógica proposicional es unsubconjunto de la lógica de predicados.
Inteligencia Artificial 8
3.1 Lógica de predicados
• Cada uno de los argumentos enlos ejemplos de predicadosdados anteriormente,representan a un objetoespecífico. Tales argumentos sedenominan constantes. Sinembargo, en la lógica depredicados se pueden tenerargumentos que endeterminado momento puedenser desconocidos. Estos son losargumentos tipo variable .
• En el ejemplo: color (yerba, X), la variable X , puede tomar el valor de verde , haciendo que el
• predicado sea verdadero; o puede tomar el valor de azul , dando lugar a que el predicado sea falso.
Inteligencia Artificial 9
3.1 Lógica de predicados
La Unificación• Cuando se tienen sentencias compuestas por predicados y
conectivos lógicos, se debe evaluar la veracidad de cadauno de sus componentes para determinar si toda la sentenciaes verdadera o falsa. Para ello, se busca en el conjunto deaxiomas la forma de establecer la veracidad de lospredicados componentes.
• Un predicado componente se dice que es verdadero si seidentifica con un axioma de la base de información. En lalógica de predicados, este proceso es algo complicado yaque las sentencias pueden tener términos variables. A lospredicados que tienen variables por argumentos, se losdenomina patrones .
• La unificación es el proceso de computar las sustitucionesapropiadas que permitan determinar si dos expresioneslógicas, ya sean predicados o patrones, coinciden
Inteligencia Artificial 10
3.1 Lógica de predicados
Inferencia y razonamiento
• Inferir es concluir o decidir a partir de algo conocido oasumido; llegar a una conclusión. A su vez, razonar espensar coherente y lógicamente; establecer inferenciaso conclusiones a partir de hechos conocidos oasumidos.
• El proceso de razonamiento, por lo tanto, involucra larealización de inferencias, a partir de hechos conocidos.Realizar inferencias significa derivar nuevos hechos apartir de un conjunto de hechos conocidos comoverdaderos. La lógica de predicados proporciona ungrupo de reglas sólidas, con las cuales se puedenrealizar inferencias.
Inteligencia Artificial 11
3.1 Lógica de predicados
Las principales Reglas de Inferencia son:
• Modus ponens.- Es la más importante, en los
sistemas basados en conocimiento. Establece que:
• Modus tolens.- Esta regla establece que:
Inteligencia Artificial 12
3.1 Lógica de predicados
• Resolución.- Utiliza refutación para comprobar una
determinada sentencia. La refutación intenta crear una
contradicción con la negación de la sentencia original,
demostrando, por lo tanto, que la sentencia original es
verdadera. La resolución es una técnica poderosa para
probar teoremas en lógica y constituye la técnica básica de
inferencia en PROLOG, un lenguaje que manipula en formacomputacional la lógica de predicados. La regla de
resolución, establece que:
Inteligencia Artificial 13
3.1 Lógica de predicados
• Deducción.- Es el razonamiento a partir de un principio
conocido hacia un desconocido; de lo general, a lo
específico, o de la premisa a la conclusión lógica. La
deducción realiza inferencias lógicamente correctas. Esto
significa que la deducción a partir de premisas verdaderas,
garantiza el resultado de conclusiones también verdaderas.
• La deducción es el método más ampliamente comprendido,aceptado y reconocido de los tres indicados. Es la base tanto
de la lógica proposicional, como de la lógica de predicados.
A manera de ejemplo, el método deductivo, se puede
expresar, utilizando lógica de predicados, como sigue:
Inteligencia Artificial 14
3.1 Lógica de predicados
• Abducción.- Es un método de razonamiento comúnmente utilizado para
generar explicaciones. A diferencia de la inducción, la abducción no
garantiza que se puedan lograr conclusiones verdaderas, por lo tanto no es
un método sólido de inferencia. La forma que tiene la abducción es la
siguiente:
• Inducción.- Se define como el razonamiento a partir de hechos particulares o
casos individuales, para llegar a una conclusión general. El método inductivo
es la base de la investigación científica. La forma más común del método
inductivo es la siguiente:
Inteligencia Artificial 15
3.1 Lógica de predicados
• Estos sistemas obtienen una salida en función de sus entradas,
sin necesidad de un modelo analítico. Un sistema difuso es un
SBC (Sistema Basado en Conocimiento) estructurado como
un conjunto de reglas simbólicas del tipo “sí-enton- ces”, que
usan el lenguaje natural para representar información vaga o
imprecisa. Desde el punto de vista matemático, un sistema
difuso es determinista y proporciona un mapeado no-linealentre entradas y salidas (Tanaka et al., 2003).
Inteligencia Artificial 16
3.2 Lógica difusa
Conjuntos difusos• La mayoría de los fenómenos que encontramos cada día son imprecisos,
es decir, tienen implícito un cierto grado de difusidad en la descripciónde su naturaleza. Esta imprecisión puede estar asociada con su forma,posición, momento, color, textura, o incluso en la semántica quedescribe lo que son. En muchos casos el mismo concepto puede tenerdiferentes grados de imprecisión en diferentes contextos o tiempo.
• Un día cálido en invierno no es exactamente lo mismo que un día cálidoen primavera. La definición exacta de cuando la temperatura va detemplada a caliente es imprecisa no podemos identificar un puntosimple de templado, así que emigramos a un simple grado, latemperatura es ahora considerada caliente. Este tipo de imprecisión odifusidad asociado continuamente a los fenómenos es común en todos
los campos de estudio: sociología, física, biología, finanzas, ingeniería,oceanografía, psicología, etc.
Inteligencia Artificial 17
3.2 Lógica difusa
Conceptos imprecisos.
• Aceptamos la imprecisión como una consecuencia
natural de ''la forma de las cosas en el mundo''. La
dicotomía entre el rigor y la precisión del modelado
matemático en todo los campos y la intrínseca
incertidumbre de ''el mundo real'' no es
generalmente aceptada por los científicos, filósofos
y analistas de negocios.
Inteligencia Artificial 18
3.2 Lógica difusa
Operaciones entre Conjuntos Difusos:
• El conjunto complementario Ā de un conjunto difuso A es aquel cuya funcióncaracterística viene definida por:
• μAx=1-μAx
• La unión de conjuntos difusos A y B es un conjunto difuso AUB en U cuyafunción de pertenencia es:
• μAUBx=maxμAx,μBx
•
• La intersección de dos conjuntos difusos A y B es un conjunto difuso A∩B en Ucon función característica:
• μA∩Bx=minμAx,μBx
• En estas tres operaciones definidas para conjuntos difusos cumplen, al igual
que en la teoría clásica de conjuntos, asociatividad, conmutatividad y
distribuidad así como las leyes de Morgan.
Inteligencia Artificial 19
3.2 Lógica difusa
Relaciones Difusas:
• Una relación difusa representa el grado de presencia o ausencia de
ausencia, interacción o interconexión entre elementos de dos o mas
conjuntos difusos, por ejemplo: “x es mayor que y”. Supongamos U y V dos
universos de discurso, la relación difusa R(U,V) es un conjunto difuso en el
espacio producto UxV que se caracteriza por la función de pertenencia
μR(x,y) donde x pertenece a U e y pertenece a V.
Inferencia Difusa
• Se llama reglas difusas al conjunto de proposiciones IF-THEN que modelan al
problema que se quiere resolver. Una regla difusa simple tiene la forma:
• “Si u es A entonces v es B”
• donde A y B son conjuntos difusos definidos en los rangos “u” y “v”
respectivamente. Una regla expresa un tipo de relación entre los conjuntos A
y B cuya función característica seria μA→B(x,y) y representa lo que
conocemos como implicación lógica. La elección apropiada de esta
función característica esta sujeta a las reglas de la lógica proposicional
Inteligencia Artificial 20
3.2 Lógica difusa
Sistema basado en técnicas de Lógica Difusa
• Bloque Difusor: Bloque en el que a cada variable de entrada se le
asigna un grado de pertenencia a cada uno de los conjuntos
difusos que se ha considerado, mediante las funciones
características asociadas a estos conjuntos difusos. La entrada a
este bloque son valores concretos de las variables de entrada y las
salidas son grados de pertenencia a los conjuntos difusos
considerados.
• Bloque de Inferencia: Bloque que, mediante los mecanismos de
inferencia, relaciona conjuntos difusos de entrada y de salida y que
representa a las reglas que definen el sistema. Las entrada a este
bloque son conjuntos difusos (grados de pertenencia) y las salidas
son también conjuntos difusos, asociados a la variable de salida.
• Desdifusor: Bloque en el cual a partir del conjunto difuso obtenido
en el mecanismo de inferencia y mediante los métodos
matemáticos de desdifusion, se obtiene un valor concreto de la
variable de respuesta, es decir, el resultado.
Inteligencia Artificial 21
3.2
Lóg
ica
difu
sa
Proceso de búsqueda
• Cabe la posibilidad de asociar un conjunto de estadosa las diferentes situaciones en que se puede encontrarun objeto del dominio sobre el que se define unproblema; para ello debe existir una serie de estadosiniciales desde los que empieza el proceso debúsqueda.
• Existen ciertos operadores, tal que un operadoraplicado sobre un estado produce otro estado. Existe almenos un estado meta o estado solución.
• Espacio de estados: conjunto de estados que puedenobtenerse si se aplicaran todos los operadores posibles atodos los estados que se fueran generando.
Inteligencia Artificial 22
3.3 Redes de búsqueda
Representación y estructura de los procesos de búsqueda
Inteligencia Artificial 23
3.3 Redes de búsqueda
No informados Informados
Inteligencia Artificial 24
Búsqueda primero en
anchura (BPA)
Búsqueda primero en
profundidad (BPA)
Ramificación y
acotación (BPP)
Generación y prueba
Escalada simple
Escalada por la
máxima pendiente
Enfriamiento simulado
Búsqueda el primero
mejor
A*
3.3 Redes de búsqueda
El costo de recorrido del camino debe ser minimizado; aún a expensas de mecanismos de búsqueda más complicados.
• Algoritmo de costo uniforme = primero el mejor uniforme
• En cada paso, seleccionar el nodo con el costo acumulado más bajo.
Inteligencia Artificial 25
3.4 Redes de búsqueda óptima
Inteligencia Artificial 26
• 1. COLA <-- camino que solo contiene la raiz;
• 2. WHILE COLA no vacía
AND objetivo no alcanzado
DO remover el primer camino de la COLA;
crear nuevos caminos (a todos los hijos);
rechazar los nuevos caminos con ciclos;
agrega los nuevos caminos y ordenar toda la COLA;
• 3. IF objetivo alcanzado
THEN éxito;
ELSE falla;
3.4 Redes de búsqueda óptima
Branch-and-Bound • Usar cualquier método
de búsqueda (completo)para encontrar uncamino.
• Remover todos loscaminos parciales quetengan un costoacumulado mayor oigual que el caminohallado.
• Continuar la búsquedapara el próximo camino.
• Iterar.
Inteligencia Artificial 27
3.5
S
B
DCG
A
55
E 6
Primerobjetivoalcanzado
2
3
3
2 3
0.5
3.4 Redes de búsqueda óptima
Inteligencia Artificial 28
• Cambiar la condición de
terminación:
Terminar sólo cuando un
camino a un nodo
objetivo se ha
convertido en el mejor
camino.
G
100
B
5S
A C
1
1
51
2
102
F5
D
E
5
5
5
10
15
20
25
3.4 Redes de búsqueda óptima
• Los juegos son interesantes porque son demasiado
difíciles de resolver.
• El ajedrez, por ejemplo, tiene un factor de ramificación
promedio de 35 y los juegos van a menudo a 50
movimientos por cada jugador, esto significa:
o Grafo de búsqueda: aproximadamente 1040 nodos
distintos
o Árbol de búsqueda: 35100 o 10154 nodos
• Los juegos, como el mundo real, requieren la
capacidad de tomar alguna decisión (la jugada)
cuando es infactible calcular la decisión óptima
Inteligencia Artificial 29
3.5 Arboles de búsqueda con adversario
• Un juego puede definirse formalmente como una clase
de problemas de búsqueda con los componentes
siguientes:
El estado inicial
Una función sucesor, que devuelve una lista de
pares (movimiento, estado)
Un test terminal, que determina cuándo termina el
juego (por estructura o propiedades o función
utilidad)
Una función utilidad.
Inteligencia Artificial 30
3.5 Arboles de búsqueda con adversario
Inteligencia Artificial 31
3.5 Arboles de búsqueda con adversario
• Aproximación trivial: generar todo el árbol de jugadas.
• Se etiquetan las jugadas terminales, dependiendo de sigana MAX o MIN, con un valor de utilidad de, porejemplo, “+1” o “-1”.
• El objetivo es encontrar un conjunto de movimientosaccesible que dé como ganador a MAX.
• Se propagan los valores de las jugadas terminales de lashojas hasta la raíz.
• Incluso un juego simple como tic-tac-toe es demasiadocomplejo para dibujar el árbol de juegos entero.
Inteligencia Artificial 32
3.5 Arboles de búsqueda con adversario
Inteligencia Artificial 33
3.5 Arboles de búsqueda con adversario
Inteligencia Artificial 34
3.5 Arboles de búsqueda con adversario
Inteligencia Artificial 35
3.5 Arboles de búsqueda con adversario
Inteligencia Artificial 36
3.5 Arboles de búsqueda con adversario