MOMENTO DOS

MAURICIO MORA MORA

C.C.1069736867

VLADIMIR GARCES

INTELIGENCIA ARTIFICIAL

TUTORA

ANGELA MARIA GONZALEZ

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

CEAD-ARVELAEZ

2014

BOJETIVOS

Analizar las sintaxis de los sistemas de búsquedas heurística y ciega. Utilizar la estructura y características de los sistemas de búsquedas heurística y

ciega para dar soluciones a problemáticas de la vida cotidiana. Platear un ejemplo analítico de algoritmo genético. Implementar los problemas plateados por el curso virtual en nuestra vida

profesioanl.

ACTIVIDADES INDIVIDUALES

1. De las siguientes búsquedas cada integrante escoge dos búsquedas, una heurística y una ciega y mediante diagramas realice los procesos que realiza cada una de ellas, explicando sus características, ventajas y desventajas. Deben ser de autoría propia.

BÚSQUEDA HEURÍSTICA

Búsqueda preferente por lo mejor

Búsqueda Avara (Greedy Search)

Principalmente es una de las más sencillas estrategias en la BPPLM, que consiste en reducir al mínimo el costo estimado para lograr una meta lo cual en otras palabras, el nodo cuyo estado se considere más cercano a la meta en términos de costo de ruta se expande primero aunque casi siempre es posible calcular el costo aproximado hasta la meta, es difícil hacerlo con precisión, por otra parte la función utilizada para dicho estimado del costo se llama función heurística, simbolizada por h ya queh(n) = costo estimado de la ruta más barata que une el estado del nodo n con un estado meta:

Iasi

H=160Neamt

H=150Vaslui

H=170Iasi

H=160Neamt

H=150

Búsqueda A*

De igual manera se puede definir como f(n) lo cual puede llamarse el costo estimado de la solución más barata, pasando por n ya que es posible demostrar que esta estrategia es completa y óptima, dada una restricción de h lo cual es la restricción es escoger una función h que nunca sobreestime el costo que implica alcanzar la meta a dicha función h se le llama heurística admisible por ende a la búsqueda preferente por lo mejor que usa f como función de evaluación y una función h aceptable se le conoce como búsqueda A*.

BÚSQUEDA CIEGABúsqueda preferente por amplitudUna de las estrategias más sencillas es la de la búsqueda preferente por amplitud.En este caso, primero se expande el nodo raíz, y luego todos los nodos generados por éste; luego, sus sucesores, y así sucesivamente. En general, todos los nodos que están en la profundidad d del árbol de búsqueda se expanden antes de los nodos que estén en la profundidad d+1. Para implantar una búsqueda preferente por amplitud se utiliza un algoritmo BÚSQUEDA-GENERAL con una función de lista de espera mediante la que se van poniendo los estados recién generados al final de la lista, a continuación de todos los estados generados previamente:Function BREADTH-FIRST-SEARCH (problem) return a solution or failureFunción BÚSQUEDA-PREFERENTE-POR-AMPLITUD (problema) responde con una solución o una Falla:

Búsqueda de costo uniformeMediante la búsqueda preferente por amplitud se encuentra el estado meta máspróximo a la superficie, sin embargo ésta no siempre es la solución de costo mínimo de la función general de costo de ruta. En el caso de la búsqueda de costo uniforme se modifica la estrategia preferente por amplitud en el sentido de expandir siempre el nodo de menor costo en el margen (medido por el costo de la ruta g(n)) en vez del nodo de menor profundidad. No es difícil darse cuenta de que la búsqueda preferente por amplitud no es sino una búsqueda de costo uniforme en la que g(n)=PROFUNDIDAD(n).

1. Explicar que es, las características, las estrategias de búsquedas y por medio de ejemplos identificar qué papel tiene la búsqueda en la inteligencia artificial.

Si se pide a varias personas que definan la inteligencia, lo más probable es que nos den definiciones no coincidentes, como:

Capacidad de aprender a partir de la experiencia

El poder de pensar

La capacidad de razonar

La capacidad de percibir relaciones

El poder de comprender

Intuición

Tipos de búsqueda:

Las técnicas de búsqueda son una serie de esquemas de representación del conocimiento, que mediante diversos algoritmos nos permite resolver ciertos problemas desde el punto de vista de la I.A.

Elementos de búsqueda

• Conjunto de estados: todas las configuraciones posibles en el dominio.

• Estados iniciales: estados desde los que partimos.

• Estados finales: las soluciones del problema.

• Operadores: se aplican para pasar de un estado a otro.

Uno de los problemas que antes se intentó resolver fue el del juego del ajedrez, pues tiene unas reglas claramente definidas y unos objetivos inequívocos. Actualmente se conocen varias técnicas de IA para enfrentarse al juego del ajedrez. En general los juegos proporcionan una tarea estructurada en la que es muy fácil medir el éxito o el fracaso. En comparación con otras aplicaciones de inteligencia artificial, por ejemplo comprensión del lenguaje, los juegos no necesitan grandes cantidades de conocimiento. En un primer momento se pensó que se podrían resolver por búsqueda exhaustiva en el árbol del juego, es decir, un árbol que contenga todos los movimientos posibles de ambos jugadores. Considerando por ejemplo el juego de ajedrez, en una partida cada jugador realiza una media de 50 movimientos, con un factor de ramificación medio de 35 posibilidades, por lo tanto para examinar el árbol de juego completamente se tendrían que examinar 35100 posibilidades. Resulta evidente que una simple búsqueda directa precisa mucha potencia de cálculo en la práctica, y por lo tanto es necesario algún tipo de procedimiento de búsqueda heurística.

Búsqueda. Una forma de ganar en un juego es mediante la búsqueda, mirando más allá de las posibilidades generadas por cada movimiento potencial. Los ordenadores son mejores que las personas para este tipo de cálculos y los ordenadores más potentes si pueden rastrear todas las posibilidades, en base a la denominada fuerza bruta.

Heurísticos. Se dice así de los métodos prácticos, se basan en juicios que la experiencia nos dice que son válidos. Es como actuamos en la vida diaria. un programa de ajedrez, por ejemplo podría actuar de la forma: mantenga los peones en la fila del rey tanto tiempo como sea posible.

Reconocimientos de modelos. Los mejores jugadores humanos de ajedrez recuerdan cientos de modelos críticos en el desarrollo del juego y saben las mejores estrategias aplicables en cada caso. Los programas de juegos también reconocen modelos recurrentes, pero no lo hacen como las personas.

Aprendizaje de máquinas. Los mejores programas de juegos de mesa aprenden de la experiencia. Si un movimiento es rentable es probable que el programa que aprende lo utilice en futuras jugadas. Si da como resultado una pérdida, el programa lo recordará y evitará su uso en el futuro.

Aplicaciones de la inteligencia artificial

* Tareas de la vida diaria (más dificil para una máquina que las tareas de un experto)

Percepción (visión y habla)

Lenguaje natural (comprensión, generación, traducción)

Sentido común

Control de un robot

* Tareas formales

Juegos (ajedrez, backgammon, damas)

Matemáticas (geometría, lógica, cálculo, demostración de propiedades) 

* Tareas de los expertos (necesitan un conocimiento menor que el conocimiento necesario en las tareas más comunes)

Ingeniería (diseño, detección de fallos, planificación de manufacturación)

Análisis científico

Diagnosis médica

Análisis financiero

2. Teniendo en cuenta el trabajo individual, elabore un cuadro comparativo entre la búsqueda heurística y la búsqueda ciega

Búsqueda ciega Búsqueda heurística La búsqueda ciega o no informada sólo utiliza información acerca de si un estado es o no objetivo para guiar su proceso de búsqueda.

Los métodos de búsqueda ciega se pueden clasificar en dos grupos básicos:

Las técnicas de búsqueda heurística se apoyan al contrario de los métodos de búsqueda ciega se apoyan en información adicional para realizar su proceso de búsqueda. Para mejorar la eficiencia de la búsqueda, estos algoritmos hacen uso de una función que realiza una predicción del

Métodos de búsqueda en anchura:

Son procedimientos de búsqueda nivel a nivel. Para cada uno de los nodos de un nivel se aplican todos los posibles operadores y no se expande ningún nodo de un nivel antes de haber expandido todos los del nivel anterior.

Métodos de búsqueda en profundidad:

En estos procedimientos se realiza la búsqueda por una sola rama del árbol hasta encontrar una solución o hasta que se tome la decisión de terminar la búsqueda por esa dirección (por no haber posibles operadores que aplicar sobre el nodo hoja o por haber alcanzado un nivel de profundidad muy grande). Si esto ocurre se produce una vuelta atrás( backtracking ) y se sigue por otra rama hasta visitar todas las ramas del árbol si es necesario.

coste necesario para alcanzar la solución. La función que guía el proceso toma el nombre de función heurística.

De todos los algoritmos de búsqueda heurística, uno destaca en especial: el A*. Este algoritmo, a pesar de haber sido creado entorno a los años 60, sigue en la actualidad siendo uno de los más utilizados. Desafortunadamente, es ineficiente en cuanto al uso de memoria durante el proceso de búsqueda. Por ello, en las décadas de los 80 y 90, aparecieron algoritmos basados en el propio A*, pero que limitaban el uso de memoria. Dos de los algoritmos más representativos de esta última tendencia son el IDA* (Iterative-Deepening A*) y el SMA* (Simplified Memory-bounded A*).

.

3. Explique que es un algoritmo genético, mediante un ejemplo explique su proceso de construcción.

SOLUCION

A continuación se verá un ejemplo compilado simple de algoritmo genético que necesita una codificación o representación del problema, que resulte adecuada al mismo. Además se requiere una función de ajuste ó adaptación al problema, la cual asigna un número real a cada posible solución codificada. Durante la ejecución del algoritmo, los padres deben ser seleccionados para la reproducción, a continuación dichos padres seleccionados se cruzarán generando dos hijos, sobre cada uno de los cuales actuará un operador de mutación. El resultado de la combinación de las anteriores funciones será un conjunto de individuos (posibles soluciones al problema), los cuales en la evolución del Algoritmo Genético formarán parte de la siguiente población.

BEGIN /*Ejemplo de un Algoritmo Genetico Simple */

Generar una poblacion inicial de estudiantes en la UNAD.

Computar la funcion de evaluacion de cada individuo.

WHILE NOT Terminado DO

BEGIN /* Producir nueva generacion */

FOR Tamano˜ poblacion/2 DO

BEGIN /*Ciclo Reproductivo */

Seleccionar dos individuos de la anterior generacion,

para el cruce (probabilidad de seleccion proporcional

a la funcion de evaluacion del individuo).

Cruzar con cierta probabilidad los dos

individuos obteniendo dos descendientes.

Mutar los dos descendientes con cierta probabilidad.

Computar la funcion de evaluacion de los dos

descendientes mutados.

Insertar los dos descendientes mutados en la nueva generacion.

END

IF la poblacion ha convergido THEN

Terminado := TRUE

END

END

CONCLUCIONES

De acuerdo al trabajo desarrollado anteriormente pudimos dar cumplimiento a las expectativas plateadas por la guía de actividades de la misma manera pudimos

plantear soluciones constructivas ante los problemas planteados lo cual nos son como base ante las expectativas como personas y como profesionales ante diseño y análisis de sistemas inteligente, sistemas de búsqueda o sistemas artificiales.

BIBLIOGRAFIA

[1]UNIVERSIDAD NACIONAL DE COLOMBIA. (2012). INTELIGENCIA ARTIFICIAL. 2/11/2014, de NACIONAL DE COLOMBIA Sitio web: http://elvex.ugr.es/decsai/iaio/slides/A3%20Search.pdf

[2]J.K. (2013). SISTEMAS INTELIGENTES. 2/11/2014, de INCA Sitio web: http://www.academia.edu/905885/135._Tecnolog%C3%ADas_de_inteligencia_artificial_y_de_agentes_computacionales_en_la_educaci%C3%B3n_el_proyecto_EVA