Procesos Inteligentes 1ra Fase

8/16/2019 Procesos Inteligentes 1ra Fase

1/117

PROCESOS INTELIGENTESIngeniería Mecatrónica - UCSM

M.Sc. Sergio Mestas Ramos


2/117

¿ QUÉ ES LA INTELIGENCIA ARTIFICIAL ?


3/117

Inteligencia Artificial – Intentos de Definición

- Bellman (1978)- Automatización de actividades que vinculamos con procesos delpensamiento humano, tales como, toma de decisiones, resoluciónde problemas, aprendizaje.

- Winston (1992).- Estudio de las computaciones que permiten percibir, razonar y

actuar.

- Minsky (1986)- Arte de construir máquinas capaces de hacer cosas que requieren

inteligencia en caso de que fuesen hechas por seres humanos.

- Luger (1989)- Rama de la informática que trata de la automatización del

comportamiento inteligente.


4/117

La Inteligencia Artificial

Es un campo de la ciencia que trata de realizar, conmáquinas, tareas que pueden ser realizadas por elhombre, aplicando cualquier tipo de razonamiento.

En cierta media cualquier programa de computador puede considerarse inteligente. El problema esdiferenciar entre lo que se considera un “programainteligente” y el que no lo es.

Un programa inteligente es aquel que exhibe uncomportamiento similar al humano cuando se enfrentaa un problema idéntico.


5/117

Sistemas que PIENSAN como humanos Sistemas que PIENSAN racionalmente

“El nuevo y exitante esfuerzo de hacer que los

computadores piensen”“La automatización de actividades que

vinculamos con procesos de pensamientohumano, actividades como la toma dedecisiones, resolución de problemas,aprendizaje..”

“El estudios de las facultades mentales

mediante el uso de modelos computacionales”“El estudio de los cálculos que hacen posible

percibir, razonar y actuar”

Sistemas que ACTÚAN como humanos Sistemas que ACTÚAN racionalmente

“Desarrollar máquinas con capacidad para

realizar funciones que cuando son realizadas por personas requieren de inteligencia”

“El estudio de cómo lograr que loscomputadores realicen tareas, que por elmomento, los humanos hacen mejor”

“La inteligencia Computacional es el estudio

del diseño de agentes inteligentes”

“Está relacionada con conductas inteligentes en

artefactos”


6/117

Pensar como un humano- Es necesario contar con un mecanismo para determinar cómo

piensan los humanos- Una vez que se tenga una teoría al respecto, se podrá expresar

esa teoría en la forma de un programa de computadoras

- Si los datos de E/S y los tiempos de reacción del programa sonsimilares a los de un humano existe la evidencia de que algunos de

los mecanismos del programa se pueden comparar con los del loshumanos

- Ciencia cognitiva: Convergen modelos computacionales de IA ytécnicas experimentales de psicología intentando elaborar teoríasprecisas y verificables sobre el funcionamiento de la mente

humana


7/117

Pensar racionalmente- Intentar codificar la “manera correcta de pensar”. Un proceso de

razonamiento irrefutable

- Aristóteles fue uno de los primeros, a través de sus silogísmos(esquemas de estructuras de argumentación en las que siempre sellega a conclusiones correctas si partimos de premisas correctas)

- Lógica. Notación precisa para definir sentencias sobre todo tipo de

elementos del mundo y especificar relaciones entre ellos- Ya en 1965 habían programas que resolvían cualquier problemaque pudiera expresarse mediante la notación de la lógica

- No es fácil transformar conocimiento informal y expresarlo entérminos formales, sobre todo cuando el conocimiento es inferior al

100%- Es diferente a resolver un problema “en principio” y hacerlo en lapráctica. Hay problemas que aún con unos pocos datos puedenagotar los recursos computacionales


8/117

Actuar racionalmente- Un enfoque basado en agentes. Algo que razona- Los agentes informáticos se deben distinguir de los programas

convencionales

- Perciben su entorno. Persisten en el tiempo. Se adaptan a loscambios y son capaces de alcanzar objetivos diferentes

- Un agente racional actúan con la intención de alcanzar el mejor resultado, ó cuando hay incertidumbre, el mejor resultadoesperado.

- Las habilidades que se necesitan en la prueba de Turing debenpermitir emprender acciones racionales

- Es necesario contar con la capacidad para representar elconocimiento y razonar basándonos en él

- El enfoque de la IA basados en las leyes del pensamiento ponetodo el énfasis en hacer inferencias correctas, lo cual podríaconsiderarse como racional. Sin embargo una inferencia correcta

no depende siempre de la racionalidad. Hay situaciones en las queno hay nada correcto que hacer y es necesario tomar una decisiónTambién hay maneras de actuar racionalmente que no implicanrealizar inferencias


9/117

Inteligencia Artificial – Como surge


10/117

Prueba de Turing

- Alan Turing. 1950- Proporciona una definición operacional y satisfactoria

de Inteligencia

- Prueba basada en la incapacidad de diferenciar entre

entidades artificiales y seres humanos- En la actualidad, programar una computadora para

que supere la prueba requiere un trabajo considerable

- El computador supera la prueba si un evaluador

humano no es capaz de distinguir si las respuestas auna serie de preguntas, son de una persona ó no.


11/117

Capacidades que debe tener la computadora:

Procesamiento de lenguaje natural: Para poder comunicarsesatisfactoriamente en lenguaje natural

Representación del conocimiento: Para almacenar lo que seconoce ó siente

Razonamiento automático: Para utilizar el conocimientoalmacenado para responder a preguntas y extraer nuevasconclusiones

Aprendizaje automático: Para adaptarse a nuevas circunstancias

y para detectar y extrapolar patrones


12/117

Capacidades que debe tener la computadorapara la interacción física entre el evaluador y el

computador:

Prueba Global de Turing:

Visión computacional Para percibir objetosRobótica: Para manipular y mover objetos


13/117


14/117

Fundamentos de la IA


15/117

Fundamentos de la IAFilosofía

¿Existen reglas formales para extraer conclusiones válidas?. ¿Cómo segenera la inteligencia mental? ¿De donde viene el conocimiento?¿Cómo se pasa del conocimiento a la acción?

Silogísmos: Aristóteles. Extracción de conclusiones mecánicamentea partir de premisas iniciales)

Dualismo: Descartes. Existe una parte de la mente que está al

margen de la naturaleza. Los animales no poseen estacualidad dual; e igualmente a las máquinas)Materialismo: Las operaciones del cerebro realizadas de acuerdo con

las leyes de la física constituyen la mente)Empírico: Nada existe en la mente que no haya pasado por los

sentidosInducción: Las reglas generales se obtienen mediante la exposición

a asociaciones repetidas entre sus elementosPositivismo lógico: Todo el conocimiento se puede caracterizar

mediante teorías lógicas relacionadasTeoría de la confirmación: Intenta explicar cómo el conocimiento se

obtiene a partir de la experiencia


16/117


17/117


18/117


Neurociencia¿Cómo procesa información el cerebro?

Neurociencia: Estudio del sistema neurológico y enespecial el cerebro. La forma exacta en

que el cerebro genera los pensamientos.Neuronas: El cerebro está formado por células

nerviosas llamadas neuronas que han sidoobservadas y estudiadas individualmente


19/117


Psicología¿Cómo piensan y actúan los humanos y los animales?

Conductismo: Rechaza cualquier teoría en la que intervenganprocesos mentales. Insistieron en el estudio exclusivo de

mediciones objetivas de percepciones (estímulos) y de lasacciones resultantes (respuestas)

Psicología cognitiva: Conceptualización del cerebro como undispositivo de procesamiento de Información. Pone énfasis en quela percepción entraña cierto tipo de inferencia lógica inconsciente

Ciencia cognitiva: Utilización de modelos informáticos paramodelar la psicología de la memoria, el lenguaje y el pensamientológico.


20/117


Ingeniería Computacional¿Cómo se puede construir un computador eficiente?

Computadora: La IA necesita además de Inteligencia y un Artefacto (la computadora).

Hardware: Cada generación de dispositivos ha conllevado aun aumento en la velocidad de proceso ycapacidad de almacenamiento

Software: Los Sistemas operativos, los lenguajes de progra-mación y las herramientas modernas para escribir

programas. La investigación en IA ha generadonumerosas ideas importantes: Tiempo compartido,intérpretes imperativos, interfases gráficas,entornos de desarrollo rápido, programaciónsimbólica, funcional, dinámica, orientada a objetos.


21/117


Teoría del Control y cibernética¿Cómo pueden los artefactos operar bajo su propio control?

Teoría del control: Ver el comportamiento determinista comoalgo emergente de un mecanismo

regulador que intenta minimizar el “error”(la diferencia entre el estado actual y elobjetivo)

Cibernética: Modelos cognitivos matemáticos ycomputacionales

Función objetivo: Teoría del control moderna, basados endiseñar sistemas que maximizan unafunción objetivo en el tiempo.


22/117


Lingüística¿Cómo está relacionado el lenguaje con el pensamiento?

Lingüística computacional: Convergencia entre la lingüísticamoderna y la IA (procesamiento

de lenguaje natural)


23/117

Historia de la IAPeríodo de Gestación (1943-1956)

• Modelo de neuronas artificiales (1943)

• Reglas de actualización de aprendizaje (1949)

• Programas de ajedrez para computadoras (1950,1953)

• Primera computadora para simular una red de 40 neuronas a

partir de un computador de tubos de vacío (1951)• Lenguaje LISP. Primer lenguaje de IA (1958)

Reunión en el Darmouth College (1956)

• Programa capaz de demostrar teoremas de lógica

• Aparece por primera vez el término: “Inteligencia Artificial”


24/117

Historia de la IAEntusiasmo y grandes expectativas (1952-1965)

• GPS. Solucionador general de problemas. Aborda un problemacomo un conjunto de subproblemas y posibles cursos de acción.

• Juego de damas con aprendizaje de la experiencia de laspartidas jugadas (1952)

• Contribuciones de McCarthy en el MIT. LISP Compartido ydesarrollo del EC (programa que incorpora conceptos derepresentación y conocimiento) (1958)

• Contribuciones de McCarthy en Stanford. Sistema deplanificación y respuesta de preguntas (1969). Solución a

problemas limitados (micromundos ANALOGY: analogíageométrica)


25/117

Historia de la IADosis de Realidad (1966-1974)

• Se predijo que en 10 años habría una máquina inteligente

• Teoría de NP-Completos

• Programa ELIZA, en el MIT, que simulaba el comportamiento deun psicoanalista (1965)

• Experimentos en Machine Evolution (ahora llamados algoritmosgenéticos)

• Perceptrones. Tipo de redes neuronales (1969)


26/117

Historia de la IASistemas basados en conocimientos (1969-1979)

• Dendral. Sistema para inferir estructuras moleculares

• Mycin. Sistema para el diagnóstico médico de enfermedadessanguíneas

• Se modela la incertidumbre• HPP. Proyecto de programación heurística

• SHDRLU. Sistema para la comprensión del lenguaje natural.

• Lenguaje PROLOG (1972)


27/117

Historia de la IAIA como industria (1980-1988)• R1. Primer sistema experto comercial, para la elaboración de pedidos• Proyecto de quinta generación en Japón (máquina PROLOG)• Máquinas optimizadas para ejecutar LISP• Se produce un impacto industrial en los campos como la robótica y la

visión artificial

Regreso a las redes neronales (1986-presente)• Hopfield. Rumelhart y Hinton. Nuevos modelos de RN• Reconocimiento de voz (HMM)• Incertidumbre (Bayes)• Robótica• Aprendizaje• Realidad virtual


28/117


29/117


30/117

TÉCNICAS DE INTELIGENCIA ARTIFICIAL

o Redes neuronales artificiales (RNA)o Razonamiento Basados En Casos (RCB)o Algoritmos Genéticos (AG)o Lógica Difusa (LD)

• Sistemas Multiagente• Sistemas Basados en Conocimiento.• Visión Computacional• Procesamiento de Voz y Lenguaje Natural• Computación Evolutiva•

Robótica• Aprendizaje Mecánico.• Técnicas Heurísticas (recocido simulado)


31/117

REDES NEURONALES ARTIFICIALES (RNA)

Basadas en la hipótesis de Hebb (1949): Presenta demanera intuitiva el modo en que las neuronasmemorizan información y se plasman sintéticamente enla famosa regla de aprendizaje de Hebb.

Esta regla indica que las conexiones entre dosneuronas se refuerzan si ambas son activadas.Muchos de los algoritmos actuales proceden de los

conceptos de este psicólogo.

Son utilizadas básicamente para problemas declasificación de patrones y agrupamiento (clustering)


32/117


33/117

ALGORITMOS GENÉTICOS (AG)

• Es una técnica de búsqueda basada en la teoría de la evolución deDarwin.• Se basa en los mecanismos de selección que utiliza la naturaleza:

• Los individuos más aptos de una población son los que sobreviven puesse adaptan más fácilmente a los cambios que se producen en su

• entorno.

• Los cambios se traducen en transformaciones en los genes de unindividuo (unidad básica de codificación de cada uno de los atributos deun ser vivo)

• Las características más destacadas de un individuo (p.e, los que lepermiten adaptarse mejor a su entorno) se deben transmitir a susdescendientes.

• Un AG empieza por uno o varios individuos y mediante operaciones detransformación y selección va haciendo evolucionar su especie,desarrollando individuos mejores.


34/117


35/117

Agentes

Un agente es todo aquelloque puede considerarseque percibe su ambiente

mediante sensores y queresponde o actúa en talambiente por medio de

efectores.


36/117

Agentes Naturales

• Agente: cuerpo biológico

• Entorno: naturaleza

• Sensores: ojos, oídos, lengua, piel, etc.

• Efectores: piernas, brazos, manos, etc.

• Medida de rendim iento: sobrevivir, reproducirse,


37/117

Agentes artificiales

• Agentes hardware (robots):

• Interactúan directamente con un entorno físico

• Disponen de un “cuerpo” físico

• Sensores: cámaras, telémetros infrarojos, etc.

• Efectores: ruedas/piernas, manipuladores, etc.


38/117

Agentes artificiales

• Agentes software (softbots):

• Actúan en entornos virtuales (p.e. Internet)

• Todo software: no necesitan manipular físicamente el

entorno

• Sensores y efectores: dependientes del entorno


39/117

Agentes inteligentes

Actúan de forma racional en su entorno

Agente Racional es el que percibe y actúa paracumplir con sus objetivos con base a sus creencias delo que es correcto


40/117

Agente Racional …

• La racionalidad de un agente depende de cuatrofactores:• La medida del rendimiento: define el grado de éxito

del agente en el cumplimiento de sus objetivos.• La secuencia de percepciones: todo lo que hapercibido el agente hasta ese momento.

• El conocimiento del medio: todo el conocimiento que

ha acumulado en el medio en que habita.• Las acciones que el agente puede ejecutar.


41/117

Comportamiento Racional

Comportamiento racional:

• El que se realiza a partir de la secuencia de

percepciones hasta el momento, y el conocimiento a priori sobre el entorno.

• El que elige entre las capacidades, la acción quemaximice la medida de rendimiento


42/117

Algunas característicasadicionales:

Autonomía: Cuanto más se rige su comportamiento por su propia experiencia y

Cuanto menos depende de sus conocimientos a priori)

Aprendizaje: Cuando no sólo recopila información,sino que aprende de lo que percibe


43/117

Entorno de trabajo de los agentes (REAS)

• Rendimiento ó metas

• Entorno ó ambiente

• Actuadores ó acciones

• Sensores ó percepciones


44/117

REAS: Ejemplos


45/117

PROGRAMA PARA UN AGENTE

• Es una función que, a partir de las percepciones delagente, le permite realizar las acciones. El trabajo de la IAes diseñar el programa del agente.

• Se ejecuta en algún dispositivo de cómputo, el cual esllamado arquitectura.


46/117

Tipos de Programas para Agentes

• Agentes reactivos (reflejo) simple

• Agentes reactivos basados en modelos (con estado interno)

• Agentes basados en metas (u objetivos)

• Agentes basados en utilidad


47/117

Agentes Reactivos Simples

Este tipo de agente nocontiene internamenteestados y sus procesos oacciones que realiza sonrespuestas a la entrada de

percepciones. Ignoran las percepciones históricas


48/117

Agentes Reactivos SimplesUn agente reflejo simple almacena asociaciones entrada/salida

frecuentes en forma de reglas condición-acción (también reglassituación-acción o producciones).Ejemplo: La asociación:

si el coche de delante frena y sus luces

de freno se encienden, entonces elagente taxista deberá advertirlo yempezar a frenar

También se almacena de la forma:si coche-delante-frena entonces empezar-a-frenarLos humanos tenemos muchas de estas asociaciones:

reflejos innatosrespuestas aprendidas

http://turismoobjetivo.files.wordpress.com/2010/01/fila-autos-autovia-2.jpg


49/117

Agentes reactivos basados en modelos(con estado interno)

Este tipo de agente guardaestados internos sobre la historia

percibida lo cual le sirve para

ejecutar una acción. Lossensores no nos pueden informar a la vez de todos los estados quemaneja nuestro ambiente, es por este caso que el agente necesita

actualizar algo de informaciónen el estado interno.

Agentes reactivos basados en modelos (con


50/117

Agentes reactivos basados en modelos (conestado interno)

En ocasiones no es posible tomar una decisión a partir de una sola percepción porque los sensores no proporcionan toda la información.Ejemplo:

si el coche de delante es un modelo antiguono se podría determinar si ha frenado a partir de una única imagen

Un agente reflejo con estado interno mantiene la información quenecesita para distinguir entre estados diferentes del mundo

La percepción actual se interpreta a partir del estado anterior utilizandoinformación sobre:

cómo evoluciona el mundo independientemente del agentecómo influyen en el mundo las acciones del agente

http://images.google.com.pe/imgres?imgurl=http://www.bravocars.es/wp-content/uploads/2009/12/volkswagen_golf_led_detras.jpg&imgrefurl=http://www.bravocars.es/2009/12/10/el-volkswagen-golf-vi-ahora-con-luces-traseras-de-diodos-led/&usg=__Wi1KIwcc3iIjWjUJp-_tjUPYqro=&h=360&w=550&sz=76&hl=es&start=48&itbs=1&tbnid=Nro2eGHCBEtkSM:&tbnh=87&tbnw=133&prev=/images?q=luces+traseras&start=40&hl=es&sa=N&gbv=2&ndsp=20&tbs=isch:1


51/117

Agentes basados en metas

Además de los estados, los agentesnecesitan cierto tipo de informaciónsobre sus metas Estas metas van adetallar las situaciones a las que se

desea llegar de este modo, el programade agente puede combinar las metascon la información de los resultados(acciones) que emprenda y de estamanera poder elegir aquellas acciones

que permitan alcanzar la meta


52/117

Agentes basados en metasA veces no es posible tomar una decisión únicamente a

partir del estado actual del mundo.Ejemplo.Al llegar a un cruce el taxi puede realizar distintas acciones

Un agente basado en objetivos utiliza una descripción de

las metas a alcanzar que le sirve para escoger entre lasdistintas acciones posibles, por ejemplo el destino del pasajero.

La toma de decisiones basada en objetivos ≠ la toma de

decisiones basada en reglas condición-acción:tiene en cuenta el estado en el futuro

es mas flexibleLa búsqueda y la planificación son dos subáreas de la IAdedicadas a la resolución de problemas utilizando objetivos

http://images.google.com.pe/imgres?imgurl=http://farm2.static.flickr.com/1044/1448987799_38afab58d2.jpg?v=0&imgrefurl=http://www.flickr.com/photos/gonzalez-alba/1448987799/in/set-72157602157145969/&usg=__0suhUqY2k2DnonLdrp36X73k6W4=&h=500&w=437&sz=203&hl=es&start=6&itbs=1&tbnid=nk_2-Qa7gbDurM:&tbnh=130&tbnw=114&prev=/images?q=cruce+de+vias&hl=es&sa=N&gbv=2&ndsp=20&tbs=isch:1


53/117

Agentes Basados en Utilidad

Utiliza un modelo del mundo, junto con una función deutilidad que calcula sus

preferencias entre los estados

del mundo. Después seleccionala acción que le lleve a alcanzar la mayor utilidad esperada,entre todos los resultados

posibles


54/117

Agentes Basados en UtilidadLos objetivos únicamente no bastan para asegurar un comportamiento Ideal.

Ejemplo.Diferentes secuencias de acciones pueden llevar al destino que el pasajerodesea, pero algunas son mas rápidas, seguras o baratas que otras

Un agente basado en la utilidad utiliza un criterio para estimar el grado desatisfacción de un estado para el agente que le sirve para escoger entre distintasacciones válidas.

La utilidad es una función que asocia a un estado un número real, y debe

considerar situaciones problemáticas, ejemplo, compromiso adecuado a adoptar en caso de objetivos en conflicto.

La búsqueda en juegos es una subárea de la IA que utiliza funciones de utilidaden la resolución de problemas


55/117

Agentes Reactivos

Los agentes reactivos representan una categoría especialde agentes que no posee modelos simbólicos internos desu entorno. En su lugar, ellos actúan/responden en unamanera estímulo/respuesta al presente estado delambiente en el cual se encuentran.


56/117

Agentes Reactivos

Los agentes reactivos se basan en tres ideas claves:

1. No existe una especificación o plan a priori del comportamientodel agente reactivo. La dinámica de la interacción conduce a unaalta complejidad.

2. Descomposición en tareas. Un agente reactivo es visto como unacolección de módulos que operan en forma autónoma y sonresponsables de tareas específicas (sensar, controlar el motor,efectuar cálculos, etc.). La comunicación entre los módulos esmínima y de muy bajo nivel.

3. Tienden a operar sobre representaciones bien conocidas por lossensores, en contraste a las representaciones simbólicas de alto nivelque abundan en otros tipos de agentes.

Ej l


57/117

Ejemplo:Un robot que se encuentra en un espacio bidimensional

dividido en cuadrículasEste robot esta limitado por una frontera, dentro de lacual hay también objetos inmóviles (no existen caminoscuyo ancho sea menor a dos cuadrículas)

El robot debe seguir la siguiente pauta decomportamiento:

-Ir a una celda fronteriza, o que limite con un objeto, y

seguir su perímetro indefinidamente.El robot debe ser capaz de percibir si una determinadacelda esta libre para ser ocupada o no, y para ello debellevar a cabo acciones


58/117

• El robot puede percibir si las (8) celdas que lo rodeanestán libres o no. Estas ocho entradas sensoriales las

llamaremos:• s1, s2, s3, s4, s5, s6, s7,s8

• Estas variables tendrán el valor• 0 si están vacías

• 1 si están ocupadas

• El robot puede moverse a una celda libre adyacenteque este en su misma fila o columna. Por tanto, existen4 movimientos posibles:

Norte, mueve el robot hacia arribaEste, mueve el robot hacia la derecha.Sur , mueve el robot hacia abajo.Oeste, mueve el robot hacia la izquierda.


59/117


60/117


61/117

Percepción y Acción• Para realizar el diseño, lo común seria dividir el cálculo

de una acción, a partir de las señales sensoriales, endos fases distintas:

• En la fase de procesamiento perceptual se genera unvector de características x ( x1 ,… xN ) y

• En la fase de cálculo de la acción se selecciona unaacción teniendo en cuenta dicho vector.

• Los valores de este vector pueden ser números reales obien categorías. Las características binarias constituyenun caso especial ya que pueden ser consideradas comocaracterísticas numéricas (0 , 1) o categorizadas (V o F).


62/117


63/117

ó


64/117

Acción• Dadas las cuatro características definidas

anteriormente, el siguiente paso es definir una funciónque, de dichas características, nos proporcione laacción adecuada para llevar a cabo la tarea delseguimiento de los bordes.

• -Si ninguna de las características toma el valor uno(quiere decir que el robot percibe que todas las celdasalrededor están vacías), la acción pude ser moverse acualquier lugar. Tomaremos que se mueva al norte.

• -Si al menos una característica es 1, se aplicarán lassiguientes reglas:

Si x1=1 y x2=0, moverse al esteSi x2=1 y x3=0, moverse al sur Si x3=1 y x4=0, moverse al oesteSi x4=1 y x1=0, moverse al norte


65/117

Representación e implementación de lasfunciones

• Álgebra booleana (utilización de conectivas: . + y –(conjunción, disyunción y negación)

• Sistemas de producción (reglas de producción:

c1 -> a1)

• Redes (circuitos lógicos y funciones booleanas paraimplementar una red de compuertas lógicas)


66/117

Esquema general de un Agente Resolvente-Problemas

globales: Acciones, Estado, Objetivo, Problema

función Agente R-P(percepción) retorna Acciones

estado


67/117


68/117

Definición formal del Problema: (cont…)

-Costo del camino: Se asigna un costo numérico a cadacamino. El agente R-P elige una función costo que refleje unamedida de rendimiento. Por ejemplo, para el caso de lasciudades podría ser la distancia en kilómetros.

Supondremos que el costo del camino se calcula sumando loscostos individuales de las acciones a lo largo del camino:

c( a, x, y ) Costo Individual de la acción a la cualnos lleva del estado x al y.

-Solución Óptima: La solución cuyo costo del camino es elmínimo entre todas las posibles soluciones.


69/117

Oradea

Neamt

Iasi

Vaslui

Eforie

Hirsova

SibiuFagaras

Mehadia

Dobreta

Urziceni

Rimnicu Vilcea

Craiova

Pitesti

Giurgiu

Zerind

Arad

Timisoara

Lugoj

Bucharest

87

92

142

98

86

85

90

211

101138

97

146

120

99

75

70

111

118

75

71

151

140

80


70/117


71/117

El juego de las ocho fichas

(tablero de 3x3 y 8 fichas (1 al 8). Una celda vacía.

Estados: La descripción de un estado especifica la ubicación de cada una de las ochofichas en una de las nueve celdas. También se incluye la posición del espacio vacío.

Estado inicial: Cualquiera .

Acciones: El espacio vacío puede moverse a la izquierda, a la derecha, arriba o abajo.

Test de Objetivo: El estado debe coincidir con la configuración de la derecha (mostradaen la figura)

Costo del camino: Cada paso cuesta 1, así que el costo de la ruta corresponde a lalongitud de la ruta.


72/117


73/117

Mundo de la Aspiradora(Hay solo dos localizaciones. La aspiradora sabe

donde está y si hay suciedad ó no en ese lugar)

Estados: Agente está en una de las doslocalizaciones, cada una de las cuales puede estarsucia ó no (en total 2 x 22 estados).Estado inicial: CualquieraAcciones: Desplazarse a la izquierda, derecha y

aspirar.Test de Objetivo: No hay suciedad en ninguna de lasceldas.Costo del camino: Cada acción cuesta 1.


74/117

L

S

R

L L

L

L

L L

L

R

R

R

R

R

R

R

S

SS


75/117


76/117

Búsqueda de Soluciones:

Veremos algunas técnicas que utilizan el Árbol de búsqueda,obtenido a partir del estado inicial y la función sucesor

- Nodo de Búsqueda (raíz del árbol, estado inicial)

-Expandir: Proceso de aplicar la función sucesor -Generar: Al expandir se generan nuevos estados

-Estrategia de búsqueda: El proceso de elegir cuál será el

siguiente estado a Expandir


77/117

Cada nodo del Árbol de Búsqueda:

Es una estructura de datos que contiene:-Estado (estado del espacio de estados que se corresponde conel nodo)

-Nodo Padre (el nodo en el árbol que ha generado a ese nodo)-Acción (la acción que se aplica al padre para generar el nodo)

-Costo del camino (el costo del camino desde el estado inicialal nodo, denotado por g(n) )

-Profundidad (longitud del camino desde el estado inicial alnodo)


78/117

Estrategias de búsquedas:• No informada o a ciegas.

• Informadas o heurísticas.No Informadas ó a Ciegas: Significa que no se tieneinformación adicional acerca de los estados. La únicainformación es la que proporciona la formulación del

problema. Sólo generan sucesores y distinguen si hanllegado al objetivo ó no.

Informadas ó Heurísticas: Estrategias en las que se sabe,cuando un estado no es objetivo, si es mas “prometedor” que

otro.


79/117

Estrategias de Búsquedas No Informadas (A ciegas)

• Búsqueda Primero en Anchura• Búsqueda de Costo Uniforme• Búsqueda Primero en Profundidad• Búsqueda Primero en Profundidad Limitada• Búsqueda Primero en Profundidad con profundidad iterativa• Búsqueda Bidireccional


80/117

Estrategias de Búsquedas Informadas (Heurísticas):

• Búsqueda Primero el Mejor

• Búsqueda A*


81/117

Criterios para evaluar las estrategias:

Completitud¿La estrategia garantiza encontrar una solución, si es que

esta existe?

Complejidad en tiempo¿Cuánto tiempo se necesitara para encontrar una solución?

Complejidad en espacio¿Cuánta memoria se necesita para efectuar la búsqueda?

Optimización¿Con esta estrategia se encontrará una Solución Óptima?


82/117

Utiliza el concepto de Frontera (Todos los nodos delárbol que han sido generados, pero no expandidos.Al comienzo, antes de aplicar por primera vez lafunción Sucesor, la frontera contiene únicamente a laraíz del árbol .

La estrategia de búsqueda consistirá entonces endeterminar, de la frontera, cuál será el siguiente nodoa expandir

Algoritmo General de Búsqueda

utilizando árboles

Al it G l d Bú d


83/117

Algoritmo General de Búsquedautilizando árboles (continuación)

Utiliza una Lista, para representar la frontera.-Operaciones sobre la Lista:

-Crear-Vacía?

-Primero-Eliminar Primero-Insertar Uno

-Insertar Todos

-Utiliza una función Expandir que retorna todos losnodos resultantes de expandir uno determinado


84/117

Algoritmo General

funcion Busqueda_Arbol(problema)

retorna Solución

Crear(frontera)

frontera


85/117

Función Expandir

funcion Expandir(nodo, problema) retorna Conjunto de Nodosconjunto


86/117

Búsqueda Primero en Anchura

Es una estrategia de búsqueda sencilla. Se expande primero el nodo raíz, y luego todos los nodos sucesoresde éste; a continuación todos los sucesores de éstosúltimos y así sucesivamente. En general, se expanden

todos los nodos de una misma profundidad, antes deexpandir cualquier nodo del próximo nivel.


87/117


88/117


89/117

Búsqueda de Costo Uniforme

En lugar de expandir el nodo más superficial, expandeaquel que tiene menor costo en su camino.Mediante esta estrategia se puede encontrar la solución

más barata siempre y cuando se satisfaga un requisitomuy sencillo “costo de la ruta nunca debe ir disminuyendo

conforme avanzamos por la ruta”.

Notar que si todos los costos son iguales a 1, la estrategiase comporta similar a la de Primero en Anchura.


90/117

Búsqueda de Costo Uniforme (cont…)

Se puede implementar, mediante el Algoritmo General,

considerando la Lista como una Cola de Prioridad, cuyocriterio para obtener el Primero (Eliminar) de la Cola seríael de menor Costo.


91/117

Búsqueda Primero en Profundidad

Esta búsqueda se centra en expandir un único camino desde la raíz.

Siempre se expande el nodo más profundo en la frontera actual.En el caso de llegar a un “callejón sin salida” se retrocede hasta el

nodo más cercano (siguiendo al nodo padre) donde se puede tomaruna rama alternativa para poder seguir avanzando.

Búsqueda Primero en Profundidad (cont )


92/117

Búsqueda Primero en Profundidad (cont…)

Se puede implementar, mediante el Algoritmo General,considerando la Lista, como una Pila (cuyas operacionesfuncionan en forma LIFO (último en entrar, primero en salir). Deesta manera el siguiente nodo a expandir siempre será el últimoque se haya colocado en la pila de ese nivel, garantizando esto

que la expansión vaya aumentando en la profundidad de losnodos.

Es común aplicar esta estrategia mediante una algoritmorecursivo que recorra el árbol en Pre-Orden

Tiene modestos requisitos de memoria. Sólo necesita almacenar un camino, junto con los hermanos restantes no expandidos encada nodo.


93/117

Búsqueda de Profundidad Limitada


94/117

q

Similar a la estrategia de Primero en Profundidad,pero se trata de eliminar el problema de que sepuedan general árboles “ilimitados”. Para elloestablece un límite L a la profundidad del árbol.Todo nodo cuya profundidad sea L, no esexpandido (se considera sin sucesores).El problema que puede pasar es si escogemos un

valor de L menor que la profundidad del Objetivo,en cuyo caso no llegaríamos a la Solución.

Búsqueda Primero en Profundidad con


95/117

Búsqueda Primero en Profundidad conProfundidad Iterativa.

Combina la estrategia de Primero en Profundidad conla de Profundidad Limitada, comenzando con Límiteigual a 0, aumentándolo de 1 en 1 hasta encontrar el

objetivo.

Combina las ventajas de las dos estrategias.


96/117

Búsqueda Bidireccional

La idea es ejecutar dos búsquedas simultáneas: unahacia delante, desde el estado inicial y otra hacia atrás,desde el estado objetivo

La búsqueda termina cuando las dos búsquedas seencuentren (las búsqueda deben comprobar, antes dela expansión, si los nodos de sus fronteras coinciden)


97/117

Ejercicios:

Aplicar los Algoritmos deBúsqueda Primero en AnchuraBúsqueda de Costo Uniforme

Búsqueda Primero en ProfundidadA los ejemplos de:-La aspiradora, comenzando en el estado en que la aspiradoraestá a la izquierda y ambas celdas están sucias-Ciudades, comenzado en Arab, para llegar a Bucarest


98/117

RESOLUCIÓN DE PROBLEMASMEDIANTE BÚSQUEDAS

BÚSQUEDA INFORMADA(HEURÍSTICAS)


99/117

Búsquedas Informadas (Heurísticas)Utilizan conocimiento específico del

problema, más allá de la definición del problema en sí mismo

Pueden encontrar la solución de manera

más eficiente

Búsquedas Informadas


100/117

Búsquedas Informadas(Heurísticas)

Búsqueda Primero El Mejor

- Búsqueda Voraz (Avara)

- Búsqueda A*

Búsqueda Primero el Mejor


101/117

Búsqueda Primero el Mejor

-Caso particular del algoritmo general de búsqueda en Árboles en la cual se selecciona elsiguiente nodo a expandir en base a unafunción de evaluación f(n)

-La evaluación mide la “distancia” al objetivo

-Se expande el nodo con la evaluación más

baja


102/117

Búsqueda Primero el Mejor (cont…)-Se implementa de manera similar al método de “Búsqueda conCosto Uniforme”, mediante una cola de prioridad

-La función de evaluación nos brinda el nodo que “parece” ser elmejor y por tanto el que se debe expandir

-Familia de algoritmos basados en una función heurística h(n)

h(n) = costo estimado del camino más barato desde el nodo n hasta

el Objetivo

Búsqueda Voraz (Avara) Primero el Mejor


103/117

q ( ) j

-Expande el nodo más cercano al Objetivo,

asumiendo que probablemente conduzca másrápidamente a la solución.

-La función de evaluación f(n) sería la funciónheurística h(n)

f(n) = h(n)

h(n) = costo estimado del camino más barato desde el nodo nhasta el Objetivo

Búsqueda Voraz (Avara) Primero el Mejor


104/117

q ( ) j

-El término Voraz ó Avara es porque en cada

paso trata de ponerse tan cerca del objetivocomo pueda, seleccionando el nodo con menorfunción de evaluación f(n)

-No necesariamente brinda la solución óptima(ver ejemplo de las ciudades)

-Al igual que los otros métodos estudiados esnecesario verificar los “callejones sin salidas”(no exapandir estados repetidos)

Ejemplo. Objetivo: Estar en la ciudad Bucharest


105/117

Oradea

Neamt

Iasi

Vaslui

Eforie

Hirsova

SibiuFagaras

Mehadia

Dobreta

Urziceni

Rimnicu Vilcea

Craiova

Pitesti

Giurgiu

Zerind

Arad

Timisoara

Lugoj

Bucharest

87

92

142

98

86

85

90

211

101138

97

146

120

99

75

70

111

118

75

71

151

140

80

Consideraremos como función de evaluación


106/117

(función heurística):

Distancia en Línea Recta

hDLR (n) = Distancia en Línea Recta desde laciudad n hasta Bucharest


107/117


108/117

Solución de Búsqueda Voraz (Primero el Mejor):


109/117

Arad – Sibiu – Fagaras – Bucharest

Costo total: (140+99+211) = 450

Sin embargo:

Arad – Sibiu – Rimmicu – Pitesti – Bucharest

Costo total: (140+80+97+101) = 418

Búsqueda A* Primero el Mejor: Minimizar el


110/117

costo estimado total de la solución:

-Evalúa los nodos combinando g(n) y h(n)g(n): costo de haber alcanzado n

h(n): costo para llegar desde n hasta el objetivo

f(n) = g(n) + h(n) Costo más barato estimado de la solución através de n

f(n) Combina el costo del camino para llegar a n y el costo

estimado para llegar desde n al objetivo.

- En cada paso se expande el nodo con el valor más bajo def( ) ó d ( )+h( )


111/117

f(n), ó sea, de g(n)+h(n)

- La búsqueda A* es óptima siempre y cuando la función

heurística h(n) se una heurística admisible.

-Significa que la función nunca sobreestime el costo dealcanzar el objetivo

-Son funciones optimistas-En el ejemplo hDLR es admisible ya que la distancia en línearecta entre dos puntos es el camino más corto.


112/117


113/117

Otros Algoritmos:


114/117

Búsqueda A* con Profundidad Iterativa (A*PI):

Similar al algoritmo de profundidad iterativa, peroutilizando f(n) (g+h) como criterio de corte en cada iteración, enlugar de la profundidad. El valor del corte es el costo f(n) más

pequeño de cualquier nodo que haya excedido el corte de la

iteración anterior.

Búsqueda recursiva del primero mejor (BRPM):

Similar al algoritmo de primero el mejor, pero en un espacio

lineal, sin almacenar todo el árbol, sino almacenando únicamente la pista del mejor valor f alternativo disponible desde cualquierantepasado del nodo actual. Si el nodo excede ese límite se regresaal camino alternativo.

Funciones Heurísticas:Ejemplo del juego de las 8 fichas:


115/117

h1: número de piezas mal colocadas. Es admisible dado quetoda pieza que esté fuera de lugar, tiene que ser necesariamentemovida.

h2: suma de las distancias de las piezas a su posición en el

objetivo (suma horizontal y vertical-Distancia Manhattan). Esadmisible porque cada movimiento de un pieza la acerca alobjetivo

Funciones Heurísticas:Ejemplo del juego de las 8 fichas:


116/117

h1: número de piezas mal colocadas.= 8

h2: suma de las distancias de las piezas a su posición en elobjetivo

= 3 + 1 + 2 + 2 + 2 + 3 + 3 + 2 = 18

Ejercicio: Determinar una ruta desde A hasta I aplicando losalgoritmos:


117/117

algoritmos:

a) Búsqueda Voraz Primero el Mejor

b) Búsqueda A*

AE

F

H

B

C

I

G

131

105

111

75 88

125

147

47

114

50

99

105

Distancias en linea recta a I

A - 295

B - 280

C - 218

D - 147

E - 193

F - 148

G - 99

H - 105

Procesos Inteligentes 1ra Fase

Documents

Transcript of Procesos Inteligentes 1ra Fase