Busca Heuristica

Reviso
Aula 05
Busca com
informao
Principais estratgias de busca sem informao: busca em

amplitude e profundidade
1
2
5
3
7
1
4
X
X
Prof. Dr. Alexandre da Silva Simes
9-11
Busca baseada em informao
Como um agente pode utilizar

informaes sobre o espao de estados
para evitar que os algoritmos se
percam?
Inteligncia Artificial - Prof. Dr.
Alexandre da Silva Simes
Estratgias derivadas:
Busca com custo uniforme
Busca em profundidade limitada
Busca de aprofundamento iterativo
Busca bidirecional Inteligncia Artificial - Prof. Dr.
Estratgia geral
9-11
5
6
9-11
Busca pela melhor escolha (Best-First

Search): um n selecionado para
expanso com base em uma funo de
avaliao f(n) que mede a distncia at o
objetivo
Faz uso de uma funo heurstica

Heurstica
Funo heurstica
Palavra originada do grego heuriskein 1

(descobrir).
Forma mais comum de aplicar conhecimento
adicional do problema ao algoritmo de busca
atribuda a Arquimedes a passagem de gritar

heureka (eu descobri!) quando este descobriu o
princpio da flutuao
9-11
Algoritmos
9-11
Busca gulosa pela melhor escolha

A*
Algoritmos de busca local: operam usando um

nico estado corrente
h(n) = custo estimado do caminho mais econmico do n n at

um n objetivo
Se n objetivo, ento h(n)=0
Problema:
escolhida caso a caso, de acordo com a natureza do

problema

9-11
Busca gulosa pela melhor escolha
Estratgias de busca com informao:

exploram sistematicamente o espao de busca
Funo que descreve o quo bom um estado

Guia algoritmos baseados em busca pela melhor
escolha na direo mais promissora, sugerindo que
caminho seguir
Matematicamente:
Busca de subida de encosta

Busca de tmpera simulada
Busca em feixe local
Algoritmos genticos
Tenta expandir o n mais prximo da meta,

partindo do princpio que isso levar a uma
soluo mais rpida
A avaliao dos ns feita utilizando a funo:
f(n)=h(n)
Exemplo:
9-11
Problema: ir de Arad a Bucareste

Heurstica: distncia em linha reta. h(n) a distncia
em linha reta at Bucareste.
Busca gulosa: exemplo
9-11

9-11

9-11

10
11
9-11

12
Busca gulosa: avaliao
Complexidade: No expandiu nenhum n fora do

caminho da soluo: baixo custo de busca!
O caminho passando por Sibiu e Fagaras 32 quilmetros
mais longo do que passando por Rimnicu Vilcea e
Pitesti.
Complexidade: No expandiu nenhum n fora do

caminho da soluo: baixo custo de busca!
Otimizao: O caminho passando por Sibiu e Fagaras
32 quilmetros mais longo do que passando por Rimnicu
Vilcea e Pitesti. No timo.
310
278

9-11
13
Prefere seguir um nico caminho at o objetivo, mas voltar ao

encontrar um beco sem sada
No tima e incompleta (pode entrar em um caminho infinito
se no houver o cuidado de detectar estados repetidos)
Complexidade de tempo e espao no pior caso: O(bm).

Contudo, uma boa funo heurstica pode reduzir
drasticamente esta complexidade
9-11

14
A*
Desempenho muito dependente da escolha de uma

boa heurstica
Semelhante busca em profundidade:

9-11
15
9-11
Forma mais amplamente conhecida de

busca pela melhor escolha
Avalia ns fazendo:
f(n) = g(n) + h(n)
g(n): custo para alcanar cada n
h(n): custo para ir do n at o objetivo
16
A*: exemplo
9-11

A*: exemplo
17
A*: exemplo
9-11

9-11

18
A*: exemplo
19
9-11

20
A*: exemplo
9-11

A*: exemplo
21
A*: Avaliao
9-11
22
Heurstica admissvel
Para encontrar uma soluo de baixo

custo, parece razovel experimentar
primeiro o n com o menor valor de g(n)
+h(n)
Mais do que razovel, se a funo
heurstica h(n) satisfizer certas condies
a busca A* ser ao mesmo tempo
completa e tima...

9-11
23
A* ser tima se o espao de busca for uma

rvore e h(n) for uma heurstica admissvel
Heurstica admissvel: nunca superestima o custo

para alcanar o objetivo. uma funo otimista.
Exemplo:
9-11
Distncia em linha reta: a estrada entre duas cidades pode

ser mais comprida do que a distncia em linha reta, mas
nunca menor (estimativa otimista).

24
Consistncia (monotonicidade)
Consistncia (monotonicidade)
A* ser tima se o espao de busca for um

grafo1 e h(n) for uma heurstica consistente
(ou monotnica)
Uma heurstica h(n) consistente (ou monotnica)

se para todo n n e todo sucessor n de n gerado por
qualquer ao a, o custo estimado de alcanar o
objetivo a partir de n no maior que o custo do
passo de se chagar a n somado ao custo estimado
de alcanar o objetivo a partir de n, ou seja:

25
Exerccios
h(n)
n
c(n,a,n)
n
g
h(n)
n: n
n: sucessor de n
g: meta
a: ao
Observaes:
grafo = rvore + lista de ns visitados
9-11
Para todo n n: h(n) c(n, a, n)+h(n)
Toda heurstica consistente admissvel

Frequentemente quando h(n) admissvel, tambm
consistente
9-11

26
Exerccio 3
Nos dois exerccios anteriores, ambos
encontraram a mesma resposta. Contudo, em
apenas um deles pode-se garantir que a resposta
tima. Qual? Por que?
9/12/11

27
9-11

32
Exerccio 1: heurstica
Valores de heurstica
3
2
4
3
h(n)=2
h(n)
h(n)
0
2
8
3
4
c(n,a,n)=1
1
7
f(n)=5(4+1)
1,4
h(n)=1
h(n) = c(n,a,n)+h(n)
heurstica consistente, portanto admissvel
9-11
4
6
h(n)
h(n)
c(n,a,n)=0,1
h(n)=1
1
7
33
9-11
3
4
5
f(n)=1,4(0,4+1)
h(n) > c(n,a,n)+h(n)

1
A funo pessimista, e podem haver ns de custo

menor do que o esperado acima da meta encontrada!
f(n)=5(5+0)


8
7
3
4
f(n)=0,5(0,5+0)
34
Custos como contornos
Se a funo consistente, ento os valores de f

ao longo de qualquer caminho so nodecrescentes
Se a seqncia de ns expandido por A* est
em ordem no-decrescente, ento o primeiro n
objetivo selecionado para expanso tem de ser
a soluo tima, pois todos os ns posteriores
sero pelo menos to dispendiosos quanto ele
h(n)=2
c(n,a,n)
0,5
3,4
2
8
6
f(n)=2,3(0,3+2)
0
1
Consistncia: consideraes
1
7
5,1 5,1
3,2 3,2 4,2

2,3 3,3
9-11
3,1
f(n)=5(3+2)
Valores de heurstica
c(n,a,n)
1
Exerccio 2: heurstica
35
9-11
Se f consistente, os custos
apresentam contornos no espao
de estados, semelhantes a um
mapa topogrfico
Na busca de custo uniforme (A*
usando h(n)=0) as faixas sero
circulares em torno do estado
inicial
Com heursticas mais precisas,
as faixas se alongaro em
direo ao estado objetivo
Considerando que o A* expande
o n de borda que tem o menor
custo de f, podemos verificar que
uma busca A* diverge a partir do
n inicial, acrescentando ns em
faixas de custo crescente
36
A*: Consideraes
AIA*
Completa
tima
Em geral esgota o espao (memria) bem
antes de esgotar o tempo, pois mantm
todos os ns gerados na memria

9-11
37
BRPM
9-11

38
Funes heursticas
Busca recursiva pelo melhor

Tenta imitar a operao da busca pela melhor escolhapadro, mas utiliza apenas espao linear
Estrutura semelhante busca recursiva em
profundidade, porm em vez de continuar a descer
indefinidamente pelo caminho atual, ela controla o valor
de f do melhor caminho alternativo disponvel a partir de
qualquer ancestral do n atual. Se o n atual exceder
esse limite, a recurso retornar ao caminho alternativo
9-11
Aprofundamento iterativo A*
O corte utilizado o custo de f(g+h) em vez da
profundidade
A cada iterao o valor de corte o menor custo
de f de qualquer n que tenha excedido o corte
na iterao anterior
Evita sobrecarga substancial associada
manuteno de uma fila ordenada de ns

39
9-11
Custo da soluo mdia gerada: 22 passos

Fator de ramificao 3
Nmero de estados examinados em uma busca
sem informao: 322 = 3,1 x 1010 estados
40
Funes heursticas
Funo heurstica: avaliao
Heursticas utilizadas no quebra-cabeas

de oito peas:
9-11
h1: o nmero de blocos em posies erradas.

Para o estado inicial, h1=8.
h2: a soma das distncias (horizontal e
vertical: distncia Manhattan) dos blocos de
suas posies objetivo. Para o estado inicial:
h2 = 3+1+2+2+2+3+3+2 = 18
41
Algoritmos de busca local
9-11
Nmero mdio de ns expandidos utilizando algoritmo A* com h1 e

h2 e busca por aprofundamento iterativo (BAI) para 1.200
problemas aleatoriamente gerados
BAI
A* (h1)
10
A* (h2)
6
112
13
12
680
20
18
6384
39
25
10
47127
93
39
12
3644035
227
73
14
539
113
16
1301
211
18
3056
363
20
7276
676
22
18094
1219

9-11
42
Algoritmos de busca local
Algoritmos de busca: exploram sistematicamente espaos de busca. Mantm um ou mais

caminhos na memria registrando-se as
alternativas que foram exploradas. Quando um
objetivo encontrado, o caminho at esse
objetivo tambm constitui uma soluo para o
problema
Algoritmos de busca local: classe de
algoritmos que pode ser utilizada se o caminho
at a soluo no importante
43
Utilizam um nico estado (estado corrente) e em

geral se movem apenas para os vizinhos desse
estado
Objetivo: encontrar um estado de acordo com
uma funo objetivo
Vantagens:
9-11
Usam pouqussima memria

Podem encontrar solues razoveis em grandes ou
infinitos espaos de estados para os quais algoritmos
sistemticos so inadequados
44
10
Problemas de otimizao
Busca de subida na encosta
O objetivo encontrar o melhor estado de acordo com

uma funo objetivo
Lao repetitivo que se move de forma contnua no

sentido do valor crescente, isto , encosta acima
funo SUBIDA-DE-ENCOSTA(problema) retorna um estado que um mximo local
entradas: problema, um problema
variveis locais: corrente (um n) e vizinho (um n)
corrente CRIAR-N(ESTADO-INICIAL[problema])
repita
vizinho um sucessor de corrente com valor mais alto
se VALOR[vizinho] VALOR[corrente] ento retornar ESTADO[corrente]
corrente vizinho

9-11
45
Subida na encosta: exemplo

46
Subida na encosta: calculando h
Problema: 8 rainhas
9-11
9-11
Cada estado tem 8 rainhas no tabuleiro, 1 por coluna

Funo sucessora retorna todos os estados possveis
gerados pela movimentao de uma nica rainha
para outro quadrado da mesma coluna (cada estado
tem 8x7=56 sucessores)
A funo de custo da heurstica h o nmero de
pares de rainhas que esto atacando umas s outras
Solues tm h=0
47
h=4
9-11

48
11
h=4+3
h=4+3+3
9-11

49
9-11

h=4+3+3+3
h=4+3+3+3+2
9-11

51
9-11

50
52
12
h=4+3+3+3+2+1
h=4+3+3+3+2+1+1
9-11

53
= 17

9-11
54
Subida na encosta: variaes
Subida na encosta: mnimo local
Algoritmo com grande nmero de variaes:

Subida na encosta estocstica: escolhe ao acaso
entre os movimentos encosta acima
Subida na encosta pela primeira escolha: subida
na encosta estocstica gerando sucessores ao acaso
at gerar sucessor melhor que o estado corrente
Subida na encosta com reincio aleatrio: srie de
buscas de subida de encosta a partir de estados
iniciais gerados ao acaso
...
Esq. Estado com h=17, mostrando o valor de h para cada sucessor

possvel obtido pela movimentao de uma rainha dentro de sua
coluna. As casas marcadas so o melhor movimento
Dir. Mnimo local: o estado tem h=1, mas todo sucessor tem um custo
mais alto
9-11

55
9-11

56
13
Busca de tmpera simulada
Tmpera simulada: algoritmo

9-11
57
Lao de seleo interno muito semelhante subida na

encosta. Porm, em vez de escolher o melhor
movimento, ele escolhe um movimento aleatrio
Se o movimento melhorar a situao, ele sempre ser
aceito. Se piorar, o algoritmo aceitar o movimento com
alguma probabilidade menor do que 1
A probabilidade se reduz:
9-11
corrente CRIAR-N(ESTADO-INICIAL([problema])
para t 1 at , faa:
T escalonamento[t]
//diminui o valor de T com o tempo
se T=0 ento retornar corrente
prximo um sucessor de corrente selecionado ao acaso
E VALOR[prximo] VALOR[corrente]
se E>0 ento corrente prximo
//movimento melhora a situao!
seno corrente prximo somente com probabilidade eE/T
59
60
Em vez de manter um nico estado na memria,

mantm o controle de k estados
Comea com k estados gerados aleatoriamente.
Em cada passo so gerados todos os
sucessores de todos os k estados.
Exponencialmente com a m qualidade do movimento

medida que a temperatura T se reduz: movimentos ruins tm
maior probabilidade de serem permitidos no incio, quando a
temperatura alta, e depois se tornam mais improvveis

9-11
Busca em feixe local
Tmpera simulada: consideraes
funo TMPERA-SIMULADA (problema, escalonamento) retorna um estado soluo

entradas: problema (um problema), escalonamento (um mapeamento de tempo
para temperatura)
variveis locais: corrente (um n), prximo (um n), T (uma temperatura que
controla a probabilidade de passos descendentes)
Um algoritmo de subida na encosta que nunca faz movimentos

encosta abaixo sem dvida incompleto (mximo local)
Percurso puramente aleatrio completo, porm extremamente
ineficiente
Tmpera simulada: combina esses dois algoritmos. Idias gerais:
Mudana do ponto de vista de subida na encosta para
descida de gradiente
Para colocar uma bola de ping-pong na fenda mais profunda em
uma superfcie acidentada basta soltar a bola. Quando ela parar,
agita-se a bola para que ela saia do mnimo local
Tmpera, em metalurgia, o processo para endurecer metais e
vidro aquecendo-os a altas temperaturas e depois esfriando-os
gradualmente
Idia: comear a agitar com fora (alta temperatura), e reduzir
gradualmente a intensidade da agitao (baixar a temperatura)
9-11
Se qualquer um deles for um objetivo, o algoritmo

para
Caso contrrio, ele selecionar os k melhores
sucessores a partir da lista completa e repetir a
ao
61
14
Algoritmos genticos
Algoritmos genticos
Variante de busca em feixe estocstica, na qual os

estados sucessores so gerados pela combinao de
dois estados pais
Comeam com um nico conjunto de k estados gerados
aleatoriamente chamado populao
Cada estado (ou indivduo) representado como uma
cadeia sobre um alfabeto finito (usualmente composto
por 0s e 1s)
Cada estado avaliado pela funo de avaliao (ou
funo de fitness), que retorna valores mais altos para
estados melhores
9-11
62
Algoritmos genticos: exemplo

9-11
63
Problema: 8 rainhas
Os melhores indivduos so escolhidos

para reproduo
Para cada par escolhido um ponto de
crossover dentre as posies da cadeia
Os descendentes so gerados com uma
pequena mutao aleatria
Estado: representado em 8 dgitos, cada qual

representando a posio de uma rainha em uma
coluna. Ex: [8 6 4 2 7 5 3 1]
8
Funo de fitness: deve retornar um valor maior

para estados melhores. Exemplo: nmero de pares
de rainhas no-atacantes (28 a soluo do
problema).
f=6+
9-11

64
9-11

65
15

problema).
f=6+6+

9-11
f=6+6+5+
66
67

problema).


9-11
f=6+6+5+4+
9-11

problema).

problema).
f=6+6+5+4+3+
68
9-11

69
16

problema).
f=6+6+5+4+3+2+

9-11
f = 6 + 6 + 5 + 4 + 3 + 2 + 1 = 27
70
(f=24)
(f=23)
(f=20)
35,8%
34,3%
29,8%
T = 67
100%

9-11
71
Pares para reproduo: escolhidos de acordo com

as probabilidades da funo de fitness
[24748552]
[32752411]
[24415124]

problema).
O ponto de crossover: escolhido ao acaso dentre as posies

na cadeia
Ponto de crossover
Mutao: parte do novo estado gerado pode sofrer uma

mutao aleatria em relao ao produto do crossover.
Probabilidades para escolha

9-11

72
9-11

73
17
Atividades extra-classe
Leitura:
RUSSELL, S. NORVIG, P. Inteligncia Artificial.

Campus. Captulo 4, exceto os tpicos:
Busca heurstica limitada pela memria

Aprendizagem para fazer buscas melhores
Busca local em espao contnuo em diante.
Exerccios recomendados:
4.1
9-11

74
9-11
a 4.12, 4.15 a 4.17

75
18

Busca Heuristica

Enviado por

Direitos autorais:

Formatos disponíveis

Você também pode gostar

Busca Heuristica

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Busca Heuristica

Enviado por

Direitos autorais:

Formatos disponíveis

Reviso

Principais estratgias de busca sem informao: busca em

Prof. Dr. Alexandre da Silva Simes

Busca baseada em informao

Como um agente pode utilizar

Busca pela melhor escolha (Best-First

Inteligncia Artificial - Prof. Dr.

Palavra originada do grego heuriskein 1

atribuda a Arquimedes a passagem de gritar

Busca gulosa pela melhor escolha

Algoritmos de busca local: operam usando um

h(n) = custo estimado do caminho mais econmico do n n at

escolhida caso a caso, de acordo com a natureza do

Inteligncia Artificial - Prof. Dr.

Busca gulosa pela melhor escolha

Estratgias de busca com informao:

Funo que descreve o quo bom um estado

Busca de subida de encosta

Tenta expandir o n mais prximo da meta,

Problema: ir de Arad a Bucareste

Busca gulosa: exemplo

Inteligncia Artificial - Prof. Dr.

Busca gulosa: exemplo

Busca gulosa: exemplo

Inteligncia Artificial - Prof. Dr.

Inteligncia Artificial - Prof. Dr.

Busca gulosa: exemplo

Inteligncia Artificial - Prof. Dr.

Busca gulosa: avaliao

Busca gulosa: avaliao

Complexidade: No expandiu nenhum n fora do

Complexidade: No expandiu nenhum n fora do

Inteligncia Artificial - Prof. Dr.

Busca gulosa: avaliao

Prefere seguir um nico caminho at o objetivo, mas voltar ao

Complexidade de tempo e espao no pior caso: O(bm).

Inteligncia Artificial - Prof. Dr.

Desempenho muito dependente da escolha de uma

Inteligncia Artificial - Prof. Dr.

Forma mais amplamente conhecida de

Inteligncia Artificial - Prof. Dr.

Inteligncia Artificial - Prof. Dr.

Inteligncia Artificial - Prof. Dr.

Inteligncia Artificial - Prof. Dr.

Inteligncia Artificial - Prof. Dr.

Para encontrar uma soluo de baixo

Inteligncia Artificial - Prof. Dr.

A* ser tima se o espao de busca for uma

Heurstica admissvel: nunca superestima o custo

Distncia em linha reta: a estrada entre duas cidades pode

Inteligncia Artificial - Prof. Dr.

A* ser tima se o espao de busca for um

Uma heurstica h(n) consistente (ou monotnica)

Inteligncia Artificial - Prof. Dr.

grafo = rvore + lista de ns visitados

Para todo n n: h(n) c(n, a, n)+h(n)

Toda heurstica consistente admissvel

Inteligncia Artificial - Prof. Dr.

Inteligncia Artificial - Prof. Dr.