Escolar Documentos
Profissional Documentos
Cultura Documentos
MÉTODOS DE
FACULTAD DE INGENIERÍAS 10
BUSQUEDA
CARRERA PROF. DE INGENIERIA DE SISTEMAS E
INFORMADAS INFORMÁTICA
Esta sección muestra cómo una estrategia de búsqueda informada puede encontrar
soluciones de una manera más eficiente que una estrategia no informada. Algunas
estrategias son:
Veamos cómo trabaja para los problemas de encontrar una ruta en Rumania
utilizando la heurística distancia en línea recta, que llamaremos hDLR. Si el objetivo
es Bucarest, tendremos que conocer las distancias en línea recta a Bucarest, que se
muestran en el siguiente grafico:
f(n)=g(n)+h(n)
Ya que la g(n) nos da el coste del camino desde el nodo inicial al nodo n, y la h(n) el
coste estimado del camino más barato desde n al objetivo, tenemos:
Mapa de Rumania mostrando curvas de nivel en f=380, f=400 y f=420, con Arad como
estado inicial. Los nodos dentro de cada curva de nivel tienen f-costos menores o iguales al
valor de la curva de nivel.
Por intuición, es obvio que la primera solución encontrada debe ser optima, porque
los nodos objetivos en todas las curvas de nivel siguientes tendrán el f-coste más
alto, y así el g-coste más alto (porque todos los nodos de objetivo tienen h(n) = 0).
Por intuición, es también obvio que la búsqueda A* es completa. Como añadimos
las bandas de f creciente, al final debemos alcanzar una banda donde f sea igual al
coste del camino a un estado objetivo.
A*MS es un algoritmo más sencillo, avanza como A*, expandiendo la mejor hoja
hasta que la memoria este llena. En este punto, no se puede añadir un nuevo nodo
al árbol de búsqueda sin retirar uno viejo. A*MS siempre retira el peor nodo hoja (el
de f-valor más alto). Como en la BRMP, A*MS entonces devuelve hacia atrás, a su
padre, el valor del nodo olvidado.
h = máx. {h1(n),….hn(n)}
Los algoritmos de búsqueda que hemos visto hasta ahora se diseñan para
explorar sistemáticamente espacio de búsqueda. Esta forma sistemática se alcanza
manteniendo uno o más caminos en memoria y registrando alternativas se han
explorado en cada punto a lo largo del camino y cuáles no. Cuando se encuentran
un objetivo, el camino a ese objetivo también constituye una solución al problema.
Además de encontrar los algoritmos de búsqueda ocal son útiles para resolver
problemas de optimización puros, en los cuales el objetivo es encontrar el mejor
estado según una función objetivo. Muchos problemas de optimización no encajan
en el modelo (estándar) de búsqueda. Por ejemplo la naturaleza proporciona una
función objetivo (idoneidad o salud reproductiva) que la evolución Darwiniana
Ascensión de Colinas
ALGORITMOS GENÉTICOS
Antes de abordar sobre los agentes de búsqueda online debemos tener en claro que
son los agentes de búsqueda offline para saber diferenciar unos de otros. Un agente
de búsqueda offline son aquellos que calculan una solución completa antes de
poner un pie en el mundo real y luego ejecutan la acción sin recurrir a sus
percepciones.
Los algoritmos offline como A* tiene la capacidad de expandir un nodo en una parte
del espacio y luego inmediatamente expandir un nodo en una parte del espacio,
porque la expansión de un nodo implica simulación más que verdaderas acciones.
Un algoritmo online, por otra parte, puede expandir el nodo que ocupa físicamente.
APRENDIZAJE
La ignorancia inicial de los agentes de búsqueda online proporciona varias
oportunidades para aprender. Primero, los agentes aprenden un <<mapa>> del
entorno (mas precisamente, el resultado de cada acción en cada estado)
simplemente registrando cada una de sus experiencias. Segundo los agentes de
búsqueda locales adquieren estimaciones más exactas del valor de cada estado
utilizando las reglas de actualización local.