Heurstica

La capacidad heurstica es un rasgo tpico de los humanos.

Consiste en la capacidad de realizar innovaciones positivas para
conseguir los fines que se pretenden. Tambin podemos definirla como
la solucin de problemas en los cuales, las soluciones se descubren por
la evaluacin del progreso logrado en la bsqueda del resultado final.
La base de la heurstica surge de la experiencia de resolver
problemas y ver cmo otros lo hacen. De lo anterior podemos deducir
que un mtodo heurstico aplicado correctamente puede devolver
soluciones falsas, positivas o negativas.
En las ciencias de la computacin, el mtodo heurstico es
usado en determinadas circunstancias, cuando no existe una solucin
ptima bajo las restricciones dadas. En general la manera de actuar de
los programas heursticos consiste en encontrar algoritmos con buenos
tiempos de ejecucin y buenas soluciones.
Dadas las caractersticas de la heurstica, sta es muy usada en
juegos informticos que se adelantan a lo que va a hacer el usuario
basndose en la experiencia y los pasos que ha seguido en otras
ocasiones.
Muchos algoritmos en la inteligencia artificial son heursticos
por naturaleza, o usan reglas heursticas. Un ejemplo claro son los
programas que detectan si un correo electrnico es o no spam, un
ejemplo reciente es Spam Assassin que usa una amplia variedad de
reglas heursticas para determinar cuando un correo electrnico es
spam. Cualquiera de las reglas usadas de forma independiente pueden
llevar a errores de clasificacin, pero cuando se unen mltiples reglas
heursticas, la solucin es ms robusta y creble.
Esto se llama alta credibilidad en el reconocimiento de patrones
(extrado de las estadsticas en las que se basa). Cuando se usa la
palabra heurstica en el procesamiento del lenguaje basado en reglas,
el reconocimiento de patrones o el procesamiento de imgenes, es
usada para referirse a las reglas.

Heursticas en la IA

Los procesos que se llevan a cabo en el cerebro pueden ser analizados,

a un nivel de abstaccin dado, como procesos computacionales de
algn tipo.
En cierto sentido, el enfoque heurstico es el caracterstico de la IA.
Newell y Simon asociaban el mtodo de bsqueda heurstica con el
tipo de representacin de soluciones parciales.
Pero qu significa el trmino heurstica en el ambito de la
inteligencia artificial?
Desde el inicio de la IA, el trmino heurstica oscil entre dos
sentidos fundamentales vinculados a la utilizacin de informacin del
dominio de problemas (con el fin de hacer una bsqueda ms
eficiente) y a la imposibilidad de garantizar encontrar la solucin de un
problema.
Estas definiciones se refieren a dos conjuntos diferentes de mtodos:
dispositivos que mejoran la eficiencia y dispositivos que no garantizan
obtener un resultado. El paradigma metaheurstico consiste en una
familia de mtodos de bsqueda que comenz a desarrollarse con ese
nombre a partir de la dcada de los 80. Estrictamente no se considera
un paradigma sino simplemente un conjunto de mtodos o
herramientas de bsqueda, pero es posible que tarde o temprano entre
en
esta
categora.
Osman
y
Kelly
(1996)
describen
la metaheurstica del siguiente modo: Estas familias de enfoques
incluyen pero no se limitan a procedimientos adaptativos aleatorios,
algoritmos genticos, bsqueda de umbral y sus hbridos. Incorporan
conceptos basados en la evolucin biolgica, la resolucin inteligente
de problemas, las ciencias matemticas y fsicas, el estudio del
sistema nervioso y la mecnica estadstica. Un poco ms adelante, los
autores describen a la disciplina de la siguiente forma: Las
metaheursticas son una clase de mtodos aproximados, que estn
diseados para atacar problemas de optimizacin combinatoria
difciles para los que las heursticas clsicas fracasaron en ser efectivas
y eficientes.
Las metaheursticas proporcionan marcos generales que permiten
crear nuevos hbridos combinando diferentes conceptos de heursticas
clsicas, inteligencia artificial, evolucin biolgica, sistemas neuronales
y mecnica estadstica.
Finalmente, Osman y Kelly comentan: Debe notarse que existen
convergencias tericas para algunas de las metaheursticas bajo
algunos supuestos. Sin embargo, estos supuestos no pueden
satisfacerse o aproximarse en la mayora de las aplicaciones prcticas.
Por lo tanto, se pierde la capacidad para demostrar optimalidad y se
obtienen soluciones aproximadas. A pesar de este inconveniente, las

metaheursticas han sido altamente exitosas en encontrar soluciones

ptimas o cuasi ptimas en muchas aplicaciones prcticas de
optimizaciones en diversas reas, ms que sus heursticas
subordinadas.
Yagiura e Ibaraki (1996) mencionan la combinacin de herramientas
heursticas en marcos ms sofisticados como caracterstica distintiva
de las metaheursticas y consideran que dos de sus propiedades
atractivas son la simplicidad y la robustez.
Finalmente, y para que conste la estrecha relacin entre heurstica e
inteligencia artificial, presentamos algunas definiones clsicas de
Inteligencia Artificial:
Systems that can demonstrate human-like reasoning capability to
enhance the quality of life and improve business competitiveness.
(Japan-Spore AI Centre).
La Inteligencia Artificial es el estudio de tcnicas de resolucin de
problemas con complejidad exponencial a partir del conocimiento del
campo de aplicacin del problema. (Rich).
Tipos de Algoritmos Heursticos
En una primera clasificacin podemos decir que los algoritmos
heursticos pueden ser:
o Simples: tienden a tener reglas de terminacin bien definidas y
se detienen en un ptimo local.
o Complejos: pueden no tener reglas de terminacin estndar y
buscan soluciones mejores hasta alcanzar un punto de parada
arbitrario.
Dentro de los algoritmos heursticos complejos podemos hacer una
segunda clasificacin, esta vez orientada a la funcionalidad de los
mismos:
1. Aquellos algoritmos que fueron diseados para dar solucin a
problemas de bsqueda de ptimos o clasificacin
Entre los algoritmos de bsqueda de ptimos se encuentran los
siguientes mtodos:
1. Bsqueda Tab
2. Temple Simulado
3. Algoritmos Genticos
4. Redes Neuronales
2. Aquellos algoritmos que tratan de deducir conocimiento a partir
de un conjunto de axiomas, conocidos como sistemas basados
en el conocimiento.

Los sistemas basados en el conocimiento definen un rea

muy concreta dentro de la inteligencia artificial, conocida
como
Ingeniera
del
conocimiento.
Los
sistemas
desarrollados en este campo siguen un patrn heurstico
similar al razonamiento humano.

Mas informacin
1. Bsqueda Tab
La bsqueda tab es un procedimiento o estrategia dado a conocer en
los trabajos de Glover, y que esta teniendo grandes exitos y mucha
aceptacin en los ltimos aos. Segn su creador, es un procedimiento
que explora el espacio de soluciones ms alla del ptimo local,
(Glover y Laguna). Se permiten cambios hacia arriba o que empeoran
la solucin, una vez que se llega a un ptimo local. Simultneamente
los ultimos movimientos se califican como tabs durante las siguientes
iteraciones para evitar que se vuelvan a soluciones anteriores y el
algoritmo cicle. El termino tab hace referencia a un tipo de inhibicin
a algo debido a connotaciones culturales o historicas y que puede ser
superada en determinadas condiciones (Glover).
2. Temple Simulado
El uso del temple simulado en problemas de Optimizacin se ha
extendido desde mediados de los ochenta hasta ahora, a partir de los
trabajos de Kirpatrick, Gelatt & Vecchi. Los algoritmos Temple Simulado
estn basados en una estrecha analoga entre los procesos fsicos
termodinmicos y los elementos de un problema de optimizacin
combinatoria. Aunque asintticamente estos algoritmos se comportan
como exactos, (un anlisis exhaustivo de esta afirmacin se puede
encontrar en el trabajo de Aarts & Korst), en la prctica se disean
como heursticos. El campo de aplicaciones se ha extendido durante
estos aos. En problemas de rutas destacan las aportaciones de
Osman, para el VRP; y Aarts y otros, para el problema del viajante de
comercio.
3. Algoritmos Genticos
En los aos 70, de la mano de John Holland, surgi una de las lneas
ms prometedoras de la inteligencia artificial, la de los algoritmos
genticos. Son llamados as porque se inspiran en la evolucin
biolgica y su base gentico-molecular. Estos algoritmos hacen

evolucionar una poblacin de individuos sometindola a acciones

aleatorias semejantes a las que actan en la evolucin biolgica
(mutaciones y recombinacin gentica), as como tambin a una
seleccin de acuerdo con algn criterio, en funcin del cual se decide
cules son los individuos ms adaptados, que sobreviven, y cules los
menos aptos, que son descartados.
4. Redes Neuronales
En inteligencia artificial las redes de neuronas artificiales (RNA) son un
ejemplo de aprendizaje y procesamiento automtico basado en el
funcionamiento del sistema nervioso animal. Se trata de simular el
comportamiento observado en las redes neuronales biolgicas a travs
de modelos matemticos mediante mecanismos artificiales (circuitos
integrados, ordenadores). Con las RNA se pretende conseguir que las
mquinas den repuestas similares a las del cerebro humano,
caracterizadas por su generalizacin y robustez.
Sistemas expertos
Los sistemas expertos se basan en simular el razonamiento humano
con un doble inters:
analizar el razonamiento de un experto en la materia para poder
codificarlo con la ayuda de un determinado lenguaje informtico.
la sntesis artificial de los razonamientos para que se parezcan a los
del experto humano en la resolucin de un determinado problema.
Estos dos intereses han hecho que los investigadores del campo de la
IA intenten establecer una metodologa que les permita verificar la
comunicacin con los expertos y separar los distintos tipos de
razonamiento (formal, deductivo, inductivo), adems de construir los
elementos necesarios para modelizarlos.
Mientras que en la programacin clsica se diferencia solamente entre
el programa y los datos, en los sistemas expertos se diferencian tres
componentes:
Una base de conocimientos
Una base de hechos
Un motor de inferencia
La base de conocimientos almacena toda la informacin especfica
relativa al campo de conocimiento deseado. Para ello se hace uso de
un lenguaje especfico para representar los conocimientos y que
permite definir al experto su propio vocabulario tcnico.
En la base de hechos se encuentran los datos relativos a los problemas
que se quieren resolver con la ayuda del sistema. La memoria de
trabajo almacena los resultados intermedios, pudiendo guardar el
rastro de las inferencias realizadas. Es por eso que puede utilizarse

para explicar la forma en la que el sistema ha deducido la informacin

durante una sesin de trabajo o describir el comportamiento del propio
sistema. Al comienzo del perodo de trabajo, en la base de hechos slo
se encuentran los datos introducidos por el usuario del sistema, pero a
medida que acta el motor de inferencia, almacena las inducciones y
deducciones que ha llevado a cabo el sistema para conseguir las
conclusiones.
El motor de inferencia, es un programa que a partir del conocimiento
puede resolver el problema especificado. Esto se consigue gracias a los
datos de la base de hechos del sistema. Por lo general, las reglas de la
base de conocimiento son silogismos demostrativos (si A es cierto
entonces deducimos B). En este caso, el motor de inferencias
selecciona, valida y activa las reglas que permiten obtener la solucin
correspondiente al problema en cuestin.
Existen dos tipos de motor de inferencia: los que emplean el
razonamiento aproximado (cuyo resultado puede ser errneo) y los que
usan un tipo de razonamiento a partir del que se puede obtener
resultado verdadero.
Introduccin a la Verificacin en la Ingeniera del Conocimiento
Al igual que la ingeniera del software, la ingenieria del conocimiento
cuenta entre sus fases con una destinada a la evaluacion del sistema
desarrollado.
Fases habituales en la ingenieria del conocimiento:
o Estudio de viabilidad
o Adquisicin del conocimiento
o Conceptualizacin (anlisis)
o Formalizacin (diseo)
o Implementacin
o Evaluacin
La fase de evaluacin en la ingenieria del conocimiento se caracteriza
por los siguientes aspectos a tener en cuenta
Verificacin Sintaxis y estructura adecuada (no redundante, completa,
consistente). Se realiza en modelos conceptuales, formales y
computables.
Validacin Semntica adecuada [experto]. Se realiza en modelos
conceptuales, formales y computables.
Por lo tanto, podemos considerar como un proceso fundamental en la
evaluacion de software inteligente la creacin de modelos
matematicos.
Modelos Matemticos
Una de las fases del mtodo heurstico se basa en construir modelos.

Aunque existen muchas definiciones de modelo, una de las ms

interesantes es la de Aracil: Un modelo constituye una representacin
abstracta de un cierto aspecto de la realidad, y tiene una estructura
que est formada por los elementos que caracterizan el aspecto de la
realidad modelada y por las relaciones entre estos elementos.
Nosotros estamos interesados en modelos formales basados en la
lgica matemtica, y estos estn basados en un conjunto de relaciones
matemticas (relaciones lgicas, ecuaciones, inecuaciones, etc) que
representan las relaciones existentes en el mundo real. Un modelo
queda por lo tanto definido por las relaciones que contiene.
Podemos clasificar los modelos matemticos segn su funcin:
o Modelos predictivos: Son aquellos que nos informan sobre el
comportamiento de la variable en el futuro, esto es, lo que
debera ser. Los modelos basados en tcnicas estadsticas se
corresponden con este tipo.
o Modelos evaluativos: Se basan en medir las diferentes
alternativas para comparar los resultados de ellas. Este es el
caso de los rboles de decisin.
o Modelos de optimizacin: Estos modelos tratan de localizar un
optimo del problema (generalmente el ptimo global), es decir,
buscan la mejor alternativa posible. Estn basados en tcnicas
de programacin matemtica.
Una vez se ha mostrado una breve clasificacin de los modelos, es
necesario aportar una medida de su solucin, puesto que el objetivo de
definir un modelo es, resolverlo cmodamente y extraer los
resultados necesarios para tomar alguna decisin.
La resolubilidad de los problemas depende de tres caractersticas:
o El tamao del problema: La variables y ecuaciones que contiene.
para un mayor nmero de stas resultar ms difcil resolver el
problema.
o El tipo del problema: entero, lineal y no lineal. Los problemas
lineales son fciles de resolver, mientras que los no lineales
son muy difciles.
o El tipo de instancias: Deterministas o ciertas, con riesgo
(conociendo la probabilidad de ocurrencia), con incertidumbre
(se conocen los posibles resultados pero no la probabilidad de
que ocurran) y turbulencia (no conocemos ninguna cosa).
En computacin, dos objetivos fundamentales son encontrar
algoritmos con buenos tiempos de ejecucin y buenas soluciones,
usualmente las ptimas.

Una heurstica es un algoritmo que abandona uno o ambos objetivos;

por ejemplo, normalmente encuentran buenas soluciones, aunque no
hay pruebas de que la solucin no pueda ser arbitrariamente errnea
en algunos casos; o se ejecuta razonablemente rpido, aunque no
existe tampoco prueba de que siempre ser as.
Las heursticas generalmente son usadas cuando no existe una
solucin ptima bajo las restricciones dadas (tiempo, espacio, etc.), o
cuando no existe del todo. A menudo, pueden encontrarse instancias
concretas del problema donde la heurstica producir resultados muy
malos o se ejecutar muy lentamente. Aun as, estas instancias
concretas pueden ser ignoradas porque no deberan ocurrir nunca en
la prctica por ser de origen terico.