Assuntos:

O que constitui um Agente: PEAS

- Ambiente
- Percepção(entradas)
- Ação(saídas)
- Atuadores
- Sensores
P - Performance
E - Environment
A - Actuators
S - Sensors

Ex:
Agente Humano:
- Sensores: olhos, ouvidos, tato
- Atuadores: mãos, pernas, boca
agente Robótico:
- Sensores: câmeras, infra-vermelho, ldr, sensor
ultrassônico
- Atuadores: motores
Agente IA:
- Sensores:
- Atuadores:

Tipos de agentes

- Agente reativo simples

- Agente reativo baseado regras
- Modular e eficiente
- pode sofrer limitações

- Agente reativo baseado em modelo

 - Percepção isolada, pois, não fornece acesso ao esado
completo do mundo
- precisa de um base de dados/modelo para distinguir

- Agente baseado em meta

- Conhecer o estado atual do ambiente nem sempre é
suficiente para decidir o que fazer.
- Menos eficiente, porém mais flexível que baseado em
modelo e reativo simples, pode ser modificado
- Agente reativo não funciona caso seja percepções
grandes
- consome
- Agente baseado em utilidade
- lida com a incerteza (tomada de decisão)
- mapeia um estado que descreve o grau de satisfação do
agente com relação a ação tomada
- jogos caem aqui
- gera comportamento de alta qualidade
- Agente Aprendiz: Agentes com aprendizagem se baseiam na
ideia da máquina de Turing. O agente pode atu ar em um ambiente
desconhecido inicialmente e, através de aprendizado ao passar do tempo,
evoluir conseguindo interpretar e atuar eficientemente no ambiente.

- Agente único x multi agente: Um jogo de palavras cruzadas é

claramente de apenas um agente, já o xadrez é um ambiente de 2 agentes.
Xadrez é um ambiente multi agente competitivo. No ambiente do táxi, evitar
colisões maximiza a performance de todos os agentes, logo ele é um ambiente
multi agente parcialmente cooperativo, além de parcialmente competitivo, por
exemplo, competindo por vagas de estacionamento e passageiros.

Agentes operam dentro de um ambiente

O ambiente pode influênciar o agente
existe ambiente padrão para avaliar agente
 Tipos de ambientes
- ACESSÍVEL(observável) e INACESSÍVEL(parciamente
observável):
Se os sensores de um agente permitem acesso ao estado
completo do ambiente em cada instante, dizemos que o ambiente de tarefa é
completamente observável.
Um ambiente poderia ser parcialmente observável devido
ao ruído e a sensores imprecisos ou porque partes do estado estão
simplesmente ausentes nos dados do sensor.

- DETERMINÍSTICO e ESTOCÁSTICO: Se o próximo estado do

ambiente é completamente determinado pelo estado atual e ações executadas
pelo agente, então podemos dizer que o ambiente é determinístico, ou seja,
previsível; senão, é estocástico.

- Determinístico: se o próximo estado do mundo é

completamente determinado/influenciado pelo estado atual e as ações do
agente.
- do ponto de vista do agente, se o ambiente não é
acessível ele é Estocástico

- Episódico e não-episódico(sequêncial): No episódico a

experiência do agente é dividida em episódios. E cada episódico realiza uma
ação. De modo que o próximo episódio não depende de ações realizadas em
episódios anteriores. Diferente do não episódico em que cada ação anterior
influência na próxima ação.

- Estático e dinâmico
- Estático: o agente não precisa se preocupar com a
passagem de tempo
- Dinâmico: muda enquanto o agente raciocina (delibera)
- Semi-dinâmico: o ambiente não muda, porém a
performance do agente sim.
 - Discreto e Contínuo
- Discreto: percepções e ações definidas, finitas. ex.:
Xadrez
- Contínuo: ex.: taxi

Mundo real é estocástico

Agente Complexo possui ambiente inacessível, dinâmico e
contínuo

Algoritmos genéticos
- Algoritmos Genéticos são inspirados no prin cípio Darwiniano da
evolução das espécies e na recombinação genética.
Cromossoma é uma estrutura de dados que representa uma das
possíveis soluções do espaço de busca do problema.
- Algoritmos genéticos são sistemas não lineares com
comportamento fortemente ecológico. GAs combinam mudanças aleatórias
com processos probabilísticos. GAs são, portanto, estocásticos: dificilmente
repetem um resultado de um experimento para outro
- O desempenho de um algoritmo genético é medido pelo grau de
evolução alcançado durante todo o processo evolucionário

TECNICAS:
- Reprodução
Essas técnicas determinam o critério de substituição
dos indivíduos de uma população para a próxima geração.
- Aptidão
- Interpolação de parâmetros
A interpolação de parâmetros de um GA tem por
objetivo buscar o valor ideal de um determinado parâmetro para cada ciclo,
durante toda a evolução

Operadores:
 - Operadores genéticos se classificam em:
- operadores de recombinação (crossover)
- Crossover de Um-Ponto
- Crossover de Dois-Pontos
- Crossover Uniforme.
- operadores de mutação
- operadores de inversão
- operadores específicos ao domínio do problema

Redes Neurais Artificiais

- Redes Neurais são modelos computacionais não lineares,
inspirados na estrutura e operação do cérebro humano, que procuram
reproduzir características humanas, tais como : aprendizado, associação,
generalização e abstração. Redes Neurais são efetivas no apren dizado de
padrões a partir de dados não lineares, incompletos, com ruído ou compostos
de exemplos contraditórios.

Busca em Largura e em Profundidade

- De forma similar à busca em largura, a busca em profundidade
começa a partir de um vértice. Entretan to, ao contrário da busca em largura, a
busca em profundidade escolhe um descendente(filho) e já começa a examinar
os seus próximos descendentes, fazendo com que a varredura no grafo seja
em profundidade.

Enquanto que a busca em largura forma uma árvore em largura, a

busca em profundidade forma uma floresta em profundidade composta por
várias árvores em profundidade. As arestas destas árvores são chamadas
arestas de árvore. Além das arestas de árvore, a busca em profundidade pode
classificar as arestas do grafo de entrada em outros três tipos: arestas de
retorno (conectam um vértice u a um ancestral v), arestas diretas (arestas que
não são de árvore e que conectam um vértice u a um descendente v) e arestas
cruzadas (todas as outras arestas).
 A busca em profundidade é um algoritmo utilizado para percorrer
ou buscar itens dentro das estruturas de dados grafos ou árvores. Sua
característica básica é percorrer todos os nós filhos ao nó raiz o mais profundo
possível para somente depois retroceder. Iremos compreender essa mecânica
no decorrer desse artigo. A imagem abaixo exemplifica a busca em
profundidade em um grafo.

Mineração de Dados
Programação em Lógica