1 / 88

Búsqueda Eduardo Morales/L. Enrique Sucar Sesión 03

Fundamentos de Inteligencia Artificial. Búsqueda Eduardo Morales/L. Enrique Sucar Sesión 03. Solución de Problemas. Asociado a la inteligencia. Identificación y definición del problema Identificación del criterio de evaluación Generación de alternativas.

Download Presentation

Búsqueda Eduardo Morales/L. Enrique Sucar Sesión 03

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Fundamentos de Inteligencia Artificial Búsqueda Eduardo Morales/L. Enrique Sucar Sesión 03

  2. Solución de Problemas Asociado a la inteligencia • Identificación y definición del problema • Identificación del criterio de evaluación • Generación de alternativas Solución de muchos problemas en IA: básicamente búsqueda y evaluación

  3. Representación del espacio de estados • define un espacio de estados • (explícito / implícito) • especifica los estados iniciales • especifica los estados finales (metas) • especifica las reglas que definen las acciones • disponibles para moverse de un estado a otro

  4. Representación de espacio de estados En este contexto: El proceso de solución de problemas = encontrar una secuencia de operaciones que transformen al estado inicial en uno final Se reuiere una estrategia de búsqueda

  5. Q Q Q B Ejemplo: problema de las 8 reinas Reinas (Q) Tablero de Ajedrez C A A=8 B=9 C=10

  6. Para el problema de las 8 reinas podemos tener diferentes opciones: • solución incremental: acercarse a la meta haciendo decisiones locales • sistemática: no repetir y no excluir

  7. Medios (espacio de estados): • transformar (hasta encontrar la meta) • vs. • construir (poco a poco) Posible heurística: poner una reina por renglón en un lugar que deje el mayor número de lugares sin atacar

  8. Otras ideas • Estimar qué tan cerca se está de la solución (v.g., 8-puzzle) • Usar información extra (v.g., estimar distancias en base a coordenadas) • Usar subestimaciones (e.g., TSP vs. árbol de expansión mínimo) • Contruir una estrategia (e.g., detectar moneda falsa) • Grafos AND/OR • Identificar meta crítica (e.g., Torres de Hanoi)

  9. Cómo encontramos una buena heurística? Factores a considerar: • calidad de la solución (a veces puede no importar) • diferencia en complejidad entre una solución solución óptima • en general, se busca encontrar la solución más barata

  10. Qué necesitamos: Estructura simbólica que represente subconjuntos de soluciones potenciales (agenda) Operaciones/reglas que modifiquen símbolos de la agenda y produzcan conjuntos de soluciones potenciales más refinadas Estrategia de búsqueda que decida qué operación aplicar a la agenda

  11. Terminología: nodo, árbol, hoja, nodo-raíz, nodo-terminal, branching factor (factor de arborescencia), ramas, padres, hijos, árbol uniforme, ...

  12. nodos expandidos (closed): • todos los sucesores • nodos explorados pero no expandidos : • sólo algunos sucesores • nodos generados pero no explorados • (open) • nodos no generados Paso computacional primordial: expansión de nodos

  13. Nodo raíz Ramas Padre Hijos Profundidad Nodos terminales/hojas

  14. Nodo expandido (closed) Nodos generados No explorados (open) Nodo explorado No expandido Nodo no generado

  15. Propiedades La estrategia de control es sistemática si: 1. no deja un sólo camino sin explorar (completo) 2. no explora un mismo camino más de una vez (eficiencia)

  16. Propiedades de algoritmos de búsqueda (heurísticas): 1. Completo: si encuentra una solución cuando ésta existe 2. Admisible: si garantiza regresar una solución óptima cuando ésta existe

  17. Propiedades de algoritmos de búsqueda (heurísticas): 3. Dominante: un algoritmo A1 se dice que domina a A2 si todo nodo expandido por A1 es también expandido por A2 (“más eficiente que”) 4. Óptimo: un algoritmo es óptimo sobre una clase de algoritmos si domina a todos los miembros de la clase

  18. Procedimientos de Búsqueda Algún camino: • Sin información: • depth-first (en profundo) • breadth-first (a lo ancho) • Con información: • hill climbing • beam search • best first

  19. El mejor camino: • British museum • branch and bound • A* • Juegos • minimax • alpha-beta • SSS* • SCOUT

  20. GRAFO 4 4 C A B 3 5 5 I M 4 3 D E F 2 4

  21. ÁRBOL DE BÚSQUEDA I A D B D A E F C E E B B 11 D B F C E A C M F 14 17 15 15 13 C M M F 19 19 17 M 25

  22. Depth first - backtracking (LIFO) Crea una agenda de un elemento (el nodo raíz) hasta que la agenda este vacía o se alcance la meta siel primer elemento es la meta entoncesacaba si no elimina el primer elemento y añade sus sucesores al frentede la agenda

  23. DEPTH-FIRST SEARCH (I) I (A D) A D (B D D) D A B E (C E D D) F E E B B C 11 (E D D) E A D F B F C C M 14 17 15 15 13 M M F C (D F D D) 19 19 17 M (F D D) 25 (M D D)

  24. Problemas: árboles con caminos de profundidad muy grande Variaciones: • depth-bound (casi todos): limitar la búsqueda hasta cierto límite de profundidad • interative-deepening: explorar a profundidad progresivamente • con algo de información: ordena los nodos expandidos

  25. Breadth first Crea una agenda de un elemento (el nodo raíz) hasta que la agenda este vacía o se alcance la meta si el primer elemento es la meta entonces acaba si no elimina el primer elemento y añade sus sucesores al final de la agenda Problemas: árboles con arborescencia muy grande Variantes: búsqueda de costo uniforme

  26. ÁRBOL DE BÚSQUEDA I A D B D A E F C E E B B 11 D B F C E A C M F 14 17 15 15 13 C M M F 19 19 17 M 25

  27. (I) 0 4 (D F B F C E A C M) (A D) 1 (F B F C E A C M) (D B D) 2 (B D A E) (B F C E A C M M) (D A E C E) (F C E A C M M C) (A E C E E) (E C E E B) (C E A C M M C M) 3 BREADTH-FIRST SEARCH (C E E B B F) (E A C M M C M) (E E B B F) (A C M M C M F) (E B B F D F) (B B F D F B F) (C M M C M F) (B F D F B F C E) 5 (M M C M F) ( F D F B F C E A C)

  28. Profund. Nodos Tiempo Memoria 0 100 bytes 1 1 miliseg. 2 111 .1 seg. 11 kilobytes 11 seg. 4 11,111 1 megabyte 111 megabytes 6 18 min. 10 14 8 6 12 10 10 10 10 10 8 11 gigabytes 31 hr. 10 128 días 1 terabyte 12 111 terabytes 35 años 11,111 terabytes 14 3500 años Requerimientos de tiempo y memoria para breadth-first. Factor de arborecencia = 10; 1,000 nodos/sec; 100 bytes/nodo

  29. Complejidad Comparación en nodos buscados: Si n = profundidad del árbol b = braching factor d = profundidad de un nodo meta

  30. n b • depth-first: • mejor caso: d nodos buscados • peor caso: - n n n+1- d d n+1 - i i b b -   =  b b b-1 i= 0 i= 0

  31. d+1 d - - d 1 b 1 i - d -   1 i d 1 b b =   b b = - - b 1 b 1 i= 0 i= 0 d b breadth-first: • mejor caso: • peor caso:

  32. d l m d d d d b b b b b b b b b b Xm Xd X l Criterio Iterative Bidireccional Breadth Costo Depth Depth first uniforme first limited deepening d/2 Tiempo b d/2 Espacio b si no no si si si Optimo si(si l ≥d) si si si si no Completo Comparación de estrategias. b = factor de arborecencia; d = profundidad solución; m = máxima profundidad árbol; l = límite de profundidad.

  33. Algoritmos con Información Hill-Climbing Crea una agenda de un elemento (el nodo raíz) hasta que la agenda este vacía o se alcance la meta si el primer elemento es la meta entoncesacaba si no elimina el primer elemento y añade sus sucesores a la agenda ordena todos los elementos de la agenda selecciona el mejor y elimina el resto

  34. BÚSQUEDA HILL-CLIMBING Hill climbing Heurística: ve a la ciudad más cercana I (I) (A D) (D B) (E C) A D D A B E F E E B B C 11 E A D F B F C C M 14 17 15 15 13 M M F C 19 19 17 M 25

  35. Best-first Crea una agenda de un elemento (el nodo raíz) hasta que la agenda este vacía o se alcance la meta si el primer elemento es la meta entonces acaba si no elimina el primer elemento y añade sus sucesores a la agenda ordena todos los elementos de la agenda

  36. EJEMPLO BÚSQUEDA BEST-FIRST

  37. BEST FIRST Heurística:Distancia acumulada más corta 1 I A 3 D 4 2 I A D 4 B 7 D 8

  38. 3 I A D A E B D 7 8 9 6

  39. I 4 A D E A E B D 9 7 8 B F 11 10

  40. I 5 A D E A E B D B 8 9 B F C E 11 10 11 12

  41. I 6 A D E A E B D B D 9 B F C E E 11 10 11 12 10

  42. I 7 A D B D A E C E E E F B B 11 12 13 11 10 F B 15 14

  43. I 8 A D B D A E C E E E F B B 11 12 13 11 F B F M 15 14 13

  44. Beam search Crea una agenda de un elemento (el nodo raíz) hasta que la agenda este vacía o se alcance la meta siel primer elemento es la meta entonces acaba si no elimina el primer elemento y añade sus sucesores a la agenda ordena todos los elementos de la agenda y selecciona los Nmejores (los demás eliminalos)

  45. EJEMPLO DE BÚSQUEDA BEAM SEARCH

  46. Beam search Beam=2 1 I A D 3 4 I 2 A D 4 B D 7 8 X

  47. 3 I A D A E B 6 9 7 X

  48. I 4 A D E E B 7 10 B F 11 X

  49. I 5 A D E E B B F 10 C E 11 12 X

  50. I 6 A D E E B B F C M

More Related