Búsqueda Local en Espacios Continuos

7/18/2019 Búsqueda Local en Espacios Continuos

http://slidepdf.com/reader/full/busqueda-local-en-espacios-continuos-5696765118526 1/8

ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DEMANABÍ MANUEL FÉLIX LÓPEZ

CARRERA INFORMÁTICA

SEMESTRE SÉPTIMO PERÍODO ABRIL-SEPT/2015

TEMA:

Búsqueda Local en Espacios Continuos y Búsqueda online y AmbientesDesconocidos

MATERIA:

INTELIGENCIA ARTIFICIAL II

AUTORA:

LUISA KATERINE FARIAS CHICA

FACILITADORA:

ING. HIRAIDA SANTANA

MISIÓN

Formación de profesionales íntegros que conjuguen ciencia, tecnología y valores ensu accionar, comprometidos con la sociedad en el manejo adecuado de programas

y herramientas computacionales de última generación.

VISIÓN

Ser referente en la formación de profesionales de prestigio en el desarrollo deaplicaciones informáticas y soluciones de hardware.

CALCETA, JUNIO 2015



Como hemos venido hablando acerca de las diferentesbúsquedas para llegar a la meta de cualquier problema en el

día de hoy vamos a tratar acerca de búsqueda local en

espacios continuos, y Búsqueda online y Ambientes

Desconocidos. Lo cual trata de entender de como el agente

hace una búsqueda en espacio continuo o una búsqueda

online por lo que esta búsqueda solo se basa en lo que está

pasando en ese estado para tomar de nuevo otra acción.

Entender los diferentes tipos de búsqueda y aplicarlos

correctamente.



Aun ninguno de los algoritmos descritos puede manejar

espacios de estados continuos, la función sucesor en la mayor

parte de casos devuelve infinitamente muchos estados! la

técnicas de búsqueda local para encontrar soluciones

optimas en espacios continuos.

Un modo de evitar problemas continuos es simplemente

discretizar la vecindad de cada estado. Podemos aplicar

entonces cualquiera de los algoritmos de búsqueda local

descritos anteriormente. Uno puede aplicar también la

ascensión de colinas estocástica y el temple simulado

directamente, sin discretizar el espacio. Estos algoritmos eligen

a los sucesores aleatoriamente, que pueden hacerse por la

generación de vectores aleatorios de longitud.

Los métodos locales de búsqueda sufren de máximos locales,

crestas, y mesetas tanto en espacios de estados continuos

como en espacios discretos. Se pueden utilizar el reinicio

aleatorio y el temple simulado y son a menudo provechosos.

Los espacios continuos dimensionalmente altos son, sin

embargo, lugares grandes en los que es fácil perderse.

Un problema de optimización está restringido si las soluciones

debieran satisfacer algunas restricciones sobre los valores de



cada variable. La dificultad de los problemas de optimización

con restricciones depende de la naturaleza de las

restricciones y la función objetivo. La categoría más conocida

es la de los problemas de programación lineal en los cuales

las restricciones deben ser desigualdades lineales formando

una región convexa y la función objetiva es también lineal.

Los problemas de programación lineal pueden resolverse en

tiempo polinomial en el número de variables. También se han

estudiado problemas con tipos diferentes de restricciones y

funciones objetivo (programación cuadrática, programación

cónica de segundo orden, etcetera).

Un agente de búsqueda en línea (online) funciona

intercalando el cálculo y la acción: primero toma una acción,

entonces observa el entorno y calcula la siguiente acción. La

búsqueda online es una buena idea en dominios dinámicos o



semidinamicos (dominios donde hay una penalización por

holgazanear y por utilizar demasiado tiempo para calcular).

La búsqueda online es una idea incluso mejor para dominios

estocásticos. En general, una búsqueda online debería

presentar un plan de contingencia exponencialmente grande

que considere todos los acontecimientos posibles, mientras

que una búsqueda online necesita solo considerar lo que

realmente pasa.

La búsqueda online es una idea necesaria para un problemade exploración, donde los estados y las acciones son

desconocidos por el agente; un agente en este estado de

ignorancia debe usar sus acciones como experimentos para

determinar que hacer después, y a partir de ahí debe

intercalar el cálculo y la acción.

Proporción alcanzable competitiva es infinita en algunos

casos. Por ejemplo, si algunas acciones son irreversibles, labúsqueda online podría alcanzar, por casualidad, un estado



sin salida del cual no es accesible ningún estado objetivo.Quizás encuentre el termino por casualidad pococonvincente (después de todo, podría haber un algoritmoque no tome el camino sin salida mientras explora). Nuestra

reclamación, para ser más precisos, consiste en que ningúnalgoritmo puede evitar callejones sin salida en todos losespacios de estados.

Considere los dos espacios de estados sin salida de la Figura4.19 (a). A un algoritmo de búsqueda online que hayavisitado los estados S y A, los dos espacios de estadosparecen idénticos entonces debe tomar la misma decisión enambos. Por lo tanto, fallara en uno de ellos. Es un ejemplo deun argumento de adversario (podemos imaginar unadversario que construye el espacio de estados, mientras elagente lo explora, y puede poner el objetivo y callejones sinsalida donde le guste).



Calcula una solución completa antes de poner un pieen el mundo real.

Después ejecutan la solución sin recurrir a las

percepciones.

Intercala el calcula y la acción.

– Toma una acción

– Observa el entorno

– Calcula la siguiente acción.

– Problemas de exploración, donde el agente desconoce losestados y acciones.

Estas búsquedas solo consideran lo que realmente pasa en

ese estado y después tomar nuevas acciones ya que en otras

busque necesitan tener una visión general del problema para

así poder realizar una acción.



Podemos decir que la función sucesor devuelve infinitos

estados además esta búsquedas solo consideran lo que

realmente pasa en ese estado y después tomar nuevas

acciones, después de haber analizado todas esas búsquedas

podemos notar que esta búsqueda simplemente lo que hace

es analizar lo que realmente sucede a su entorno y así poder

calcular la siguiente acción.

Russell, S. y Norvig, P. 2004. INTELIGENCIA ARTIFICIAL. UN

ENFOQUE MODERNO. PEARSON EDUCACION. 2 ed. Madrid.

Melania Z 2012. Búsqueda online. (En línea). EC. Consultado,

27 de Noviembre. 2014. Formato PDF. Disponible

en: http://www.sanchezcrespo.org/Docencia/IA/IA%20-

%20Tema%203B%20-%20Busquedas%20v1.3.pdf.

Documents

Búsqueda Local en Espacios Continuos