TRABAJO COLABORATIVO 2

Inteligencia Artificial
















Andrs Julin Ramrez Londoo
Cd. 18519715
















UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
DOSQUEBRADAS
ESCUELA DE CIENCIAS BASICAS, TECNOLOGIA E INGENIERIA
PROGRAMA INGENIERIA ELECTRONICA
Dosquebradas 01 de Mayo de 2014
TRABAJO COLABORATIVO 2
Inteligencia Artificial











Andrs Julin Ramrez Londoo
Cd. 18519715
Grupo: 90169_6








Tutor:
ngela Mara Gonzales










UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
DOSQUEBRADAS
ESCUELA DE CIENCIAS BASICAS, TECNOLOGIA E INGENIERIA
PROGRAMA INGENIERIA ELECTRONICA
Dosquebradas 01 de Mayo de 2014
1.
A. BUSQUEDA HEURISTICA
BUSQUEDA PREFERENTE POR LO MEJOR. BUSQUEDA A*.
Esta bsqueda es una bsqueda preferente por lo mejor en la que se utiliza f como funcin de
evaluacin.
La bsqueda avara reduce h(n), el costo hacia la meta, pero no es ptima ni completa. La
bsqueda de costo uniforme reduce g(n), el costo de ruta, es ptima y completa, pero puede ser
ineficiente. Las dos funciones se podran combinar mediante una suma:
f(n) = g(n) + h(n)
La funcin f calcula el costo estimado de la solucin ms barata, pasando por n y se calcula de la
siguiente manera:
f=g(n) + h(n)
Siendo g(n) el costo de ruta y h(n) una heurstica admisible (que nunca sobreestima el costo que
implica alcanzar la meta).


Como vemos en la imagen anterior esta bsqueda va calculando el costo de f y traza la ruta ms
barata pero con buena eficiencia hasta alcanzar la meta que es llegar a Bucarest.
Ventajas:
Este mtodo es ptimamente eficiente para cualquier funcin heurstica.

La eleccin de una buena funcin heurstica permite disminuir notablemente la
complejidad tanto en tiempo como en espacio.

Es ptima y completa.
Desventajas:
En esta bsqueda la cantidad de memoria necesaria crece exponencialmente con respecto
a la profundidad.

El problema con el A* es que, para la mayora de los problemas, la cantidad de nodos en el
contorno de la meta sigue siendo exponencial.

El principal problema es el espacio, ya que usualmente se agota la memoria primero
(guarda todos los nodos generados).

B. BUSQUEDA CIEGA
BUSQUEDA PREFERENTE POR PROFUNDIDAD



En esta bsqueda siempre se expande uno de los nodos que se encuentre en lo ms
profundo del rbol.
Slo si la bsqueda conduce a un callejn sin salida (un nodo que no es meta y que no
tiene expansin), se revierte la bsqueda y se expanden los nodos de niveles menos
profundos.
Lo anterior se logra mediante el algoritmo de Bsqueda-General, con una funcin de lista
de espera que ponga los estados recin generados al principio de la lista.

NOTA:
Se supone que el factor de ramificacin es b = 2 y que los nodos de nivel m = 3 no tienen
sucesores.

Ventajas:
Si la cantidad de soluciones en un problema es grande, se recomienda esta bsqueda (BFS)
sobre la bsqueda preferente por amplitud (DFS).
Tiene menor complejidad espacial que la bsqueda en amplitud.

Desventajas:
La desventaja de esta bsqueda es que se puede quedar estancada al avanzar por una ruta
equivocada, ya que muchos rboles de bsqueda pueden ser muy profundos o infinitos.
Por lo tanto, la BPPP no es ni la ms completa ni la ms ptima.
Se pueden encontrar soluciones que estn ms alejadas de la raz.
Existe el riesgo de presencia de bucles infinitos.

Caractersticas:
Los nodos se visitan y generan buscando los nodos a mayor profundidad y retrocediendo
cuando no se encuentran nodos sucesores
La estructura para los nodos abiertos es una pila (LIFO)
Para garantizar que el algoritmo acaba debe imponerse un lmite en la profundidad de
exploracin
Completitud: El algoritmo encuentra una solucin si se impone un lmite de profundidad y
existe una solucin dentro de ese lmite.

Complejidad temporal: Exponencial respecto al factor de ramificacin y la profundidad del
lmite de exploracin O (b
m
).

Complejidad espacial: Si no se controlan los nodos repetidos el coste es lineal respecto al
factor de ramificacin y el lmite de profundidad O (bm). Si tratamos repetidos el coste es
igual que en anchura. Si la implementacin es recursiva el coste es O (m).

Optimalidad: No se garantiza que la solucin sea ptima.

3.
BUSQUEDA HEURISTICA BUSQUEDA CIEGA
Saben cuando se acercan o alejan de una
solucin ya que poseen un conocimiento
a priori, que les ayuda a tratar de
encontrar la solucin ptima, y/o en
menor tiempo/espacio y/o detectar
estancamientos en la bsqueda.
Busca soluciones aceptables.
El crecimiento del rbol se hace inyectando
conocimiento.
Este conocimiento permite calcular la
no saben cuando se acercan o alejan de
una solucin.
La bsqueda ciega o no informada slo
utiliza informacin acerca de si un estado es
o no objetivo para guiar su proceso de
bsqueda.
Busca la primera solucin sin importar que
tan ptima sea.
No es capaz de encontrar una solucin
aceptable en caso de que no exista o sea
distancia entre el estado obtenido y el
estado final.
demasiado costoso encontrar la solucin
ptima.
Se hace crecer el rbol de forma
sistemtica.
No se realiza anlisis entre el estado
obtenido y la solucin.

4. Explique que es un algoritmo gentico, mediante un ejemplo explique su proceso de
construccin.

Es un algoritmo matemtico altamente paralelo que transforma un conjunto de objetos
matemticos individuales con respecto al tiempo usando operaciones modeladas de acuerdo al
principio Darwiniano de reproduccin y supervivencia del ms apto, y tras haberse presentado de
forma natural una serie de operaciones genticas de entre las que destaca la recombinacin
sexual. Cada uno de estos objetos matemticos suele ser una cadena de caracteres (letras o
nmeros) de longitud fija que se ajusta al modelo de las cadenas de cromosomas, y se les asocia
con una cierta funcin matemtica que refleja su aptitud.

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
recombinaciones genticas), 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. Un algoritmo gentico es un mtodo de bsqueda dirigida
basada en probabilidad. Bajo una condicin muy dbil (que el algoritmo mantenga elitismo, es
decir, guarde siempre al mejor elemento de la poblacin sin hacerle ningn cambio) se puede
demostrar que el algoritmo converge en probabilidad al ptimo. En otras palabras, al aumentar el
nmero de iteraciones, la probabilidad de tener el ptimo en la poblacin tiende a 1 (uno).


Cmo se construye?

Pasos:
1. Disear una Representacin.
2. Decidir como Inicializar la poblacin.
3. Disear una correspondencia entre Genotipo y Fenotipo.
4. Disear una forma de Evaluar un individuo.
5. Disear un operador de Mutacin adecuado.
6. Disear un operador de Cruce adecuado.
7. Decidir cmo Seleccionar los individuos para ser padres.
8. Decidir como Reemplazar a los individuos.
9. Decidir la condicin de Parada.
Un algoritmo gentico puede presentar diversas variaciones, dependiendo de cmo se aplican los
operadores genticos (cruzamiento, mutacin), de cmo se realiza la seleccin y de cmo se
decide el reemplazo de los individuos para formar la nueva poblacin. En general, el pseudocdigo
consiste de los siguientes pasos:
Inicializacin: Se genera aleatoriamente la poblacin inicial, que est constituida por un
conjunto de cromosomas los cuales representan las posibles soluciones del problema. En
caso de no hacerlo aleatoriamente, es importante garantizar que dentro de la poblacin
inicial, se tenga la diversidad estructural de estas soluciones para tener una
representacin de la mayor parte de la poblacin posible o al menos evitar la
convergencia prematura.
Evaluacin: A cada uno de los cromosomas de esta poblacin se aplicar la funcin de
aptitud para saber cmo de "buena" es la solucin que se est codificando.
Condicin de trmino El AG se deber detener cuando se alcance la solucin ptima, pero
sta generalmente se desconoce, por lo que se deben utilizar otros criterios de detencin.
Normalmente se usan dos criterios: correr el AG un nmero mximo de iteraciones
(generaciones) o detenerlo cuando no haya cambios en la poblacin. Mientras no se
cumpla la condicin de trmino se hace lo siguiente:
Seleccin Despus de saber la aptitud de cada cromosoma se procede a elegir los
cromosomas que sern cruzados en la siguiente generacin. Los cromosomas con mejor
aptitud tienen mayor probabilidad de ser seleccionados.
Recombinacin o Cruzamiento La recombinacin es el principal operador gentico,
representa la reproduccin sexual, opera sobre dos cromosomas a la vez para generar dos
descendientes donde se combinan las caractersticas de ambos cromosomas padres.
Mutacin modifica al azar parte del cromosoma de los individuos, y permite alcanzar
zonas del espacio de bsqueda que no estaban cubiertas por los individuos de la poblacin
actual.
Reemplazo una vez aplicados los operadores genticos, se seleccionan los mejores
individuos para conformar la poblacin de la generacin siguiente


Algoritmo gentico i: inicializacin, f(X): evaluacin, ?: condicin de trmino, Se: seleccin,
Cr: cruzamiento, Mu: mutacin, Re: reemplazo, X*: mejor solucin.




REPRESENTACION

INICIALIZACION
Uniforme sobre el espacio de bsqueda (si es posible).
Cadena binaria: 0 o 1 con probabilidad 0.5
Representacion real: Uniforma sobre un intervalo dado (para valores acotados)
Elegir la poblacin a partir de los resultados de una heurstica previa.

GENOTIPO Y FENOTIPO




EVALUACION DE UN INDIVIDUO
Este es el paso mas costoso para la aplicacin.
Puede ser una subrutina, un simulador o cualquier proceso externo.
Se pueden utilizar funciones aproximadas para reducir el costo de evaluacin.


MUTACION
Mutacion para representacin binaria. Mutacion para representacin de orden


CRUCE
Cruce para representacin binaria. Cruce para representacin real

Cruce para representacin real Cruce para representacin de orden



SELECCIN

Seleccin proporcional

REEMPLAZAMIENTO
Podemos utilizar mtodos de reemplazamiento aleatorios o deterministicos.
Podemos decidir no reemplazar al mejor cromosoma de la poblacin: elitismo.

PARADA
Cuando se alcanza el optimo.
Recursos limitados de la CPU: Fijar el mximo numero de evaluaciones.
Limite sobre la paciencia del usuario: Despus de algunas iteraciones sin mejora.









REFERENCIAS


Aula virtual curso acadmico Inteligencia Artificial. (2014-I). Contenidos. Extrado el 25 de
Febrero de 2014 desde http://66.165.175.209/campus17_20141/course/view.php?id=124

http://www.angelfire.com/falcon/popikpe/cap_cuatro.htm

http://www.slideshare.net/alanl0pez/tipos-de-bsqueda-en-inteligencia-artificial

http://es.wikipedia.org/wiki/Algoritmo_gen%C3%A9tico