Dominio Huristica

Inteligencia Artificial
Bsqueda Informada
Agenda
Parte 1

Introduccin a la Bsqueda
Informada o Heurstica
Best-First Search

Parte 2
Proceso de Bsqueda

Bsqueda Golosa (Greedy)

Algoritmo A*
Algoritmo IDA* (Iterative
Deepning A*)
Algoritmo SMA*

Heurstica y su aplicacin
Funcin de evaluacin
Admisibilidad
Consistencia
Dominancia
Calidad
Estrategias de Definicin de
Heursticas
Anlisis de Performance
Algoritmos de Bsqueda Local

Trepada de Colinas (Hill

Climbing)
Simulated Annealing (Recocido
Simulado)
Bsqueda Heurstica - Informada

Estrategias de Bsqueda Exhaustiva (Ciega)

encuentran soluciones para problemas por la generacin sistemtica

de nuevos estados, que son comparados con el objetivo;
son ineficientes en la mayora de los casos:
son capaces de calcular slo el costo del camino del nodo actual al nodo
inicial para decidir cual es el prximo nodo de la frontera a ser expandido.
esta medida no gua eficientemente en la direccin del objetivo.
Estos mtodos deben ser exhaustivos porque son mtodos generales,

esto es, son independientes del problema.
Por esto se llaman de Bsqueda Ciega, o desinformados o dbiles.
Como encontrar un barco perdido?

no podemos bscar en el ocano entero...

observamos las corrientes martimas, o viento, etc...
Bsqueda Heurstica - Informada

Para obtener resultados prcticos se

propone
considerar
una
estructura
particular del espacio de bsqueda para
una clase particular de problemas, esto es,
se propone utilizar caractersticas propias
del problema particular para ayudar en el
proceso de bsqueda.
Esto es llamado Bsqueda Heurstica o

Informada.
Bsqueda Heurstica Informada

Estrategias de Bsqueda Heurstica

utilizan conocimiento especfico del problema en la eleccin del

prximo nodo a ser expandido
barco perdido
corrientes martimas, viento, etc...
Introducen una mtrica que permite al agente de

bsqueda estimar la distancia desde el estado actual
hasta un objetivo.
La mtrica puede expresar distancia, costo o una
medida abstracta.
La utilizacin de esta mtrica permitir escoger el

prximo nodo de la frontera a ser expandido.
La funcin que calcula este tipo de mtricas se

denomina funcin heurstica
Heurstica
Una heurstica es una tcnica que permite

mejorar la eficiencia de la bsqueda.
La palabra Heurstica
viene del griego
Heuriskein que significa Descubrir y es
tambin el origen de Eureka que proviene de la
expresin
heurika que es famosa por
Arqumedes.
Heurstica
Una heurstica ser entonces una estimacin

adecuada del costo o longitud del camino (en el
espacio de bsqueda) desde un estado hasta
un objetivo.
Diremos que subestima, si su estimacin de la

distancia hasta el objetivo es menor o igual a la
distancia real.
Es siempre posible calcular una funcin

heurstica, pero es necesario mantener un
equilibrio entre eficiencia en la bsqueda y el
costo computacional de calcular la heurstica.
Ejemplo
Distancia
2 4 8
7 3 5
2 3 4
1
5
1 6
8 7 6
Estado Final
Estado Actual
h1
2 4 8
7 3 5
1 6
)=
Estimando la distancia
Ejemplo
Distancia
2 4 8
7 3 5
2 3 4
1
5
1 6
8 7 6
Estado Final
Estado Actual
h1
2 4 8
7 3 5
1 6
)=
La cantidad de piezas
fuera de lugar
=7
Ejemplo
2 4 8
7 3 5
1 6
h1
2 4 8
7 3 5
1 6
) =7
Estado 1
2 3 4
1
5
8 7 6
2 4 8
7 3 5
1
6
Estado Final
Estado 2
h1
2 4 8
7 3 5
1 6
) =6
Ejemplo
Distancia
2 4 8
7 3 5
2 3 4
1
5
1 6
8 7 6
Estado Final
Estado Actual
h2
2 4 8
7 3 5
1 6
)=
?
Otra heurstica?
Ejemplo
Distancia
2 4 8
7 3 5
2 3 4
1
5
1 6
8 7 6
Estado Final
Estado Actual
h2
2 4 8
7 3 5
1 6
)=
Nmero de movimentos
necesarios para colocar cada
pieza en el su lugar
= 10
Ejemplo
2 4 8
7 3 5
1 6
h2
248
735
16
) = 10
Estado 1
2 3 4
1
5
8 7 6
2 4 8
7 3 5
1
6
Estado Final
Estado 2
h2
248
735
1 6
) =9
Con que criterios evaluamos:

En la semana anterior vimos estos criterios:
Completitud:
Complejidad de tiempo:
Demora mucho tiempo en encontrar una solucin para un

dado problema;
Complejidad de espacio:
Ser que todas las bsquedas encontrarn una solucin,

en caso de existir;
Consumir mucha memoria para efectuar una bsqueda;
ptima:
Encontrar la mejor solucin cuando esta exista.
Notacin
Dado un nodo n
g(n) = costo desde el nodo inicial hasta n.
h(n) = funcin heurstica aplicada al nodo n.
Esto es, el costo estimado desde n hasta una
solucin.
h*(n) = costo real de un camino ptimo desde
n hasta una solucin.
f(n) = g(n) + h(n) costo estimado de una
solucin que pasa por el nodo n.
Bsqueda por escoger primero

la Mejor (Best-First Search)
Bsqueda genrica donde el nodo de

menor costo aparente en la frontera del
espacio de estados es expandido primero.
Dos enfoques bsicos:

1. Bsqueda Golosa (Greedy search)
2. Algoritmo A*
Bsqueda Golosa

Semejante a bsqueda en profundidad con

backtracking.
Su objetivo es:

Minimizar el costo estimado para alcanzar un nodo.

Expandir el nodo cuyo estado es previsto como el
ms cercano al nodo objetivo, con base en la
estimacin hecha por la funcin heurstica h.
Tiene que existir un conocimiento previo de

esas funciones.
h(n) = Costo estimado del camino ms barato

desde el estado correspondiente al nodo n hasta
un estado objetivo (final).
Bsqueda Golosa
Algoritmo:
funcin Bsqueda-Golosa (problema, h)
retorna una solucin o falla
Bsqueda-Mejor-Escogida (problema, h)
Bsqueda Golosa
Debemos siempre escoger una funcin heurstica que

sea admisible, esto es, que no sobreestime el costo real
de la solucin.
Distancia directa (hSLD) es admisible porque el camino

ms corto entre dos puntos es siempre una lnea recta.
h(n) debe ser cero cuando el nodo n tenga asociado un

estado correspondiente al estado final (Objetivo), ver en
el ejemplo.
Intenta siempre ser rpido en la su bsqueda.
Un ejemplo de Bsqueda Golosa:

Veremos como esto funciona en la bsqueda de rutas

en Madeira, usando a distancia heurstica straight-line
(Lnea recta), que vamos llamar de hSLD.
Si el objetivo es ir a Cancela, entonces tenemos que

saber cuales son las distancias straight-line hasta a la
Cancela.
Por ejemplo, hSLD (Ponta de Sol) = 366.

Veamos el progreso de la bsqueda golosa best-first
usando hSLD para a bsqueda de la Ponta de Sol hasta
Cancela.
Madeira con distancias en lnea recta (km)
Partida Ponta de Sol
La distancia en lnea recta hasta el nodo objetivo (Cancela) es de 366 km
Ponta
de Sol
366
En este caso el camino ms cercano ser
Aqu ser
Llegamos al nodo objetivo
Propiedades/Caractersticas de la bsqueda
Golosa:
No es Completa
Nodos repetidos pueden originar caminos infinitos (loop)

Ej. Canial Machico Canial
Partida Machico
Golosa:
No es ptima: escoge el camino que es ms

econmico a primera vista.
Partiendo de Madalena del Mar
Llegando a Monte
Cual el camino a
escoger?
Golosa:

Costos de bsqueda mnimos.

Complejidad Temporal : O(bn) (b es el factor de
ramificacin, y n el nivel de la solucin).

Porque?
Puede ocurrir en el peor caso, que todos los nodos
tengan que de ser expandidos o visitados.
Complejidad Espacial : O(bn) (b es el factor de

ramificacin, y n el nivel de la solucin).

Porque?
Mantener todos los nodos en memoria.
Miremos estos mtodos:

Costo Uniforme:

Bsqueda Golosa

Ordena a partir de g
Completo y ptimo
Caro
Ordena a partir de h
No es completo ni es ptimo
Pero es mejor en trminos computacionales
Ser posible combinarlos?
Algoritmo A*
En la bsqueda A* la evaluacin de cada
nodo es una combinacin:
f(n) = g(n) + h(n)
g(n) Costo del camino desde el nodo
inicial hasta n.
h(n) Estima el costo desde n hasta al
nodo objetivo.
Algoritmo A*
f(n) costo estimado de una solucin que

pasa por n.
Objetivo:
Minimizar f(n) Solucin menor costo total
Nodo de menor valor f(n) es expandido.
Algoritmo A*
Algoritmo A*
A
366=0+366
393 =140 +253

447=118+129
A
449=75+374
R
413=220+193
415=239+176 671 =291 +380
646=280+366
591=338+253
450=450+0
417 =317 +100

526 =366 +160
553=300+253
- Objetivo
418 =418 +0
615=455+160
607=414+193
- Solucin
f(n) = g(n) + h(n) funcin de evaluacin en cada nodo
Algoritmo A*: Funcin Admisible

Es posible probar que una bsqueda A*

es completa y ptima, con una restriccin:
escoger una funcin heurstica ADMISIBLE
Nunca sobrestima el costo real del camino

que pasa por n, o sea:
h(n) h*(n)
Algoritmo A*
Se puede demostrar lo siguiente:
Sean h1 y h2 , dos heursticas admisibles
tales que para todo nodo n:
h1(n) h2(n) h*(n)

Entonces el algoritmo A* utilizando h2 expandir
menos nodos que utilizando h1.
Algoritmo A*
Complejidad de tiempo:
Exponencial en la profundidad de la solucin,
sin embargo buenas funciones heursticas
disminuyen significativamente ese coste.
Costo de espacio: O(bd)

Guarda todos los nodos expandidos en la memoria.

Posibilita el backtracking.
Eficiencia ptima
Entre las varias soluciones posibles encuentra

siempre primero la mejor.
Memoria limitada (Memory-bounded)
Los recursos computacionales no son

infinitos.
Necesidad
de hacer una bsqueda
parametrizando el lmite de la memoria
disponible, manteniendo la completitud y
la optimalidad.
Algoritmo IDA*
Modificaciones al Algoritmo A* :

Lmite para la profundidad dado por el valor de f.

El lmite es incrementado para el menor valor de la
iteracin (repeticin) anterior.
El corte es hecho por el menor valor de f(n) de

la iteracin actual, que excede el lmite.
Expande todos los nodos dentro de un
determinado contorno, o lmite de f(n).
IDA*
Expande todos los

nodos dentro de un
contorno, el lmite
de f(n).
Algoritmo IDA*
Completo: si el camino ms corto, cabe en la

memoria disponible.
ptimo: si el camino ptimo ms corto, cabe en

la memoria disponible.
Complejidad de Espacio: O(b * d)
Complejidad de Tiempo: O(b2d)
SMA*
Es una versin (simplificada) de A*.
Hace uso de toda la memoria disponible.
Estrategia:
Ir expandiendo el mejor nodo-hoja hasta

colmar la memoria.
Para expandir el prximo nodo, descarta el
nodo con peor valor de f.
Ese valor es guardado en el antecesor del
nodo descartado.
SMA*
Lmite de memoria: 8 nodos
A
366=0+366
393=140+253
447 =118 +129

A
R
413=220+193
415=239+176
646 =280+366
671=291 +380
- Nodo descartado
- Objetivo
- Soluin

447
Peor valor de f para el nodo descendiente descartado

-
Z
449=75+374
SMA*
Lmite de memoria: 8 nodos
A
366=0+366
671
T
393=140+253
447 =118 +129

A
R
413=220+193
646 =280+366
415=239+176
671=291 +380
Nodo
descartado
Objetivo
526=366+160
Soluin

447
-Peor valor de f para el nodo descendiente descartado
Z
449=75+374
SMA*
SMA*
SMA*
SMA* es completo si la menor profundidad
de la solucin es menor que el espacio en
memoria.
SMA* es ptimo si consigue alcanzar la
solucin ptima, dentro de la memoria,
sino retorna la mejor posible.
Complejidad de Espacio / Tiempo :
Exponencial
FIN PARTE 1
Inteligencia Artificial
Bsqueda Informada
Agenda
Parte 1

Introduccin a la Bsqueda
Informada o Heurstica
Best-First Search

Parte 2
Proceso de Bsqueda

Bsqueda Golosa (Greedy)

Algoritmo A*
Algoritmo IDA* (Iterative
Deepning A*)
Algoritmo SMA*

Heurstica y su aplicacin
Funcin de evaluacin
Admisibilidad
Consistencia
Dominancia
Calidad
Estrategias de Definicin de
Heursticas


Climbing)
Simulated Annealing (Recocido
Simulado)
Heurstica y su Aplicacin
La heurstica es utilizada:
Como tcnica de bsqueda para la obtencin
de metas en problemas donde el algortmico
bsico generan explosin combinatoria.
Como un mtodo aproximado de resolucin de
problemas utilizando funciones de evaluacin
de tipo heurstico.
Como un mtodo de poda (corte) para
estrategias de programas de juegos.
En una bsqueda, podemos aplicar dos tipos de

heurstica, sobre la decisin de cual nodo ser
expandido y la decisin sobre cuales nodos
deben ser descartados.
En una bsqueda podemos definir dos
situaciones:
El universo es totalmente conocido, por lo que
la heurstica se realizar a travs de la
asignacin de nmeros.
El universo no es totalmente conocido, en cuyo
caso la heurstica se aplicar a travs de la
aplicacin de reglas.
Las funciones heursticas son especficas para

cada problema. Estas funciones pueden ser poco
certeras o pueden encontrar la mejor respuesta,
en tanto su utilizacin permite liberarnos del uso
de anlisis combinatorio.
Por otro lado, la implementacin de una funcin
heurstica es difcil, ya que es difcil medir con
precisin la distancia a una determinada solucin
y, ms an, es difcil medir sus efectos en el
proceso de bsqueda.
Caractersticas de las Heursticas

Admisibilidad
Consistencia
Dominancia
Calidad
Admisibilidad
Una buena funcin heurstica debe ser

admisible, esto es, nunca sobreestimar el costo
real de la solucin, en el ejemplo anterior la
distancia es admisible pus el camino ms corto
entre dos puntos es siempre una lnea recta.
En la eleccin de una funcin h(n), que sea

admisible, es siempre mejor utilizar una funcin
heurstica con valores altos.
Consistencia
La propiedad de consistencia puede ser definida

como: una heurstica h(n) es consistente si, para
cada nodo n y para cada sucesor n de n,
generado por cualquier accin a, el costo
estimado de alcanzar el objetivo a partir de n es
inferior al costo de cualquier paso para llegar a
n ms el costo estimado de alcanzar el objetivo
a partir de n.
h(n) c(n,n) + h(n)
Dominancia

En algunos problemas es posible definir ms de una

funcin heurstica, por lo que debemos utilizar la funcin
que domine a todas las otras funciones posibles.
Una funcin hi domina otra funcin hk se hi(n)hk(n) para
cualquier n en el espacio de estados.
Esta propiedad se refleja directamente en el nmero de
nodos expandidos con cada heurstica.
En caso que existan muchas funciones heursticas para
en mismo problema, y ninguna domine a las otras,
podemos definir la funcin h para cada nodo, de la
siguiente forma:
h(n) = max(h1(n), h2(n),, hm(n))
Calidad
La calidad de una funcin heurstica es medida a travs de effective

branch factor (b*), que describe cuanto un proceso de bsqueda est
concentrado en alcanzar su objetivo.
Es calculado a travs de la frmula:
N = 1 + b* + (b*)2 + + (b*)d
Una buena funcin h tendr un valor de b* muy prximo de 1
Calidad: Aplicada al 8-puzzle

Distancia
2 4 8
7 3 5
2 3 4
1
5
1 6
8 7 6
Estado Final
Estado Actual
h1
2 4 8
7 3 5
1 6
)=
La cantidad de piezas
fuera de lugar
=7
Calidad: Aplicada 8-puzzle

Distancia
2 4 8
7 3 5
1 6
2 3 4
1
5
8 7 6
Estado Actual
Estado Final
h2
2 4 8
7 3 5
1 6
)=
Nmero de movimentos
necesrios para colocar cada
pieza en el seu lugar
= 10
Calidad
La funcin h1 representa un limite inferior de h(n), pero

no suministra una estimacin de la dificultad, en
trminos de nmeros de pasos para alcanzar la
configuracin objetivo.
La tabla que compara la calidad de las funciones
definidas:
Estrategias de Definicin
Existen tres estrategias genricas para

definir heursticas.
1.
2.
3.
Relajacin de las restricciones del

problema a travs de la elaboracin de
modelos relajados.
Uso de informacin estadstica.
Identificar los atributos ms relevantes
del problema.

problema
Consiste en la disminucin de la complejidad de las

condiciones que implican la bsqueda y excluir cualquier
consideracin que pueda ser considerada irrelevante
para la resolucin del problema.
Cuanto menos relajado fuera un problema, mejor ser la
funcin heurstica correspondiente, siendo aumentada la
eficiencia de la bsqueda al usar la funcin h.
Puesto que las soluciones en un modelo relajado nunca
son superiores, en trminos de costo al problema
original, las funciones heursticas determinadas a travs
de estos modelos son admisibles y consistentes.

problema
Ejercicio de 5
En el 8-puzzle
Qu fue relajado en h1?
Qu fue relajado en h2?
Relaxacin de las restriciones del

problema
En el 8puzzle el problema puede ser relajado,

permitiendo mover directamente la pieza a su ubicacin
correcta. En este caso, el nmero de pasos necesarios
para alcanzar el objetivo es simplemente la suma del
nmero de piezas fuera del lugar (h1(n)).
Un modelo menos relajado sera, permitir que las piezas

pudiesen ser movidas a un cuadrado adyacente. El
nmero de pasos necesarios para alcanzar su ubicacin
correcta sera la suma de las distancias que cada pieza
est de su destino (h2(n)).
Uso de informacin estadstica

Consiste en la mejora de las funciones heursticas a travs del uso

de datos estadsticos recogidos a travs de los resultados obtenidos
en otra situacin.
Por ejemplo, en el caso del 8puzzle, se puede comenzar por
ejecutar una bsqueda usando una base de 100 configuraciones
distintas, despus de efectuada la computacin de los resultados si
en 90% de los casos la funcin h retorna el mismo valor entonces a
la h(n) ser atribuido el respectivo valor.
Esta estrategia posee la ventaja de expandir menos nodos, aunque
por otro lado, elimina a admisibilidad, toda vez que en el restante
10% de los casos del problema referido, sea posible que la funcin
sobrestime el costo de la solucin.
Identificar los atributos

ms relevantes del problema

Consiste en aprender en base a la experiencia. En el ejemplo

anterior, este abordaje consiste en resolver con decenas de
configuraciones del puzzle.
Cada ejemplo resuelto esta constituido por una secuencia de
estado del camino a la solucin y el costo actual a la solucin a ser
alcanzada a partir de ese cada punto.
A partir de estos ejemplos, puede ser utilizado un algoritmo de
aprendizaje inductivo para construir una funcin h(n).
Los mtodos de aprendizaje inductivos son ms eficaces cuando
son alimentados con ejemplos con caractersticas de estados que
son relevantes para a su validacin.
La caracterstica nmero de piezas mal colocadas en el puzzle
(x1(n)) puede resultar til para prever la distancia actual de un
estado a partir de un objetivo.
Identificar los atributos

ms relevantes del problema
A partir de las estadsticas relativas al costo de las soluciones

obtenidas en la utilizacin de 100 configuraciones del puzzle. Se
puede determinar, por ejemplo, que cuando x1(n) = 5, el costo de
solucin medio esta cerca de 14.
Una segunda caracterstica x2(n) puede ser el nmero de pares de
piezas adyacentes que tambin son adyacentes en el estado
objetivo.
Una forma de generar h(n), es utilizar una combinacin linear de
forma a combinar x1(n) y x2(n) , a travs de la siguiente frmula:
h(n) = c1x1(n) + c2x2(n)

las constantes c1 y c2 son definidas como valores positivos o
negativos acordes a la necesidad de adecuar los datos actuales en
relacin a los costos de la solucin.
La performance en la resolucin de un problema basado en el

paradigma de la bsqueda de estados puede ser aumentado en
trminos de tiempo y espacio recurriendo a dos abordajes:

Hacer ms precisa la funcin heurstica.

Modificar el espacio de estados de modo de simplificar el
proceso.
Los algoritmos que modifican el espacio de estados durante el

proceso de bsqueda recurren esencialmente al corte de caminos
en el espacio o seleccionan caminos analizando los prximos nodos
a ser expandidos.
Estos algoritmos realizan retrocesos inteligentes y algunos de ellos
se basan en la seleccin de operadores que a la larga tienen mayor
probabilidad de generar estados con buenos valores heursticos.

En muchos problemas de Optimizacin, el

camino para la solucin es irrelevante;
El Estado Solucin es la propia Solucin
Queremos: tratar de encontrar el Mejor Estado

de acuerdo con una Funcin Objetivo.

Espacio
de
Estados
=
conjunto
de
configuraciones completas;
Encontrar configuraciones que respeten las
restricciones.
Ej.: 8-reinas
En estos casos, podemos usar Algoritmos de
Bsqueda Local.

Utilizan un nico estado, el estado actual, y

buscan mejorarlo.
Los caminos
guardados.
seguidos
por
el
Algoritmo
son
Dos Ventajas:

Usan muy poca memoria normalmente una

cantidad constante.
Consiguen encontrar buenas soluciones en espacios
de estados infinitos (continuos) para los cuales los
Algoritmos Sistemticos son inadecuados.
Ejemplo: n-reinas

Colocando n reinas en un tablero n n, tal que no haya

dos reinas en una misma lnea, columna o diagonal.
Veamos para el caso en que n=4

Climbing)
Como subir al Pico Aconcagua en un da con niebla

intensa y sufriendo de amnesia?
Un ciclo en que el movimiento es hecho

continuamente en la direccin que corresponde a un
aumento de altitud.
El ciclo termina cuando alcanzamos un pico, o sea,
una localizacin tal que ninguno de los puntos
vecinos posee mayor altitud.
No mira ms all de los vecinos inmediatos al estado
(localizacin) actual.
Trepada de Colinas
Mximo Global
Mximo
Local
Trepada de Colinas:
Circunstancias Indeseables
Existen 3 circunstancias indeseables en las cuales el

Algoritmo de Hill Climbing puede quedar preso :

Mximos Locales
Planicies
Laderas y Riscos
Mximos locales
El algoritmo para en el mximo local.

Puede slo moverse con tasa creciente de variacin.

Restriccin del algoritmo
Ej.: juego 8-puzzle: mover una pieza fuera de la su

posicin correcta para dar paso a otra pieza que est
fuera del lugar tiene tasa de variacin negativa!!!
Planicies
Una regin del espacio de estados donde a funcin da el mismo resultado.

Todos os movimientos locales son iguales (tasa de variacin cero).

El algoritmo para despus de algunas tentativas.

f(n) = f (hijos(n))
Restriccin del algoritmo
Ex.: juego 8-puzzle: ningn movimiento posible va a influenciar en el

valor de f, pues ningn nmero va a llegar a su local objetivo.
Laderas y Riscos
Las laderas de algunos riscos tienen pendientes muy

pronunciadas, por lo cual es fcil alcanzar su cima, pero
puede suceder que la pendiente de tal cima se aproxime
muy gradualmente al pico.
Los movimientos posibles al pico tienen tasa de variacin cero o

negativa.
Restriccin del problema y del algoritmo
Ej.: rutas: cuando es necesario permutar entre dos puntos y el

camino resultante no est conectado.
Algoritmo Trepada de Colinas:

Problema de las 8 reinas
Formulacin de Estado - Completo
Estados: configuraciones de n reinas (0 <= n <= 8), una

por columna, sin que existan pares de reinas que se
ataquen.
Funcin Sucesor: Retorna todos los posibles estados

generados por el movimiento de una nica reina para
otra posicin en la misma columna (8 x 7 = 56
sucesores).
Algoritmo Trepada de Colinas :

Problema de las 8 reinas
Funcin Heurstica de Costo

h = nmero de pares de reinas que se estn

atacando mutuamente.
Mnimo Global (h) = 0.
Si existe ms del que un sucesor, escoja el mejor
sucesor aleatoriamente de entre el conjunto de
mejores sucesores.
Es tambin denominada Bsqueda Local Golosa porque no mira ms all de los estados sucesores
inmediatos.
Problema 8 reinas
Nombrando a cada reina a, b, c, d, e, f,

g, h, a partir de la columna ms a la
izquierda
Posibles ataques:
Diagonal Derecha:
(a, b), (a, c), (b, c), (d, e), (d, f),
(d, g), (e, f), (e, g), (f, g)
Diagonal Izquierda:
(b, d), (c, e), (g, h)
Ataques Horizontales:
(a, e), (b, f), (b, h), (f, h), (c, g)
Nmero de Ataques por cada reina:
a 3, b 5, c 4, d 4, e 5, f 5,

g 5, h 3.
Problema 8 reinas
En este caso tenemos un mximo local con h = 1
Trepada de Colinas

En los casos presentados, el algoritmo llega a un

punto de donde no tiene ms progreso.
Solucin: reinicio aleatorio (random restart)
Cada bsqueda es ejecutada

El algoritmo realiza una serie de bsquedas a partir de

estados iniciales generados aleatoriamente.
Hasta que un nmero mximo estipulado de iteraciones sea
alcanzado, o
Hasta que los resultados encontrados no presenten mejora
significativa.
El algoritmo escoge el mejor resultado obtenido con

as diferentes bsquedas.
Objetivo!!!
Trepada de Colinas : anlise

El algoritmo es completo?
SI, para problemas de optimizacin

NO, para problemas donde los nodos no son estados completos

Toda vez que cada nodo tratado por el algoritmo sea siempre un
estado completo (una solucin).
Ex.: juego del 8-puzzle
Semejante a bsqueda en profundidad
El algoritmo es ptimo?
TALVEZ, para problemas de optimizacin

Cuando iteraciones (repeticiones) suficientes fueron permitidas...
NO, para problemas donde los nodos no son estados completos
Trepada de Colinas: anlisis

El xito de este mtodo depende mucho de la forma de

la superficie del espacio de estados:

Si hay pocos mximos locales, el reinicio aleatorio

encuentra una buena solucin rpidamente
Caso contrario, el costo de tiempo es exponencial.
Recocido Simulado
Este algoritmo es semejante a Trepada de Colinas, pero

se escapa de mximos locales.

Cuando la bsqueda queda presa en un mximo local, el

algoritmo no reinicia a bsqueda aleatoriamente;
El retrocede para escapar de ese mximo local;
Esos retrocesos son llamados de pasos indirectos;
A pesar de aumentar el tiempo de bsqueda, esta

estrategia consigue escapar de los mximos locales.
Analoga con cocido de vidrios o metales:
Proceso de enfriar un lquido gradualmente hasta solidificar;
Recocido Simulado
El algoritmo utiliza un mapeo de enfriamento de

instantes de tiempo (t) en temperaturas (T).
En las iteraciones iniciales, no escoge necesariamente

el mejor paso, y sino un movimiento aleatorio:

Si la situacin mejorar, ese movimiento ser siempre escogido

posteriormente;
Caso contrario, asocia a ese movimiento una probabilidad de
eleccin menor que 1.
Esa probabilidad depende de dos parmetros, y decrece

exponencialmente con el agravamiento causado por el
movimiento, e-E/T, donde:
E = Valor[prximo-nodo] - Valor[nodo-actual]
T = Temperatura
Recocida Simulado
Con el tiempo (disminucin de la temperatura), este algoritmo pasa

a funcionar como Trepada de Colinas .
El algoritmo es ptimo y completo si el mapeo de enfriamiento tiene

muchas entradas con variaciones suaves.
Esto es, si el mapeo disminuye T suficientemente despacio en el

tiempo, el algoritmo encontrar un mximo global ptimo.
Simulated Annealing
Fundamento terico.
Variantes de SA.

Aplicacin (Dial-A-Ride)
TA (Threshold accepting)
GDA (Great deluge algorithm)
RRT (Record-to-Record Travel)
Aplicacion. (TSP)
Concluciones.
Fundamento Terico
Definir vecindad.
Estrategia de exploracin en la
vecindad.
Estrategia de enfriado.
Condicin de parada.
Fundamento Terico
Definir vecindad: Una estructura de

vecindad es una funcin :2, el cual
define para cada S, un conjunto (S)
de soluciones llamadas vecinas de S.
El conjunto (S) se llama vecindad de S
y cada elemento S (S) es una solucin
vecina de S.
Fundamento Terico
Estrategia de exploracin en la vecindad.

Para cierto t
Seleccionar aleatoriamente una sol. j en vecindad(i).
Sea = f(j) f(i)
Si > 0 entonces i = j
Sino generar aleatoriamente q U(0,1)
Si qgenerar
< exp(/t)
entoncesqi= U(0,1)
j
Sino
aleatoriamente
Si q < exp(/t) entonces i = j
Fundamento Terico
P = exp(x/t)
Fundamento Terico
Estrategia de enfriado :
Se elije una temperatura inicial (To).
Funcin de enfriamiento g(t)
(actualizacin: de t)
Funcin de equilibrio.
Fundamento Terico
Condiciones de parada.
Temperatura mnima del sistema.
Cantidad de iteraciones.
No se obtiene una solucin mejor despus de
varias iteraciones.
Fundamento Terico
Repetir
Repetir (para cierto t)
Selecciona aleatoriamente una sol. j en vecindad(i).
Sea = f(j) f(i)
Si > 0 entonces i = j
Si q < exp(/t) entonces i = j
Hasta llegar a equilibrio.
Actualizo la temperatura (t = g(t)).
Hasta condicin de parada.
Simulated Annealing
Fundamento terico.
Variantes de SA.
Aplicacion. (TSP)
Concluciones.
Aplicacin SA
Dial-A-Ride
Definicin del probema DaR.

Conjunto de nodos r R con distancias dij entre

los nodos i,j = 1,...,r
Conjunto de clientes n N tal para cada cliente k
(k=1,...,n) definimos:

El nodo ik pick-up y 1k el tiempo mas temprano de

pick-up.
El nodo jk de entrega y 2k el tiempo mas tardo de
entrega.
Opcionalmente k numero de pasajeros.
Flota de servicio M de m vehculos con capacidad

qL y nodo de deposito iL (L= 1,...,m).
Aplicacin SA
Dial-A-Ride
Funcin objetivo:
F(a maximizar) = calidad de servicio

medido por el promedio de la calidad de
servicio aceptado por los clientes.
Que es la calidad de servicio:

Una medida razonable de calidad de

servicio para el cliente k es la relacin
entre la suma del tiempo de espera y viaje
entre el tiempo de viaje terico desde el
nodo i hasta el j.
Aplicacin SA
Dial-A-Ride
Ejemplo:
Cliente K solicita pedido a las 8hs (1k
=8)
El vehculo m recoge la carga a las
13hs (ik=13) y la deja a las 16hs
(jk=16).
El tiempo terico de ir del nodo i a j es
de 2 hs (ik,jk=2)
losk= ( jk - 1k ) / ik,jk = (16-8) / 2 = 4
Aplicacin SA
Dial-A-Ride
Rango de los losk:

1 <= losk <= GLOS
k = 1,...,n
GLOS es un cota superior que representa un nivel de

calidad mnima garantizada a los clientes.
Finalmente podemos expresar nuestra

funcin objetivo como :
1 h
LOS = los k
h k =1
Aplicacin SA
Dial-A-Ride
Restricciones a cumplir en el modelo.

Nodo de pick-up ik debe preceder al de entrega jk

para cada cliente k.
Cliente k es aceptado si hay un vehculo l que
permite losk <= GLOS.
Para un vehculo l los tiempos ik e jk cumplen:

1k <= ik <= jk - ik,jk <= 2k - ik,jk
La capacidad de un vehculo l siempre es satisfecha

Solo se considera el tiempo de servicio durante 1 da.
Aplicacin SA
Dial-A-Ride
Al llegar una nueva llamada k:
A) Asigno la llamada al mejor vehculo (fase de
asignacin)
B) la nueva ruta de ese vehculo es
seleccionada (fase de ruteo)
Dial-A-Ride
solucion
aleatoria
ii ==mejor
solucion
para el cliente (k-1)
Repetir
1 h
f ( j ) = losk ( j )
h k =1
1 h
f (i ) = los k (i )
h k =1
=TRUE ; l=i;
Repetir
For h = 1(para
to 10cierto t)
aleatoriamente
jSelecciona
= Cambio pareja
de nodos deuna
i sol. j en vecindad(i).
Si f(j) < f(l) entonces l=j
Sea = f(j) f(i)
Si<<0 0entonces
entonces
j
Si
i = ij;==FALSE
Siqq<<exp(-/t)
exp(/t) entonces
entonces
Si
i =i j=; j=FALSE
Hasta llegar a equilibrio
endfor
tActualizo
= 0.95*t la temperatura (t = g(t)).
Hasta
Simulated Annealing
Fundamento terico.
Variantes de SA.
Aplicacion. (TSP)
Concluciones.
Variantes de Simulated
Annealing
Variantes de S.A.
Threshold accepting

Para cierto threshold T
Sea = f(j) f(i)
Si > -T entonces i = j
Threshold accepting
Acepta nuevas soluciones que no son
mucho peores que la vieja solucin.
No se precisa temperatura inicial ni
esquema de enfriamiento.
Solo utiliza un parmetro inicial Threshold.
Threshold accepting
Elijo solucin inicial (i) y threshold inicial (T).
Repetir
Repetir
Seleccionar aleatoriamente una sol. j En vecindad(i).
Sea = f(j) f(i)
Si > -T entonces i = j
Hasta equilibrio
disminuyo T
Hasta condicion de parada.
Variantes de Simulated
Annealing
Variantes de S.A.
Great Delugue Algorithm


Para cierto nivel_de_agua
Seleccionar aleatoriamente una sol. j en
vecindad(i).
Si f(j) > nivel_de_agua entonces
i=j
nivel_de_agua := nivel_de_agua +
velocidad_lluvia

Solo se precisa determinar el parmetro
de velocidad_lluvia.
Fcil de implementar.
Slo acepta la nueva solucin si se
encuentra sobre el nivel_del_agua.

Elijo solucin inicial (i)
Elijo velocidad_lluvia (v_l) > 0 y nivel_de_agua > 0
Repetir
Repetir (para cierto nivel_de_agua)
Si f(j) > nivel_de_agua entonces
i=j
nivel_de_agua := nivel_de_agua +v_l
Hasta llegar a equilibrio
Variantes de Simulated Annealing

Variantes de S.A.
Record-to-Record Travel (RRT)


record = mejor solucin
Seleccionar aleatoriamente una sol. j En vecindad(i).
Si f(j) > (record desviacin) entonces
i=j
Si f(j) > record entonces record = f(j)

Solo se precisa determinar el parmetro de
desviacin.
Fcil de implementar.
Recuerda la mejor solucin (record) en todo
momento.
Slo acepta la nueva solucin si est por
encima de (record desviacin).

Elijo solucin inicial (i), elijo desviacin > 0.
Seteo la mejor solucin (record = i).
Repetir
Repetir
Si f(j) > (record - desviacin) entonces
i=j
Si f(j) > record entonces
record = f(j)
Hasta llegar a equilibrio.
Aplicaciones
Grotschels 442 ciudades (TSP Euclidiano)
Problema: Dada las coordenadas de N
ciudades, busco un recorrido que visite
todas las ciudades minimizando el costo.
Aplicaciones
Como modelar el problema?

5
4
2
1
(1, 5, 4, 3, 2)
Aplicaciones
Como defino una vecindad?

5
4
0 (1, 5, 4, 3, 2)
2
1
Corrida: i = 1
j=4
31 (1, 3, 4, 5, 2)
LIN-2-OPT
Elijo i, j C, i < j
Elimino las aristas { (

(i),
(i+1)), (
(j), (j+1)) }
Inserto las aristas { (

(i), (j)), (
(i+1), (j+1)) }
Ejemplo (aplicado a TA)

Seleccionar un conjunto de nb ciudades cercanas para cada ciudad
inicial (i)
Elijo solucin
un inicial
Threshold inicial (T).
For T = 0.099 to 0 step -0.001
Repetir
Repetir
Para
cada ciudad c1
Seleccionar
aleatoriamente
una
sol. c1
j en vecindad(i).
Para cada ciudad
c2 cercana a la
ciudad
j = lin-2-op (i, c1, c2) )
Sea = f(j) f(i)
= largo(j) largo (i)
Si < T entonces i = j
Hasta equilibrio
T
Enddisminuyo
para cada ciudad
c1
Hasta condicion de parada
End para cada Threshold
Resultados para 442 ciudades con

largo del recorrido inferior a 52.00
TA Improved Form
100
# recorridos
# recorridos
TA
50
0
4
10
12
14
16
18
20
nb
100
50
0
4
10
12
14
16
nb
# recorridos
RRT
100
El largo de la
solucin optima es: 50.80
50
0
4
10
12
nb
14
16
18
20
18
20
Resultados para 532 ciudades con

largo del recorrido inferior a 28.500
TA Improved From
100
# recorridos
# recorrido
GDA
50
0
4
10
12
14
16
18
20
nb
100
50
0
4
10
12
14
16
nb
# rec orridos
RRT
100
El largo de la
solucin optima es: 27.686
50
0
4
10
12
nb
14
16
18
20
18
20
Conclusiones
Heursticas fciles de aplicar e
implementar.
Los resultados obtenidos con estas
heursticas son buenos.
SA es muy sensible a la eleccin del
esquema de enfriamiento.
TA, GDA y RRT son mejores y slo
dependen de un nico parmetro.
Crticas a Bsqueda Heurstica

Solucin de problemas, usando tcnicas de bsqueda

heurstica:

Funcin de evaluacin: compromiso (conflicto) entre

Dificultades en definir y usar una funcin de evaluacin;

No consideran conocimiento genrico del mundo (o sentido
comn);
Tiempo gastado en la seleccin de un nodo y
Reduccin del espacio de bsqueda
Alcanzar el mejor nodo a ser expandido en cada paso

puede ser tan difcil como el problema de la bsqueda
en general.
Fuentes Consultadas

Rusel, Norvig, Artificial Intelligence: La Modern

Approach, Cap. 4.
Costa,
Simes,
Inteligencia
Artificial.
Fundamentos y Aplicaes. Cap 3.3., 3.4
Slices Prof. Guillermo Simari. Universidad
Nacional del Sur, Argentina
Slices Alunos IILa semestre 2004/2005 y
2005/2006
Slices Prof. Geber Ramalho. CIN. Universidad
Federal de Pernambuco, Brasil.
Slices Profs. Rafael Fernndez y Fernando
Garca de UROU, Uruguay.
Lecturas
LIBROS
Rusel, Norvig, Artificial Intelligence: La
Modern Approach, Cap. 4.
Costa,
Simes, Inteligencia Artificial.
Fundamentos y Aplicaes. Cap 3.3. 3.4
FIN

Dominio Huristica

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Dominio Huristica

Transféré par

Droits d'auteur :

Formats disponibles

Inteligencia Artificial

Bsqueda Golosa (Greedy)

Algoritmos de Bsqueda Local

Trepada de Colinas (Hill

Bsqueda Heurstica - Informada

Estrategias de Bsqueda Exhaustiva (Ciega)

encuentran soluciones para problemas por la generacin sistemtica

son ineficientes en la mayora de los casos:

esta medida no gua eficientemente en la direccin del objetivo.

Estos mtodos deben ser exhaustivos porque son mtodos generales,

Por esto se llaman de Bsqueda Ciega, o desinformados o dbiles.

Como encontrar un barco perdido?

no podemos bscar en el ocano entero...

Bsqueda Heurstica - Informada

Para obtener resultados prcticos se

Esto es llamado Bsqueda Heurstica o

Bsqueda Heurstica Informada

Estrategias de Bsqueda Heurstica

utilizan conocimiento especfico del problema en la eleccin del

corrientes martimas, viento, etc...

Introducen una mtrica que permite al agente de

La utilizacin de esta mtrica permitir escoger el

La funcin que calcula este tipo de mtricas se

Una heurstica es una tcnica que permite

Una heurstica ser entonces una estimacin

Diremos que subestima, si su estimacin de la

Es siempre posible calcular una funcin

Con que criterios evaluamos:

Demora mucho tiempo en encontrar una solucin para un

Ser que todas las bsquedas encontrarn una solucin,

Consumir mucha memoria para efectuar una bsqueda;

Encontrar la mejor solucin cuando esta exista.

Bsqueda por escoger primero

Bsqueda genrica donde el nodo de

Dos enfoques bsicos:

Semejante a bsqueda en profundidad con

Minimizar el costo estimado para alcanzar un nodo.

Tiene que existir un conocimiento previo de

h(n) = Costo estimado del camino ms barato

Debemos siempre escoger una funcin heurstica que

Distancia directa (hSLD) es admisible porque el camino

h(n) debe ser cero cuando el nodo n tenga asociado un

Intenta siempre ser rpido en la su bsqueda.

Un ejemplo de Bsqueda Golosa:

Veremos como esto funciona en la bsqueda de rutas

Si el objetivo es ir a Cancela, entonces tenemos que

Por ejemplo, hSLD (Ponta de Sol) = 366.

Madeira con distancias en lnea recta (km)

Partida Ponta de Sol

La distancia en lnea recta hasta el nodo objetivo (Cancela) es de 366 km

Madeira con distancias en lnea recta (km)

En este caso el camino ms cercano ser

Madeira con distancias en lnea recta (km)

Madeira con distancias en lnea recta (km)

Llegamos al nodo objetivo

Nodos repetidos pueden originar caminos infinitos (loop)

No es ptima: escoge el camino que es ms

Costos de bsqueda mnimos.

Complejidad Espacial : O(bn) (b es el factor de

Miremos estos mtodos:

Ser posible combinarlos?

f(n) costo estimado de una solucin que

Nodo de menor valor f(n) es expandido.