ALGORITMOS DE BUSQUEDA CIEGA

Experiencia Educativa: Programación estadística

Profesor: José Guillermo Hernández Calderón
Alumna: Skarleht Sanchez Garcia

22/Septiembre/2018
  Búsqueda ciega
Los algoritmos de búsqueda ciega o no informada no dependen de información
propia del problema a la hora de resolverlo, sino que proporcionan métodos
generales para recorrer los árboles de búsqueda asociados a la representación del
problema, por lo que se pueden aplicar en cualquier circunstancia. Se basan en
la estructura del espacio de estados y determinan estrategias sistemáticas para su
exploración, es decir, que siguen una estrategia fija a la hora de visitar los nodos
que representan los estados del problema. Se trata también de algoritmos
exhaustivos, de manera que, en el peor de los casos, pueden acabar recorriendo
todos los nodos del problema para hallar la solución.
Los métodos ciegos son procedimiento sistemático de búsqueda del estado meta
en el árbol de estado. Son llamados de métodos ciegos, porque usan estrategias
de búsqueda que solo consideran la relación de precedencia entre estados. La
información sobre el beneficio, utilidad, lucro de pasar de un estado para otro
estado no es considerado.
El método de búsqueda ciega más conocidos son:
• Búsqueda en amplitud
• Búsqueda en profundidad
• Búsqueda no determinística (aleatorio)

 Búsqueda en una malla

Una red en malla es una topología de red en la que cada nodo está conectado a
todos los nodos. De esta manera es posible llevar los mensajes de un nodo a otro
por distintos caminos. Si la red de malla está completamente conectada, no
puede existir absolutamente ninguna interrupción en las comunicaciones.
Cada servidor tiene sus propias conexiones con todos los demás servidores.
No requiere de un nodo central, con lo que se reduce el riesgo de fallos, y por
ende el mantenimiento periódico (un error en un nodo, sea importante o no, no
implica la caída de toda la red).
Las redes en malla pueden prescindir de enrutamiento manual, o apenas requerir
atención para el mantenimiento de éste. Si se implementan protocolos de
enrutamiento dinámicos, podrían considerarse “auto enrutables”, exceptuando
escenarios en los que el tamaño o carga de la red son muy variables, o se requiere
una tolerancia a fallos prácticamente nula (por ejemplo, debido a la labor crítica
que desempeñan algunos de los nodos que la componen). La comunicación
entre dos nodos cualesquiera de una red en malla puede llevarse a cabo incluso
si uno o más nodos se desconectan de ésta de forma imprevista, o si alguno de
los enlaces entre dos nodos adyacentes falla, ya que el resto evitarán el paso por
ese punto —los nodos adyacentes a un nodo o enlace fallido propagarán un
cambio en la tabla de rutas, notificando a nodos contiguos del cambio en la red,
y así sucesivamente.
En consecuencia, una red en malla resulta muy confiable. Una red
con topología en malla ofrece total redundancia y por tanto una fiabilidad y
tolerancia a fallos superiores. Aunque la facilidad de solución de problemas y el
aumento de la confiabilidad son ventajas muy interesantes, estas redes resultan
caras de instalar, pues requiere forzosamente la interconexión de cada nodo con
los nodos vecinos (aumentando el número de interfaces de las que debe disponer
cada nodo) y el coste de la infraestructura –cableado, Switch/puentes, repetidores
de señal, puntos de acceso, etcétera– de toda la red. Por ello cobran mayor
importancia en el caso de redes parcial o totalmente inalámbricas —la
redundancia de rutas para un mismo destino compensa una mayor
susceptibilidad a fallos, entre otros inconvenientes propios de las redes sin hilos.

 Búsqueda Montecarlo
En ciencias de la computación el árbol de búsqueda Monte Carlo (en
inglés MCTS) es un algoritmo de búsqueda heurístico para algunos tipos de
proceso de toma de decisiones, sobre todo los que trabajan con juegos. Un
ejemplo destacado reciente es en los programas Go, y también se ha utilizado
en otros juegos de mesa, así como en videojuegos en tiempo real y juegos no
deterministas como el póquer.
El enfoque del árbol de búsqueda Monte Carlo se encuentra en el análisis de los
movimientos más prometedores, ampliando el árbol de búsqueda basado en un
muestreo aleatorio del espacio de búsqueda. La aplicación de búsqueda de árbol
de Monte Carlo en los juegos se basa en muchos playoffs. En cada emisión, el
juego, se juega de salida hasta el final mediante la selección de movimientos al
azar. El resultado final del juego de cada playout se utiliza para ponderar los
nodos en el árbol del juego de manera que los mejores nodos son más propensos
a ser elegidos en futuros playoffs.
La forma más básica de utilizar los playouts es aplicar el mismo número de
playouts después de cada movimiento legal del jugador actual, a continuación,
elegir el movimiento que llevó a la mayor cantidad de victorias.2 La eficacia de
este método llamado Búsqueda Pura de Juego Monte Carlo - a menudo aumenta
con el tiempo a medida que más playouts se asignan a los movimientos que han
dado lugar con frecuencia a la victoria del jugador (en playouts anteriores).Las
plena búsqueda de árbol de Monte Carlo emplean este principio de forma
recursiva en muchas profundidades del árbol de juego. Cada ronda de búsqueda
de árbol de Monte Carlo consiste en cuatro pasos:

 Selección: empezar desde la raíz R y seleccionar nodos hijos sucesivos hasta

alcanzar un nodo hoja L. La sección de abajo describe más de una manera
de elegir nodos hijos, que permiten que el árbol de juego se expanda hacia
movimientos más prometedores, que es la esencia del árbol de búsqueda
Monte Carlo.
 Expansión: a menos que L termine el juego con una victoria/pérdida para
cualquiera de los jugadores, ya sea al crear uno o más nodos hijos o elegir
entre ellos un nodo C.
 Simulación: jugar una reproducción aleatoria desde el nodo C.
 Retropropagación: utilizar el resultado de la reproducción para actualizar la
información en los nodos en el camino de C a R.