1.1.

INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

INTRODUCCIÓN

La IA comenzó como el resultado de la investigación de la ciencia cognitiva que

estudia cómo la información es representada y transformada en el cerebro humano, y
la lógica matemática que estudia la forma del razonamiento.

La Inteligencia Artificial es una combinación de informática, robótica, psicología,

lógica matemática entre otros, con el único fin de crear máquinas que puedan
simular un comportamiento inteligente es decir que puedan «pensar».

La idea de construir una máquina que pueda realizar tareas que requieran de
inteligencia humana es uno de los objetivos de la IA, ya que esta pretende que estas
máquinas no solo realicen la tarea con inteligencia, sino que también aprendan o
adquieran conocimientos, es por esto que desde 1956 los sistemas buscan mejorar
su estructura de datos y el desarrollo de algoritmos.

1. ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?

Existen muchos conceptos acerca de la IA, estos hablan de cómo nació en que está
enfocada y cuáles son sus fundamentos. Stuart Russell y Peter Norvig en su libro
Inteligencia Artificial un Enfoque Moderno cita 8 libros de texto, los cuales muestran
definiciones de la IA sobre procesos mentales, razonamiento y conducta, además
define el término racionalidad es decir sistemas racionales que hagan lo correcto en
función de su conocimiento.

A continuación, se muestra la tabla de definiciones de la IA extraída del libro

Inteligencia Artificial un Enfoque Moderno.
2. LA PRUEBA DE TURIG

En 1950 Alan Turig propuso una prueba para determinar si un computador tiene IA,
esta consiste en que una persona le realice una serie de preguntas a un computador y
que este responda de forma que logre confundir a la persona haciendo que piense
que está hablando con otra persona. Para esto el computador debe poseer algunas
capacidades como:

▪ Lenguaje entendible es decir que pueda comunicarse en cualquier idioma.

▪ Representación del conocimiento, que pueda almacenar como se siente y lo

que conoce.

▪ Racionamiento automático es decir que pueda tomar la información que ya

conoce y plantear una respuesta y generar una conclusión

▪ Aprendizaje automático, que pueda adquirir nuevos conocimientos.

También existe la prueba global de Turing esta es más ambiciosa ya que añade la
robótica para que el hardware que este simulando IA pueda mover objetos y para esto
también necesita visión computacional ya que para poder mover los objetos este
debe percibirlos.
 Figura 1.2: prueba de turig

3. PENSAR COMO HUMANO

Para que un sistema logre pensar como humano es necesario conocer cómo piensan
los humanos, para esto se debe contar con mecanismos que brinden herramientas
para determinar el funcionamiento de la mente humana. Esto se puede determinar
con introspección y experimentos psicológicos, una vez que se cuente con la teoría
de cómo funciona la mente se podrá replicar en un software (Russell, S., y Norvig, P.
2008).

4. PENSAMIENTO RACIONAL

Tiene su base en la lógica, el filósofo griego Aristóteles fue uno de los primeros en
codificar la manera de pensar creando leyes de pensamiento, las mismas que
gobiernan la forma de operar la mente y su estudio creo el campo llamado lógica.

Según Eglis García, 2009 “El razonamiento trata de emplear esas reglas y
conocimientos para alcanzar conclusiones aproximadas o definitivas”.

5. ACTUAR DE FORMA RACIONAL

Según las leyes del pensamiento, todo el énfasis se pone en hacer inferencias
correctas. La obtención de estas inferencias correctas puede, a veces, formar parte
de lo que se considera un agente racional, ya que una manera racional de actuar es
llegar a la conclusión lógica de que si una acción dada permite alcanzar un objetivo,
hay que llevar a cabo dicha acción. Sin embargo, el efectuar una inferencia correcta
no depende siempre de la racionalidad, ya que existen situaciones para las que no
hay nada correcto que hacer y en las que hay que tomar una decisión. Existen
también formas de actuar racionalmente que no implican realizar inferencias. Por
ejemplo, el retirar la mano de una estufa caliente es un acto reflejo mucho más
eficiente que una respuesta lenta llevada a cabo tras una deliberación cuidadosa
(Russell, S., y Norvig, P. 2008) (Llata JR,. et all 2008?).

1.2 Historia de la Inteligencia Artificial.

1. GÉNESIS DE LA INTELIGENCIA ARTIFICIAL (1943-1955)

Warren McCulloch y Walter Pitts (1943) han sido reconocidos como los autores del
primer trabajo de IA. Partieron de tres fuentes: conocimientos sobre la fisiología
básica y funcionamiento de las neuronas en el cerebro, el análisis formal de la lógica
preposicional de Russell y Whitehead y la teoría de la computación de Turing. Es por
esto por lo que se consideran los eventos más importantes en el origen de la IA
(Russell, S., y Norvig, P. 2008).

Figura 1: Los 4 eventos más importantes que marcaron el nacimiento de la IA

2. NACIMIENTO DE LA INTELIGENCIA ARTIFICIAL (1956)

En 1956 se propone a la Inteligencia Artificial como una disciplina que buscaba

reproducir comportamiento inteligente con la ayuda de una máquina. Esto se realizó
en un Congreso sobre Informática Teórica en EE. UU., en el que se definió el concepto
de Inteligencia Artificial, como una nueva rama de la informática con entidad propia
(Pino, R et all 2010).
3. ENTUSIASMO INICIAL, GRANDES ESPERANZAS (1952-1969)

Los primeros años de la IA estuvieron llenos de éxitos (aunque con ciertas

limitaciones). Teniendo en cuenta lo primitivo de los computadores y las
herramientas de programación de aquella época, y el hecho de que sólo unos pocos
años antes, a los computadores se les consideraba como artefactos que podían
realizar trabajos aritméticos y nada más, resultó sorprendente que un computador
hiciese algo remotamente inteligente (Russell, S., y Norvig, P. 2008).

A continuación, se muestran algunos de los hechos que marcaron la esperanza del

desarrollo de la inteligencia artificial.

Figura 2: Eventos más importantes que marcaron el entusiasmo del desarrollo de la

IA

4. UNA DOSIS DE REALIDAD (1966-1973)

Desde el principio, los investigadores de IA hicieron públicas, sin timidez,

predicciones sobre el éxito que les esperaba. Con frecuencia, se cita el siguiente
comentario realizado por Herbert Simón en 1957:
“Sin afán de sorprenderlos y dejarlos atónitos, pero la forma más sencilla que tengo
de re sumirlo es diciéndoles que actualmente en el mundo existen máquinas capaces
de pen sar, aprender y crear. Además, su aptitud para hacer lo anterior aumentará
rápidamente hasta que (en un futuro previsible) la magnitud de problemas que serán
capaces de re solver irá a la par que la capacidad de la mente humana para hacer lo
mismo.”

El primer tipo de problemas surgió porque la mayoría de los primeros programas

contaban con poco o ningún conocimiento de la materia objeto de estudio; obtenían
resultados gracias a sencillas manipulaciones sintácticas.

La realidad es que para traducir es necesario contar con un conocimiento general

sobre el tema, que permita resolver ambigüedades y así, precisar el contenido de una
oración. La famosa retraducción del ruso al inglés de la frase «el espíritu es fuerte
pero la carne es débil», cuyo resultado fue «el vodka es bueno pero la carne está
podrida» es un buen ejemplo del tipo de dificultades que surgieron.

El segundo problema fue que muchos de los problemas que se estaban intentando
resolver mediante la IA eran intratables. La mayoría de los primeros programas de IA
resolvían problemas experimentando con diversos pasos hasta que se llegara a
encontrar una solución.

El tercer obstáculo se derivó de las limitaciones inherentes a las estructuras básicas

que se utilizaban en la generación de la conducta inteligente. Por ejemplo, en 1969,
en el libro de Minsky y Papert, Perceptrons, se demostró que si bien era posible lograr
que los perceptrones (una red neuronal simple) aprendieran cualquier cosa que
pudiesen re presentar, su capacidad de representación era muy limitada (Russell, S.,
y Norvig, P. 2008) (Velasco, J. 2007).

4. LA IA SE CONVIERTE EN CIENCIA (desde 1980 hasta el presente)

En 1982 por McDermott se creó el primer sistema experto comercial llamado R1 el

cual utilizaba la elaboración de pedidos informáticos, 4 años más tarde R1 representó
un ahorro de aproximadamente 40 millones de dólares al año y en 1988 la inteligencia
artificial distribuía mas de 40 sistemas expertos. En la pelea de Japón y EEUU, por
quién investigaba y desarrollaba más en la IA, ésta pertenecía a un proyecto que
involucraba diseño de chips y la relación del ser humano con las máquinas (García, A
.2012)
1.3 Las habilidades cognoscitivas según la psicología. Teorías de la inteligencia
(conductismo, Gardner, etc.).

Habilidad

1. Capacidad y disposición para algo.

2. Gracia y destreza en ejecutar algo que sirve de adorno a la persona, como

bailar, montar a caballo, etc.

Cognoscitivo, (va).

1. Que es capaz de conocer.

Cognitivo, va.

1. Perteneciente o relativo al conocimiento.

El concepto de “habilidades cognitivas” proviene del campo de la Psicología

cognitiva. Las habilidades cognitivas son operaciones del pensamiento por medio
de las cuales el sujeto puede apropiarse de los contenidos y del proceso que usó para
ello.

Otra definición nos dice que “Las habilidades cognitivas son un conjunto de
operaciones mentales cuyo objetivo es que la persona integre la información
adquirida básicamente a través de los sentidos, en una estructura de conocimiento
que tenga sentido para él.”

Podemos agruparlas en tres grandes ejes:

1. Dirección de la atención
A través de la atención y de una ejercitación constante de ésta, se favorecerá el
desarrollo de habilidades como: observación, clasificación, interpretación,
inferencia, anticipación.

2. Percepción
La percepción es el proceso que permite organizar e interpretar los datos que se
perciben por medio de los sentidos y así desarrollar una conciencia de las cosas que
nos rodean. Esta organización e interpretación se realiza sobre la base de las
experiencias previas que el individuo posee.

3. Procesos del pensamiento

Los procesos del pensamiento se refieren a la última fase del proceso de percepción.
En este momento se deciden qué datos se atenderán de manera inmediata con el fin
de comparar situaciones pasadas y presentes y de esa manera,
realizar interpretaciones y evaluaciones de la información.

En realidad, la clasificación de las habilidades difiere según los autores; por ejemplo,
algunos proponen la siguiente secuencia: observación, comparación, relación,
clasificación, ordenamiento, clasificación jerárquica, análisis, síntesis y evaluación.

Otras Habilidades:

Observar: Es dar una dirección intencional a nuestra percepción e implica

subhabilidades como atender, fijarse, concentrarse, identificar, buscar y encontrar
datos, elementos u objetos.

Analizar: Significa destacar los elementos básicos de una unidad de información e

implica subhabilidades como comparar, destacar, distinguir, resaltar.

Ordenar: Es disponer de manera sistemática un conjunto de datos, a partir de un

atributo determinado. Ello implica subhabilidades como reunir, agrupar, listar, seriar.

Clasificar: Se refiere al hecho de disponer o agrupar un conjunto de datos según

categorías. Las subhabilidades que se ponen en juego son, por ejemplo, jerarquizar,
sintetizar, esquematizar, categorizar…

Representar: Es la recreación de nuevos hechos o situaciones a partir de los

existentes. Las subhabilidades vinculadas con esta habilidad son simular, modelar,
dibujar, reproducir…

Memorizar: Implica procesos de codificación, almacenamiento y recuperación de

una serie de datos. Este hecho supone también retener, conservar, archivar, evocar,
recordar…

Interpretar: Es atribuir significado personal a los datos contenidos en la información

recibida. Interpretar implica subhabilidades como razonar, argumentar, deducir,
explicar, anticipar…

Evaluar: Consiste en valorar a partir de la comparación entre un producto, los

objetivos y el proceso. Esta habilidad implica subhabilidades como examinar, criticar,
estimar, juzgar.

TEORÍA DE LA INTELIGENCIA DE GARDNER

El Dr. Howard Gardner, profesor de ciencias de la educación en la Universidad de

Harvard, ha llevado a cabo investigaciones acerca del desarrollo de la capacidad
cognitiva humana durante muchos años.
Dichas investigaciones lo han apartado de las teorías tradicionales respecto de la
inteligencia humana que se basan en dos supuestos fundamentales: que la cognición
humana es unitaria y que es posible describir adecuadamente a los individuos como
poseedores de una inteligencia única y cuantificable.

En su estudio referido a la capacidad humana, Gardner estableció criterios que

permiten medir si un talento constituye una inteligencia. Cada inteligencia debe
poseer una característica evolutiva, debe ser observable en grupos especiales de la
población tales como prodigios o “tontos sabios”, debe proporcionar alguna
evidencia de localización en el cerebro y disponer de un sistema simbólico o
representativo.

Gardner define la inteligencia como:

▪ La capacidad para resolver problemas cotidianos.

▪ La capacidad para generar nuevos problemas para resolver.

▪ La capacidad de crear productos u ofrecer servicios valiosos dentro del propio

ámbito cultural.

La teoría de las inteligencias múltiples

En su libro Frames of Mind: The Theory of Multiple Intelligences, publicado en

1983, Gardner presentó su teoría de las inteligencias múltiples, que destaca su
perspectiva multicultural respecto de la cognición humana. La teoría básica sobre las
inteligencias múltiples puede resumirse en las siguientes palabras: que cada
persona tiene por lo menos ocho inteligencias, u ocho habilidades cognoscitivas.
Estas inteligencias trabajan juntas, aunque como entidades cognoscitivas semi-
autónomas. En su obra Gardner propone los siguientes tipos de inteligencia

Inteligencia lingüística
Es la capacidad de usar y entender las palabras de manera efectiva, en forma oral o
escrita. Por lo general la desarrollan personas que disfrutan de la lectura, una buena
conversación, poseedores de un amplio vocabulario, se les facilita aprender otros
idiomas y les agradan los juegos que involucran las palabras. Propia de los escritores
o los poetas.

Inteligencia lógico-matemática
Permite calcular, medir, evaluar proposiciones e hipótesis y efectuar operaciones
matemáticas complejas. Los científicos, los matemáticos, los contadores, los
ingenieros y los analistas de sistemas poseen un profundo manejo de la inteligencia
lógico-matemática.
 Inteligencia visual espacial
Es la capacidad de pensar en tres dimensiones. Permite percibir imágenes externas e
internas, recrearlas, transformarlas o modificarlas, recorrer el espacio o hacer que
los objetos lo recorran y producir o decodificar información gráfica.

Las personas que desarrollan este tipo de inteligencia suelen ser muy orientadas y
disfrutan de lo visual: entienden mapas y gráficas, les gustan los rompecabezas, la
fotografía, la pintura, el dibujo. Esta inteligencia está presente en pilotos, marinos,
escultores, pintores y arquitectos entre otros.

Inteligencia corporal – cinestésica

Es la capacidad para usar todo el cuerpo en la expresión de ideas y sentimientos, y la
facilidad en el uso de las manos para transformar elementos.

Incluye habilidades de coordinación, destreza, equilibrio, flexibilidad, fuerza y

velocidad. A las personas con este tipo de inteligencia les agrada el deporte, el baile,
la pintura, son hábiles en trabajos manuales, poseen una adecuada coordinación y
expresión corporal. Esta inteligencia se manifiesta en atletas, bailarines, cirujanos y
artesanos, entre otros.

Inteligencia musical
La inteligencia musical es la capacidad y sensibilidad para producir y pensar en
términos de ritmos, tonos y timbres de los sonidos.
Las personas se inclinan por tocar instrumentos musicales, cantar, silbar, escuchar
música, componer melodías o atender a sonidos ambientales.
La música es la forma de expresión para las personas que han desarrollado este tipo
de inteligencia.

Inteligencia interpersonal
Es la capacidad de comprender a los demás e interactuar eficazmente con ellos.
Resulta evidente en los docentes exitosos, en los trabajadores sociales, en los
actores o en los políticos.

Esta capacidad permite a los poseedores de esta inteligencia entender las relaciones
sociales, una capacidad amplia para interactuar con las personas, entender y captar
los estados de ánimo, las intenciones y motivaciones de los demás.

Inteligencia intrapersonal
Es la capacidad de construir una percepción precisa respecto de sí mismo y de
organizar y dirigir su propia vida. Incluye la autodisciplina, la autocomprensión y la
autoestima.
A las personas con este tipo de inteligencia les agrada estar solas, tienden a ser
reflexivas, introvertidas e independientes. Generalmente poseen un buen
conocimiento de sí mismas.

Algunos individuos con una profunda inteligencia intrapersonal se especializan como

teólogos, psicólogos y filósofos.

Inteligencia naturalista
Está relacionada con la capacidad de distinguir, clasificar y utilizar elementos del
medio ambiente, objetos, animales o plantas. Incluye las habilidades de observación,
experimentación, reflexión y cuestionamiento de nuestro entorno.

La poseen en alto nivel la gente de campo, botánicos, cazadores, ecologistas y

paisajistas, entre otros

CONDUCTISMO

Es una corriente psicológica en la que su teoría está basada en que a un estimulo le

sigue una respuesta, siendo este el resultado de la interacción entre el individuo y su
medio.

El conductismo se desarrolla a principios del siglo XX, a partir de la obra del psicólogo
norteamericano John B. Watson, época en la cual la psicología era considerada
predominantemente como el estudio de las experiencias internas o sentimientos, de
los fenómenos de la conciencia, a través de métodos subjetivos o introspectivos, y
donde precisamente por las limitaciones de sus medios metodológicos, la
conciencia no pudo convertirse en objeto de análisis experimental.

El conductismo surge proponiendo una psicología basada en los hechos observables,

en la conducta del hombre, que sustenta que lo principal es lo que el hombre hace,
no lo que piensa.

En este sentido, Watson no negaba la existencia de experiencias internas o

emociones, pero insistía que estas experiencias no podían ser estudiadas porque
eran imposibles de observar.

Para el conductismo las diferencias individuales son un resultado del propio

condicionamiento del sujeto, resultantes de la diversidad de estímulos a lo largo de la
vida, por lo que no tiene sentido la constancia del cociente de inteligencia (I.Q.), pues
este depende del tipo de estímulos que el individuo reciba, y donde la transformación
del medio conlleva asimismo la transformación de la inteligencia.
Según esta corriente el hombre es totalmente producto de sus experiencias. Por
consiguiente, adquiere importancia central en el estudio del aprendizaje la manera
como el hombre se apropia del repertorio de comportamientos motores, verbales,
sociales, entre otros, que luego serán elementos constitutivos de su personalidad.

1.4 El proceso de razonamiento según la lógica (Axiomas, Teoremas,

demostración).

LÓGICA:

Ciencia formal y una rama de la filosofía que estudia los principios de la

demostración e inferencia válida.

DEMOSTRACIÓN:

Sucesión coherente de pasos que, tomando como verdadero un conjunto de

premisas llamado hipótesis, permite asegurar la veracidad de una tesis

Estos pasos deben estar fundamentados en la aplicación de reglas de deducción

(fundadas ya sea en axiomas o en teoremas anteriormente demostrados o en reglas
básicas de deducción del sistema en cuestión). El hecho de no conocer ninguna
demostración de un teorema no implica su no veracidad; sólo la demostración de la
negación de este resultado implica que es falso.

Teoría de la Demostración o Teoría de la Prueba

Es una rama de la lógica matemática que trata a las demostraciones como objetos
matemáticos, facilitando su análisis mediante técnicas matemáticas. Las
demostraciones suelen presentarse como estructuras de datos inductivamente
definidas que se construyen de acuerdo con los axiomas y reglas de inferencia de los
sistemas lógicos. En este sentido, la teoría de la demostración se ocupa de la
sintaxis, en contraste con la teoría de modelos, que trata con la semántica. Junto con
la teoría de modelos, la teoría de conjuntos axiomática y la teoría de la recursión, la
teoría de la demostración es uno de los “cuatro pilares” de los fundamentos de las
matemáticas.

AXIOMA:

Es una “verdad evidente” que no requiere demostración.

Ejemplos:

▪ 1+1=2
 ▪ A es hermano de B

▪ C es hijo de A

▪ Entonces podemos decir que B es tío de C, o bien C es sobrino de B

TEOREMA

: Es una afirmación que puede ser demostrada como verdadera dentro de un

marco lógico. Demostrar teoremas es el asunto central en la matemática.

Ejemplo: Si dos rectas paralelas se cortan con una recta secante se cumple la
relación de ángulos siguiente:

1 – Los ángulos alternos/internos son iguales.

2 – Los ángulos alternos/externos son iguales.
3 – Los ángulos correspondientes son iguales.
4 – Los ángulos colaterales internos son suplementarios.
5 – Los ángulos colaterales externos son suplementarios.

COROLARIO: Es una afirmación lógica que sea consecuencia inmediata de un

teorema, pudiendo ser demostrada usando las propiedades del teorema previamente
demostrado.

1.5 El modelo de adquisición del conocimiento según la filosofía.

En el conocimiento se hallan frente a frente la conciencia y el objeto, el sujeto y el

objeto. El conocimiento se presenta como una relación entre estos dos miembros,
que permanecen en ella eternamente separados el uno del otro. El dualismo de
sujeto y objeto permanece a la esencia del conocimiento… la función del objeto
consiste en aprehender el objeto; la del objeto es ser aprehensible y aprehendido por
el sujeto… no en el objeto, sino en el sujeto, cambia algo por obra de la función del
conocimiento… visto desde el objeto, el conocimiento se presenta como una
transferencia de las propiedades del objeto al sujeto

TEORÍA DEL CONOCIMIENTO

Es el intento intelectual de explicar la forma en la que adquirimos el conocimiento del

mundo y los procedimientos por los que es generado ese conocimiento, de tal forma
que pueda ser valorado ya como verdadero o falso.

Conocer
Unos de los grandes temas de la filosofía, es explicar en qué consiste el acto de
conocer, cual es la esencia del conocimiento, cual es la relación cognoscitiva entre el
hombre y las cosas que lo rodean.

La definición más sencilla nos dice que conocer consiste en obtener una información
acerca de un objeto. Conocer es conseguir un dato o una noticia sobre algo.

Elementos del conocimiento

1. En todo conocimiento podemos distinguir cuatro elementos:

2. El sujeto que conoce.

3. El objeto conocido.

4. La operación misma de conocer.

5. El resultado obtenido que es la información recabada acerca del objeto.

LOS TRES NIVELES DEL CONOCIMIENTO

El ser humano puede captar un objeto en tres diferentes niveles, sensible, conceptual
y holístico.

Conocimiento sensible:

Es aquel que se adquiere a través de la captación de un objeto por medio de los

sentidos, que en el caso de los seres humanos los más desarrollados son el oído y la
vista, de este modo, somos capaces de almacenar en nuestra memoria las imágenes
de todos los objetos que observamos a diario, con sus características particulares.

Conocimiento conceptual:

Se trata de aquel que se forma a partir de un conjunto de representaciones definidas

como invisibles, inmateriales, universales y esenciales. La diferencia más
significativa entre el conocimiento sensible y el conceptual radica en que el primero
es un conocimiento particular de cada persona, en el que cada uno ve y define los
conceptos y los objetos con las características propias, mientras que el conceptual
hace referencia a la universalidad de los conceptos y objetos, aquellos que todos
comprendemos de la misma manera, sin añadirle características propias.

Conocimiento holístico:

(También llamado intuitivo, con el riesgo de muchas confusiones, dado que la

palabra intuición se ha utilizado hasta para hablar de premoniciones y corazonadas).
En este nivel tampoco hay colores, dimensiones ni estructuras universales como es el
caso del conocimiento conceptual. Intuir un objeto significa captarlo dentro de un
amplio contexto, como elemento de una totalidad, sin estructuras ni límites definidos
con claridad. La palabra holístico se refiere a esta totalidad percibida en el momento
de la intuición (holos significa totalidad en griego).

La principal diferencia entre el conocimiento holístico y conceptual reside en las

estructuras. El primero carece de estructuras, o por lo menos, tiende a prescindir de
ellas. El concepto, en cambio, es un conocimiento estructurado. Debido a esto, lo
percibido a nivel intuitivo no se puede definir, (definir es delimitar), se capta como un
elemento de una totalidad, se tiene una vivencia de una presencia, pero
sin poder expresarla adecuadamente.

Aquí está también la raíz de la dificultad para dar ejemplos concretos de este
conocimiento. Intuir un valor, por ejemplo, es tener la vivencia o presencia de ese
valor y apreciarlo como tal, pero con una escasa probabilidad de poder expresarla y
comunicarla a los demás.

EL ORIGEN DEL CONOCIMIENTO

A continuación se presentan diversas corrientes filosóficas sobre como el ser
humano obtiene conocimientos.

Racionalismo

Se denomina racionalismo a la doctrina epistemológica que sostiene que la causa

principal del conocimiento reside en el pensamiento, en la razón. Afirma que un
conocimiento solo es realmente tal, cuando posee necesidad lógica y validez
universal. El planteamiento más antiguo del racionalismo aparece con Platón. El
Racionalismo como corriente filosófica apareció en Francia en el siglo XVII, y fue
formulada por René Descartes.

Los rasgos que mejor caracterizan al racionalismo moderno son los siguientes:

1. La tesis de que todos nuestros conocimientos acerca de la

realidad proceden no de los sentidos, sino de la razón, del entendimiento
mismo.

2. El conocimiento puede ser construido deductivamente a partir de unos

primeros principios.

3. Los primeros principios del conocimiento no se pueden extraer de la

experiencia empírica, sino que se encuentran ya en el entendimiento: el
innatismo de las ideas.
 4. Consideración de la deducción y más aún de la intuición intelectual como los
métodos más adecuados para el ejercicio del pensamiento.

5. La consideración de la matemática como ciencia ideal.

6. La apreciación optimista del poder de la razón, ésta no tiene límites y puede

alcanzar a todo lo real.

Empirismo

Para el empirismo la única causa del conocimiento humano es la experiencia. Según

el empirismo, la conciencia cognoscente no obtiene sus conceptos de la razón, sino
exclusivamente de la experiencia.

El empirismo, surge en Inglaterra en el siglo XVII y se extiende durante el siglo XVIII sus
máximos representantes son J. Locke (1632-1704), J. Berkeley (1685-1753) y D. Hume
(1711-1776).

En un sentido bastante general, se denomina empirismo a toda teoría que considere

que la experiencia es el origen del conocimiento, pero no su límite. Esta postura ha
sido mantenida por numerosos filósofos, como por ejemplo, Aristóteles (384-322
a.C.), Epicuro (341-272 a.C.), los estoicos (S.IV a. C. – S.II d.C.), Tomás de Aquino
(1224-1274) y Ockham (1295-1350).

Características del Empirismo

Las características fundamentales del empirismo podrían resumirse en las

siguientes:

1. Subjetivismo del conocimiento.

En este punto, empiristas y racionalistas coinciden al afirmar que, para conocer el
mundo se ha de partir del propio sujeto, no de la realidad en sí. La mente no puede
conocer las cosas más que a partir de las ideas que tiene sobre ellas.

2. La experiencia como única fuente del conocimiento.

El origen del conocimiento es la experiencia, entendiendo por ella la percepción de
los objetos sensibles externos (las cosas) y las operaciones internas de la mente
(emociones, sensaciones, etc.). Así pues, para los empiristas, el único criterio de
verdad es la experiencia sensible.

3. Negación de las ideas innatas de los racionalistas.

Si todo conocimiento ha de provenir de la experiencia esto supone que habrá de ser
adquirido. La mente no posee contenido alguno (ideas innatas), sino que es como
una “tabla rasa”, un receptáculo vacío que debe “llenarse” a partir de la experiencia y
el aprendizaje.

4. El conocimiento humano es limitado: la experiencia es su límite.

Esta postura es radicalmente opuesta a la de los racionalistas, para los que la razón,
utilizando un método adecuado, no tiene límites y podría llegar a conocerlo todo. Los
empiristas restringen la capacidad de la mente humana: la experiencia es su límite, y
más allá de ella no es lícito ir si no queremos caer en el error, atribuyéndole a todo lo
que no ha sido “experimentado” una realidad y existencia objetiva.

5. El método experimental y la ciencia empírica.

El interés por hallar un método adecuado para dirigir el pensamiento fue uno de los
intereses principales tanto del racionalismo como del empirismo. La diferencia entre
ambos estriba en que, si para los racionalistas el modelo ideal de método era
matemático y deductivo, para los empiristas debía ser experimental e inductivo,
similar al que utilizó Newton en el campo de la física, y que tan excelentes resultados
había dado.

1.6 El modelo cognoscitivo.

El Modelo Cognoscitivo

El concepto de cognición (del latín: cognoscere, “conocer”) hace referencia a

la facultad de los seres de procesar información a partir de la percepción, el
conocimiento adquirido (experiencia) y características subjetivas que permiten
valorar y considerar ciertos aspectos en comparación de otros.

El enfoque cognitivo ha insistido sobre cómo los individuos representan el mundo en

que viven y cómo reciben información, actuando de acuerdo con ella. Se considera
que los sujetos son elaboradores o procesadores de la información.

Los procesos cognoscitivos en términos de aprendizaje se dan por niveles de

complejidad ya sea en relación con el desarrollo (edad) o con los niveles de
complejidad en una tarea.

En términos del desarrollo, las teorías de Piaget o de Vigotsky definen una serie de
características según ciclos de vida de los individuos y según la complejidad de las
tareas, los enfoques computacionales representacionales, definen una serie de
procesos y subprocesos subyacentes a la solución de problemas y a la toma de
decisiones.
En relación con la complejidad como se estructura un conocimiento se pueden
definir 4 grandes procesos básicos: conceptualización, interpretación, transferencia,
creatividad.

Proceso Básico del Modelo Cognoscitivo

Conceptualización se refiere a la manera como se define un concepto en relación

con una experiencia asociada o con otro concepto en una proposición o estructura
conceptual.

La interpretación se refiere a la manera como un concepto o conjunto de conceptos

o proposiciones toma significados en relación con un contexto lingüístico o
discursivo o en relación con un fenómeno. Dentro de la interpretación se juegan
procesos cognoscitivos como la deducción, la inferencia, el análisis, la síntesis y
diferentes modalidades de categorización.

La transferencia se refiere a la manera como se aplica un conocimiento a la solución

de problemas surgidos en contextos diferentes a aquellos en donde se dio la
situación de aprendizaje.

La creatividad se refiere a la manera como se reestructura o se proponen estructuras

diferentes a las aprendidas.

Los niveles cognoscitivos del aprendizaje no son totalmente lineales y su recorrido se

puede dar en espiral. Lo cierto es que en términos de organización de las experiencias
educativas definir niveles de aprendizaje permite organizar una educación para el
desarrollo de habilidades cognitivas.

1.7 El modelo del agente inteligente, Sistemas Multi Agentes, Sistemas Ubicuos.

Sistemas computacionales capaces de realizar acciones de manera autónoma en

algún entorno, con el propósito de alcanzar una serie de objetivos que tiene
delegados Un agente inteligente, es una entidad capaz de percibir su entorno,
procesar tales percepciones y responder o actuar en su entorno de manera racional,
es decir, de manera correcta y tendiendo a maximizar un resultado esperado. Es
capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio
utilizando actuadores (elementos que reaccionan a un estímulo realizando una
acción). En este contexto la racionalidad es la característica que posee una elección
de ser correcta, más específicamente, de tender a maximizar un resultado esperado.
Este concepto de racionalidad es más general y por ello más adecuado que
inteligencia (la cual sugiere entendimiento) para describir el comportamiento de los
agentes inteligentes. Por este motivo es mayor el consenso en llamarlos agentes
racionales. Un agente inteligente puede ser una entidad física o virtual. Si bien el
término agente racional se refiere a agentes artificiales en el campo de la Inteligencia
Artificial, también puede considerarse agentes racionales a los animales incluido el
hombre.

Los agentes inteligentes se describen esquemáticamente como un sistema funcional

abstracto. Por esta razón, los agentes inteligentes son a veces llamado Agentes
Inteligentes Abstractos (AIA) para distinguirlos de sus implementaciones 30

del mundo real como sistemas informáticos, los sistemas biológicos, o de

organizaciones. Algunas definiciones de agentes inteligentes hacen énfasis en su
autonomía por lo que prefieren el término agente inteligente autónomo. En Ciencias
de la Computación el término agente inteligente puede ser usado para referirse a un
agente de software que tiene algo de inteligencia, independientemente de si no es un
agente racional por definición de Russell y Norvig. Por ejemplo, programas
autónomos utilizados para asistencia de un operador o de minería de datos (a veces
denominado robots) son también llamados “agentes inteligentes”.

Sistemas multi agentes El dominio del sistema multiagente o de inteligencia artificial

distribuida es una ciencia y una técnica que trata con los sistemas de inteligencia
artificial en red. En cierto modo, un sistema multiagente es un sistema distribuido en
el cual los nodos o elementos son sistemas de inteligencia artificial, o bien un
sistema distribuido donde la conducta combinada de dichos elementos produce un
resultado en conjunto inteligente. Existen como en todo el resto del dominio de la
inteligencia artificial, dos enfoques para construir sistemas multiagentes: 1. El
enfoque formal o clásico, que consiste en dotar los agentes de la mayor inteligencia
posible utilizando descripciones formales del problema que resolver y de hacer
reposar el funcionamiento del sistema en tales capacidades cognitivas. Usualmente
la inteligencia es definida utilizando un sistema formal (por ejemplo, sistemas de
inferencia lógica) para la descripción, raciocinio, inferencia de nuevo conocimiento y
planificación de acciones a realizar en el medio ambiente. 2. El enfoque
constructivista, que persigue la idea de brindarle inteligencia al conjunto de todos los
agentes, para que a través de mecanismos ingeniosamente elaborados de
interacción, el sistema mismo genere comportamiento inteligente que no
necesariamente estaba planeado desde un principio o definido dentro de los agentes
mismos (que pueden ser realmente simples). Este tipo de conducta es habitualmente
llamado comportamiento emergente.
Características

• Los agentes en un sistema multiagente tienen varias características importantes:

• Autonomía: los agentes son al menos parcialmente autónomos

• Visión local: ningún agente tiene una visión global del sistema, o el sistema es
demasiado complejo para un agente para hacer un uso práctico de esos
conocimientos

• Descentralización: no hay un agente de control designado (o el sistema se reduciría

a un sistema monolítico)

• Normalmente la investigación de sistemas multiagente se refiere a agentes de

software. Sin embargo, los agentes en un sistema multiagente también podrían ser
robots,6 seres o equipos humanos.

Sistemas ubicuos La computación ubicua es la integración de la informática en el

entorno de la persona, de forma que los ordenadores no se perciban como objetos
diferenciados. Desde hace unos años también se denomina inteligencia ambiental.
La computación ubicua es un modelo de interacción en el que el procesamiento de
información se integra fuertemente en las actividades y objetos cotidianos. A pesar
de que el término de computación ubicua puede parecer demasiado técnico, el
mismo se basa en un campo que tiene muchas implicaciones para el proceso de
enseñanza-aprendizaje. La computación ubicua y su proceso va aplicado a la
educación, la cual intenta lograr que la tecnología sea "invisible" para el usuario. La
meta está en desarrollar entornos transparentes para que de esa manera todo
usuario pueda beneficiarse sin darse cuenta de que la está usando. Un ejemplo se
basa cuando se usa un teléfono celular y se hace de la manera más natural en donde
el esfuerzo que toma en su uso es muy mínimo. Tipos de sistemas ubicuos Entornos
inteligentes

•Domótica

•Entornos asistenciales

•Entornos industriales 32

•Ocio

•Educación
Según Weiser divide en Dos aspectos fundamentales a los componentes de los
entornos ubicuos.
1. Localización

El elemento de cómputo sabe dónde está ubicado.

2. Escala

Un tamaño para cada tarea: tabs, pads, boards.

1.8 El papel de la heurística.

La palabra heurística procede del término griego εὑρίσκειν, que significa hallar o
inventar.

Como disciplina científica, la heurística es aplicable a cualquier ciencia e incluye la

elaboración de medios auxiliares, principios, reglas, estrategias y programas que
faciliten la búsqueda de vías de solución a problemas es decir resolver tareas de
cualquier tipo para las que no se cuente con un procedimiento algorítmico de
solución.

Según Horst Müller:

Los procedimientos heurísticos son formas de trabajo y de pensamiento que apoyan

la realización consciente de actividades mentales exigentes.

Los procedimientos heurísticos como método científico pueden dividirse en

principios, reglas y estrategias.

1. Principios heurísticos: Constituyen sugerencias para encontrar

(directamente) la idea de solución; posibilita determinar, por tanto, a la vez, los
medios y la vía de solución. Dentro de estos principios se destacan
la analogía y la reducción.

1. Reglas heurísticas: Actúan como impulsos generales dentro del proceso de

búsqueda y ayudan a encontrar, especialmente, los medios para resolver los
problemas.

Las Reglas heurísticas que más se emplean son:

1. Separar lo dado de lo buscado.

2. Confeccionar figuras de análisis: esquemas, tablas, mapas, etc.

3. Representar magnitudes dadas y buscadas con variables.

 4. Determinar si se tienen fórmulas adecuadas.

5. Utilizar números (estructuras más simples) en lugar de datos.

6. Reformular el problema.

1. Estrategias heurísticas: Se comportan como recursos organizativos del

proceso de resolución, que contribuyen especialmente a determinar la vía de
solución del problema abordado. Existen dos estrategias:

1. El trabajo hacia adelante: se parte de lo dado para realizar las reflexiones que
han de conducir a la solución del problema.

2. El trabajo hacia atrás: se examina primeramente lo que se busca y,

apoyándose de los conocimientos que se tienen, se analizan posibles
resultados intermedios de lo que se puede deducir lo buscado, hasta llegar a
los dados.

En computación, dos objetivos fundamentales son encontrar algoritmos con buenos

tiempos de ejecución y buenas soluciones, usualmente las óptimas.

Una heurística es un algoritmo que abandona uno o ambos objetivos; por ejemplo,
normalmente encuentran buenas soluciones, aunque no hay pruebas de que la
solución no pueda ser arbitrariamente errónea en algunos casos; o se ejecuta
razonablemente rápido, aunque no existe tampoco prueba de que siempre será así.
Las heurísticas generalmente son usadas cuando no existe una solución óptima bajo
las restricciones dadas tiempo, espacio, etc.

Heurística en la Inteligencia Artificial

Muchos algoritmos en la inteligencia artificial son heurísticos por naturaleza, o usan

reglas heurísticas. Un ejemplo reciente es SpamAssassin que usa una amplia
variedad de reglas heurísticas para determinar cuándo un correo electrónico es
spam. Cualquiera de las reglas usadas de forma independiente puede llevar a errores
de clasificación, pero cuando se unen múltiples reglas heurísticas, la solución es
más robusta y creíble.

TIPOS DE ALGORITMOS HEURÍSTICOS

En una primera clasificación podemos decir que los algoritmos heurísticos pueden
ser simples o complejos. Los algoritmos simples tienden a tener reglas de
terminación bien definidas, y se detienen en un óptimo local, mientras que los
algoritmos más complejos pueden no tener reglas de terminación estándar, y buscan
soluciones mejores hasta alcanzar un punto de parada arbitrario.

Dentro de los algoritmos heurísticos complejos podemos hacer una segunda

clasificación, esta vez orientada a la funcionalidad de estos.

En primer lugar, podemos encontrarnos con algoritmos que fueron diseñados para
dar solución a problemas de búsqueda de óptimos o clasificación y por otro lado
tenemos los algoritmos que tratan de deducir conocimiento a partir de un conjunto
de axiomas, estos últimos conocidos como sistemas basados en el conocimiento.

1.8.1 Algoritmos de exploración de alternativas.

Los algoritmos de exploración de alternativas son métodos utilizados en inteligencia

artificial para buscar soluciones en espacios de búsqueda complejos y de gran
tamaño. Estos algoritmos se caracterizan por explorar el espacio de búsqueda de
manera no exhaustiva, es decir, no evalúan todas las posibles soluciones, sino que
utilizan estrategias heurísticas o reglas para determinar qué caminos son más
prometedores y enfocarse en ellos.

Son importantes en la resolución de problemas en inteligencia artificial por varias

razones:

Importancia de Algoritmos de Exploración

Eficiencia

Los algoritmos de exploración alternativa permiten buscar soluciones de manera más

eficiente que los métodos de búsqueda exhaustiva, especialmente en espacios de
búsqueda grandes o infinitos.

Escalabilidad

Estos algoritmos son capaces de manejar problemas con un gran número de estados
posibles, lo que los hace adecuados para aplicaciones complejas en la vida real,
como la planificación de rutas en sistemas de navegación o la optimización en
problemas de producción y logística.

Adaptabilidad

Los algoritmos de exploración alternativa pueden adaptarse a diferentes tipos de

problemas y contextos, ya que pueden incorporar heurísticas específicas para guiar
la búsqueda hacia soluciones prometedoras.
Adaptabilidad

Los algoritmos de exploración alternativa pueden adaptarse a diferentes tipos de

problemas y contextos, ya que pueden incorporar heurísticas específicas para guiar
la búsqueda hacia soluciones prometedoras.

Capacidad de encontrar soluciones aproximadas

Aunque no garantizan encontrar la solución óptima, estos algoritmos pueden

proporcionar soluciones aproximadas en un tiempo razonable, lo que los hace útiles
en situaciones donde encontrar la solución óptima es computacionalmente costoso
o imposible.
Diferencia entre Algoritmos de Exploración Alternativa y Búsqueda Exhaustiva:

Algoritmos de exploración alternativa Algoritmos de búsqueda exhaustiva

Objetivo Encontrar una solución "buena" a un Encontrar la solución óptima a un problema,

problema, no necesariamente la óptima. evaluando todas las posibilidades.

Estrategia Exploran un subconjunto del espacio de Exploran todo el espacio de búsqueda de

búsqueda, guiados por heurísticas o forma sistemática.
estrategias de selección.

Ventajas Más eficientes que la búsqueda exhaustiva. Encuentran la solución óptima al problema.
Pueden encontrar soluciones "buenas" en Útiles para problemas con espacios de
tiempos razonables. Útiles para problemas búsqueda pequeños.
con grandes espacios de búsqueda.

Desventajas No garantizan encontrar la solución óptima. Pueden ser computacionalmente costosos o

La calidad de la solución depende de la incluso inviables para grandes espacios de
heurística o estrategia utilizada. búsqueda. No siempre es necesario encontrar
la solución óptima.
 Algoritmos de exploración alternativa Algoritmos de búsqueda exhaustiva

Analogía Exploración alternativa: Buscar un tesoro en Búsqueda exhaustiva: Buscar un tesoro en

una isla grande usando un mapa y pistas. una isla pequeña excavando cada centímetro
de tierra.

Algoritmos Básicos de Exploración:

• Búsqueda en profundidad: Encontrar el camino más corto entre dos ciudades en un mapa.Este tema se profundizará
en el subtema 3.3.1.

• Búsqueda en amplitud o anchura: Encontrar una solución a un problema de ajedrez, este tema se profundizará en el
subtema 3.3.2

• Algoritmo A*: Encontrar la ruta más rápida entre dos ciudades en un mapa con tráfico.

Ejemplos concretos de aplicaciones de algoritmos de exploración alternativa en la vida real y en inteligencia artificial:

• La planificación de rutas en sistemas de navegación.

• La resolución de problemas en juegos de estrategia, aprendizaje automático.

• La optimización en problemas de producción y logística, finanzas entre otros.

1.8.2 Algoritmo A*.

La imagen 1.1 El problema del viajero, también conocido como el problema del
viajante de comercio, plantea el desafío de encontrar la ruta más eficiente para que
un viajero visite todas las ciudades en un mapa, regresando al punto de partida,
minimizando el costo total del viaje. Por ejemplo, comenzando en Atlanta, el viajero
debe planificar su ruta para visitar ciudades como Boston, Chicago, Denver y así
sucesivamente, considerando los costos asociados a cada movimiento entre
ciudades.

Este problema ilustra la importancia de contar con algoritmos eficientes para su

resolución. Aquí es donde entra en juego el algoritmo A*, una poderosa herramienta
en el campo de la inteligencia artificial. El algoritmo A* se define como un método de
búsqueda heurística diseñado para encontrar la ruta más corta entre dos puntos en
un espacio de búsqueda. Lo que lo hace particularmente efectivo es su capacidad
para combinar la búsqueda en anchura con una función de evaluación heurística. Es
una herramienta poderosa que se aplica en diversos campos como la robótica, la
inteligencia artificial, la planificación de rutas y los videojuegos.

En términos simples, el algoritmo A* utiliza información heurística para estimar qué

tan prometedores son los nodos en el espacio de búsqueda, lo que le permite
priorizar la exploración de aquellos que tienen más probabilidades de conducir a la
solución óptima. Esta combinación de búsqueda exhaustiva y heurística lo convierte
en una herramienta poderosa para resolver problemas como el del viajero de
comercio de manera eficiente y efectiva.
Funcionamiento

A* funciona evaluando dos valores para cada nodo del espacio de búsqueda:

• g(n): La distancia real recorrida desde el nodo inicial hasta el nodo actual.

• h(n): La distancia estimada desde el nodo actual hasta el nodo final. Esta
distancia se calcula utilizando una función heurística.

El algoritmo A* elige el siguiente nodo a explorar en función de la función de

evaluación.

f(n) = g(n) + h(n).

El nodo con la menor puntuación f(n) es el que tiene mayor probabilidad de estar en
el camino más corto.

ALGORITMO A*

1. Empezaremos definiendo las ENTRADAS:

• Inicio: nodo inicial

• Meta: nodo final

• Función Sucesores: Función que devuelve los sucesores/vecinos de un nodo.

• Función Heurística: Función que calcula la distancia estimada entre un nodo y

el objetivo.

2. Corroboramos las Salidas:

Plan: Secuencia de nodos que muestran el camino más corto desde el nodo inicial al
nodo final.

1. Inicializar:

• Cola de prioridad: Conjunto que guarda los nodos que aún no se han
explorado.

• Explorados: Conjunto que guarda los nodos que ya se han explorado.

2. Agregar el nodo inicial a la cola.

3. Mientras Cola no este vació.

• a) Encontrar el nodo con la menor puntuación f(n) en la cola y extraerlo.

• b) el nodo actual es el nodo final, se regresa el camino que llevó a este nodo.
 • c) Mover el nodo actual a Explorados

• d) Para cada sucesor del nodo actual:

Si el sucesor no está en explorados:

• a) Calcular el costo g(n) del sucesor.

• d) Si el sucesor no está en la cola o el nuevo costo g(n) es menor:

• A) Actualizar el costo g(n) del sucesor

• B) Calcular f(n) del sucesor:

• f(n) = g(n) + h(n).

• C) Actualizar el padre del vecino.

4. No se ha encontrado el camino.

5. Fin.

1.8.3 Algoritmos de búsqueda local.

Algoritmos de búsqueda local son estrategias de optimización que buscan mejorar

una solución dada en un espacio de búsqueda, sin necesidad de explorar todos los
caminos posibles. Estos algoritmos son eficientes y ahorrativos en términos de
memoria y tiempo, pero pueden quedar atrapados en óptimos locales. Este tipo de
algoritmo se caracteriza por operar iterativamente, realizando pequeños cambios en
la solución actual para mejorarla gradualmente.

En lugar de explorar todo el espacio de búsqueda de posibles soluciones, como lo

hacen algunos algoritmos de búsqueda exhaustiva, los algoritmos de búsqueda local
comienzan con una solución inicial y luego exploran su vecindad inmediata para
encontrar una solución mejor. Este proceso se repite hasta que ya no se pueda
mejorar la solución actual, momento en el que se considera que el algoritmo ha
convergido a una solución aceptable. Los algoritmos de búsqueda local son
particularmente útiles cuando el espacio de búsqueda es grande y la solución óptima
no es conocida o no es práctico buscarla exhaustivamente.

A continuación, se presentan los principales aspectos de los algoritmos de búsqueda

local:

Funcionamiento
Los algoritmos de búsqueda local se centran en mejorar la solución actual,
explorando el entorno inmediato de la solución actual. Esto contrasta con los
algoritmos de búsqueda informada, que exploran el espacio de búsqueda de manera
sistemática.

Paisaje de Estados

Es el conjunto de soluciones posibles en un problema de búsqueda local. Este

concepto ayuda a comprender mejor la búsqueda local.

Entorno

Es el conjunto de soluciones vecinas a la solución actual. Los algoritmos de

búsqueda local exploran el entorno de la solución actual para encontrar soluciones
mejoradas.

Algoritmos básicos

Algunos algoritmos básicos de búsqueda local incluyen el algoritmo de búsqueda

local del mejor y el algoritmo de búsqueda local del primer mejor.

Limitaciones

Los algoritmos de búsqueda local pueden quedar atrapados en óptimos locales, lo

que significa que pueden encontrar soluciones localmente óptimas, pero no
necesariamente la solución global óptima.

Tipos de Algoritmos de Búsqueda Local:

Búsqueda por Mejor Mejora

Pseudocódigo:

Función BúsquedaPorMejorMejora(inicio):

solución_actual = inicio

mientras haya mejora en la solución actual:

mejor_vecino = NULL

mejor_valor = valor(solución_actual)

para cada vecino en vecindad(solución_actual):

si valor(vecino) > mejor_valor:

mejor_vecino = vecino
 mejor_valor = valor(vecino)

si mejor_vecino != NULL:

solución_actual = mejor_vecino

devolver solución_actual

Búsqueda por Primer Mejora

Pseudocódigo:

Función BúsquedaPorPrimerMejora(inicio):

solución_actual = inicio

mientras haya mejora en la solución actual:

mejor_vecino = NULL

para cada vecino en vecindad(solución_actual):

si valor(vecino) > valor(solución_actual):

mejor_vecino = vecino

romper

si mejor_vecino != NULL:

solución_actual = mejor_vecino

devolver solución_actual

Búsqueda Tabú

Pseudocódigo:

Función BúsquedaTabú(inicio):

solución_actual = inicio

solución_mejor = inicio

tabú_lista = lista vacía

mientras criterio_de_parada_no_alcanzado:

mejores_vecinos = generar_vecinos_no_tabú(solución_actual, tabú_lista)

mejor_vecino = seleccionar_mejor_vecino(mejores_vecinos)
 si valor(mejor_vecino) > valor(solución_mejor):

solución_mejor = mejor_vecino

tabú_lista = actualizar_tabú(tabú_lista)

solución_actual = mejor_vecino

devolver solución_mejor

Simulación Recocida

Pseudocódigo:

Función RecocidoSimulado(inicio, temperatura_inicial, factor_enfriamiento,

iteraciones_por_temperatura):

solución_actual = inicio

temperatura_actual = temperatura_inicial

mientras temperatura_actual > 0:

para i en rango(iteraciones_por_temperatura):

nuevo_estado = generar_estado_aleatorio(solución_actual)

delta = valor(nuevo_estado) – valor(solución_actual)

si delta > 0 o probabilidad(e^(-delta / temperatura_actual)) > aleatorio():

solución_actual = nuevo_estado

temperatura_actual = temperatura_actual * factor_enfriamiento

devolver solución_actual

Aplicaciones de los Algoritmos de Búsqueda Local:

• Planificación de rutas.

• Asignación de recursos.

• Optimización de diseño.

• Resolución de problemas de satisfacción de restricciones.

BIBLIOGRAFÍA

1.8.2 Algoritmo A* – Sistemas e Informatica. (n.d.).

https://sistemasinformatica.istmo.tecnm.mx/cursos/inteligencia-artificial/1-

introduccion-a-la-inteligencia-artificial/1-8-2-algoritmo-a/

Llata JR, Sarabia EG, Fernández D, Arce J, Oria J. 2008? Aplicaciones de la inteligencia

artificial en sistemas automatizados de producción. Revista Iberoamericana de

Inteligencia Artificial 2000. Disponible en: http://redalyc.uaemex.mx

García. E. 2009. Vida e inteligencia artificial. Revista ACIMED. V 19 n. (En Línea).

Consultado el 8 de Octubre 2014. Disponible

en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1024-

94352009000100006&lang=pt

Russell, S., Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. Segunda

Edición. Pearson Education. España.