Instituto Tecnológico Superior De Tierra blanca

“Investigación Final.”

Alumnos:
Ingrid Vianney Vásquez Simor
Luz Ofelia Lara Guzmán
Yair Hernández López
Víctor Josué Wong Rojas

Docente:
Mtra. María del Rosario Moreno Fernández

Materia:
Inteligencia Artificial

Carrera:
Ingeniería en sistemas computacionales

Fecha de entrega:
24/02/2025
 Índice
Introducción...................................................................................................................................1
1.7 El modelo del agente inteligente, Sistemas Multi Agentes, Sistemas Ubicuos......2
Agente Inteligente.....................................................................................................................2
Agentes Reactivos Simples, Objetivo y Etapas de Desarrollo.......................................2
Sistemas Multiagentes.............................................................................................................3
Sistemas Ubicuos.....................................................................................................................3
1.8 El papel de la heurística........................................................................................................5
Definición de Heurística..........................................................................................................5
Principios y Reglas Heurísticas.............................................................................................5
Importancia de la Heurística en IA........................................................................................5
1.8.1 Algoritmos de exploración de alternativas...................................................................6
Definición de Algoritmos de Exploración de Alternativas...............................................6
Importancia de los Algoritmos de Exploración de Alternativas....................................6
Diferencia entre Algoritmos de Exploración de Alternativas y Búsqueda
Exhaustiva..................................................................................................................................6
1.8.2 Algoritmo A*..........................................................................................................................8
Complejidad en Memoria.........................................................................................................8
Aplicaciones del Algoritmo A**..............................................................................................8
Ejemplo de Aplicación en un Juego.....................................................................................8
1.8.3 Algoritmos de búsqueda local.........................................................................................9
Definición de Algoritmos de Búsqueda Local....................................................................9
Características de los Algoritmos de Búsqueda Local....................................................9
Ejemplo de Aplicación en un Juego.....................................................................................9
Conclusión....................................................................................................................................10
REFERENCIA BIBLIOGRÁFICA...............................................................................................11
 Índice de figuras

Figura 1. Agente inteligente...............................................................................................................2

Figura [Link] de un modelo de sistema multiagente..................................................................3
Figura [Link] del modelo ubicuo...........................................................................................4
Figura 4. Empleo de las funciones heurísticas....................................................................................7
Figura [Link] de Búsqueda para determinar las combinaciones radiales del sistema...............9
Figura 6. Función de coste...............................................................................................................10
Figura 7. ejemplo de algoritmo A*...................................................................................................11
Figura 8. Búsqueda local...................................................................................................................12
Introducción
En el ámbito de la inteligencia artificial (IA), los agentes inteligentes, los sistemas
multi agentes (SMA) y los sistemas ubicuos representan pilares fundamentales
para el desarrollo de tecnologías avanzadas. Estos conceptos permiten la creación
de entornos interactivos, autónomos y adaptativos, capaces de resolver problemas
complejos. Además, la heurística y los algoritmos de búsqueda, como el A* y los
algoritmos de búsqueda local, desempeñan un papel crucial en la optimización de
soluciones. Esta investigación explora las definiciones, características, objetivos y
aplicaciones prácticas de estos temas, destacando su relevancia en la IA
moderna.

1
1.7 El modelo del agente inteligente, Sistemas Multi Agentes, Sistemas
Ubicuos.
Agente Inteligente
Un agente inteligente es una entidad que percibe su entorno a través de sensores
y actúa sobre él mediante actuadores para cumplir sus objetivos. Estos agentes
pueden ser físicos, como robots autónomos, o virtuales, como asistentes de voz.

Figura 1. Agente inteligente

Agentes Reactivos Simples, Objetivo y Etapas de Desarrollo

Los agentes reactivos simples responden directamente a estímulos del entorno sin
mantener un estado interno. Su principal objetivo es proporcionar respuestas
inmediatas a condiciones específicas mediante reglas predefinidas de la forma si
sucede X, entonces hacer Y.
Las etapas de desarrollo de un agente reactivo incluyen:
1. Percepción del entorno mediante sensores.
2. Definición de reglas de respuesta a estímulos específicos.
3. Implementación del agente con un sistema de control basado en reglas.
4. Evaluación y ajuste en diferentes escenarios.
Características de los Agentes Inteligentes

2
Los agentes inteligentes se caracterizan por:
 Autonomía: Operan sin intervención externa.
 Reactividad: Responden a estímulos del entorno.
 Proactividad: Pueden actuar para alcanzar metas específicas.
 Adaptabilidad: Aprenden y se ajustan a nuevas situaciones.
 Capacidad de comunicación: Pueden interactuar con otros agentes o
sistemas.
Ejemplos de Casos Prácticos
 Asistentes virtuales como Siri o Alexa, que procesan lenguaje natural y
responden a comandos del usuario.
 Robots industriales que ajustan su comportamiento según la producción.
 Vehículos autónomos, que interpretan su entorno y toman decisiones de
conducción en tiempo real.

Sistemas Multi Agentes

Un sistema Multi Agente (SMA) es un conjunto de agentes inteligentes que
interactúan entre sí para resolver problemas complejos de manera distribuida
(Ferber, 1999). Su objetivo principal es coordinar y cooperar para lograr tareas que
un solo agente no podría realizar eficientemente.

Figura [Link] de un modelo de sistema multi agente

Las etapas de desarrollo de un SMA incluyen:

1. Especificación del problema que requiere una solución distribuida.
3
 2. Diseño de los agentes, definiendo sus capacidades y roles.
3. Definición de protocolos de comunicación para la interacción entre
agentes.
4. Implementación del sistema en un entorno adecuado.
5. Evaluación del desempeño en diferentes escenarios.
Características de los Sistemas Multi Agentes
 Descentralización: No hay un control central, cada agente opera de
manera autónoma.
 Interacción: Los agentes cooperan o compiten para alcanzar objetivos.
 Escalabilidad: El sistema puede adaptarse al crecimiento en número de
agentes.
 Robustez: Mayor tolerancia a fallos, ya que el sistema no depende de un
único agente.
Ejemplos de Casos Prácticos
 Gestión del tráfico urbano: Agentes que regulan semáforos y optimizan el
flujo vehicular.
 E-commerce y subastas electrónicas: Agentes que negocian precios y
productos en plataformas de comercio digital.
 Simulaciones sociales: Modelos de comportamiento en grupos humanos,
utilizados en economía y sociología.
Sistemas Ubicuos
Los sistemas ubicuos se basan en la computación previsiva, donde la tecnología
está integrada en el entorno de manera transparente para el usuario. Su objetivo
es permitir el acceso a la información y a los servicios en cualquier momento y
lugar, minimizando la intervención del usuario.

4
Figura [Link] del modelo ubicuo.

Las etapas de desarrollo de un sistema ubicuo incluyen:

1. Identificación del contexto, considerando los factores ambientales y de
usuario.
2. Diseño de la infraestructura tecnológica, como sensores y dispositivos
inteligentes.
3. Implementación de servicios adaptativos, que responden dinámicamente
a las necesidades del usuario.
4. Evaluación y optimización, garantizando la eficiencia del sistema.
Características de los Sistemas Ubicuos
 Omnipresencia: Integración de la computación en la vida cotidiana.
 Transparencia: Los usuarios interactúan de manera natural sin ser
conscientes de la tecnología subyacente.
 Adaptabilidad: Los sistemas responden automáticamente al contexto del
usuario.
 Conectividad continua: Comunicación entre dispositivos sin interrupciones
(Satyanarayanan, 2001).
Ejemplos de Casos Prácticos
 Hogares inteligentes: Sistemas que controlan iluminación, climatización y
seguridad de manera autónoma.
 Salud digital: Monitoreo de pacientes con sensores portátiles que envían
datos en tiempo real a los médicos.
 Ciudades inteligentes: Infraestructura conectada que optimiza servicios
urbanos, como el transporte y la gestión energética.

5
1.8 El papel de la heurística.
Definición de Heurística
En el contexto de la IA, una heurística es una función que estima el costo o la
distancia desde un estado actual hasta el objetivo deseado. Estas funciones guían
los algoritmos de búsqueda, ayudando a identificar las soluciones más
prometedoras y, por ende, optimizando el proceso de resolución de problemas.
Principios y Reglas Heurísticas
Las heurísticas se basan en principios generales que actúan como atajos
mentales para la toma de decisiones. En el diseño de interfaces de usuario, por
ejemplo, Jakob Nielsen propuso diez reglas heurísticas fundamentales:
1. Visibilidad del estado del sistema: Mantener informado al usuario sobre
lo que está sucediendo.
2. Relación entre el sistema y el mundo real: Utilizar un lenguaje familiar al
usuario.
3. Control y libertad del usuario: Permitir deshacer y rehacer acciones.
4. Consistencia y estándares: Seguir convenciones y estándares
establecidos.
5. Prevención de errores: Diseñar para evitar errores antes de que ocurran.
6. Reconocimiento en lugar de recuerdo: Hacer visibles las opciones y
acciones.
7. Flexibilidad y eficiencia de uso: Ofrecer aceleradores para usuarios
expertos.
8. Estética y diseño minimalista: Evitar información irrelevante.
9. Ayudar a los usuarios a reconocer, diagnosticar y recuperarse de
errores: Proporcionar mensajes de error claros y constructivos.
10. Ayuda y documentación: Ofrecer asistencia accesible y específica.
Estas reglas sirven como guía para diseñar sistemas que sean intuitivos y fáciles
de usar.
Importancia de la Heurística en IA
La aplicación de heurísticas en IA es esencial para abordar problemas complejos
de manera eficiente. Por ejemplo, en algoritmos de búsqueda como A*, la
heurística ayuda a estimar el costo de alcanzar el objetivo desde un estado dado,

6
permitiendo al algoritmo priorizar los caminos más prometedores y, por ende,
reducir el tiempo de búsqueda.
Además, las heurísticas permiten que los sistemas de IA operen en entornos con
información incompleta o incierta, tomando decisiones basadas en estimaciones
razonables en lugar de requerir datos completos. Esto es particularmente útil en
aplicaciones como la navegación autónoma, donde los sistemas deben tomar
decisiones rápidas y precisas en función de una variedad de factores, como las
condiciones del tráfico y las condiciones climáticas.

Figura 4. Empleo de las funciones heurísticas

1.8.1 Algoritmos de exploración de alternativas.

Definición de Algoritmos de Exploración de Alternativas
Los algoritmos de exploración de alternativas son técnicas que buscan soluciones
en espacios de búsqueda grandes o complejos sin evaluar todas las posibles

7
combinaciones. Utilizan estrategias heurísticas o reglas para identificar y
enfocarse en las áreas más prometedoras del espacio de soluciones. Esto permite
encontrar soluciones satisfactorias en un tiempo razonable, especialmente en
problemas donde la búsqueda exhaustiva sería computacionalmente inviable.
Importancia de los Algoritmos de Exploración de Alternativas
La relevancia de estos algoritmos radica en su capacidad para manejar problemas
con espacios de búsqueda extensos. Al no requerir la evaluación de todas las
posibles soluciones, se reducen significativamente los costos computacionales.
Además, son adaptables a diferentes tipos de problemas y contextos, ya que
pueden incorporar heurísticas específicas para guiar la búsqueda hacia soluciones
prometedoras. Aunque no garantizan encontrar la solución óptima, pueden
proporcionar soluciones aproximadas en un tiempo razonable, lo que los hace
útiles en situaciones donde encontrar la solución óptima es computacionalmente
costoso o incluso imposible.
Diferencia entre Algoritmos de Exploración de Alternativas y Búsqueda
Exhaustiva
Los algoritmos de exploración de alternativas y la búsqueda exhaustiva son dos
enfoques fundamentales en la resolución de problemas dentro de la Inteligencia
Artificial (IA). A continuación, se van a detallar sus diferencias clave:
1. Objetivo y Cobertura del Espacio de Búsqueda:
o Búsqueda Exhaustiva: Busca evaluar todas las posibles soluciones
en el espacio de búsqueda para garantizar encontrar la solución
óptima. Este enfoque es adecuado cuando el espacio de soluciones
es pequeño o cuando es esencial encontrar la mejor solución
posible.
o Algoritmos de Exploración de Alternativas: Se enfocan en
encontrar una solución "buena" o satisfactoria sin necesidad de
evaluar todas las posibilidades. Utilizan heurísticas o estrategias de
selección para explorar un subconjunto del espacio de búsqueda, lo
que permite obtener resultados en tiempos más razonables.
2. Estrategia de Búsqueda:
o Búsqueda Exhaustiva: Emplea métodos sistemáticos como la
búsqueda en profundidad o en amplitud, donde cada nodo se
expande completamente antes de pasar al siguiente. Esto garantiza
que todas las posibles soluciones sean consideradas.

8
 o Algoritmos de Exploración de Alternativas: Adoptan estrategias
como la búsqueda en anchura limitada, búsqueda en profundidad
limitada o algoritmos de búsqueda local, que exploran el espacio de
búsqueda de manera más dirigida y eficiente.
3. Eficiencia Computacional:
o Búsqueda Exhaustiva: Puede ser computacionalmente costosa,
especialmente en problemas con espacios de búsqueda grandes, ya
que requiere evaluar todas las combinaciones posibles.
o Algoritmos de Exploración de Alternativas: Son más eficientes en
términos de tiempo y recursos, ya que no necesitan evaluar todas las
posibles soluciones. Sin embargo, la calidad de la solución puede
depender de la heurística o estrategia utilizada.
4. Garantía de Óptimo:
o Búsqueda Exhaustiva: Garantiza encontrar la solución óptima, ya
que evalúa todas las posibilidades.
o Algoritmos de Exploración de Alternativas: No siempre garantizan
encontrar la solución óptima, pero pueden proporcionar soluciones
satisfactorias en un tiempo razonable.
5. Aplicabilidad:
o Búsqueda Exhaustiva: Es adecuada para problemas con espacios
de búsqueda pequeños o cuando es esencial encontrar la mejor
solución posible.
o Algoritmos de Exploración de Alternativas: Son ideales para
problemas con espacios de búsqueda grandes o complejos, donde
una búsqueda exhaustiva sería inviable.

9
Figura [Link] de Búsqueda para determinar las combinaciones radiales del sistema

1.8.2 Algoritmo A*.

Definición del Algoritmo A**
El algoritmo A* es un algoritmo de búsqueda informada que utiliza una función de
evaluación para determinar el orden en que se exploran los nodos. Esta función se
define como:
f (n)=g(n)+ h(n)

donde:
 f(n): coste total estimado del camino más corto desde el nodo inicial hasta
el objetivo pasando por el nodo nn.
 g(n): coste real desde el nodo inicial hasta el nodo nn.
 h(n): estimación heurística del coste desde el nodo nn hasta el objetivo.
La función heurística h(n) debe ser admisible, es decir, nunca debe sobrestimar el
coste real de alcanzar el objetivo desde n. Si h(n) es también consistente (o
monótona), el algoritmo A* garantiza encontrar el camino óptimo.

Figura 6. Función de coste

10
Complejidad en Memoria
La complejidad en memoria del algoritmo A* es uno de sus principales desafíos.
Dado que mantiene en memoria todos los nodos generados hasta el momento, el
espacio requerido puede crecer exponencialmente con el tamaño del problema.
Esto puede hacer que A* sea menos eficiente en términos de memoria en
comparación con otros algoritmos de búsqueda.
Aplicaciones del Algoritmo A**
El algoritmo A* se aplica en diversas áreas, incluyendo:
 Videojuegos: Se utiliza para la navegación de personajes no jugadores
(NPC) y la planificación de rutas en entornos complejos.
 Robótica: Permite a los robots planificar trayectorias eficientes evitando
obstáculos.
 Sistemas de navegación: Se emplea en aplicaciones de GPS para
calcular rutas óptimas entre dos puntos.
Ejemplo de Aplicación en un Juego
Consideremos un juego de laberinto donde un personaje debe encontrar la salida
desde un punto de inicio. El algoritmo A* puede utilizarse para determinar la
secuencia de movimientos que minimiza la distancia recorrida, evitando
obstáculos y seleccionando el camino más corto disponible. La función heurística
h(n)h(n) podría ser la distancia Manhattan desde el nodo actual hasta la salida, y
g(n)g(n) sería el número de pasos dados desde el inicio. Al combinar estas dos
funciones, A* evalúa y selecciona los movimientos más prometedores, guiando al
personaje de manera eficiente hacia la salida.

11
Figura 7. ejemplo de algoritmo A*

1.8.3 Algoritmos de búsqueda local.

Definición de Algoritmos de Búsqueda Local
Los algoritmos de búsqueda local son métodos de optimización que parten de una
solución inicial y la mejoran iterativamente al evaluar sus soluciones vecinas. El
proceso continúa hasta que se alcanza un criterio de parada, como la mejora de la
solución o la satisfacción de una condición específica. Estos algoritmos son
particularmente efectivos en problemas donde la evaluación de todas las posibles
soluciones es computacionalmente costosa.

Las búsquedas locales se utilizan en problemas donde ya se ha encontrado la

solución anteriormente, pero se busca optimizar el camino, como se muestra en el
gráfico el objetivo de una búsqueda local es minimizar o maximizar el costo de la
solución en base a la función objetivo:

12
Figura 8. Búsqueda local

Características de los Algoritmos de Búsqueda Local

Las principales características de los algoritmos de búsqueda local incluyen:
 Enfoque Local: Se centran en la mejora de una solución específica sin
considerar el espacio de soluciones completo.
 Iteración: Operan mediante ciclos repetitivos, evaluando y seleccionando
soluciones vecinas en cada paso.
 Criterio de Parada: El proceso finaliza cuando se cumple una condición
predefinida, como la mejora de la solución o la satisfacción de un umbral de
calidad.
 Eficiencia Computacional: Son generalmente más rápidos que los
métodos de búsqueda global, ya que requieren menos recursos
computacionales.
 Riesgo de Óptimos Locales: Pueden quedar atrapados en soluciones
subóptimas si no se implementan estrategias para escapar de estos puntos.
Ejemplo de Aplicación en un Juego
Consideremos un juego de estrategia en tiempo real donde un personaje debe
encontrar la ruta más corta para llegar a un objetivo evitando obstáculos. Un
algoritmo de búsqueda local, como la búsqueda en profundidad limitada, puede
ser utilizado para explorar las posibles rutas desde la posición actual del
personaje. Este algoritmo evaluaría las rutas vecinas y seleccionaría la que ofrece

13
la mejor mejora en términos de distancia o tiempo, repitiendo el proceso hasta
alcanzar el objetivo o encontrar una ruta satisfactoria. Este enfoque permite una
toma de decisiones rápida y eficiente en entornos dinámicos y complejos.

14
Conclusión
La Inteligencia Artificial se nutre de diversos paradigmas y herramientas para la
creación de sistemas inteligentes. Los agentes inteligentes, en sus diferentes
formas y organizaciones (SMAs y sistemas ubicuos), constituyen bloques
fundamentales para construir sistemas autónomos, adaptables y capaces de
interactuar con el mundo real. La heurística y los algoritmos de búsqueda, con sus
diversas variantes y estrategias, proveen los mecanismos necesarios para que
estos agentes puedan resolver problemas complejos, tomar decisiones informadas
y optimizar su rendimiento en entornos inciertos y dinámicos.
Desde los algoritmos clásicos como A* hasta las técnicas de búsqueda local, la IA
ofrece un amplio abanico de herramientas para abordar la complejidad inherente a
los problemas del mundo real. La elección de la técnica o el modelo más
adecuado dependerá de las características específicas del problema a resolver,
las restricciones computacionales y los objetivos de rendimiento deseados. El
continuo avance en estas áreas promete un futuro donde la IA desempeñe un rol
cada vez más relevante en la solución de los desafíos que enfrenta la humanidad.

15
REFERENCIA BIBLIOGRÁFICA

Wikipedia contributors. (2025). Algoritmo de búsqueda A. Wikipedia.

[Link]
Wikipedia contributors. (2025). Heurística. Wikipedia.
[Link]
Sistemas Informáticos del Tecnológico Nacional de México. (s.f.). 1.8.3 Algoritmos
de Búsqueda Local. Recuperado de
[Link]
introduccion-a-la-inteligencia-artificial/1-8-el-papel-de-la-heuristica/1-8-3-
algoritmos-de-busqueda-local/
Russell, S. J., & Norvig, P. (2021). Inteligencia artificial: Un enfoque moderno (3ª
ed.). Pearson Educación.
Sistemas Informáticos del Tecnológico Nacional de México. (s.f.). 1.8.1 Algoritmos
de Exploración de Alternativas. Recuperado de
[Link]
introduccion-a-la-inteligencia-artificial/1-8-el-papel-de-la-heuristica/1-8-1-
algoritmos-de-exploracion-de-alternativas/
Nielsen, J. (1994). 10 Reglas Heurísticas de Nielsen y su aplicación en Diseño.
Universidad Internacional de La Rioja. [Link]
unir/heuristicas-de-nielsen/
Universidad de Granada. (2012). Tema 2. Algoritmos de Búsqueda Local Básicos.
Recuperado de
[Link]
Algoritmica/[Link]
Fernández, M. O. (2006). Algoritmos de búsqueda heurística en tiempo real.
Aplicación a la navegación en los juegos de vídeo. Recuperado de
[Link]
df
DataCamp. (2024). El Algoritmo A: Guía completa. Recuperado de
[Link]

16