INTELIGENCIA
ARTIFICIAL
Agentes
Agente inteligente
• Un agente es un dispositivo que responde a estímulos procedentes de su
entorno, por ejemplo un robot, vehículo autónomo, personaje de un videojuego o
un proceso que se comunica con otro.
• Disponen de sensores (micrófono, cámara, sensor de proximidad, dispositivos de
muestreo de aire y suelo, etc.) que les permiten recibir datos de su entorno;
además tienen actuadores (piernas, alas, pinzas, sintetizadores de voz, etc.) con
los que pueden ejercer una influencia sobre ese entorno.
• Investigación en IA: Construcción de agentes que se comporten de manera
inteligente, es decir, las acciones de los actuadores del agente deben construir
respuestas racionales a los datos recibidos a través de sus sensores.
Agente inteligente (2)
• Para producir respuestas racionales a los estímulos, un
agente debe “comprender” los estímulos recibidos a
través de sus sensores, es decir, el agente tiene que ser
capaz de extraer información de los datos que sus
sensores generan, en otras palabras, el agente debe ser
capaz de percibir.
• Como ejemplos podemos citar los intentos de comprender
el lenguaje natural y el análisis de las imágenes áreas
de investigación de gran importancia
Agente
Ejemplo de agente:
inteligente (3)
• Diseño de un agente para resolver el puzzle de los 8
cuadrados.
• El agente adoptará la forma de una caja equipada con
una pinza, una cámara de video y un dedo con un
extremo recubierto de goma.
Esta máquina exhibe 2 de los atributos de los agentes:
• Debe ser capaz de percibir para extraer el estado actual
del puzzle de la imagen recibida a través de la cámara.
• Debe desarrollar e implementar un plan (búsqueda)
para conseguir el objetivo.
1. Estrategias de búsqueda:
a. Búsqueda no informada (exhaustiva): independiente del problema.
• Búsqueda en anchura (amplitud)
• Búsqueda en profundidad
No inteligente. Ningún conocimiento relativo. En el peor de los casos recorre todo el árbol para
encontrar el objetivo. Fáciles de implementar.
b. Búsqueda informada (heurística): usa información específica del problema (heurístico
distancia de Manhattan).
• Búsqueda primero el mejor: se selecciona el nodo que se estima mejor candidato.
• Búsqueda 𝐴∗: se selecciona el nodo que se estima más cerca de una solución óptima.
• Bellman- Ford;
• Algoritmo de Dijkstra
Búsqueda no informada
Búsqueda en amplitud - Breadth first Search (BFS)
• FIFO (First in Firts out)
• La policía para encontrar un
criminal
• Recorrido por niveles:
• Primero visita la raíz
• Seguido a todos los hijos
• Por cada hijo a los hijos de este y así
sucesivamente
Ejercicio
FIFO (First in Firts out)
Búsqueda no informada (exhaustiva):
Búsqueda en profundidad (DFS)
• Se implementan en laberintos.- se busca
avanzar rápidamente y si hay bloque se
retorna a la última posición de
intersección para continuar.
• LIFO (last in ; first out)
• Recorrido:
• Visita la raíz
• Y luego desciende, visita el nodo
• y así sucesivamente hasta llegar al objetivo.
Búsqueda en profundidad -
LIFO
Búsqueda heurística
• Usa un método para controlar o guiar la búsqueda
• Donde las utilizamos:
• Para ordenar la búsqueda, ver primero los nodos más prometedores
• Para controlar el ancho de la búsqueda (es decir probar más la profundidad que
lo ancho)
• Tipos de búsqueda Heurística
• Primero el mejor
• A*
• Minimax
• Alfa beta
• Bellman Ford
• Manhattan
• Bactracking, Voraz, otras
Primero el mejor
• Combina las ventajas de los métodos
de búsqueda exhaustiva en
profundidad y en amplitud.
• Sigue un sendero a la vez pero
puede cambiar a otro.
• Es muy utilizado en juegos en la
búsqueda de caminos.
• Función:
• Necesita dos listas de nodo
• Lista
Primero y mejor
A*
• No desarrolla un camino, sino varios caminos posibles
• Combina las búsquedas avara, y el método de coste
uniforme. Es decir encuentra una solución siempre y
cuando exista.
• Encuentra la solución optima, siempre y cuando se
cumplan ciertos parámetros o condiciones
predeterminadas.
A*
Búsqueda heurística
• Para el problema del Puzzle, el heurístico más eficaz es la
distancia de Manhattan
• Resuelve con el menor consumo de memoria al utilizar
menos nodos.
• La diferencia de “inteligencia” entre los algoritmos
mencionados: tanto el de anchura como el de profundidad
recorren todas las posibles expansiones hasta dar con el
estado final o resultado. Sin embargo, el algoritmo que
aplica heurística de Manhattan introduce un elemento
diferenciador porque aporta conocimiento del problema
ayudando a la resolución del mismo.
Tarea
• Implemente los algoritmos de búsqueda estudiados para la
resolución del Puzzle-8.
• Código fuente disponible en:
Java
http://
[Link]/2013/05/[Link]
ml
Matlab
[Link]
Para las líneas de mini sumo, mega sumo, micro-sumo, seguidor de
línea de destreza y laberinto implementar los algoritmos de búsqueda
para resolver un laberinto.
