Está en la página 1de 5

INSTITUTO TECNOLOGICO DE CIUDAD MADERO

2011

ALGORITMOS HEURISTICOS

Hernndez Martnez Hctor Alejandro No. Control: 08070796

ALGORITMOS HEURISTICOS
En una primera clasificacin podemos decir que los algoritmos heursticos pueden ser simples o complejos. Los algoritmos simples tienden a tener reglas de terminacin bien definidas, y se detienen en un ptimo local, mientras que los algoritmos ms complejos pueden no tener reglas de terminacin estndar, y buscan soluciones mejores hasta alcanzar un punto de parada arbitrario. Dentro de los algoritmos heursticos complejos podemos hacer una segunda clasificacin, esta vez orientada a la funcionalidad de los mismos. En primer lugar podemos encontrarnos con algoritmos que fueron diseados para dar solucin a problemas de bsqueda de ptimos o clasificacin y por otro lado tenemos los algoritmos que tratan de deducir conocimiento a partir de un conjunto de axiomas, estos ltimos conocidos como sistemas basados en el conocimiento. Entre los algoritmos de bsqueda de ptimos se encuentran los siguientes mtodos:

Bsqueda Tab Temple Simulado Algoritmos Genticos Redes Neuronales

Los sistemas basados en el conocimiento definen un rea muy concreta dentro de la inteligencia artificial, conocida como Ingeniera del conocimiento. Los sistemas desarrollados en este campo siguen un patrn heurstico similar al razonamiento humano.

Bsqueda Tab
La bsqueda tab es un procedimiento o estrategia dado a conocer en los trabajos de Glover, y que est teniendo grandes xitos y mucha aceptacin en los ltimos aos. Segn su creador, es un procedimiento que "explora el espacio de soluciones ms all del ptimo local", (Glover y Laguna). Se permiten cambios hacia arriba o que empeoran la solucin, una vez que se llega a un ptimo local. Simultneamente los ltimos movimientos se califican como tabs durante las siguientes iteraciones para evitar que se vuelvan a soluciones anteriores y el algoritmo cicle. El trmino tab hace referencia a un tipo de inhibicin a algo debido a connotaciones culturales o histricas y que puede ser superada en determinadas condiciones. (Glover).

Temple Simulado
El uso del temple simulado en problemas de Optimizacin se ha extendido desde mediados de los ochenta hasta ahora, a partir de los trabajos de Kirpatrick, Gelatt & Vecchi. Los algoritmos Temple Simulado estn basados en una estrecha analoga entre los procesos fsicos termodinmicos y los elementos de un problema de optimizacin combinatoria. Aunque asintticamente estos algoritmos se comportan como exactos, (un anlisis exhaustivo de esta afirmacin se puede encontrar en el trabajo de Aarts & Korst), en la prctica se disean como heursticos. El campo de aplicaciones se ha extendido durante estos aos. En problemas de rutas destacan las aportaciones de Osman, para el VRP; y Aarts y otros, para el problema del viajante de comercio.

Algoritmos Genticos
En los aos setenta, de la mano de John Holland surgi una de las lneas ms prometedoras de la inteligencia artificial, la de los algoritmos genticos. Son llamados as porque se inspiran en la evolucin biolgica y su base gentico-molecular. Estos algoritmos hacen evolucionar una poblacin de individuos sometindola a acciones aleatorias semejantes a las que actan en la evolucin biolgica (mutaciones y recombinacin gentica), as como tambin a una seleccin de acuerdo con algn criterio, en funcin del cual se decide cules son los individuos ms adaptados, que sobreviven, y cules los menos aptos, que son descartados.

Redes Neuronales
En inteligencia artificial las redes de neuronas artificiales (RNA) son un ejemplo de aprendizaje y procesamiento automtico basado en el funcionamiento del sistema nervioso animal. Se trata de simular el comportamiento observado en las redes neuronales biolgicas a travs de modelos matemticos mediante mecanismos artificiales (circuitos integrados, ordenadores...). Con las RNA se pretende conseguir que las mquinas den repuestas similares a las del cerebro humano, caracterizadas por su generalizacin y robustez.

Sistemas expertos
Los sistemas expertos se basan en simular el razonamiento humano con un doble inters: en primer lugar el del analizar el razonamiento de un experto en la materia para poder codificarlo con la ayuda de un determinado lenguaje informtico; por otra parte, la sntesis artificial de los razonamientos para que se parezcan a los del experto humano en la resolucin de un determinado problema. Estos dos intereses han hecho que los investigadores del campo de la IA intenten establecer una metodologa que les permita verificar la "comunicacin" con los expertos y separar los distintos tipos de razonamiento (formal, deductivo, inductivo...), adems de construir los elementos necesarios para modelizarlos. Mientras que en la programacin clsica se diferencia solamente entre el programa y los datos, en los sistemas expertos se diferencian tres componentes:

Una base de conocimientos Una base de hechos Un motor de inferencia

La base de conocimientos almacena toda la informacin especfica relativa al campo de conocimiento deseado. Para ello se hace uso de un lenguaje especfico para representar los conocimientos y que permite definir al experto su propio vocabulario tcnico.

En la base de hechos se encuentran los datos relativos a los problemas que se quieren resolver con la ayuda del sistema. La memoria de trabajo almacena los resultados intermedios, pudiendo guardar el rastro de las inferencias realizadas. Es por eso que puede utilizarse para explicar la forma en la que el sistema ha deducido la informacin durante una sesin de trabajo o describir el comportamiento del propio sistema. Al comienzo del perodo de trabajo, en la base de hechos slo se encuentran los datos introducidos por el usuario del sistema, pero a medida que acta el motor

de inferencia, almacena las inducciones y deducciones que ha llevado a cabo el sistema para conseguir las conclusiones.

El motor de inferencia, es un programa que a partir del "conocimiento" puede resolver el problema especificado. Esto se consigue gracias a los datos de la base de hechos del sistema. Por lo general, las reglas de la base de conocimiento son silogismos demostrativos (si A es cierto entonces deducimos B). En este caso, el motor de inferencias selecciona, valida y activa las reglas que permiten obtener la solucin correspondiente al problema en cuestin. Existen dos tipos de motor de inferencia: los que emplean el razonamiento aproximado (cuyo resultado puede ser errneo) y los que usan un tipo de razonamiento a partir del que se puede obtener resultado verdadero.