Está en la página 1de 8

INTELIGENCIA ARTIFICIAL

CÓDIGO: 90169A_614

Fase 2– BÚSQUEDA EN ESPACIO DE ESTADO


EN LA INTELIGENCIA ARTIFICIAL, INVESTIGAR SOBRE BÚSQUEDA EN
ESPACIO DE ESTADO, ALGORITMOS DE BÚSQUEDA EN LA IA E
INCORPORAR AL PROYECTO EN DESARROLLO (PROTOTIPO)

FERNANDO ROJAS
Director de Curso

Entregado por:

SHIRLEY JASBLEIDY CURICO NORIEGA - Código: 41.061.151

Grupo: 90169_36

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD


ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA

OCTUBRE DE 2019
DESARROLLO ACTIVIDAD FASE2- BÚSQUEDA EN ESPACIO DE ESTADO
EN LA INTELIGENCIA ARTIFICIAL

Ejercicios a desarrollar
OBJETIVO: El estudiante aplica los procesos de búsqueda en espacio de
estado y algoritmos en inteligencia artificial para el desarrollo de un proyecto
específico de sistemas inteligentes.

1. EN EL FORO COMENTAR QUE ES BÚSQUEDA EN ESPACIOS DE ESTADO 1:


Investigación: Para definir que es una búsqueda de espacios de estado, debemos
inicialmente conocer su significado.
ESPACIO DE ESTADO: Hace referencia a la representación del problema a través
de las (posibles) acciones del agente.

BÚSQUEDA EN EL ESPACIO DE ESTADOS: Hace referencia a la resolución del


problema mediante la proyección de las distintas acciones del agente, podemos
observar la imagen 1 donde muestra la representación del mismo.

Imagen 1: Acciones del Agente - Operadores

GRAFO DEL ESPACIO DE ESTADOS / GRAFO IMPLÍCITO: Su connotación es


representación matemática de un problema de búsqueda (nodos: estados; arcos:
operadores): Grafo teórico que representa todas las posibles transformaciones del
sistema aplicando todos los operadores posibles recursivamente.
Debido a su complejidad exponencial, que requeriría una cantidad inviable de
memoria y tiempo, el grafo del espacio de estados no puede generarse por

1
Berzal, F. (2010). Búsqueda en Inteligencia Artificial, Recuperado de
http://elvex.ugr.es/decsai/iaio/slides/A3%20Search.pdf
completo, podemos observar en la imagen 2 el funcionamiento y todas las posibles
transformaciones del mismo.

Imagen 2: Funcionamiento y posibles transformaciones

ÁRBOL DE BÚSQUEDA / GRAFO EXPLÍCITO: Es el subgrafo del grafo implícito


que se va generando durante el proceso de búsqueda de una secuencia de
operadores que resuelva nuestro problema (camino solución).
Debido a la complejidad exponencial del grafo implícito, se irá generando, paso a
paso, una porción del grafo conforme avance el proceso de búsqueda, usualmente
en forma de árbol, como se puede observar en la imagen 3.

Imagen 3: Forma Árbol de Búsqueda


 Nodo raíz: Estado inicial.
 Hijos de un nodo: Posibles sucesores (nodos correspondientes a estados
resultantes de la aplicación de un operador al nodo padre).
 Los nodos del árbol representan estados, pero corresponden a PLANES
mediante los cuales se alcanzan dichos estados.
En la imagen 4, podemos observar el estado inicial o nodo inicial, donde se
desprenden los llamados hijos del nodo o posibles sucesores.

Imagen 4: Nodo de raíz y posibles sucesores

CONDICIONES DE PARADA:

 Se ha encontrado la solución.
 Se ha acabado el tiempo disponible.
 Se ha llegado a un nivel de profundidad determinado.

2. EXPLICAR EN EL FORO QUE ES RAZONAMIENTO CON INCERTIDUMBRE2.


Investigación: Para definir que es el razonamiento con incertidumbre, debemos
inicialmente conocer su significado, pero de manera separada, para poder
articularlo.
RAZONAMIENTO: El razonamiento es una operación lógica mediante la cual,
partiendo de uno o más juicios, se deriva la validez, la posibilidad o la falsedad de
otro juicio distinto. Por lo general, los juicios en que se basa un razonamiento
expresan conocimientos ya adquiridos o, por lo menos, postulados como hipótesis.

INCERTIDUMBRE: Falta de información adecuada para tomar una decisión o


realizar un razonamiento. Puede impedir llegar a una conclusión correcta.

2
Ruiz, R. Martin, M. (2016-2017). Tema 6: Razonamiento con incertidumbre. Recuperado de
https://www.cs.us.es/cursos/iati-2016/temas/tema-06.pdf
RAZONAMIENTO CON INCERTIDUMBRE: El Objetivo es ser capaz de razonar sin
tener todo el conocimiento relevante en un campo determinado utilizando lo mejor
posible el conocimiento que se tiene. Asociar a los elementos del formalismo de
representación, información adicional (normalmente valores numéricos) que indique
su grado de certeza y manejar esa información en las inferencias.

Implementación:
 Es difícil cumplir estos requerimientos utilizando la lógica de primer orden.
 Deben de introducirse modelos para manejar información vaga, incierta,
incompleta y contradictoria.
 Crucial para que un sistema funcione en el “mundo real”.

La decisión racional: Cuando se tienen distintas opciones un sistema debe decidirse


por aquella acción que le proporcione el mejor resultado.

Cuando hay incertidumbre para poder decidir racionalmente se requiere:


 La importancia de los distintos resultados de una acción.
 La certidumbre de alcanzar esos resultados cuando se realiza la acción.

Manejo de la Incertidumbre: Se han desarrollado diversas técnicas para manejo de


incertidumbre en sistemas inteligentes, que podemos dividir en dos grandes grupos:

 Técnicas simbólicas (no numéricas).


 Técnicas numéricas.

Entre las técnicas simbólicas tenemos:

 Lógicas no monotónicas: Como la LPO (Lógica de Primer Orden) asume que


el conocimiento es completo y consistente, una vez que un hecho se
asume/es cierto permanece así (Monotonía).

 Lógicas por defecto: Propuesta por Reiter para solucionar el problema del
conocimiento incompleto (1980). Para ello se introducen una serie de reglas
por defecto. Intuitivamente: “Las reglas por defecto expresan características
comunes a un conjunto de elementos que se asumen ciertas salvo que se
indique lo contrario”.

 Lógicas basadas en modelos mínimos: Asunción del mundo cerrado: Sirve


para manejar conocimiento incompleto. Intuitivamente: “Lo que no se puede
probar a partir de mi Base de Conocimiento es falso”. Es utilizado en las
bases de datos y Prolog.

Inconvenientes: Teorías complejas y a veces inconsistentes.

Entre las técnicas numéricas tenemos:


 Modelos estadísticos-probabilísticos
 Modelo aproximado
 Modelo de lógica difusa

3. EXPLICAR EN EL FORO QUE SON ALGORITMOS DE BÚSQUEDA EN IA:3


Investigación: Los algoritmos de búsqueda en IA, se clasifica dentro de los
algoritmos de búsqueda en grafos de tipo heurístico o informado.

Tipos de algoritmos de búsqueda:

Las técnicas de búsqueda son una serie de esquemas de representación del


conocimiento, que mediante diversos algoritmos nos permite resolver ciertos
problemas desde el punto de vista de la I.A.

Elementos de la búsqueda:

• Conjunto de estados: todas las configuraciones posibles en el dominio.

• Estados iniciales: estados desde los que partimos.

• Estados finales: las soluciones del problema.

• Operadores: se aplican para pasar de un estado a otro.

BUSQUEDA CIEGA: Sólo utiliza información acerca de si un estado es o no objetivo


para guiar su proceso de búsqueda.

 Expandir un nodo: obtener los posibles hijos de un nodo a partir de la


aplicación de los distintos operadores sobre él.

 Nodo cerrado: Se han aplicado todos los posibles operadores sobre él,
obteniéndose todos sus posibles hijos.

TIPOS DE BÚSQUEDA CIEGA

 Búsqueda en amplitud:

3
Quimiz, D. (2014). Algoritmo de Búsqueda, Recuperado de
https://sites.google.com/site/inteligenciascarol/algoritmo-de-busqueda
 Procedimientos de búsqueda nivel a nivel.
 Para cada uno de los nodos de un nivel se aplican todos los posibles
operadores.
 No se expande ningún nodo de un nivel antes de haber expandido todos los
del nivel anterior.
 Se implementa con una estructura FIFO.

 Búsqueda en profundidad:

 La búsqueda se realiza por una sola rama del árbol hasta encontrar una
solución o hasta que se tome la decisión de terminar la búsqueda por esa
dirección.
 Terminar la búsqueda por una dirección se debe a no haber posibles
operadores que aplicar sobre el nodo hoja o por haber alcanzado un nivel de
profundidad muy grande.
 Si esto ocurre se produce una vuelta atrás (backtracking) y se sigue por otra
rama hasta visitar todas las ramas del árbol si es necesario.

 Búsqueda bidireccional.

 Se llevan a la vez dos búsquedas: una descendente desde el nodo inicial y


otra ascendente desde el nodo meta.
 Al menos una de estas dos búsquedas debe ser en anchura para que el
recorrido ascendente y descendente pueda encontrarse en algún momento.
BIBLIOGRAFÍA

Artículo Sistemas Expertos e Inteligencia Artificial. Guía No. 7 (2016).


Razonamiento con Incertidumbre. Recuperado de
http://www.udb.edu.sv/udb/archivo/guia/informatica-ingenieria/sistemas-expertos-
e-inteligencia-artificial/2016/i/guia-7.pdf
Berzal, F. (2010). Búsqueda en Inteligencia Artificial, Recuperado de
http://elvex.ugr.es/decsai/iaio/slides/A3%20Search.pdf
Nilsson, J. (2009). The Quest for Artificial Intelligence Cambridge University Press,
2009 ISBN 0521122937

Russell, S. Norvig, P. (2009). Artificial Intelligence: A Modern Approach Prentice


Prentice-Hall, 3 Hall, 3rd edition, 2009 ISBN 0136042597
Ruiz, R. Martin, M. (2016-2017). Tema 6: Razonamiento con incertidumbre.
Recuperado de https://www.cs.us.es/cursos/iati-2016/temas/tema-06.pdf
Quimiz, D. (2014). Algoritmo de Busqueda, Recuperado de
https://sites.google.com/site/inteligenciascarol/algoritmo-de-busqueda