Regalado Ruben BIM1 InteligenciaArtificial PDF

UNIVERSIDAD TÉCNICA PARTICULAR DE LOJA
Inteligencia Artificial
Departamento de Ciencias de la Computación y Electrónica

Sección Inteligencia Artificial
Modalidad Abierta y a Distancia
Profesor autora:
Priscila Marisela Valdiviezo Díaz
Período: OCTUBRE 2019 – FEBRERO 2020
OCTAVO - CICLO
TAREA PRIMER BIMESTRE

Estructura de agentes inteligentes; Aplicaciones de
estrategias de búsqueda
Estudiante: Rubén Patricio Regalado

Sangurima
Nro. De Cedula: 0104241872
Correo(s): ruben1986patrs@hotmail.com
Cuenca, 01 de noviembre del 2019.

UTPL – INTELIGENCIA ARTIFICIAL 2
INDICE DE CONTENIDO
INDICE DE CONTENIDO ......................................................................................... 2
INTRODUCCIÓN. ...................................................................................................... 3
Cajero Automático ...................................................................................................... 4
Casos de Uso. - ...................................................................................................... 4
1 REAS ATM .............................................................................................................. 5
2 TIPOS DE ENTORNO DE TRABAJO ATM ............................................................. 5
3 BUSQUEDA INFORMADA Y EXPLORACIÓN ....................................................... 6
4 EJERCICIO 4.1 ..................................................................................................... 12
REFERENCIAS: ....................................................................................................... 17
Recursos audiovisuales: .......................................................................................... 18
AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

INTRODUCCIÓN.
Inteligencia Artificial
A breves rasgos es el campo científico de la informática que trata de crear sistemas
capaces de “aprender y razonar como un ser humano”.
Según la definición de IA, es la ciencia y la tecnología la que se basa en regimientos
como la informática, la biología, la psicología, la lingüística, las matemáticas y la
ingeniería.
Normalmente, un sistema de IA es capaz de analizar datos en grandes cantidades
(big data), identificar patrones y tendencias y, por lo tanto, formular predicciones de
forma automática, con rapidez y precisión.
La inteligencia artificial nos ayuda a reducir el error y la posibilidad de alcanzar la
precisión con un mayor grado de eficiencia es una posibilidad.
IA en aplicaciones que utilizamos diariamente.
• Siri funciona como un asistente personal, ya que utiliza procesamiento de

lenguaje natural
• Facebook y Google Fotos sugieren el etiquetado y agrupamiento de fotos con
base en el reconocimiento de imagen
• Amazon ofrece recomendaciones de productos basadas en modelos de
canasta de compra
• Waze brinda información optimizada de tráfico y navegación en tiempo real
(Salesforce.com, 2017), (Hewlett Packard Enterprise Development LP, 2019),

(Agencia Universitaria DOCTRINA QUALITAS, 2019)

Cajero Automático
ATM son las siglas en inglés de Automated Teller Machine, es decir, cajero automático. Es
una computadora especializada que le permite manejar su dinero de forma conveniente. Por
ejemplo, casi todos los cajeros automáticos le permiten retirar dinero, y muchos de ellos
también le permiten hacer depósitos. En algunos cajeros automáticos, puede imprimir un
estado de cuenta (un registro de la actividad o de las transacciones en su cuenta), verificar
su saldo (la cantidad de dinero en su cuenta), transferir dinero entre cuentas.
(Wells Fargo Bank NA, 2019)
Casos de Uso. - Para tener un panorama claro de las funciones de un cajero se analiza las
mismas en el siguiente diagrama UML, que nos facilitara posteriormente la descripción del
REAS.
Figura 1. Casos de uso ATM

1 REAS ATM
1. Presente la descripción REAS (Rendimiento, Entorno, Actuadores, Sensores) para un
agente de un sistema de cajero automático.
Tipo de agente: Cajero Automático
RENDIMIENTO ENTORNO ACTUADORES SENSORES
Transacción
procesada
Clientes
correctamente. Lector De tarjetas
Agencia Bancaria Dispensador de
Tiempo de Teclado
(Cajero físico) dinero
respuesta Cámara
Personal autorizado Pantalla
adecuado. Sensor de conteo de
por el banco. Impresora
Seguridad de billetes.
autentificación
optima.
2 TIPOS DE ENTORNO DE TRABAJO ATM

2. Analice los tipos de entornos de trabajo (total y parcialmente observables, estocásticos,
deterministas, episódicos, etc.) que pueden ser pensados para el agente de cajero automático
y justificar la razón del porqué los consideraría.
Totalmente Observable.
Tomando en cuenta la definición del libro base: “Un entorno de trabajo es efectivamente,
totalmente observable si los sensores detectan todos los aspectos que son relevantes en
la toma de decisiones, la relevancia en cada momento depende de las medidas de
rendimiento.” (Russell, 2004)
En el ATM, la cámara permite monitorear en todo momento a los usuarios que usan el ATM,
esto complementado con el lector de tarjetas, que es el sensor que nos permitirá acceder a
la información del cliente a través de la lectura del chip o banda magnética de su tarjeta, de
esta manera se estaría detectando todos los aspectos relevantes para cumplir con nuestras
medidas de rendimiento (Transacción, tiempo y seguridad).
Determinista.
Puesto que el siguiente estado está determinado por el estado actual, para el ATM para
cualquier acción se tiene que cumplir con un estado previo, por ejemplo, para realizar una
transacción lo primero será la lectura de la tarjeta y luego la validación de la clave, sin estos
“prerrequisitos” o estados anteriores es imposible pasar a un estado de “Realizar
Transacción”.
Secuencial.
Ya que el siguiente episodio depende de las acciones de episodios previos, por ejemplo la
aprobación o no de un retiro dependerá de un episodios anteriores, si la clave fue correcta o
si existe fondos en la cuenta la respuesta afirmativa o negativa de cualquiera de estos
episodios será la responsable de afectar el episodio “actual” de entrega o no de dinero por
parte del ATM.

Estático.
Puesto que para ser dinámico el entorno tendría que cambiar, lo que afectaría directamente
a la decisión del agente, pero en el caso del ATM, no existe cambio en el entorno, ya que el
proceso se inicia de manera lineal para cualquiera de las transacciones posibles dentro de
un ATM.
Discreto.
El ATM tiene un número finito de distintos estados, y la combinación de estos en un orden

determinado nos llevara al cumplimiento de la función requerida por el usuario, por esta
situación el ATM se puede decir que es “discreto”.
Multiagente.
Un ATM en particular “mecánicamente” es independiente, pero para cumplir su función

específica en base a las medidas de rendimiento es necesario que acceda a la “red” o sistema
bancario, haciendo que esta comunicación Multiagente también se la pueda considerar como
un entorno “Multiagente cooperativo”, ya que sin esta interacción entre entidades sería
imposible determinar primero si la clave ingresada en el AMT corresponde a la registrada en
el sistema bancario, o si cuenta con los fondos suficientes para ejecutar un retiro en caso que
esta sea la transacción solicitada por el cliente.
3 BUSQUEDA INFORMADA Y EXPLORACIÓN

3. Realice un cuadro comparativo de las estrategias de búsqueda informada y exploración.
Para esta actividad considere al menos tres criterios de comparación, que le permita
establecer diferencias o semejanzas entre ellas.
Búsqueda informada
En búsquedas a ciegas el tiempo es mucho mayor, que en una búsqueda informada ya que
la mismas utiliza un conocimiento específico del problema. Para la solución de la mayoría de
los problemas el grafo de solución se generará a medida que es explorado. Se tienen dos
elementos fundamentales para determinar el coste del camino.
Coste del camino recorrido. – Es la suma de los costes desde el estado inicial hasta el nodo
actual.
Coste del camino por recorrer. - Se utiliza el conocimiento del problema para obtener una
aproximación del costea al nodo final. (Fernando Sancho C., 2016)
Búsquedas
Informadas y Características Algoritmo
exploración
Primero analiza los nodos 1. Hacer ABIERTOS la cola
con heurística más baja formada por el nodo inicial
(coste). 2. Hacer CERRADOS vacío
Expande el nodo no 3. Mientras que ABIERTOS no
Primero el mejor
expandido más “deseable”. esté vacía:
Maneja una lista de nodos
abiertos ordenados de menor
3.1 Hacer ACTUAL el primer nodo
a mayor. Y una lista de nodos de ABIERTOS
cerrados.

Combina las búsquedas de 3.2 Hacer ABIERTOS el resto de

profundidad, anchura y ABIERTOS
métodos de escalada. 3.3 Poner el nodo ACTUAL en
CERRADOS.
3.4 Si ES-ESTADO-FINAL
(ESTADO(ACTUAL)):
2.4.1 Devolver el nodo ACTUAL y
terminar.
3.4.2 En caso contrario:
3.4.2.1 Hacer NUEVOS-
SUCESORES la lista de nodos de
SUCESORES(ACTUAL) cuyo
estado no está ni en ABIERTOS ni
en CERRADOS
3.4.2.2 Hacer ABIERTOS el
resultado de incluir NUEVOS-
SUCESORES en ABIERTOS y
ordenar en orden creciente de sus
heurísticas.
4. Devolver FALLO
Ventajas No depende en exceso de la función
de evaluación.
Desventajas Complejidad en la programación de la
heurística.
Puede tener ciclos infinitos.
Complejidad espacial puesto que se
tiene que guardar los nodos abiertos.
Búsquedas
exploración
Llamada también 1 Sea L una lista de nodos iniciales.
Escalonada, máxima 2 Sea N el nodo mas cercano a la
pendiente o Gradiente. meta (el mejor). Si L esta vacía, falla.
Trata de expandir el nodo 3 Si N es la meta. Regrese la
más cercano al objetivo. trayectoria desde el nodo inicial al
Evalúa los nodos utilizando nodo N.
solamente la función 4 Si N no es la meta. Buscar los hijos
heurística, que, en general, de N, colocarlos en L, etiquetándolos
se minimiza, porque se con la trayectoria desde el nodo inicial.
refiere a un coste: Retornar al paso 2.
Búsqueda Voraz
f’(n) = h’(n)
Primero el mejor.
Ventajas Admite costes variables en acciones.
Reduce complejidad con una buena
heurística.
Evita visitar demasiados caminos
inútiles.
Desventajas Aunque encuentre la solución, puede
que esta no sea la óptima ya que no
tiene en cuenta el coste del camino
recorrido.

Se puede llegar a callejones sin salida

si no se tiene cuidado con nodos
repetidos.
Búsquedas
exploración
A* es una instancia de la Algoritmo: A∗
clase de algoritmos de 1 Insertar Estado_inicial Est_abiertos
búsqueda primero el mejor. 2 Actual ← Primero Est_abiertos
Objetivo: Minimizar el costo 3 mientras Actual no es_final? y
total de la solución. Est_abiertos no vacía? hacer
La prioridad la marca la 3.1 Quitar_primero Est_abiertos
función de estimación 3.2 Actual Est_cerrados
f(n)=g(n)+h(n). 3.3 hijos ←
Considera dos factores: el generar_sucesores_ordenados
valor heurístico de los nodos, _por_heurística (Actual)
y el coste real de recorrido. 3.4 hijos ← tratar_repetidos (Hijos,
En cada paso se expande Est_cerrados, Est_abiertos)
Búsqueda A* 3.5 Insertar Hijos Est_abiertos
el nodo con el valor más
3.6 Actual ← Primero Est_abiertos
bajo de f(n), ó sea, de
fin
g(n)+h(n).
Si existe una solución la
encuentra.
Ventajas No se crean ciclos.
Evita caminos inútiles.
Uso moderado de memoria.
Ningún otro algoritmo expande menos
nodos que A*.
Desventajas Aun se puede dar complejidades
exponenciales, sobre todo en espacio.
Búsquedas
exploración
Un problema puede ser Todos los nodos serán tales que sus
dividido en subproblemas, y soluciones requieran que haya que
los descompone resolver todos sus descendientes.
sucesivamente como para (Nodos Y: A´) , o bien sola haya que
poderlos resolver con mayor resolver un descendiente (Nodos O: A
facilidad. y A*).
Enlaces O: indican las
diferentes alternativas.
Enlaces Y: Conectan el nodo
Búsqueda AO*
padre con subproblemas.
(Grafos Y/O)
En cada nodo se decide si se
va ha resolver por
exploración (Nodos: O) o
descomposición (Nodos: Y) y
combinando al final los
resultados parciales
Ventajas Puede resolver muchos problemas
complejos.
Evita caminos sin salida.

Desventajas Dos problemas diferentes pueden

generar un subproblema común.
No se puede aplicar a todo tipo de
problema.
Búsquedas
exploración
Combina A* con búsqueda prof ← f(Estado inicial)
por profundidad iterativa. Actual ← Estado inicial
En concreto, se realiza la mientras Actual no es_final? y prof
búsqueda imponiendo un Inicializa Est_abiertos
límite al coste del camino que Insertar Estado_inicial Est_abiertos
se quiere hallar (en la Actual ← Primero Est_abiertos
primera iteración, la f del mientras Actual no es_final? y
nodo raíz), explorando en Est_abiertos no vacía? hacer
profundidad todos los nodos Quitar_primero Est_abiertos
con f igual o inferior a ese Insertar Actual Est_cerrados
límite y reiniciando la Hijos ← generar_sucesores_
búsqueda con un coste acotados (Actual, prof)
mayor si no encontramos la Hijos ← tratar_repetidos (Hijos,
Variante con solución en la iteración Est_cerrados, Est_abiertos)
menos memoria actual. Insertar Hijos Est_abiertos
IDA* Actual ← Primero Est_abiertos
fin
prof ← prof+1
fin
Ventajas Al necesitar solo una cantidad de

espacio lineal, permite hallar
soluciones a más profundidad,
aunque hay que pagar el precio de
reexpandir nodos ya visitados.
Desventajas Complejidad en tiempo exponencial.
Maneja mal los números decimales.
Se expanden muchas veces los
mismos nodos.
Búsquedas
exploración
Olvida una rama cuando Función BRPM (problema, nodo,
su coste supera la mejor f_limite) devuelve una solución, o fallo
alternativa. y un nuevo límite f-costo.
El coste de la rama Si Test-Obj [problema](estado)
entonces devolver nodo
olvidada se almacena en el
Sucesores ← Expandir(nodo,
Primero lo mejor padre como su nuevo problema)
RECURSIVO coste. Si Sucesores esta vacío entonces
(BRPM) Si el nodo actual excede el devolver fallo, ∞.
limite, la recursividad Para cada s en Sucesores hacer
vuelve atrás al camino F[s] ←max(g(s)+h(s), f[mejor]
alternativo. Se regenera Repetir
toda la rama olvidada Mejor ← nodo con f-valor mas bajo de
Sucesores

Si f[mejor]> f_Limite entonces

devolver fallo, f [mejor]
Alternativa ← nodo con el segundo f-
valor mas bajo en Sucesores
Resultado, f[mejor] ←
BRPM(problema, mejor, min (f_limite,
alternativa))
Si resultado diferente a fallo entones
devolver resultado.
Ventajas Por lo general re-expande menos
nodos que A*PI.
Es optimo si la h(n) es admisible.
Mejor complejidad temporal.
No expande muchas veces los
mismos nodos.
Ocupa menor espacio.
Desventajas Al no poder controlar los repetidos
su coste en tiempo puede elevarse
si hay ciclos.
No maneja bien números
decimales.
No hace uso de toda la memoria
disponible.
Búsquedas
exploración
Guarda la pista de K estados, 1 Parte k estados generados
y se generan estados aleatoriamente.
sucesores aleatorios para 2 Se generan los hijos de todos los
cada uno de ellos, por lo que estados.
se seleccionan los mejores 3 Conserva los k estados con mejor
sucesores y en caso de ser el valor. De la función de evaluación
objetivo el algoritmo se heurística.
detiene, en caso de no ser el 4 Finaliza al encontrar la solución.
Búsqueda por
objetivo se selección los K
HAZ
mejores estados de una lista
completa y se repite el
proceso
Ventajas Es el mas permisible de las
búsquedas heurísticas.
Desventajas En caso de que el sistema sea
irrevocable el método no actúa con
eficiencia.
Búsquedas
exploración
Son locales ya que deciden Función ASCENCIÖN (problema)
que hacer mirando los devuelve un estado que es el máximo
estados vecinos. local.
Acenso de
Usa la técnica de iteramiento. Entradas: problema, problemas
colinas
Comienza a partir de un Variables locales:
punto (Punto Actual). Actual, un nodo
Vecino, un nodo

Si el nuevo punto es mejor se Actual ← hacer_nodo [Estado_Inicial

transforma en punto actual. (problema)]
Termina cuando no hay Bucle hacer
mejoría posible, o por un Vecino ← sucesor de valor más alto
numero determinado de actual
iteraciones. Si Valor-[vecino]<= Valor-[actual]
Entonces devolver Estado [Actual]
Actual ←vecino
Ventajas La utilización de memoria para
mantener la búsqueda es nula, ya que
solo tenemos en cuenta el nodo
mejor.
Desventajas El algoritmo dejará de explorar
cuando no encuentra ningún nodo
accesible mejor que el actual, pero
como no mantiene memoria del
camino recorrido, le será imposible
reconsiderar su decisión de modo
que, si se ha equivocado, puede
ocurrir que la solución a la que llegue
no sea un óptimo global, sino solo un
óptimo local.
Búsquedas
exploración
La idea es movernos de los Algoritmo: Templado Simulado
extremos locales mediante T ← T0
sacudidas (simulan la mientras T > 0 hacer
temperatura) que irán // Paseo aleatorio por el espacio de
decreciendo en intensidad. soluciones
Se selecciona para un numero prefijado de
aleatoriamente un sucesor iteraciones hacer
del estado actual y se pasa a Enuevo ← Genera_ sucesor al
él de forma condicional – Si azar(Eactual)
su valoración es mejor, se ∆E ← f(Eactual) − f(Enuevo)
pasa a ese nuevo estado – Si si ∆E > 0 entonces
la valoración del sucesor no Eactual ← Enuevo
es mejor, pasamos con si no
Temple probabilidad e∆E/T con probabilidad e∆E/T:
Simulado • ∆ E es el gradiente de la Eactual ← Enuevo
valoración fin
• T es una metáfora de la fin
temperatura en un proceso Disminuir T
de templado metalúrgico. fin
Si T disminuye bastante
despacio, el algoritmo
encontrará un óptimo global
con probabilidad cerca de
uno
Ventajas Ocupa muy poco espacio.
Encuentra soluciones muy rápidas.
No se queda atrapado en máximos
locales.

Desventajas No garantiza que sea completo u

óptimo.
Solo problemas de optimización.
(Andrea Pineda, 2018), (Luis Silva, 2018), (Jose Luis Andrada, 2018), (Tutor 4U, 2013), (Luis,
Reina, Antonio, Franciso, & Mateos, 2011), (Ceccaroni, 2008), (Jiménez Linares Luis Enrique
Sánchez Crespo, 2019), (Fernando Sancho Caparrini, 2018b), (Fernando Sancho Caparrini,
2018a), (Russell, 2004).
4 EJERCICIO 4.1
4. Resolver el ejercicio 4.1 de su texto base, especificado en la página 151.
Problema: trace como opera A* para el problema de alcanzar Bucarest desde Lugoj, utilizando
la heurística distancia en línea recta. Es decir muestre la secuencia de nodos que considerará
el algoritmo y los valores f,g y h para cada nodo.
Datos Preliminares del problema:
Figura 2. Mapa de carreteras simplificado de parte de Rumanía

Figura 3. Valores de h (DLR). Distancias en línea recta a Bucarest.
Para A* tenemos: f(n) = g(n) + h(n)

Donde: g(n) es el coste del camino desde el Nodo_Inicial al Nodo (n). (Figura 2)
Y h(n) es el coste mas barato desde el Nodo (n) al objetivo. (Figura 3)
a) Estado Inicial
b) Expandir Lugoj

c) Expandir Mehadia
d) Re-expandir Lugoj (Paso b)
e) Expandir Timisoara

f) Como existe un f(n) menor a los actuales, f(Dobreta) = 387. Expandir Dobreta
g) Expandir Craiova

h) Expandir Pitesti

REFERENCIAS:
Agencia Universitaria DOCTRINA QUALITAS. (2019). Inteligencia Artificial Ventajas y

Desventajas | Agencia Universitaria DQ. Retrieved October 23, 2019, from
https://agenciauniversitariadq.online/inteligencia-artificial-ventajas-y-desventajas/
Andrea Pineda. (2018). Tipos de Búsqueda- Cuadro Comparativo. Retrieved October 27,
2019, from https://www.slideshare.net/AndreaPineda66/tipos-de-bsqueda-cuadro-
comparativo
Ceccaroni, L. (2008). Inteligencia Artificial Búsqueda informada y exploración Primavera
2008 profesor: Luigi Ceccaroni.
Fernando Sancho C. (2016). Búsquedas Informadas . Retrieved October 27, 2019, from
http://www.cs.us.es/~fsancho/?e=62
Fernando Sancho Caparrini. (2018a). Búesquedas Estocásticas: Templado Simulado -.
Retrieved October 27, 2019, from http://www.cs.us.es/~fsancho/?e=205
Fernando Sancho Caparrini. (2018b). Búsquedas Locales . Retrieved October 27, 2019, from
http://www.cs.us.es/~fsancho/?e=96
Hewlett Packard Enterprise Development LP. (2019). ¿Qué es la inteligencia artificial? –
Glosario de definiciones de HPE | HPE LAMERICA. Retrieved October 23, 2019, from
https://www.hpe.com/lamerica/es/what-is/artificial-intelligence.html
Jiménez Linares Luis Enrique Sánchez Crespo, L. (2019). Tema3: Métodos de búsqueda de
soluciones (Búsqueda informada y exploración) Profesores.
Jose Luis Andrada. (2018). Cuadro comparativo busquedas - Inteligencia Artificial 9 -
StuDocu. Retrieved October 27, 2019, from https://www.studocu.com/es-
ar/document/universidad-nacional-de-la-rioja/inteligencia-artificial/apuntes/cuadro-
comparativo-busquedas/2841124/view
Luis, J., Reina, R., Antonio, J., Franciso, A., & Mateos, J. M. (2011). Introducción Heurística
Búsqueda primero el mejor Coste y búsqueda óptima Búsqueda A * Tema 4: Búsqueda
informada mediante técnicas heurísticas.
Luis Silva. (2018). Cuadro comparativo tipos de busquedas en IA. Retrieved October 27,
2019, from https://www.slideshare.net/luisilva18/cuadro-comparativo-tipos-de-
busquedas-en-ia
Russell, S. (2004). Inteligencia Artificial. Un enfoque moderno (Segunda Ed; Prentice Hall,
Ed.). Madrid - España.
Salesforce.com, inc. T. L. (2017). ¿Qué es la inteligencia artificial? - Blog de Salesforce.
Retrieved October 23, 2019, from https://www.salesforce.com/mx/blog/2017/6/Que-es-
la-inteligencia-artificial.html
Tutor 4U. (2013). Búsqueda Primero el Mejor. Retrieved October 27, 2019, from
https://es.slideshare.net/Tutor4uDev/bsqueda-primero-el-mejor
Wells Fargo Bank NA. (2019). ¿Qué es un cajero automático (ATM)? - Adultos. Retrieved
October 22, 2019, from https://handsonbanking.org/adults/basics-banking-services/atm-
debit-cards/what-is-an-atm/?lang=es

Recursos audiovisuales:
• https://www.youtube.com/watch?v=HTvUF3tIvcs
• https://www.youtube.com/watch?v=cX1Zsi5kaEI
• https://www.youtube.com/watch?v=Q1hLEB_oLtY
• https://www.youtube.com/watch?v=m46WQt7wa9A
• https://www.youtube.com/watch?v=mpHnxZQprXM
• https://www.youtube.com/watch?v=_XcIXISIu08
• https://www.youtube.com/watch?v=0HivDoPbuxo
• https://www.youtube.com/watch?v=lmzrOGuD0zQ
• https://www.youtube.com/watch?v=CnbyGZIVPus

Regalado Ruben BIM1 InteligenciaArtificial PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Regalado Ruben BIM1 InteligenciaArtificial PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA PARTICULAR DE LOJA

Departamento de Ciencias de la Computación y Electrónica

TAREA PRIMER BIMESTRE

Estudiante: Rubén Patricio Regalado

Cuenca, 01 de noviembre del 2019.

INDICE DE CONTENIDO ......................................................................................... 2

Cajero Automático ...................................................................................................... 4

Casos de Uso. - ...................................................................................................... 4

1 REAS ATM .............................................................................................................. 5

2 TIPOS DE ENTORNO DE TRABAJO ATM ............................................................. 5

3 BUSQUEDA INFORMADA Y EXPLORACIÓN ....................................................... 6

4 EJERCICIO 4.1 ..................................................................................................... 12

Recursos audiovisuales: .......................................................................................... 18

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

• Siri funciona como un asistente personal, ya que utiliza procesamiento de

(Salesforce.com, 2017), (Hewlett Packard Enterprise Development LP, 2019),

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

(Wells Fargo Bank NA, 2019)

Figura 1. Casos de uso ATM

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

Tipo de agente: Cajero Automático

RENDIMIENTO ENTORNO ACTUADORES SENSORES

2 TIPOS DE ENTORNO DE TRABAJO ATM

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

El ATM tiene un número finito de distintos estados, y la combinación de estos en un orden

Un ATM en particular “mecánicamente” es independiente, pero para cumplir su función

3 BUSQUEDA INFORMADA Y EXPLORACIÓN

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

Combina las búsquedas de 3.2 Hacer ABIERTOS el resto de

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

Se puede llegar a callejones sin salida

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

Desventajas Dos problemas diferentes pueden

Ventajas Al necesitar solo una cantidad de

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

Si f[mejor]> f_Limite entonces

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

Si el nuevo punto es mejor se Actual ← hacer_nodo [Estado_Inicial

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

Desventajas No garantiza que sea completo u

Datos Preliminares del problema:

Figura 2. Mapa de carreteras simplificado de parte de Rumanía

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

Figura 3. Valores de h (DLR). Distancias en línea recta a Bucarest.

Para A* tenemos: f(n) = g(n) + h(n)

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

d) Re-expandir Lugoj (Paso b)

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

Agencia Universitaria DOCTRINA QUALITAS. (2019). Inteligencia Artificial Ventajas y

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

AGENTES INTELIGENTES – ALUMNO: RUBEN REGALADO

También podría gustarte