Universidad Militar Nueva Granada

Ingeniería en Multimedia
Inteligencia Artificial

Autores

Germán Rodríguez Gutiérrez 1201838

Santiago Rodríguez Saavedra 1201856

Puzzle

La aplicación de María puede ser un rompecabezas de 3*3 hasta de 9*9. Las piezas a clasificar pueden son números. El estado inicial y final se pueden
configurar por el usuario. Dicha aplicación debe mostrar gráficamente los movimientos realizados con el fin de seguir los pasos a la solución y resolver
el desafío por diferentes métodos inteligentes, como A*-h1 y con A*-h2.

Requerimientos

Aplicación gráfica de un rompecabezas configurable de 3x3 hasta 9x9. Posibilidad de realizarlo mediante búsqueda estrella con heurísticas h1) número de
piezas fuera de lugar y h2) distancia de manhattan.

1. Estado inicial

2. Estado Final
- A*(H1- Piezas fuera de lugar):
 - A*(H2- Manhattan):

3. Agente

● Percepción

- A*(H1- Piezas fuera de lugar):

El agente es capaz de percibir el número de casillas que no se encuentran en su posición objetivo para posteriormente realizar los movimientos
acomodando cada casilla en su lugar.

- A*(H2- Manhattan):
El agente es capaz de percibir una estimación del costo total respecto a la distancia Manhattan de cada casilla hasta la posición objetivo.

● Acciones
A medida que los nodos se abren por medio de un un árbol de búsqueda, el agente es capaz de revisar los nodos adyacentes para encontrar el camino al
estado objetivo.

- A*(H1- Piezas fuera de lugar):

El agente realizará una estimación del costo total respecto a la suma del costo de sus nodos adyacentes al momento de ir avanzando a la par que revisa el
número de piezas que no se encuentran en su posición final.

- A*(H2- Manhattan):
El agente realizará una estimación del costo total respecto a la suma del costo de sus nodos adyacentes al momento de ir avanzando junto con el valor de
la heurística de h-manhattan hasta el estado objetivo.

● Medidas de desempeño
Los agentes deben llegar al estado final a partir de un estado inicial dentro del puzzle.

- A*(H1- Piezas fuera de lugar):

El costo acomulado de cada movimiento a realizar debe realizar la ruta que menos costo requiera para llegar hasta el estado final siempre y cuando el
número de casillas que no están en su lugar no coincida con muchos estados.

- A*(H2- Manhattan):
El costo acomulado de cada movimiento a realizar debe llegar al estado final calculando de manera adecuada la distancia Manhattan que hay de cada
casilla hasta la posición final.

● Entorno
Una grilla de tamaño-n que representa un tablero configurable desde 3x3 hasta 9x9 que almacena una secuencia de números enteros, representados en
un puzzle en el cual se tienen en cuenta la posición correspondiente de cada número en cada casilla junto a las respectivas distancias de cada casilla a la
posición del estado final configurable.

● Tipo de agente
Agentes para resolución de problemas mediante búsquedas. Un agente para la búsqueda A* con heurística de Hamming y un agente para la búsqueda
A* con heurística de Manhattan.

4. Tipo de entorno

No episódico: Cada solución dentro del puzzle es independiente. No se almacena información que sirva para ejecutar una búsqueda de manera
más rápida. Cada proceso dentro de los nodos es independiente al nodo anterior.
 - Determinista:​ ​ El siguiente estado del puzzle está totalmente determinado por su estado actual.

- Estático:​ ​El entorno no cambia mientras el agente busca una solución al puzzle actual. Sin embargo, el puzzle puede cambiar al terminar.

- Discreto:​ Existe un número finito de de posiciones dentro del puzzle.

- Individual:​ Un solo agente que trabaja solo tratando de maximizar su rendimiento dentro del espacio de estados.

- ​ l agente tiene acceso a la información disponible en todo momento mientras está en la búsqueda de la solución para el puzzle
Semi-accesible: E
propuesto.

5. Método sucesor

Indica el paso a seguir inmediatamente después de la situación actual del agente. Se lleva a cabo a partir de la interpretación que tiene el agente del
entorno y avanzar a un siguiente estado.

- ​A Star:
El método sucesor para la búsqueda A estrella es dado por la suma de la distancia hasta el vecino y el coste desde el vecino hasta el objetivo en línea
recta, este avanza a el hijo que tenga menor la suma anterior.

6. Estrategias básicas de búsqueda

A Star:

Funciona creando un árbol de ruta de menor costo desde el nodo de inicio hasta el nodo de destino. Lo que hace que A * sea diferente y mejor para
muchas búsquedas es que para cada nodo, A * usa una función f(n) que proporciona una estimación del costo total a que usa ese nodo. Por lo tanto, A *
es una función heurística, que difiere de un algoritmo en que una heurística es más una estimación y no es necesariamente comprobable.

Distancia de manhattan:

La distancia de Manhattan de un puzzle es la distancia o el número de piezas que está lejos de su estado objetivo. Por lo tanto, para cierto estado, la
distancia de Manhattan será la suma de las distancias de Manhattan de todos las piezas, excepto la pieza en blanco o cero.

El siguiente ejemplo.

Las piezas 5, 3, 4, 8 están fuera de lugar, por lo que calculamos las distancias de Manhattan de cada uno de estas piezas que son 2, 3, 2, 1
respectivamente, por lo que el valor heurístico de Manhattan para este estado será 8(h = 8)

Número de piezas fuera de lugar:

Tal como su nombre lo indica, esta heurística devuelve el número de fichas que no están en su posición final.

Todas las fichas no están en su posición final, excepto '7', por lo que el valor heurístico (h) será 7 para esta instancia. No se considera el valor en blanco
o cero.
7. Espacio de estados
Todos las posibles posiciones de acuerdo con la configuración n del puzzle

Configuración de puzzle 3x3

Configuración de puzzle 9x9

8. Árbol de búsqueda

- A*(H1- Piezas fuera de lugar):​ Suma de piezas que no estan el la posición correcta
Estado inicial: 1 2 3 0 4 5 7 5 8
Estado final: 1 2 3 4 5 6 7 8 0

- A*(H2- Manhattan):​ Suma de distancias de las piezas mal colocadas a la posición correcta
Estado inicial: 1 2 3 0 4 5 7 5 8
Estado final: 1 2 3 4 5 6 7 8 0
9. Costo del camino

Costo/Método A* h1 A* h2

Estados visitados 4 4

Análisis comparativo En este ejemplo los estados visitados son los La distancia de manhattan es más rápida al
mismo, sin embargo, esta heurística es la más visitar menos nodos para alcanzar el estado
lenta y explorará una gran cantidad de nodos final.
para alcanzar el estado objetivo.

10. Tabla comparativa de métodos

Evaluación/Método A* h1 A* h2

Completa Sí, si existe solución. La Sí, si existe solución. La

encuentra encuentra

Óptima Si, expande más nodos Si, expande menos nodos

Orden Espacial O(b^d) = ​5^4 = 625 O(b^d) = ​5^4 = 625

Orden Temporal O(b^d) = ​5^4 = 625 O(b^d) = ​5^4 = 625

11. Ruta de solución

- A*(H1- Piezas fuera de lugar):

- A*(H2- Manhattan):
12. Video promocional por aplicación

Link:

13. Conclusión

Es evidente que la búsqueda A estrella a la hora de buscar soluciones es el mejor método, ya que este expande el menor número de nodos entre todos, lo
cual, hace que de las soluciones más cortas y de menor costo posibles. Al utilizar una heurística como la distancia de Manhattan que es mayor que la
distancia euclidiana, pero también es más real en la práctica, se puede comprobar lo eficaz que es al momento de resolver un problema como se expone
anteriormente.
Por otro lado, la heurística de número de piezas que están fuera de lugar demuestra resolver el problema propuesto, pero se observó un claro aumento de
uso de memoria y de tiempo al buscar una solución.
En problemas de complejidad pequeña (número reducido de movimientos para resolver el problema) la heurística que mejor desempeño tiene es la de
Manhattan, ya que es capaz de encontrar una solución al problema con un menor consumo de memoria (utilizar menos nodos) haciendo que este, de con
una respuesta rápida.

14. Referencias

[1] Alonso García, Rubén Sanz Fernández, Rafael, "Implementación del algoritmo a* en 8-puzzle y 8-reina," .

[2] S. Kumar and S. Kumar, "Automated taxi/cab system using A* algorithm," in Proceedings of the International Conference on Advances in
Computing and Artificial Intelligence, 2011, .

[3] A. Drogoul and C. Dubreuil, "A distributed approach to n-puzzle solving," in Proceedings of the Distributed Artificial Intelligence Workshop, 1993,.