INSTITUTO TECNOLOGICO SUPERIOR DE MARTINEZ DE LA

TORRE

Asignatura: Inteligencia Artificial

Reglas y Búsquedas

Actividad 3.2 Ejercicios

Nombre del Alumno(s):

Oliver Cruz Rogelio (170I0193)

Semestre: 11º Grupo: “A”

Docente: Ing. Francisco Xavier Yañez Bringas

Martínez de la Torre, Veracruz. A 04 de noviembre del 2022

Conceptos:

Formulación del Objeto:

Consideramos un Objeto como un conjunto de estados del mundo (exactamente

aquellos estados que satisfacen el objetivo).

Formulación del Problema:

Es el proceso de decidir qué acciones y estados tenemos que considerar.

Búsqueda:

Es el proceso de hallar esta secuencia se llama búsqueda. Un algoritmo de

búsqueda como entrada un problema y devuelve una solución de la forma
secuencial de acciones.

Componentes de un problema:

a) Estado Inicial. En el que comienza el agente. Por ejemplo, el estado inicial

para nuestro agente es Rumania se describe como en Arad.
b) Descripción de las posibles acciones. Disponibles por el agente, la
formulación más común utiliza una función sucesor.
c) Test Objetivo. El cual determina si un estado es un estado objetivo, y el test
solo comprueba si el estado es uno de ellos.
d) Función costo del camino. Asigna un costo numérico a cada camino. El
agente resolvente de problemas elige una función coste que refleje nuestra
medida de rendimiento.

Tipos de Problemas:

a) Problemas de juguete. Un problema de juguete es aquel que es fácil de

resolver, y que los investigadores utilizan para probar el funcionamiento de
los algoritmos, estos problemas se denominan de juguete ya que su
descripción de estados es simple y ordenada.
 EJEMPLO:
Estado: El piso puede estar limpio o sucio, lo cual constituyen 2 opciones, y
la aspiradora puede estar en la izquierda o en la derecha, lo que hace que
también sean dos opciones, en total el agente tiene 8 posibles estados.
Estado inicial: Puede estar en cualquier estado (cualquier lugar, sea limpio
o sucio).
Función sucesor: Son las acciones, derecha, izquierda y limpiar, también
se podría considerar la opción de no hacer nada.
Test objetivo: Todas las baldosas deben estar limpias.
Costo del camino: El total de todos los pasos hasta limpiar todas las
baldosas.
b) Problemas del Mundo Real. Como su frase lo indica, son problemas
enfocados a la vida cotidiana, por ejemplo, el problema planteado en el post
anterior, en donde el agente debe viajar hacia un determinado lugar de
destino, para este tipo de problemas son utilizados algoritmos de búsqueda
de rutas.
EJEMPLO:
Problemas Turísticos. Parecido al de búsqueda de rutas, solo que aquí es
muy importante que el agente visite todos lugares de por ejemplo un País.
Problemas de Búsqueda de Rutas. Se basa en posiciones y sus algoritmos
son muy utilizados, por ejemplo, en la búsqueda de redes.

Árbol de Búsqueda:

Del grafo conforme avance el proceso de búsqueda. del grafo implícito que se va
generando durante el proceso de búsqueda de una secuencia de operadores que
resuelva nuestro problema (camino solución). Usualmente, en forma de árbol, de
ahí su nombre.

Componentes de un Nodo de Árbol:

Es una estructura jerárquicas aplicada sobre una colección de elementos y objetos

llamados nodos de los cuales uno es conocido como raíz, además se crea una
relación de parentesco entre los nodos dando el lugar a términos, como padre, hijo,
hermano, etc.

Formas de Medición del Rendimiento.

Criterio objetivo para medir el éxito de la conducta de un agente.

Ejemplo: Las medidas de rendimiento del agente limpiador pueden ser, entre otras:

• La cantidad de polvo eliminado.

• La cantidad de tiempo que le tomó hacerlo.
• La cantidad de electricidad consumida.

Tipos de Búsqueda.

a) Búsqueda no Informada. Los algoritmos de búsqueda ciega o no

informada no dependen de información propia del problema a la hora de
resolverlo, sino que proporcionan métodos generales para recorrer los
árboles de búsqueda asociados a la representación del problema, por lo que
se pueden aplicar en cualquier circunstancia.
b) Búsqueda Informada. La búsqueda informada utiliza el conocimiento
específico del problema. Puede encontrar soluciones de una manera más
eficiente. Una función heurística, h(n), mide el coste estimado más barato
desde el nodo n a un nodo objetivo. h(n) se utiliza para guiar el proceso
haciendo que en cada momento se seleccione el estado o las operaciones
más prometedores.

SBR:

Hay muchos casos en los que podemos resolver situaciones complejas haciendo
uso de reglas deterministas, hasta el punto de que su uso consigue sistemas
automáticos que se comportan como humanos expertos en un dominio particular
permitiendo tomar decisiones delicadas como, por ejemplo: en sistemas de control
de tráfico, transacciones bancarias, o diagnóstico de enfermedades.

a) Base de Hechos. predicados que describen el problema concreto.

 b) Base de Conocimientos. (o de reglas): reglas que describen los mecanismos
de razonamiento que permiten resolver problemas
c) Motor de Inferencias. interprete que ejecuta las reglas y obtiene la cadena de
razonamiento que soluciona el problema.

Inferencia:

Inferencia consiste en poner en práctica lo que la IA ha aprendido en el

entrenamiento. Una vez que la IA aprende el modelo, crea un modelo de inferencia
que utilizará para resolver y / o clasificar el problema.

a) Encadenamiento hacia delante. El primer paso es definir los datos iníciales.

b) Encadenamiento hacia atrás. Se comienza con la definición de las metas
del sistema
Codificación del Programa:

Se realizó un programa en NetBeans para la realización de este problema.

Ejecución: