William Zambrano, 2023, Investigación Heurística A, Inteligencia artificial *

INVESTIGACIÓN ACERCA DE HEURÍSTICA A*

William Zambrano C
Instituto Tecnológico del Putumayo, Facultad de Ingeniería y ciencias básica, Ingeniería
en sistemas, Inteligencia artificial, Mocoa-putumayo, 2023

Investigar acerca de una heurística en A* para el juego

de puzzle 3X3 (de los números del 1 al 8

Una heurística común utilizada en A* para el juego de puzzle 3x3 (también conocido como
puzzle 8) es la heurística de distancia Manhattan. Esta heurística se basa en la idea de que la
solución óptima del puzzle consiste en minimizar la distancia total que debe recorrer cada
ficha para llegar a su posición final.
Para calcular la heurística de la distancia para un estado dado del puzzle, primero
asignamos una posición objetivo a cada ficha en función de su número. Por ejemplo, la
ficha con el número 1 debe estar en la esquina superior izquierda, la ficha con el número 2
debe estar a la derecha del 1, y así sucesivamente.
A continuación, calculamos la suma de las distancias de cada ficha, que es el número total
de movimientos horizontales y verticales que tendría que hacer la ficha para alcanzar su
posición objetivo. La distancia de una ficha puede calcularse del siguiente modo:

Sea (i, j) la posición actual de la ficha

Sea (k, l) la posición objetivo de la ficha
La distancia Manhattan de la ficha es |i-k| + |j-l|.
Finalmente, sumamos las distancias Manhattan de todas las fichas para obtener el valor
heurístico del estado actual del puzzle.

La heurística de la distancia Manhattan es admisible, lo que significa que nunca

sobreestima el coste real de alcanzar el estado objetivo. Esto se debe a que el coste real de
mover una ficha sólo puede ser mayor o igual que su distancia Manhattan, ya que primero
debe moverse horizontal o verticalmente para alcanzar su posición de meta. Además, la
heurística de la distancia Manhattan es consistente, lo que significa que el coste estimado
de alcanzar un estado sucesor es siempre menor o igual que el coste estimado de alcanzar el
estado actual más el coste real de moverse desde el estado actual al estado sucesor.
William Zambrano, 2023, Investigación Heurística A, Inteligencia artificial *

En general, la heurística de la distancia Manhattan es una forma sencilla y eficaz de estimar

el coste de alcanzar el estado objetivo en el juego de puzzle 3x3, y se utiliza habitualmente
en los algoritmos de búsqueda A* para este problema.
Explicar si es completa y admisible
En primer lugar, la heurística es admisible, lo que significa que nunca sobreestima el coste
real de alcanzar el estado objetivo. En el caso de la heurística de la distancia, siempre es
igual o menor que el número real de movimientos necesarios para alcanzar el estado
objetivo. Esto se debe a que la heurística se calcula sumando las distancias de cada ficha
desde su posición correcta, y siempre se da el caso de que mover una ficha directamente a
su posición correcta sería el camino más corto posible. Por lo tanto, el valor heurístico de
un estado siempre será un límite inferior del coste real para alcanzar el estado objetivo, lo
que hace que la heurística sea admisible.
En segundo lugar, la heurística es completa, lo que significa que acabará encontrando una
solución si existe. Esto se debe a que la búsqueda A* con la heurística de la distancia
siempre explorará el siguiente nodo de menor coste, donde el coste es la suma del coste real
de alcanzar el nodo actual desde el estado inicial y el coste estimado de alcanzar el estado
objetivo desde el nodo actual. Dado que la heurística de la distancia es admisible, nunca
sobreestimará el coste de alcanzar el estado objetivo, por lo que A* nunca pasará por alto
una solución de menor coste en favor de explorar un nodo de mayor coste. Por lo tanto, la
búsqueda A* con la heurística de la distancia garantiza encontrar la solución óptima si
existe.
En general, la heurística de la distancia Manhattan es admisible y completa, lo que la
convierte en una buena opción para resolver el puzzle 3x3 mediante la búsqueda A*.

EXPLICAR CON GRAFICOS DE UN ESTADO INICIAL (TABLERO EN DESORDEN)

DANDO UNOS PASOS A LA SOLUCION MEDIANTE A*

Consideremos el siguiente estado inicial del juego de puzzle 3x3:

2 8 3
1 6 4
7 0 5
donde 0 representa el espacio en blanco.

Para resolver este puzzle usando la búsqueda A* con la heurística de distancia Manhattan,
empezamos expandiendo el estado inicial y calculando el valor de la heurística para cada
William Zambrano, 2023, Investigación Heurística A, Inteligencia artificial *

estado sucesor. A continuación, añadimos los estados sucesores a la lista abierta y

continuamos expandiendo el nodo de menor coste hasta alcanzar el estado objetivo.

El proceso de búsqueda puede visualizarse mediante un grafo, en el que cada nodo

representa un estado del rompecabezas y las aristas entre nodos representan las transiciones
entre estados. El coste de cada arista es igual al coste real de pasar del nodo padre al nodo
hijo, que siempre es 1 en el caso del juego de puzzle 3x3.
He aquí un gráfico del proceso de búsqueda para el estado inicial dado, que muestra los
primeros pasos hacia la solución:

1. H = 7.

2 8 3
1 6 4
7 0 5
2. H = 6
2 8 3
1 0 4
7 6 5
3. H = 5
2 8 3
1 6 4
7 5 0
4. H = 4
2 8 3
1 6 4
7 5 4
5. H = 3
2 0 3
1 8 4
William Zambrano, 2023, Investigación Heurística A, Inteligencia artificial *

7 6 5

6. H = 2
2 6 3
1 8 4
7 5 0
7. H = 1
1 2 3
8 0 4
7 6 5
En el gráfico, cada nodo está etiquetado con su estado (en orden fila mayor) y su valor
heurístico h. El proceso de búsqueda comienza con el estado inicial a la izquierda, y
expande los nodos en orden creciente de coste total f = g + h, donde g es el coste real de
alcanzar el nodo desde el estado inicial.
1. Se expande el estado inicial, generando tres estados sucesores con valores
heurísticos de 7, 6 y 5.
2. Se expande el nodo con el valor heurístico más alto.
3. Se expande el nodo con el menor coste total, que es el estado con valor heurístico 5.
4. Esto genera dos estados sucesores con valor heurístico 6.
5. Esto genera dos estados sucesores con valores heurísticos de 3 y 2.
6. Finalmente, la búsqueda expande el nodo con valor heurístico 2, que conduce al
estado meta con valor heurístico 1.
En total, el proceso de búsqueda requiere 7 expansiones (es decir, expandir nodos para
generar sus estados sucesores) y 6 nodos generados (es decir, nodos que se generan, pero
no necesariamente se expanden). La solución óptima tiene un coste total de 22 (es decir, 22
movimientos desde el estado inicial hasta el estado objetivo), que se consigue mediante la
búsqueda.