Heurística. Los procesos que se llevan a cabo en el cerebro pueden ser analizados, a un nivel de abstacción dado, como procesos computacionales de algún.

Presentación del tema: "Heurística. Los procesos que se llevan a cabo en el cerebro pueden ser analizados, a un nivel de abstacción dado, como procesos computacionales de algún."— Transcripción de la presentación:

1 Heurística

2 Los procesos que se llevan a cabo en el cerebro pueden ser analizados, a un nivel de abstacción dado, como procesos computacionales de algún tipo. En cierto sentido, el enfoque heurístico es el característico de la IA. Newell y Simon asociaban el “método de búsqueda heurística” con el tipo de representación de soluciones parciales. Nosotros nos vamos a limitar a explicar qué significa el término “heurística” en el ambito de la inteligencia artificial. Desde el inicio de la IA, el término “heurística” osciló entre dos sentidos fundamentales vinculados a la utilización de información del dominio de problemas (con el fin de hacer una búsqueda más eficiente) y a la imposibilidad de garantizar encontrar la solución de un problema.

3 Estas definiciones se refieren a dos conjuntos diferentes de métodos: dispositivos que mejoran la eficiencia y dispositivos que no garantizan obtener un resultado. El paradigma metaheurístico consiste en una familia de métodos de búsqueda que comenzó a desarrollarse con ese nombre a partir de la década de los 80. Estrictamente no se considera un paradigma sino simplemente un conjunto de métodos o herramientas de búsqueda, pero es posible que tarde o temprano entre en esta categoría. Osman y Kelly (1996) describen la metaheurística del siguiente modo: “Estas familias de enfoques incluyen pero no se limitan a procedimientos adaptativos aleatorios golosos, algoritmos genéticos, búsqueda de umbral y sus híbridos. Incorporan conceptos basados en la evolución biológica, la resolución inteligente de problemas, las ciencias matemáticas y físicas, el estudio del sistema nervioso y la mecánica estadística”. Un poco más adelante, los autores describen a la disciplina de la siguiente forma: “Las metaheurísticas son una clase de métodos aproximados, que están diseñados para atacar problemas de optimización combinatoria difíciles para los que las heurísticas clásicas fracasaron en ser efectivas y eficientes. Las metaheurísticas proporcionan marcos generales que permiten crear nuevos híbridos combinando diferentes conceptos de heurísticas clásicas, inteligencia artificial, evolución biológica, sistemas neuronales y mecánica estadística”.

4 Tipos de Algoritmos Heurísticos En una primera clasificación podemos decir que los algoritmos heurísticos pueden ser: Simples: tienden a tener reglas de terminación bien definidas y se detienen en un óptimo local. Complejos: pueden no tener reglas de terminación estándar y buscan soluciones mejores hasta alcanzar un punto de parada arbitrario. Dentro de los algoritmos heurísticos complejos podemos hacer una segunda clasificación, esta vez orientada a la funcionalidad de los mismos: Aquellos algoritmos que fueron diseñados para dar solución a problemas de búsqueda de óptimos o clasificación Aquellos algoritmos que tratan de deducir conocimiento a partir de un conjunto de axiomas, conocidos como sistemas basados en el conocimiento. Entre los algoritmos de búsqueda de óptimos se encuentran los siguientes métodos: Búsqueda Tabú Temple Simulado Algoritmos Genéticos Redes Neuronales

5 Búsqueda Tabú La búsqueda tabú es un procedimiento o estrategia dado a conocer en los trabajos de Glover, y que esta teniendo grandes exitos y mucha aceptación en los últimos años. Según su creador, es un procedimiento que “explora el espacio de soluciones más alla del óptimo local”, (Glover y Laguna). Se permiten cambios hacia arriba o que empeoran la solución, una vez que se llega a un óptimo local. Simultáneamente los ultimos movimientos se califican como tabús durante las siguientes iteraciones para evitar que se vuelvan a soluciones anteriores y el algoritmo cicle. El termino tabú hace referencia a un tipo de inhibición a algo debido a connotaciones culturales o historicas y que puede ser superada en determinadas condiciones (Glover).

6 Temple Simulado El uso del temple simulado en problemas de Optimización se ha extendido desde mediados de los ochenta hasta ahora, a partir de los trabajos de Kirpatrick, Gelatt & Vecchi. Los algoritmos Temple Simulado están basados en una estrecha analogía entre los procesos físicos termodinámicos y los elementos de un problema de optimización combinatoria. Aunque asintóticamente estos algoritmos se comportan como exactos, (un análisis exhaustivo de esta afirmación se puede encontrar en el trabajo de Aarts & Korst), en la práctica se diseñan como heurísticos. El campo de aplicaciones se ha extendido durante estos años. En problemas de rutas destacan las aportaciones de Osman, para el VRP; y Aarts y otros, para el problema del viajante de comercio.

7 Algoritmos Genéticos En los años 70, de la mano de John Holland, surgió una de las líneas más prometedoras de la inteligencia artificial, la de los algoritmos genéticos. Son llamados así porque se inspiran en la evolución biológica y su base genético-molecular. Estos algoritmos hacen evolucionar una población de individuos sometiéndola a acciones aleatorias semejantes a las que actúan en la evolución biológica (mutaciones y recombinación genética), así como también a una selección de acuerdo con algún criterio, en función del cual se decide cuáles son los individuos más adaptados, que sobreviven, y cuáles los menos aptos, que son descartados.

8 Redes Neuronales En inteligencia artificial las redes de neuronas artificiales (RNA) son un ejemplo de aprendizaje y procesamiento automático basado en el funcionamiento del sistema nervioso animal. Se trata de simular el comportamiento observado en las redes neuronales biológicas a través de modelos matemáticos mediante mecanismos artificiales (circuitos integrados, ordenadores…). Con las RNA se pretende conseguir que las máquinas den repuestas similares a las del cerebro humano, caracterizadas por su generalización y robustez.

9