Damas Chinas Condori Mollehuara Miguel Montenegro Rubio Willy

Slides:



Advertisements
Presentaciones similares
Branch-and-bound Search
Advertisements

¿Por que estudiar búsquedas?
Búsqueda en un espacio de estados
INTELIGENCIA ARTIFICIAL
Complejidad Computacional
Inteligencia Artificial y Robótica
Complejidad Computacional
INTELIGENCIA ARTIFICIAL
Agente Simple y Agente de Búsqueda Integrantes: Daga RamónCarolina. Farfan Losano Luis. Hernandez Triveño Marlon. La Rosa Taboada Carlos. Luque Cuba Julio.
Inteligencia Artificial
Diseño y análisis de algoritmos
Inteligencia Artificial
Inteligenica Artificial I Alejandro Permingeat Inteligencia Artificial de Russell y Norving 1° edición 1996 Parte II Capítulo V.
REDES SEMANTICAS Y BUSQUEDAS
BENEMERITA UNIVERSIDAD AUTONOMA DE PUEBLA
Estructura de Datos Hugo Araya Carrasco Hugo Araya Carrasco.
Inteligencia Artificial Búsqueda informada y exploración
Métodos básicos de Búsqueda
Algoritmo A*.
Cap 4 Búsqueda Heurística
Búsqueda Informada Heurísticas.
Algoritmos Aleatorizados
Inteligencia Artificial Búsqueda informada y exploración
Inteligencia Artificial Búsqueda entre adversarios
Problema: Viajante de Comercio
Solución de problemas por búsqueda inteligente
Tema 3. Optimización de Código
METODO DE BUSQUEDA ALGORITMO DE COSTO UNIFORME
Inteligencia Artificial Resolver problemas mediante búsqueda
ESTRATEGIAS DE BUSQUEDA A CIEGAS
Fundamentos de Inteligencia Artificial Búsqueda
Tema Nº4.
Inteligencia Artificial Resolver problemas mediante búsqueda
Inteligencia Artificial Gonzalo Villarreal Farah
Eduardo Morales/L. Enrique Sucar
Eduardo Morales/L. Enrique Sucar
 La resolución de problemas algorítmicos no solamente implica que los informáticos sepan programar sino necesitan de otras habilidades como tener una.
Cecilia Laborde González
1 Algoritmos Elementales de Grafos Agustín J. González ELO-320: Estructura de Datos Y Algoritmos 1er.Sem
Grafos. Un Grafo G es un par de conjuntos (V, E), donde V es un conjunto no vacío de elementos llamados vértices o nodos y E es un conjunto formado por.
Temas importantes para el desarrollo de la segunda parte del TPE
Trabajo presentado por: LUIS FERNANDO OBANDO ING
Capítulo 4 BUSQUEDA INFORMADA.
Solución de problemas por Búsqueda
Agentes de resoluciones d problemas Parte I. Un agente puede adoptar una meta o un propósito para satisfacer.
Estructura de Datos y Algoritmos
Diseño y análisis de algoritmos
Métodos de Búsqueda Informada. Búsqueda de la mejor Ruta En esta sección no sólo nos interesa encontrar una posible ruta, sino obtener aquella ruta que.
A LGORITMO DE BÚSQUEDA POR COSTO UNIFORME Dorian López.
Parte II. Algorítmica. 3. Algoritmos voraces.
¿Por que estudiar búsquedas? Recordemos que la mayoría de los problemas en inteligencia artificial, involucran como tema central un proceso de búsqueda.
METODOS DE BUSQUEDA INFORMADOS CAPITULO 5
Parte II. Algorítmica. 5. Backtracking. 1. Análisis de algoritmos.
Análisis y Diseño de Algoritmos
TPE 1 - Sistemas de Producción: Rolling Cubes Sistemas de Inteligencia Artifcial Bergez, Brasca y García.
Parte I. Estructuras de Datos.
Resolución de problemas mediante búsqueda
Estructura de Datos M.C. J. Andrés V. F. FCC/BUAP
Búsqueda en profundidad Se elige la primera alternativa (por convención la de más a la izquierda) y se sigue hacia abajo hasta alcanzar la meta o hasta.
Toribio Sarmiento Miguel Sesarego Cruz Rosmery. Desde la aparición de las civilizaciones, los juegos han ocupado la atención de las facultades intelectuales.
Inteligencia artificial
SOLUCION DE PROBLEMAS MEDIANTE BUSQUEDA
ANALISIS DE REDES UNIDAD PROCEDIMIENTO DE OPTIMIZACION
Toribio Sarmiento Miguel Sesarego Cruz Rosmery. BUSQUEDA DE LA SOLUCION EN UN ESPACIO ESTADO BUSQUEDA SISTEMATICA O CIEGA EN PROFUNDIDAD EN AMPLITUD NO.
BUSQUEDA EN ANCHURA Y PROFUNDIDAD
Capítulo 8: Árboles Autor: José Alfredo Jiménez Murillo.
BUSQUEDA POR PROFUNDIDAD INTELIGENCIA ARTIFICIAL
UNIDAD III REPRESENTACION DEL CONOCIMIENTO Y RECUPERACION DE LA INFORMACION.
BÚSQUEDA DE SOLUCIONES Soluciones no Informadas (cont.) Dra. Myriam Hernández A.
Búsqueda por profundidad iterativa
Transcripción de la presentación:

Damas Chinas Condori Mollehuara Miguel Montenegro Rubio Willy Quezada Rodríguez Ángel Emilio

Flujograma Base de las Operaciones

Flujograma Principal

Fundamento teórico

Búsqueda en el Espacio de Estados La resolución de un problema con esta representación pasa por explorar el espacio de estados Partimos del estado inicial evaluando cada paso hasta encontrar un estado final En el caso peor exploraremos todos los posibles caminos entre el estado inicial del problema hasta llegar al estado final Definiremos una representación del espacio de estados para poder implementar algoritmos que busquen soluciones

Evaluación de las Estrategias Las estrategias se evalúan de acuerdo a su: Completez. ¿La estrategia garantiza encontrar una solución, si ésta existe? Complejidad temporal. ¿Cuánto tiempo se necesitará para encontrar una solución? Complejidad espacial. ¿Cuánta memoria se necesita para efectuar la búsqueda? Optimalidad. ¿Con esta estrategia se encontrará una solución de la más alta calidad, si hay varias soluciones? Las complejidades temporal y espacial se miden en términos de: b  máximo factor de ramificación del árbol de búsqueda (branching factor) d  profundidad de la solución de menor coste m  profundidad máxima del espacio de estados (puede ser ∞)

Estrategias de búsqueda no informada No existe información sobre la cantidad de estados intermedios o el costo de ruta para pasar del estado actual a la meta. Sólo se sabe distinguir si estamos en el estado meta o no A esta búsqueda se le conoce también como búsqueda ciega

BUSQUEDA POR AMPLITUD (DFS) N

1. Búsqueda preferente por amplitud En este caso, primero se expande el nodo raíz y luego todos los nodos generados por éste, luego sus sucesores y así sucesivamente. Todos los nodos que están a profundidad d se expanden antes que los nodos con profundidad d+1.

Búsqueda preferente por amplitud Abiertos←(n0); Cerrados←( ) Si Abiertos = ( ), fin devolviendo fallo n←primer elemento de Abiertos; eliminar n de Abiertos y llevarlo a Cerrados; Suc←( ) Si n es meta, fin con éxito, devolviendo el camino expandir n, colocando sus hijos en Suc, como hijos de n eliminar de Suc cualquier nodo cuyo estado ya esté asociado a algún nodo de Abiertos o Cerrados colocar los nodos de Suc al final de Abiertos Ir a 2

b a 3 2 1 ζ ε δ γ β α i h g f e d c 1 2 3 a b c d e f g h i α β γ δ ε ζ

Análisis

Análisis de Resultados para DFS estado nodes-visited length-of-solution depth-limit b*DFS ((0 0 0 0 0 0) (0 0 0 0 0 0) (0 0 0 0 0 0) (0 0 5 4 0 0) (6 0 0 3 0 1) (0 0 0 0 2 0)) 5970 3 5 17.795 ((0 0 0 0 0 0) (0 0 0 0 0 0) (0 0 0 0 0 0) (0 0 5 4 0 1) (6 0 0 0 3 0) (0 0 0 0 2 0)) 6064 17.890 ((6 0 0 0 0 0) (0 5 0 0 0 3) (4 0 0 0 2 0) (0 0 1 0 0 0) (0 0 0 0 0 0) (0 0 0 0 0 0)) 203 2 13.722 ((6 0 0 5 0 0) (0 0 0 0 0 3) (4 0 0 0 0 0) (0 0 0 0 0 0) (0 0 0 1 0 0) (0 0 0 0 2 0)) 3570 14.935 ((0 0 5 0 0 0) (0 6 0 0 2 0) (4 0 0 0 0 0) (0 0 1 3 0 0) (0 0 0 0 0 0) (0 0 0 0 0 0)) 97249 4 17.400 ((0 0 5 0 0 0) (0 0 6 0 2 0) (4 0 0 0 0 0) (0 0 1 3 0 0) (0 0 0 0 0 0) (0 0 0 0 0 0)) 1373934 16.681 Promedio b*DFS: 16.404

Análisis de Resultados para BFS Estado nodes-visited length-of-solution Maximum b*BFS ((0 0 0 0 0 0) (0 0 0 0 0 0) (0 0 0 0 0 0) (0 0 5 4 0 0) (6 0 0 3 0 1) (0 0 0 0 2 0)) 2332 3 12.910 ((0 0 0 0 0 0) (0 0 0 0 0 0) (0 0 0 0 0 0) (0 0 5 4 0 1) (6 0 0 0 3 0) (0 0 0 0 2 0)) 631 8.219 ((6 0 0 0 0 0) (0 5 0 0 0 3) (4 0 0 0 2 0) (0 0 1 0 0 0) (0 0 0 0 0 0) (0 0 0 0 0 0)) 245 2 15.129 ((6 0 0 5 0 0) (0 0 0 0 0 3) (4 0 0 0 0 0) (0 0 0 0 0 0) (0 0 0 1 0 0) (0 0 0 0 2 0)) 782 8.853 ((0 0 5 0 0 0) (0 6 0 0 2 0) (4 0 0 0 0 0) (0 0 1 3 0 0) (0 0 0 0 0 0) (0 0 0 0 0 0)) 849 4 5.113 ((0 0 5 0 0 0) (0 0 6 0 2 0) (4 0 0 0 0 0) (0 0 1 3 0 0) (0 0 0 0 0 0) (0 0 0 0 0 0)) 5940 5 5.460 Promedio b*BFS: 9.281

Elección Optamos por la búsqueda BFS