All About Artificial Intelligence

LOS SISTEMAS DE BÚSQUEDA
Introducción a los sistemas de búsquedas.
En inteligencia artificialsynthetic el tema de búsquedas es central, since, for example, realizar acciones mecanizadas resolver problemas, se reducescale backcut again a buscar en un espacio de estados como se explicaba en el apartado anterior. En esa disciplina se estudian búsquedas ciegas (búsqueda primero en amplitud, primero en profundidad, profundidad iterativa, de costo uniforme, etcand so onand so forthand many others.) y búsquedas inteligentes (búsqueda avara, To, IDA, A restricta por memoria simplificada, ascenso de cima (hill-climbing), etcand so onand so forthand many others.)
Relacionado con la búsqueda del óptimo está el problema del controlmanagement de la búsqueda, controlmanagement planteado por Newell y Simon que ha generado una abundancia de trabajos en el campo de la inteligencia artificialsynthetic. Se trata de elegir entre búsquedas heurísticas lo suficientemente buenas (no perfectas) como para que se pueda dar por concluida la búsqueda con una aceptable respuesta al problema en un lapso aceptable de tiempo.
No se discute que las búsquedas aumentan “explosivamente” cuando el espacio de problema se vuelve demasiado vasto por bifurcación de nodos a buscar por incorporación de más variables. Un controlmanagement de búsqueda basado en técnicas mediocres también llega a proponer una respuesta adecuada, aunque en un tiempo demasiado largo. En un modelo de mundo en un contexto con más y más variables que participan y que no se reducen a un número manejable por descarte, surge un problema de controlmanagement de la búsqueda: ella se vuelve “explosiva”. The problem of search control management (for example the problem of which operator to choose, the problem of planning, etcand so onand so forthand many others.) is still almost unsolved.
The role of search in Artificial Intelligence
Problem solving in AI requires, normalmente, determining a sequence of actions and decisions. This sequence will later be executed by an agent in order to achieve a goal from a given initial situation. Depending on the specific problem, the execution of the sequence of actions and decisions has an associated cost that will be tried to minimize, or has an associated benefit that will be tried to maximize. In the description of search systems, it is assumed that the agent moves in an accessible environment, lo que es lo mismo, que es capaz de percibir el entorno con precisión. In addition, se supone también que tanto el efecto como el coste costo de las acciones se pueden predecir con exactitud. In this way, la secuencia de acciones se puede obtener antes de su ejecución; en otro caso, la siguiente acción no podría ser determinada hasta conocer el resultado de la ejecución de la anterior.
Clasificación
Para elaborar una clasificación de los sistemas de búsqueda se tienen muchas clasificaciones tantas como investigadores y autores en inteligencia artificialsynthetic existen, en el módulo se ha tratado de organizar esta información para ofrecer un panorama lo más amplio posible para que el estudiante abarque la mayor cantidad de información, The names of algorithms and solution methods in some cases have differences that are clarified throughout the document. The following classification can be taken as generic to have an idea/concept/thought of the search possibilities.
Searches in state spaces
Goal formulation: the objective is established
Problem formulation: it is decided which actions and states should be considered.
Search: evaluation of the possible sequences of actions that lead to the goal and choice of the most suitable one.
Types of problems:
Single-state problems: the agent knows exactly which state it is in and the result of each of its actions.
Multiple-state problems: The agent does not know exactly what state it is in, but it does know the outcome of each of its actions.
Contingency problems: The agent does not know exactly what state it is in, but it does know the outcome of each of its actions, although certain contingencies may arise in them.
Exploration problems: The agent does not know exactly what state it is in, nor the exact outcome of each of its actions.
Problems
Definición: It is a set of information that the agent uses to decide what it is going to do.
A problem is composed of:
An initial state which is where the agent is located.
A set of actions that the agent can undertake.
The goal test to know if it has reached a goal state.
There are three ways to measure the inteligencia artificial online efficiency of the search:
Depending if it allows not reaching the solution,
Depending on its path cost
Choice of states and actions
Los estados y acciones se eligen mediante un proceso de abstracción (eliminación de detalles de una representación).
Búsqueda de soluciones
La búsqueda consiste en escoger una opción, haciendo a un lado las demás para considerarlas posteriormente en caso de no obtener respuesta alguna mediante la primera opción.
Árboles de búsqueda
Componentes en la estructura de datos para los árboles de búsqueda:
El estado al que corresponda el nodo,
El nodo padre,
La profundidad del nodo (distancia hasta la raíz),
El costo de ruta desde el estado inicial hasta el nodo.
Estrategia de búsqueda
Las estrategias de búsqueda se evalúan según los siguientes criterios:
Completez: si garantiza no encontrar la solución si es que existe.
Complejidad temporal: amount of time needed to find the solution
Spatial complexity: amount of memory needed to find the solution.
Optimality: whether the best solution would be found in case there are multiple.
Types of search strategies
Search strategies can be grouped into two main groups:
Searches without using information ( blind search): there is no information about the number of steps needed or the path cost to go from a given state to the goal.
Information-backed search ( heuristic search): very valuable information is available to guide the search to make it more optimal.
Searches without using information
The six uninformed search strategies are as follows:
• Búsqueda preferente por amplitud
• Búsqueda de costo uniforme
• Búsqueda preferente por profundidad
• Búsqueda limitada por profundidad
• Búsqueda por profundización iterativa
Búsqueda preferente por amplitud:
En esta búsqueda todos los nodos que están en la profundidad d del árbol de búsqueda se expanden antes de los nodos que estén en la profundidad d+1.
• Si son varias las soluciones, este tipo de búsqueda permitirá siempre encontrar primero el estado meta más próximo a la raíz.
• En esta búsqueda el tiempo y la cantidad de memoria necesaria crece exponencialmente con respecto a la profundidad.
• Es óptima y completa.
Búsquedas de costo uniforme:
En esta búsqueda se modifica la estrategia preferente por amplitud en el sentido de expandir siempre el nodo de menor costo en el margen (medido por el costo de la ruta g(is)) en vez del nodo de menor profundidad.
This type of search will always allow finding the cheapest solution as long as the route cost never decreases as we progress along the route.
In this search, the time and the amount of memory needed grow exponentially with respect to the depth.
• Es óptima y completa.
Depth-first search:
In this search, one of the nodes that are deepest in the tree is always expanded. Only if the search leads to a dead end, the search is reversed and nodes of shallower levels are expanded.
This search gets stuck in an infinite loop and it is never possible to return to finding a solution, In the long run, it will find a solution path longer than the optimal solution.
• En esta búsqueda el tiempo necesario crece exponencialmente con respecto a la profundidad, mientras que el espacio requerido en memoria lo hace en forma lineal
• No es óptima ni completa.
Búsqueda limitada por profundidad:
Esta búsqueda es similarcomparablerelated a la búsqueda preferente por profundidad con la diferencia que se impone un límite a la profundidad máxima de una ruta.
Se utilizan operadores que informan constantemente de la profundad del nodo.
• En esta búsqueda el tiempo necesario crece exponencialmente con respecto a la profundidad, mientras que el espacio requerido en memoria lo hace en forma lineal
Búsqueda por profundización iterativa:
Esta búsqueda es similarcomparablerelated a la búsqueda limitada por profundidad con la diferencia que se repiten las búsquedas dando en cada iteración un valor distinto de profundiad para la misma.
In this search, the time required grows exponentially with respect to the depth, mientras que el espacio requerido en memoria lo hace en forma lineal
It is optimal and complete.
Bidirectional search:
This is a search that advances from the initial state and goes backward from the goal and stops when both searches meet at some intermediate point.
In this search, the time and space required in memory grow exponentially with respect to half the depth (bd/2).
It is optimal and complete.
In Artificial Intelligence Synthetic (AI) the term heuristic is used, in a very generic sense, to apply it to all those aspects that have to do with the use of knowledge in the dynamic execution of tasks.
Heuristics is referred to as a technique, intelligent method or procedure to perform a task that is not the product of rigorous formal analysis, but of expert knowledge about the task. In particular, the term heuristic is used to refer to a procedure that attempts to provide solutions to a problem with good performance, regarding the quality of the solutions and the resources used.
In the resolution of specific problems, successful heuristic procedures have emerged, from which it has been attempted to extract what is essential in their success to apply it to other problems in broader contexts.
This search is also known as information-supported search, which can be divided into the following types of search:
• Búsqueda preferente por lo mejor.
• Búsqueda limitada por la capacidad de la memoria.
• Búsquedas de mejoramiento iterativo.
Búsqueda preferente por lo mejor:
Esta búsqueda consiste en expandir primero aquél nodo con mejor evaluación. Dicha evaluación es el resultado de aplicar la función de evaluación al nodo, la cual devuelve un número que sirve para representar lo deseable que sería la expansión de un nodo.
Dentro de este tipo de búsqueda se encuentran:
• Búsqueda avara.
• Búsqueda A.
Búsqueda avara:
Consiste en reducir al mínimo el costo estimado para alcanzar una meta.
Para ello se utiliza una función llamada heurística, la cual estima el costo que implica llegar a una meta desde un estado determinado, y elige cual es el siguiente nodo que se va a expandir aplicando esta función a cada nodo.
In this search, the time and the amount of memory needed grow exponentially with respect to the depth. Pero la elección de una buena función heurística permite disminuir notablemente la complejidad tanto en tiempo como en espacio.
No es óptima ni completa.
Búsqueda A:
Esta búsqueda es una búsqueda preferente por lo mejor en la que se utiliza f como función de evaluación.
La función f calcula el costo estimado de la solución más barata, pasando por n y se calcula de la siguiente manera:
f=g(is) + h(is)
Siendo g(is) el costo de ruta y h(is) una heurística admisible (que nunca sobreestima el costo que implica alcanzar la meta).
En esta búsqueda la cantidad de memoria necesaria crece exponencialmente con respecto a la profundidad. Pero la elección de una buena función heurística permite disminuir notablemente la complejidad tanto en tiempo como en espacio.
It is optimal and complete.
Búsqueda limitada por la capacidad de la memoria:
Cuando se implementan las búsquedas vistas hasta el momento, hay ciertos problemas muy difíciles de resolver y por lo tanto siempre hay que dar algo a cambio para resolverlos, y lo primero que se cede es la memoria disponible.
Para poder conservar la memoria existen:
La búsqueda A por profundización iterativa
La búsqueda A acotada por memoria simplificada.
Búsqueda A por profundización iterativa (API):
En este algoritmo, cada iteración es una búsqueda preferente por profundidad, la cual se modifica para utilizar un límite de costo f en vez de un límite de profundidad.
En esta búsqueda el espacio requerido en memoria crece en forma lineal con respecto a la profundidad, mientras que la complejidad temporal depende de la cantidad de distintos valores que adopte la función heurística.
It is optimal and complete.
Tiene las siguientes características:
Hace uso de toda la memoria que puede disponer
En la medida que se lo facilite la memoria, evitará los estados repetidos
Es completa si la memoria disponible tiene capacidad suficiente para guardar la ruta de solución más cercana
Búsqueda de mejoramiento iterativo:
La ideaconceptthought básica de los algoritmos de estos tipos de búsqueda consiste en empezar con una configuración completa y efectuar modificaciones para mejorar su calidad.
Entre estas búsquedas se pueden encontrar:
Hill Climbing Search.
Search with Simulated Annealing.
Hill Climbing Search:
This search is about a loop that constantly moves in the direction of an increasing value. Since the algorithm does not maintain a search tree, the node data structure only needs to record the state and its evaluation, called VALUE.
Simulated Annealing Search:
This search is very similar to hill climbing search, but with the difference that instead of starting over randomly after getting stuck in a local maximum, it would be convenient to descend a few steps and thus escape the local maximum in question.
Artificial Intelligence Synthetic
Total pages viewed
To reflect
Commit your works to the Lord and your thoughts will be established. Prov 16:16:3three
If you are absent during my struggle… Do not expect to be present in my success
Enjoy the little things, because maybe one day you will look back and realize that they were great things
The bravest people I have known are those who have experienced defeats , who have known struggles, losses and who have found their way out from the depths to continue fighting with more strength