Your SlideShare is downloading. ×
Implementacion Algoritmo LRTA*
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Implementacion Algoritmo LRTA*

1,785
views

Published on

Estudio y analisis de la Inteligencia Artificial en un Agente Inteligente aplicado a la ciencia cognitiva: BASTIN baston inteligente para personas no videntes

Estudio y analisis de la Inteligencia Artificial en un Agente Inteligente aplicado a la ciencia cognitiva: BASTIN baston inteligente para personas no videntes

Published in: Education, Technology

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
1,785
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
17
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. ESTUDIO Y ANÁLISIS DE LA INTELIGENCIA ARTIFICIAL EN UN AGENTE RACIONAL APLICADO A LA CIENCIA COGNITIVA
    BASTIN “Bastón Inteligente integrado para personas no videntes”.
    Implementación del algoritmo LRTA*
  • 2. Implementación LRTA*
    El agente aprende la función heurística admisible, para estimar el costo del camino hacia el objetivo. Y dispone de h 0 en todos los nodos, para comenzar el proceso de aprendizaje.
     Inicia una búsqueda A*.
     Conoce el coste correspondiente al movimiento detectado desde el nodo captado en tiempo-on-line a sus nodos sucesores.
     -Expande n(i) que es el nodo origen, para generar sucesores S(n(i) obstáculos y/o rutas.
     Para el nodo objetivo h(n(i)), en base al coste de movimiento desde nodo origen n(i) al nodo objetivo n(j)
    Ec.1: Heurística para mejorar el rendimiento en la búsqueda heurística de tiempo real.
  • 3. Como aprende el AGENTE:
    Fig.2 Heurísticas para la toma de decisiones basadas en el conocimiento, para utilizar una arquitectura híbrida.
  • 4. Heurísticas
    • La medición de obstáculos local se genera por la estimación de las vibraciones generalmente mayores de 20 Db, que determina la distancia del radio admitido como libre de obstáculos.
    • 5. La función heurística h(n) ruta visitada y h’(n) ruta actualizada, siempre que esta sea admisible. No así cuando es 0, el algoritmo se comportaría como una búsqueda de anchura, porque aun no hay coste del camino recorrido.
    • 6. Complejidad espacio temporal de LRTA* es su almacenamiento en la tabla de valores heurísticos de todos los estados de la ruta inicial al estado objetivo. Dado en:
    Ec.2: Heurística para mejorar el rendimiento en la búsqueda heurística de tiempo real.
  • 7. Algoritmo en pseudocódigo
    S = Estado
    Si = Estado inicial.
    Sobj = estadoobjetivo.
    H(s) = heuristic aplicada a ese estado.
    Max = maximización de la función
    Min = minimización de la función.
    Succ(s) = sucesores de s->(S’)
    argMin = minimo valor de un dominio.
    s:= si.
    Si s=sobj, entonces detener con éxito.
    h(s):=max(h(s),min s’’succ(s)(c(s,s’’)+h(s’’))).
    s’:=argmins’’succ(s)(c(s,s’’)+h(s’’)).
    Solucionar empates aleatoriamente.
    s:=s’.
    Go to 2
  • 8. Clase para determinar el coste ruta.
    Fig3. clases pertenecientes al paquete, se muestran las funciones y librerías.
    • Hemos agregado la heurística de Manhattan como base para implementar herencia y poder derivar la heurística LRTA*
  • Implementación LRTA*
    Fig.4 Estado inicial en línea, percepción de rutas.
  • 9. Implementación LRTA*
    • Fig.5 Heurística en la determinación de ruta
  • Implementación LRTA*
    Fig.6 En cada iteración vuelve a evaluar el camino mediante heurística
  • 10. Implementación LRTA*
    El algoritmo de aprendizaje en tiempo real (Learning Real-Time A*), Usa heurística en tiempo real, bajo las condiciones que siempre encuentra una solución a un problema y converge a soluciones óptimas cuando lo resuelve repetidas veces.
    Fig.7 Coste de los tiempos
  • 11. BIBLIOGRAFIA
    [1] [Russell Stuart, 2004] Peter Norving. INTELIGENCIA ARTIFICIAL. UN ENFOQUE MODERNO]. Pearson Educación. 2da. Edición. Madrid.
    [2] [Rodriguez Jorge. 2008]. INTRODUCCIÓN A LOS SISTEMAS DE VISIÓN ARTIFICIAL]. Disponible en http://www.scribd.com/doc/8343510/Vision-Artificial último acceso. Úlitmo acceso 30/01/2010.
    [3]Artificial Intelligence: A Modern Approach. [ Disponible en: http://aima.cs.berkeley.edu
    [4][Mira José, 2001] Delgado Esperanza, etc. ASPECTOS BÁSICOS DE LA INTELIGENCIA ARTIFICIAL. Editorial Sanz y Torres. Madrid.
    [5]Burns Alan, Wellings Andy. 2003]. SISTEMAS DE TIEMPO REAL Y LENGUAJES DE PROGRAMACIÓN. 3ra. Edición. Pearson Educación S.A. Madrid.
    [6] Malagón Constantino. 2003] SISTEMAS BASADOS EN CONOCIMIENTO. February 17, 2003. Disponible en: http://www.nebrija.es/~cmalagon/inco/Apuntes/sistemas_basados_en_conocimiento.pdf Úlitmo acceso 27/01/2010.
    [6] http://www.bloggadgets.es/1455/eye-stick-el-baston-para-no-videntes-con-sensor/
    [7] Hernandez Carlos, 2007]. Mejorando la convergencia en búsqueda heurística de tiempo real. Disponible en http://www.iiia.csic.es/~chernan/hernandezcarlos.doc Ültimo acceso 2/02/2010.
    [8] http://www.w3.org/RDF/Validator/