BÚSQUEDA HEURÍSTICA CON MEMORIA ACOTADA<br />FUNDAMENTOS DE INTELIGENCIA ARTIFICIAL<br />SANTIAGO MEDINA<br />
búsqueda recursiva del primero mejor (BRPM)<br />Es un algoritmo sencillo recursivo que intenta imitar la operación de la ...
La recursividad vuelve atrás, la BRPM sustituye los f-valores de cada nodo a lo largo del camino con el mejor f-valor de s...
A*PI y BRPM sufren de utilizar muy poca memoria:<br />A*PI conserva solo un número: el coste actual, y;<br />BRPM mantiene...
Existen dos algoritmos:<br />A*M (A*con memoria acotada)<br />A*MS (A*M simplificada)<br />A*MS avanza expandiendo la mejo...
Como en la BRPM, A*MS devuelve hacia atrás, a su padre, el valor del nodo olvidado. De este modo, el antepasado de un subá...
Aprender a buscar mejor<br />¿Podría un agente aprender a buscar mejor?<br />El método se apoya sobre un concepto importan...
El objetivo del aprendizaje es <br />reducir al mínimo el coste total de resolver el problema.<br />compensar el costo com...
Upcoming SlideShare
Loading in …5
×

Exposición Cap. 4 (Cont)

1,352 views

Published on

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
1,352
On SlideShare
0
From Embeds
0
Number of Embeds
77
Actions
Shares
0
Downloads
30
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Exposición Cap. 4 (Cont)

  1. 1. BÚSQUEDA HEURÍSTICA CON MEMORIA ACOTADA<br />FUNDAMENTOS DE INTELIGENCIA ARTIFICIAL<br />SANTIAGO MEDINA<br />
  2. 2. búsqueda recursiva del primero mejor (BRPM)<br />Es un algoritmo sencillo recursivo que intenta imitar la operación de la búsqueda primero el mejor estándar, pero utilizando sólo un espacio lineal.<br />Su estructura es similar a la búsqueda primero en profundidad recursiva.<br /> Mantiene la pista del f-valor del mejor camino alternativo disponible desde cualquier antepasado del nodo actual.<br />
  3. 3. La recursividad vuelve atrás, la BRPM sustituye los f-valores de cada nodo a lo largo del camino con el mejor f-valor de su hijo.<br />La BRPM recuerda el f-valor de la mejor hoja en el subárbol olvidado y por lo tanto puede decidir si merece la pena expandir el subárbol más tarde.<br />La BRPM es algo más eficiente que A*PI, pero todavía sufre de la regeneración excesiva de nodos<br />
  4. 4.
  5. 5. A*PI y BRPM sufren de utilizar muy poca memoria:<br />A*PI conserva solo un número: el coste actual, y;<br />BRPM mantiene solo una cantidad de información limitada en memoria que incluso si hubiera mas memoria disponible no la utilizaría. <br />
  6. 6. Existen dos algoritmos:<br />A*M (A*con memoria acotada)<br />A*MS (A*M simplificada)<br />A*MS avanza expandiendo la mejor hoja hasta que la memoria este llena. En este punto, no se puede añadir un nuevo nodo al árbol de búsqueda sin retirar uno viejo<br />
  7. 7. Como en la BRPM, A*MS devuelve hacia atrás, a su padre, el valor del nodo olvidado. De este modo, el antepasado de un subárbol olvidado sabe la calidad del mejor camino en el subárbol<br />A*MS bien podría ser el mejor algoritmo de uso general para encontrar soluciones óptimas, en particular cuando el espacio de estados es un grafo, los costos no son uniformes, y la generación de un nodo es costosa.<br />
  8. 8. Aprender a buscar mejor<br />¿Podría un agente aprender a buscar mejor?<br />El método se apoya sobre un concepto importante llamado el espacio de estados metanivel. <br />Cada estado en un espacio de estados metanivel captura el estado interno (computacional) de un programa que busca en un espacio de estados a nivel de objeto. <br />
  9. 9. El objetivo del aprendizaje es <br />reducir al mínimo el coste total de resolver el problema.<br />compensar el costo computacional y el coste del camino.<br />

×