cuadro comparativo sobre metodos de busqueda del grupo de inteligencia artificial 1-2023 unefa-lara

1. REPUBLICA BOLIVARIANA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA DEFENSA
UNIVERSIDAD NACIONAL EXPERIMENTAL DE LA FUERZA ARMADA NACIONAL
NUCLEO – LARA
Integrantes:
Victor Camacaro C.I.: 27.119.364
Scarly Macareo C.I.: 28.595.016
Jorge duran C.I.: 28.511.812
Delsimar Sandoval C.I.: 27.627.448
Kelwins zapata C.I.: 27.585.380
Gilbermar López C.I.: 28.329.129
José Sierra C.I.:28.511.812
Sección: 7D01IS Prof.: Edecio Freitez

2. INTRODUCCION
La inteligencia artificial se basa en la capacidad de las máquinas para aprender y resolver problemas de manera autónoma mediante
el uso de algoritmos y técnicas de procesamiento de datos. Uno de los aspectos clave de la inteligencia artificial es la capacidad de
buscar y encontrar soluciones óptimas a los problemas.
Los métodos de búsqueda son un conjunto de técnicas y algoritmos que permiten a los sistemas de inteligencia artificial buscar
soluciones óptimas en un espacio de búsqueda determinado. Estos métodos se utilizan en una amplia variedad de aplicaciones de
inteligencia artificial, desde la planificación y la toma de decisiones hasta la visión por computadora y el procesamiento del lenguaje
natural. Existen varios tipos de métodos de búsqueda, que varían en función de la estructura del problema y de los recursos disponibles.
Algunos de los métodos de búsqueda más comunes incluyen la búsqueda en profundidad, la búsqueda en amplitud, la búsqueda
heurística y la búsqueda por adversario.

3. Nombre de
búsqueda
Tipo de búsqueda Descripción Ventaja Desventaja Aplicación
Búsqueda a Ciega
Búsqueda en
Amplitud
Es un algoritmo de
búsqueda no informada
utilizado para recorrer o
buscar elementos en un
grafo (usado
frecuentemente sobre
árboles). Intuitivamente, se
comienza en la raíz
(eligiendo algún nodo como
elemento raíz en el caso de
un grafo) y se exploran
todos los vecinos de este
nodo. A continuación para
cada uno de los vecinos se
exploran sus respectivos
vecinos adyacentes, y así
hasta que se recorra todo el
árbol.
-Si existe la
solución, la
encuentra en la
menor profundidad
posible
-Explosión
combinatoria
aparece
frecuentemente
debido a la alta
complejidad espacial
y temporal de esta
tecnica
-Encontrar el camino
más corto entre 2
nodos, medido por el
número de nodos
conectados
-Probar si un grafo de
nodos es bipartito (si
se puede dividir en 2
conjuntos)
- Sistemas de
navegación GPS, para
encontrar
localizaciones vecinas
Búsqueda en
profundidad
Una búsqueda en
profundidad (DFS) es un
algoritmo de búsqueda para
lo cual recorre los nodos de
un grafo. Su funcionamiento
consiste en ir expandiendo
cada uno de los nodos que
va localizando, de forma
recurrente (desde el nodo
padre hacia el nodo hijo).
Cuando ya no quedan más
nodos que visitar en dicho
camino, regresa al nodo
-Expandir un
camino hasta su
máxima
profundidad puede
ser útil para acotar
la solución en
problemas de
optimización
-Tiene mejor
complejidad
espacial que
-El requerimiento de
memoria es limitado,
aun si se garantiza
que no cicle ya que
solo hace falta
guardar los datos de
la rama actual
-Encontrar nodos
conectados en un
grafo
-Ordenamiento
topológico en un
grafo a cíclico dirigido
-Encontrar puentes
en un grafo de nodos

4. predecesor, de modo que
repite el mismo proceso con
cada uno de los vecinos del
nodo
búsqueda en
amplitud
Búsqueda General
La búsqueda general en
grafos es un algoritmo
que se utiliza para
recorrer un grafo y visitar
todos los vértices y
aristas del mismo. Este
algoritmo es útil para
encontrar caminos,
detectar ciclos y visitar
todos los nodos en un
grafo.
- Permiten
representar
relaciones complejas
entre los elementos
de datos
- La búsqueda en
grafos puede ser más
eficiente que otros
métodos de
búsqueda
-la búsqueda general
en grafos puede ser
costosa en términos
de memoria
- la búsqueda general
en grafos puede ser
difícil de implementar
correctamente. Dado
que los grafos pueden
ser muy complejos, es
importante tener en
cuenta todas las
posibles situaciones y
excepciones que
pueden surgir durante
la búsqueda.
-Redes sociales: los
grafos se utilizan
para representar las
relaciones entre los
usuarios de las redes
sociales.
-Rutas de transporte:
los grafos se utilizan
para representar las
rutas de transporte,
como las carreteras o
las líneas de
transporte público.
Búsqueda Heurística
Búsqueda primero
el mejor
La búsqueda primero el
mejor (Best-First Search en
inglés) es un algoritmo de
búsqueda en grafos que se
utiliza para encontrar el
camino más corto o más
óptimo entre dos nodos en
un grafo
-Eficiencia: la
búsqueda primero
el mejor es un
algoritmo eficiente
para encontrar la
ruta más corta o
más óptima en un
grafo
-Flexibilidad: la
función de
evaluación utilizada
en la búsqueda
primero el mejor se
puede personalizar
-Complejidad de la
función de
evaluación: la calidad
de la solución
encontrada por la
búsqueda primero el
mejor depende en
gran medida de la
función de
evaluación utilizada.
-Costo
computacional: en
algunos casos, la
-Planificación de
rutas: la búsqueda
primero el mejor se
utiliza comúnmente
para encontrar la
ruta más corta o más
óptima entre dos
puntos en un mapa o
red de transporte
-Sistemas de
recomendación: la
búsqueda primero el
mejor se puede

5. para adaptarse a
diferentes tipos de
problemas
búsqueda primero el
mejor puede ser
costosa en términos
de tiempo y
memoria,
especialmente si el
grafo es muy grande.
utilizar para
encontrar productos
o servicios
relacionados en un
conjunto de datos
Búsqueda en Haz
La búsqueda en haz es una
técnica de búsqueda
heurística útil para espacios
de búsqueda grandes y
complejos, pero su calidad y
eficacia dependen en gran
medida del tamaño y la
selección adecuada del haz.
-Ahorro de recursos:
Al reducir el espacio
de búsqueda, la
búsqueda en haz
ahorra tiempo y
recursos, lo que la
hace ideal para
problemas que
requieren respuestas
rápidas.
- Capacidad para
encontrar soluciones
subóptimas: La
búsqueda en haz
puede encontrar
soluciones
subóptimas en un
tiempo
Riesgo de quedarse
atrapado en un óptimo
local: Al enfocarse en
un subconjunto
limitado de soluciones,
la búsqueda en haz
puede quedarse
atrapada en un óptimo
local, sin explorar otros
posibles caminos hacia
la solución óptima.
- No garantiza la solución
óptima: La búsqueda en
haz no garantiza que se
encuentre la mejor
solución posible, y puede
perder soluciones óptimas
que no se encuentran
dentro del haz
seleccionado.
-Procesamiento de
lenguaje natural: La
búsqueda en haz se
utiliza en la
generación de
lenguaje natural y la
traducción
automática.
- Visión por
computadora: La
búsqueda en haz se
utiliza en la detección
y el reconocimiento
de objetos en
imágenes y videos.
Algoritmo en A
El algoritmo A* es un
algoritmo de búsqueda
heurística utilizado en
inteligencia artificial y en
muchos otros campos
para encontrar el camino
más corto entre un nodo
-Eficiencia: El
algoritmo A* es
eficiente en la
mayoría de los
casos porque utiliza
una heurística para
-Heurística incorrecta: Si
la función heurística
utilizada por A* no
proporciona una buena
estimación del costo
restante, el algoritmo
puede explorar muchos
nodos innecesarios y ser
menos eficiente.
-Visión por
computadora: El
algoritmo A* se
utiliza en la detección
y el reconocimiento
de objetos en
imágenes y videos.

6. de inicio y un nodo de
destino en un grafo
ponderado.
guiar la búsqueda
hacia el objetivo.
-Optimización: El
algoritmo A* es
óptimo, lo que
significa que
siempre encontrará
la solución más
corta y eficiente si
existe una.
-Requiere memoria: El
algoritmo A* requiere
almacenar información
sobre todos los nodos
explorados y
pendientes, lo que
puede requerir mucha
memoria en problemas
con grafo grande.
Procesamiento de
lenguaje natural: El
algoritmo A* se
utiliza en la
generación de
lenguaje natural y la
traducción
automática.
Búsqueda en
adversario
Método Minimax
El algoritmo Minimax es una
técnica utilizada en
inteligencia artificial para la
toma de decisiones en
juegos y otras situaciones
similares en las que hay dos
o más jugadores o agentes
que deben tomar decisiones
en un entorno de
incertidumbre.
-Es un método
eficiente: El método
Minimax es un
método eficiente
para explorar todas
las posibles jugadas y
calcular el valor
esperado de cada
nodo en el árbol de
juego
-No es adecuado para
juegos con información
incompleta: El método
Minimax no es
adecuado para juegos
con información
incompleta, como
póker, ya que no puede
tomar en cuenta todas
las posibles
combinaciones de
cartas.
Puede ser utilizado
para determinar la
mejor acción posible en
juegos con información
completa, en la
planificación y
ejecución de tareas en
robótica, en la toma de
decisiones en negocios
y finanzas, y en muchos
otros campos donde se
requiere una toma de
decisiones óptima.
Método de Poda
El método de poda es una
técnica utilizada en
inteligencia artificial para
reducir el tamaño de los
árboles de decisión y
mejorar la eficiencia
computacional.
-Reduce el tamaño
del árbol de
decisión.
-Mejora la precisión
del modelo
-Puede ser difícil de
implementar.
- Puede ser subjetiva
-Clasificación de
imágenes: El método
de poda se puede
utilizar en la
clasificación de
imágenes para reducir
el tamaño del modelo y
mejorar su eficiencia.
- Análisis de sentimientos:
El método de poda se
puede utilizar en el

7. análisis de sentimientos
para reducir el tamaño del
modelo y mejorar su
eficiencia.

8. REFLEXION
Los métodos de búsqueda en inteligencia artificial son una herramienta poderosa para encontrar soluciones
óptimas en un espacio de búsqueda determinado. Estos métodos son esenciales en muchas aplicaciones de la
inteligencia artificial, como la planificación y la toma de decisiones, la visión por computadora y el procesamiento
del lenguaje natural.
Los métodos de búsqueda pueden ser muy efectivos en encontrar soluciones en un espacio de búsqueda limitado,
pero pueden ser intensivos en términos de tiempo y recursos en espacios de búsqueda más grandes y complejos.
También pueden no ser efectivos en problemas que requieren una solución rápida y precisa.
Es importante destacar que los métodos de búsqueda no son una solución universal para todos los problemas de la
inteligencia artificial. En algunos casos, pueden ser necesarios otros enfoques, como el aprendizaje automático o la
toma de decisiones probabilísticas.
En definitiva, los métodos de búsqueda son una herramienta valiosa en la inteligencia artificial, pero deben ser
utilizados con precaución y con una comprensión clara de sus limitaciones y fortalezas. Es importante seleccionar
el método de búsqueda adecuado para cada problema y considerar otros enfoques para abordar problemas
complejos en inteligencia artificial.

9. BIBLIOGRAFIA
https://es.slideshare.net/NoraVelasquez4/metodos-de-busqueda-en-inteligencia-artificial
http://inteligenciaartificialgrupo33.blogspot.com/p/metodos-de-busqueda-y-ejemplos.html
https://www.encora.com/es/blog/dfs-vs-bfs