Cuadro Comparativo de Métodos de Búsquedas

1. BOLIVARIANA DE VENEZUELA
MINISTERIO PARA EL PODER POPULAR DE LA DEFENSA
UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA
DE LA FUERZA ARMADA NACIONAL
NÚCLEO LARA
CARRERA INGENIERÍA DE SISTEMAS
Cuadro Comparativo
INTEGRANTES:
Alejandro Escobar Ci: 25146869
Materia: Inteligencia Artificial.
Sección: 7D01IS
Barquisimeto 16-04-2019

2. Modelo Definición Características Aplicaciones Ventajas Desventajas Algoritmo
Amplitud o Anchura
La búsqueda en anchura
supone que el recorrido se
haga por niveles. La
búsqueda en anchura
(BEA) es uno de los
algoritmos más sencillos
para buscar en un grafo.
También sirve como
prototipo para otros varios
algoritmos de grafos
importantes que
estudiaremos más
adelante.
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.
Una aplicación es la
búsqueda de
información en un
nodo determinado,
luego de encontrar
este regresará.
Expandir los
nodos de forma
uniforme
garantiza
encontrar la mejor
solución de un
problema de
costo uniforme
antes que
ninguna de forma
que al encontrarla
regrese así será
mejor.
Es el alto orden
de complejidad
computacional
que plantea de no
mantenerse muy
limitados a los
parámetros i y n
del problema
crezcan
rápidamente los
requerimientos y
se vuelvan
inaceptables.
En estructuras de
programación
implementamos un
conjunto de nodos
abiertos como una
cola, dando inicio a un
procedimiento FIFO
primero que entra
primero que sale.
Profundidad
Este se diferencia del de
anchura, ya que va
iniciando en la raíz luego
va visitando los hijos
primeramente hasta
recorrerlo, luego pasará
por sus hermanos
repitiendo el proceso
anterior.
La forma en que
construye el árbol de
búsqueda, para tratar
de localizar el nodo
destino que nos
proporcionará la
solución del problema.
Una vez seleccionado
un nodo nos
adentramos al próximo.
Posee estructura LIFO.
Las
implementaciones de
forma recursivas
permiten por lo
general un gran
ahorro de espacio,
por lo tanto la
búsqueda se puede
realizar
recursivamente de
manera natural
Hereda sencillez
del algoritmo de
anchura. Siempre
localiza una
solución para
árboles finitos.
No es óptimo, al
no localizar
solución óptima a
no ser que solo
exista una única
solución posible.
Está en
desventaja en
comparación a
otros algoritmos
Al igual que el de
anchura poseen
complejidad de
almacenamiento.
Con respecto a la
estructura que se
implementa un
conjunto de nodos
que trabajan con la
estructura LIFO,
último en llegar
primero en salir.
Búsqueda General
en grafos.
Los espacios de búsqueda
en general pueden ser
representados como
grafos. Al trabajar con
grafos podemos hacer el
recorrido que repitan
nodos.
Posee una frontera es
la colección de nodos
que esperan ser
visitados
Cuando un nodo se
elimina de la frontera
se etiqueta como
cerrado.
Funciona como base
para los otros tipos de
búsqueda que
existen.
Se puede
trabajar de
manera libre al no
poseer una
estrategia fija
estipulada.
En la búsqueda
genérica no se
proporciona una
estrategia para el
recorrido de los
nodos.
Existe una forma no
determinada de
construir los caminos
que empiezan en el
nodo raíz y acaban
en las hojas.

3. Primero el Mejor
Acá podemos hablar de la
combinación del método
de anchura y profundidad,
sigue un sendero a la vez
pero el mismo puede
cambiar a otro camino más
prometedor que el que
sigue
Está apegado a un
algoritmo que realiza
una búsqueda en un
grafo O apegado a dos
listas de nodos y una
función heurística
Abierto: contiene los
nodos que han sido
generados.
Cerrados: una variable
que contiene los nodos
ya examinados así
evitar que sea un grafo
y no un árbol
Heurística: permite ir
por senderos mas
prometedores.
Muchos la aplican en
transporte de rutas de
tránsito aéreo,
terrestre o marítimo
para reducir costos en
el proceso.
Optimización del
tiempo al buscar
el camino más
prometedor.
Si la función de
evaluación es
exacta entonces
será el mejor
nodo de lo
contrario puede
dirigir la
búsqueda por mal
camino.
Puede ser
inexacto
Podemos estar
mal encaminados
con respecto a la
meta prevista u
objetivo.
Se puede aplicar el
Voraz o el Metodo A
Voraz: toma en
cuenta el nodo mas
cercano al objetivo,
asume llegar a una
solución.
El método A tiene
como objetivo
minimizar el costo
estimado total de la
solución.
Búsqueda en Haz
Acá se puede hablar de
que guarda la pista de k
estados y se generan unos
estados sucesores y si
llegase a ser el objetivo el
algoritmo se detiene sino
selecciona los k mejores
de estado y repite el
proceso.
Necesita una variable
denominada k es el
factor máximo de
ramificación en un
árbol.
Guardar un solo un
nodo en memoria
puede parecer una
reacción extrema al
problema de limitación
de memoria
Comienza con k
estados generados
aleatoriamente.
Busca llegar al
objetivo o nodo fijado
determinando cual es
el camino que genera
menos costo tomando
en cuenta los
movimientos que se
hacen. Y que sea
más rápida.
Prioriza los
estados y
determina el
mejor para
concentrase solo
en ese.
Si un estado
genera varios
sucesores
buenos, el
algoritmo
rápidamente
abandona las
búsquedas
infructuosas y
mueve sus
recursos.
La búsqueda por
haz local no es
independiente.
Un estado
generando
aleatoriamente
puede generar a
sus vez muchos
otros estados
considerados
buenos y otro
estado puede
generar el mismo
número de
estados pero
malos y solo uno
bueno.
Determina
recorriendo los nodos
de forma vertical
luego pasa al nodo
hermano y repite el
proceso hasta llegar
al objetivo.

4. Algoritmo A
Está 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 mas barata,
pasando por n y se calcula
de la siguiente manera
F=G(N)+H(N)
En esta búsqueda la
cantidad de memoria
necesaria crece
exponencialmente con
respecto a la
profundidad. Pero la
elección crece
exponencialmente
Con respecto a la
profundidad. Pero la
buena elección una
buena función
heurística permite
disminuir notablemente
la complejidad tanto en
tiempo como en
espacio.
Otro caso de análisis
de ruta donde se
busca la opción más
barata. Ejemplo de
rutas
Se puede decir
que es óptima y
completa.
Uso de memoria
más de lo común
debido a la
profundidad del
grafo.
Con la función
f=g(n)+h(n) siendo
siendo (g) el costo de
ruta y h(n) una
heurística admisible
(que nunca
sobreestima el costo
que implica alcanzar
la meta).
Exploración de
Grafos.
Esta descomposición de
un problema en
subproblemas puede
representarse mediante un
grafo dirigido en el que los
nodos serian problemas
asociados al mismo.
Muchos problemas
complejos pueden des
componerse en una
serie de subproblemas
tales que la solución
del problema original.
Los subproblemas se
dividen en
subproblemas y así
sucesivamente.
Un ejemplo fue deep
blue el cual derrotó a
Garry Kasparov en
1997 fue capaz de
analizar en 50 y
100.000 millones de
posiciones en menos
de tres minutos. Mas
rápido que su
predecesor Depp
Thought
En lugar de
evaluar todos los
hijos de un nodo
el algoritmo
finalizará tan
pronto como
descubriera que
el nodo es
irresoluble o
resoluble.
A veces se puede
encontrar con
problemas
irresolubles.
Su algoritmo plateara
la división de un
problema desde el
nodo raíz a sus hijos
hasta cumplir su
objetivo de solventar
el problema.
Minimax
El algoritmo minimax es
una de los algoritmos de
las búsquedas de
adversarios cuyo objetivo
es minimizar la perdida
contra adversarios en
juegos
Facilidad de problemas
complejos con reglas
simples.
Priebas contra
humanos
Existencia de un solo
ganador
Exploración de N capas
Tiempo de exploración
agotado.
Las aplicaciones son
por lo general en
juegos optando por
movimientos óptimos
para ganar un juego
como por ejemplo
ajedrez o damas,
prediciendo
movimientos que nos
ayuden a ganar
Busca optimizar,
predecir y
enfocarnos en la
victoria.
Puede poseer
fallas al no poder
predecir los
posibles
movimientos de
un oponente.
El algoritmo
principalmente esta
enfocado en
problemas
matemáticos de
juegos en donde los
costos de tiempos
son poco prácticos.
Aplica búsqueda en
profundidad.

5. Poda alfa beta
El algoritmo poda es una
versión mejorarda de la
anterior citada, planteando
una forma posible de
calcular un estado de
ojetivo sin la necesidad de
recorrar todos los nodos
del árbol de juego
Omisión de expansión
de nodos que por sus
valores no pueden ser
los mejores.
No afecta al resultado
final.
Permite búsquedas el
doble de profundas que
el minimax
Importancia de orden
Y no de valores.
Aplicaciones similares
a las del minimax
siendo este mas
óptimo comparado
con el anterior
Omitir la
expansión de
nodos que por
sus valores no
pueden ser
mejores(malos)
Únicamente
importa el orden y
no los valores
exactos
Podrá fallar al
tratar de predecir
al oponente
contra que está
jugando. Sin
embargo podrá
hacerle frente.
Los movimientos
no siempre serán
los esperados en
algunas
ocasiones.
Hace uso de la
búsqueda profunda
así que solo para
poder encontrar un
resultado solo
tenemos que
considerar los nodos
a lo largo de un solo
camino.