metodos de busqueda en inteligencia artificial

1. REPUBLICA BOLIVARIANA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA DEFENSA
UNIVERSIDAD NACIONAL EXPERIMENTAL POLITECNICA
DE LA FUERZA ARMADA NACIONAL
UNEFA-LARA
METODOS DE BUSQUEDA
PARTICIPANTE:
YORLYS OROPEZA
CI:25142034
PROF: EDECIO FREITEZ
BARQUISIMETO, ABRIL 2019

2. Nombre Descripción Características Aplicación Ventajas Desventajas Algoritmo Asociado
Búsqueda en Anchura
Se expande desde el
nodo raíz.
Luego, expande todos
sus nodos hijos.
Luego, los hijos de los
hijos y así
sucesivamente.
Completo, ya que consigue la
solución más óptima.
La solución encontrada es la
más superficial.
Coloca todos los nodos en
una cola FIFO, con una
frontera vacía para que todos
los nuevos sean los primeros
expandidos.
La cola FIFO coloca todos los
nodos sucesores al final de la
cola.
Es usado en
problemas
realmente
pequeños, en donde
el coste de las
acciones es el
mismo para todas.
Si hay una solución, la
encuentra siendo esta la
más óptima.
Expande muchos nodos
inútiles.
Coste constante y no
negativo.
Solo para problemas
simples.
Búsqueda de costo
uniforme.
Búsqueda en Profundidad
Se expande desde el
nodo raíz, luego uno de
sus hijos, y uno de los
hijos del hijo, si se llega a
una hoja que no es
solución, se retrocede y
se prueba con el
siguiente hijo.
Completo si se evitan
caminos redundantes y el
espacio de estados es finito.
En el caso de espacios de
estados infinitos no es
completo ya que puede que
nunca consiga la solución.
Se implementa una cola de
orden LIFO.
Puede ser implementado con
funciones recursivas.
Almacena solo un camino
desde la raíz hasta el nodo
hoja.
Es usado en
espacios de estados
en donde las
acciones están
limitadas.
Ocupa muy poco espacio.
Ocupa diez billones de
veces menos espacio que el
algoritmo búsqueda en
anchura.
No es completo ni óptimo.
Puede probar muchos
caminos inútiles.
Puede quedarse atrapado
en bucles infinitos.
Búsqueda hacia atrás.
Búsqueda de profundidad
limitad.
Búsqueda primero en
profundidad con
profundidad iterativa.
Búsqueda General en
Grafos
Crea un grafo de
exploración que contiene
un único nodo que
contiene la solución al
problema.
Crea una lista de nodos
que inicialmente está
vacía, y realiza la
búsqueda hasta que se
encuentre la meta o
devuelve fallo.
Si encuentra la solución
encuentra la más óptima.
Determina si un nuevo
estado ya había sido
generado y expandido.
Si se quiere reanudar a un
camino abandonado se
vuelve a consultar una de sus
listas.
Usado para la
resolución de
problemas en
general.
Ocupa muy poco espacio.
Si hay una solución, la
encuentra siendo esta la
más óptima.
Evita la generación de
nodos repetidos.
Expande muchos nodos
inútiles.
Coste constante y no
negativo.
La mayoría de los
algoritmos de Búsqueda
no Informada e Informada
se basan en este
algoritmo general de
búsqueda.

3. Nombre Descripción Características Aplicación Ventajas Desventajas Algoritmo Asociado
Búsqueda “Primero el
mejor”
Selecciona el siguiente
nodo a expandir mediante
la función de evaluación
f(n), que esta
implementada en una lista
de prioridad.
Tratar de expandir el nodo
más cercano para conseguir
más rápidamente la solución.
Evalúa los nodos utilizando
solo la función heurística.
Encuentra la solución sin
expandir un nodo que este el
camino de solución.
Es usado en
problemas en donde
las acciones se
comportan como si
fuesen un único
camino hacia la
solución.
Admite costes variables de
acciones.
Reduce complejidad con
buena heurística.
Evita visitar demasiados
caminos inútiles.
No es completo porque
puede caer en callejones
sin salida y no aportar una
solución.
No es óptimo ya que
aunque así si encuentre la
solución puede no ser la
óptima ya que no tiene en
cuenta los costes.
Algoritmo A*
Búsqueda en Haz
Pretende acelerar el
proceso de búsqueda
reduciendo en cada paso
del algoritmo el número
de nodos generados que
van a poder ser
expandidos.
Guarda solo un nodo en la
memoria, como reacción a las
limitaciones de memoria.
También puede guardar la
pista de K estados.
Comienza generando los
estados generados
aleatoriamente.
En cada paso se generan los
sucesores de K estados.
En el caso de no conseguir
su objetivo selección los K
mejores de la lista completa y
comienza de nuevo.
Es aplicado en
algoritmos genéticos
en donde cada
estado sucesor
combina dos
estados padres.
Disminuye la cantidad de
nodos a generar.
No es óptimo porque no
consigue la solución más
óptima.
Búsqueda en Haz Local.
Búsqueda en Haz
Estocástica.
Algoritmos Genéticos.
Algoritmo A*
Tiene en cuenta el coste
del camino y el coste de
la heurística.
El siguiente nodo en
expandir es el que tenga
menor coste estimado por
la función de evaluación.
Es una ampliación de la
búsqueda “Primero el mejor”.
Evalúa los nodos
combinando, el coste para
alcanzar el nodo y el coste de
ir al nodo objetivo.
Trata de conseguir la solución
más barata intentando con el
nodo de valor más bajo.
Es usado en donde
la heurística es
admisible, donde el
coste de ir al nodo
objetivo no
sobreestime el coste
de alcanzar el nodo
objetivo.
Admite costes variables de
acciones.
Evita caminos inútiles
(poda).
Reduce complejidad con
buena heurística.
Es completo y óptimamente
eficiente.
El algoritmo es completo
porque si existe la solución
la encuentra.
Es optimo en arboles si es
admisible, y en grafos si es
consistente.
A* es completamente
eficiente es el que menos
nodos expande.
Aún pueden darse
complejidades
exponenciales, sobre todo
en espacio.
Búsqueda heurística con
memoria acotada o A* de
profundidad iterativa(A*PI).
Búsqueda recursiva de
primero el mejor (BRPM).
A* con Memoria
Acotada(A*M).
A*M Simplificada(A*MS).

4. Nombre Descripción Características Aplicación Ventajas Desventajas Algoritmo Asociado
Exploración de Grafos
Y/O
Los nodos de un grafo
Y/O representan
subproblemas a
resolver, originados a
partir de un problema
inicial que se
corresponderá con el
nodo superior del
grafo.
Los Nodo O representan
las alternativas existentes
para la solución de un
problema.
Los Nodo Y conectan a
un nodo padre con los
problemas que hay que
solucionar.
Hace uso de una función
heurística.
Usado en
problemas que
puedan ser divido
en problemas
más pequeños y
que estos mismos
puedan llevar a
una solución.
Las mismas que A*.
Reduce la complejidad.
Si existe una solución la
encuentra, y esta es
óptima si en árboles, si
la heurística es
admisible, y en grafos si
es consistente.
Aún pueden darse
complejidades
exponenciales, sobre
todo en espacio.
Depende del tipo de
problema.
Método MAX.
Método MMValor.
Método MINIMAX.
Método Minimax
Está basado en
primero profundidad, y
en Grafos Y/O.
En por cada acción de
jugador, se debe de
analizar todas las
posibles soluciones del
otro jugador.
Consigue la mejor
estrategia, y una
secuencia de acciones
óptimas.
Según su utilidad máxima
el agente inteligente, y
minimiza en el
contrincante.
No se aprovecha de
situaciones especiales en
la que no es necesaria
explorar ciertos caminos.
Usado
ampliamente en
juegos en donde
se necesita saber
cuáles son las
posibles opciones
a elegir en una
partida.
El algoritmo tiene la
capacidad de aprender
de su oponente.
Cada estado debe ser
visitado dos veces: una
vez para encontrar sus
hijos, y otra para
evaluar el valor
heurístico.
Tiende a ser
demasiado lento.
El factor de
ramificación es cada
vez más profundo.
Método Poda Alfa-Beta.
Método de Poda
Calcula el valor
correcto de la función
minimax sin mirar
todos los nodos de un
árbol.
La misma que minimax
pero solo centrándose en
los nodos en donde se
consiga posiblemente la
solución.
Se abandonara una
solución cuando se
compruebe que esta es
peor que otras ya
conocidas.
Utilizada en
problemas donde
el factor de
ramificación ya
sea muy elevado
y sus costes sean
muy prohibitivos.
La eficacia es debido a
la forma en como
examina los sucesores.
La poda no afecta el
resultado final.
Es más eficiente debido
a que usa menos
variables.
Es posible que no
consiga una solución
aunque exista.