Sie sind auf Seite 1von 81

Instituto Tecnolgico Superior de lamo Temapache

Departamento de Ingeniera en Sistemas Computacionales

Apuntes de Inteligencia Artificial

M.C. Tania Turrubiates Lpez.

Eladorados por:

Xoyotitla Mpio. de lamo Temapache a Junio de 2007

CONTENIDO

La tabla de contenido est vaca porque el documento no utiliza ninguno de los estilos de prrafo seleccionados en la ventana Inspector del documento.

Apuntes de Inteligencia Artificial

|Inteligencia Artificial
Aportacin de la asignatura al perfil del estudiante: Capacidad de anlisis, de desarrollo y de programacin de modelos matemticos, estadsticos y de simulacin. Coordina y realiza investigaciones que fortalezcan el desarrollo cultural, cientfico y tecnolgico. Aplica nuevas tecnologas a la solucin de problemas de su entorno laboral. Desarrolla interfaces hombre-mquina.

Objetivo general del curso: Elestudianterepresentarproblemasbasadosenconocimientoentrminosformalesydisearla solucin a problemas tpicos de la InteligenciaArtificial (IA).

Aprendizajes requeridos: Comprensin de las estructuras de control, anlisis de algoritmos, programacin, las listas, rboles, recursividad y teora de la probabilidad.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Inteligencia: Capacidad de entender o comprender, y de resolver problemas. Habilidad, destreza y experiencia. Real Academia de la Lengua Espaola.

Capacidad que tienen muchos seres vivos de planear, resolver problemas, pensar en
abstracto, aprender, comprender ideas. Wikipedia Los individuos difieren los unos de los otros en habilidad de comprender ideas complejas, de adaptarse eficazmente al entorno, de aprender de la experiencia, en encontrar varias formas de razonar, de superar obstculos mediante la reflexin. A pesar de que estas diferencias individuales puedan ser sustanciales, stas nunca son completamente consistentes: las caractersticas intelectuales de una persona variarn en diferentes ocasiones, en diferentes dominios, y juzgarn con diferentes criterios. El concepto de "inteligencia" es una tentativa de aclarar y organizar este conjunto complejo de fenmenos. American Psychological Association. Una muy general capacidad mental que, entre otras cosas, implica la habilidad de razonar, planear, resolver problemas, pensar de manera abstracta, comprender ideas complejas, aprender rpidamente y aprender de la experiencia. No es un mero aprendizaje de los libros, ni una habilidad estrictamente acadmica, ni un talento para superar pruebas. Ms bien, el concepto se refiere a la capacidad de comprender nuestro entorno. Mainstream Science on Intelligence. Es la capacidad de relacionar las necesidades para sostener la entalpa con las propiedades interactivas del medio, de aislar objetos segn sus propiedades de interaccin para usarlos con un objetivo concreto; ya sea la de cubrir las necesidades del sistema, de resolver problemas, de imaginar nuevos sistemas. Definicin Evolutiva

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Unidad 1.- Fundamentos

Objetivo: El estudiante conocer las formas de representacin simblicas y su aplicacin.

.1 .2

El propsito de la IA y su evolucin histrica. Las habilidades cognoscitivas segn la psicologa. Teoras de la inteligencia (conductismo, Gardner)

.3 .4 .5 .6 .7

El proceso de razonamiento segn la lgica (axiomas, teoremas y demostracin) El modelo de adquisicin del conocimiento segn la filosofa. El modelo cognoscitivo. El modelo del agente inteligente. El papel de la heurstica.

Actividades de aprendizaje: Buscar y seleccionar informacin sobre las teoras de la inteligencia humana. Discutir en grupo, las diferentes teoras de la inteligencia humana. Buscar informacin sobre los modelos de adquisicin del conocimiento. Discutir en grupo las diferencias de los modelos de adquisicin del conocimiento. Discutir en grupo, las diferentes manifestaciones de la inteligencia humana.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Unidad 1 Fundamentos

1.

El propsito de la IA y su evolucin histrica

Elhombresehaaplicadoasmismoelnombrecientficodehomosapiens,comounavaloracin de la trascendencia de nuestras habilidades mentales tanto para nuestra vida cotidiana como en nuestropropiosentidodeidentidad.Losesfuerzosdelcampodelainteligenciaartificial,oIA,se enfocan a lograr la comprensin de entidades inteligentes. Por ello una razn de su estudio es el aprender ms acerca de nosotros mismos.

Adiferencia de la filosofa y la psicologa, que tambin se ocupan de la inteligencia, los esfuerzos de la IA estn encaminados tanto a la construccin de entidades como a su comprensin.

El problema que aborda la IA es uno de los ms complejos: Cmo es posible que un diminutoylentocerebro,seabiolgicooelectrnico,tengacapacidadparapercibir,comprender, predecir y manipular un mundo que en tamao y complejidad lo excede en creces? Cmo es posiblecrearapoyndoseenesaspropiedades?Preguntasdifciles,peroelinvestigadordecampo de la IA cuenta con pruebas contundentes de que tal bsqueda es factible.

La IA es una de las disciplinas ms nuevas, formalmente se inicia en 1956, cuando se acuo el trmino. Por otra parte el estudio de la inteligencia es una de las disciplinas ms antiguas, por ms de 2000 aos, los filsofos se han esforzado por comprender cmo se ve, aprende, recuerda y razona, as como la manera que estas actividades deberan realizarse.

Qu es la IA? Unadefinicinsimpleseraquelainteligenciaartificial,tienequeverconeldiseodeprogramas inteligentes. Otra definicin es la rama de la informtica que desarrolla procesos que imitan a la

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

inteligenciadelosseresvivos.Laprincipalaplicacindeestacienciaeslacreacindemquinas para la automatizacin de tareas que requieren un comportamiento inteligente.

EnlaFigura1.1sepresentandefinicionesdeloqueeslainteligenciaartificial,deacuerdo conocho autoresdiferentes. Las queparecenenlapartesuperior serefieren aprocesos mentales y al razonamiento mientras que las de la parte inferior aluden a la conducta. Por otra parte, las definiciones de la izquierda miden la condicin miden la condicin deseable en funcin de eficiencia humana, mientras que las de la derecha lo hacen de conformidad con un concepto de inteligencia ideal, denominado racionalidad. Se considera que un sistema es racional si hace lo correcto. De acuerdo a lo anterior, en la IA existen cuatro posibles objetivos por alcanzar.

Sistemas que piensan como humanos


piensen mquinas con mente, en su amplio sentido literal.Haugeland, 1895

Sistemas que piensan racionalmente


uso de modelos computacionales Charnaik y MacDermott, 1985

La interesante tarea delograr quelas computadoras El estudio de las facultades mentales mediante el

[La automatizacin de] actividades que vinculamos El estudio de los clculos que permiten percibir, con procesos de pensamiento humano, actividades tales como toma de decisiones, resolucin de problemas, aprendizaje Bellman, 1978 razonar y actuar.Winston, 1992

Sistemas que actan como humanos

Sistemas que actan racionalmente

El artede crear mquinas con capacidad derealizar Uncampodeestudioqueseenfocaa laexplicacin funciones que realizadas por personas requieren de yemulacindelaconductainteligenteenfuncinde inteligenciaKurzweil, 1990 El estudio de cmo lograr que las computadoras realicen tareas que, por el momento, los humanos procesos computacionalesSchalkoff, 1990 La rama de la ciencia de la computacin que se ocupa de la automatizacin de la conducta

han hecho mejor.Rich yKnight, 1991 inteligenteLugeryStubblefield, 1993 Figura 1.1 Algunas definiciones de la IA

El enfoque centrado en el comportamiento humano constituye una ciencia emprica, que entraa el comportamiento de hiptesis y de la confirmacin mediante experimentos. El racionalista combina matemticas e ingeniera. Todas estas orientaciones han hecho valiosas aportaciones. Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

El enfoque de la prueba de Turing Mediante la prueba de Turing, propuesta por Alan Turing en 1950, se intenta ofrecer una satisfactoria definicin operativa de lo que es la inteligencia. Turing defini una conducta inteligentecomolacapacidaddelograreficienciaanivelhumanoentodaslasactividadesdetipo cognoscitivo, suficiente para engaar a un evaluador.

Brevemente, la prueba queTuring propuso consista en que un humano interrogase a una computadora por medio de un teletipo; la prueba se consideraba aprobada si el evaluador era incapazdedeterminarsiunacomputadoraounhumanoeraquienhabarespondidolaspreguntas al otro extremo de la terminal. Hoy por hoy, el trabajo que entraa programar una computadora para pasar la prueba es considerable. La computadora debera ser capaz de lo siguiente: Procesar un lenguaje natural, para as poder establecer comunicacin satisfactoria, se en ingls o en cualquier otro idioma. Representar el conocimiento, para as guardar toda la informacin que se le haya dado antes o durante el interrogatorio. Razonar automticamente, con el fin de utilizar la informacin guardada al responder preguntas y obtener nuevas conclusiones. Aprendizaje de la mquina, para que se adapte a nuevas circunstancias y para detectar y extrapolar esquemas determinados.

Los fundamentos e historia de la inteligencia artificial Si bien la IAes un campo joven, es heredera de viejas ideas, puntos de vista y tcnicas de otras disciplinas. Durante ms de 2000 aos de tradicin en filosofa han surgido diversas teoras del razonamientoydelaprendizaje,simultneamenteconelpuntodevistadequelamentesereduce al funcionamiento de un sistema fsico. Durante ms de 400 aos de matemtica, han surgido teoras formales relacionadas con la lgica, probabilidad, toma de decisiones y computacin. La psicologa ofrece herramientas que permiten la investigacin de la mente humana, as como un lenguaje cientfico para expresar las teoras que se van obteniendo. La lingstica ofrece varias

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

teorassobrelaestructuraysignificadodellenguaje.Porultimo,lacienciadelacomputacin,de la que se toman las herramientas que permiten que la IA sea una realidad.

Actividades: Las siguientes actividades se realizarn por equipo, y el resultado de estas se subir al sitio del grupo.

k k

Leer el tema Los fundamentos de la inteligencia artificial del libro Inteligencia Artificial, un enfoque moderno; de los autores Russell y Norving. Identificar cmo surgieron los diversos componentes intelectuales que constituyen la IA. Leer el tema Historia de la inteligencia artificial del libro Inteligencia Artificial, un enfoquemoderno;delosautoresRussellyNorving.Describircadaunadelasfasesdesu desarrollo, identificar los trabajos realizados en cada fase y cul fue su principal aportacin.

2.

Las habilidades cognoscitivas segn la psicologa. Teoras de la inteligencia.

A finales del siglo XIX, aparecen las primeras investigaciones cientficas sobre la inteligencia. Esos primeros intentos fueron influidos por el darwinismo social, autntica moda del siglo.

Los psiclogos que basaban su teora en el darwinismo decan que la inteligencia era la capacidad de adaptacin del ser humano a su medio. Los ms inteligentes alcanzaban mejor adaptacin que los pocos inteligentes, as explicaban las diferencias intelectuales entre las personas. Tambin se asociaba la riqueza o pobreza con el nivel intelectual, y lo mismo para la raza blanca sobre las dems o unos pases sobre los otros.

A principios de siglo, cambi la lnea de investigacin sobre la inteligencia. El tema central sigui siendo la explicacin de las diferencias individuales, pero abordado ahora desde una nueva perspectiva: la creacin de tcnicas y pruebas que pudieran dar cuenta de tales diferencias. Aparecen as, con Binet y Simon, los que entonces se denominaron pruebas mentales.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Teoras factoriales El auge de la psicometra propici la aparicin de numerosas teoras que intentaban analizar los componentes implicados en la actividad intelectual. Pronto se extendi el llamado anlisis factorial, a travs del cual se pretenda determinar el nmero y la naturaleza de los factores actuantes en el rendimiento intelectual.

Sperman dio a conocer su famosa teora sobre la inteligencia, la teora bifactorial. Segn esta, existe una inteligencia general que se caracteriza por estar presente en todos los procesos intelectuales llevados a cabo por los seres humanos.Adems de esta existe otro factor especfico responsable de la habilidad necesaria para la realizacin de una tarea concreta.

Enlaactualidadlamayoradelosespecialistassedecantanporteorasmultifactoriales,es decir, la inteligencia se compone de numerosas aptitudes lo suficientemente diferenciadas y relativamente independientes entre s. El primero en proponer un modelo semejante fue Thurstone, quien aisl los siguientes factores de la inteligencia: La aptitud espacial. La capacidad de comprender significados lingsticos. La fluidez verbal. La rapidez en la percepcin visual. Las capacidades de induccin u deduccin.

Howard Gardner aade que igual que hay muchos tipos de problemas que resolver, tambin hay muchos tipos de inteligencia. Hasta la fecha Howard Gardner y su equipo de la Universidad de Harvard han identificado ocho tipos distintos: Inteligencia lingstica, la que tienen los escritores, los poetas, los buenos redactores. Utiliza ambos hemisferios. Inteligencia lgica-matemtica, la que se utiliza para resolver problemas de lgica y matemticas. Es lainteligencia que tienen los cientficos. Se corresponde con el modo de

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

pensamiento del hemisferio lgico y con lo que la cultura occidental ha considerado siempre como la nica inteligencia. Inteligencia espacial, consiste en formar un modelo mental del mundo en tres dimensiones; es la inteligencia que tienen los marineros, los ingenieros, los cirujanos, los escultores, los arquitectos o los decoradores. Inteligencia musical, es aquella que permite desenvolverse adecuadamente a cantantes, compositores, msicos y bailarines. Inteligencia corporal-kinestsica, o la capacidad de utilizar el propio cuerpo para realizar actividades o resolver problemas. Es la inteligencia de los deportistas, los artesanos, los cirujanos y los bailarines. Inteligencia intrapersonal, es la que permite entenderse a s mismo. No est asociada a ninguna actividad concreta. Inteligencia interpersonal, la que permite entender a los dems; se la suele encontrar en los buenos vendedores, polticos, profesores o terapeutas. Inteligencia naturalista, la utilizada cuando se observa y estudia la naturaleza, con el motivo de saber organizar, clasificar y ordenar. Es la que demuestran los bilogos o los herbolarios.

Teoras cognitivas Inspirndose en las investigaciones de Piaget y en las investigaciones sobre procesamiento de la informacin, los enfoques cognitivos han propuesto nuevos modelos de la inteligencia. Estas teoras proponen una nueva perspectiva para explicar los mecanismos funcionales de la inteligencia: segn ellos, ser inteligente significa en puridad ser capaz de comprender.

En la compresin, entendida como resultado global de la inteligencia, influyen factores cognitivos no cuantificables, tales como esquemas, estructuras mentales, expectativas, motivaciones, entre otros. Un ejemplo de teora que adopta este tipo de enfoque es la teora trirquica, ya que segn esta existen tres tipos de inteligencia: La componencial: consiste en establecer relaciones con el mundo interno de sujeto.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

La experiencial: son las experiencias vitales del sujeto. La social: tiene que ver con los procesos de socializacin del sujeto, permitiendo su adaptacin al medio humano en el que se desenvuelve.

3.

El proceso de razonamiento segn la lgica.

ElfilosofogriegoAristtelesfueunodelosprimerosqueintentaracodificarlamaneracorrecta de pensar, es decir, procesos de pensamiento irrefutables. Sus famosos silogismos son esquemas de estructuras de argumentacin mediante las que siempre se llega a conclusiones correctas si se parte de premisas correctas. Dichas leyes del pensamiento deban gobernar la manera de operar de la mente. As se inaugur el campo de la lgica.

El desarrollo de la lgica formal a fines del siglo XIX y a principios del XX permiti contar con una notacin precisa para representar aseveraciones relacionadas con todo lo que existe en el mundo, as como sus relaciones mutuas.

La lgica dos obstculos. En primer lugar, no es fcil recibir un conocimiento informal y expresarlo en los trminos formales que exige la notacin lgica, especialmente cuando el conocimiento tiene menos de 100% de certidumbre. En segundo lugar, hay una gran diferencia entre la posibilidad de resolver en principio, y realmente hacerlo en la prctica.

El trmino razonamiento normalmente se refiere a un conjunto de actividades mentales consistentesenconectarunasideasconotrasdeacuerdoaciertasreglasotambinpuedereferirse al estudio de ese proceso. En sentido amplio, se entiende por razonamiento la facultad humana que permite resolver problemas.

Sellamatambinrazonamientoalresultadodelaactividadmentalderazonar,esdecir,un conjunto de proposiciones enlazadas entre s que dan apoyo o justifican una idea. El razonamiento se corresponde con la actividad verbal de argumentar. En otras palabras, un argumento es la expresin verbal de un razonamiento. Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Aveces se define el razonamiento como la capacidad de partir de ciertas proposiciones o ideas previamente conocidas (premisas) y llegar a alguna proposicin nueva (conclusin) previamente no conocida de modo explcito.

Sin embargo, se considera que en la habilidad humana de argumentar, razonar y rebatir intervienen igualmente la imaginacin, las percepciones, los pensamientos y los sentimientos, siendo los razonamientos de los seres humanos raramente de tipo lgico-deductivo. En este sentidomsamplioelrazonamientonosloescuestindelalgica,sinotambindelafilosofa, la psicologa o la inteligencia artificial. La habilidad humana del razonamiento se compone de diversos componentes: Razonamiento lgico o quasi-lgico, que incluira el razonamiento deductivo y el razonamiento inductivo. Razonamiento no-lgico, que tendra que ver con el uso e interpretacin del lenguaje, la lgica difusa, los sentimientos, etc. Razonamiento cuantitativo, relacionado con la habilidad de comparar, comprender y sacar conclusiones sobre cantidades, conservacin de la cantidad, entre otras.

Razonamiento lgico Los razonamientos pueden ser vlidos (correctos) o no vlidos (incorrectos). En general, se considera vlido un razonamiento cuando sus premisas ofrecen soporte suficiente a su conclusin. Puede discutirse el significado de "soporte suficiente", aunque cuando se trata de un razonamientonodeductivo,elrazonamientoesvlidosilaverdaddelaspremisashaceprobable la verdad de la conclusin. En el caso del razonamiento deductivo, el razonamiento es vlido cuando la verdad de las premisas implica necesariamente la verdad de la conclusin. Los razonamientos no vlidos que, sin embargo, parecen serlo, se denominan falacias.

El razonamiento nos permite ampliar nuestros conocimientos sin tener que apelar a la experiencia. Tambin sirve para justificar o aportar razones en favor de lo que conocemos o

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

creemos conocer. En algunos casos, como en las matemticas, el razonamiento nos permite demostrar lo que sabemos. Para lograr esto hace uso de axiomas, teoremas y demostraciones.

Axioma Un axioma es el elemento bsico de un sistema de lgica formal y junto con las reglas de inferencia definen un sistema deductivo.

Los axiomas lgicos son ciertas frmulas en un lenguaje que son universalmente vlidas, frmulas que son satisfechas por cualquier estructura y por cualquier funcin variable, es decir, enunciados que son verdaderos en cualquier universo posible, bajo cualquier interpretacin posible y con cualquier asignacin de valores. Por ejemplo, sea , la formula es universalmente vlida. un leguaje, para cada variable

Teorema Un teorema es una afirmacin que puede ser demostrada como verdadera dentro de un marco lgico. Este marco consistir en un conjunto de axiomas y un proceso de inferencia, el cual permite derivar teoremas a partir de los axiomas y teoremas que han sido derivados previamente.

En lgica matemtica y en lgica proposicional, cualquier afirmacin demostrada se denomina teorema. Ms concretamente en lgica matemtica se llama demostracin a una secuencia finita de frmulas lgicas bien formadas tales que cada y es o bien un (tales que y

axioma o bien un teorema que se sigue de dos frmulas anteriores

) mediante una regla de deduccin. Dada una demostracin como la anterior si elemento final no es un axioma entonces es un teorema.

Demostracin

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Unademostracinesunasucesincoherentedepasosque,tomandocomoverdaderounconjunto depremisasllamadohiptesis,permiteasegurarlaveracidaddeunatesis.Estospasosdebenestar fundamentados en la aplicacin de reglas de deduccin, sean estas reglas axiomas o en teoremas anteriormente demostrados o en reglas bsicas de deduccin del sistema en cuestin.

Aunque en general no existe un procedimiento nico de demostracin de teoremas, s existen diferentes tipos de demostraciones que son utilizados comnmente en matemticas: 4. Demostracin por contraposicin Demostracin por reduccin al absurdo Induccin matemtica Induccin fuerte El modelo de adquisicin del conocimiento segn la filosofa.

Actualmente,paralacienciacognitiva,lafilosofadelamentehaquedadodefinidaporlaversin funcionalista del modelo representacional de la mente. Por funcionalismo se entiende de manera general, que la mente modela lo que ella hace, es decir, sus funciones (la mente es lo que el cerebro hace) en el sentido de formar y transformar representaciones significativas e intencionales.Enefecto,todarepresentacinesintencional,entantosiempreesrepresentacinde algo, por lo tanto, refiere siempre a un contenido.

En cuanto a las representaciones, tambin cabe sealar que la cognicin involucra conceptos y percepciones, incluye a aquellas percepciones que refieren a lo que viene por los sentidos y quesirven como puentes entre el mundo y lamente. Metodolgicamente, labsqueda del fundamento interno de la cognicin remite, sin duda, a argumentos a travs de los cuales se puedan revelar las condiciones de algo que ocurre, es decir que sean capaces de revelar mecanismosmentalesdeordenamientoqueposeenuncarcterconstrictivosobrealgnfenmeno queacaece.Talesmecanismosdebenfuncionarparacualquiersistemacognitivoposibleenorden al establecimiento de la verdad. As, la mente viene a ser un refinado mecanismo de procesamiento y articulacin de la informacin que se traduce en una arquitectura cognitiva.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Los tipos de representaciones involucrados en el proceso de conocimiento son las intuiciones puras y empricas, los conceptos puros y empricos que dan lugar a juicios puros y empricos y las ideas trascendentales. Por lo que correspondea las intuiciones, ellas slo radican enlasensibilidad,perotienensufuenteenlaimaginacin.Losconceptos,porsuparte,provienen del entendimiento en tanto son formas del pensar intelectual. Las ideas, en cambio, son puras formasquevienendelarazn.Todasestasrepresentacionessonelproductodelaactividaddelas facultadesmentales,unaactividadalaquesubyaceuncomplicadoprocesodesntesis.Launidad de dicho proceso es la que posibilita toda representacin con conciencia, es decir, toda percepcin,porelloanparaelreconocimiento(conciencia)delasintuicionessonnecesarios los conceptos puros o categoras. El hecho de que se necesiten conceptos para reconocer intuiciones yque para juzgarhayan deunirsedos o ms conceptos, dejaalavistaqueelmodelo representacional kantiano incluye transformaciones de las representaciones. As pues, en un concepto cualquiera, como por ejemplo en el concepto emprico de mesa encontramos otros conceptos como los de patas, cubierta y otros y, desde luego, tambin categoras, pero no slo eso, sino que adems encontramos intuiciones empricas (con sensaciones) y, lgicamente, intuiciones puras. Con mayor razn entonces se entiende que el juicio pueda ser definido como una representacin de representaciones.

Segn Kant, constituimos todas nuestras representaciones lgicamente a partir de funciones. El filsofo dice que funcin es la unidad del acto de ordenar diversas representaciones bajo una sola comn.

Es claro que los conceptos y juicios, que son formas de pensar intelectual, se basan en dichasfunciones,perocmoentenderquelasintuicionespuedantambinbasarseenfunciones? La respuesta se halla en la misma definicin de funcin. En efecto, la ordenacin de diversas representacionesbajounacomnaellascorrespondeaunactodesntesis.Laconstitucindelas intuiciones por parte del sujeto implica la sntesis de la multiplicidad que hay bajo stas, tanto a nivel puro como a nivel emprico. Por lo tanto, es claro que no habra intuiciones sin el acto de sntesis, como tampoco podra haber conceptos puros y empricos, ni juicio alguno. No obstante,

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

el proceso de la sntesis no es suficiente para entregar como resultado nuestras representaciones; se debe contar adems, con la unidad para su acto.

Tal unidad le viene dada por el entendimiento, a travs de sus conceptos puros o categoras, que transportan a la sntesis de la imaginacin la unidad de la Conciencia originaria pura. De esta manera, el resultado de la sntesis pura es espacio y tiempo (que necesitamos para conocer fenmenos) reconocidos por categoras. El resultado de la sntesis emprica es el concepto emprico o conocimiento fenomnico o fenmeno, que depende directamente de la Apercepcin Emprica, cuya condicin de posibilidad, a su vez, est en la Apercepcin Trascendental.

5.

El modelo cognoscitivo

Para poder afirmar que un programa determinado utiliza algn tipo de razonamiento humano, previamente habr que definir como piensan los seres humanos. Habr que penetrar en el funcionamiento de la mente humana. Hay dos formas de hacer esto: mediante la introspeccin o mediante la realizacin de experimentos psicolgicos. Una vez que se cuente con una teora bastante precisa de la mente, puede procederse a expresar tal teora en un programa de computadora.

En el caso de Newell y Simon, creadores del SGP (solucionador general de problemas), no basto con que su programa resolviera correctamente los problemas propuestos. Lo que les interesabafundamentalmenteeraseguirlapistadelospasosderazonamientoycompararlaconla ruta seguida por los sujetos humanos a los que se propuso los mismos problemas. Esta actitud contrasta fuertemente con la de otros investigadores de la misma poca, a quienes le importaba era la obtencin de respuestas correctas de cmo las obtendra un ser humano.

En el campo interdisciplinario de la ciencia cognoscitiva concurren modelos computacionales de IA y tcnicas experimentales de psicologa para intentar elaborar teoras

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

precisasyverificablesdelfuncionamientodelamentehumana.Laautenticacienciacongnositiva necesariamente se fundamenta en la investigacin experimental en seres humanos o animales.

6.

El modelo de un agente inteligente

Actuarracionalmenteimplicaactuardemaneratalqueselogrenlosobjetivosdeseados,conbase en ciertos supuestos. Un agente es algo capaz de percibir y actuar. De acuerdo con este enfoque, se considera la IA como el estudio y construccin de agentes racionales.

Un agente es todo aquello que puede considerarse que percibe su ambiente mediante sensoresyquerespondeoactaentalambientepormediodesusefectores.Losagenteshumanos tienen ojos, odos y otros rganos que les sirven de sensores, as como manos, piernas boca y otras partes de su cuerpo que les sirven de efectores. En el caso de los agentes robticos, los sensores son sustituidos por cmaras, telmetros infrarrojos, y los efectores son remplazados mediantemotores.Enelcasodeunagentedesoftware,suspercepcionesyaccionesvienenaser las cadenas de bits codificados. En la Figura 1.2 puede observarse el diagrama de un agente genrico.

Figura 1.2 Los agentes interactan con los ambientes a travs de sensores y efectores.

Como debe proceder un agente Unagenteracionalesaquelquehacelocorrecto.Obviamente,estoespreferibleaquehagaalgo incorrecto,enestecasolocorrectoesaquelloquepermitealagenteobtenerelmejordesempeo. Ahora, es necesario decidir cmo y cundo evaluar ese buen desempeo del agente.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Elterminomedicindeldesempeoseaplicaalcmo:eselcriterioquesirveparadefinir qu tan exitoso ha sido un agente. Este criterio debe ser una medicin objetiva del desempeo, medida que deber ser propuesta por una autoridad, en otras palabras, un observador externo definelanormadeloqueseconsideraunsatisfactoriodesempeoenunambienteyemplearloen la medicin del desempeo de los agentes. El cundo evaluar el desempeo es importante tambin, se sugiere medir el desempeo a largo plazo.

Laracionalidadtienemsbienqueverconunxitoesperado,tomandocomobaseloque se ha percibido. Lo importante es que se especifica que un agente inteligente siempre que debe hacer lo que realmente es lo correcto, sera imposible disear un agente para que satisfaga esta especificacin, a menos de que se logre mejorar los resultados obtenidos mediante una bola de cristal.

Enresumen,elcarcterderacionalidaddeloquesehaceenunmomentodadodepender de cuatro factores: De la medida con la que se evala el grado de xito logrado. De todo lo que hasta este momento haya percibido el agente. A esta historia perceptual completa se le denomina la secuencia de percepciones. Del conocimiento que posea el agente acerca del medio. De las acciones que el agente pueda emprender.

Lo anterior nos lleva a definir lo que es un agente racional ideal. En todos los casos de posibles secuencias de percepciones, un agente racional deber emprender todas aquellas acciones que favorezcan obtener el mximo de su medida de rendimiento, basndose en las evidenciasaportadasporlasecuenciadepercepcionesyentodoconocimientoincorporadoental agente.

Debidoaqueelcomportamientodeunagentedependeexclusivamentedelasecuenciade sus percepciones en un momento dado, sabemos que es posible caracterizar cualquier agente en

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

particular elaborando una tabla de acciones que ste emprende como respuesta a cualquier secuencia de percepciones posible.Aesta tabla de acciones se le denomina mapeo de secuencias de percepciones para acciones.

En principio, es posible determinar qu mapeo describe acertadamente a un agente, ensayando todas las secuencias de percepciones posibles y llevando un registro de las acciones que en respuesta emprende un agente. Si mediante los mapeos se caracteriza a los agentes, los mapeos ideales caracterizan a los agentes ideales. El especificar qu tipo de accin deber emprender un agente como respuesta a una determinada secuencia de percepciones constituye el diseo de un agente ideal.

En la definicin de agente racional ideal hay un elemento ms al que se debe prestar atencin:lapartedelconocimientointegrado.Silasaccionesqueemprendeelagentesebasan exclusivamente en un conocimiento integrado, con lo que se hace caso omiso de sus percepciones, se dice que el agente tiene autonoma.

Laconductadeunagentesebasatantoensupropiaexperienciacomoenelconocimiento integradoquesirveparaconstruirelagenteparaelambienteespecficoenelcualvaaoperar.Un sistema ser autnomo en la medida en que su conducta est definida por su propia experiencia. Sin embargo, sera excesivo el esperar una total autonoma tan solo con mencionar la palabra adelante: si el agente cuenta con poca o nula experiencia, tendr que comportarse de manera aleatoriaamenosqueeldiseadorledalgntipodeayuda.Yascomolaevolucinhadotadoa los animales con una dotacin suficiente de reflejos incorporados, a fin de que sobrevivan lo suficiente hasta que sean capaces de aprender por si mismos, tambin es razonable dotar a un agente de inteligencia artificial con ciertos conocimientos iniciales y de capacidad para aprender. Cuando un agente opera basndose en suposiciones en l integradas, su actuacin ser satisfactoria slo en la medida en que tales suposiciones sean vigentes y, por ello, carecer de flexibilidad.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Estructura de los agentes inteligentes. ElcometidodelaIAeseldiseodeunprogramadeagente:unafuncinquepermitaimplantarel mapeo del agente para pasar de percepciones a acciones. Se da por sentado que este programa ejecutar en algn tipo de dispositivo de cmputo, al que se denominar arquitectura. Desde luego, el programa elegido debe ser aquel que la arquitectura acepte y puede ejecutar. La arquitectura puede ser una computadora sencilla o hardware especial para la ejecucin de ciertas tareas, como sera el procesamiento de imgenes de una cmara, o el filtrado de seales de entrada de audio. Podra incluir tambin un software que ofrezca cierto grado de aislamiento entre la computadora y el programa de agente, lo que permitira la programacin a un nivel superior. En general, la arquitectura pone al alcance del programa las percepciones obtenidas mediante los sensores, lo ejecuta y alimenta al efector con las acciones elegidas por el programa conforme stas se van generando. La relacin entre agentes, arquitectura y programas podra resumirse de la siguiente manera:

Agente = arquitectura + programa

Antes de proceder al diseo de un agente, es necesario contar con una idea bastante precisa de las posibles percepciones y acciones que intervendrn, qu metas o medidas del desempeosesuponelleveacaboelagente,ascomoelambienteenquetalagenteoperar,para tal efecto, denominamos a la matriz PAMA (percepciones, acciones, metas y ambientes). En la Tabla 1.1, podemos observar dos distintos tipos de agentes y sus descripciones PAMA.

Tabla 1.1 Tipos de agentes y sus descripciones PAMA

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Programa de agentes El esqueleto de todos los agentes ser el mismo, es decir, la aceptacin de percepciones originadasenunambienteylageneracindeaccionesrespectivas.Lasprimerasversionesdelos agentes sern muy sencillas. En cada una de ellas se emplearn algunas estructuras de datos internos que se irn actualizando con la llegada de nuevas percepciones.

Talesestructurasdedatosseoperarnmediantelosprocedimientosdetomadedecisiones de un agente para generar la eleccin de una accin, eleccin que se transferir a la arquitectura para proceder a su ejecucin. En el Cuadro 1.1 se muestra el esqueleto de un agente.

funcin ESQUELETO-AGENTE(percepcin) responde con una accin esttica: memoria (la memoria del mundo del agente) memoria ACTUALIZACION-MEMORIA(memoria, percepcin) accin ESCOGER-LA-MEJOR-ACCION(memoria) memoria ACTUALIZACION-MEMORIA(memoria, accin) responde con una accin
Cuadro 1.1 Esqueleto de un agente

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Tipos de agentes En general se pueden considerar cuatro tipos de agentes: Agentes de reflejo simple: Este tipo de agente no contiene internamente estados y sus procesos o acciones que realiza son respuestas a la entrada de percepciones, a esta conexinentrepercepcionesyaccionesselesdenominareglasdecondicin-accin. Enla Figura 1.3 se esboza la arquitectura de un agente de reflejo simple, un ejemplo simple de este tipo de agente sera:Si el carro de adelante est frenando entonces empiece a frenar.

Figura 1.3 Arquitectura de un agente de reflejo simple

Agentes bien informados de todo lo que pasa: Este tipo de agente guarda estados internosloquesirvesinconsideracinparaejecutarunaaccin,deestamaneraaestetipo de agente se le llama agente de reflejo con estado interno. Los sensores no pueden informar a la vez de todos los estados que maneja el ambiente, es por este caso que el agente necesita actualizar algo de informacin en el estado interno. Esto le permite discernir que entre estados del ambiente que generan la misma entrada de percepciones pero,sinembargo;paracadaunodelosestadossenecesitanaccionesdistintas.LaFigura 1.4 muestra la arquitectura de este tipo de agente.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Figura 1.4 Arquitectura de un agente bien informado de lo que pasa.

Agentes basados en metas: Adems de los estados, los agentes necesitan cierto tipo de informacin sobre sus metas, la arquitectura de este agente se observa en la Figura 1.5. Las metas detallanlas situaciones alas quesedeseallegar,deestemodo, elprogramade agente puede combinar las metas con la informacin de los resultados (acciones) que emprenda y de esta manera poder elegir aquellas acciones que permitan alcanzar la meta.

Figura 1.5 Agente basado en metas

Agentes basados en utilidad: Las metas por s solas garantizan la obtencin de una conducta de alta calidad. En el programa de agente se podra tener un conjunto de metas pero la obtencin de stas no garantizan distinciones entre estados felices e infelices, mediante una medida de desempeo se podra establecer una comparacin entre los

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

diversosestadosdelmundo(ambientes)parapoderencontrarelestadodefelicidadparael agente. Este estado ofrecer una mayor utilidad al agente. En la Figura 1.6 se ejemplifica la arquitectura de un agente basado en utilidad

Figura 1.6 Agentes basados en utilidad

Ambiente El ambiente aporta percepciones al agente quien ejerce acciones sobre el ambiente. Un ambiente tiene las siguientes propiedades: Accesibles y no accesibles: Si el aparato sensorial de un agente le permite tener acceso al estado total de un ambiente, se dice que ste es accesible a tal agente. Un agente es realmente accesible si los sensores detectan todos los aspectos relevantes a laeleccin de una accin. Los ambientes accesibles son cmodos, puesto que no es necesario que el agente mantenga un estado interno para estar al tanto de lo que sucede en el mundo. Deterministas y no deterministas: Si el estado siguiente de un ambiente se determina completamentemedianteelestadoactualylasaccionesescogidasporlosagentes,sedice que el ambiente es determinista. En principio, un agente no tiene por qu preocuparse sobre la incertidumbre en un ambiente accesible y determinista. Pero si el ambiente es inaccesible,entoncespodraparecer quees nodeterminista. Lo anteriores especialmente vlidocuandoelambienteescomplejo,dificultandoelestaraltantodetodoslosaspectos

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

inaccesibles. Por ello, es ms conveniente calificar el que un ambiente sea determinista o no deterministaconsiderando elpunto devista delagente. Episdicos y no episdicos: En un ambiente episdico, la experiencia del agente se divide en "episodios". Cada episodio consta de un agente que percibe y acta. La calidad de su actuacin depender del episodio mismo, dado que los episodios subsecuentes no dependern de las acciones producidas en episodios anteriores. Los ambientes episdicos son ms sencillos puesto que el agente no tiene que pensar por adelantado. Estticos y dinmicos: Si existe la posibilidad de que el ambiente sufra modificaciones mientras el agente se encuentra deliberando, se dice que tal ambiente se comporta en formadinmica en relacin con el agente, de lo contrario, se dice quees esttico. Es ms fcil trabajar con ambientes estticos puesto que el agente no tiene que observar lo que sucedeenelmundoalmismotiempoquedecidesobreelcursodeunaaccin,nitampoco tiene que preocuparse por el paso del tiempo. Si el ambiente no cambia con el paso del tiempo, pero si se modifica la calificacin asignada al desempeo de un agente, se dice que el agente essemidinmico. Discretos y continuos: Si existe una cantidad limitada de percepciones y acciones distintas y claramente discernibles, se dice que el ambiente es discreto. El ajedrez es discreto:existeunacantidad fijadeposibles jugadas encadaronda.Laconduccin deun taxiescontinua:lavelocidadylaubicacindeltaxiydelosdemsvehculosseextiende a travs de un rango de valores continuos.

Actividad: La siguiente actividad se realizar por equipo, y el resultado de estas se subir al sitio del grupo.

Realizar programa descrito en el ejercicio 2.5 del Capitulo 2 del libro de Inteligencia Artificial, un enfoque moderno; de los autores Russell y Norving, considere los puntos referidos en el punto 2.7. Documentar el programa e identificar las descripciones PAMA del agente

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

7.

El papel de la heurstica.

La palabra heurstica se deriva del verbo griego heuriskein, que significa encontrar o descubrir.Elterminotcnicohaadoptadodiversasconnotacionesalolargodelahistoriodela IA.En1957,GeorgePolyapublicunlibroimportantedondeelterminoheursticaseaplicaba al estudio de mtodos para descubrir e inventar tcnicas para la resolucin de problemas, especialmente para problemas relacionados con demostraciones matemticas.

Algunas personas utilizan el trmino heurstico como algo opuesto de algoritmo. Por ejemplo, Newell, Shaw y Simon declararon en 1963: Cuando un proceso afirma poder resolver un problemadeterminado,peronoofreceningunagarantadeello,sedicequeeslaheursticadel problema.Convienenotar,sinembargo,quenohaynadaaleatorioonodeterministaenrelacin con un algoritmo de bsqueda heurstica: procede por pasos algortmicos hasta llegar a su resultado. En algunos casos no se puede afirmar con seguridad cuantos pasos habr que emprenderenlabsqueda;haycasosincluso,enlosquetampocosepuedegarantizalacalidadde solucin obtenida. Sin embargo es conveniente establecer la diferencia entre no algortmico y no caracterizable de manera precisa.

Las tcnicas heursticas prevalecieron en las primeras aplicaciones de la IA. El grupo de Feigenbaum, Buchanan y Lederberg en la universidad de Standford consideraba a las heursticas como reglas prcticas utilizadas por los expertos para generar buenas soluciones sin tener que embarcarse en bsquedas exhaustivas. Las heursticas se incorporaron directamente desde un principioenlaestructuradelosprogramas,aunquedespussehizopatentequeesoeraunfactor de inflexibilidad en aquellos casos en los que se necesitaba una gran cantidad de heursticas. Gradualmente se fueron diseando sistemas que aceptaran la informacin heurstica expresada como reglas y as nacieron los sistemas basados en reglas.

Actualmente, el termino heurstica se utiliza ms bien como adjetivo, para referirse a cualquier tcnica que permita mejorar el desempeo de caso promedio en la tarea de resolucin de problemas, aunque no necesariamente permita mejorar el desempeo del pero de los casos.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Especficamente, en el rea de los algoritmos de bsqueda, se refiere a una funcin mediante la cual se obtiene un estimado del costo de una solucin.

Actividad: La siguiente actividad se realizar por equipo, y el resultado de estas se subir al sitio del grupo.

Las tcnicas heursticas se han utilizado ampliamente en problemas de optimizacin, que involucran procedimientos de bsqueda en el espacio de soluciones factibles. Investigar cuales son los problemas clsicos en los que se utilizan estas tcnicas como lo son el problema del agente viajero, de la satisfactibilidad booleana, de empacado de objetos entre otros y realizar una breve descripcin de tcnicas heursticas como la de bsqueda avara, recocido simulado, algoritmos genticos y evolutivos, bsqueda tab, entre otros, poniendo nfasis especial en remarcar que proceso se esta emulando y cual es el beneficio que se desea obtener de emular ese proceso.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Bibliografa

Las fuentes bibliogrficas usadas en esta unidad fueron las siguientes: Russell, S., Norving Peter.: Inteligencia Artificial. Un enfoque moderno. Prentice Hall. Mxico. (1996) Lapalma, F.: Qu es esto que llamamos inteligencia?. Revista Iberoamericana de Educacin. Zenteno, B.I.: Un modelo representacional de la mente: elementos de la arquitectura cognitiva en Kant. Departamento de Filosofa. Universidad de Chile.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Unidad 2.- Representacin del conocimiento y razonamiento.

Objetivo: Aplicar las tcnicas de representacin basadas en lgica de predicados y sus reglas de inferencia, en las solucin de problemas. .1 .2 .3 .4 .5 .6 .7 .8 .9 Mapas conceptuales. Redes semnticas. Razonamiento montono. La lgica de predicados: sintaxis, semntica, validez e inferencia. La demostracin y sus mtodos. El mtodo de resolucin de Robinson. Conocimiento montono y otras lgicas Razonamiento probabilstico. Teorema de Bayes

Actividades de aprendizaje: Buscar informacin sobre las formas de representacin del conocimiento. Disear la representacin de algn concepto, a travs de una forma de representacin del conocimiento. Realizar la representacin de frases del lenguaje natural en trminos de predicados. Buscar informacin sobre los elementos de un sistema axiomtico. Discutir las reglas de inferencia vlidas en una lgica de predicados. Buscar informacin sobre demostracin y equivalencia lgica. Discutir los conceptos de demostracin y equivalencia lgica. Buscar informacin sobre el mtodo de resolucin y unificacin. Exponer en clase el mtodo de resolucin y unificacin. Buscar informacin sobre incertidumbre, imprecisin y subjetividad. Discutir en grupo ejemplos de conocimiento incierto, impreciso y subjetivo. Realizar un modelo de red bayesiana a un problema de diagnstico

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Unidad 2 Representacin del conocimiento y razonamiento


El conocimiento es ms que un conjunto de datos, visto slo como datos es un conjunto sobre hechos, verdades o de informacin almacenada a travs de la experiencia o del aprendizaje (a posteriori). Mientras el trmino razonamiento se define de diferente manera segn el contexto, normalmenteserefiereaunconjuntodeactividadesmentalesconsistentesenconectarunasideas con otras de acuerdo a ciertas reglas o tambin puede referirse al estudio de ese proceso.

Elobjetivodearepresentacindelconocimientoesexpresarsteenformamanejablepor la computadora, de manera que se le pueda utilizar como un auxiliar para el buen desempeo de los agentes. 2.1 Mapas conceptuales Los mapas conceptuales son instrumentos sencillos y prcticos de organizacin y representacin del conocimiento que permiten transmitir con claridad mensajes conceptuales complejos. Es una formabrevederepresentarinformacin.Suobjetivoesrepresentarrelaciones entre conceptosen forma de proposiciones. Tienen su origen en las teoras sobre la psicologa del aprendizaje de DavidAusubel enunciadas en los aos 60. Los elementos que conforman los mapas conceptuales son los siguientes y se ejemplifican en la Figura 2.1: Concepto: es un evento o un objeto que con regularidad se denomina con un nombre o etiqueta, por ejemplo: agua, casa silla, lluvia. Tambin puede ser considerado como aquella palabra que se emplea para designar cierta imagen de un objeto o de un acontecimiento que se produce en la mente del individuo. Existen conceptos que definen elementosconcretosporejemplo,casa,escritorioyotrosquedefinennocionesabstractas, que no podemos tocar pero que existen en la realidad como democracia, estado. Palabras de enlace: son las preposiciones, conjunciones, adverbios y en general todas las palabras que no sean concepto y que se utilizan para relacionar estos y as armar una proposicin. Ejemplos de palabras de enlace son: para, por, donde, como, entre otras. Las

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

palabras enlace permiten, junto con los conceptos, construir frases u oraciones con significado lgico y hallar la conexin entre conceptos. Proposicin: dos o ms conceptos ligados por palabras enlace en una unidad semntica. Lneas y flechas de enlace: en los mapas conceptuales convencionalmente, no se utilizan lasflechasporquelarelacinentreconceptosestaespecificadaporlaspalabrasdeenlace, se utilizan las lneas para unir los conceptos. Las flechas se reservan solo en el caso de que la relacin de que se trate no sea de subordinacin entre conceptos, por lo tanto, se pueden utilizan para representar una relacin cruzada, entre los conceptos de una seccin del mapa y los de otra parte del mapa conceptual. Conexiones cruzadas: cuando se establece entre dos conceptos ubicados en diferentes segmentosdelmapaconceptual,unarelacinsignificativa.Larepresentacingraficaenel mapa para sealar la existencia de una conexin cruzada es a travs de una flecha.

Figura 2.1 Representacin de un mapa conceptual.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Las caractersticas que debe tener un mapa conceptual son las siguientes: Deben ser simples y mostrar claramente las relaciones entre conceptos y/o proposiciones. Van de lo general alo especfico, las ideas ms generales o inclusivas, ocupan elpice o parte superior de la estructura y las ms especficas y los ejemplos la parte inferior. Deben ser vistosos, mientras ms visual se haga el mapa, la cantidad de material que se logra memorizar aumenta y se acrecienta la duracin de esa memorizacin, ya que se desarrolla la percepcin. Losconceptos,quenuncaserepiten, van dentrodevalos ylapalabras enlaceseubican cerca de las lneas de relacin. Es conveniente escribir los conceptos con letra mayscula y las palabras de enlace en minscula. Para las palabras enlace se pueden utilizar verbos, preposiciones, conjunciones, u otro tipo de nexo conceptual, las palabras enlace le dan sentido al mapa Si la idea principal puede ser dividida en dos o ms conceptos iguales estos conceptos deben ir en la misma lnea o altura.

Como hacer un mapa conceptual? 1. Identificar los conceptos principales y secundarios y elaborar una lista. 2. Seleccionar los conceptos que se derivan unos de otros. 3. Seleccionar los conceptos que no se derivan uno del otro pero que tienen una relacin cruzada. 4. Utilizar lneas que conecten los conceptos, y escribir sobre cada lnea la palabra enlace que aclare porque los conceptos estn conectados entre s. 5. Ubicar las imgenes que complementen o le dan mayor significados a los conceptos o proposiciones. 6. Disear ejemplos que permitan concretar las proposiciones y/o conceptos. 7. Seleccionar colores, que establezcan diferencias entre los conceptos que se derivan unos de otros y los relacionados (conexiones cruzadas).

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

8. Seleccionar las figuras (valos, rectngulos, crculos, nubes) de acuerdo a la informacin a manejar. 9. Construirelmapa,ordenandolosconceptosencorrespondenciaalconocimientoorganizadoy con secuencia. Los conceptos deben ir representados desde el ms general al ms especifico en orden descendente y utilizando las lneas cruzadas para los conceptos o proposiciones interrelacionadas. 2.2 Redes semnticas Una red semntica o esquema de representacin en red es una forma de representacin de conocimiento lingstico en que las interrelaciones entre diversos conceptos o elementos semnticos se les dan la forma de un grafo. Estas redes pueden ser visualizadas como grafos.

Estos sistemas de organizacin del conocimiento estructuran conceptos, no como jerarqua si no como una red. Los conceptos son como nodos, con varias relaciones que se ramifican hacia fuera de ellas. Las relaciones pueden incluir relaciones tipo todo_parte, causa_efecto, es_un, es_parte. Las redes semnticas proporcionan una representacin declarativa de objetos, propiedades y relaciones, en la Figura 2.2 se muestra un ejemplo de una red semntica.

Figura 2.2 Representacin de una red semntica

Los responsables de los primeros esquemas de representacin formalizados fueron Quillian (1968) y Shapiro & Woddmansee (1971). Los esquemas de redes semnticas se

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

fundamentanenunapsicolgicamuyslida,porloquesehanrealizadonumerososesfuerzospor llevar a cabo implementaciones importantes basadas en ellas.

Las redes semnticas han sido muy utilizadas en IA para representar el conocimiento y portantohaexistidounagrandiversificacindetcnicas.Loselementosbsicosseencuentraen las redes semnticas son: Estructuras de datos en nodos, que representan conceptos, unidas por arcos que representan las relaciones entre los conceptos. Un conjunto de procedimientos de inferencia que operan sobre las estructuras de datos.

Bsicamente, podemos distinguir tres categoras de redes semnticas: Redes IS-A: en las que los enlaces entre nodos estn etiquetados. Grafos conceptuales: en los que existen dos tipos de nodos: de conceptos y de relaciones. Redes de marcos: en los que los puntos de unin de los enlaces son parte de la etiqueta del nodo.

Actividades: Las siguientes actividades se realizarn por equipo, y el resultado de estas se subir al sitio del grupo.

k k k

Realizar un mapa conceptual del tema El modelo del agente inteligente visto en la unidad anterior. Realizar un mapa conceptual del tema El proceso de razonamiento segn la lgica, visto en la unidad anterior. Realizar una red semntica del tema Qu es la IA?, visto en la unidad anterior.

2.3 Razonamiento montono Existenmuchossistemasderazonamiento,loscualessonusadosparainferirconclusionesapartir deinformacininicial.Enlossistemasderazonamientomontono,seasumequeunavezqueun

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

hecho se ha afirmado, este no puede alterarse durante el curso del razonamiento, es decir, las conclusiones que se van obteniendo son siempre definitivas.

En lo que respecta al razonamiento montono se encuentran lgica proposicional, lgica de primer orden y deduccin lgica, las cuales son tiles para resolver problemas de una amplia variedad de dominios.

2.4 La lgica de predicados: sintaxis, semntica, validez e inferencia Un leguaje para la representacin del conocimiento consta de dos aspectos: La sintaxis del lenguaje explica las posibles configuraciones mediante las cuales se forman las oraciones. La semntica determina los hechos del mundo a los que hacen alusin las oraciones. Sin embargo, la oracin no sera ms que un ordenamiento palabras. Mediante la semntica, cada oracin expresa algo relacionado con el mundo.

Si tanto la sintaxis como la semntica estn definidas de manera precisa, podemos decir queellenguajeesunalgica.Conbaseenlasintaxisyenlasemnticaseobtieneunmecanismo de inferencia que servir a un agente que emplee el lenguaje. La lgica de predicados, estudia las frases declarativas, teniendo en cuenta la estructura interna de las proposiciones, cabe sealar que las frases declarativas representa un hecho de la realidad que puede ser verdadera o falsa, consta de un sujeto (objeto) y un predicado (realacin) con valor afirmativo.

En la lgica de predicados, los objetos y las relaciones entre los objetos sern los elementos bsicos, es decir, se puede distinguir: Qu se afirma (relacin o predicado) De quin se afirma (objeto)

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Dado que las oraciones interrogativas, exclamativas, imperativas, no afirman nada y no pueden ser consideradas en el estudio de la lgica de predicados.

Sintaxis de la lgica de predicados. La sintaxis explica como construir oraciones, es decir, especifica los smbolos que se pueden utilizar. Los smbolos (alfabeto) que introduce la lgica de predicados son: Constantes lgicas: V para verdadero y F para falso. Conjunto de variables (VAR): Es un conjunto de las ltimas letras del alfabeto en minsculas, se pueden utilizar subndices, ejemplo de variables son: . Conjunto de constantes (CONS): Es un conjunto de las primeras letras del alfabeto en minsculas, se pueden utilizar subndices, ejemplo de constantes son: . Conjunto de funciones (FUNC): Este conjunto se representa por las letras f,g,h, se incluyen subndices para diferenciar funciones Conjunto de predicados ( PRED): Se representan mediante letras maysculas . Smbolos de conectivas: representan las conjunciones y/o adverbios, se dividen en singulares o binarias, dependiendo de que se apliquen a una nica proposicin. Estos smbolos son: Negacin: Es la nica conectiva singular, se simboliza por medio de precediendo a la variable proposicional o sentencia que niegue. Conjuncin: La conectiva y se simboliza con el signo insertado entre dos .

variables proposicionales o sentencias, de la forma p q, leyndose p y q.Asus partes se les llama coyuntos.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Disyuncin inclusiva: La conectiva o inclusiva se simboliza con el signo insertado entre las dos sentencias, p q, leyndose p o q. Esta disyuncin

corresponde a o bien p, o bien q, o ambas. A sus partes se les llama disyuntos. Disyuncin exclusiva: La conectiva o exclusiva se simboliza con el signo insertado entre las dos sentencias, p q, leyndose o p o q. Esta disyuncin

corresponde a o bien p, o bien q, pero no ambas. Condicional o implicacin: La conectiva si...entonces... se simboliza mediante insertado entre dos sentencias, p q, y se lee si p entonces q. La primera sentencia del condicional, p, recibe el nombre de premisa o antecedente. La segunda,q,conclusinoconsecuente.Tambinselesllamareglasoaseveraciones si-entonces. Bicondicional, doble implicacin o equivalencia: La conectiva ...si y slo si...se simboliza mediante . Smbolos cuantificadores: hacen referencia a la totalidad o a una parte de un conjunto. Pudiendo ser la generalizacin universal o particular, los cuantificadores pueden ser de dos tipos. Existencial: Representado por el signo Universal: Representado por el signo

Smbolos de puntuacin: sirven para separar, enumerar o agrupar variables, ejemplos de estos smbolos son ,, (), [], {}.

Semntica. Sehapresentadolasintaxisoformadelassentenciasdelalgicadepredicados.Lasemnticase define especificando la interpretacin de los smbolos y especificando el significado de los conectores lgicos.

Ahora, se asignar a cada sentencia un valor de verdad, V si es verdadera y F si es falsa. La asignacin de unos valores concretos de verdad a cada variable y a cada sentencia

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

corresponde a una interpretacin. Se debe tener en cuenta que a todas las ocurrencias de una variable se les asigna el mismo valor dado por la interpretacin.

Dada una interpretacin para una sentencia, se puede determinar el valor de verdad bajo esta interpretacin aplicando ciertas reglas que dan significado a las conectivas que la constituyen. Paraellosepartedelprincipio dequeelvalordeverdaddecualquier sentenciaest determinadoporlosvaloresdeverdaddecadavariablequelacompone.Paradeterminarelvalor de verdad de una sentencia para una interpretacin determinada, existen lastablasdeverdad.

Latabladeverdaddeunasentenciaesunatablaenlaquesepresentantodaslasposibles interpretacionesdelas variables queconstituyenlasentenciayelvalordeverdaddelasentencia para cada interpretacin. Corresponden a un modo mecnico de determinar la verdad o falsedad de una sentencia dada una interpretacin de las variables que la constituyen. En la Tabla 2.1 se resume las seis tablas de verdad de las seis conectivas tratadas anteriormente.

Tabla 2.1 Tabla de verdad de las seis conectivas

p F F V V

q F V F V

p V V F V

pq F F F V

pq V F F F

pq F V V F

Pq V F V V

pq V F F V

Las tablas de verdad no se confinan slo a la expuesta anteriormente, sino que se hacen tablas de verdad para comprobar mecnicamente los valores de verdad de cualquier sentencia. Por ejemplo, la sentencia (p q) (( p) (q)) tendr cuatro posibles interpretaciones, que semuestraenlaTabla2.2,laconstruccindeestatablasedescribeacontinuacin.Paraconstruir la tabla de verdad, en las columnas de la izquierda se ponen los valores de verdad de p y q para cadaunadelascuatroposiblesinterpretaciones.Paracadaunadedichasinterpretaciones,sevan poniendo en columnas sucesivas los valores de verdad de cada una de las subsentencias que la Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

constituyen. La ltima columna de la derecha tendr los valores de verdad de la sentencia en su conjunto.

Tabla 2.2 Tabla de verdad para la sentencia (pq) (( p) (q))

p V V F F

q V F V F

pq V F V V

p F F V V

q F V F V

p q Sentencia V V V V F F V V

Tambin se pueden construir tablas de verdad para sentencias que contengan ms de dos variables. Slohemos detener en cuentaquetendremos de variables de la sentencia. interpretaciones,siendonelnmero

Validez e inferencia Un problema importante para cualquier sistema lgico es el problema de encontrar un procedimiento efectivo para verificar la validez o tautologa de una sentencia bien formada. Procedimiento que no es posible para todos los sistemas lgicos.

Se dice que una sentencia es valida o necesariamente verdadera si y solo si es verdadera entodaslasinterpretacionesdetodoslosmundosposibles,esdecir,conindependenciadeloque supuestamente signifique y lo que est sucediendo en el universo descrito.

Elproblemadeencontrarunprocedimientodevalidacindelassentenciasbienformadas se denominaproblema dedecisin.

Para los sistemas en que se puede encontrar un procedimiento de decisin, se dice que el problema es resoluble y el sistema decidible. Para los sistemas en que no se puede encontrar un procedimiento de decisin se dice que el problema de decisin es irresoluble y el sistema es indecidible.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

La lgica de proposiciones es un sistema decidible. De hecho se conocen varios procedimientos de decisin, entre los que se pueden destacar: Validacin mediante tablas de verdad rboles Semnticos. Refutacin. El ltimo de los procedimientos es muy conocido en matemticas, pues consiste en suponer falsa la sentencia a validar, y ver si ello supone una contradiccin. Actividades: Las siguientes actividades se realizarn por equipo, y el resultado de estas se subir al sitio del grupo.ParalarealizacindeestasactividadessesugieretenerasualcanceelCapitulo7dellibro InteligenciaArtificial, un enfoque moderno; de los autores Russell y Norving.

k k k

Investigar el tema Leyes de la lgica de predicados o proposiciones. Ejemplificar la validacin de un conjunto de sentencias mediante tablas de verdad. Investigar el tema Sistema inferencial del clculo de proposiciones.

2.5 La demostracin y sus mtodos La demostracin consiste bsicamente en, a partir de unas proposiciones dadas llamadas premisas, obtener otra proposicin llamada conclusin mediante la aplicacin de unas reglas lgicas.

Losmtodosdedemostracinsonmodelosoesquemasgeneralesqueseencuentranenlos procesos deductivos, estos modelos estn fundamentados lgicamente en teoremas o reglas de inferencia ya establecidas, se pueden distinguir cuatro mtodos de demostracin: 1. Mtodo directo, de la hiptesis auxiliar o demostracin condicional: Dado un conjunto de premisas en una teora, si bajo el supuesto de que una proposicin P es verdadera y utilizando las premisas disponibles se puede hacer una demostracin de que una

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

proposicin Q es verdadera, entonces en esa teora puede concluirse que verdadero. 2. Mtodo contrareciproco: Supongamos que se quiere demostrar que una proposicin especfica es teorema y al intentar su demostracin por el mtodo directo no se

es

logra obtener la conclusin deseada. Se procede entonces a demostrar por el mtodo directo su contrarrecproca establecida la validez de , si se consigue este objetivo entonces queda al hacer sustitucin por equivalencia.

3. Mtodo de demostracin por contradiccin o reduccin al absurdo: consiste en suponer explcitamentelanegacindelaproposicinademostrar,apartirdeestahiptesissetrata degenerarunacontradiccin,estoes:quelateoraconesesupuestoesinconsistentey,en consecuencia,talhiptesisesfalsa,oloqueesequivalente,quesunegacinesverdadera, quedando validada la proposicin inicial. 4. Mtodosdecasososilogismodisyuntivo:Laregladeinferenciadeesenombredalugara este mtodo de demostracin, casi de forzosa utilizacin cuando la hiptesis o una de las hiptesis es una disyuncin de dos o ms proposiciones, en cuyo caso se procede as: a) b) Se supone la hiptesis dada correspondiente a una disyuncin. Apartir de cada una de las proposiciones que integran la disyuncin se obtiene una conclusin parcial por el mtodo directo. c) Se concluye finalmente la disyuncin de las conclusiones parciales.

Actividades: Las siguientes actividades se realizarn por equipo, y el resultado de estas se subir al sitio del grupo.

k k

Investigar los esquemas operativos generales de cada uno de los mtodos de demostracin. Realizar un ejemplo de cada uno de los mtodos de demostracin.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

2.6 El mtodo de resolucin de Robinson ElmtododeresolucindeRobinson,esunmtodoparadecidirsiunaproposicinesvlida,fue introducido por Alan Robinson en 1965, es simple de implementar y se extiende a la lgica de primer orden y otras lgicas no funcionales.

Estemtodoes bastantepopularenelmbitodedemostracindeautomticadeteoremas, tieneunanica regladeinferencia,laregladeresolucin,requierequelasproposicionesestnen forma normal conjuntiva. La idea de este mtodo es mostrar la validez de una proposicin estableciendoquelanegacindelaproposicinesinsatisfactible,porestaraznsedicequeesun mtodo de refutacin. La resolucin en si depende de una sola regla:

Si

son ambas verdaderas, entonces

es verdadera.

La afirmacin se verifica escribiendo la tabla de verdad, como la resolucin depende nicamente de esta nica regla sencilla, es la base de muchos programas de computadoras que razonan y prueba teoremas. En una prueba por resolucin, las hiptesis y la conclusin se escriben como clusulas en forma normal conjuntiva, de esta manera se dice que es una tautologa.

En efecto, el conjunto de clusulas

es lgicamente equivalente a

. En consecuencia, el conjunto de clusulas es insatisfactible si lo es clusula clusulas y se llama resolvente de las clusulas eslaclusulavacayseanota y . La . El resolvente de las

. Aunconjuntodeclausulasquecontiene

se le llama refutacin.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Una prueba directa por resolucin procede aplicando (2.1) repetidamente, a pares de afirmaciones para derivar nuevas afirmaciones, es decir, agregar resolventes hasta llegar a la conclusin,enestecasounarefutacin.Deestamanerasepuedeconcluirqueelconjuntoinicial de clusulas es insatisfactible si el conjunto de clusulas final contiene la clusula . Si el

conjunto de clusulas es insatisfactible entonces la proposicin o argumento es verdadero. La aplicacin reiterada de la regla de solucin termina cuando no se agregan nuevos resolventes.

Acontinuacinsemuestraunejemplo,supngasequesedeseaverificarqueelargumento . De este argumento se obtienen las siguientes clusulas:

Ahora hay que demostrar que el conjunto de clusulas es insatisfactible mediante la regla de refutacin:

Comosehademosqueconelconjuntoinicialdeclusulasllegamosaunaclusulavaca, el conjunto es insatisfacible y por tanto el argumento es correcto.

2.7 Conocimiento no montono y otras lgicas Lalgicaclsicatieneuncarctermontono.Esdecir,dadounconjuntodesentencias del que se puede inferir , al aadir otro conjunto de sentencias , se tiene que seguir

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

infiriendo

apartirde

. Estoesuninconvenienteengrancantidaddeproblemasquese

presentan en IA y que tienen carcter no montono, histricamente se puede decir que la necesidad del razonamiento no montono se presento cuando se plantearon problemas de representacin del conocimiento en aplicaciones de IA. El razonamiento no montono es una forma de razonamiento que contrasta con el razonamiento deductivo estndar de la siguiente manera: Suponga que se conoce que todos los hombres son mortales y que Scrates es un hombre, entonces por simple razonamiento, Scrates es mortal. Nada podemos sumar a nuestro conocimiento que cambie esta conclusin. El razonamiento deductivo internamente es una teora local en la expresin, derivndose una conclusin desde las premisas, por lo tanto no se preocupa sobre alguna otra sentencia en la teora.

Un caso de razonamiento no montono es el razonamiento de sentido comn, el cual establececonclusionesapartirdeinformacinparcial,quemuchasvecesserevisanosedesechan cuando se obtiene nueva informacin o evidencia del dominio. Por ejemplo, si se dice que alguientieneunpjaro,sepiensaqueestevuela,siluegosedicequeesunpingino,entoncesya no se piensa que vuela.

Las lgicas clsicas parten del carcter no excluyente de los nuevos axiomas aadidos a los ya existentes. Por el contrario, las lgicas no montonas tienen en cuenta la necesidad de detectarposiblesinconsistenciasconlosnuevosaxiomas.Elrangodefinitorioesquesetienenen cuenta lo que no se conoce, o lo que es lo mismo asume los lmites de su propio conocimiento. Enpocaspalabras,lalgicano-montonapermiterepresentarleyescomosixesunserhumano, entoncesx puede andar, a menos que haya algo que lo contradiga.

2.8 Razonamiento probabilstico El razonamiento probabilstico es un caso de razonamiento no montono, esta ms apegado a la vida real, en donde las premisas no suelen tener certeza absoluta para poder hacer una

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

inducciones rigurosas. La principal ventaja de este tipo de razonamiento es que permite tomar decisiones racionales an en los casos en que no haya suficiente informacin para probar que cualquier accin dada funcionar, por esta razn se aplica en problemas en los que hay incertidumbre.

2.9 Teorema de Bayes El teorema de Bayes, enunciado por Thomas Bayes, en la teora de la probabilidad, es el resultado que da la distribucin de probabilidad condicional de una variable aleatoria A dada B (probabilidadposteriori)entrminosdeladistribucindeprobabilidadcondicionaldelavariable B dada A y la distribucin de probabilidad marginal de slo A (probabilidad apriori).

Sea

un conjunto de sucesos mutuamente excluyentes y que la

probabilidad de cada uno de ellos es distinta de cero. Sea B un suceso cualquiera del que se conocen las probabilidades condicionales dada por la expresin: . Entonces, la probabilidad viene

donde: son las probabilidades a priori. es la probabilidad deB en la hiptesisA. i son las probabilidades a posteriori. Esto se cumple

ElteoremadeBayesesvlidoentodaslasaplicacionesdelateoradelaprobabilidad.Sin embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

seguidores de la estadstica tradicional slo admiten probabilidades basadas en experimentos repetibles y que tengan una confirmacin emprica mientras que los llamados estadsticos bayesianos permiten probabilidades subjetivas.

El teorema puede servir entonces para indicar cmo debemos modificar nuestras probabilidades subjetivas cuando recibimos informacin adicional de un experimento. La estadstica bayesiana est demostrando su utilidad en ciertas estimaciones basadas en el conocimientosubjetivoaprioriypermitirrevisaresasestimacionesenfuncindelaevidenciaes lo que est abriendo nuevas formas de hacer conocimiento.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Bibliografa Las fuentes bibliogrficas usadas en esta unidad fueron las siguientes: Russell, S., Norving Peter.: Inteligencia Artificial. Un enfoque moderno. Prentice Hall. Mxico. (1996) Colmenares, G.E.: Semntica operacional para lgicas no montonas. Capitulo 2 Fundamentos. Tesis de Maestra. Universidad de las Amricas Puebla. Mexico. (2000). http://catarina.udlap.mx/u_dl_a/tales/documentos/msp/colmenares_g_le/capitulo_2.html S/A.: Razonamiento Lgico. Leyes de la Lgica Proposicional. UNEFANcleo Guarico, Extensin El Socorro. http://razonamiento-logico.blogspot.com/2007_05_01_archive. html Labra, G. J. E., Fernndez L. D.: Lgica de predicados. Cuaderno Didctico. Escuela Universitaria de Ingeniera Tcnica en Informtica de Oviedo. Universidad de Oviedo. http://www.di.uniovi.es/~labra/FTP/LPRED.pdf

S/A.: Lgica de Predicados. Segunda Parte. http://sisbib.unmsm.edu.pe/ bibvirtualdata/ libros/Filosofia/intro_logica/2_parte.pdf

Suppes, P., Hill, S.: Introduccin a la lgica matemtica. Editorial Revert S.A. Mxico. (1992).

Drsteler C. J.: Mapas Conceptuales. Revista Digital Infovist.net. http://www.infovis.net/ printMag.php?num=141&lang=1

Jaramillo,A.A.:FundamentosdeLgicayTeoradeConjuntos.Capitulo3Razonamiento Lgico. Facultad de Ciencias Exactas y Naturales. Universidad de Antioquia. http:// docencia.udea.edu.co/cen/logica/ Bonelli, E.: Programacin Lgica. Departamento de Computacin. Facultad de Ciencias ExactasyNaturales.UniversidaddeBuenosAires.(2006). http://www-2.dc.uba.ar/ materias/plp/20061C/download/clase8.pdf

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Unidad 3.- Sistemas de razonamiento

Objetivo: Aplicar la representacin basada en reglas de produccin, en la solucin de problemas basados en conocimiento. .1 .2 Reglas de produccin. Sintaxis de las reglas de produccin. 3.2.1 A1^A ^2 ^A
n

3.2.2 Representacin objeto atributo valor. .3 Semntica de las reglas de produccin .3.1 .3.2 .4 Conocimiento causal. Conocimiento de diagnostico.

Arquitectura de un sistema de produccin (SP) o sistemas basados en reglas (SBR) .4.1 .4.2 .4.3 Hechos. Base de conocimiento. Mecanismos de control.

.5

Ciclo de vida de un sistema de produccin

Actividades de aprendizaje: Buscar informacin sobre la sintaxis y semntica de un sistema de produccin (SP). Discutir en grupo, conocimiento causal y conocimiento de diagnstico. Disear la solucin a un problema propuesto utilizando la metodologa de sistemas basados en conocimiento. Implementar el diseo de la solucin de un problema utilizando una herramienta de programacin simblica. Discutir en grupo los resultados de la implementacin.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Unidad 3 Sistemas de razonamiento


Siempre que sea posible es conveniente construir agentes que funcionen como sistemas de razonamiento, es decir, que representen explcitamente el conocimiento y puedan efectuar razonamiento sobre l. Este tipo de agentes son fcilmente modificables gracias a su modularidad, debido a la posibilidad de independizar la base de conocimientos y el sistema de control. Cada tipo de sistema de razonamiento automtico esta diseado para un tipo especifico de problema: Demostradores de teoremas y lenguajes de programacin lgicos: Para trabajos de tipo matemtico o cientfico, se utiliza la resolucin para demostrar teoremas enunciados en lgica de primer orden. Sistemas de produccin: estos sistemas tambin utilizan la lgica como elemento bsico de representacin. Cada implicacin se interpreta como sugerencia para la accin y no como una simple conclusin lgica. Sistemas de cuadro y redes semnticas: En estos sistemas se aplica la metfora de que losobjetossonnodosdeunagrafica,dequeestosnodosseorganizandeacuerdoconuna estructura taxonmica y de que los vnculos entre los nodos representan relaciones binarias. Sistemas lgicos por descripcin: Son consecuencia de la evolucin de las redes semnticas. Emplean como medio de expresin y de razonamiento las definiciones complejas de objetos y clases, as como sus relaciones entre ellos. En nuestra vida diaria encontramos muchas situaciones complejas gobernadas por reglas deterministas: sistemas de control de trfico, sistemas de seguridad, transacciones bancarias, entre otras. Los sistemas basados en reglas son una herramienta eficiente para tratar estos problemas.

Las reglas deterministas constituyen la ms sencilla de las metodologas utilizadas en sistemas expertos. La base de conocimiento contiene las variables y el conjunto de reglas que

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

definenelproblema,yelmotordeinferenciaobtienelasconclusionesaplicandolalgicaclsica a estas reglas. Por regla se entiende una proposicin lgica que relaciona dos o ms objetos e incluye dos partes, la premisa y la conclusin. Cada una de estas partes consiste en una expresin lgica con una o ms afirmaciones objeto-valor conectadas mediante los operadores lgicosy, o, o no. 3.1 Reglas de Produccin Las reglas de produccin son un mtodo procedimental de representacin del conocimiento, es decir, pone nfasis en representar y soportar las relaciones inferenciales del dominio, en contraposicin a los mtodos declarativos (nfasis en la representacin de los hechos).

Laestructuradeunareglaes:SI antecedentes,ENTONCES consecuentesdondelos antecedentes son las condiciones y los consecuentes las conclusiones, acciones o hiptesis. Cada regla por si misma constituye un grnulo completo de conocimiento.

La inferencia en los sistemas basados en reglas (SBR) se realiza mediante emparejamiento. Hay dos tipos, segn el sentido: Sistemas de encadenamiento hacia adelante: una regla es activada si los antecedentes emparejan con algunos hechos del sistema. Sistemas de encadenamiento hacia atrs: una regla es activada si los consecuentes emparejan con algunos hechos del sistema.

3.2

Sintaxis de las Reglas de Produccin

3.2.1 A1 A2 An C Para hablar de las sintaxis de las reglas de produccin en los sistemas de razonamiento, primero se debe tener claro que son las reglas de produccin, por tanto se dar una breve introduccin acerca de estas y despus se aterrizara en el contexto de reglas de produccin para la resolucin de problemas condicionales.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Las producciones son reglas gramaticales para la manipulacin de cadenas de smbolos, algunasvecesllamadasreglasdereescritura,sonunsistemacannico,esdecir,unsistemaformal basadoenunalfabetoAparaformarcadenas,algunasconsideradascomoaxiomasyunconjunto de producciones de la forma a) b) c) d) e) Cada y y es una cadena compuesta donde:

frecuentemente son nulas y pueden ser nulas.

Algunas o todas la Cada Cada

es una cadena variable que puede ser nula se reemplaza por cierta

normalmente se le conoce como el antecedente de la regla y

como el consecuente, por analoga con la lgica proposicional. Ejemplo: Sea A el alfabeto {a,b,c}, y el conjunto de axiomas a, b, c, aa, bb, cc. Entonces las siguientes producciones generan todos y solo los palndromos basados en este alfabeto, iniciando por los axiomas: (P1) $ aa (P2) $ bb (P3) $ cc Es posible generar bacab aplicando P1 al axioma c y luego P2 al resultado. Ntese que este conjunto de producciones no es conmutativo. Aunque parezcan triviales, los sistemas cannicos conforman la base para la manipulacin de smbolos en la lgica y las matemticas. Por tanto, cualquier sistema formal se puede expresar como un sistema cannico.

Los sistemas de produccin para la resolucin de problemas de lgica generalmente se implementan para manipular estructuras simblicas como listas o vectores y no cadenas de smbolos, de esta manera un sistema de produccin consta de:

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Un conjunto dereglas, es decir, memoria de produccin. Un intrpretedereglas, el cual decide cuando aplicar que reglas. Unamemoria detrabajo, para alojar los datos, metas y resultados intermedios.

La forma general de las reglas de produccin es son verdaderas entonces realiza las acciones .

, si las premisas

3.2.2 Representacin objeto atributo valor. Como se dijo en 3.2.1 las reglas de produccin manipulan generalmente estructuras simblicas, por lo anterior, el vocabulario de estos sistemas constan de tres conjuntos: Un conjunto N con los nombres de losobjetosdeldominio. Un conjunto P con los nombres de laspropiedades que imputan atributos a los objetos. Un conjunto V devalores que estos atributos pueden tomar.

La gramtica es una tripleta del tipo (objeto, atributo, valor), si entonces

es tal tripleta. Un ejemplo de esta tripleta sera (Pedro ao_Nacimiento 1948). asociados a

La generalizacin permite representar varios pares atributo-valor paraobtenerunvectordelaforma ( de la forma Barbados).

1, 1) ( n, n) asociadosa paraobtenerunvector

, por ejemplo (Pedro ao_Nacimiento 1948 lugar_Nacimiento

3.3 Semntica de las reglas de produccin La semntica de los SBR implica que las reglas que forman el programa se ejecutan (disparan)enparalelohastaquesealcanzasupuntofijo.Laestrategiadecontroldecideelorden en que se seleccionan y disparan las reglas.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

3.3.1 Conocimiento causal Elestudiodelconocimientocausalhaexperimentadoungranavanceenloqueserefierea la formulacin de modelos que tratan de explicar cmo las personas somos capaces de inferir relaciones de causalidad a partir de la observacin de la correlacin estadstica entre acontecimientos del medio. Muchos modelos reducen la explicacin a un algoritmo de cmputo simple. 3.4 Arquitectura de un sistema de produccin (SP) o sistemas basados en reglas (SBR) Los sistemas basados en reglas (SBR) son uno de los modelos de representacin del conocimiento ms ampliamente utilizados. Esto debido a que resultan muy apropiados en situaciones en las que el conocimiento que se desea representar surge de forma natural como estructura de reglas. UnSBRqueempleeelparadigmadelossistemasdeproduccinsedefinecomounaterna formada por una base de hechos BH, una base de reglas BR y un motor de inferencias MI que emplea una estrategia de control. Durante la ejecucin del SBR, como resultado del proceso de resolucin del problema modelado por el SBR ante una instancia concreta del problema, se aaden o eliminan hechos de la memoria de trabajo. El cmo interaccionan cada uno de los elementos de la terna define la

arquitectura de los SBR que consta principalmente de tres elementos (vase la Figura 3.1): Base de Conocimientos: rene todo el conocimiento del sistema (Base de hechos + Base de reglas). Memoria Activa: contiene los hechos que representan el estado actual del problema (los hechosdeinicio+loshechosinferidosaposteriori)ylasreglasactivadas(encondiciones de ser ejecutadas). Motor de Inferencias: decide que reglas activadas se ejecutarn.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Figura 3.1 Arquitectura de un SBR

A continuacin se presenta un ejemplo sencillo en Prolog de un Sistema basado en Reglas, este programa consta de una base de hechos, solo lo que sistema conoce y se considera comoverdadero,despussigueladeclaracinderelaciones,conlascualesserealizaninferencias con el conocimiento y la memoria activa son los resultados obtenidos con el motor de inferencia y los hechos.
%% DECLARACIONES - Base de Hechos. %% %% X es padre de Y padrede('juan','maria'). padrede('pablo','juan'). padrede('pablo','marcela'). padrede('pablo','miguel'). padrede('miguel','rosario'). padrede('carlos','debora'). %% Declaracin de relaciones - Motor de inferencias % A es hijo de B si B es padre de Z hijode(A,B):padrede(B,A). % A es abuelo de B si A es padre de C y C es padre de B abuelode(A,B):padrede(A,C), padrede(C,B). % A y B son hermanos si el padre de A es tambin el padre de B y si A y B no son la misma persona hermanode(A,B):padrede(C,A), padrede(C,B), A\==B. % A es tio de B, si A es hermano de X y X es padre de B

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial tiode(A,B):hermanode(X,A), padrede(X,B). % A es primo de B, si A y B tienen padres que son hermanos. primode(A,B):padrede(X,A), padrede(Y,B), hermanode(X,Y). primo(A,B):padrede(X,A), tiode(X,B). % A y B son familiares si A es padre de B o A es hijo de B o A es hermano de B familiarde(A,B):padrede(A,B). familiarde(A,B):hijode(A,B). familiarde(A,B):hermanode % Resultados arrojados por el programa. 1 ?- padrede('juan','maria'). true. 2 ?- padrede('carlos','marcela'). fail. 3 ?- tiode(X,rosario). X = juan

3.5 Ciclo de vida de un sistema de produccin La ejecucin de un SBR sigue un ciclo denominado ciclo de reconocimiento-accin que consta de tres fases, las cuales se muestran en la figura 3.2 y se detallan a continuacin: Evaluacin: En esta fase se evalan los patrones del antecedente de las reglas para determinar cuales se satisfacen en funcin del contenido actual de la memoria de trabajo. Esta labor se lleva a cabo mediante un algoritmo de emparejamiento de patrones. Una regla se activa cuando se satisface todo su antecedente. El resultado de la activacin de unareglaserunaomsinstanciasdereglaenlaquetodaslasvariablesqueaparecenen el antecedente de la regla estarn ligadas a constantes. Todas las instancias de reglas activas, que forman el denominado conjunto conflicto, permanecen almacenadas, hasta ser seleccionadas para ejecutarse, en una estructura denominada agenda.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Seleccin o resolucin de los conflictos: Se selecciona y extrae una regla de la agenda en funcin de algn criterio especificado en la estrategia de control. Ejecucin o accin: Se ejecutan las acciones que aparecen en el consecuente de la regla seleccionada.

Figura 3.2. Ciclo de reconocimiento-accin de un SBR.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Bibliografa Las fuentes bibliogrficas usadas en esta unidad fueron las siguientes: Russell, S., Norving Peter.: Inteligencia Artificial. Un enfoque moderno. Prentice Hall. Mxico. (1996) S/A.: Razonamiento Lgico. Leyes de la Lgica Proposicional. UNEFANcleo Guarico, Extensin El Socorro. http://razonamiento-logico.blogspot.com/2007_05_01_archive. html Labra, G. J. E., Fernndez L. D.: Lgica de predicados. Cuaderno Didctico. Escuela Universitaria de Ingeniera Tcnica en Informtica de Oviedo. Universidad de Oviedo. http://www.di.uniovi.es/~labra/FTP/LPRED.pdf Suppes, P., Hill, S.: Introduccin a la lgica matemtica. Editorial Revert S.A. Mxico. (1992). Bonelli, E.: Programacin Lgica. Departamento de Computacin. Facultad de Ciencias ExactasyNaturales.UniversidaddeBuenosAires.(2006). http://www-2.dc.uba.ar/ materias/plp/20061C/download/clase8.pdf Gutirrez, J.M.: Sistemas Expertos Basados en Reglas. Departamento de Matematica Aplicada. Universidad de Cantabria.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Unidad 4.- Bsqueda y satisfaccin de restricciones

Objetivo: Aplicar tcnicas sistemticas bsicas de profundidad y anchura en la solucin de problemas de bsqueda de metas. .1 .2 .3 Problemas y espacios de estados. Espacios de estados determinsticos y espacios no deterministicos. Bsqueda sistemtica .3.1 .3.2 .3.3 .4 .5 Bsqueda de metas a profundidad. Bsqueda de metas en anchura. Bsqueda ptima.

Satisfaccin de restricciones Resolucin de problemas de juegos

Actividades de aprendizaje: Describir grficamente problemas en trminos de espacios de estados (problema de misioneros y canbales, problemas de juego entre dos adversarios, entre otros). Buscar informacin sobre los mtodos de bsqueda sistemtica bsica: a profundidad y anchura. Discutir en grupo los algoritmos de los mtodos de bsqueda sistemtica bsica: a profundidad y anchura Buscar informacin sobre los mtodos de bsqueda ptima: funciones de evaluacin, funciones de costo y heursticas. Discutir en grupo los algoritmos de los mtodos de bsqueda ptima: funciones evaluacin, funciones de costo y heursticas. Realizar un proyecto para resolver un problema de un juego clsico (gato, damas chinas, misioneros y canbales, entre otros), empleando un mtodo de bsqueda ptima.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Unidad 4 Bsqueda y satisfaccin de restricciones


Actividades: Las siguientes actividades se realizarn por equipo, y el resultado de estas se subir al sitio del grupo.

Leer el tema Agentes que resuelven problemas del capitulo 3 del libro Inteligencia Artificial, un enfoque moderno, e identificar: Qu es lo primero que debe hacer un agente que resuelve un problema? A qu se refiere la formulacin de metas? A qu se refiere la formulacin de problemas? Qu es bsqueda? Analice y explique la figura 3.1 del libro antes mencionado.

Leer el tema Formulacin de problemas del capitulo 3 del libro InteligenciaArtificial, un enfoque moderno, e identificar los tipos de problemas.

4.1 Problemas y espacios de estados Un problema en realidad es un conjunto de informacin que el agente utiliza para decidir lo que va a hacer. Se empezara primero por especificar que informacin se necesita para definir un problema de un solo estado. Los elementos bsicos que configuran la definicin de un problema son los estados y las acciones. Para capturarlos formalmente se necesita: El estado inicial, que el agente sabe que all es en el que se encuentra. Elconjuntodelasposiblesaccionesqueelagentepuedeemprender.Elterminooperador denota la descripcin de una accin en funcin de la cual se alcanzara un estado al emprender una accin en funcin de la cual se alcanzara un estado al emprender una accin en un estado particular. (Otra forma de definirlo es mediante la funcin subsecuente S. Teniendo un estado particular x, S(x) responde con un conjunto de estados obtenibles a partir dex mediante una sola accin).

Los dos trminos anteriores definen el espacio de estados del problema; el conjunto de todos los estados que pueden alcanzarse a partir del estado inicial mediante cualquier secuencia Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

deacciones.Unarutadelespaciodeestadosessimplementecualquiersecuenciadeaccionesque permiten pasar de un estado a otro. El siguiente elemento de un problema es:

La prueba de meta, es lo que el agente aplica a la descripcin de un solo estado para decidirsisetratadeunestadometa.Hayocasionesenlasqueexisteunconjuntoexplicito de posibles estados metas, y la prueba solo sirve para cerciorarse si hemos alcanzado algunodeellos.Aveceslasmetasseespecificanmedianteunapropiedadabstracta,envez de un conjunto de estados enumerados explcitamente. Por ejemplo, en el ajedrez lameta es alcanzar un estado denominado jaque mate, en el que el rey del contrincante se capturara en la siguiente jugada, haga lo que haga este.

Por ultimo hay casos en los que una solucin es preferible a la otra, no obstante que son ambaspuedalograselameta.Porejemplo,sonpreferibleslasrutasqueentraanmenosacciones o acciones menos costosas.

La funcin costo de ruta es una funcin mediante la que se asigna un costo a una ruta determinada.Entodosloscasosqueconsideramos,estecostoes lasumadeloscostosde cada de una de las acciones individuales que se emprendan a lo largo de la ruta. Esta funcin se denota como g.

Conjuntamente, el estado inicial, el conjunto del operador, la prueba de la meta y la funcin coste deruta definen un problema.Ahora, desde luego, es posible definir un machote de datos que sirvan para representar: machote Problema Componentes: INICIAL-ESTADO, OPERADORES, META, EXAMEN, COSTO, RUTA, FUNCIN Loscasosespecficosdeestemachotededatossernlaentradadenuestrosalgoritmosde bsqueda.Lasalidaproducidaporunalgoritmodebsquedasedenominasolucin,esdecir,una ruta que va del estado inicial al estado que satisface la prueba de meta.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

En el caso de los problemas de estado mltiple solo hay que hacer algunas ligeras modificaciones: un problema esta formado por un conjunto de estados iniciales; un conjunto de operadores especifican cada una de las acciones del conjunto de estados que se alcanzan a partir de un estado determinado; la prueba de meta y la funcin del costo de ruta siguen funcionando como antes. Se aplica un operador mediante la unin de los resultados obtenidos al aplicar el operador a cada uno de los estados del conjunto. Ahora mediante una ruta se conectan los conjuntos de estados y lasolucin es ahora una ruta que conducea un conjunto de estados todos los cuales son estados meta. El espacio de estados se sustituye con un espacio de conjunto de estados.

Como medir la eficiencia para resolver problemas Existen por lo menos tres formas de medir la eficiencia de una bsqueda: Primera: Permite encontrar una solucin? Segunda: Es una buena solucin (con un bajo costo de ruta)? Tercera: Cul es el coste de bsqueda correspondiente al tiempo y memoria necesarios para encontrar una solucin?

Elcostototaldelabsquedaeslasumadelcostodelarutayelcostodelabsqueda.En elcasodelproblemadeencontrarunarutaquevayadeAradaBucarest,elcostodelarutapodra ser proporcional al kilometraje total de la ruta, quizs con algo que incorpore el desgaste producido por las diversas superficies de la carretera. El costo de la bsqueda depender de las circunstancias. En un ambiente esttico, ser igual a 0 puesto que la medicin del desempeo es independiente del tiempo. Si hubiera cierta prisa por llegar a Bucarest, el ambiente seria semidinmico puesto que el tardarse mas tiempo deliberando implicara ms costo. En este caso, elcostodebsquedapodravariaraproximadamenteenformalinealcomoeltiemporequeridoen los clculos (al menos, en pequeas cantidades de tiempo).

As, al calcular el costo total tendramos que sumar kilmetros y milisegundos. Lo anterior no siempre es sencillo pues no existe un tipo de cambio oficial para ambas unidades.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

El agente tendra que ver alguna forma que le permita decidir que recursos invertir en la bsqueda y que recursos dedicara a la ejecucin. El caso de problemas cuyos espacios de estado sonmuypequeos,noesdifcilencontrarlasolucinqueimplicaelmnimocostodelaruta.Sin embargo, en el caso de problemas grandes y complicados, hay que ser un compromiso: o el agente busca por un tiempo prolongado para as obtener una solucin optima, o la gente busca duranteuntiempomascortoyobtieneunasolucin,aunqueconuncostoderutaunpocomayor el tema de la asignacin de recursos se retomara en el capitulo siguiente por ahora, nos concentraremos en la bsqueda en s.

Como escoger estados y acciones Una vez concluido lo referente a definiciones, se empezar con la investigacin sobre los problemasatravsdeunomuysencillo:irenautodeAradaBucarestutilizandolascarreterasdel mapa de la Figura 4.1 en un espacio de estados adecuado hay 20 estados, cada uno de los cuales se define exclusivamente por ubicacin, especificada como una ciudad. Por lo tanto, el estado inicial es: enArad y la prueba de meta es aqu en Bucarest?. Los operadores consisten en manejar por las carreteras entre una ciudad y otra.

Figura 4.1 Un mapa simplificado de Rumania

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Una solucin es la ruta que va deArad a Sibiu, RimnicuVilcea, a Pitesti y Bucarest. Son muchas otras rutas que tambin son soluciones por ejemplo, va Lugoj y Craiova. Para decidir cualdeestassolucioneseslamejor,hayquesaberqueesloqueseestamidiendoconlafuncin costo de trayectoria: puede ser el kilometraje total o el tiempo de recorrido estimado. Dado que en el mapa con que contamos no se especifica ninguna de las dos, como funcin de costo se utilizar la cantidad de etapas.As pues, la ruta que va de Sibiu a Fagaras, cuyo costo es 3, es la mejor de las soluciones.

El verdadero arte de la solucin de problemas consiste en saber decidir que es lo que servir para describir los estados y operadores y que no. Comprese la sencilla descripcin de estado que hemos elegido, enArad, con un viaje real a travs del pas, caso este en el que el estado del mundo esta integrado por muchas cosas: los compaeros de viaje, lo que se escucha por la radio, lo que se ve por la ventana, el vehiculo utilizado para el viaje, la velocidad de tal vehiculo, si hay policas de caminos en las proximidades, la hora del da, si el chofer tiene hambre o esta cansado, si ya esta acabando la gasolina, cuanto falta para la prxima parada para descansar, las condiciones de la carretera y del tiempo. En las descripciones de estado no se toman en cuenta todas las consideraciones anteriores puesto que son irrelevantes en el problema de encontrar una ruta que lleve a Bucarest. El proceso de la eliminacin de detalles de una representacin se denomina abstraccin.

Ascomoseabstraeenelcasodeladescripcindeestado,tambinhayquehacerloenel caso delas acciones. Unaaccin porejemplo, unviajeen auto deArad aZerind produceefectos diversos.Adems de modificar la ubicacin del vehiculo y de sus ocupantes, consume tiempo y combustible, genera contaminacin y cambio en la ubicacin. Por otra parte, hay muchas acciones que se omitan: prender el radio, mirar por la ventana, disminuir la velocidad cuando se pasa ante la poltica de caminos, etctera.

Se podra precisar ms en cuanto a la definicin del nivel adecuado de abstraccin? Considrese que los estados y acciones elegidas corresponden a conjuntos de estados del mundo

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

y conjuntos de secuencias de acciones detalladas. Ahora considrese una solucin al problema abstracto: por ejemplo, la ruta que va deArad a Sibiu, Rimnicu Vilcea, Pitesti y Bucarest. Esta solucin pertenece a una gran cantidad de rutas mas detalladas. Por ejemplo, podramos viajar con el radio prendido entre Sibiu y Rimnicu Vilcea y luego apagarlo por todo el resto del viaje. Cadaunadeestetipoderutasmasdetalladassiguesiendolasolucinparalameta,porloquela abstraccin es valida. La abstraccin tambin es til puesto que el emprender cada una de las acciones de la solucin, como seria manejar de Pitesti a Bucarest, es un poco ms fcil que el problema original. As pues, para escoger una buena abstraccin hay que eliminar todos los detalles que sea posible siempre y cuando se conserve la validez y se garantice que es fcil emprender las acciones abstractas. Si no fuera por su capacidad para construir abstracciones tiles, el mundo real dejara abrumados a los agentes inteligentes.

4.2 Espacios de estados determinsticos y espacios no deterministicos. Un estado es la representacin de un problema en un instante dado. Para definir el espacio de estados no es necesario hacer una enumeracin exhaustiva de todo el estado vlido, sino que es posible definirlo de manera ms general.

Elestadoinicialconsisteenunoovariosestadosenlosquepuedecomenzarelproblema. El estado objetivo consiste en uno o varios estados finales que se consideran solucin aceptable. Las reglas describen las acciones u operadores que posibilitan una transicin de estados. Una regla tiene una parte izquierda y una parte derecha. La parte izquierda determina la aplicabilidad de la regla, es decir, describe los estados a los que puede aplicarse la regla. La parte derecha describe la operacin que se lleva a cabo si se aplica la regla, es decir, como obtener el estado sucesor.

Por ejemplo, en el problema de jugar al ajedrez: el espacio de estados son la totalidad de tableros que se puede generar en un juego de ajedrez;

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

elestadoinicialeseltablerode8x8dondecadaceldacontieneunsmbolodeacuerdoa las piezas situadas; el objetivo o estado final se define como cualquier posicin de tablero en la que el contrario no puede realizar ningn movimiento legal y su rey est amenazado; las reglas son los movimientos legales, que pueden describirse mediante una parte patrn para ser contrastado con la posicin actual de tablero y otra parte que describe el cambio que debe producirse en el tablero.

Dadoqueescribirexhaustivamentetodaslas reglas es imposibleprcticamente,las reglas deben escribirse de la manera ms general posible. La representacin como espacio de estados forma parte de la mayora de los mtodos de IA. Su estructura se corresponde con la resolucin de problemas porque: Permite definir formalmente el problema, mediante la necesidad de convertir una situacin dada en una situacin deseada mediante un conjunto de operaciones permitidas; Permite definir el proceso de resolucin de un problema como una combinacin de tcnicas conocidas y bsqueda

Se suponen deterministas porque se sabe de antemano como ser el estado del problema despus de aplicarlos, se suponen discretos porque no es relevante lo que pasa mientras se ejecutan.

4.3 Bsqueda sistemtica Se ha visto como definir un problema y como identificar una solucin. La parte restante, la bsqueda de la solucin, se logra mediante una bsqueda realizada a travs del espacio de estados.Laideaconsisteenmanteneryampliarunconjuntodesecuenciasdesolucinparciales. En esta seccin se indica como generar tales secuencias y como mantenerse al tanto de estas a travs de las estructuras de datos adecuadas.

Generacin de secuencias de acciones Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Para resolver el problema de la determinacin de la ruta de Arad a Bucarest, por ejemplo, empezaremos por el estado inicial,Arad. Primero hay que determinar si este es un estado meta. Es evidente que no es as, pero es importante probarlo y estar as en condiciones de resolver engaosos problemas como partir de Arad para llegar a Arad. Puesto que el anterior no es un estado meta, habr que evaluar otros estados. Para ello hay que aplicar los operadores al estado de un momento determinado, con lo que se genera un nuevo conjunto de estados. Al proceso anterior se le denomina expansin del estado. En nuestro ejemplo hay tres nuevos estados: en Sibiu,enTimisoarayenZerind,puestoqueexisteunarutadirectadeunsoloproyectoquevade Arad a las tres ciudades anteriores. Si solo hubiera una posibilidad, bastara con optar por ella y continuar; pero cuando las posibilidades son mltiples, hay que escoger cual es la que conviene.

En esto radica la bsqueda: en escoger una opcin, haciendo a un lado las dems para considerarlas posteriormente en caso de que no obtener respuesta alguna mediante la primera opcin. Supngase que escogemos Zering. Verificamos si se trata de un estado meta (lo que no es), y luego se le expande para llegar a Arad y a Oradea. Hay que escoger ahora entre una de estas, o regresar y elegir entre Sibiu o Timisoara. Seguimos eligiendo, probando y expandiendo, hasta dar con una solucin, o hasta que ya no haya mas estados que expandir. La eleccin del estado que se desea expandir primero se realiza a travs de unaestrategia debsqueda.

Figura 4.2 rbol de bsqueda parcial para encontrar una ruta que vaya de Arad a Bucarest.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Para facilitar la comprensin, conviene concebir el proceso de bsqueda como si fuera la construccin de un rbol de bsqueda sobre puesto al espacio de estados. La raz del rbol de bsqueda es el nodo de bsqueda y corresponde al estado inicial. Los nodos hoja de rbol correspondenaestadosquenotienenningnsucesorenelrbol,yaseaporquetodavanosehan expandido, o porque ya lo fueron pero generaron un conjunto vaci. En cada paso, el algoritmo de bsqueda escoge un nodo hoja y lo expande, en la Figura 4.2 se muestra parte de las expansiones del arbol de bsqueda obtenido durante la bsqueda de una ruta que vaya deArad a Bucarest. El algoritmo general de bsqueda se muestra en la Figura 4.3.

function GENERAL-SEARCH (problem, strategy) returns a solution, or failure funcin BSQUEDA-GENERAL (problema, estrategia) produce una solucin, o falla inicializada en el rbol de bsqueda empleando al estado inicial el problema Bucle hacer Si no hay candidatos para la expansin, responda con falla Escoja un nodo hoja para hacer la expansin, de conformidad con la estrategia Si el nodo contiene un estado meta, responda con la solucin respectiva o bien expanda el nodo y aada los nodos resultantes al rbol de bsqueda Fin
Figura 4.3 Descripcin informal de el algoritmo general de bsqueda.

Actividades: Las siguientes actividades se realizarn por equipo, y el resultado de estas se subir al sitio del grupo.

k k

Investigar cuales son los criterios con los cuales se evalan las estrategias de bsqueda. Al terminar de analizar los diferentes tipos de bsqueda, evalelas en funcin de esos criterios.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

4.3.1 Bsqueda de metas a profundidad Bsqueda preferente por profundidad Enlabsquedapreferenteporprofundidadsiempreseexpandeunodelosnodosqueseencuentre en lo ms profundo del rbol. Solo si la bsqueda conduce a un callejn sin salida (un nodo sin meta que no tiene expansin), se revierte la bsqueda y se expanden los nodos de niveles menos profundos. La implantacin de la anterior estrategia se realiza mediante BSQUEDA-GENERAL, conunafuncindelistadeesperaquevaponiendolosestadosrecingeneradosalacabezadetal lista. Puesto que el nodo expandido fue el ms profundo, los respectivos sucesores estarn a profundidades cada vez mayores. El desarrollo de la bsqueda se ilustra en la Figura 4.4.

Figura 4.4 Los rboles de bsqueda preferente por profundidad de un rbol de bsqueda binario. Se supone que todos los nodos de la profundidad 3 no tienen sucesores.

En la bsqueda preferente por profundidad el volumen de memoria necesario es bastante modesto.Comosemuestraenlafigura,soloesnecesarioguardarsololarutaquevayaadelnodo raz al nodo hoja, junto con los nodos restantes no expandidos, por cada nodo de la ruta. Si un espacio de estados tiene un factor de ramificacin b y profundidad mxima m, la cantidad de memoria necesaria en una bsqueda preferente profundidad ser solo de bm nodos, en contraste con la cantidad de necesaria en una bsqueda preferente por amplitud, si la meta mas

inmediata se encuentra a una profundidad d.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

La complejidad temporal en una bsqueda preferente por profundidad es de

. Si la

cantidad de soluciones de un problema es excesiva, la bsqueda preferente por profundidad ser muchomsrpidaquelabsquedapreferenteporamplitud,puestoquetienemasprobabilidades de poder encontrar una solucin luego de explorar tan solo una pequea porcin de todo el espacio.Conlabsquedapreferenteporamplitudtodavaserianecesarioexaminartodaslasrutas de longitud d-1 antes de proceder a revisar las de longitud d. La bsqueda preferente por profundidad, aun en el peor de los casos, se reduce a .

Ladesventajadelabsquedapreferenteporprofundidadeslaposibilidaddequesequede estancadaalavanzarporunarutaequivocada.Enmuchosproblemas,losrbolesdebsquedason muy profundos, o hasta infinitos, por lo que en una bsqueda preferente por profundidad nunca ser posible recuperarse de alguna desafortunada pocin en uno de los nodos que estn cerca de la parte superior del rbol. La bsqueda proseguir siempre en sentido descendente, sin hacia atrs, aun en el caso de que exista una solucin prxima. Por lo tanto, en estos problemas, la bsqueda preferente profundidad o se quedan atorada en un bucle infinito y nunca es posible regresar al encuentro de una solucin, o a la larga encontrara una ruta de solucin mas larga que la solucin optima. Esto quiere decir que la bsqueda preferente por profundidad ni es la ms completanilamasoptima.Porello,cuandohayrbolesdebsquedaconprolongadasoinfinitas profundidades mximas hay que evitar el empleo de la bsqueda preferente por profundidad.

Es muy fcil implantar la bsqueda preferente por profundidad mediante BSQUEDAGENERAL:

function DEPTH-FIRST-SEARCH (problem) returns a solution, or failure funcin BSQUEDA-PREFERENTE-POR PROFUNDIDAD solucin o falla.
BSQUEDAGENERAL (problema) EN LISTA DE ESPERAAL FRENTE

(problema) responde con una

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Es frecuente tambin implantar la bsqueda preferente por profundidad utilizando una funcin recursiva,lacualsesolicitaasimismapor cadaunodesushijos en turno. En estecaso, lalistadeespera seguarda automticamenteen elestado localcadavezquesesolicitelapilade espera.

Bsqueda limitada por profundidad Conlabsquedalimitadaporprofundidadseeliminanlasdificultadesqueconllevanlabsqueda preferente por profundidad al imponer un lmite ala profundidad mxima de una ruta. Para implantar tal lmite se utiliza un algoritmo especial de bsqueda limitada por profundidad, o utilizandoelalgoritmogeneraldebsquedaporoperadoresqueseinformanconstantementedela profundidad. Ejemplo: si en el mapa de Rumania hay 20 ciudades, sabemos que en caso de que existaunasolucinstadebertenercomomximo19ciudades.Laimplementacindellmitede profundidadsellevaacaboutilizandooperadoresdeltipo:siustedseencuentraenlaciudadAy hasta all ha recorrido una ruta que sea una unidad mayor. Este nuevo conjunto de operadores garantiza que, de existir se encontrara la solucin; lo que no se garantiza es que la primera solucin encontrada sea necesariamente la ms breve: la bsqueda limitada por profundidad es compleja,peronoptima.Inclusoalescogerseunlmitedeprofundidadexcesivamentepequeo, la bsqueda limitada por profundidad ni siquiera se completa. La complejidad espacio-temporal de la bsqueda limitada por profundidad es similar ala bsqueda preferente por profundidad. Requiere un tiempo de y un espacio , dondel es el limite de la profundidad.

Bsqueda por profundizacin iterativa Lo difcil en una bsqueda limitada por profundidad es la eleccin de un lmite adecuado. En el casodelproblemadeRumaniaellmitede19seescogiporquesetratabadeunlmiteobvio, aunque la realidad, de haber observado atentamente el mapa, nos habramos dado cuenta de que es posible llegar a cualquier ciudad a partir de cualquier otra a partir de 9 pasos. Este nmero, conocido como el dimetro de espacio de estados, constituye un mejor lmite de profundidad, lo que,asuvez,favorecealabsquedalimitadaporprofundidadmseficiente.Sin embargo,enla

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

mayora de los problemas, no es posible determinar un adecuado lmite de profundidad hasta no haber resuelto el problema.

La bsqueda por profundizacin iterativa es una estrategia que esquiva el tema de la eleccin del mejor lmite de la profundidad probando todos los lmites de profundidad posibles: la primera profundidad 0, luego la profundidad 1, luego la profundidad 2, etctera. El algoritmo respectivo se muestra en la Figura 4.5. En efecto, en la profundizacin iterativa se combinan las ventajas de las bsquedas preferentes por profundidad y preferente por amplitud. Es ptima y compleja, como la bsqueda preferente por amplitud, al tiempo que la memoria que necesita es slo que la bsqueda preferente por profundidad. El orden de la expansin de los estados es semejante a la preferente por amplitud, excepto que algunos de los estados se expanden varias veces.

La bsqueda por profundizacin iterativa podra dar la impresin de que es un desperdicio, debido ala expansin de tantos estados tantas veces. Sin embargo, en la mayora de los problemas, el exceso de esta expansin mltiple resulta ser en realidad bastante pequea. La expansin intuitiva de anterior es que es un rbol de bsqueda exponencial, casi todos los nodos estn en el nivel inferior, por lo que no es tan importante que los niveles superiores se expandan varias veces. La complejidad de temporal de la profundizacin iterativa es complejidad espacial de . y la

function ITERATIVE-DEPENING-SEARCH(problem) returns a solution sequence funcin BUSQUEDA-PORPROFUNDIZACIN-ITERATIVA(problema) responde con una secuencia de solucin entradas: problema, un problema para profundidad ! 0 a " hacer si BUSQUEDA-PORPROFUNDIZACIN-ITERATIVA(problema, profundidad) tiene xito, entregue el resultado obtenido fin Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

responda falla
Figura 4.5 Algoritmo por bsqueda por profundizacin iterativa.

4.3.2 Bsqueda de metas en anchura Bsqueda preferente por amplitud Una de las estrategias ms sencillas es la bsqueda preferente por amplitud. En este caso, primeroseexpandeelnodoraz,yluegotodoslosnodosgeneradosporeste;luegosussucesores, y as sucesivamente. En general, todos los nodos que estn en la profundidad d del rbol de bsqueda se expanden antes de los nodos que estn en la profundidad d+1. Para implantar una bsqueda preferente por amplitud se utiliza un algoritmo BSQUEDA-GENERAL con una funcin delistadeesperamediantelaquesevanponiendolosestadosrecingeneradosalfinaldelalista, a continuacin de todos los estados generados previamente:

function BREADTH-FIRST-SEARCH (problem) returns a solution or failure funcin BSQUEDA-PREFERENTE-POR-AMPLITUD (problema) responde con una solucin o una falla responde con BSQUEDA-GENERAL(problema) EN LISTA DE ESPERAAL FINAL

La de la bsqueda preferente por amplitud es una estrategia bastante sistemtica, pues primerotomaencuentatodaslasrutasdelongitud1,luegolasdelongitud2,etc.EnlaFigura4.6 se muestra el avance de la bsqueda efectuada en un sencillo rbol binario. En caso de haber solucin, es seguro que esta se encontrara mediante la bsqueda preferente por amplitud; si son varias las soluciones, este tipo de bsqueda permitir siempre encontrar primero el estado meta ms prximo. En funcin de cuatro criterios, la bsqueda preferente por amplitud es muy completa y optima, siempre y cuando el costo de ruta sea una funcin que no disminuya al aumentar la profundidad del nodo.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Fig. 4.6 rboles de bsqueda preferente por amplitud despus de la expansin de nodos 0, 1, 2 y 3.

Hasta ahora las noticias sobre la bsqueda preferente por amplitud han sido alentadoras. Pero para mostrar que no siempre es la estrategiade opcin, considresela cantidad detiempo y memoria necesarios para realizar una bsqueda. Tmese en cuenta un espacio de estados hipottico,enquelaexpansindecadaunodelosestadosproducebnuevosestados.Sediceque el factorde ramificacin es b. La raz del rbolde bsqueda genera b nodos en el primer nivel,
2 cadaunodeloscuales generabnodos ms,conuntotaldeb .Cadaunodelos cualesgeneranb

nodos ms, y producen b# en el tercer nivel y as sucesivamente. Supongamos ahora que en la solucin de este problema hay una ruta de longitud d. As pues, la cantidad mxima de nodos expandidos antes de poder encontrar la solucin es , esta es la cantidad

mxima,aunquelasolucinpodraparecerencualquieradelos puntos delnivel.Enelmejorde los casos, la cantidad ser menor a ste.

4.3.3 Bsqueda ptima o de costo uniforme Mediante la bsqueda preferente por amplitud se encuentra el estado meta ms prximo a la superficie, sin embargo ste no siempre es la solucin de costo mnimo de la funcin general de costo de ruta. En el caso de la bsqueda de costo uniforme se modifica la estrategia preferente poramplitudenelsentidodeexpandirsiempreelnododemenorcostoenelmargen(medidopor elcostodelarutag(n))envezdelnododemenorprofundidad.Noesdifcildarsecuentadeque la bsqueda preferente por amplitud no es sino una bsqueda de costo uniforme en la que g(n) =PROFUNDIDAD(n).

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Si se cumplen ciertas condiciones, es seguro que la primera solucin encontrada ser la msbarata,puestoquesihubieraunarutamsbarataquefuesesolucin,yasehabraexpandido anteriormente y ya habra sido encontrada. Esto se comprender ms fcilmente considerando una estrategia en plena accin. Tmese el caso del problema de la determinacin de ruta de la Figura 4.7.

Figura 4.7. Un problema determinado de la ruta. (a) El espacio de estados, en donde se indica el costo de cada operador. Cada nodo se identifica con una g(n). En el paso siguiente se escoge el nodo con meta correspondiente a g =10.

El problema radica en ir de S a G, y va marcndose el costo de cada uno de los operadores. Con esta estrategia primero se expande el estado inicial, lo que produce rutas en direccin a A, B y C. Como la ruta que lleva a A es la ms barata, se procede a expandirla y as generar la ruta SAG, que de hecho es una solucin, si bien no es la ptima. Sin embargo, el algoritmo no admite a esta como solucin, ya que cuesta 11 y se le deja en la lista de espera, debajodelarutaSB,cuyocostoesde5.Esunapenacrearunasolucinparadejarlaolvidadaen lalista,peroasdebesersiloquesedeseaesencontrarlasolucinptima,nocualquiersolucin. ElpasosiguienteesenexpandirSB,generarSBG,yqueahoraeslarutamasbarataquequedaen la lista; se verifica la meta y se decide que es la solucin.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Mediante la bsqueda por costo uniforme se puede encontrar la solucin ms barata, siempre y cuando se satisfaga un requisito muy sencillo: el costo de la ruta nunca debe ir disminuyendoconformeavanzamosporlaruta.Enotraspalabras,esimportanteque:g(SUCESOR (n))$g(n) en todos los nodosn.

La restriccin de que el costo de la ruta no vaya disminuyendo tiene sentido si se considera como costo de la ruta de un nodo a la suma de los costos de los operadores que configuran la ruta. Si el costo de todos los operadores no es negativo, el costo de una ruta nunca ira disminuyendo conforme se avanza y mediante la bsqueda de costo uniforme ser posible encontrarlarutamasbaratasintenerqueexplorarelrboldebsquedaensutotalidad.Perosiel costodeunodelosoperadoresesnegativo,parahallarlasolucinoptimasernecesarioefectuar una bsqueda exhaustica por todos los nodos, puesto que nunca ser posible saber en que momento una ruta (independientemente de su longitud y lo costosa que resulte) esta a punto de estar en un paso con un elevado costo negativo y en consecuencia, convertirse en la mejor de todas las rutas.

4.4 Satisfaccin de restricciones Un problema que satisface restricciones (PSR) es un tipo especial de problemas que satisface algunas propiedades estructurales adicionales adems de los requisitos bsicos de los problemas en general. En el caso de un PSR los estados se definen mediante los valores de un conjunto de variables y la prueba de meta especfica un conjunto de restricciones que los valores deben satisfacer.

Por ejemplo el problema de las 8 reinas podra considerarse como un PSR en la que las variables son las ubicaciones de cada una de las 8 reinas: los posibles valores serian los cuadros deltablero;ylasrestriccionesespecificanquenodebehaber2reinasenunamismafila,columna o diagonal. La solucin de un PSR especifica valores para todas las variables de manera tal que satisfagan las restricciones. La criptoaritmtica y la distribucin de un circuito integrado VLSI tambin se pueden considerar como casos de PSR. Diversos tipos de problemas de diseo y Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

programacin se pueden formular como PSR, por lo que constituyen una subclase muy importante. Aunque estos se resuelven mediante algoritmos de bsqueda para propsitos generales, debido a su especial estructura, se obtienen mejores resultados utilizando algoritmos diseados especialmente para losPSR.

Lasrestriccionessondediversotipo.Lasunariasserefierenalvalordeunasolavariable. Porejemplo,lasvariablescorrespondientesaldigitodelextremoizquierdodeunadelashieleras deunproblemadecriptoaritmeticatienelarestriccindenosernunca0.Lasbinariasserefieren al valor de una sola variable. Las restricciones del problema de las 8 reinas son todas binarias. Lasrestriccionesdeadicinypuedenllegaratenermasvariables.Y,porultimo,lasrestricciones puedenserabsolutas,ycuyaviolacinrigeunasolucin potencial, orestricciones depreferencia y que dirn que tipo de solucin es la que se prefiere.

4.5 Resolucin de problemas de juegos Misioneros y canbales Elproblemagenricodelosmisionerosycanbalespuedeexponersedelasiguientemanera:tres misionerosytrescanbalesestaenunodelosmrgenesdelro,juntoaunalanchaenlaqueslo caben una o dos personas. Hay que encontrar la manera de pasarlos a todos al otro lado del ro, pero teniendo cuidado de que en ningn momento quede un grupo de misioneros junto con un grupo de canbales, siendo la cantidad de misioneros menor a la de los canbales.

El anterior es un problema famoso en IApues fue el tema del primer articulo que enfoco laformulacindeproblemasdesdeunpuntodevistaanaltico[Amarel,1968].Aligualqueenel caso del viaje a travs de Rumania, es necesario abstraer considerablemente los problemas de la vida real para, despus de ello, estar en condiciones de utilizar diversas estrategias para la solucin de problemas.

Imagine esta escena de la vida real: tres miembros de la tribu Arawaska, Alice, Bob y Charles,estnenlasmrgenesdeunriamaznicoinfestadodecocodrilosjuntoconlosamigos Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

queacabandeconocer,Xavier,YolandayZelda.Asualrededorseoyengraznidosdeaves,sobre ellos se precipita una tormenta, se oyen los gritos de Tarzan, etc. A los misioneros, Xavier, Yolanda y Zelda, les preocupa un poco lo que le podra suceder a alguno de ellos si se quedara solo con dos o tres de los otros; tan desagradable como la anterior, es la perspectiva que les preocupa a Alice, Bob y Charles sobre la posibilidad de tener que escuchar un interminable sermn.Ambos grupos por igual dudan de que la pequea barca que encontraron amarrada en la rivera del ro pueda siquiera cruzar el ri con dos personas.

Para formalizar el problema, el primer paso es olvidarse de la lluvia, los cocodrilos y demsdetallesirrelevantesenlasolucin.Elpasosiguienteconsisteensabercualeselconjunto de operadores idneo. Se sabe que los operadores implican el llevar una o dos personas a travs delroenlabarca,perotodavaquedaporsabersitambinesnecesariocontarconunestadoque representeelmomentocuandoestnenlabarca,ojustocuandolleguenalotroladodelri.Toda vez que en esta barca no puede haber ms de dos personas, no es posible rebasar el limite de pasajeros; por lo tanto, lo nico que importa son los destinos finales de la travesa. A continuacin, habr que hacer abstracciones en los protagonistas. Obviamente, cada uno de los seissonsereshumanosdiferentes,especiales;peroparaefectosdelasolucin,cuandosetratade un canbal que se sube a la barca, no importa que se trate de Alice, Bob o Charles. Toda permutacin de los tres misionarios o de los tres canbales dar el mismo final. Lo anterior da como resultado la siguiente definicin formal del problema:

Estados: Un estado es una secuencia bien ordenada de tres nmeros que representan la cantidaddemisioneros,canbalesobarcasqueestnenlamargendelridesdeelqueiniciaranel cruce. Por lo tanto, el estado de inicio es (3, 3,1). Operadores: A partir de cada uno de los estados, los operadores posibles serian llevar en labarcaunmisionero,uncanbal,dosmisioneros,doscanbalesounodecadauno.Porlotanto, habrcomomximocincooperadores,sibienenelcasodealgunosestadoshabrmenosdebido a que es necesario evitar estados ilegales. Ntese de que en caso de que si hubisemos trabajado con los protagonistas como personas individuales habran resultado 27 operadores en vez de 5.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes de Inteligencia Artificial

Prueba de meta: Estado alcanzado (0, 0,0). Costo de ruta: Cuantas veces se cruza el ri.

El espacio de estados de este problema es tan pequeo que su clculo resulta trivial para unacomputadora.Presentaciertadificultadenelcasodelaspersonasdebidoaquealgunosdelos desplazamientos hechos parecen ser retrgrados.Al parecer, los seres humanos aplican lanocin de avance para guiarse en sus bsquedas.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez.

Apuntes elaborados por: M.C. Tania Turrubiates Lpez


Apuntes de Inteligencia Artificial

Bibliografa Las fuentes bibliogrficas usadas en esta unidad fueron las siguientes: Russell, S., Norving Peter.: Inteligencia Artificial. Un enfoque moderno. Prentice Hall. Mxico. (1996)