Apuntes IA

Instituto Tecnolgico Superior de
lamo Temapache
Departamento de Ingeniera en Sistemas Computacionales
Eladorados por:
M.C. Tania Turrubiates Lpez.
Xoyotitla Mpio. de lamo Temapache a Junio de 2007
Apuntes de
Inteligencia Artificial
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.
|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:
El estudiante representar problemas basados en conocimiento en trminos formales y disear la
solucin a problemas tpicos de la Inteligencia Artificial (IA).
Aprendizajes requeridos:
Comprensin de las estructuras de control, anlisis de algoritmos, programacin, las listas,
rboles, recursividad y teora de la probabilidad.
Apuntes de Inteligencia Artificial
Apuntes elaborados por: M.C. Tania Turrubiates Lpez.
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

Unidad 1.- Fundamentos
Objetivo: El estudiante conocer las formas de representacin simblicas y su aplicacin.
.1 El propsito de la IA y su evolucin histrica.
.2 Las habilidades cognoscitivas segn la psicologa. Teoras de la inteligencia
(conductismo, Gardner)
.3 El proceso de razonamiento segn la lgica (axiomas, teoremas y demostracin)
.4 El modelo de adquisicin del conocimiento segn la filosofa.
.5 El modelo cognoscitivo.
.6 El modelo del agente inteligente.
.7 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.

Unidad 1
Fundamentos
1. El propsito de la IA y su evolucin histrica
El hombre se ha aplicado a s mismo el nombre cientfico de homo sapiens, como una valoracin
de la trascendencia de nuestras habilidades mentales tanto para nuestra vida cotidiana como en
nuestro propio sentido de identidad. Los esfuerzos del campo de la inteligencia artificial, o IA, se
enfocan a lograr la comprensin de entidades inteligentes. Por ello una razn de su estudio es el
aprender ms acerca de nosotros mismos.
A diferencia 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
diminuto y lento cerebro, sea biolgico o electrnico, tenga capacidad para percibir, comprender,
predecir y manipular un mundo que en tamao y complejidad lo excede en creces? Cmo es
posible crear apoyndose en esas propiedades? Preguntas difciles, pero el investigador de campo
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?
Una definicin simple sera que la inteligencia artificial, tiene que ver con el diseo de programas
inteligentes. Otra definicin es la rama de la informtica que desarrolla procesos que imitan a la
inteligencia de los seres vivos. La principal aplicacin de esta ciencia es la creacin de mquinas
para la automatizacin de tareas que requieren un comportamiento inteligente.
En la Figura 1.1 se presentan definiciones de lo que es la inteligencia artificial, de acuerdo
con ocho autores diferentes. Las que parecen en la parte superior se refieren a procesos 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
La interesante tarea de lograr que las computadoras
piensen mquinas con mente, en su amplio
sentido literal. Haugeland, 1895
[La automatizacin de] actividades que vinculamos
con procesos de pensamiento humano, actividades
tales como toma de decisiones, resolucin de
problemas, aprendizaje Bellman, 1978
Sistemas que piensan racionalmente
El estudio de las facultades mentales mediante el
uso de modelos computacionales Charnaik y
MacDermott, 1985
El estudio de los clculos que permiten percibir,
razonar y actuar. Winston, 1992
Sistemas que actan como humanos
El arte de crear mquinas con capacidad de realizar
funciones que realizadas por personas requieren de
inteligencia Kurzweil, 1990
El estudio de cmo lograr que las computadoras
realicen tareas que, por el momento, los humanos
han hecho mejor. Rich y Knight, 1991
Sistemas que actan racionalmente
Un campo de estudio que se enfoca a la explicacin
y emulacin de la conducta inteligente en funcin de
procesos computacionales Schalkoff, 1990
La rama de la ciencia de la computacin que se
ocupa de la automatizacin de la conducta
inteligente Luger y Stubblefield, 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.
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
inteligente como la capacidad de lograr eficiencia a nivel humano en todas las actividades de tipo
cognoscitivo, suficiente para engaar a un evaluador.
Brevemente, la prueba que Turing propuso consista en que un humano interrogase a una
computadora por medio de un teletipo; la prueba se consideraba aprobada si el evaluador era
incapaz de determinar si una computadora o un humano era quien haba respondido las preguntas
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 IA es 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
razonamiento y del aprendizaje, simultneamente con el punto de vista de que la mente se reduce
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
teoras sobre la estructura y significado del lenguaje. Por ultimo, la ciencia de la computacin, 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.
!
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
enfoque moderno; de los autores Russell y Norving. Describir cada una de las fases de su
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.
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.
En la actualidad la mayora de los especialistas se decantan por teoras multifactoriales, 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 la inteligencia que tienen los cientficos. Se corresponde con el modo de
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.

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.
El filosofo griego Aristteles fue uno de los primeros que intentara codificar la manera correcta
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
consistentes en conectar unas ideas con otras de acuerdo a ciertas reglas o tambin puede referirse
al estudio de ese proceso. En sentido amplio, se entiende por razonamiento la facultad humana
que permite resolver problemas.
Se llama tambin razonamiento al resultado de la actividad mental de razonar, es decir, 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.
A veces 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
sentido ms amplio el razonamiento no slo es cuestin de la lgica, sino tambin de la filosofa,
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
razonamiento no deductivo, el razonamiento es vlido si la verdad de las premisas hace probable
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
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 un leguaje, para cada variable
, la formula es universalmente vlida.
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 es o bien un
axioma o bien un teorema que se sigue de dos frmulas anteriores y (tales que y
) mediante una regla de deduccin. Dada una demostracin como la anterior si elemento
final no es un axioma entonces es un teorema.
Demostracin
Una demostracin es una sucesin coherente de pasos que, tomando como verdadero un conjunto
de premisas llamado hiptesis, permite asegurar la veracidad de una tesis. Estos pasos deben estar
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:
Demostracin por contraposicin
Demostracin por reduccin al absurdo
Induccin matemtica
Induccin fuerte
4. El modelo de adquisicin del conocimiento segn la filosofa.
Actualmente, para la ciencia cognitiva, la filosofa de la mente ha quedado definida por la versin
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. En efecto, toda representacin es intencional, en tanto siempre es representacin de
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 que sirven como puentes entre el mundo y la mente. Metodolgicamente, la bsqueda
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
mecanismos mentales de ordenamiento que poseen un carcter constrictivo sobre algn fenmeno
que acaece. Tales mecanismos deben funcionar para cualquier sistema cognitivo posible en orden
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.
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 corresponde a las intuiciones, ellas slo radican
en la sensibilidad, pero tienen su fuente en la imaginacin. Los conceptos, por su parte, provienen
del entendimiento en tanto son formas del pensar intelectual. Las ideas, en cambio, son puras
formas que vienen de la razn. Todas estas representaciones son el producto de la actividad de las
facultades mentales, una actividad a la que subyace un complicado proceso de sntesis. La unidad
de dicho proceso es la que posibilita toda representacin con conciencia, es decir, toda
percepcin, por ello an para el reconocimiento (conciencia) de las intuiciones son necesarios
los conceptos puros o categoras. El hecho de que se necesiten conceptos para reconocer
intuiciones y que para juzgar hayan de unirse dos o ms conceptos, deja a la vista que el modelo
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
dichas funciones, pero cmo entender que las intuiciones puedan tambin basarse en funciones?
La respuesta se halla en la misma definicin de funcin. En efecto, la ordenacin de diversas
representaciones bajo una comn a ellas corresponde a un acto de sntesis. La constitucin de las
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,
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
interesaba fundamentalmente era seguir la pista de los pasos de razonamiento y compararla con la
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
precisas y verificables del funcionamiento de la mente humana. La autentica ciencia congnositiva
necesariamente se fundamenta en la investigacin experimental en seres humanos o animales.
6. El modelo de un agente inteligente
Actuar racionalmente implica actuar de manera tal que se logren los objetivos deseados, con base
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
sensores y que responde o acta en tal ambiente por medio de sus efectores. Los agentes humanos
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
mediante motores. En el caso de un agente de software, sus percepciones y acciones vienen a ser
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
Un agente racional es aquel que hace lo correcto. Obviamente, esto es preferible a que haga algo
incorrecto, en este caso lo correcto es aquello que permite al agente obtener el mejor desempeo.
Ahora, es necesario decidir cmo y cundo evaluar ese buen desempeo del agente.
El termino medicin del desempeo se aplica al cmo: es el criterio que sirve para definir
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
define la norma de lo que se considera un satisfactorio desempeo en un ambiente y emplearlo en
la medicin del desempeo de los agentes. El cundo evaluar el desempeo es importante
tambin, se sugiere medir el desempeo a largo plazo.
La racionalidad tiene ms bien que ver con un xito esperado, tomando como base lo que
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.
En resumen, el carcter de racionalidad de lo que se hace en un momento dado depender
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
evidencias aportadas por la secuencia de percepciones y en todo conocimiento incorporado en tal
agente.
Debido a que el comportamiento de un agente depende exclusivamente de la secuencia de
sus percepciones en un momento dado, sabemos que es posible caracterizar cualquier agente en
particular elaborando una tabla de acciones que ste emprende como respuesta a cualquier
secuencia de percepciones posible. A esta 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: la parte del conocimiento integrado. Si las acciones que emprende el agente se basan
exclusivamente en un conocimiento integrado, con lo que se hace caso omiso de sus
percepciones, se dice que el agente tiene autonoma.
La conducta de un agente se basa tanto en su propia experiencia como en el conocimiento
integrado que sirve para construir el agente para el ambiente especfico en el cual va a operar. 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
aleatoria a menos que el diseador le d algn tipo de ayuda. Y as como la evolucin ha dotado a
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.
Estructura de los agentes inteligentes.
El cometido de la IA es el diseo de un programa de agente: una funcin que permita implantar el
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
desempeo se supone lleve a cabo el agente, as como el ambiente en que tal agente operar, 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
Programa de agentes
El esqueleto de todos los agentes ser el mismo, es decir, la aceptacin de percepciones
originadas en un ambiente y la generacin de acciones respectivas. Las primeras versiones de los
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.
Tales estructuras de datos se operarn mediante los procedimientos de toma de decisiones
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
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
conexin entre percepciones y acciones se les denomina reglas de condicin-accin. En la
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
internos lo que sirve sin consideracin para ejecutar una accin, de esta manera a este tipo
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, sin embargo; para cada uno de los estados se necesitan acciones distintas. La Figura
1.4 muestra la arquitectura de este tipo de agente.
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 detallan las situaciones a las que se desea llegar, de este modo, el programa de
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
diversos estados del mundo (ambientes) para poder encontrar el estado de felicidad para el
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 la eleccin 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

completamente mediante el estado actual y las acciones escogidas por los agentes, se dice
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, entonces podra parecer que es no determinista. Lo anterior es especialmente
vlido cuando el ambiente es complejo, dificultando el estar al tanto de todos los aspectos
inaccesibles. Por ello, es ms conveniente calificar el que un ambiente sea determinista o
no determinista considerando el punto de vista del agente.
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
forma dinmica en relacin con el agente, de lo contrario, se dice que es esttico. Es ms
fcil trabajar con ambientes estticos puesto que el agente no tiene que observar lo que
sucede en el mundo al mismo tiempo que decide sobre el curso de una accin, ni tampoco
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 es semidinmico.
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: existe una cantidad fija de posibles jugadas en cada ronda. La conduccin de un
taxi es continua: la velocidad y la ubicacin del taxi y de los dems vehculos se extiende
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
7. El papel de la heurstica.
La palabra heurstica se deriva del verbo griego heuriskein, que significa encontrar o
descubrir. El termino tcnico ha adoptado diversas connotaciones a lo largo de la historio de la
IA. En 1957, George Polya public un libro importante donde el termino heurstica se aplicaba
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 problema determinado, pero no ofrece ninguna garanta de ello, se dice que es la heurstica del
problema. Conviene notar, sin embargo, que no hay nada aleatorio o no determinista en relacin
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
emprender en la bsqueda; hay casos incluso, en los que tampoco se puede garantiza la calidad de
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
principio en la estructura de los programas, aunque despus se hizo patente que eso era un factor
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.
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.
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.
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 Mapas conceptuales.
.2 Redes semnticas.
.3 Razonamiento montono.
.4 La lgica de predicados: sintaxis, semntica, validez e inferencia.
.5 La demostracin y sus mtodos.
.6 El mtodo de resolucin de Robinson.
.7 Conocimiento montono y otras lgicas
.8 Razonamiento probabilstico.
.9 Teorema de Bayes
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

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,
normalmente se refiere a un conjunto de actividades mentales consistentes en conectar unas ideas
con otras de acuerdo a ciertas reglas o tambin puede referirse al estudio de ese proceso.
El objetivo de a representacin del conocimiento es expresar ste en forma manejable por
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
forma breve de representar informacin. Su objetivo es representar relaciones entre conceptos en
forma de proposiciones. Tienen su origen en las teoras sobre la psicologa del aprendizaje de
David Ausubel 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
elementos concretos por ejemplo, casa, escritorio y otros que definen nociones abstractas,
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
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

las flechas porque la relacin entre conceptos esta especificada por las palabras de enlace,
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

segmentos del mapa conceptual, una relacin significativa. La representacin grafica en el
mapa para sealar la existencia de una conexin cruzada es a travs de una flecha.
Figura 2.1 Representacin de un mapa conceptual.

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 a lo especfico, las ideas ms generales o inclusivas, ocupan el pice 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.
Los conceptos, que nunca se repiten, van dentro de valos y la palabras enlace se ubican
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).
8. Seleccionar las figuras (valos, rectngulos, crculos, nubes) de acuerdo a la informacin a
manejar.
9. Construir el mapa, ordenando los conceptos en correspondencia al conocimiento organizado y
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
fundamentan en una psicolgica muy slida, por lo que se han realizado numerosos esfuerzos por
llevar a cabo implementaciones importantes basadas en ellas.
Las redes semnticas han sido muy utilizadas en IA para representar el conocimiento y
por tanto ha existido una gran diversificacin de tcnicas. Los elementos bsicos se encuentra en
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:
grupo.
!
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
Existen muchos sistemas de razonamiento, los cuales son usados para inferir conclusiones a partir
de informacin inicial. En los sistemas de razonamiento montono, se asume que una vez que un
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
que el lenguaje es una lgica. Con base en la sintaxis y en la semntica se obtiene un mecanismo
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)

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

mi nscul as, se pueden ut i l i zar sub ndi ces, ej empl o de vari abl es 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. A sus
partes se les llama coyuntos.
-
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, conclusin o consecuente. Tambin se les llama reglas o aseveraciones
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.
Se ha presentado la sintaxis o forma de las sentencias de la lgica de predicados. La semntica se
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
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. Para ello se parte del principio de que el valor de verdad de cualquier sentencia est
determinado por los valores de verdad de cada variable que la compone. Para determinar el valor
de verdad de una sentencia para una interpretacin determinada, existen las tablas de verdad.
La tabla de verdad de una sentencia es una tabla en la que se presentan todas las posibles
interpretaciones de las variables que constituyen la sentencia y el valor de verdad de la sentencia
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 q p p"q p#q p$q P%q p&q
F F V F V F V V
F V V F F V F F
V F F F F V V F
V V V V F F V 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
se muestra en la Tabla 2.2, la construccin de esta tabla se describe a continuacin. Para construir
la tabla de verdad, en las columnas de la izquierda se ponen los valores de verdad de p y q para
cada una de las cuatro posibles interpretaciones. Para cada una de dichas interpretaciones, se van
poniendo en columnas sucesivas los valores de verdad de cada una de las subsentencias que la
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 (p%q) % (( p) % (q))
p q p%q p q p%q Sentencia
V V V F F V V
V F F F V V V
F V V V F F F
F F V V V V V
Tambin se pueden construir tablas de verdad para sentencias que contengan ms de dos
variables. Slo hemos de tener en cuenta que tendremos interpretaciones, siendo n el nmero
de variables de la sentencia.
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
en todas las interpretaciones de todos los mundos posibles, es decir, con independencia de lo que
supuestamente signifique y lo que est sucediendo en el universo descrito.
El problema de encontrar un procedimiento de validacin de las sentencias bien formadas
se denomina problema de decisin.
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.

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:
grupo. Para la realizacin de estas actividades se sugiere tener a su alcance el Capitulo 7 del libro
Inteligencia Artificial, un enfoque moderno; de los autores Russell y Norving.
!
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.
Los mtodos de demostracin son modelos o esquemas generales que se encuentran en los
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
proposicin Q es verdadera, entonces en esa teora puede concluirse que es
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
logra obtener la conclusin deseada. Se procede entonces a demostrar por el mtodo
directo su contrarrecproca , si se consigue este objetivo entonces queda
establecida la validez de al hacer sustitucin por equivalencia.
3. Mtodo de demostracin por contradiccin o reduccin al absurdo: consiste en suponer
explcitamente la negacin de la proposicin a demostrar, a partir de esta hiptesis se trata
de generar una contradiccin, esto es: que la teora con ese supuesto es inconsistente y, en
consecuencia, tal hiptesis es falsa, o lo que es equivalente, que su negacin es verdadera,
quedando validada la proposicin inicial.
4. Mtodos de casos o silogismo disyuntivo: La regla de inferencia de ese nombre da lugar a
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) Se supone la hiptesis dada correspondiente a una disyuncin.
b) A partir 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:
grupo.
!
Investigar los esquemas operativos generales de cada uno de los mtodos de
demostracin.
!
Realizar un ejemplo de cada uno de los mtodos de demostracin.
2.6 El mtodo de resolucin de Robinson
El mtodo de resolucin de Robinson, es un mtodo para decidir si una proposicin es vlida, 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.
Este mtodo es bastante popular en el mbito de demostracin de automtica de teoremas,
tiene una nica regla de inferencia, la regla de resolucin, requiere que las proposiciones estn en
forma normal conjuntiva. La idea de este mtodo es mostrar la validez de una proposicin
estableciendo que la negacin de la proposicin es insatisfactible, por esta razn se dice que es un
mtodo de refutacin. La resolucin en si depende de una sola regla:
Si y 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 c o n s e c u e n c i a , e l c o n j u n t o d e c l u s u l a s
es insatisfactible si lo es . La
clusula se llama resolvente de las clusulas y . El resolvente de las
clusulas y es la clusula vaca y se anota . A un conjunto de clausulas que contiene
se le llama refutacin.
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, en este caso una refutacin. De esta manera se puede concluir que el conjunto inicial
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.
A continuacin se muestra un ejemplo, supngase que se desea verificar que el argumento
. De este argumento se obtienen las siguientes clusulas:
Ahora hay que demostrar que el conjunto de clusulas es insatisfactible mediante la regla
de refutacin:
Como se ha demos que con el conjunto inicial de clusulas llegamos a una clusula vaca,
el conjunto es insatisfacible y por tanto el argumento es correcto.
2.7 Conocimiento no montono y otras lgicas
La lgica clsica tiene un carcter montono. Es decir, dado un conjunto de sentencias
del que se puede inferir , al aadir otro conjunto de sentencias , se tiene que seguir
infiriendo a partir de . Esto es un inconveniente en gran cantidad de problemas que se
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
establece conclusiones a partir de informacin parcial, que muchas veces se revisan o se desechan
cuando se obtiene nueva informacin o evidencia del dominio. Por ejemplo, si se dice que
alguien tiene un pjaro, se piensa que este vuela, si luego se dice que es un pingino, entonces ya
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
detectar posibles inconsistencias con los nuevos axiomas. El rango definitorio es que se tienen en
cuenta lo que no se conoce, o lo que es lo mismo asume los lmites de su propio conocimiento.
En pocas palabras, la lgica no-montona permite representar leyes como si x es un ser humano,
entonces x 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
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
(probabilidad posteriori) en trminos de la distribucin de probabilidad condicional de la variable
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 . Entonces, la probabilidad viene
dada por la expresin:
donde:
son las probabilidades a priori.
es la probabilidad de B en la hiptesis Ai.
son las probabilidades a posteriori.
Esto se cumple
El teorema de Bayes es vlido en todas las aplicaciones de la teora de la probabilidad. Sin
embargo, hay una controversia sobre el tipo de probabilidades que emplea. En esencia, los
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
conocimiento subjetivo a priori y permitir revisar esas estimaciones en funcin de la evidencia es
lo que est abriendo nuevas formas de hacer conocimiento.
Bibliografa
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. UNEFA Ncleo 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.: Fundamentos de Lgica y Teora de Conjuntos. Capitulo 3 Razonamiento

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

Exactas y Naturales. Universidad de Buenos Aires. (2006) . ht t p: / / www-2. dc. uba. ar/
materias/plp/20061C/download/clase8.pdf
Unidad 3.- Sistemas de razonamiento
Objetivo: Aplicar la representacin basada en reglas de produccin, en la solucin de
problemas basados en conocimiento.
.1 Reglas de produccin.
.2 Sintaxis de las reglas de produccin.
3.2.1 A1 ^ A2 ^ ^An ' C
3.2.2 Representacin objeto atributo valor.
.3 Semntica de las reglas de produccin
.3.1 Conocimiento causal.
.3.2 Conocimiento de diagnostico.
.4 Arquitectura de un sistema de produccin (SP) o sistemas basados en reglas
(SBR)
.4.1 Hechos.
.4.2 Base de conocimiento.
.4.3 Mecanismos de control.
.5 Ciclo de vida de un sistema de produccin
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.

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

los objetos son nodos de una grafica, de que estos nodos se organizan de acuerdo con una
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
definen el problema, y el motor de inferencia obtiene las conclusiones aplicando la lgica clsica
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 lgicos y, 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).
La estructura de una regla es: SI antecedentes , ENTONCES consecuentes donde los
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.
Las producciones son reglas gramaticales para la manipulacin de cadenas de smbolos,
algunas veces llamadas reglas de reescritura, son un sistema cannico, es decir, un sistema formal
basado en un alfabeto A para formar cadenas, algunas consideradas como axiomas y un conjunto
de producciones de la forma donde:
a) Cada y es una cadena compuesta
b) y frecuentemente son nulas
c) Algunas o todas la y pueden ser nulas.
d) Cada es una cadena variable que puede ser nula
e) Cada se reemplaza por cierta
A 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) $ ( a$a
(P2) $ ( b$b
(P3) $ ( c$c

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:
Un conjunto de reglas, es decir, memoria de produccin.
Un intrprete de reglas, el cual decide cuando aplicar que reglas.
Una memoria de trabajo, para alojar los datos, metas y resultados intermedios.
La forma general de las reglas de produccin es , si las premisas
son verdaderas entonces realiza las acciones .
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 los objetos del dominio.
Un conjunto P con los nombres de las propiedades que imputan atributos a los objetos.
Un conjunto V de valores que estos atributos pueden tomar.

La gramtica es una tripleta del tipo (objeto, atributo, valor), si , y
entonces es tal tripleta. Un ejemplo de esta tripleta sera (Pedro ao_Nacimiento 1948).
La generalizacin permite representar varios pares atributo-valor asociados a
para obtener un vector de la forma ()1, *1) ()n, *n) asociados a + para obtener un vector
de la forma , por ejemplo (Pedro ao_Nacimiento 1948 lugar_Nacimiento
Barbados).
3.3 Semntica de las reglas de produccin
La semntica de los SBR implica que las reglas que forman el programa se ejecutan
(disparan) en paralelo hasta que se alcanza su punto fijo. La estrategia de control decide el orden
en que se seleccionan y disparan las reglas.
3.3.1 Conocimiento causal
El estudio del conocimiento causal ha experimentado un gran avance en lo que se refiere a
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.
Un SBR que emplee el paradigma de los sistemas de produccin se define como una terna
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
hechos de inicio + los hechos inferidos a posteriori) y las reglas activadas (en condiciones
de ser ejecutadas).
Motor de Inferencias: decide que reglas activadas se ejecutarn.

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
como verdadero, despus sigue la declaracin de relaciones, con las cuales se realizan inferencias
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
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
una regla ser una o ms instancias de regla en la que todas las variables que aparecen en
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.
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.
Bibliografa
Mxico. (1996)
S/A.: Razonamiento Lgico. Leyes de la Lgica Proposicional. UNEFA Ncleo 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

Exactas y Naturales. Universidad de Buenos Aires. (2006) . ht t p: / / 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.

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 Problemas y espacios de estados.
.2 Espacios de estados determinsticos y espacios no deterministicos.
.3 Bsqueda sistemtica
.3.1 Bsqueda de metas a profundidad.
.3.2 Bsqueda de metas en anchura.
.3.3 Bsqueda ptima.
.4 Satisfaccin de restricciones
.5 Resolucin de problemas de juegos
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.
Unidad 4
Bsqueda y satisfaccin de restricciones
Actividades:
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 Inteligencia Artificial,
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.
El conjunto de las posibles acciones que el agente puede emprender. El termino operador
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 de x 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
de acciones. Una ruta del espacio de estados es simplemente cualquier secuencia de acciones que
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

decidir si se trata de un estado meta. Hay ocasiones en las que existe un conjunto explicito
de posibles estados metas, y la prueba solo sirve para cerciorarse si hemos alcanzado
alguno de ellos. A veces las metas se especifican mediante una propiedad abstracta, en vez
de un conjunto de estados enumerados explcitamente. Por ejemplo, en el ajedrez la meta
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
ambas pueda lograse la meta. Por ejemplo, son preferibles las rutas que entraan menos acciones
o acciones menos costosas.
La funcin costo de ruta es una funcin mediante la que se asigna un costo a una ruta
determinada. En todos los casos que consideramos, este costo es la suma de los costos de
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 de ruta 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
Los casos especficos de este machote de datos sern la entrada de nuestros algoritmos de
bsqueda. La salida producida por un algoritmo de bsqueda se denomina solucin, es decir, una
ruta que va del estado inicial al estado que satisface la prueba de meta.
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 la solucin es ahora una ruta que conduce a 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?
El costo total de la bsqueda es la suma del costo de la ruta y el costo de la bsqueda. En
el caso del problema de encontrar una ruta que vaya de Arad a Bucarest, el costo de la ruta podra
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,
el costo de bsqueda podra variar aproximadamente en forma lineal como el tiempo requerido en
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.
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
son muy pequeos, no es difcil encontrar la solucin que implica el mnimo costo de la ruta. 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
durante un tiempo mas corto y obtiene una solucin, aunque con un costo de ruta un poco mayor
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
problemas a travs de uno muy sencillo: ir en auto de Arad a Bucarest utilizando las carreteras del
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: en Arad 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
Una solucin es la ruta que va de Arad a Sibiu, Rimnicu Vilcea, a Pitesti y Bucarest. Son
muchas otras rutas que tambin son soluciones por ejemplo, va Lugoj y Craiova. Para decidir
cual de estas soluciones es la mejor, hay que saber que es lo que se esta midiendo con la funcin
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, en Arad, 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.
As como se abstrae en el caso de la descripcin de estado, tambin hay que hacerlo en el
caso de las acciones. Una accin por ejemplo, un viaje en auto de Arad a Zerind produce efectos
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
y conjuntos de secuencias de acciones detalladas. Ahora considrese una solucin al problema
abstracto: por ejemplo, la ruta que va de Arad 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.
Cada una de este tipo de rutas mas detalladas sigue siendo la solucin para la meta, por lo que la
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.
El estado inicial consiste en uno o varios estados en los que puede comenzar el problema.
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;
el estado inicial es el tablero de 8 x 8 donde cada celda contiene un smbolo de acuerdo a

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.
Dado que escribir exhaustivamente todas las reglas es imposible prcticamente, 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. La idea consiste en mantener y ampliar un conjunto de secuencias de solucin parciales.
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
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, en Timisoara y en Zerind, puesto que existe una ruta directa de un solo proyecto que va de
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 una estrategia de bsqueda.
Figura 4.2 rbol de bsqueda parcial para encontrar una ruta que vaya de Arad a Bucarest.
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
corresponden a estados que no tienen ningn sucesor en el rbol, ya sea porque todava no se han
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 de Arad 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:
grupo.
!
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.
4.3.1 Bsqueda de metas a profundidad
Bsqueda preferente por profundidad
En la bsqueda preferente por profundidad siempre se expande uno de los nodos que se encuentre
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,
con una funcin de lista de espera que va poniendo los estados recin generados a la cabeza de tal
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. Como se muestra en la figura, solo es necesario guardar solo la ruta que vaya a del nodo
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.
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
mucho ms rpida que la bsqueda preferente por amplitud, puesto que tiene mas probabilidades
de poder encontrar una solucin luego de explorar tan solo una pequea porcin de todo el
espacio. Con la bsqueda preferente por amplitud todava seria necesario examinar todas las rutas
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 .
La desventaja de la bsqueda preferente por profundidad es la posibilidad de que se quede
estancada al avanzar por una ruta equivocada. En muchos problemas, los rboles de bsqueda son
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
completa ni la mas optima. Por ello, cuando hay rboles de bsqueda con prolongadas o infinitas
profundidades mximas hay que evitar el empleo de la bsqueda preferente por profundidad.
Es muy fcil implantar la bsqueda preferente por profundidad mediante BSQUEDA-
GENERAL:
function DEPTH-FIRST-SEARCH (problem) returns a solution, or failure
funcin BSQUEDA-PREFERENTE-POR PROFUNDIDAD (problema) responde con una
solucin o falla.
BSQUEDAGENERAL (problema) EN LISTA DE ESPERA AL FRENTE
Es frecuente tambin implantar la bsqueda preferente por profundidad utilizando una
funcin recursiva, la cual se solicita a si misma por cada uno de sus hijos en turno. En este caso,
la lista de espera se guarda automticamente en el estado local cada vez que se solicite la pila de
espera.
Bsqueda limitada por profundidad
Con la bsqueda limitada por profundidad se eliminan las dificultades que conllevan la bsqueda
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
utilizando el algoritmo general de bsqueda por operadores que se informan constantemente de la
profundidad. Ejemplo: si en el mapa de Rumania hay 20 ciudades, sabemos que en caso de que
exista una solucin sta deber tener como mximo 19 ciudades. La implementacin del lmite de
profundidad se lleva a cabo utilizando operadores del tipo: si usted se encuentra en la ciudad A y
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, pero no ptima. Incluso al escogerse un lmite de profundidad excesivamente pequeo,
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 , donde l 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
caso del problema de Rumania el lmite de 19 se escogi por que se trataba de un lmite obvio,
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, a su vez, favorece a la bsqueda limitada por profundidad ms eficiente. Sin embargo, en la
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 y la
complejidad espacial de .
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
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,
primero se expande el nodo raz, y luego todos los nodos generados por este; luego sus sucesores,
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
de lista de espera mediante la que se van poniendo los estados recin generados al final de la lista,
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 ESPERA AL FINAL
La de la bsqueda preferente por amplitud es una estrategia bastante sistemtica, pues
primero toma en cuenta todas las rutas de longitud 1, luego las de longitud 2, etc. En la Figura 4.6
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.
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 estrategia de opcin, considrese la cantidad de tiempo y
memoria necesarios para realizar una bsqueda. Tmese en cuenta un espacio de estados
hipottico, en que la expansin de cada uno de los estados produce b nuevos estados. Se dice que
el factor de ramificacin es b. La raz del rbol de bsqueda genera b nodos en el primer nivel,
cada uno de los cuales genera b nodos ms, con un total de b
2
. Cada uno de los cuales generan b
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, aunque la solucin podr aparecer en cualquiera de los puntos del nivel. En el mejor de
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
por amplitud en el sentido de expandir siempre el nodo de menor costo en el margen (medido por
el costo de la ruta g(n)) en vez del nodo de menor profundidad. No es difcil darse cuenta de que
la bsqueda preferente por amplitud no es sino una bsqueda de costo uniforme en la que g(n)
=PROFUNDIDAD(n).
Si se cumplen ciertas condiciones, es seguro que la primera solucin encontrada ser la
ms barata, puesto que si hubiera una ruta ms barata que fuese solucin, ya se habra expandido
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,
debajo de la ruta SB, cuyo costo es de 5. Es una pena crear una solucin para dejarla olvidada en
la lista, pero as debe ser si lo que se desea es encontrar la solucin ptima, no cualquier solucin.
El paso siguiente es en expandir SB, generar SBG, y que ahora es la ruta mas barata que queda en
la lista; se verifica la meta y se decide que es la solucin.
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
disminuyendo conforme avanzamos por la ruta. En otras palabras, es importante que: g(SUCESOR
(n))$g(n) en todos los nodos n.
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
encontrar la ruta mas barata sin tener que explorar el rbol de bsqueda en su totalidad. Pero si el
costo de uno de los operadores es negativo, para hallar la solucin optima ser necesario efectuar
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
del tablero; y las restricciones especifican que no debe haber 2 reinas en una misma fila, 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
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 los PSR.
Las restricciones son de diverso tipo. Las unarias se refieren al valor de una sola variable.
Por ejemplo, las variables correspondientes al digito del extremo izquierdo de una de las hieleras
de un problema de criptoaritmetica tiene la restriccin de no ser nunca 0. Las binarias se refieren
al valor de una sola variable. Las restricciones del problema de las 8 reinas son todas binarias.
Las restricciones de adicin y pueden llegar a tener mas variables. Y, por ultimo, las restricciones
pueden ser absolutas, y cuya violacin rige una solucin potencial, o restricciones de preferencia
y que dirn que tipo de solucin es la que se prefiere.
4.5 Resolucin de problemas de juegos
Misioneros y canbales
El problema genrico de los misioneros y canbales puede exponerse de la siguiente manera: tres
misioneros y tres canbales esta en uno de los mrgenes del ro, junto a una lancha en la que slo
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 IA pues fue el tema del primer articulo que enfoco
la formulacin de problemas desde un punto de vista analtico [Amarel, 1968]. Al igual que en el
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, estn en las mrgenes de un ri amaznico infestado de cocodrilos junto con los amigos
que acaban de conocer, Xavier, Yolanda y Zelda. A su alrededor se oyen graznidos de aves, 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
dems detalles irrelevantes en la solucin. El paso siguiente consiste en saber cual es el conjunto
de operadores idneo. Se sabe que los operadores implican el llevar una o dos personas a travs
del ro en la barca, pero todava queda por saber si tambin es necesario contar con un estado que
represente el momento cuando estn en la barca, o justo cuando lleguen al otro lado del ri. 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
seis son seres humanos diferentes, especiales; pero para efectos de la solucin, cuando se trata de
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
cantidad de misioneros, canbales o barcas que estn en la margen del ri desde el que iniciaran el
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
la barca un misionero, un canbal, dos misioneros, dos canbales o uno de cada uno. Por lo tanto,
habr como mximo cinco operadores, si bien en el caso de algunos estados habr menos debido
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.
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
una computadora. Presenta cierta dificultad en el caso de las personas debido a que algunos de los
desplazamientos hechos parecen ser retrgrados. Al parecer, los seres humanos aplican la nocin
de avance para guiarse en sus bsquedas.
Bibliografa
Mxico. (1996)

Apuntes IA

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Apuntes IA

Hochgeladen von

Copyright:

Verfügbare Formate

Instituto Tecnolgico Superior de

Capacidad de anlisis, de desarrollo y de programacin de modelos matemticos,

Coordina y realiza investigaciones que fortalezcan el desarrollo cultural, cientfico y

Aplica nuevas tecnologas a la solucin de problemas de su entorno laboral.

Desarrolla interfaces hombre-mquina.

Capacidad de entender o comprender, y de resolver problemas. Habilidad, destreza y

Es la capacidad de relacionar las necesidades para sostener la entalpa con las

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.

Procesar un lenguaje natural, para as poder establecer comunicacin satisfactoria, se en

Representar el conocimiento, para as guardar toda la informacin que se le haya dado

Razonar automticamente, con el fin de utilizar la informacin guardada al responder

Aprendizaje de la mquina, para que se adapte a nuevas circunstancias y para detectar y

La capacidad de comprender significados lingsticos.

La rapidez en la percepcin visual.

Las capacidades de induccin u deduccin.

Inteligencia lgica-matemtica, la que se utiliza para resolver problemas de lgica y

Inteligencia espacial, consiste en formar un modelo mental del mundo en tres

Inteligencia musical, es aquella que permite desenvolverse adecuadamente a cantantes,

Inteligencia corporal-kinestsica, o la capacidad de utilizar el propio cuerpo para realizar

Inteligencia intrapersonal, es la que permite entenderse a s mismo. No est asociada a

Inteligencia interpersonal, la que permite entender a los dems; se la suele encontrar en

Inteligencia naturalista, la utilizada cuando se observa y estudia la naturaleza, con el

La componencial: consiste en establecer relaciones con el mundo interno de sujeto.

La experiencial: son las experiencias vitales del sujeto.

Razonamiento lgico o quasi-lgico, que incluira el razonamiento deductivo y el

Razonamiento cuantitativo, relacionado con la habilidad de comparar, comprender y

Demostracin por contraposicin

Demostracin por reduccin al absurdo

De la medida con la que se evala el grado de xito logrado.

Del conocimiento que posea el agente acerca del medio.

De las acciones que el agente pueda emprender.

Accesibles y no accesibles: Si el aparato sensorial de un agente le permite tener acceso al

Deterministas y no deterministas: Si el estado siguiente de un ambiente se determina

Episdicos y no episdicos: En un ambiente episdico, la experiencia del agente se

Estticos y dinmicos: Si existe la posibilidad de que el ambiente sufra modificaciones

Discretos y continuos: Si existe una cantidad limitada de percepciones y acciones

Lapalma, F.: Qu es esto que llamamos inteligencia?. Revista Iberoamericana de

Zenteno, B.I.: Un modelo representacional de la mente: elementos de la arquitectura

Buscar informacin sobre las formas de representacin del conocimiento.

Disear la representacin de algn concepto, a travs de una forma de representacin del

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

Concepto: es un evento o un objeto que con regularidad se denomina con un nombre o

Lneas y flechas de enlace: en los mapas conceptuales convencionalmente, no se utilizan

Conexiones cruzadas: cuando se establece entre dos conceptos ubicados en diferentes

Van de lo general a lo especfico, las ideas ms generales o inclusivas, ocupan el pice o

Un conjunto de procedimientos de inferencia que operan sobre las estructuras de datos.

Qu se afirma (relacin o predicado)

De quin se afirma (objeto)

Constantes lgicas: V para verdadero y F para falso.

Conjunto de variables (VAR): Es un conjunto de las ltimas letras del alfabeto en

Conjunto de constantes (CONS): Es un conjunto de las primeras letras del alfabeto en