MATERIA: INTELIGENCIA ARTIFICIAL. COBAXIN CATEMAXCA.

GRUPO:(808-A). FLORES HERNANDEZ.

UNIDAD 1:

1.8 EL PAPEL DE LA HEURISTICA.

Heurística proviene del verbo griego heuriskein que significa “encontrar” o “descubrir”, se denomina como tal a
la capacidad de un sistema para realizar innovaciones con un propósito. Nota: en la computación se busca
encontrar algoritmos con buenos tiempos de ejecución y buenas soluciones, usualmente las óptimas.
Ejemplo claro son los programas que detectan si un correo electrónico es o no spam cualquiera de las reglas
usadas de forma independiente pueden llevar a errores de clasificación, pero cuando se unen múltiples reglas
heurísticas se llega a una solución más robusta y creíble.
La capacidad heurística es un rasgo típico de los humanos. Consiste en la capacidad de realizar innovaciones
positivas para conseguir los fines que se pretenden. También podemos definirla como la solución de problemas
en los cuales, las soluciones se descubren por la evaluación del progreso logrado en la búsqueda del resultado
final.
La base de la heurística surge de la experiencia de resolver problemas y ver cómo otros lo hacen. De lo anterior
podemos deducir que un método heurístico aplicado correctamente puede devolver soluciones falsas, positivas
o negativas.
En las ciencias de la computación, el método heurístico es usado en determinadas circunstancias, cuando no
existe una solución óptima bajo las restricciones dadas. En general la manera de actuar de los programas
heurísticos consiste en encontrar algoritmos con buenos tiempos de ejecución y buenas soluciones.
Dadas las características de la heurística, ésta es muy usada en juegos informáticos que se adelantan a lo que
va a hacer el usuario basándose en la experiencia y los pasos que ha seguido en otras ocasiones.
Muchos algoritmos en la inteligencia artificial son heurísticos por naturaleza, o usan reglas heurísticas. Un
ejemplo claro son los programas que detectan si un correo electrónico es o no spam. Cualquiera de las reglas
usadas de forma independiente pueden llevar a errores de clasificación, pero cuando se unen múltiples reglas
heurísticas, la solución es más robusta y creíble.

1.8.1 ALGORITMOS DE EXPLORACIÓN DE ALTERNATIVAS.

Nos proporcionan uno o dos caminos alternativos para nuestros programas, respectivamente.
La alternativa múltiple evalúa una expresión que puede tomar n valores distintos. Según sea el valor que tome
la expresión, el flujo del programa seguirá un camino determinado entre los n posibles.

1
1.8.2 ALGORITMO A*

El algoritmo A* Introducción al algoritmo a* (star o asterisco) El algoritmo A* (conocido también como A estrella
o asterisco) es un algoritmo de búsqueda que encuentra la ruta de menor coste entre dos puntos siempre y
cuando se cumplan una serie de condiciones. Está clasificado dentro de los algoritmos de búsqueda en grafos
ya que tiene la necesidad de dar a los mecanismos robóticos, vehiculares o virtuales un sistema de navegación
autónomo. Es ampliamente utilizado en las ciencias de la computación para encontrar rutas y que tan transitable
es una gráfica, es decir, se refiere al problema de visitar todos los nodos en una gráfica dada de forma particular
, esto no es más que el proceso de trazado de la ruta más eficiente entre unos puntos llamados nodos. Este
algoritmo goza de una aceptable y continua implementación gracias a su desempeño y precisión. Fue descrito
por primera vez en 1968 como una extensión del algoritmo de Dijkstra (1959), por Peter Hart, Nils Nilsson y
Bertran Raphael, que expusieron que el A* lograba un mejor desempeño con respecto al tiempo usando
heurísticas. I.1.1 Orígenes del algoritmo A* En 1964 Nils Nilsson inventó una heurística basada en
aproximaciones para incrementar la velocidad del algoritmo de Dijkstra. Este algoritmo fue llamado inicialmente
como A1. En 1967 Bertran Raphael hizo mejoras dramáticas sobre este algoritmo pero falló en demostrar su
optimalizad. Él llamó a este algoritmo como A2. Hart introdujo un argumento que el A2 era óptimo usando una
heurística consistente haciendo unos cambios menores. Su comprobación del algoritmo también demostró que
el A2 era el mejor algoritmo dadas algunas condiciones. Así Hart llamó a este nuevo algoritmo con la sintaxis
“Kleene star” (debido a que representa una operación con solamente un operando [5, 6]) por ser un algoritmo
que empieza con la letra A e incluye todas las versiones de números posibles o A*. El algoritmo A*, (leído A
estrella) es un algoritmo de búsqueda en grafos. Fue presentado por Peter E. Hart y Nils J. Nilsson (1968), y
Bertram Raphael (1968), el 2. Algoritmo encuentra, siempre y cuando se cumplan unas determinadas
condiciones, el camino de menor coste entre una condición inicial y una condición meta. El algoritmo A* es
usualmente utilizado en los problemas para encontrar la mejor ruta o camino, lo que realiza el algoritmo es
construir todas las rutas desde un punto inicial hasta encontrar alguna que llegue al nodo final o meta. De éste
modo solamente construye aquellas rutas que son candidatas a formar una solución o camino desde el inicio
hasta el nodo final. Para poder determinar que rutas son las que tienen mayor probabilidad de llegar al nodo
meta, el algoritmo utiliza una heurística basada en la distancia de cualquier punto dado hacía la meta. Donde
se diferencia el algoritmo A* de otros algoritmos avaros de “best-first search” es el hecho de que va tomando
en cuenta la distancia que ya ha recorrido hasta el momento, haciendo de este modo una respuesta mucho más
completa y óptima. Este algoritmo en particular es uno de los más adecuados para este proyecto de
investigación ya que según los creadores del mismo es un algoritmo que encuentra el camino de menor coste
de un recorrido A aun recorrido B. Aplicando dicho algoritmo a este proyecto de investigación pretendemos
obtener un buen resultado en cuanto a la optimización de rutas de transportes. I.1.1 Descripción del algoritmo
A* Es un algoritmo que se encarga de encontrar la ruta que representa un menor costo entre un punto A y otro
B. Es una técnica de búsqueda para grafos que utiliza una función heurística (ya que trata de métodos
exploratorios durante la resolución del problema en el cual la solución se descubre por la evaluación del
progreso logrado en la búsqueda de un resultado final denotada f ’(x), la cual es una aproximación a f(x) que
proporciona la verdadera evaluación de un nodo para determinar el orden en que se realiza la visita a los otros
nodos del árbol. La función de evaluación es el resultado de la suma de otras dos funciones, una que indica el
coste del camino que se ha seguido hasta un cierto nodo la cual se representa como g(x) y otra que nos da una
estimación de la distancia del punto o nodo en que nos encontramos hasta la meta que está representada como
h(x). Entonces la función de evaluación es el resultado de la suma de h(x) y g(x).

2
1.8.3 ALGORITMOS DE BUSQUEDA LOCAL

Las búsquedas locales solo utilizan el estado actual y se mueve hasta sus estados vecinos y sus principales
características y ventajas es:

Utilizan poca memoria.

Encuentran soluciones razonables en espacios infinitos.

Para comprender las búsquedas locales necesitamos conocer el paisaje de espacios de estados, que nos
permiten conocer las posición (definido por el estado) y la elevación (definido por la función objetivo).
La principal función de los algoritmos de búsquedas locales son muy utilizados para encontrar soluciones
óptimas, a continuación los se describirán los algoritmos más conocidos:

Búsqueda de ascensión de colina

Algoritmo de ascensión en colina es una técnica de optimización matemática que pertenece a la familia de
búsqueda local. Es un algoritmo iterativo que se inicia con una solución arbitraria a un problema, a continuación,
intenta encontrar una solución mejor por incrementalmente el cambio de un solo elemento de la solución. Si el
cambio produce una mejor solución, se hace un cambio incremental a la nueva solución, repitiendo hasta que
no mejoras adicionales se pueden encontrar, Es bueno para encontrar un óptimo local (una solución que no se
puede mejorar teniendo en cuenta una configuración de vecino) pero no es necesariamente garantía de
encontrar la mejor solución posible (el óptimo global) de todas las posibles soluciones (el espacio de búsqueda).
En problemas convexos, en ascenso es óptima. Ejemplos de algoritmos que resuelven problemas convexos
por bajada incluyen el algoritmo simplex para programación lineal y búsqueda binaria (Skiena. 2010)
La ascensión de colinas también conocidos como búsqueda local voraz porque toma un estado vecino bueno
sin pensar hacia dónde ir después. Aunque la ascensión de colinas a menudo suele presentar problemas por
los siguientes motivos:

Máximo local: es el pico más alto que todos sus vecinos pero menos que el máximo global.
Cresta: cuando hay una secuencia de máximos locales, se vuelve un poco dificultoso la exploración del
algoritmo.
Meseta: cuando el máximo local plano, no tiene ninguna salida o una terraza y no puede avanzar en la
búsqueda.

3
Búsqueda de temple simulado
Un algoritmo de ascensión de colinas que nunca hace movimientos cuesta abajo hacia estados con un valor
inferior (o coste más alto) garantiza ser incompleto, porque puede estancarse en un máximo local. En contraste,
un camino puramente aleatorio, es decir moviéndose a un sucesor elegido uniformemente aleatorio de un
conjunto de sucesores, es completo, pero sumamente ineficaz. Por lo tanto, parece razonable intentar combinar
la ascensión de colinas con un camino aleatorio de algún modo que produzca tanto eficacia como completitud.
(Russell, S. y Norvig, P. 2004)

Búsqueda por haz local

No garantiza solución óptima y mejor comportamiento que escalada con reinicio aleatorio k veces, se comparte
información útil entre los elementos de la población. ( _____. 2009.)

Mejora la búsqueda en haz estocástico

Se eligen k sucesores aleatoriamente con probabilidad creciente con la heurística
Cierta similitud con la evolución natural de poblaciones.

Algoritmos genéticos

Los Algoritmos Genéticos son métodos adaptativos que pueden usarse para resolver problemas de búsqueda
y optimización. Están basados en el proceso genético de los organismos vivos. A lo largo de las generaciones,
las poblaciones evolucionan en la naturaleza de acorde con los principios de la selección natural y la
supervivencia de los más fuertes, postulados por Darwin. Por imitación de este proceso, los Algoritmos
Genéticos son capaces de ir creando soluciones para problemas del mundo real. La evolución de dichas
soluciones hacia valores óptimos del problema depende en buena medida de una adecuada codificación de las
mismas. Un algoritmo genético consiste en una función matemática o una rutina de software que toma como
entradas a los ejemplares y retorna como salidas cuáles de ellos deben generar descendencia para la nueva
generación. (Alfaro, E. 2011?)

4
EXPOSICION

5
BIBLIOGRAFIA
Nilson, N. J. “Inteligencia Artificial. Una nueva síntesis .Mc Graw

Russell, S.; Norving, P. “Inteligencia Artificial. Un enfoque moderno”. Prentice Hall.

Rich, E.; Knight, K. “Inteligencia Artificial. Segunda edición”. Mc Graw Hill.

Fernández, S.; Gonzalez, J.; Mira, J. “Problemas resueltos de Inteligencia Artificial Aplicada. Búsqueda y
representación”. Addison - Wesley.

Rolston, D. W. “Principios de Inteligencia Artificialy Sistemas Expertos”. Mc Graw Hill.

Web grafía
http://es.wikipedia.org/w/index.php?title=Inteligencia_artificial&action=edit&section=12 Tirso de Andrés, Homo
Cyber sapiens. La Inteligencia artificial y la humana, 2002, ISBN 84-313-1982-8

http://www.fortunecity.com/skyscraper/chaos/279/index.htm

http://www.redcientifica.com/doc/doc200206190001.html “artículo de inteligencia artificial”