Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Tarea: Heuŕıstica Isai Vicente Moreno Lara 26 de Agosto de 2022 Carrera: Ing. Sistemas Inteligentes, Generación: 2020, Clave UASLP: 324591, Clave Fac. Ing: 202002300117 Materia: Fundamentos de Inteligencia Artificial, Grupo: 281301 Resumen Los humanos al momento de pensar solo pueden manejar cierta can- tidad de información a la vez, es por eso por lo que se crean atajos para compensar las limitaciones de tiempo e información. Por lo tanto, utilizan la heuŕıstica para simplificar la toma de decisiones que tienen una alta probabilidad de ser correctas sin tener que pensarlo todo. Contenido Definir el término “heuŕıstica(o)” La heuŕıstica (reglas emṕıricas) se incluye como elemento clave de la IA en la siguiente definición: “La inteligencia artificial es la rama de la in- formática que se ocupa de las formas de representar el conocimiento utili- zando śımbolos en lugar de números y de las reglas emṕıricas o heuŕısticas, métodos para procesar la información.” (Enciclopedia Británica) Al utilizar la heuŕıstica, uno no tiene que volver a pensar completamente qué hacer cada vez que se encuentra con un problema similar. Ejemplos de algoritmos heuŕıstico. Un algoritmo heuŕıstico es un algoritmo diseñado para resolver un proble- ma de forma más rápida y eficiente que los métodos tradicionales, sacrifi- cando la optimización, la exactitud, la precisión o la exhaustividad por la velocidad. Los siguientes son ejemplos conocidos de algoritmos “inteligentes” que utilizan simplificaciones y métodos inteligentes para resolver problemas computacionalmente complejos. • Swarm Intelligence. La inteligencia de enjambre se refiere al comportamiento colectivo de los sistemas descentralizados y puede utilizarse para describir siste- mas tanto naturales como artificiales. 1 • Tabu Search. Esta técnica heuŕıstica utiliza tabús generados dinámicamente para guiar la búsqueda de soluciones hacia las soluciones óptimas. Exa- mina las posibles soluciones a un problema y comprueba los vecinos locales inmediatos para encontrar una solución mejorada. • Simulated Annealing. El recocido simulado se utiliza en la optimización global y puede dar una aproximación razonable de un óptimo global para una función con un gran espacio de búsqueda. • Genetic Algorithms. Los algoritmos genéticos requieren una representación genética del dominio de la solución y una función de aptitud para evaluar el do- minio de la solución. • Artificial Neural Networks. Las redes neuronales artificiales (RNA) son modelos capaces de re- conocer patrones y aprender de las máquinas, en los que un sistema analiza un conjunto de datos de entrenamiento y luego es capaz de categorizar nuevos ejemplos y datos. • Support Vector Machines. Las máquinas de vectores de soporte (SVM) son modelos con datos de entrenamiento utilizados por la inteligencia artificial para reconocer patrones y analizar datos. Estos algoritmos se utilizan para el análisis de regresión y la clasificación. Diferencia entre un heuŕıstico y uno no heuŕıstico • Heuŕıstico ◦ Son adecuados para su uso en problemas de optimización. ◦ Se basa en la intuición, conjeturas o exploraciones. ◦ Por lo general, producen un resultado subóptimo; sin embargo, los resultados óptimos son posibles. • No Heuŕıstico ◦ Son muy importantes en las operaciones de misión cŕıtica, por ejemplo, apagar un reactor que no funciona correctamente. ◦ A veces, son basados en un modelo en el que la información sobre la escena se considera incierta o desconocida. Conclusiones Aunque la heuŕıstica puede no llegar a la solución óptima, nos permite ace- lerar nuestro proceso en la toma de decisiones y lograr una solución adecuada a corto plazo. Hay ocasiones en las que cuando no se llega a la solución perfecta, se utiliza una decisión imperfecta pero satisfactoria, y esto funciona bien en situaciones en las que la velocidad importa más que la precisión. 2 Referencias [1] Kenny, V., Nathal, M., & Saldana, S. (2014). Heuristic algorithms. Visited on Oct, 20, 2018. [2] Lumelsky, V. J. (1985). On non-heuristic motion planning in unknown en- vironment. IFAC Proceedings Volumes, 18(16), 299-304. [3] Rao, N. S., Kareti, S., Shi, W., & Iyengar, S. S. (1993). Robot navigation in unknown terrains: Introductory survey of non-heuristic algorithms (No. ORNL/TM-12410). Oak Ridge National Lab., TN (United States). [4] Turban, E., & Frenzel, L. E. (1992). Expert Systems and Applied Artificial Intelligence (Macmillan Pub Co; International edición). Peaarson College Div. 3
Compartir