Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
BUSQUEDA DE SATISFACCIÓN DE RESTRICCIONES Cruz Maldonado, N. Miguel 2016704544 Flores Chalco, Paulina 2016705202 Ibañez Barbaran, Jhoan A. 2016704927 Medina La Torre, Thamar G. 2016704606 Saldivar León, Cesar J. 2016704624 Valencia Castillo, Danny 2016704802 Semestre Académico 2020-1 N. Miguel Cruz Maldonado Paulina Flores Chalco Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre Cesar J. Saldivar León Danny Valencia Castillo EXPOSICION EN GRUPAL Nº 05: BUSQUEDA DE SATISFACCION DE RESTRICCIONES Problemas de satisfacción de restricciones, búsqueda de vuelta atrás para PSR. Búsqueda local para problemas de satisfacción de restricciones, la estructura de los problemas. UNFV UNFV UNFV UNFV UNFV Universidad Nacional Federico Villarreal INTELIGENCIA ARTIFICIAL 8F0077 Docente: Jean J. Matos Manguinuri Tema que como parte del curso presentan los alumnos: Cruz Maldonado, N. Miguel 2016704544 Flores Chalco, Paulina 2016705202 Ibañez Barbaran, Jhoan A. 2016704927 Medina La Torre, Thamar G. 2016704606 Saldivar León, Cesar J. 2016704624 Valencia Castillo, Danny 2016704802 2021 “Año del Bicentenario del Perú: 200 años de la Independencia” Lima - Perú N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo BUSQUEDA EN I.A. Definición Problemas que, para resolverlos de forma exacta, requieren la realización de una búsqueda en un espacio que es de tamaño exponencial. Nadie sabe como evitar esa búsqueda. No se espera que nadie lo consiga nunca… Todos los problemas de los que se ocupa la I.A. son NP-difíciles (si existe un algoritmo rápido para un problema, difícilmente consideraremos que el problema requiere inteligencia). Si un problema es NP-difícil y tenemos un algoritmo que encuentra la solución de forma rápida y casi siempre correcta, podemos considerar que el algoritmo es “Inteligente”. La I.A. implica que la búsqueda está sujeta a errores. NP.- En teoría de la Complejidad Computacional, es el acrónimo en inglés de Nondeterministic Polynomial Time (“Tiempo polinomial no Determinista"). Es el conjunto de problemas que pueden ser resueltos en tiempo polinómico por una máquina de Turing no determinista. Para poder resolver el problema, debemos construir un modelo para basar nuestras decisiones en las consecuencias (hipotéticas) de nuestras acciones: Descripción inicial del sistema Descripción final del sistema ¿? Estado 1 Estado 2 Estado n … Representa la aplicación de algún operador o transformación del Sistema. ¿Cómo se selecciona, en cada momento, el operador que se debería aplicar? Problema Típico en Inteligencia Artificial Se dispone de varios operadores (movimientos legales). Se ha de elegir cuál es el más adecuado en cada momento (¿qué pieza movemos y a dónde?). No tiene sentido aplicar (ejecutar) el primer operador que sea válido, sino que se debe realizar un proceso previo de búsqueda del mejor operador, tras lo cual se procederá a su aplicación. EJEMPLO DE PROBLEMA TÍPICO EN I.A. Ajedrez ¿ ? Mate del Tonto N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Heurísticas : ¿Qué pieza deberíamos mover en una partida de ajedrez? ¿Qué regla aplicamos en primer lugar al hacer un diagnóstico? CONOCE N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo ¿DE QUÉ CONSTA UNA BÚSQUEDA EN I.A.? Un problema de búsqueda en I.A. consta de: Un espacio de estados . Un conjunto de operadores (acciones, con costes). Un estado inicial (punto de partida de la búsqueda). Una función objetivo (comprueba si el estado actual corresponde a una solución del problema). La búsqueda la realiza un programa (o agente). El espacio de búsqueda será un grafo dirigido en el que cada nodo representa un posible estado del sistema. NOTA: Dependiendo del problema, cada nodo incluirá una descripción completa del sistema, o bien sólo las modificaciones necesarias para pasar de un nodo padre a su hijo. E, 1 Espacio de Estados Estado Inicial Función Objetivo Acción Costo Estado n1 n2 n3 n4 n5 n6 n7 n8 n9 v1 v3 v4 v7 v6 v5 v9 v14 v2 v10 v12 v13 v15 v16 v8 v11 Donde: Componentes de un Grafo ¿De que Consta una Búsqueda en I.A.? N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo ¿De que Consta una Búsqueda en I.A.? N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Espacio de estados . Conjunto de operadores (acciones, con costes). Estado inicial (punto de partida de la búsqueda). Función objetivo (comprueba si el estado actual corresponde a una solución del problema). Agente o programa (el que realiza la búsqueda). Grafo dirigido en el que cada nodo representa un posible estado del sistema (espacio de búsqueda) N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo BUSQUEDA EN UN ESPACIO DE ESTADOS Definición Espacio de Estados: Representación del problema a través de las (posibles) acciones del agente. Búsqueda en el Espacio de Estados: Resolución del problema mediante la proyección de las distintas acciones del agente. Grafo: Representación matemática de un problema de búsqueda. Nodos: Estados. Arcos: Operadores Tipos Grafo del Espacio de Estados – Grafo Implícito. Árbol de Búsqueda – Grafo Explicito. Posibles Acciones del Agente (Operadores) N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo GRAFO DEL ESPACIO GRAFO IMPLÍCITO Definición Grafo teórico que representa todas las posibles transformaciones del sistema aplicando todos los operadores posibles recursivamente. Debido a su complejidad exponencial, que requeriría una cantidad inviable de memoria y tiempo, el grafo del espacio de estados no puede generarse por completo. Debido a la complejidad exponencial del grafo implícito, se irá generando, paso a paso, una porción del grafo conforme avance el proceso de búsqueda. Un problema puede tener varias soluciones, pero debido a la extensión del grafo implícito, no podemos explorarlo por completo, por lo que tampoco podemos buscar la mejor solución al problema (suponiendo algún criterio de optimalidad). Grafo del Espacio de Estados - Grafo Implícito N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Árbol de Búsqueda – Grafo Explicito ÁRBOL DE BUSQUEDA GRAFO EXPLÍCITO Debido a la complejidad exponencial del grafo implícito, se irá generando, paso a paso, una porción del grafo conforme avance el proceso de búsqueda. Definición Es el subgrafo del grafo implícito que se va generando durante el proceso de búsqueda de una secuencia de operadores que resuelva nuestro problema (camino solución). Usualmente, en forma de árbol, de ahí su nombre. Nodo raíz: Estado inicial. Hijos de un nodo: Posibles sucesores (nodos correspondientes a estados resultantes de la aplicación de un operador al nodo padre). Los nodos del árbol representan estados, pero corresponden a PLANES mediante los cuales se alcanzan dichos estados. N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Estado Inicial Sucesor 2 Sucesor 1 Sucesor 3 Futuros Posibles CONDICIONES DE PARADA Se ha encontrado la solución. Se ha acabado el tiempo disponible. Se ha llegadoa un nivel de profundidad determinado. AGENTES SEGÚN EL TIPO DE PROBLEMA Según el tipo de problema, nos podemos encontrar con agentes de búsqueda : Que Devuelven un Único Operador. Juegos con adversario (como el ajedrez) Devuelven una Secuencia de Operadores. Juegos sin adversario (como el 8-puzzle). Sistemas de planificación. Sistemas Expertos (con encadenamiento hacia adelante). N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo 2 8 3 1 6 4 7 5 1 2 3 8 4 7 6 5 2 8 3 1 6 4 7 5 2 8 3 1 4 7 6 5 2 3 1 8 4 7 6 5 2 8 3 1 6 4 7 5 2 8 3 1 6 4 7 5 2 8 3 1 4 7 6 5 2 8 3 1 4 7 6 5 2 3 1 8 4 7 6 5 1 2 3 8 4 7 6 5 2 3 1 8 4 7 6 5 1 2 3 8 4 7 6 5 1 2 3 7 8 4 6 5 En el problema del 8-puzzle hay que encontrar un camino desde la Configuración inicial hasta una determinada Configuración Final. 8-Puzzle Ejemplo: Condiciones de Parada CONOCE N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Descripción Inicial del Sistema Descripción Final del Sistema Estado 1 Estado X Estado n … Proceso de Búsqueda Movimiento del Adversario Proceso de Búsqueda Ajedrez …Que Devuelven un Único Operador CONOCE N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo …Que Devuelven una Secuencia de Operadores Descripción Inicial del Sistema … Descripción Final del Sistema Estado 1 Estado 2 Estado n 8-Puzzle Proceso de Búsqueda CONOCE N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo 1983 USO DE INFORMACIÓN Un problema puede tener varias soluciones, pero debido a la extensión del grafo implícito, no podemos explorarlo por completo, por lo que tampoco podemos buscar la mejor solución al problema (suponiendo algún criterio de optimalidad). Por eso, en muchos problemas de I.A. nos conformamos con buscar soluciones aceptables (cualquier camino a una solución lo suficientemente buena) y no soluciones óptimas (la mejor solución posible). NOTA: Existen técnicas matemáticas/algorítmicas para resolver determinados tipos de problemas de optimización, por ejemplo la programación dinámica. -3 -5 -5 -3 -3 -4 -6 2 8 3 1 6 4 7 5 2 8 3 1 4 7 6 5 2 3 1 8 4 7 6 5 2 8 3 1 6 4 7 5 2 8 3 1 6 4 7 5 2 8 3 1 4 7 6 5 2 8 3 1 4 7 6 5 -4 N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo USO DE INFORMACIÓN Heurísticas Son criterios, métodos o principios para decidir cuál de entre varias acciones promete ser la mejor para alcanzar una determinada meta. En la generación del árbol de búsqueda, nos podemos guiar con heurísticas que nos den una indicación acerca de cómo de bueno o prometedor es un determinado estado u operador. El uso de heurísticas nos permite convertir nuestra búsqueda de una solución en un proceso guiado de ensayo y error. NOTA: Compárese el uso heurístico de información para guiar el proceso de búsqueda en Inteligencia Artificial con formalismos como la teoría de la decisión o la teoría de juegos, que en ocasiones nos permitirán determinar la decisión óptima si somos capaces de identificar todos los factores relevantes para el problema en cuestión (y las incertidumbres asociadas a ellos !!). 2 8 3 1 6 4 7 5 1 2 3 8 4 7 6 5 8-puzzle Ya que conocemos el estado final deseado, podemos utilizar la siguiente función heurística: f(tablero)= - número de piezas mal colocadas con respecto al objetivo f(E) = -4 f(OBJ) = 0 -3 -5 -5 - -3 -3 -4 -5 -6 2 8 3 1 6 4 7 5 2 8 3 1 4 7 6 5 2 3 1 8 4 7 6 5 2 8 3 1 6 4 7 5 2 8 3 1 6 4 7 5 2 8 3 1 4 7 6 5 2 8 3 1 4 7 6 5 -4 -2 -4 0 -2 2 3 1 8 4 7 6 5 1 2 3 8 4 7 6 5 2 3 1 8 4 7 6 5 1 2 3 8 4 7 6 5 1 2 3 7 8 4 6 5 DIFERENCIAS ENTRE GRAFO IMPLÍCITO GRAFO EXPLÍCITO N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo GRAFO IMPLICITO O DEL ESPACIO Grafo teórico que representa todas las posibles transformaciones del sistema aplicando todos los operadores posibles recursivamente. DIFERENCIAS ENTRE GRAFO IMPLÍCITO GRAFO EXPLÍCITO GRAFO EXPLICITO O ÁRBOL DE BUSQUEDA Debido a la complejidad exponencial del grafo implícito, se irá generando, paso a paso, una porción del grafo conforme avance el proceso de búsqueda. N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo PROBLEMA DE SATISFACCIÓN DE RESTRICCIONES (PSR) PROBLEMA DE SATISFACCIÓN DE RESTRICCIÓN VARIABLES Vi DOMINIOS Di RESTRICCIONES Ci VALORES Vi = Vj tal que Vj ∈ Di ASIGNACIÓN CONSISTENTE FUNCIÓN OBJETIVA CONOCE N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo PROBLEMAS DE SATISFACCIÓN DE RESTRICCIONES Estado Mundial: Conjunto bien definido de Variables Vi con Dominio Di Prueba de objetivo: Satisface un conjunto de restricciones que especifican combinaciones permitidas de valores para subconjuntos de variables. Profundidad Primera Búsqueda Adecuada: La ruta no importa, solo el estado del objetivo, la profundidad máxima fijada en n, el número de variables, seleccione 1 variable para ramificar en cada nivel del árbol. Retroceso: Una vez que se viola una restricción, no tiene sentido buscar más Verificación hacia Adelante: Conozca el factor de ramificación al "encoger" los dominios de las variables no establecidas para reflejar las restricciones impuestas por las variables ya establecidas. Retroceda si algún dominio de variables no establecido está vacío Un Problema de Satisfacción de Restricciones (PSR) viene definido por los siguientes elementos: Un Conjunto finito de Variables: X1, X2, X3,… Xn X1 X2 X3 X4 Cada variable Xi tiene un dominio Di no vacío de valores posibles, vi. Estados: 4 reinas en 4 columnas (44 = 256 Estados). Un conjunto finito de dominios Di asociados a cada Variable Xi , especificando los posibles valores que puede tomar. { Xi = Vi , XJ = VJ , … } Conjunto finito de Restricciones: C1, C2,… Cn , que definen una serie de propiedades que deben verificar los valores asignados a las Variables. Cada restricción Ci involucra algún subconjunto de las variables y especifica las combinaciones permitidas de valores vi’s para ese subconjunto. Operadores: Mover reina en columna. Prueba Objetivo: No Atacarse. ∀ i, j no atacarse ( Xi, Xj ) N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo TIPOS DE PSR Clasificación según: El Tipo de Restricciones: Restricciones de Obligación. Hard Constraints. Restricciones de Preferencia. Soft Constraints. Los Dominios: Dominios Discretos. Finitos. n variables, tamaño de dominio d→O (dn) asignaciones completas. p.ej., PSR booleanos, como 3-SAT (NP-completo). En el peor de los casos, no se pueden resolver CSP de dominio finito en menos de un tiempo exponencial Infinitos. Enteros, cadenas, etc. p.ej., programación de trabajos, las variables son los días de inicio / finalización de cada trabajo. Necesita un lenguaje de restricción,por ejemplo, StartJob1 + 5 ≤ StartJob3 Un Estado o solución del Problema se define mediante una asignación de valores a algunas o todas las variables : {Xi = vi, Xj = vi, ...} tal que vi ∈ Di y se verifican las restricciones. Evaluación: h(n) = Número de ataques. Esta formulación permite una representación simple del problema, y el uso de heurísticas de propósito general, independientes del problema Una asignación es consistente o legal si no se viola ninguna restricción. h = 5 h = 2 h = 0 N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo TIPOS DE PSR Dominios Continuos. p.ej., horas de inicio / finalización para las observaciones del telescopio espacial Hubble Restricciones lineales que se pueden resolver en tiempo polinomial mediante programación lineal El Número de Variables Implicadas en las Restricciones: Restricciones Unarias. Involucran una sola variable. p.ej., SA ≠ verde Restricciones Binarias. Involucran pares de variables. p.ej., SA ≠ WA Restricciones Múltiples. O de orden superior involucran 3 o más variables. p.ej., restricciones de columna de Criptaritmética. Coloque N Reinas en un tablero de ajedrez N X N para que ninguna Reina pueda atacar a ninguna otra Reina. Formulación del Problema: N variables (N reinas) Valores de N2 para cada variable que representa las posiciones en el tablero de ajedrez. Variables: V1, . . . , VN Dominios: Di = {1, . . . , N} Restricciones: Jaque horizontal: Vi ≠ Vj Jaque diagonal: |Vi − Vj | ≠ |i − j| Ejemplo (V1 = 1, V2 = 3): Problema con dominios finitos y restricciones binarias (de obligación). Ejemplo: N reinas Variables: Xij Dominios: {0, 1} Restricciones: ∑ij Xij = N (Xij, Xik) ∈ {(0,0),(0,1),(1,0)} (Xij, Xkj) ∈ {(0,0),(0,1),(1,0)} (Xij, Xi+k, j+k) ∈ {(0,0),(0,1),(1,0)} (Xij, Xi+k, j-k) ∈ {(0,0),(0,1),(1,0)} Poner n reinas en un tablero n x n sin dos reinas en la misma fila, columna o diagonal Variables: Qi Dominios: {1,…, n} Restricciones: ∀ i, j no atacarse ( Qi, Qj ) Xij Q1 Q2 Q3 Q4 N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Ejemplo : N Reinas EVALUA N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Solución PSR de las n-reinas Primer paso: Representación de la solución EVALUA N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Ejemplo : N Reinas EVALUA N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo EVALUA N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo EVALUA N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Si esta en la misma fila o están en la misma diagonal dos reinas EVALUA Variables: WA, NT, Q, NSW, V, SA, T Dominios: {rojo, verde, azul} Restricciones: las regiones adyacentes deben tener diferentes colores WA ≠ NT, o (WA, NT) en {(rojo, verde), (rojo, azul), (verde, rojo), (verde, azul), (azul, rojo), (azul, verde)} Problema con dominios finitos y restricciones binarias (de obligación). Usando tres colores (rojo, azul, verde) colorear el mapa de Australia N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo WA NT SA Q NSW V T Ejemplo : Mapa para Colorear EVALUA N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Gráfico de Restricción WA NT SA Q NSW V T Gráfico de restricción: Los nodos son variables. Los arcos son limitaciones. PSR Binario: Cada restricción relaciona dos variables. PSR se ajusta a un patrón estándar. Un conjunto de variables con valores asignados. Función de sucesor genérico y prueba de objetivo. Heurística genérica. Reducir la complejidad. EVALUA Como Problema de Búsqueda. Estado inicial: {} - Todas las variables están sin asignar. Función sucesora: Se asigna un valor a una de las variables no asignadas sin conflicto. Prueba de objetivos: Una tarea completa. Costo de ruta: Un costo constante por cada paso La solución aparece en la profundidad n si hay n variables. Los métodos de búsqueda local o en profundidad funcionan bien. Las Soluciones de PSR pueden ser más rápido. La Solución de PSR puede eliminar rápidamente gran parte del espacio de búsqueda. Si {SA = azul}. Luego, 35 asignaciones se pueden reducir a 25 asignaciones, una reducción del 87%. En un PSR, si una asignación parcial no es una solución, podemos descartar inmediatamente nuevos refinamientos. N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Resolviendo PSR como Problema de Búsqueda WA NT SA Q NSW V T EVALUA Usando el algoritmo AC-3 para demostrar que la consistencia del arco es capaz de detectar la inconsistencia de la asignación parcial {WA = rojo, V = azul} en el siguiente problema de coloración del mapa. Un posible trazo del algoritmo: Eliminar SA-WA, eliminar rojo de SA Eliminar SA-V, eliminar azul de SA, dejando solo verde Eliminar NT-WA, eliminar rojo de NT Elimine NT-SA, elimine el verde de NT, dejando solo el azul Eliminar NSW-SA, eliminar verde de NSW Elimine NSW-V, elimine el azul de NSW, dejando solo el rojo Eliminar Q-NT, eliminar azul de Q Eliminar Q-SA, eliminar verde de Q Elimine Q-NSW, elimine el rojo de Q, sin dejar una asignación adecuada para Q N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Resolviendo PSR con Algoritmo AC-3 (Arc Consistency #3) NT SA Q NSW V T WA EVALUA Considere colorear mapas con solo dos colores. Cada arco es consistente inicialmente. Compruebe la consistencia de la ruta del conjunto {WA, SA} con respecto a NT. De manera más general, k-consistencia 1-consistencia = consistencia de nodo. 2-consistencia = consistencia del arco. 3-consistencia = consistencia de ruta. N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Consistencia de Ruta NT SA Q V T WA NSW EVALUA El recorrido simulado de alta escalada, normalmente funciona con estados "completos", es decir, todas las variables asignadas. Aplicando PSR: Permitir estados con restricciones insatisfechas. Los operadores reasignan valores de variables. Selección de variable: Seleccione aleatoriamente cualquier variable en conflicto. Selección de valores por heurística de conflictos mínimos: Elija el valor que viole la menor cantidad de restricciones. Es decir, alta escalada con h(n) = número total de restricciones violadas. N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Las soluciones son asignaciones completas y consistentes, WA = rojo, NT = verde, Q = rojo, NSW = verde, V = rojo, SA = azul, T = verde Búsqueda Local PSR NT SA Q V T WA NSW EVALUA N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia CastilloWA = rojo, NT = verde, Q = rojo, NSW = verde, V = rojo, SA = azul, T = verde Estados: Variables y Valores asignados hasta ahora Estado Inicial: La asignación vacía Acción: Elija cualquier variable no asignada y asígnele un valor que no viole ninguna restricción Falla si no hay asignaciones legales Prueba de objetivos: La asignación actual está completa y satisface todas las restricciones. Las soluciones son asignaciones completas y consistentes Formulación de Búsqueda Estándar (Incremental) WA NT Q NSW SA T WA NT Q NSW SA T EVALUA N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo En PSR, las asignaciones de variables son conmutativas Por ejemplo, [WA = rojo luego NT = verde] es lo mismo que [NT = verde luego WA = rojo] Solo necesitamos considerar las asignaciones a una sola variable en cada nivel (es decir, fijamos el orden de las asignaciones) Entonces solo quedan mn hojas La búsqueda en profundidad para los PSR con asignaciones de una sola variable se denomina búsqueda de retroceso. Algoritmo de Búsqueda en Retroceso Hacer que la búsqueda de retroceso sea eficiente: ¿Qué variable debería asignarse a continuación? ¿En qué orden se deben probar sus valores? ¿Podemos detectar temprano el fracaso inevitable? EVALUA N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Las soluciones son asignaciones completas y consistentes, WA = rojo, NT = verde, Q = rojo, NSW = verde, V = rojo, SA = azul, T = verde Ejemplo : Mapa para Colorear EVALUA N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Las soluciones son asignaciones completas y consistentes, WA = rojo, NT = verde, Q = rojo, NSW = verde, V = rojo, SA = azul, T = verde Ejemplo : Mapa para Colorear EVALUA X2 X1 Variables: T, W, O, F, U, R X1, X2 Dominios: {0, 1, 2, …, 9} Restricciones: O + O = R + 10 * X1 W + W + X1 = U + 10 * X2 T + T + X2 = O + 10 * F Todas las Diferencias (T, W, O, F, U, R) T ≠ 0, F ≠ 0 Ejemplo : Criptaritmética N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Las soluciones son asignaciones completas y consistentes, WA = rojo, NT = verde, Q = rojo, NSW = verde, V = rojo, SA = azul, T = verde EVALUA Variables: Xij Dominios: {1, 2, …, 9} Restricciones: Todas las Diferencias (Xij en la misma unidad) Ejemplo : Sudoku N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Las soluciones son asignaciones completas y consistentes, WA = rojo, NT = verde, Q = rojo, NSW = verde, V = rojo, SA = azul, T = verde Xij EVALUA N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo ESO ES TODO DE NUESTRA PONENCIA. GRACIAS TOTALES ¿Qué es una Prueba de Turing? Breve historia de la Prueba de Turing y su impacto https://www.youtube.com/watch?v=4VROUIAF2Do&feature=emb_logo What is a Turing Test? A Brief History of the Turing Test and its Impact N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo Eye on Tech CONOCE N. Miguel Cruz Maldonado | Paulina Flores Chalco | Jhoan A. Ibañez Barbaran Thamar G. Medina La Torre | Cesar J. Saldivar León | Danny Valencia Castillo
Compartir