Inteligência Artificial
|
|
- Eric Capistrano Tuschinski
- 7 Há anos
- Visualizações:
Transcrição
1 Inteligência rtificial usca ompetitiva Jogos usca ompetitiva Num ambiente multiagente, é necessário considerar as ações de outros agentes e o modo como essas ações nos afetam. imprevisibilidade de outros agentes pode introduzir contingências no processo de resolução de problema. Em ambientes competitivos, as metas dos agentes estão em conflito, dando origem a problemas de busca competitiva, onde se enquadram os jogos. 2
2 Jogos em I Em I, os jogos são determinísticos, de revezamento de dois jogadores, com informações perfeitas. posição (favorável ou desfavorável) de um jogador num determinado instante (estado) do jogo pode ser medida por uma função de utilidade. Os valores de utilidade dos agentes no fim do jogo são iguais e opostos (simétricos): +1 (ganha), ou 1 (perde). O objetivo da busca competitiva é planejar com antecedência num mundo em que outros agentes estão fazendo planos contra nós. 3 Jogos Entre os primeiros domínios de aplicação, pois: - É fácil representar o estado de um jogo. - Em geral, os agentes estão restritos a um pequeno número de ações com resultados definidos por regras precisas. - onstituem uma tarefa estruturada em que é fácil medir o sucesso ou fracasso. - Supunha-se que os jogos podiam ser solucionados por uma busca direta do estado inicial para a posição vencedora, sem grandes quantidades de conhecimento. Exceção aos jogos simulados: O futebol de robôs é um jogo físico, com descrições muito mais complicadas envolvendo ações bastante imprecisas. 4
3 Jogos Por volta de 1950, o xadrez foi estudado por Konrad Zuse, laude Shannon, Norbert Wiener e lan Turing. tualmente, as máquinas ultrapassaram os seres humanos nos jogos de damas e Othello, derrotaram campeões do mundo (embora não todas as vezes) em xadrez (eep lue Kasparov 1997) e gamão, e são competitivas em muitos outros jogos. amas: rthur Samuel (IM) desenvolveu um programa que aprendia a sua própria função de avaliação, derrotando o campeão humano em 1962 (graças a um erro de Robert Nealy). O programa hinahook (Jonathan Schaeffer) se tornou campeão mundial em principal exceção é Go, em que os computadores se enquadram no nível amador. 5 Exemplo: xadrez Fator médio de ramificação: 35 Número médio de jogadas: 50 para cada jogador. ssim, a árvore completa de busca de um jogo terá aproximadamente ou nós. Portanto, uma busca cega é inviável, mesmo para realizar o primeiro movimento. Se deve fazer o melhor uso possível do tempo disponível para uma jogada: tomar alguma decisão, mesmo que a jogada ótima não seja determinada em tempo. 6
4 I lgoritmo mais usado em jogos com dois jogadores, chamados e. faz o primeiro movimento, e depois eles se revezam até o jogo terminar. Um jogo como problema de busca com os componentes: Estado inicial: posição do tabuleiro, identifica jogador que fará o movimento. Função sucessor: retorna lista de pares (movimento, estado). Teste de término: determina quando o jogo termina (estados terminais) Função utilidade (ou objetivo): dá valor numérico aos estados terminais. No xadrez: +1 (vitória), 0 (empate), 1 (derrota). 7 Uma árvore de busca do jogo da velha (X) X X X X X X X X X (o) X O X O X O... (X) (o) TERL X X O X X O X X O X O X O X O X O X O O X X X O X O X X X O O Utilidade Jogo da velha: 765 posições diferentes jogos distintos 138 estados terminais: 91 (+1, X) 44 ( 1, O) 3 empates (0) 8
5 I I é uma estratégia de contingência para que especifica o movimento de de modo a otimizar o valor de utilidade, quando está enfrentando um oponente com estratégia ótima. estratégia ótima é determinada pelo exame do valor minimax de cada nó n: valor-minimax(n). O valor minimax de um nó é a utilidade (para ) de se encontrar naquele estado, supondo-se que ambos os jogadores têm desempenho ótimo. O valor minimax é obtido, recursivamente, pela propagação dos valores dos nós sucessores: valor minimax( n) utilidade( n), max s sucessores min s sucessores valor minimax( s), valor minimax( s), se n é um estado terminal se n é um nó se n é um nó 9 Uma árvore de jogo Árvore com 3 jogadas (,, ) Um movimento são 2 jogadas:, E F G H I J N 10
6 plicando uma função de avaliação nos nós folhas E F G H I J N (2) (10) (5) (3) (7) (2) (5) função de avaliação é em relação ao jogador de maximização 11 Propagando as avaliações 10 E F G H I J N (2) (10) (5) (3) (7) (2) (5) 12
7 Propagando as avaliações E F G H I J N (2) (10) (5) (3) (7) (2) (5) 13 Propagando as avaliações e decisão minimax 5 a 1 a b 1 b 2 c 1 c 2 10 E F G d 1 d d 3 2 e 1 f 1 g 1 g 2 H I J N (2) (10) (5) (3) (7) (2) (5) jogada seria de para ecisão minimax: ação a 1 14
8 lgoritmo Minimax função EISÃO-I(estado) retorna uma ação entradas: estado, estado corrente no jogo v VLOR-(estado) retornar a ação em SUESSORES(estado) comvalorv função VLOR-(estado) retorna um valor de utilidade se TESTE-TERL(estado) então retornar UTILIE(estado) v para cada s em SUESSORES(estado) faça v (v, VLOR-(s)) retornar v função VLOR-(estado) retorna um valor de utilidade se TESTE-TERL(estado) então retornar UTILIE(estado) v para cada s em SUESSORES(estado) faça v (v, VLOR-(s)) retornar v 15 lgoritmo Minimax O algoritmo minimax calcula a decisão minimax a partir do estado corrente. Utiliza a computação recursiva dos valores minimax de cada estado sucessor. Percorre inicialmente todo o caminho até as folhas e depois propaga os valores minimax de volta pela árvore, à medida que a recursão retorna. O algoritmo minimax executa uma exploração completa da árvore de jogo fazendo uma busca em profundidade. Seaprofundidademáximadaárvoreém eexistemb movimentos válidos em cada ponto, a complexidade de tempo do algoritmo é O(b m ). complexidade de espaço é O(bm) para um algoritmo que gera todos os sucessores de uma vez. Na busca com retrocesso, apenas um sucessor é gerado por vez. ada nó expandido memoriza apenas o sucessor que deve ser gerado em seguida. Neste caso, a complexidade de espaço é O(m). 16
9 lgoritmo Minimax (com avaliação) função EISÃO-I(estado, profundidade) retorna uma ação entradas: estado, estado corrente no jogo; profundidade corrente v VLOR-(estado) retornar a ação em SUESSORES(estado) com valor v função VLOR-(estado) retorna um valor de avaliação se TESTE-PR(estado, profundidade) então retornar VL(estado) v para cada s em SUESSORES(estado) faça v (v, VLOR-(s)) retornar v função VLOR-(estado) retorna um valor de avaliação se TESTE-PR(estado, profundidade) então retornar VL(estado) v para cada s em SUESSORES(estado) faça v (v, VLOR-(s)) retornar v TESTE-TERL(estado) TESTE-PR(estado, profundidade) UTILIE(estado) VL(estado) 17 lgoritmo Minimax GERMOV (posição, jogador) - gera todas as jogadas válidas a partir da situação do jogo definida por posição e considerando que a jogada atual é de jogador. ESTÁTI (posição, jogador) - retorna um valor que quantifica o estado atual das peças do jogo. função de avaliação é em relação ao jogador que faria a jogada Quanto maior o valor melhor a situação PROFUNO_SUFIIENTE (posição, profundidade) - pode considerar vários fatores: número de níveis na árvore um jogador ganhou quão promissor é o caminho quanto tempo ainda há disponível para a jogada 18
10 I (POSIÇÃO, PROFUNIE, JOGOR) 1- se PROFUNO_SUFIIENTE (POSIÇÃO, PROFUNIE) então retorna estrutura: VLOR ESTÁTI (POSIÇÃO, JOGOR) HO nil senão SUESSORES GERMOV (POSIÇÃO, JOGOR) fim_se 2- se SUESSORES = então retorna estrutura: VLOR ESTÁTI (POSIÇÃO, JOGOR) HO nil senão MELHOR_ONTGEM VLOR MÍNIMO E ESTÁTI (X,Y) para cada elemento SU de SUESSORES faça: RESULTO_SU I(SU,PROFUNIE+1,OPOSTO(JOGOR)) NOVO_VLOR - VLOR.RESULTO_SU se NOVO_VLOR > MELHOR_ONTGEM então MELHOR_ONTGEM NOVO_VLOR MELHOR_HO SU + HO.RESULTO_SU fim_se fim_paracada fim_se 3- retorna estrutura: VLOR MELHOR_ONTGEM HO MELHOR_HO 19 Poda lfa-eta Um aperfeiçoamento do algoritmo minimax corresponde a não pesquisar um ramo da árvore que comprovadamente não pode levar a um resultado melhor que o atual. : o valor da melhor escolha (mais alto), até o momento, ao longo do caminho para. : o valor da melhor escolha (mais baixo), até o momento, ao longo do caminho para. 20
11 usca em profundidade intervalo de valores de avaliação possíveis [, + ] (, v)? [, + ] 3 21 [, + ] [, 3] 3 22
12 [, + ]? [, 3] [, + ] [, 3]
13 [, + ]? [, 3] último sucessor 25 (, v)? [, + ] v =3 [3, 3]
14 : o valor da melhor escolha (mais alto), até o momento, ao longo do caminho para. =3 [3, + ] [3, 3] [3, + ] [3, 3] (, v)? [, + ]
15 onclusão: o caminho será sempre pior que [3, + ] v? [3, 3] [, 2] Interrompe a busca deste ramo 29 [3, + ] [3, 3] [, 2]? [, + ]
16 ? (, v) [3, + ] [3, 3] [, 2] [, 14] : o valor da melhor escolha (mais alto), até o momento, ao longo do caminho para. [3, 14] [3, 3] [, 2] [, 14]
17 [3, 14] [3, 3] [, 2]? [, 14] ? [3, 14] [3, 3] [, 2] [, 5]
18 [3, 5] [3, 3] [, 2] [, 5] [3, 5] [3, 3] [, 2]? [, 5]
19 ? [3, 5] [3, 3] [, 2] v? [2, 2] Escolhe o ramo com o maior valor. [3, 3] [3, 3] [, 2] [2, 2]
20 função US-LF-ET (estado) retorna uma ação entradas: estado, estado corrente no jogo v VLOR-(estado,, + ) retornar a ação em SUESSORES(estado) comvalorv função VLOR- (estado,, ) retorna um valor de utilidade entradas: estado, estado corrente no jogo, valor da melhor alternativa para ao longo do caminho até estado, valor da melhor alternativa para ao longo do caminho até estado se TESTE-TERL(estado) então retornar UTILIE(estado) v para cada s em SUESSORES(estado) faça v (v, VLOR-(s,, )) se v então retornar v (, v) retornar v função VLOR- (estado,, ) retorna um valor de utilidade entradas: estado, estado corrente no jogo, valor da melhor alternativa para ao longo do caminho até estado, valor da melhor alternativa para ao longo do caminho até estado se TESTE-TERL(estado) então retornar UTILIE(estado) v + para cada s em SUESSORES(estado) faça v (v, VLOR-(s,, )) se v então retornar v (, v) retornar v Poda alfa-beta 39 usca lfa-eta 40
21 Refinamentos adicionais [RI 94] Esperando por quietude: não parar a busca no meio de uma troca de peças, por exemplo usca secundária: após decidir qual o melhor movimento, investigar este movimento 2 jogadas além do verificado inicialmente, para ter certeza que não há uma armadilha Usar movimentos de livros: por exemplo, aberturas e encerramentos 41 Tabela de transposição Estados repetidos na árvore de busca podem causar um aumento exponencial no custo da busca. Em jogos, estados repetidos ocorrem frequentemente devido a transposições, permutações diferentes da mesma sequencia que terminam na mesma posição. rmazena-se a avaliação da posição final que pode ser alcançada por diferentes configurações iniciais, numa tabela hash, na primeira vez em que ela for encontrada, de forma a não recalculá-la em ocorrências subsequentes. tabela hash de posições já vistas é chamada de tabela de transposição. omo não é prático manter todos os nós já avaliados na tabela de transposição, existem diversas estratégias para escolher os mais importantes. O efeito do uso da tabela de transposição é bastante importante, chegando a duplicar a profundidade da busca. 42
22 profundamento progressivo Procedimento usado para evitar o problema de jogar com tempo definido ase: encontrar a melhor solução com profundidade 1, depois com profundidade 2 e assim sucessivamente. o terminar o tempo disponível, apresenta-se a melhor solução encontrada até o momento. om o aprofundamento progressivo pode-se determinar a variação principal corrente, que é a sequencia de movimentos mais vantajosa, assumindo que cada jogador maximize as suas jogadas. lgoritmos de busca como o Negascout, otimizam a poda investigando inicialmente nós que estão na variação principal. 43 profundamento progressivo max +4 max min max +4 min max variação principal 44
23 Problemas do Minimax aseia-se fortemente em que o oponente escolherá sempre o melhor movimento aceitável em situação de vitória em situação de derrota pode ser melhor arriscar que o oponente cometerá um erro 45 Função de valiação Retorna uma estimativa da utilidade a partir da posição. eve ordenar os estados terminais do mesmo modo que a função utilidade verdadeira. Nos estados não-terminais, a função de avaliação deve estar fortemente correlacionada com as chances reais de vitória. maiorias das funções calcula características do estado. s características em conjunto definem categorias de estados equivalentes, com uma distribuição de resultados esperados: 72% dos estados levam a vitória (+1); 20% derrota ( 1); 8% empate (0). valiação dos estados da categoria é dada pelo valor esperado: (0,72 +1) + (0,20 1) + (0,08 0) = 0,52 46
24 Função de valiação Em vez de definir muitas categorias de estados, que exigiria muita estimação das distribuições de resultados, a maioria das funções calcula separadamente diversas características do estado, f i (s). grupa estas características por uma função linear ponderada: n 1 f1( s) w2 f2( s) wn fn( s) wi fi ( s) i 1 VL( s) w No xadrez f i (s) poderia representar o número de peças i (peão, cavalo, etc.) ou ainda: domínio do centro, mobilidade, etc w i é o peso da característica i e pode ser ajustado por aprendizado Ex. xadrez: peão (1), cavalo (3), bispo (3), torre (5), rainha (9) Em muitos programas, a função de avaliação é não-linear, para refletir dependência de peças (dois bispos valem um pouco mais que um bispo). 47 lguns jogos específicos Os melhores programas de jogos jogam, em geral, muito bem, mas eles utilizam técnicas bastante diferentes das técnicas humanas: Nós determinamos as melhores posições a analisar por um processo de identificação de estruturas (pattern matching), que é um processo realizado em paralelo exploração de um conjunto de jogadas possíveis, como realizado pelo computador, não é paralelizável 48
25 usca e onhecimento usca Minimax orte lfa-eta Ordenação Tabela de Transposição Velocidade do ódigo Forward Pruning Extensões de usca Pensar na Vez do Oponente onhecimento Função de valiação anco de ados Livro de bertura 49 usca versus onhecimento 50
26 profundando a usca umentar tempo de busca umentar a capacidade do hardware Otimizar o código do programa Pensar na vez do oponente orte alfa-beta Ordenação da árvore Tabela de Transposição 51 Tabela de Transposição Funciona como uma cache de posições já analisadas. Utilizada para ordenar a árvore. Reutiliza escores. Utilizada para fazer o computador pensar na vez do adversário. Redução de ~40% no tamanho da árvore. esempenho aumenta conforme a profundidade da busca. 52
27 Forward Prunning Ignora certos movimentos possíveis Humanos fazem isso inconscientemente Não há garantias de que a melhor jogada não será excluída Interessante para movimentos simétricos 53 ortes do Espaço de usca Minimax mesmo c/ lpha eta Prunning não é factível para jogos complexos Solução: Parar a busca antes de chegar ao final Função de valiação (Evaluation Function): fornece uma estimativa da utilidade daquele estado (Heurística) Teste de Parada (utoff Test): decide quando parar a busca 54
28 Pensar na vez do oponente plica diversas técnicas para melhorar a busca enquanto o oponente pensa (ou processa) vança na busca para evitar armadilhas cessa banco de jogada Recalcular 55 Problemas na usca Teste de Parada função de avaliação somente deve ser aplicada a estados que não vão sofrer mudanças bruscas de valor Quiescence Search Efeito Horizonte: Não previsão de jogada catastrófica que vai acontecer inevitavelmente em um futuro próximo, fora do horizonte de busca 56 56
29 itboards Utilizado largamente. Permite operações lógicas entre tabuleiros. Funções para descobrir captura e mobilidade de peças são mais velozes. Pré-cálculo de tabelas de bitboards. 57 Estado da rte de lguns Jogos Xadrez eep lue bateu Kasparov em 1997 Máquina paralela: 30 RS/ ustom 126 Milhões de nodos/s (330 Max) = média 14 níveis om uso de Extensions podia chegar a 40 níveis lpha-eta c/ função de avaliação com 8000 features anco de dados com 4000 aberturas e todos os fechamentos possíveis p/ 5 peças (muitos p/ 6) nálise de jogos (consensus) Hardware x Software : qual é mais importante? 58
30 Estado da rte de lguns Jogos amas Em 1952 rthur Samuel (IM) fez um dos primeiros programas Função de avaliação aprendida em jogos consigo mesmo hinook (Vice-ampeão US-Open em 1990) lpha-eta Search anco com 444 bilhões de posições (<8 peças) om o uso de bancos de posições, uma pequena busca leva a um resultado já resolvido 59 Estado da rte de lguns Jogos Othello (Reversi) Espaço de busca: 5 a 15 movimentos Logistello (1997) 6 x 0 ampeão Mundial omputadores são melhores que humanos 60
31 Estado da rte de lguns Jogos Go té 1997 não existiam programas bons Hoje em dia, são melhores Go4++ (nível amador fraco) Reconhecimento de padrões + pequena busca Programas irão requerer técnicas mais sofisticadas de tomada de decisão 61 Estado da rte de lguns Jogos Gamão Incerteza faz com que técnicas de busca não sejam satisfatórias Esforço na construção de funções de avaliação sofisticadas T-Gammon está entre os 3 melhores do mundo prendizado por reforço Redes Neurais usca de 2 a 3 níveis 62
32 Estado da rte de lguns Jogos ridge ifícil para computadores Parcialmente Observável artas escondidas lefes omunicação ridge aron (1997) GI (2000) 12o lugar em 35 contra humanos 63 anco de ados de Fim de Jogo aracterísticas ontém informação perfeita. Pode ser atingido mesmo em posições da abertura. Indispensável para a construção de um jogo de damas. onstruído com o algoritmo de análise retroativa. Vantagens Proporciona cortes na busca. Melhora a qualidade da estimativa. Garante vitórias ou empates em finais de partidas. Mestres humanos memorizam finais de até 5 peças. Eventualmente será responsável pela resolução do jogo de damas. 64
Fundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 7 Algoritmos de Busca Competitiva 2 de 20 Sumário Introdução Busca Competitiva
Leia maisBusca Competitiva. Inteligência Artificial. Até aqui... Jogos vs. busca. Decisões ótimas em jogos 9/22/2010
Inteligência Artificial Busca Competitiva Aula 5 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia-pos Capítulo 6 Russell & Norvig Seção 6.1 a 6.5 2 Até aqui... Problemas sem interação com outro agente.
Leia maisInteligência Artificial. Resolução de problemas por meio de algoritmos de busca. Aula VI Busca Competitiva
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação http://www.inf.unioeste.br/~claudia/ia2017.html Inteligência Artificial Resolução de problemas por meio de algoritmos
Leia maisJOGOS JOGOS. Exemplo: xadrez. Vários tipos de jogos. Uma árvore de jogo. Raciocínio em jogo de xadrez?
JOGOS JOGOS entre os primeiros domínios de aplicação razões - problema de definição fácil (regras do jogo) - constituem uma tarefa estruturada em que é fácil medir o sucesso ou fracasso Vários tipos de
Leia maisFigura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall.
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Bacharelado
Leia maisJogos. Geralmente o oponente tentará, na medida do possível, fazer o movimento menos benéfico para o adversário.
Jogos Os jogos tem atraído a atenção da humanidade, às vezes de modo alarmante, desde a antiguidade. O que o torna atraente para a IA é que é uma abstração da competição (guerra), onde se idealizam mundos
Leia maisIntrodução à Inteligência Artificial. Procura em contextos competitivos jogos (cont.)
Introdução à Inteligência Artificial Procura em contextos competitivos jogos (cont.) Sumário n Vimos Jogos de 2 jogadores n Determinísticos, soma nula, informação perfeita Estratégia óptima minimax Algoritmos
Leia maisÁrvore de Jogos Minimax e Poda Alfa-Beta
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Árvore de Jogos Minimax e Poda Alfa-Beta Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisBusca competitiva. Inteligência Artificial. Profª. Solange O. Rezende
Profª. Solange O. Rezende 1 O que vimos até agora... Busca não informada Baseada somente na organização de estados e a sucessão entre eles Busca informada Utiliza, também, informações a respeito do domínio
Leia maisInteligência Artificial. 3º Quadrimestre de 2018
Inteligência Artificial Prof. Fabrício Olivetti de França Prof. Denis Fantinato 3º Quadrimestre de 2018 1 Busca Competitiva 2 Busca Competitiva Quando falamos sobre agentes mencionamos alguns cenários
Leia maisTécnicas para Implementação de Jogos
Técnicas para Implementação de Jogos Solange O. Rezende Thiago A. S. Pardo Considerações gerais Aplicações atrativas para métodos de IA Formulação simples do problema (ações bem definidas) Ambiente acessível
Leia maisJogos com Oponentes. March 7, 2018
Jogos com Oponentes March 7, 2018 Jogos com Oponentes ˆ Problemas de busca: não assumem a presença de um oponente ˆ Jogos: oponente INCERTEZA! ˆ Incerteza porque não se conhece as jogadas exatas do oponente
Leia maisSumário. Decisões óptimas em jogos (minimax) Cortes α-β Decisões imperfeitas em tempo real
Jogos Capítulo 6 Sumário Decisões óptimas em jogos (minimax) Cortes α-β Decisões imperfeitas em tempo real Jogos vs. Problemas de Procura Adversário imprevisível" necessidade de tomar em consideração todas
Leia maisAlgoritmos de retrocesso
Algoritmos de retrocesso Algoritmos em que se geram escolhas que vão sendo testadas e eventualmente refeitas Problemas para os quais não existem algoritmos eficientes: retrocesso é melhor que pesquisa
Leia maisAlgoritmos de retrocesso
Algoritmos de retrocesso Algoritmos em que se geram escolhas que vão sendo testadas e eventualmente refeitas Problemas para os quais não existem algoritmos eficientes: retrocesso é melhor que pesquisa
Leia maisInteligência Artificial (SI 214) Aula 6 Busca com Adversário. Prof. Josenildo Silva
Inteligência Artificial (SI 214) Aula 6 Busca com Adversário Prof. Josenildo Silva jcsilva@ifma.edu.br 2015 2012-2015 Josenildo Silva (jcsilva@ifma.edu.br) Este material é derivado dos slides de Hwee Tou
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisAlgoritmo Minimax Russel and Norvig, AIMA slides
PCS 48 / PCS 59 lnteligência r9ficial Prof. r. Jaime Simão Sichman Prof. ra. nna Helena Reali Costa Jogos Jogos: considerações gerais plicações atra9vas para métodos I desde o início. Formulação simples
Leia maisCTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...
Leia maisAula 9 TECNOLOGIA EM JOGOS DIGITAIS PROGRAMACAO E INTEGRACAO DE JOGOS I. Marcelo Henrique dos Santos
Aula 9 TECNOLOGIA EM JOGOS DIGITAIS PROGRAMACAO E INTEGRACAO DE JOGOS I Marcelo Henrique dos Santos Marcelo Henrique dos Santos Mestrado em Educação (em andamento) Pós-graduação em Negócios em Mídias Digitais
Leia maisCEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 02
. CEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 02 Créditos: alguns itens desta lista são adaptados do material da disciplina CS188 - Artificial Intelligence
Leia maisJogos e Busca. Silvio Lago
1 Jogos e Busca Silvio Lago slago@ime.usp.br 2 Sumário Jogos adversariais Algoritmo MINIMAX Algoritmo de poda α-β Função de avaliação e corte Jogos de sorte 3 Jogos Ambientes competitivos, em que as metas
Leia maisImplementação e Avaliação do Algoritmo MCTS-UCT para o jogo Chinese Checkers. Jhonny Moreira
Implementação e Avaliação do Algoritmo MCTS-UCT para o jogo Chinese Checkers Jhonny Moreira Introdução Introdução Na área da inteligência artificial (IA), a motivação é conseguir colocar os computadores
Leia maisAlternativamente pode ser pensado como uma forma de maximizar o minimo ganho possível.
Inteligência Artificial Algoritmo i com cortes Alfa-Beta Ana Saraiva 050509087 Ana Barbosa 050509089 Marco Cunha 050509048 Tiago Fernandes 050509081 FEUP - MIEIC 3ºAno/ºSemestre 1 Introdução O algoritmo
Leia maisCTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 24 Aprendizado Por Reforço Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 18 Aprendizado Por Reforço Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Leia maisEnunciados dos Exercícios Cap. 2 Russell & Norvig
Enunciados dos Exercícios Cap. 2 Russell & Norvig 1. (2.2) Tanto a medida de desempenho quanto a função de utilidade medem o quanto um agente está desempenhando bem suas atividades. Explique a diferença
Leia maisINTELIGÊNCIA ARTIFICIAL 2008/09
INTELIGÊNCIA ARTIFICIAL 2008/09 JOGOS Ex. 1) ( Teste 2005/06) Considere a seguinte árvore de procura de dois agentes. Reordene as folhas de modo a maximizar o número de cortes com uma procura da esquerda
Leia maisEx. 1) Considere que a árvore seguinte corresponde a uma parte do espaço de estados de um jogo de dois agentes: f=7 f=7 f=1 f=2
LERCI/LEIC Tagus 2005/06 Inteligência Artificial Exercícios sobre Minimax: Ex. 1) Considere que a árvore seguinte corresponde a uma parte do espaço de estados de um jogo de dois agentes: Max Min f=4 f=7
Leia maisJogos com Oponentes. espaço de busca muito grande tempo para cada jogada
Jogos com Oponentes Jogos com Oponentes ˆ Problemas de busca: não assumem a presença de um oponente ˆ Jogos: oponente INCERTEZA! ˆ Incerteza porque não se conhece as jogadas exatas do oponente e não por
Leia maisProblema de Satisfação de Restrições
Problema de Satisfação de Restrições Exemplos de PSR (CSP, Constraint Satisfaction Problem) Busca genérica aplicada a PSRs Backtracking Verificação forward Heurísticas para PSRs Problema de Satisfação
Leia maisProblema de Satisfação de Restrições. Problema de Satisfação de Restrições. Grafo de restrições. Exemplo: 4 Rainhas como um PSR
Problema de Satisfação de Restrições Problema de Satisfação de Restrições Exemplos de PSR (CSP, Constraint Satisfaction Problem) Busca genérica aplicada a PSRs Backtracking Verificação forward Heurísticas
Leia maisIA: Busca Competitiva. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
IA: Busca Competitiva Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Sumário Introdução Árvores de Jogos Minimax Antecipação Limitada Poda Alfa-beta Introdução Jogos têm sido continuamente uma importante
Leia maisJogo de Damas. Alunos: Sávio Mendes de Figueiredo Sômulo Nogueira Mafra
Jogo de Damas Alunos: Sávio Mendes de Figueiredo (savio@cos.ufrj.br) Sômulo Nogueira Mafra (somulo@cos.ufrj.br) Prof.: Inês dutra Inteligência artificial Coppe sistemas - UFRJ 1. Algumas Frases 2. Origens
Leia maisJogos com Oponentes. Problemas de busca: não assumem a presença de um oponente
Sistemas Inteligentes, 13-14 1 Jogos com ponentes Problemas de busca: não assumem a presença de um oponente Jogos: oponente INCERTEZA! Incerteza porque não se conhece as jogadas exatas do oponente e não
Leia maisAnatomia do motor de um programa de xadrez. Hugo Vinicius M. D. Santana Orientador: José Coelho de Pina
Anatomia do motor de um programa de xadrez Hugo Vinicius M. D. Santana Orientador: José Coelho de Pina Conteúdo Objetivo O que é um motor de xadrez? Arquitetura Entrada e saída Representação do tabuleiro
Leia maisJogos com Oponentes. Problemas de busca: não assumem a presença de um oponente
istemas Inteligentes, 10-11 1 Jogos com ponentes Problemas de busca: não assumem a presença de um oponente Jogos: oponente INCERTEZA! Incerteza porque não se conhece as jogadas exatas do oponente e não
Leia maisInteligência Artificial. Resolução de problemas por meio de algoritmos de busca. Aula II Algoritmos básicos de busca cega
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Resolução de problemas por meio de algoritmos de busca Aula II Algoritmos básicos de busca
Leia maisBCC204 - Teoria dos Grafos
BCC204 - Teoria dos Grafos Marco Antonio M. Carvalho (baseado nas notas de aula do prof. Haroldo Gambini Santos) Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal
Leia maisInteligência Artificial. Resolução de problemas por meio de algoritmos de busca. Aula I - Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação http://www.inf.unioeste.br/~claudia/ia2017.html Inteligência Artificial Resolução de problemas por meio de algoritmos
Leia maisExemplo de aprendizagem máquina
(Primeiro exemplo) Jogo de damas c/ aprendizagem Tom Mitchell, Machine Learning, McGraw-Hill, 1997 chapter 1 17-Jul-13 http://w3.ualg.pt/~jvo/ml 12 1 Exemplo de aprendizagem máquina 1. Descrição do problema
Leia maisInteligência Artificial
Inteligência Artificial Fabrício Olivetti de França 07 de Junho de 2018 1 Agentes 2 Agente, Ambiente e Sensores Um agente é definido pelo ambiente que ele consegue perceber através de seus sensores e as
Leia maisIntrodução à Inteligência Artificial 2007/08
Introdução à Inteligência rtificial 2007/08 Procura em contextos competitivos jogos Contexto Um agente vs multiagente mbiente cooperativo vs competitivo Teoria dos jogos (ramo da Economia) Sistema multiagente
Leia maisPMR Computação para Mecatrônica
PMR3201 - Computação para Mecatrônica Prof. Thiago de Castro Martins Prof. Newton Maruyama Prof. Marcos de S.G. Tsuzuki Monitor: Pietro Teruya Domingues Exercício Programa 2 - Versão 2017 Resolvendo o
Leia maisO peão Se um peão consegue chegar até a outra extremidade do tabuleiro(linha 8), ele é promovido. Um peão promovido é substituído, ainda na mesma jogada em que o movimento foi feito, por um cavalo, bispo,torreoudamadamesmacor.
Leia maisSistemas Baseados em Conhecimento
Departamento de Informática Faculdade de Ciências Universidade de Lisboa Sistemas Baseados em Conhecimento Primeiro Teste 24 de Abril de 2008 Nome Completo: Nº Aluno: Licenciatura: com consulta 1 hora
Leia maisPCS Inteligência Artificial
PCS 2059 - Inteligência Artificial 1a. Lista de Exercícios Prof. Responsável: Jaime Simão Sichman A. Introdução à IA 1. Descreva resumidamente o que é o Teste de Turing. B. Representação por Espaço de
Leia maisTécnicas de Desenho de Algoritmos
Técnicas de Desenho de Algoritmos Mudança de ênfase: da implementação de algoritmos para o desenho de algoritmos A ver: 5 tipos de algoritmos abordagem ao problema exemplos complexidade em tempo e espaço
Leia maisDepartamento de Ciência de Computadores - FCUP Primeiro Teste de Inteligência Artificial / Sistemas Inteligentes (Duração: 2 horas)
Departamento de Ciência de Computadores - FCUP Primeiro Teste de Inteligência Artificial / Sistemas Inteligentes (Duração: horas) Nome: Data: 7 de Abril de 016 1) Considere a aplicação da busca em profundidade
Leia maisTeoria da Computação. Complexidade computacional classes de problemas
Teoria da Computação Complexidade computacional classes de problemas 1 Universo de problemas Problemas indecidíveis ou não-computáveis Não admitem algoritmos Problemas intratáveis Não admitem algoritmos
Leia maisAlgoritmos de busca local e problemas de otimização
Algoritmos de busca local e problemas de otimização Os algoritmos de busca estudados até agora foram projetados para explorar sistematicamente espaços de busca. Sistemático: mantém um ou mais caminhos
Leia maisInteligência Artificial. Minimax. Xadrez chinês. Xadrez chinês. Exemplos de Jogos. Exemplo de função de avaliação: Prof. Paulo Martins Engel
Xadrez chinês Inteligência Artificial Exemplos de Jogos O objetivo de cada jogador é passar todas as suas peças para o quadrado oposto. Movimenta-se uma peça a cada jogada. O movimento é sempre para uma
Leia maisInteligência Computacional
Rafael D. Ribeiro, M.Sc. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br Agente: É um elemento qualquer capaz de perceber seu ambiente por meio de sensorese de agir sobre este ambiente
Leia maisSOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS
Universidade Federal do Tocantins SOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS Diogo Rigo de Brito Guimarães Alexandre Tadeu Rossini da Silva Objetivo Implementar soluções heurísticas para o Jogo de Damas
Leia maisResolução de Problemas
Resolução de Problemas 1 Agente de Resolução de Problemas (1/2) 2 O agente reativo Escolhe suas ações com base apenas nas percepções atuais não pode pensar no futuro, não sabe aonde vai 4 5 8 1 6 7 2 3?
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia maisInteligência Artificial - IA. Resolução de problemas por meio de busca
Resolução de problemas por meio de busca 1 Agente reativo - definido por ação reação Agente de resolução de problemas (ou baseado em objetivos) encontra sequencias de ações que leva ao estado desejável.
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 03 Resolução de Problemas por Meio de Busca Edirlei Soares de Lima Introdução Agentes Autônomos: Entidades capazes de observar o ambiente
Leia maisBuscas Informadas ou Heurísticas - Parte II
Buscas Informadas ou Heurísticas - Parte II Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 FUNÇÕES HEURÍSTICAS - 1/7 FUNÇÕES HEURÍSTICAS - 2/7 Solução
Leia maisESCOLA POLITÉCNICA DA UNIVERSIDADE DE SÃO PAULO GABARITO
PCS 2059 - Inteligência Artificial 1a. Lista de Exercícios Prof. Responsável: Jaime Simão Sichman GABARITO 1. Em artigo publicado em 1950, Alan Turing apresentou à comunidade acadêmica o que ficou conhecido
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisPCS Gabarito da 1a. lista
PCS -2428 Gabarito da 1a. lista 1. Estado: situação (configuração) do ambiente no qual deve ser resolvido o problema. Espaço de estados: conjunto dos possíveis estados. Árvore de busca: estrutura de dados
Leia maisRomildo Martins da S Bezerra Julho 2001
Algoritmo do Kalah Romildo Martins da S Bezerra Julho 2001 Índice 1. O Jogo...3 2. Mudanças para Implementação...3 3. O Algoritmo...4 3.1 MINIMAX...4 3.2 Poda Alpha-Beta...4 3.3 Estrutura Utilizada...5
Leia maisBusca em Espaço de Estados a
Busca em Espaço de Estados a Fabrício Jailson Barth BandTec Agosto de 2012 a Slides baseados no material do Prof. Jomi F. Hübner (UFSC) Introdução 2 Agente orientado a meta O projetista não determina um
Leia maisXADREZ REGRAS BÁSICAS INTRODUÇÃO O xadrez, diferentemente de muitos jogos, não depende de sorte. O desenvolver do jogo não depende do resultado de
XADREZ REGRAS BÁSICAS INTRODUÇÃO O xadrez, diferentemente de muitos jogos, não depende de sorte. O desenvolver do jogo não depende do resultado de dados ou das cartas que são tiradas do baralho. O resultado
Leia maisAula 03 Métodos de busca sem informação
Problema dos jarros de água ula 03 Métodos de busca sem informação Prof. Dr. lexandre da Silva Simões Existem dois vasos: um de 4 litros e um de 3 litros, inicialmente vazios, e uma fonte que jorra água
Leia mais1/ 36. Computação 1 - Python Aula 1 - Teórica: Introdução
1/ 36 Computação 1 - Python Aula 1 - Teórica: Introdução Conhecendo a turma Experiência com programação e uso do computador Quantos já programaram antes? Quais linguagens? Quantos tem computador em casa
Leia maisMicrosoft Faculty Connection
Microsoft Faculty Connection Plataforma de Jogos como Ferramenta Multidisciplinar Prof. Dr. LucianoAntonio Digiampietri EACH-USP Roteiro Introdução Objetivos Detalhamentodo Projeto Conclusões Introdução
Leia maisGatos & Cães Simon Norton, 1970s
Gatos & Cães Simon Norton, 1970s Um tabuleiro quadrado 8 por 8. 28 peças gato e 28 peças cão (representadas respectivamente por peças negras e brancas). Ganha o jogador que realizar a última jogada. zona
Leia maisBusca com Adversários: Jogos. Maria Carolina Monard
Busca com Adversários: Jogos Thiago A. S. Pardo Maria Carolina Monard Busca com Adversários Diferentemente da busca tradicional vista até agora, na qual a situação não troca durante a busca, a busca com
Leia maisDistribuição de Jogos por Ciclo
REGRAS DOS JOGOS Distribuição de Jogos por Ciclo 1º CEB 2º CEB 3º CEB Sec. Semáforo x Gatos & Cães x x Rastros x x x Produto x x x Avanço x x Flume x 2 Semáforo Autor: Alan Parr 8 peças verdes, 8 amarelas
Leia maisComputação I - Python Aula 1 - Teórica: Introdução
Computação I - Python Aula 1 - Teórica: Introdução João C. P. da Silva Carla A. D. M. Delgado Ana Luisa Duboc Dept. Ciência da Computação - UFRJ http://ladybugcodingschool.com/ Computação I - Python Aula
Leia maisResolução de problemas por meio de busca. Inteligência Artificial. Formulação de problemas. Estratégias de busca
Inteligência Artificial Aula 4 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Resolução de problemas por meio de busca Capítulo 3 Russell & Norvig Seções 3.4 e 3.5 Formulação de problemas Algoritmo
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 5 Resolvendo Problemas
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 5 Resolvendo Problemas 1 Agente solucionador de problemas (guiado por objetivo) O agente reativo Escolhe suas ações com base apenas nas percepções
Leia maisControle Ótimo - Aula 6 Exemplos e Exercícios
Controle Ótimo - Aula 6 Exemplos e Exercícios Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Probabilidades Probabilidade: número entre
Leia maisInteligência Artificial - IA
Busca sem informação Estratégias para determinar a ordem de expansão dos nós: 1. Busca em extensão 2. Busca de custo uniforme 3. Busca em profundidade 4. Busca com aprofundamento iterativo Direção da expansão:
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maislivro das regras (provisório)
livro das regras (provisório) Avanço Autor: Dan Troyka, 2000 Um tabuleiro quadrado 7 por 7; 14 peças brancas e 14 peças negras. Um jogador ganha se chegar com uma das suas peças à primeira linha do adversário,
Leia mais8 Experimentos. de pelo menos uma solução. 2 Na verdade, poderíamos definir uma função que retorna o conjunto de equilíbrios de
8 Experimentos Neste capítulo tratamos da utilização do verificador de modelos na prática, e realizamos algumas comparações entre outros algoritmos existentes. Os experimentos foram executados em uma máquina
Leia maisResolução de problemas por meio de busca. Capítulo 3 Inteligência Artificial Sistemas de Informação
Resolução de problemas por meio de busca Capítulo 3 Inteligência Artificial Sistemas de Informação Conteúdo Um exemplo Resolução de problemas por meio de busca Exemplos de problemas Em busca de soluções
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 01 Resolução de problemas por meio de Busca Edirlei Soares de Lima Introdução Agentes Autônomos: Entidades autônomas capazes de observar o ambiente
Leia maisUma forma de classificação
Uma forma de classificação L. Não-RE ou f. nãocomputáveis LRE ou MT ou f. comput. L. Indecidíveis ou Procedimentos L. Recursivas ou Decidíveis ou Algoritmos Outra forma de classificação Problemas Indecidíveis
Leia mais12 = JL (DE UMA A TRÊS CASAS EM QUALQUER DIREÇÃO, INCLUSIVE R1 PARA OS PEÕES)
XADREZ DA SORTE MATERIAL UM TABULEIRO COMUM DE 64 CASAS. DOIS DADOS COMUNS. AS 32 PEÇAS DO JOGO DE XADREZ. PONTUAÇÃO DOS DADOS A PONTUAÇÃO PARA MOVIMENTAÇÃO É A SEGUINTE: 2 = R1 (RETORNA UMA CASA) 3 =
Leia maisREGRAS DOS JOGOS do CNJM15
REGRAS DOS JOGOS do CNJM15 Semáforo Autor: Alan Parr 8 peças verdes, 8 amarelas e 8 vermelhas partilhadas pelos jogadores. Ser o primeiro a conseguir uma linha de três peças da mesma cor na horizontal,
Leia maisGatos & Cães Simon Norton, 1970s
Gatos & Cães Simon Norton, 970s Um tabuleiro quadrado 8 por 8. 8 peças gato e 8 peças cão (representadas respectivamente por peças negras e brancas). Ganha o jogador que realizar a última jogada. zona
Leia maisJogos - aula 2. Xadrez chinês. Exemplo de função de avaliação:
Exemplo de jogo: Xadrez chinês Jogos - aula 2 Função de avaliação? Prof. Luis Otavio Alvares 1 2 Xadrez chinês Ligue 4 Exemplo de função de avaliação: o valor das peças é de acordo com a sua posição: 12
Leia maisCap. 4 Busca com Informações e Exploração. do livro de Russel e Norvig
Cap. 4 Busca com Informações e Exploração do livro de Russel e Norvig Busca Heurística(Best-First Search) Largura, profundidade e aprof. iterativo: desinformadas sobre proximidade da solução Heurística:
Leia maisResolução de Problemas através de Busca. Prof. Júlio Cesar Nievola PPGIA - PUC-PR
Resolução de Problemas através de Busca Prof. Júlio Cesar Nievola PPGIA - PUC-PR Solução de Problemas Sistemas inteligentes devem agir de maneira a fazer com que o ambiente passe por uma seqüência de estados
Leia maisTécnicas de Projeto de Algoritmos
UNIVERSIDADE NOVE DE JULHO - UNINOVE Pesquisa e Ordenação Técnicas de Projeto de Algoritmos Material disponível para download em: www.profvaniacristina.com Profa. Vânia Cristina de Souza Pereira 03 _ Material
Leia maisJ2 Velha. Uma Implementação Java do Jogo da Velha Utilizando o Algoritmo MiniMax. Universidade Federal do ABC ufabc. André Filipe de Moraes Batista
Universidade Federal do ABC ufabc J2 Velha Uma Implementação Java do Jogo da Velha Utilizando o Algoritmo MiniMax André Filipe de Moraes Batista andre.batista@ufabc.edu.br Luis Fernando de Oliveira Jacintho
Leia maisResolução de problemas por meio de busca. Inteligência Artificial. Busca. Exemplo: Romênia. Exemplo: Romênia 8/23/2010
Inteligência Artificial Aula 2 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Resolução de problemas por meio de busca Capítulo 3 Russell & Norvig Seções 3.1, 3.2 e 3.3 Agentes de resolução de problemas
Leia maisMétodos de Busca. Estratégias de Busca Cega
Métodos de Busca Métodos de Busca Estratégias de Busca Cega encontram soluções para problemas pela geração sistemática de novos estados, que são comparados ao objetivo; são ineficientes na maioria dos
Leia maisInteligência Artificial Agentes Inteligentes
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisResolução de Problemas. Universidade Católica de Pelotas Engenharia da Computação Disciplina: Inteligência Artificial
Resolução de Problemas Universidade Católica de Pelotas Engenharia da Computação Disciplina: Inteligência Artificial 2 Resolução de Problemas Introdução Componentes Solução Busca de soluções 3 Resolução
Leia maisInteligência Artificial
Inteligência Artificial Resolvendo Problemas com Busca Agente solucionador de problemas (guiado por objetivo deliberativo) Busca uma sequência de ações que o leve a estados desejáveis (objetivos). Propriedades
Leia maisJOGOS LIVRO REGRAS M AT E M Á T I CO S. 11.º Campeonato Nacional
Vila Real JOGOS M AT E M Á T I CO S.º Campeonato Nacional LIVRO DE REGRAS Semáforo Autor: Alan Parr Material Um tabuleiro retangular por. 8 peças verdes, 8 amarelas e 8 vermelhas partilhadas pelos jogadores.
Leia maisResumo. Como um agente busca de seqüência de ações para alcançar seus objetivos.
Resumo Inteligência Artificial Russel e Norvig Capítulos 3,4 e 5 Prof. MsC Ly Freitas UEG Resolução de problemas por meio de busca Como um agente busca de seqüência de ações para alcançar seus objetivos.
Leia mais