Buscas Informadas ou Heurísticas - Parte III
|
|
- Mateus Fontes Paixão
- 7 Há anos
- Visualizações:
Transcrição
1 Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006
2 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified Memory-Bounded A*) Melhora a eficiência. Pode ser interessante lembrar de um nó que foi já gerado, quando for necessário.
3 PROPRIEDADES Utiliza toda a memória disponibilizada. Evita estados repetidos, de acordo com os recursos de memória disponíveis. É completa se a memória é suficiente para armazenar o caminho que leva à solução mais próxima da raiz.
4 PROPRIEDADES É ótima, se há memória disponível para armazenar o caminho que leva à solução ótima mais próxima da raiz. Caso contrário - retorna a melhor solução que pode ser obtida com a memória disponível. Otimamente eficiente, quando há memória suficiente para realizar toda a busca.
5 PROPRIEDADES SMA* é sempre otimamente eficiente? Para uma mesma heurística, e Para uma mesma quantidade de memória. Não se sabe!
6 PROJETO Quando se necessita gerar um sucessor e não há memória suficiente Deve-se abrir espaço na fila: retirando-se nós ( nós esquecidos ). Preferencialmente retira-se os nós que não são promissores- com alto custo f.
7 PROJETO Nós ancestrais - retém informação sobre a qualidade do melhor caminho em uma sub-árvore esquecida. Uma sub-árvore é gerada novamente somente quando todos os novos caminhos parecem ser piores que aquele esquecido.
8 EXEMPLO Objetivo: Encontrar o nó meta de menor custo com memória suficiente para armazenar apenas três nós.
9 EXEMPLO E:30+5=35 A:0+12=12 B:+5=15 G: +5=13 16 C:20+5=25 D:20+0=20 H:16+2=1 I: 24+0=24 F:30+0=30 J:24+0=24 K:24+5=29
10 BUSCA SMA* E:30+5=35 A:0+12=12 B:+5=15 G: +5=13 16 C:20+5=25 D:20+0=20 H:16+2=1 I: 24+0=24 F:30+0=30 J:24+0=24 K:24+5=29 A cada estágio, um sucessor é acrescentado ao nó mais profundo de menor custo f que tenha sucessores ainda não adicionados à árvore.
11 BUSCA SMA* E:30+5=35 A:0+12=12 B:+5=15 G: +5=13 16 C:20+5=25 D:20+0=20 H:16+2=1 I: 24+0=24 F:30+0=30 J:24+0=24 K:24+5=29 Como f(a) < f(b): Acrescentamos G. Valor mínimo de f para os filhos de A = 13 f (A) = 13. A memória está cheia: três nós.
12 BUSCA SMA* E:30+5=35 B:+5=15 C:20+5=25 D:20+0=20 F:30+0=30 A=13 (15) J:24+0=24 G: +5=13 16 H:16+2=1 I: 24+0=24 K:24+5=29 G deve ser expandido: Um nó deve ser descartado - o de maior custo e mais superficial : B. H não é a solução Todos os recursos disponíveis (três nós) foram consumidos. Não há como achar uma solução por H faz-se H =
13 BUSCA SMA* E:30+5=35 B:+5=15 C:20+5=25 D:20+0=20 F:30+0=30 A=15 (15) J:24+0=24 H:16+2=1 G=24 ( ) K:24+5=29 16 I: 24+0=24 G deve ser expandido novamente: Descarta-se H e gera-se I. f(a) se torna 15: O mínimo entre 15 e 24. f(g) se torna 24. H não é a solução I é um nó solução, mas não é a melhor porque f(a) = 15
14 BUSCA SMA* E:30+5=35 A=15 B:+5=15 G = 24 C:20+5=25 D:20+0=20 H:16+2=1 F:30+0=30 J:24+0=24 K:24+5=29 16 I: 24+0=24 A volta a ser o nó mais promissor: B é gerado novamente.
15 BUSCA SMA* E:30+5=35 B:+5=15 C:20+5=25 D:20+0=20 F:30+0=30 A=15 (24) J:24+0=24 G: +5=13 16 H:16+2=1 I: 24+0=24 K:24+5=29 B é expandido: C é gerado - não é meta e está no limite de profundidade.
16 BUSCA SMA* E:30+5=35 C= B:+5=15 D:20+0=20 F:30+0=30 A=20 (24) J:24+0=24 G: +5=13 16 H:16+2=1 I: 24+0=24 K:24+5=29 B é expandido: C é gerado - não é meta e está no limite de profundidade. Descarta-se C.
17 BUSCA SMA* E:30+5=35 C:20+5=25 B=20 ( ) F:30+0=30 A=20 (24) D:20+0=20 J:24+0=24 G: +5=13 16 H:16+2=1 I: 24+0=24 K:24+5=29 O segundo sucessor de B é gerado: D. Obtém-se a solução.
18 BUSCA SMA* Houve memória suficiente para se obter a solução ótima. Caso o custo de J fosse 19: A solução encontrada ainda seria D, o caminho até J tem comprimento igual a 4.
19 Modelos estudados Interesse: buscar sistematicamente, a partir de um estado inicial, uma seqüência de ações que levem à meta. Solução: um caminho da raiz à meta.
20 PROBLEMAS DE OTIMIZAÇÃO A própria descrição de estado contém toda informação relevante para a solução e o caminho até a meta não importa. Exemplo Problema das rainhas; Projeto de circuitos integrados; Escalonamento; Problemas de roteamento; Problemas de otimização de redes de telecomunicação; etc.
21 BUSCAS LOCAIS (OU DE MELHORIAS ITERATIVAS) Operam em um único estado e movem-se para a vizinhança deste estado. A idéia é começar com o estado inicial (configuração completa, solução aceitável), e melhorá-lo iterativamente.
22 VANTAGENS Usam pouquíssima memória; Freqüentemente podem encontrar soluções razoáveis em espaços de estado grandes ou infinitos (contínuos) para os quais os algoritmos sistemáticos são ineficientes.
23 TIPOS DE BUSCAS LOCAIS Hill-Climbing ou Subida pela Encosta mais Íngrime (ou Busca Local Gulosa): só faz modificações que melhoram o estado atual. Simulated Annealing ou Têmpera Simulada: pode fazer modificações que pioram o estado no momento, para possivelmente melhorá-lo no futuro. Local beam search ou Busca em feixe local: Mantém k estados em vez de um único. Algoritmos Genéticos (GA): é uma busca do tipo subida da encosta, estocástica, na qual uma grande população de estados é mantida e novos estados
24 ALGORITMOS DE MELHORIAS ITERATIVAS Inicia-se com uma configuração completa e faz-se modificações nesta configuração de maneira a melhorar sua qualidade. Considera-se todos os estados em uma superfície de uma paisagem. A altura de um ponto na paisagem corresponde à função de avaliação do estado do ponto.
25 ALGORITMOS DE MELHORIAS ITERATIVAS
26 ANALOGIA Tentar encontrar o topo do Monte Everest sob uma forte neblina e sofrendo de amnésia
27 BUSCA HILL-CLIMBING Repetição pura em direção a valores maiores. Não mantém uma árvore de busca - somente é necessário guardar o estado e sua avaliação. Quando há mais de um melhor sucessor: A seleção pode ser aleatória.
28 SELEÇÃO ALEATÓRIA DE SUCESSORES O algoritmo pode parar ao encontrar um máximo local - que tem altura inferior à do máximo global. Pode ser atingido um platô no espaço de estados - a função de avaliação é essencialmente fixa: conduz a uma busca aleatória. Um cume pode ter lados íngremes: a busca encontra o topo facilmente, mas pode demorar para encontrar o pico mais alto. Se não houver um operador que permita o movimento direto sobre os cumes, a busca pode oscilar de uma lado para o outro. Nos três casos O algoritmo atinge um ponto onde não há progresso reiniciar o processo de um ponto aleatório.
29 REINÍCIO ALEATÓRIO Série de buscas iniciadas a partir de estados iniciais gerados aleatoriamente. Um novo estado inicial é gerado quando a busca pára ou não faz nenhum progresso. O melhor resultado obtido é armazenado: Pode-se usar um número fixo de iterações. Pode-se continuar até que um melhor resultado armazenado não seja melhorado depois de um certo número fixado de iterações.
30 REINÍCIO ALEATÓRIO Encontra a solução ótima se for permitido um número suficiente de iterações. Se existem poucos máximos locais: encontrará uma boa solução rapidamente.
31 REINÍCIO ALEATÓRIO Um problema realístico tem uma superfície semelhante a um porco-espinho. Problema NP-completo: número exponencial de máximos locais. Felizmente: boas soluções podem ser obtidas em um pequeno número de iterações.
32 IMPLEMENTAÇÃO EM JAVA Pode ser obtida em instruct/juell/vp/cs724s00/hill_climbing/
33 SIMULATED ANNEALING Annealing: processo de resfriamento gradual de um líquido até o seu congelamento; E: total de energia dos átomos de um material. T : temperatura.
34 SIMULATED ANNEALING Pode-se provar que, se a temperatura é reduzida lento o suficiente, o material atinge um estado de baixa energia (perfeitamente ordenado). Em analogia: se o esquema reduz T lentamente o suficiente, o algoritmo encontrará um ponto ótimo global.
35 SIMULATED ANNEALING Este algoritmo é semelhante à Subida da Encosta, porém oferece meios para se escapar de máximos locais. T: temperatura - abaixa com o tempo de execução (com o tempo, fica igual ao Subida da Encosta). Assim, no início, movimentos ruins ocorrem com maior freqüência. Apesar de aumentar o tempo de busca, essa estratégia consegue escapar melhor dos máximos locais.
36 SIMULATED ANNEALING Ao invés de recomeçar de um ponto aleatório descer alguns passos para escapar do máximo local. Ao invés de escolher o melhor movimento, escolhe-se um movimento aleatório. Se este movimento melhorar a situação ele é executado. Caso contrário é executado um movimento com probabilidade inferior a 1 : e E/T
37 SIMULATED ANNEALING A probabilidade decresce exponencialmente com a má qualidade do movimento ( E avalia esta qualidade) O parâmetro T também é utilizado na determinação da probabilidade - um maior T significa que é mais provável que um movimento ruim seja permitido. T tendendo a zero: os movimento tendem a ser improváveis o algoritmo se comporta mais ou menos como o Hill Climbing.
38 BUSCA EM FEIXE LOCAL Começa com k estados gerados aleatoriamente. Em cada passo, são gerados todos os sucessores de todos os k estados. Se um dos sucessores for o objetivo, o algoritmo pára; caso contrário, escolhe os k melhores sucessores a partir da lista completa. Isso NÃO corresponde à execução de k reinícios aleatórios em paralelo (random start)! Somente k estados são considerados como estados
39 ALGORITMOS GENÉTICOS Estados sucessores são gerados através da combinação de dois estados antecessores (pais), em vez de serem gerados pela modificação de um único estado. Os sucessores (descendentes) de um estado (organismo) ocupam a próxima geração de acordo com o seu valor (adaptação ou fitness).
40 ALGORITMOS GENÉTICOS Inicia-se com um conjunto de k estados gerados aleatoriamente, chamado população; cada estado (ou indivíduo) é representado como uma cadeia sobre um alfabeto finito; Indivíduos são avaliados por uma função de fitness (função de avaliação em AG); Indivíduos selecionados geram novos indivíduos por meio de cruzamentos e mutações; Repete avaliação/seleção/cruzamento-mutação até que um indivíduo seja avaliado como adequado para solução.
Inteligência Artificial
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 Pós-Graduação
Leia maisBUSCA LOCAL (PARTE 4 Resolução de problemas por meio de busca) (C)Russell & Norvig, capítulo 4
BUSCA LOCAL (PARTE 4 Resolução de problemas por meio de busca) (C)Russell & Norvig, capítulo 4 1 Roteiro Algoritmos de Busca Local Subida de encosta (Hill-climbing) Têmpera Simulada (Simulated Anealing)
Leia maisBusca Local. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Busca Local Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmos de busca local e problemas de otimização Em muitos problemas de otimização o caminho até a solução
Leia mais11/1/2012. Agenda. Classe de problemas de interesse. Busca Local. Busca Local. Exemplo de Espaço de Estados
Agenda PCS / PCS 09 Inteligência Artificial Prof. Dr. Jaime Simão Sichman Profa. Dra. Anna Helena Reali Costa Busca Local e Problemas de Otimização. Introdução. Busca Local I. Subida da Encosta (Hill-Climbing)
Leia maisBusca com informação e exploração. Capítulo 4 Russell & Norvig Seção 4.2 e 4.3
Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.2 e 4.3 1 Revisão da aula passada: Busca A * Idéia: evitar expandir caminhos que já são caros Função de avaliação f(n) = g(n) + h(n)
Leia maisBusca com informação e exploração. Inteligência Artificial. Revisão da aula passada: Heurística Admissível. Revisão da aula passada: Busca A *
Inteligência Artificial Aula 6 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.2 e 4.3 Revisão da aula passada: Busca A * Idéia:
Leia maisCapítulo 4 Secção 1. Livro
Procura Local Capítulo 4 Secção 1 Livro Procura local Algorítmos de procura local Hill-climbing Simulated annealing Local beam Genetic algorithms Resumo Procura Sistemática No capítulo 3, analisamos estratégias
Leia maisBusca com informação e exploração. Inteligência Artificial. Busca pela melhor escolha. Romênia com custos em km 9/13/2010
Inteligência Artificial Aula 3 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia-pos Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.1 2 Busca com informação (ou heurística) Utiliza
Leia maisRevisão sobre Busca 1
Revisão sobre Busca 1 Um problema de busca em IA pode ser definido em termos de... Algumas definições básicas (1/2) Um espaço de estados possíveis, incluindo: um estado inicial Em (Recife) Estar (pobre)
Leia maisInteligência Artificial
Inteligência Artificial Prof. Rafael Stubs Parpinelli DCC / UDESC-Joinville rafael.parpinelli@udesc.br www.joinville.udesc.br/portal/professores/parpinelli www2.joinville.udesc.br/~coca/ Busca Heurística
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 maisBusca com informação e exploração. Inteligência Artificial
Busca com informação e exploração (Capítulo 4 - Russell) Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura Busca pela melhor escolha Busca gulosa pela melhor escolha Busca
Leia maisBusca com informação e exploração. Capítulo 4 Russell & Norvig Seção 4.1
Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.1 1 Busca com informação (ou heurísica) UIliza conhecimento específico sobre o problema para encontrar soluções de forma mais eficiente
Leia maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 04 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 04 Prof. Vitor Hugo Ferreira Busca em espaço de estados Estratégias
Leia maisAula 05 Busca com informação
Revisão Aula 05 Busca com informação Prof. Dr. Alexandre da Silva Simões Principais estratégias de busca sem informação: busca em amplitude e profundidade Estratégias derivadas: Busca com custo uniforme
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 maisProcura Informada. Capítulo 4
Procura Informada Capítulo 4 Material Capítulo 4 Secções 1-3 Resumo Estratégias de procura informadas Gananciosa A * IDA* Melhor Primeiro Recursiva (RBFS) Heurísticas Algorítmos de procura local Hill-climbing
Leia maisOutras estratégias de Busca. February 27, 2017
Outras estratégias de Busca February 27, 2017 Estratégias de controle para a procura irrevogáveis: nunca retornam por um caminho já explorado tentativa: backtracking (métodos não informados e informados).
Leia maisProcura Informada. Capítulo 4
Procura Informada Capítulo 4 Livro Capítulo 4 Secções 1-3 Resumo Estratégias de procura informadas Gananciosa A* IDA* Melhor Primeiro Recursiva (RBFS) Heurísticas Algorítmos de procura local Hill-climbing
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
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 maisInformática I. Aula 21. Aula 21-07/11/06 1
Informática I Aula 21 http://www.ic.uff.br/~bianca/informatica1/ Aula 21-07/11/06 1 Aula de hoje Explicação sobre o trabalho 3 Jogo de prospecção de petróleo por robôs. http://www.inf.puc-rio.br/~mascarenhas/robots/
Leia maisBusca Cega (Exaustiva) e Heurística. Busca Aula 2
Busca Cega (Exaustiva) e Heurística Busca Aula 2 Ao final desta aula a gente deve saber: Conhecer as várias estratégias de realizar Busca não-informada (Busca Cega) Determinar que estratégia se aplica
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 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 maisInteligência Artificial (SI 214) Aula 4 Resolução de Problemas por meio de Busca Heurística
Inteligência Artificial (SI 214) Aula 4 Resolução de Problemas por meio de Busca Heurística Prof. Josenildo Silva jcsilva@ifma.edu.br 2015 2012-2015 Josenildo Silva (jcsilva@ifma.edu.br) Este material
Leia maisBuscas Não Informadas (Cegas) - Parte I
Buscas Não Informadas (Cegas) - Parte I Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Graduação em Ciência da Computação / 2006 BUSCA EM LARGURA(BREADTH-FIRST ) - 1/5 A raiz é expandida.
Leia maisInteligência Artificial
Inteligência Artificial Aula 3 Métodos de Busca para Resolução de Problemas Busca Informada Heurísticas Busca Gulosa Busca A* Busca Local Prática #2 Prof. Ricardo M. Marcacini ricardo.marcacini@ufms.br
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
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 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 maisBusca Heurística - Informada
Busca Heurística - Informada Estratégias de Busca Exaustiva (Cega) encontram soluções para problemas pela geração sistemática de novos estados, que são comparados ao objetivo; são ineficientes na maioria
Leia maisRelatório Técnico: Busca Tabu Aplicada ao Problema do Caixeiro Viajante
Relatório Técnico: Busca Tabu Aplicada ao Problema do Caixeiro Viajante André Britto de Carvalho, Rodolfo Barriveira, Carlos Tavares, Kelly Rodrigues, Frederico Losco Resumo. Este relatório apresenta uma
Leia maisMétodos de Busca. Inteligência Artificial. Busca Heurística. Busca Heurística. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Leia maisMétodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
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 maisInteligência Artificial
Inteligência Artificial Fabrício Olivetti de França 07 de Junho de 2018 1 Heurísticas e Meta-Heurísticas 2 Heurística Heurística, derivada do grego encontrar ou descobrir, são técnicas para encontrar a
Leia maislnteligência Artificial
lnteligência Artificial Busca Heurística - Informada Estratégias de Busca Heurística Usam conhecimento específico do problema na busca da solução Mais eficientes que busca não informada Busca Informada
Leia maisAgentes de Procura Procura Estocástica. Capítulo 3: Costa, E. e Simões, A. (2008). Inteligência Artificial Fundamentos e Aplicações, 2.ª edição, FCA.
Agentes de Procura Procura Estocástica Capítulo 3: Costa, E. e Simões, A. (2008). Inteligência Artificial Fundamentos e Aplicações, 2.ª edição, FCA. AGENTES DE PROCURA ESTOCÁSTICA 1 Procura Aleatória O
Leia maisTécnicas Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas Inteligência Artificial Aula 03 Métodos de Busca Parte 1 Prof. Max Pereira Solução de Problemas como Busca Um problema pode ser considerado
Leia maisEstratégias de Busca: Métodos Informados. March 9, 2015
Estratégias de Busca: Métodos Informados March 9, 2015 Busca de Soluções: Métodos Informados Utilizam conhecimento específico do problema para encontrar a solução algoritmo geral de busca somente permite
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 maisEstratégias informadas de Busca. March 3, 2016
Estratégias informadas de Busca March 3, 2016 Busca de Soluções: Métodos Informados ˆ Utilizam conhecimento específico do problema para encontrar a solução ˆ algoritmo geral de busca somente permite introduzir
Leia maisResolução de Problemas com Métodos de Busca
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Resolução de Problemas com Métodos de Busca Inteligência Artificial Site: http://jeiks.net E-mail:
Leia maisTécnicas Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas Inteligência Artificial Aula 03 Métodos de Busca Prof. Max Pereira Solução de Problemas como Busca Um problema pode ser considerado
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 maisMETAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima
METAHEURÍSTICAS METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima Consiste em aplicar iterativamente uma heurística subordinada (busca local) Tem algum mecanismo para escapar de ótimos locais (vales)
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia maisSistemas Inteligentes / Inteligência Artificial, Outros Métodos de Procura
Sistemas Inteligentes / Inteligência Artificial, 14-15 1 Outros Métodos de Procura Sistemas Inteligentes / Inteligência Artificial, 14-15 2 Exemplos de Aplicações Jogo dos oito :-) Mundo dos blocos (ex:
Leia maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia maisINTELIGÊNCIA ARTIFICIAL
Figura: Capa do Livro Russell, S., Norvig, P. Artificial Intelligence A Modern Approach, Pearson, 2009. Universidade Federal de Campina Grande Unidade Acadêmica de Sistemas e Computação Curso de Pós-Graduação
Leia maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisInteligência Artificial
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 Pós-Graduação
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 maisExemplo do jogo dos fósforos Terça-feira, 9 de maio. Exemplo para o Problema do Corpo de Bombeiros. Exemplo: Localidade do Corpo de Bombeiros
15.053 Terça-feira, 9 de maio Busca Heurística: métodos para resolver problemas de otimização difíceis Distribuir: Anotações da Aula Veja a introdução ao trabalho Very Large Scale Neighborhood Search (está
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 03 Resolução de Problemas por Meio de Busca Introdução Agentes Autônomos: Entidades autônomas capazes de observar o ambiente
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 03 Resolução de Problemas por Meio de Busca Introdução Agentes Autônomos: Entidades autônomas capazes de observar o ambiente
Leia maisAgentes de Procura Procura Heurística. Capítulo 3: Costa, E. e Simões, A. (2015). Inteligência Artificial Fundamentos e Aplicações, 3.ª edição, FCA.
Agentes de Procura Procura Heurística Capítulo 3: Costa, E. e Simões, A. (2015). Inteligência Artificial Fundamentos e Aplicações, 3.ª edição, FCA. AGENTES DE PROCURA HEURÍSTICA 1 Procura Heurística Nas
Leia maisOs problemas de IA empregam heurísticas, basicamente, em duas situações:
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 maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
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 maisResolução de Problemas via Busca
Resolução de Problemas via Busca Aula #4.1 EBS 564 IA Prof. Luiz Fernando S. Coletta luizfsc@tupa.unesp.br Campus de Tupã A 80 C 219 99 B 97 D 101 E 2 A 80 C 219 99 B 97 D 101 E Busca local com algoritmo
Leia maisComputação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
Leia maisUm Estudo Empírico de Métodos Hiper-Heurísticos
Um Estudo Empírico de Métodos Hiper-Heurísticos Igor Ribeiro Sucupira (Aluno de Mestrado) Flávio Soares Corrêa da Silva (Orientador) Departamento de Ciência da Computação Instituto de Matemática e Estatística
Leia maisOptimização Não-linear
Optimização Não-linear Problemas de optimização não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=43x 2 +log(x 2 )*sin(x x3 ), com x 3 -x 2! < 0 Não existem métodos universais para este
Leia maisInteligência Artificial
Inteligência Artificial CTC15 Aula 3b CTC15 Aula 3b 1 Sumário Exemplos de PSR Busca genérica aplicada à PSRs Backtracking Verificação forward Heurísticas para PSRs CTC15 Aula 3b 2 Problemas de satisfação
Leia maisOptimização Não-linear
Problemas de optimização não-linear Optimização Não-linear A função a minimizar (maximizar) não é linear Exemplo: Z=x +log(x )*sin(x x ), com x -x! < 0 Não existem métodos universais para este tipo de
Leia maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia maisIterated Local Search. Helena R. Lorenço, Olivier Martinz and THOMAS STUTZLE
I Iterated Local Search Helena R. Lorenço, Olivier Martinz and THOMAS STUTZLE Idéias Metaheurística deve ser simples, eficiente e mais genérica possível. Problema específico deve ser incorporado à metaheurística.
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia maisGA Conceitos Básicos. Capítulo 3 Prof. Ricardo Linden
GA Conceitos Básicos Capítulo 3 Prof. Ricardo Linden Algoritmos Evolucionários Algoritmos evolucionários usam modelos computacionais dos processos naturais de evolução como uma ferramenta para resolver
Leia maisInteligência Artificial
Inteligência Artificial Métodos de resolução de problemas Prof. Angel Alberto Vazquez Sánchez Objetivos Caracterizar a busca como um método para resolver problemas a partir de seus elementos fundamentais
Leia maisResolução de Problemas: Busca Heurística
Resolução de Problemas: Busca Heurística Aula 3 - Inteligência Artificial Busca Heurística Duas variações: Busca usando heurística (não numérica). Busca usando funções de avaliação e funções de custo.
Leia mais2. MÉTODO DE RECOZIMENTO SIMULADO
1 2. MÉTODO DE RECOZIMENTO SIMULADO (SIMULATED ANNEALING) 2.1. Analogia Física: o recozimento de metais (annealing) 2.2. A Tradução Matemática: o algoritmo básico 2.3. A Programação de Recozimento 2.4.
Leia maisInteligência Artificial
Inteligência Artificial Primeiro Teste 28 de Outubro de 2013 18:00-19:30 Este teste é composto por 10 páginas contendo 6 grupos de perguntas. Para perguntas com resposta de escolha mu ltipla, respostas
Leia maisPesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação
Leia maisUm Estudo Empírico de Hiper-Heurísticas
Flávio Soares Corrêa da Silva (Orientador) Instituto de Matemática e Estatística Universidade de São Paulo Julho de 2007 Definição de Hiper-Heurística Para Que Servem Dois Exemplos Definição Uma hiper-heurística
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 maisMétodos de Busca Informada (best first search) Capítulo 4 Parte I
Métodos de Busca Informada (best first search) Capítulo 4 Parte I Leliane Nunes de Barros leliane@ime.usp.br Busca não informada: geração sistemática de estados Busca em profundidade: boa quando não se
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 maisFigura 3.1: Fluxograma do algoritmo da Programação Genética.
3 Programação Genética O termo Programação Genética passou a ser utilizado em 1990 nos trabalhos publicados por Koza [30] e De Garis [31]. A definição de Koza para este termo passou a predominar após a
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 maisExemplos. Jogo dos oito :-) Mundo dos blocos (ex: torre de Hanoi) Poblema das rainhas. Criptoaritmética. Missionários e Canibais.
istemas Inteligentes, 10-11 1 Exemplos Jogo dos oito :-) Mundo dos blocos (ex: torre de Hanoi) Poblema das rainhas Criptoaritmética Missionários e Canibais Resta-um e muitos outros... istemas Inteligentes,
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 maisMETAHEURÍSTICAS: 1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO
1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO METAHEURÍSTICAS: É uma das primeiras metaheurísticas que foi utilizada com muito sucesso nos problemas complexos de pesquisa operacional. O S.A surgiu do campo
Leia maisLista 1 Sistemas Inteligentes (INE5633) 2014s2. Cap. 2 - Russel & Norvig - Exercícios selecionados (respostas em azul)
Lista 1 () 2014s2 Sistemas de Informação Universidade Federal de Santa Catarina Cap. 2 - Russel & Norvig - Exercícios selecionados (respostas em azul) 1. Tanto a medida de desempenho quanto a função de
Leia maisCEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 01
. CEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 01 Créditos: alguns itens desta lista são adaptados do material da disciplina CS188 - Artificial Intelligence
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia maisMetahuerísticas: Algoritmos Genéticos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng.
Metahuerísticas: Algoritmos Genéticos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 8) Meta-heurísticas Classificação de métodos heurísticos: os métodos
Leia maisUm Modelo Híbrido Estocástico para Tratamento do Problema de Roteamento de Veículos com Janela de Tempo
Um Modelo Híbrido Estocástico para Tratamento do Problema de Roteamento de Veículos com Janela de Tempo Dissertação de mestrado (CIn-UFPE) Humberto César Brandão de Oliveira Orientador: Germano Crispim
Leia maisÁrvores Auto-ajustadas
Árvores Árvores Auto-ajustadas As árvores binárias de pesquisa são projetadas para um acesso rápido à informação. A velocidade das operações de inserção, remoção e busca realizadas sobre as árvores é mais
Leia maisConferencia 10 Métodos Locais
Conferencia 10 Métodos Locais Objetivo Caracterizar os métodos de busca local Bibliografía Patrick Henry Winston, Inteligencia Artificial, 3ra edición, 1992. AI. A Modern Approach Russell Norvig 3rd ed.
Leia maisComputação Evolutiva. Aula 4 Usando AEs Prof. Tiago A. E. Ferreira
Computação Evolutiva Aula 4 Usando AEs Prof. Tiago A. E. Ferreira Roteiro Exemplos: Problema das 8 rainhas Comportamentos Típicos dos AE CE no contexto da Otimização Global Relembrando Na Aula Passada,
Leia maisProf. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa
Busca Heurís9ca - Informada PCS 2428 / PCS 2059 lnteligência Ar9ficial Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa Busca Heurís9ca 2 Estratégias de Busca Heurís9ca Usam conhecimento
Leia mais