Inteligência Artificial. Inteligência Artificial
|
|
- Edison Aquino de Abreu
- 8 Há anos
- Visualizações:
Transcrição
1 Inteligência Artificial Procura Informada Agenda Parte 1 Introdução á Procura Informada ou Heurística Best-First Search Pesquisa Gulosa (Greedy( Greedy) Algoritmo A* Algoritmo IDA* (Iterative( Deepning A*) Algoritmo SMA* Parte 2 Processo de Procura Heurística e sua aplicação Função de Avaliação Admissibilidade Consistência Dominância Qualidade Estratégias de Definição de Heurísticas Análise de Performance Algoritmos de Procura Local Trepa Colinas Annealing Simulado 1
2 Procura Heurística - Informada Estratégias de Busca Exaustiva (Cega) encontram soluções para problemas pela geração sistemática tica de novos estados, que são comparados com o objectivo; são ineficientes na maioria dos casos: são capazes de calcular apenas o custo de caminho do nón actual ao nón inicial para decidir qual o próximo nón da fronteira a ser expandido. esta medida não conduz necessariamente a busca na direcção do objectivo. Estes métodos m devem ser exaustivos porque são métodos m gerais, isto é, são independentes do problema. Por isto chamam-se de Procura Cega, não Informados ou débeis. d Como encontrar um barco perdido? não podemos procurar no oceano inteiro... observamos as correntes marítimas, o vento, etc... Procura Heurística - Informada Para obter resultados práticos propõe-se considerar a estrutura particular do espaço de busca para uma classe particular de problemas, isto é,, propõe-se utilizar características próprias prias do problema particular para ajudar no processo de busca. Isto é chamado Procura Informada. Heurística ou 2
3 Procura Heurística - Informada Estratégias de Busca Heurística utilizam conhecimento específico próximo nón a ser expandido barco perdido correntes marítimas, vento, etc... do problema na escolha do Introduz uma métrica que permite ao agente de busca estimar a distância desde o estado actual até um objectivo. A métrica m pode expressar distância, custo ou uma medida abstracta. A utilização desta métrica m permitirá escolher o próximo nó da fronteira a ser expandido. A função que calcula este tipo de métricas m denomina-se função heurística Heurística Uma heurística é uma técnica t que permite melhorar a eficiência da procura. A palavra Heurística vem do grego Heuriskein que significa Descobrir e é também m a origem de Eureka que provem da expressão heurika que ficou famosa por Arquimedes. 3
4 Heurística Uma heurística será então uma estimação adequada do custo ou longitude do passo (no espaço o de procura) desde um estado até um objectivo. Diremos que subestima a distância se a sua estimação até o objectivo é menor ou igual a distância real. É sempre possível calcular a função heurística, mas é necessário, dado que a heurística balança a o ganho entre a eficiência da procura e o custo computacional de calcular a heurística. Exemplo Distância Estado Actual Estado Final h 1 ( ) =? Estimando a distância 4
5 Exemplo Distância Estado Actual Estado Final h 1 ( ) = A quantidade de peças for a do lugar = Estado Estado 2 Exemplo h 1 ( ) = h 1 ( ) = Estado Final 5
6 Exemplo Distância Estado Actual Estado Final h 2 ( ) =? Outra heurística? Exemplo Distância Estado Actual Estado Final h 2 ( ) = Número de movimentos necessários para colocar cada peça no seu lugar = 10 6
7 Estado Estado 2 Exemplo h 2 ( ) = h 2 ( ) = Estado Final Com que critérios rios avaliamos uma pesquisa: Na semana anterior vimos estes critérios: rios: Completude: Será que todas as pesquisas encontram uma solução, no caso desta existir; Complexidade do tempo: Será que demora muito tempo encontrar uma solução para um dado problema; Complexidade da memória: Será que temos de ter muita memória quando efectuamos uma busca; Óptima: Será que é encontrada a melhor solução quando esta existe. 7
8 Notação Dado um nón n g (n) = custo desde o nón inicial até n. h (n)( = função heurística aplicada ao nón n. Isto é o custo estimado desde n até uma solução. h * (n)( ) = custo real de um caminho óptimo desde n até uma solução. f (n)( ) = g (n)( ) + h (n)( ) custo estimado de uma solução que passa pelo nón n. Busca pela Melhor Escolha Best-First Search Busca genérica onde o nón de menor custo aparente na fronteira do espaço o de estados é expandido primeiro. Duas abordagens básicas: b 1. Pesquisa Gulosa (Greedy( search) 2. Algoritmo A* 8
9 Pesquisa Gulosa Semelhante à busca em profundidade com backtracking. O seu objectivo é: Minimizar o custo estimado para atingir um nó. n Expandir o nón cujo estado é previsto como o mais perto do nón final, com base na estimativa feita pela função heurística h. Tem de existir um conhecimento prévio dessas funções. h (n) = Custo estimado do caminho mais barato desde o estado correspondente ao nón n até a um estado objectivo (final). Algoritmo: Pesquisa Gulosa função Busca-Gulosa (problema,h) retorna uma solução ou falha Busca-Melhor Melhor-Escolha (problema, h) 9
10 Pesquisa Gulosa Devemos sempre escolher uma função heurística que seja admissível, isto é,, que não ultrapasse o custo real da solução. Distância directa (h SLD ) é admissível porque o caminho mais curto entre dois pontos é sempre uma linha recta. h (n) deve ser zero quando o nón n tenha associado um estado correspondente ao estado final (Objectivo), ver no exemplo. Tenta sempre ser rápido r na sua pesquisa. Um exemplo de Busca Gulosa: Veremos como isto funciona na pesquisa de rotas na Madeira, usando a distância heurística straight-line (Linha recta), que vamos chamar de h SLD. Se o objectivo é a Cancela, então temos de saber quais as distâncias straight-line até á Cancela. Por exemplo, h SLD (Ponta de Sol) = 366. Vejamos o progresso da pesquisa gulosa best-first usando h SLD para a pesquisa da Ponta de Sol até Cancela. 10
11 Madeira com distâncias em linha recta (km) Partida Ponta de Sol A distância em linha recta até ao nón objectivo (Cancela) é de 366 km 11
12 Madeira com distâncias em linha recta (km) Neste caso o caminho mais perto será 12
13 Madeira com distâncias em linha recta (km) Aqui será 13
14 Madeira com distâncias em linha recta (km) Chegamos ao nó objectivo 14
15 Propriedades/Características sticas da pesquisa Gulosa: Não é Completa Nós s repetidos podem originar caminhos infinitos (loop( loop) Ex. Caniçal al Machico Caniçal al Partida Machico Propriedades/Características sticas da pesquisa Gulosa: Não é Óptima: ptima: escolhe o caminho que é mais económico à primeira vista. Partida Madalena do Mar Chegada Monte Qual o caminho a escolher? 15
16 Propriedades/Características sticas da pesquisa Gulosa: Custos de busca mínimos. m Complexidade Temporal : O (bn( bn) ) (b é o factor de ramificação, e n o nível n da solução). Porquê? Pode acontecer no pior caso, todos os nós n s tenham de ser expandidos ou visitados. Complexidade Espacial : O (bn( bn) ) (b é o factor de ramificação, e n o nível n da solução). Porquê? Mantém m todos os nós n s em memória. Olhemos estes métodos: m Custo Uniforme: Ordena a partir de g Completo e Óptimo Caro Busca Gulosa Ordena a partir de h Não é completo nem é óptimo Porem é melhor em termos computacionais Será possível combina-los? 16
17 Algoritmo A* Na pesquisa A* a avaliação de cada nón é uma combinação: f (n) = g (n) + h (n) g (n) Custo do caminho desde o nón inicial até n. h (n) Estimativa do custo desde n até ao nó objectivo. Algoritmo A* f (n) custo estimado de uma solução que passa por n. Objectivo: Minimizar f (n) Solução menor custo total Nó de menor valor f (n) é expandido. 17
18 Algoritmo A* Algoritmo A* A 366=0+366 S 393= T 447= = Z A F O R 646= = = = S B C P S 591= = = = = Objectivo - Solução f(n) = g(n) + h(n) B 418= = = função de avaliação em cada nó C R 18
19 Algoritmo A*: Função Admissível É possível provar que a pesquisa A* é completa e óptima, com uma restrição: escolher uma função heurística ADMISSÍVEL Nunca sobrestima o custo real do caminho que passa por n,, ou seja: h (n) <= h * (n) Algoritmo A* Pode-se demonstrar o seguinte: Sejam h 1 e h 2, duas heurísticas admissíveis tais que para todo nón n h 1 (n) <= h 2 (n) <= h * (n) Então o algoritmo A* utilizando h 2 expandirá menos nós n s que utilizando h 1. 19
20 Algoritmo A* Complexidade de tempo: Exponencial com o comprimento da solução, porém boas funções heurísticas diminuem significativamente esse custo. Custo de espaço: O (b d ) Guarda todos os nós n s expandidos na memória. Possibilita o backtracking. Eficiência óptima Entre as várias v soluções possíveis encontra sempre primeiro a melhor. Memória limitada (Memory( Memory-bounded) Os recursos computacionais não são infinitos. Necessidade de fazer a pesquisa parametrizando o limite da memória disponível, mantendo a completude e optimização. 20
21 Algoritmo IDA* Modificações ao Algoritmo A* : Limite para a profundidade dado pelo valor de f. O limite é incrementado para o menor valor da iteração (repetição) anterior. O corte é feito pelo menor valor de f (n) da iteração corrente, que excede o limite. Expande todos os nós n s dentro de um determinado contorno, o limite de f (n). Expande todos os nós s dentro de um contorno, o limite de f (n). IDA* 21
22 Algoritmo IDA* Completo: se o caminho é mais curto, cabe na memória disponível. Óptimo: se o caminho óptimo é mais curto, cabe na memória disponível. Complexidade de Espaço: O (b * d) Complexidade de Tempo :O(b 2d ) SMA* É uma versão (simplificada) do A*. Faz uso de toda a memória disponível. Estratégia: Ir expandindo o melhor nó-folha até preencher a memória. Para expandir o próximo nó, n, descarta o nón com pior valor de f. Esse valor é guardado no antecessor do nón descartado. 22
23 SMA* SMA* 23
24 SMA* SMA* 24
25 SMA* SMA* é completo se a menor profundidade da solução é menor que o espaço o em memória. SMA* é óptimo se consegue alcançar ar solução óptima, dentro da memória, senão retorna a melhor possível. Complexidade de Espaço o / Tempo : Exponencial FIM PARTE 1 25
26 Introdução à Inteligência Artificial Procura Informada Agenda Parte 1 Introdução a Procura Informada ou Heurística Best-First Search Pesquisa Gulosa (Greedy( Greedy) Algoritmo A* Algoritmo IDA* (Iterative( Deepning A*) Algoritmo SMA* Parte 2 Processo de Procura Heurística e sua aplicação Função de Avaliação Admissibilidade Consistência Dominância Qualidade Estratégias de Definição de Heurísticas Análise de Performance Algoritmos de Procura Local Trepa Colinas Annealing Simulado 26
27 Heurística e a sua Aplicação A heurística é utilizada: Como técnica t de busca para a obtenção de metas em problemas não algorítmicos que geram explosões combinatórias. Como um método m aproximado de resolução de problemas utilizando funções de avaliação de tipo heurístico. Como um método m de poda (corte) para estratégias de programas de jogos. Heurística e a sua Aplicação Numa busca, podemos aplicar dois tópicos t de heurística, a decisão sobre qual nón será feita a expansão e a decisão sobre quais os nós n s que devem ser descartados. Numa busca podemos definir duas situações: O universo é totalmente conhecido,, pelo que a heurística será realizada através s da atribuição de números. n O universo não é totalmente conhecido,, no qual a heurística será realizada através s da aplicação de regras. 27
28 Heurística e a sua Aplicação As funções heurísticas são específicas para cada problema.. Estas funções podem ser pouco certas ou podem não encontrar a melhor resposta, no entanto a sua utilização permite a libertação do uso das análises combinatórias rias. Por outro lado, a implementação de uma função heurística é difícil, jáj que é difícil medir precisamente o valor de uma determinada solução e é difícil medir determinados conhecimentos de forma a permitir que seja efectuada uma análise matemática tica do seu efeito no processo de busca. Características das Heurísticas Admissibilidade Consistência Dominância Qualidade Análise de Performance 28
29 Admissibilidade Uma boa função heurística deve ser admissível, isto é,, nunca subestimar o custo real da solução, no exemplo anterior a distância é admissível pois o caminho mais curto entre dois pontos é sempre uma linha recta. Na escolha de uma função h (n) é sempre melhor utilizar uma função heurística com valores altos, desde que seja admissível. Consistência A propriedade de consistência pode ser definida como: uma heurística h (n) é consistente se, para cada nón n e para cada sucessor n n de n, gerado por qualquer acção a, o custo estimado de atingir o objectivo a partir de n não é superior ao custo de em cada passo obter n n mais o custo estimado de atingir o objectivo a partir de n. 29
30 Dominância Em alguns problemas é possível definir mais do que uma função heurística, pelo que devemos utilizar a função que domina todas as outras funções possíveis. Uma função hi domina outra função hk se hi (n) hk (n) para qualquer n no espaço o de estados. Esta propriedade reflecte-se directamente no número n de nós s expandidos para cada heurística. Caso existam muitas funções heurísticas para o mesmo problema, e nenhuma domine as outras, devemos definir a função h para cada nó, n, da seguinte forma: h (n) = max(h1(n), h2(n),, hm(n)) Qualidade A qualidade de uma função heurística é medida através s de effective branch factor (b *), que descreve o quanto um processo de procura está concentrado em atingir o seu objectivo. É calculado através s da fórmula: f N = 1 + b* + (b*( b*)2 + + (b*( b*)d Uma boa função h terá um valor de b* muito próximo de 1 30
31 Qualidade: Voltando ao 8-puzzle8 Distância Estado Actual Estado Final h 1 ( ) = A quantidade de peças for a do lugar = 7 Qualidade: Voltando ao 8-puzzle8 Distância Estado Actual h 2 ( ) = = Estado Final Número de movimentos necessários para colocar cada peça no seu lugar 31
32 Qualidade A função h1 representa um limite inferior de h (n), mas não fornece uma estimativa da dificuldade, em termos de números n de passos para atingir a configuração objectivo. A tabela que compara a qualidade das funções definidas: Estratégias de Definição Existem três estratégias genéricas para definir heurísticas. 1. Relaxação das restrições do problema através s da elaboração de modelos relaxados. 2. Uso de informação estatística. stica. 3. Identificar os atributos mais relevantes do problema. 32
33 Relaxação das restrições do problema Consiste na diminuição da complexidade das condições que envolvem a procura e excluir qualquer consideração que possa ser considerada irrelevante para resolução do problema. Quanto menos um problema for relaxado, melhor será a função heurística correspondente, sendo a eficiência da busca aumentada através s do custo de admissibilidade ao usar a função h. Uma vez que as soluções num modelo relaxado nunca são superiores em termos de custo ao problema original, as funções heurísticas determinadas através s destes modelos são admissíveis e consistentes. Relaxação das restrições do problema Exercício cio de 5 5 No 8-puzzle8 O que foi relaxado em h 1? O que foi relaxado em h 2? 33
34 Relaxação das restrições do problema No 8 puzzle o problema pode ser relaxado, permitindo a movimentação directa da peça a para o seu lugar objectivo. Neste caso, o número n de passos necessários para atingir o objectivo é simplesmente a soma do número de peças fora do lugar (h 1 (n)). Um modelo menos relaxado seria, permitir que as peças pudessem ser movidas para um quadrado adjacente. O número de passos necessários para atingir o objectivo neste caso seria a soma das distâncias que cada peça está do seu destino (h 2 (n)). Uso de informação estatística stica Consiste na melhoria das funções heurísticas através s do uso de dados estatísticos sticos recolhidos através s dos resultados obtidos numa amostra da população. Por exemplo, no caso do 8 puzzle, pode-se começar por executar uma busca usando uma base de 100 configurações distintas, depois de efectuada a computação dos resultados se em 90% dos casos a função h retorna o mesmo valor então a h (n) será atribuído o respectivo valor. Esta estratégia possui a vantagem de expandir menos nós, n embora por outro lado, elimina a admissibilidade, uma vez que nos restantes 10% dos casos do problema referido, poderá ser possível que a função de avaliação super estime o custo da solução. 34
35 Identificar os atributos mais relevantes do problema Consiste em apreender com base na experiência. No exemplo anterior, esta abordagem consiste em resolver com dezenas de configurações do puzzle. Cada exemplo resolvido é constituído por um estado do caminho da solução e o custo actual da solução a ser atingida a partir desse ponto. A partir destes exemplos, pode ser utilizado um algoritmo de aprendizagem indutivo para construir uma função h (n). Os métodos m de aprendizagem indutivos são mais eficazes quando fornecidos com características de um estado que são relevantes para a sua avaliação. A característica número de peças mal colocadas no puzzle (x1(n)) pode-se revelar útil para prever a distância actual de um estado a partir de um objectivo. Identificar os atributos mais relevantes do problema A partir das estatísticas sticas relativas ao custo das soluções obtidas na utilização de 100 configurações do puzzle. Pode-se determinar, por exemplo, que quando x1(n) = 5, o custo de solução médio m é cerca de 14. Uma segunda característica x2(n) pode ser o o número n de pares de peças adjacentes que também m são adjacentes no estado objectivo. De forma a prever h (n), uma abordagem comum é utilizar uma combinação linear de forma a combinar x1(n) e x2(n), através s da seguinte fórmula: f h (n) = c1x1(n) + c2x2(n) As constantes c1 e c2 são definidas como valores positivos ou negativos consoante a necessidade de adequar os dados actuais em relação aos custos da solução. 35
36 Análise de Performance A performance na resolução de um problema baseado no paradigma da procura de estados pode ser aumentado em termos de tempo e espaço o recorrendo a duas abordagens: Tomar mais precisa a função heurística. Modificar o espaço o de estados de modo a simplificar o processo. Os algoritmos que modificam o espaço o de estados durante o processo de procura recorrem essencialmente ao corte de caminhos no espaço o ou seleccionam caminhos analisando os próximos nós n s a serem expandidos. Estes algoritmos realizam retrocessos inteligentes e alguns deles baseiam-se na selecção de operadores que á partida têm maior probabilidade de gerar estados com bons valores heurísticos. Algoritmos de Procura Local Em muitos problemas de Optimização, o caminho para a solução é irrelevante; O Estado Solução é ele próprio prio a Solução Queremos: Tentar encontrar o Melhor Estado de acordo com uma Função Objectivo. 36
37 Algoritmos de Procura Local Espaço o de Estados = conjunto de configurações completas ; Encontrar configurações que respeitem as restrições. Ex.: 8-rainhas Nestes casos, podemos usar Algoritmos de Procura Local. Algoritmos de Procura Local Utilizam um único estado, o estado actual, e procuram melhora-lo. lo. Os caminhos seguidos pelo Algoritmo não são guardados. Duas Vantagens: Usam muito pouca memória normalmente uma quantidade constante. Conseguem encontrar boas soluções em espaços de estados infinitos (contínuos) nuos) para os quais os Algoritmos Sistemáticos ticos são inadequados. 37
38 Exemplo: n-rainhas Colocando n rainhas num tabuleiro n n, tal que não exista duas rainhas numa mesma linha, coluna ou diagonal. Vejamos para o caso em que n=4 Trepa Colinas (Hill( Climbing) Como subir ao Pico Ruivo num dia com nevoeiro intenso e sofrendo de amnésia? Um ciclo em que o movimento é feito continuamente na direcção que corresponde a um aumento de altitude. O ciclo termina quando atinge um pico,, ou seja, uma localização tal que nenhum dos pontos vizinhos possui maior altitude. Não olha para além dos vizinhos imediatos ao estado (localização) actual. 38
39 Trepa Colinas!! 39
40 Máximo Global Máximo Local Trepa Colinas: Circunstâncias Indesejáveis Existem 3 circunstâncias indesejáveis nas quais o Algoritmo de Hill Climbing pode ficar preso : Máximos Locais Planaltos Encostas e Picos 40
41 Máximos locais O algoritmo pára p no máximo m local. Pois sós pode mover-se com taxa crescente de variação. Restrição do algoritmo Ex.: jogo 8-números: 8 mover uma peça a para fora da sua posição correcta para dar passagem a outra peça a que está fora do lugar tem taxa de variação negativa!!! Planaltos Uma região do espaço o de estados onde a função de avaliação dád o mesmo resultado. Todos os movimentos locais são iguais (taxa de variação zero). f (n) = f (filhos (n)) O algoritmo pára p depois de algumas tentativas. Restrição do algoritmo Ex.: jogo 8-números: 8 nenhum movimento possível vai influenciar no valor de f, pois nenhum número n vai chegar ao seu local objectivo. 41
42 Encostas e Picos Apesar de estar em uma direcção que leva ao pico, nenhum dos operadores válidos v conduz o algoritmo nessa direcção. Os movimentos possíveis têm taxa de variação zero ou negativa. Restrição do problema e do algoritmo Ex.: rotas: quando é necessário permutar entre dois pontos e o caminho resultante não está conectado. Algoritmo Trepa Colinas: Problema das 8 Rainhas Formulação de Estado - Completo Estados: : configurações de n rainhas (0 <= n <= 8), uma por coluna, sem que existam pares de rainhas que se ataquem. Função Sucessor: Retorna todos os possíveis estados gerados pelo movimento de uma única rainha para outra posição na mesma coluna (8 x 7 = 56 sucessores). 42
43 Algoritmo Trepa Colinas : Problema das 8 Rainhas Função Heurística de Custo h = número n de pares de rainhas que se estão a atacar mutuamente, quer directa quer indirectamente. Mínimo Global (h) = 0. Se existir mais do que um sucessor, escolhe o melhor sucessor aleatoriamente de entre o conjunto de melhores sucessores. É também m denominado Procura Local Gulosa - porque não olha para além m dos estados sucessores imediatos. Problema 8 Rainhas Nomeando cada rainha a, b, c, d, e, f, g, h a partir da coluna mais á esquerda Possíveis ataques: Diagonal Direita: (a, b), (a, c), (b, c), (d, e), (d, f), (d, g), (e, f), (e, g), (f, g) Diagonal Esquerda: (b, d), (c, e), (g, h) Ataques Horizontais: (a, e), (b, f), (b, h), (f, h), (c, g) Número de Ataques por cada Rainha: a 3, b 5, c 4, d 4, e 5, f 5, g 5, h 3. 43
44 Problema 8 Rainhas Neste caso temos um máximo m local com h = 1 Trepa Colinas Nos casos apresentados, o algoritmo chega a um ponto de onde não tem mais progresso. Solução: reinício aleatório (random( restart) O algoritmo realiza uma série s de buscas a partir de estados iniciais gerados aleatoriamente. Cada busca é executada Até que um número n máximo m estipulado de iterações seja atingido, ou Até que os resultados encontrados não apresentem melhora significativa. O algoritmo escolhe o melhor resultado obtido com as diferentes buscas. Objectivo!!! 44
45 Trepa Colinas : análise O algoritmo é completo? SIM, para problemas de optimização Uma vez que cada nón tratado pelo algoritmo é sempre um estado completo (uma solução). NÃO, para problemas onde os nós n s não são estados completos Ex.: jogo dos 8-números8 Semelhante à busca em profundidade O algoritmo é óptimo? TALVEZ, para problemas de optimização Quando iterações (repetições) suficientes forem permitidas... NÃO, para problemas onde os nós n s não são estados completos Trepa Colinas: : análise O sucesso deste método m depende muito do formato da superfície do espaço o de estados: Se háh poucos máximos m locais, o reinício aleatório encontra uma boa solução rapidamente Caso contrário, rio, o custo de tempo é exponencial. 45
46 Anelamento Simulado Este algoritmo é semelhante à Trepa Colinas meios para se escapar de máximos m locais. Quando a busca fica presa em um m reinicia a busca aleatoriamente; Ele retrocede para escapar desse máximo m local;, porém m oferece em um máximo local, o algoritmo não Esses retrocessos são chamados de passos indirectos; Apesar de aumentar o tempo de busca, esta estratégia consegue escapar dos máximos m locais. Analogia com cozimento de vidros ou metais: Processo de resfriar um líquido l gradualmente até ele se solidificar; Anelamento Simulado O algoritmo utiliza um mapeamento de resfriamento de instantes de tempo (t)( ) em temperaturas (T).( Nas iterações iniciais, não escolhe necessariamente o melhor passo, e sim um movimento aleatório: Se a situação melhorar, esse movimento será sempre escolhido posteriormente; Caso contrário, rio, associa a esse movimento uma probabilidade de escolha menor do que 1. Essa probabilidade depende de dois parâmetros, e decresce exponencialmente com o agravamento causado pelo movimento, e -ΔE/T, onde: ΔE E = Valor[próximo ximo-nó] - Valor[nó-atual atual] T = Temperatura 46
47 Anelamento Simulado Com o tempo (diminuição da temperatura), este algoritmo passa a funcionar como Trepa Colinas. O algoritmo é óptimo e completo se o mapeamento de resfriamento tiver muitas entradas com variações suaves. Isto é,, se o mapeamento diminui T suficientemente devagar no tempo, o algoritmo irá encontrar um máximo m global óptimo. Críticas à Busca Heurística Solução de problemas, usando técnicas t de busca heurística: Dificuldades em definir e usar a função de avaliação; Não consideram conhecimento genérico do mundo (ou senso comum ); Função de avaliação: compromisso (conflito) entre Tempo gasto na selecção de um nón e Redução do espaço o de busca Achar o melhor nón a ser expandido a cada passo pode ser tão difícil quanto o problema da busca em geral. 47
48 Fontes Consultadas Russel, Norvig, Artificial Intelligence: : A Modern Approach, Cap.. 4. Costa, Simões, Inteligência Artificial. Fundamentos e Aplicações ões. Cap 3.3., 3.4 Acetatos Prof. Guillermo Simari. Universidad Nacional del Sur,, Argentina Acetatos Alunos IIA semestre 2004/2005 e 2005/2006 Acetatos Prof. Geber Ramalho. CIN. Universidade Federal de Pernambuco, Brasil. Leituras LIVROS Russel, Norvig, Artificial Intelligence: : A Modern Approach, Cap.. 4. Costa, Simões, Inteligência Artificial. Fundamentos e Aplicações ões. Cap
49 FIM 49
Inteligência Artificial. Metodologias de Busca
Inteligência Artificial Metodologias de Busca 1 Solução de problemas como Busca Um problema pode ser considerado como um objetivo Um conjunto de ações podem ser praticadas para alcançar esse objetivo Ao
Leia maisCTC-17 Inteligência Artificial Problemas de Busca. Prof. Paulo André Castro pauloac@ita.br
CTC-17 Inteligência Artificial Problemas de Busca Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Agentes que buscam soluções para problemas: Exemplo Tipos de
Leia maisBusca em Espaço de Estados
Busca em Espaço de Estados Jomi Fred Hübner jomi@inf.furb.br FURB / BCC Introdução 2 Agente orientado a meta O projetista não determina um mapeamento entre percepções e ações, mas determina que objetivo
Leia maisBest-first search. Pesquisa informada. Best-first search Pesquisa gananciosa (greedy) Best-first search
Pesquisa informada Dispomos de informação especifica sobre o problema. Esta informação pode ser disponibilizada por uma função de avaliação que indica o quão desejável é expandir um determinado nó. Best-first
Leia maisUtilização do SOLVER do EXCEL
Utilização do SOLVER do EXCEL 1 Utilização do SOLVER do EXCEL José Fernando Oliveira DEEC FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO MAIO 1998 Para ilustrar a utilização do Solver na resolução de
Leia maisRespostas dos Exercícios Cap. 2 Russell & Norvig
Respostas dos Exercícios Cap. 2 Russell & Norvig 1. (2.2) Uma medida de desempenho e utilizada por um observador externo para avaliar o sucesso de um agente. Uma função de utilidade e utilizada por um
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia maisResolução de Problemas Com Procura. Capítulo 3
Resolução de Problemas Com Procura Capítulo 3 Sumário Agentes que resolvem problemas Tipos de problemas Formulação de problemas Exemplos de problemas Algoritmos de procura básicos Eliminação de estados
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Tentativa e Erro. Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br
Projeto e Análise de Algoritmos Projeto de Algoritmos Tentativa e Erro Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Laboratório de Pesquisa e Desenvolvimento Universidade Federal de Alfenas versão
Leia maisFaculdade Alagoana de Administração FAA Ciência da Computação. (Resolução de Problemas em) Espaço de Estados
Faculdade Alagoana de Administração FAA Ciência da Computação (Resolução de Problemas em) Espaço de Estados (Adaptado de O.B. Coelho & G. Bittencourt & C. Moraes) Maria Aparecida Amorim Sibaldo maasibaldo@gmail.com
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia maisPROGRAMAÇÃO LINEAR. Resolução de problemas de programação linear usando o comando Solver, no Excel.
PROGRAMAÇÃO LINEAR Resolução de problemas de programação linear usando o comando Solver, no Excel. Para além da resolução pelo método gráfico e/ou outros métodos, é possível resolver um problema de PL
Leia maisArquitetura de Rede de Computadores
TCP/IP Roteamento Arquitetura de Rede de Prof. Pedro Neto Aracaju Sergipe - 2011 Ementa da Disciplina 4. Roteamento i. Máscara de Rede ii. Sub-Redes iii. Números Binários e Máscara de Sub-Rede iv. O Roteador
Leia maisChord. Tecnologias de Middleware. Fernando Martins - fmp.martins@gmail.com
Chord Tecnologias de Middleware 2006/2007 Fernando Martins - fmp.martins@gmail.com Tópicos Objectivo Motivação Peer-To-Peer Chord Descrição Geral Características Distintivas Comparação DNS Modelo do Sistema
Leia maisProjeto e Análise de Algoritmos
Projeto e Análise de Algoritmos Aula 10 Distâncias Mínimas Edirlei Soares de Lima Distâncias Mínimas Dado um grafo ponderado G = (V, E), um vértice s e um vértice g, obter o caminho
Leia maisMÓDULO 6 INTRODUÇÃO À PROBABILIDADE
MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para
Leia maisSistemas Inteligentes Lista de Exercícios sobre Busca
Sistemas Inteligentes Lista de Exercícios sobre Busca 1) A* - Problema do metrô de Paris Suponha que queremos construir um sistema para auxiliar um usuário do metrô de Paris a saber o trajeto mais rápido
Leia maisAnálise de Algoritmos: Melhor caso, pior caso, caso médio
Análise de Algoritmos: Melhor caso, pior caso, caso médio Fernando Lobo Algoritmos e Estrutura de Dados II 1 / 25 Sumário Rever um problema e um algoritmo que já conhecem. Descrevê-lo em pseudo-código
Leia maisLicenciatura em Engenharia Electrotécnica e de Computadores 1998/99. Erros
Licenciatura em Engenharia Electrotécnica e de Computadores Análise Numérica 1998/99 Erros Objectivos: Arredondar um número para n dígitos significativos. Determinar os erros máximos absoluto e relativo
Leia maisTarefa Orientada 14 Subconsultas
Tarefa Orientada 14 Subconsultas Objectivos: Subconsultas não correlacionadas Operadores ALL, SOME e ANY Subconsultas correlacionadas Operador EXISTS Subconsultas incluídas na cláusula FROM de uma consulta
Leia maisMeta-heurísticas. Métodos Heurísticos José António Oliveira zan@dps.uminho.pt. meta-heurísticas
Meta-heurísticas 105 meta-heurísticas Propriedades e Características: são estratégias que guiam o processo de pesquisa; - o objectivo a atingir é a exploração eficiente do espaço de pesquisa de modo a
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisSolução de problemas por meio de busca (com Python) Luis Martí DEE/PUC-Rio http://lmarti.com
Solução de problemas por meio de busca (com Python) Luis Martí DEE/PUC-Rio http://lmarti.com Python e AI (Re)-introdução ao Python. Problemas de busca e principais abordagens. Exemplos em Python Por que
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 maisO QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I
O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit
Leia maisIBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 6. O trabalho feito pela força para deslocar o corpo de a para b é dado por: = =
Energia Potencial Elétrica Física I revisitada 1 Seja um corpo de massa m que se move em linha reta sob ação de uma força F que atua ao longo da linha. O trabalho feito pela força para deslocar o corpo
Leia maisDadas a base e a altura de um triangulo, determinar sua área.
Disciplina Lógica de Programação Visual Ana Rita Dutra dos Santos Especialista em Novas Tecnologias aplicadas a Educação Mestranda em Informática aplicada a Educação ana.santos@qi.edu.br Conceitos Preliminares
Leia maisx0 = 1 x n = 3x n 1 x k x k 1 Quantas são as sequências com n letras, cada uma igual a a, b ou c, de modo que não há duas letras a seguidas?
Recorrências Muitas vezes não é possível resolver problemas de contagem diretamente combinando os princípios aditivo e multiplicativo. Para resolver esses problemas recorremos a outros recursos: as recursões
Leia maisProtocolo TCP/IP. Neste caso cada computador da rede precisa de, pelo menos, dois parâmetros configurados:
Protocolo TCP/IP Neste caso cada computador da rede precisa de, pelo menos, dois parâmetros configurados: Número IP Máscara de sub-rede O Número IP é um número no seguinte formato: x.y.z.w Não podem existir
Leia maisMódulo 4. Construindo uma solução OLAP
Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de
Leia maisAnálise de complexidade
Introdução Algoritmo: sequência de instruções necessárias para a resolução de um problema bem formulado (passíveis de implementação em computador) Estratégia: especificar (definir propriedades) arquitectura
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 mais4.2 Modelação da estrutura interna
4.2 Modelação da estrutura interna AST434: C4-25/83 Para calcular a estrutura interna de uma estrela como o Sol é necessário descrever como o gás que o compõe se comporta. Assim, determinar a estrutura
Leia maisPedro Ribeiro 2014/2015
Programação Dinâmica Pedro Ribeiro DCC/FCUP 2014/2015 Pedro Ribeiro (DCC/FCUP) Programação Dinâmica 2014/2015 1 / 56 Números de Fibonacci Sequência de números muito famosa definida por Leonardo Fibonacci
Leia maisTrabalho de Implementação Jogo Reversi
Trabalho de Implementação Jogo Reversi Paulo Afonso Parreira Júnior {paulojr@comp.ufla.br} Rilson Machado de Olivera {rilson@comp.ufla.br} Universidade Federal de Lavras UFLA Departamento de Ciência da
Leia maisIA: Problemas de Satisfação de Restrições. Prof. Msc. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
IA: Problemas de Satisfação de Restrições Prof. Msc. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Introdução Um PSR é definido por um conjunto de variáveis X 1, X 2,..., X n, e por um conjunto de restrições,
Leia maisInstituto Politécnico de Beja. Escola Superior de Tecnologia e Gestão
Instituto Politécnico de Beja Escola Superior de Tecnologia e Gestão Curso de Engenharia Informática Disciplina de Estrutura de dados e Algoritmos 2º Ano - 1º Semestre Relatório Connected Component Labeling
Leia maisJogos vs. Problemas de Procura
Jogos Capítulo 6 Jogos vs. Problemas de Procura Adversário imprevisível" necessidade de tomar em consideração todas os movimentos que podem ser tomados pelo adversário Pontuação com sinais opostos O que
Leia maisHoje estou elétrico!
A U A UL LA Hoje estou elétrico! Ernesto, observado por Roberto, tinha acabado de construir um vetor com um pedaço de papel, um fio de meia, um canudo e um pedacinho de folha de alumínio. Enquanto testava
Leia maisCAPÍTULO 2. Grafos e Redes
CAPÍTULO 2 1. Introdução Um grafo é uma representação visual de um determinado conjunto de dados e da ligação existente entre alguns dos elementos desse conjunto. Desta forma, em muitos dos problemas que
Leia maisAula 03 Custos de um algoritmo e funções de complexidade
BC1424 Algoritmos e Estruturas de Dados I Aula 03 Custos de um algoritmo e funções de complexidade Prof. Jesús P. Mena-Chalco jesus.mena@ufabc.edu.br 1Q-2015 1 Custo de um algoritmo e funções de complexidade
Leia maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisAs fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 11 Problemas com Satisfação de Vínculos
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 11 Problemas com Satisfação de Vínculos 1 Constraint Satisfaction Problems (CSP) Conceitos básicos Busca cega simples e refinada Busca heurística
Leia maisCT-234. Análise de Algoritmos e Complexidade Estrutural. Carlos Alberto Alonso Sanches
CT-234 Estruturas de Dados, Análise de Algoritmos e Complexidade Estrutural Carlos Alberto Alonso Sanches CT-234 4) Árvores balanceadas AVL, Rubro-Negras, B-Trees Operações em árvores binárias de busca
Leia maisContagem I. Figura 1: Abrindo uma Porta.
Polos Olímpicos de Treinamento Curso de Combinatória - Nível 2 Prof. Bruno Holanda Aula 4 Contagem I De quantos modos podemos nos vestir? Quantos números menores que 1000 possuem todos os algarismos pares?
Leia maisResolução de sistemas lineares
Resolução de sistemas lineares J M Martínez A Friedlander 1 Alguns exemplos Comecemos mostrando alguns exemplos de sistemas lineares: 3x + 2y = 5 x 2y = 1 (1) 045x 1 2x 2 + 6x 3 x 4 = 10 x 2 x 5 = 0 (2)
Leia maisFACULDADE DE ENGENHARIA DE COMPUTAÇÃO. PROJETO FINAL I e II PLANO DE TRABALHO <NOME DO TRABALHO> <Nome do Aluno> <Nome do Orientador>
FACULDADE DE ENGENHARIA DE COMPUTAÇÃO PROJETO FINAL I e II PLANO DE TRABALHO O Trabalho de Conclusão de Curso (TCC) a ser desenvolvido
Leia maisArrendamento de espaço num armazém
Construção de Modelos de Programação Linear e Inteira 6 Arrendamento de espaço num armazém Uma empresa planeia arrendar espaço num armazém, sendo as suas necessidades para os próximos 5 meses as seguintes:
Leia maisPisa 2012: O que os dados dizem sobre o Brasil
Pisa 2012: O que os dados dizem sobre o Brasil A OCDE (Organização para Cooperação e Desenvolvimento Econômico) divulgou nesta terça-feira os resultados do Programa Internacional de Avaliação de Alunos,
Leia maisMétodo Simplex - Variantes V 1.1, V.Lobo, EN / ISEGI, 2008
Revisões Variantes sobre o método Simplex: Método do grande M Simplex básico Solução óptima multipla Em simplex: valores 0 na função custo Solução degenerada Em simplex: empates na variável a sair, variáveis
Leia maisDiagrama de transição de Estados (DTE)
Diagrama de transição de Estados (DTE) O DTE é uma ferramenta de modelação poderosa para descrever o comportamento do sistema dependente do tempo. A necessidade de uma ferramenta deste tipo surgiu das
Leia maisVariantes sobre o método Simplex: Método do grande M
Variantes sobre o método Simplex: Método do grande M Revisões Simplex básico Solução óptima multipla Em simplex: valores 0 na função custo Solução degenerada Em simplex: empates na variável a sair, variáveis
Leia mais5. EXPERIÊNCIAS E ANÁLISE DOS RESULTADOS. 5.1 - Os Programas de Avaliação
36 5. EXPERIÊNCIAS E ANÁLISE DOS RESULTADOS 5.1 - Os Programas de Avaliação Programas de avaliação convencionais foram utilizados para análise de diversas configurações da arquitetura. Estes programas
Leia maisPÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014
PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método
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 C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia maisMRP II. Planejamento e Controle da Produção 3 professor Muris Lage Junior
MRP II Introdução A lógica de cálculo das necessidades é conhecida há muito tempo Porém só pode ser utilizada na prática em situações mais complexas a partir dos anos 60 A partir de meados da década de
Leia maisCapítulo 4 - Roteamento e Roteadores
Capítulo 4 - Roteamento e Roteadores 4.1 - Roteamento Roteamento é a escolha do módulo do nó de origem ao nó de destino por onde as mensagens devem transitar. Na comutação de circuito, nas mensagens ou
Leia maisTranscrição Automática de Música
Transcrição Automática de Música Ricardo Rosa e Miguel Eliseu Escola Superior de Tecnologia e Gestão do Instituto Politécnico de Leiria Departamento de Engenharia Informática A transcrição automática de
Leia maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia maisDisciplina: Suprimentos e Logística II 2014-02 Professor: Roberto Cézar Datrino Atividade 3: Transportes e Armazenagem
Disciplina: Suprimentos e Logística II 2014-02 Professor: Roberto Cézar Datrino Atividade 3: Transportes e Armazenagem Caros alunos, Essa terceira atividade da nossa disciplina de Suprimentos e Logística
Leia maisProgramação Básica em STEP 7 Operações Binárias. SITRAIN Training for Automation and Drives. Página 6-1
Conteúdo Página Operações Lógicas Binárias: AND, OR...2 Operações Lógicas Binárias: OR Exclusivo (XOR)...3 Contatos Normalmente Abertos e Normalmente Fechados. Sensores e Símbolos... 4 Exercício...5 Resultado
Leia maisOrganização e Arquitetura de Computadores I
Organização e Arquitetura de Computadores I Aritmética Computacional Slide 1 Sumário Unidade Lógica e Aritmética Representação de Números Inteiros Aritmética de Números Inteiros Representação de Números
Leia maisDESENVOLVER E GERIR COMPETÊNCIAS EM CONTEXTO DE MUDANÇA (Publicado na Revista Hotéis de Portugal Julho/Agosto 2004)
DESENVOLVER E GERIR COMPETÊNCIAS EM CONTEXTO DE MUDANÇA (Publicado na Revista Hotéis de Portugal Julho/Agosto 2004) por Mónica Montenegro, Coordenadora da área de Recursos Humanos do MBA em Hotelaria e
Leia maisUma análise econômica do seguro-saúde Francisco Galiza Outubro/2005 www.ratingdeseguros.com.br
Uma análise econômica do seguro-saúde Francisco Galiza Outubro/2005 www.ratingdeseguros.com.br Um dos ramos mais importantes do mercado segurador brasileiro é o de saúde. Surgido sobretudo com uma opção
Leia maisGUIA DE FUNCIONAMENTO DA UNIDADE CURRICULAR
Curso Engenharia Informática Ano letivo 2012-2013 Unidade Curricular Arquitectura de Computadores ECTS 6 Regime Obrigatório Ano 2º Semestre 2ºsem Horas de trabalho globais Docente (s) Luis Figueiredo Total
Leia maisAula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello
Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar
Leia maisSomatórias e produtórias
Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +
Leia maisMÉTODOS DE RESOLUÇÃO DE PROBLEMAS EM IA. Busca em espaço de estados. Estados e Operadores. Jogo dos 8. Sumário. Exemplo: jogo dos 8
MÉTODOS DE RESOLUÇÃO DE PROBLEMAS EM IA Sumário busca em espaço de estados redução de problemas Busca em espaço de estados Exemplo: jogo dos 8 2 8 3 1 6 4 7 5 Jogo dos 8 Estados e Operadores Estado: uma
Leia maisA memória é um recurso fundamental e de extrema importância para a operação de qualquer Sistema Computacional; A memória trata-se de uma grande
A memória é um recurso fundamental e de extrema importância para a operação de qualquer Sistema Computacional; A memória trata-se de uma grande região de armazenamento formada por bytes ou palavras, cada
Leia mais1. Ambiente de Trabalho
1 Ambiente de Trabalho 1. Ambiente de Trabalho Ao nível do ambiente de trabalho, depois de o Excel 2007 ter introduzido novos componentes (e.g., Botão Office e Friso) e eliminado alguns dos componentes
Leia maisAplicações de Escritório Electrónico
Universidade de Aveiro Escola Superior de Tecnologia e Gestão de Águeda Curso de Especialização Tecnológica em Práticas Administrativas e Tradução Aplicações de Escritório Electrónico Folha de trabalho
Leia maisProgramação em papel quadriculado
4 NOME DA AULA: Programação em papel quadriculado Tempo de aula: 45 60 minutos Tempo de preparação: 10 minutos Objetivo principal: ajudar os alunos a entender como a codificação funciona. RESUMO Ao "programar"
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 maisPesquisa Sequencial e Binária. Introdução à Programação SI2
Pesquisa Sequencial e Binária Introdução à Programação SI2 3 Contexto Diferentes estratégias para pesquisa (busca) de um elemento específico em um conjunto de dados. Lista, array, coleção Operação importante,
Leia maisMúltiplos Estágios processo com três estágios Inquérito de Satisfação Fase II
O seguinte exercício contempla um processo com três estágios. Baseia-se no Inquérito de Satisfação Fase II, sendo, por isso, essencial compreender primeiro o problema antes de começar o tutorial. 1 1.
Leia maisISO 9000:2000 Sistemas de Gestão da Qualidade Fundamentos e Vocabulário. As Normas da família ISO 9000. As Normas da família ISO 9000
ISO 9000:2000 Sistemas de Gestão da Qualidade Fundamentos e Vocabulário Gestão da Qualidade 2005 1 As Normas da família ISO 9000 ISO 9000 descreve os fundamentos de sistemas de gestão da qualidade e especifica
Leia maisCAPÍTULO 1 MEDIÇÃO E O ERRO DE MEDIÇÃO
CAPÍTULO 1 MEDIÇÃO E O ERRO DE MEDIÇÃO 1.1. Definições do Vocabulário Internacional de Metrologia (VIM) Metrologia: Ciência das medições [VIM 2.2]. Medição: Conjunto de operações que têm por objectivo
Leia maiscomputador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia
Leia maisResolução de problemas por meio de busca. Capítulo 3 Russell & Norvig Seções 3.1, 3.2 e 3.3
Resolução de problemas por meio de busca Capítulo 3 Russell & Norvig Seções 3.1, 3.2 e 3.3 Agentes de resolução de problemas Agentes reagvos não funcionam em ambientes para quais o número de regras condição-
Leia mais12-Função Horária da Posição do Movimento Uniforme
12-Função Horária da Posição do Movimento Uniforme Vamos agora chegar a uma função que nos vai fornecer a posição de um móvel sobre uma trajetória em qualquer instante dado. Para isto, vamos supor que
Leia maisTópico 3. Limites e continuidade de uma função (Parte 2)
Tópico 3. Limites e continuidade de uma função (Parte 2) Nessa aula continuaremos nosso estudo sobre limites de funções. Analisaremos o limite de funções quando o x ± (infinito). Utilizaremos o conceito
Leia maisIvan Guilhon Mitoso Rocha. As grandezas fundamentais que serão adotadas por nós daqui em frente:
Rumo ao ITA Física Análise Dimensional Ivan Guilhon Mitoso Rocha A análise dimensional é um assunto básico que estuda as grandezas físicas em geral, com respeito a suas unidades de medida. Como as grandezas
Leia maisEscolha da Objectiva. Quais as principais características das objectivas que servem de base para a escolha das suas lentes?
Escolha da Objectiva Quais as principais características das objectivas que servem de base para a escolha das suas lentes? As lentes, também conhecidas como objectivas, são a parte mais importante do seu
Leia maisOBI2014 Caderno de Tarefas
OBI2014 Caderno de Tarefas Modalidade Universitária, Fase 2 16 de agosto de 2014 A PROVA TEM DURAÇÃO DE 5 HORAS Promoção: Patrocínio: Olimpíada Brasileira de Informática OBI2014 1 Instruções LEIA ATENTAMENTE
Leia maisMinistério das Finanças Instituto de Informática. Departamento de Sistemas de Informação
Ministério das Finanças Instituto de Informática Departamento de Sistemas de Informação Assiduidade para Calendários Específicos Junho 2010 Versão 6.0-2010 SUMÁRIO 1 OBJECTIVO 4 2 ECRÃ ELIMINADO 4 3 NOVOS
Leia maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisProblemas de Satisfação de Restrições
Problemas de Satisfação de Restrições Texto base: Stuart Russel e Peter Norving - Inteligência Artificial David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach junho/2007
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisIndicadores de transferência e de abandono no ensino superior português
Indicadores de transferência e de abandono no ensino superior português Direção-Geral de Estatísticas da Educação e Ciência (DGEEC) João Oliveira Baptista Seminário Sucesso Académico - Teatro Thalia -
Leia maisPlaneamento de um Posto de Abastecimento de Combustível
Introdução aos Computadores e à Programação 2007/2008, 2º Semestre 1º Trabalho de OCTAVE Planeamento de um Posto de Abastecimento de Combustível 1. Introdução Pretende-se instalar um posto de abastecimento
Leia maisPipeline. Todos os estágios devem estar prontos ao mesmo tempo para prosseguir.
O throughput de um pipeline é determinado pela freqüência com que uma instrução sai do pipeline Todos os estágios devem estar prontos ao mesmo tempo para prosseguir O tempo requerido para mover uma instrução
Leia maisManual de Utilizador. Disciplina de Projecto de Sistemas Industriais. Escola Superior de Tecnologia. Instituto Politécnico de Castelo Branco
Escola Superior de Tecnologia Instituto Politécnico de Castelo Branco Departamento de Informática Curso de Engenharia Informática Disciplina de Projecto de Sistemas Industriais Ano Lectivo de 2005/2006
Leia maisAV1 - MA 12-2012. (b) Se o comprador preferir efetuar o pagamento à vista, qual deverá ser o valor desse pagamento único? 1 1, 02 1 1 0, 788 1 0, 980
Questão 1. Uma venda imobiliária envolve o pagamento de 12 prestações mensais iguais a R$ 10.000,00, a primeira no ato da venda, acrescidas de uma parcela final de R$ 100.000,00, 12 meses após a venda.
Leia mais