Algoritmos de busca local e problemas de otimização
|
|
- Bento Nobre de Figueiredo
- 6 Há anos
- Visualizações:
Transcrição
1 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 na memória, registra alternativas que foram exploradas em cada ponto ao longo do caminho e quais delas não foram exploradas. Quando um objetivo é encontrado, o caminho até esse objetivo constitui uma solução para o problema. 1
2 Algoritmos de busca local e problemas de otimização Há problemas onde o caminho até o objetivo é irrelevante. Por exemplo: projeto de circuitos integrados leiaute de instalações industriais escalonamento de jornadas de trabalho otimização de rede de telecomunicações. 2
3 Algoritmos de busca local e problemas de otimização Se o caminho até o objetivo não importa, utilizam-se algoritmos que não se preocupam de forma alguma com os caminhos. Os algoritmos de busca local operam usando um único estado atual (em vez de vários caminhos) e, em geral, se movem apenas para os vizinhos desse estado. 3
4 Algoritmos de busca local e problemas de otimização Embora os algoritmos de busca local não sejam sistemáticos, eles têm duas vantagens: Usam pouca memória (normalmente um valor constante); Frequentemente podem encontrar soluções razoáveis em grandes ou infinitos (contínuos) espaços de estados para os quais os algoritmos sistemáticos são inadequados. 4
5 Algoritmos de busca local e problemas de otimização Os algoritmos de busca local são úteis para resolver problemas de otimização: Encontrar o melhor estado de acordo com uma função objetivo. 5
6 Algoritmos de busca local e problemas de otimização Uma topologia de espaço de estados tem ao mesmo tempo posição (definida pelo estado) e elevação (definida pelo valor da função de custo da heurística ou da função objetivo). 6
7 Algoritmos de busca local e problemas de otimização Se o objetivo é encontrar o vale mais baixo então trata-se de encontrar um mínimo global; Se o objetivo é encontrar o pico mais alto então trata-se de encontrar um máximo global. 7
8 Algoritmos de busca local e problemas de otimização Os algoritmos de busca local exploram a topologia de espaços de estados. Um algoritmo de busca local: É completo se encontra um objetivo, caso ele exista; É ótimo se encontra um mínimo/máximo global. 8
9 Algoritmos de busca local e problemas de otimização Idéia geral começar com um estado inicial tentar melhorá-lo iterativamente Por exemplo: ajustar a imagem da TV com antena interna Os estados são representados sobre uma superfície (gráfico) a altura de qualquer ponto na superfície corresponde à função de avaliação do estado naquele ponto 9
10 Algoritmos de busca local e problemas de otimização O algoritmo se move pela superfície em busca de pontos mais altos ou mais baixos objetivos Caso o objetivo é o ponto mais alto, então a descoberta desse ponto corresponde à solução ótima máximo global (nó onde a função de avaliação atinge seu valor máximo) 10
11 Algoritmos de busca local e problemas de otimização Duas classes de algoritmos: Subida da Encosta ou Gradiente Ascendente Hill-Climbing só faz modificações que melhoram o estado atual. Têmpera Simulada Simulated Annealing pode fazer modificações que pioram o estado temporariamente para fugir de máximos locais 11
12 Subida da Encosta - Hill-Climbing Não examina antecipadamente valores de estados além dos vizinhos imediatos do estado corrente. O algoritmo não mantém uma árvore de busca: guarda apenas o estado atual e sua avaliação É simplesmente um loop que se move na direção crescente da função de avaliação para maximizar ou na direção decrescente da função de avaliação para minimizar 12
13 Subida da Encosta: algoritmo função Hill-Climbing (problema) retorna uma solução variáveis locais: atual (o nó atual), próximo (o próximo nó) atual Estado-Inicial do Problema loop do próximo sucessor do nó atual de maior/menor valor (i.e., expande nó atual e seleciona seu melhor filho) se Valor[próximo] < Valor[atual ] (ou >, para minimizar) então retorna nó atual (o algoritmo pára) atual próximo end 13
14 Exemplo de Subida da Encosta Cálculo da menor rota com 5 nós estado inicial = (N1, N2, N3, N4, N5) f = soma das distâncias diretas entre cada nó, na ordem escolhida (admissível!) operadores = permutar dois nós quaisquer do caminho restrição = somente caminhos conectados são estados válidos estado final = nó onde valor de f é mínimo e1 = {N1, N2, N3, N4, N5} f(n1, N2, N3, N4, N5) = 10 e2 = {N2, N1, N3, N4, N5} f(n2, N1, N3, N4, N5) = 14 e3 = {N2, N1, N4, N3, N5} f(n2, N1, N3, N4, N5) = 9 14
15 Subida da Encosta Problemas O algoritmo move-se sempre na direção que apresenta maior taxa de variação para f Isso pode levar a 3 problemas: 1. Máximos locais 2. Planícies (platôs) 3. Encostas e picos 15
16 Subida da Encosta Máximos locais Os máximos locais são picos mais baixos do que o pico mais alto no espaço de estados máximo global - solução ótima Nestes casos, a função de avaliação leva a um valor máximo para o caminho sendo percorrido a função de avaliação é menor para todos os filhos do estado atual, apesar de o objetivo estar em um ponto mais alto essa função utiliza informação local Por exemplo no xadrez: eliminar a Rainha do adversário pode levar o jogador a perder o jogo. 16
17 Subida da Encosta Máximos locais O algoritmo para no máximo local só pode mover-se com taxa crescente de variação de f restrição do algoritmo 17
18 Subida da Encosta Platôs (Planícies) Uma região do espaço de estados onde a função de avaliação dá o mesmo resultado todos os movimentos são iguais (taxa de variação zero f(n) = f(filhos(n)) 18
19 Subida da Encosta Platôs (Planícies) Em um platô, não é possível determinar a melhor direção através de comparações locais. Os movimentos possíveis têm taxa de variação zero ou negativa O algoritmo para depois de algumas tentativas Restrição do algoritmo Exemplo: puzzle de 8 números em algumas situações, nenhum movimento possível vai influenciar no valor de f, pois nenhum número vai chegar ao seu objetivo. 19
20 Subida da Encosta Encostas e Picos Encostas e Picos resultam em uma sequência de máximos locais que torna muito difícil a navegação para algoritmos ambiciosos. Apesar de o algoritmo estar em uma direção que leva ao pico (máximo global), não existem operadores válidos que conduzam o algoritmo nessa direção. 20
21 Subida da Encosta Encostas e Picos A malha de estados (círculos escuros) está sobreposta sobre uma cordilheira que se eleva da esquerda para a direita Cria-se uma sequência de máximos locais que não estão diretamente conectados uns aos outros. A partir de cada máximo local, todas as ações disponíveis apontam encosta abaixo. 21
22 Subida da Encosta Encostas e Picos Exemplo: cálculo de rotas quando é necessário permutar dois pontos e o caminho resultante não está conectado. 22
23 Subida da Encosta Problemas - solução Nos casos apresentados, o algoritmo chega a um ponto de onde não faz mais progresso Solução: reinício aleatório (random restart) O algoritmo realiza uma série de buscas a partir de estados iniciais gerados aleatoriamente Cada busca é executada até que um número máximo 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. 23
24 Busca Subida da Encosta (Hill climbing) Exemplo: Achar o ponto máximo da função f x = x x + 10 no intervalo [0,100]. 0 (10) r +1 r +4 r (39) 4 (114) 16 (234) r +1 r -1 r +4 r -4 r (231) 15 (235) 20 (210) 12 (226) 32 (-54) r -1 r +4 r -4 r (234) 19 (219) 11 (219) 31 (-20) 24
25 Subida da Encosta: análise O algoritmo é completo? SIM, para problemas de otimização uma vez que cada nó tratado pelo algoritmo é sempre um estado completo (uma solução) NÃO, para problemas onde os nós não são estados completos e.g., puzzle de 8 números O algoritmo é ótimo? TALVEZ, para problemas de otimização quando iterações suficientes forem permitidas... NÃO, para problemas onde os nós não são estados completos 25
26 Subida da Encosta: análise O sucesso deste método depende muito do formato da superfície do espaço de estados: se há poucos máximos locais, o reinício aleatório encontra uma boa solução rapidamente caso contrário, o custo de tempo é exponencial. 26
27 Têmpera Simulada -Simulated Annealing Este algoritmo é semelhante à Subida da Encosta, porém oferece meios para escapar de máximos locais quando a busca fica presa em um máximo local, o algoritmo não reinicia a busca aleatoriamente ele retrocede para escapar desse máximo local esses retrocessos são chamados de passos indiretos Apesar de aumentar o tempo de busca, essa estratégia consegue escapar dos máximos locais 27
28 Têmpera É inspirado no processo de têmpera do aço. Temperaturas são gradativamente abaixadas, até que a estrutura molecular se torne suficientemente uniforme. 28
29 Têmpera Analogia com processo físico do recozimento, substâncias físicas como os metais são fundidas: Elevadas a altos níveis de energia e depois gradualmente resfriadas até alcançar um estado sólido. Objetivo deste processo é produzir um estado final com um mínimo de energia. 29
30 Têmpera Substâncias físicas, em geral, movem-se de configurações em que o nível de energia é mais alto para níveis de energia mais baixos, a descida de vale ocorre naturalmente. Existe uma certa probabilidade de ocorrer uma transição para um estado de maior energia dada pela função: p = e E/kT 30
31 Têmpera p = e E/kT Onde: E é a mudança positiva no nível de energia T é a temperatura k constante de Boltzmann 31
32 Têmpera Na descida de vale física, a probabilidade de um grande movimento ascendente é menor que a probabilidade de um movimento pequeno. A probabilidade de um movimento ascendente diminui, à medida que diminui a temperatura. 32
33 Têmpera Simulada Têmpera simulada: muda-se a subida de encosta para descida de gradiente (minimização do custo) 33
34 Têmpera Simulada Seja a tarefa de colocar uma bola de pinguepongue na fenda mais profunda em uma superfície acidentada: Se simplesmente deixa-se a bola rolar, ela acabará em um mínimo local. Se agita-se a superfície, pode-se fazer a bola quicar para fora do mínimo local. A idéia é então agitar com força suficiente para fazer a bola sair dos mínimos locais, mas não o bastante para desalojá-la do mínimo global. 34
35 Têmpera Simulada O que o algoritmo de têmpera simulada faz é atribuir uma certa energia inicial ao processo de busca, permitindo que, além de subir encostas, o algoritmo seja capaz de descer encostas e percorrer platôs se a energia for suficiente. Posição final sem vento Posição inicial Posição final com vento controlado 35
36 Têmpera Simulada A solução de têmpera simulada é começar a agitar com força (isto é, em alta temperatura) e depois reduzir gradualmente a intensidade da agitação (ou seja, baixar a temperatura). 36
37 Têmpera Simulada O processo análogo de Têmpera simulada utiliza as seguintes equivalências: E é a mudança no valor da função objetivo kt = T: temperatura são valores escolhidos que produzam um comportamento desejável por parte do algoritmo 37
38 Têmpera Simulada Nas iterações iniciais, não escolhe necessariamente o melhor movimento, e sim um movimento aleatório: se o movimento melhorar a situação, ele será sempre escolhido posteriormente; caso contrário, associa a esse movimento uma probabilidade de escolha menor do que 1. A probabilidade decresce exponencialmente com a má qualidade do movimento, o valor de E segundo o qual a avaliação piora. 38
39 Têmpera Simulada A probabilidade também decresce à medida que a temperatura T se reduz: Movimentos ruins têm maior probabilidade de serem permitidos no início, quando T estiver alto, e Tornam-se mais improváveis conforme T diminui. A ideia de permitir movimentos ruins é que com o tempo vão diminuindo de freqüência e intensidade para poder escapar de máximos locais. 39
40 Têmpera Simulada: algoritmo 40
41 Têmpera Simulada Probabilidade de ocorrerem movimentos ruins. Simulação para T decaindo de 100 a 0 com E constante e igual a -10 Gráfico de p = e E/T 41
42 Têmpera Simulada Probabilidade de ocorrerem movimentos ruins, com o passar do tempo, passa a se comportar como subida de encosta, não faz movimentos ruins. Simulação para T decaindo de 100 a 0 com E constante e igual a Gráfico de p = e E/T 42
43 Têmpera Simulada Análise O algoritmo é completo O algoritmo é ótimo se o mapeamento de resfriamento tiver muitas entradas com variações suaves isto é, se o escalonamento diminuir T com lentidão suficiente, o algoritmo encontrará um valor ótimo global com probabilidade próxima de 1. 43
44 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 em que agentes agem para diminuir o ganho de outros agentes. Além disso, os estados de um jogo são facilmente representáveis (acessíveis) e a quantidade de ações dos agentes é normalmente pequena e bem definida. 44
45 Jogos A presença de um oponente torna o problema de decisão mais complicado do que os problemas de busca, pois introduz incertezas, já que não sabemos como o oponente irá agir. Geralmente o oponente tentará, na medida do possível, fazer o movimento menos benéfico para o adversário. 45
46 Jogos Jogos são, geralmente, problemas muito difíceis de resolver. Por exemplo, o xadrez: Fator de ramificação 35 Geralmente 50 movimentos para cada jogador Árvore de busca tem ~ estados ou nós 46
47 Jogos Limites de tempo penalizam a ineficiência; Não é possível fazer a busca até o fim, de modo que devemos fazer o melhor possível baseados na experiência passada. Deste modo, jogos são muito mais parecidos com problemas do Mundo Real do que os problemas Clássicos vistos até agora. 47
48 Jogos Jogos de Duas Pessoas Existem dois jogadores: MAX e MIN (MAX começa jogando). Jogos como um tipo de problema de busca, componentes: Estado inicial Jogadores Ações Resultado Teste de Término Utilidade 48
49 Jogos Estado inicial (S0), especifica como o jogo é criado no início. Jogadores (s): define qual jogador deve se mover em um estado. Ações (s): retornam o conjunto de movimentos válidos em um estado. Resultado (s, a): o modelo de transição que define o resultado de um movimento. 49
50 Jogos Teste de Término (s): um teste de término, que é verdadeiro quando o jogo termina e, do contrário, falso. Os estados em que o jogo é encerrado são chamados estados terminais. Utilidade (s, p): uma função utilidade define o valor numérico para um jogo que termina no estado terminal s por um jogador p. No xadrez, o resultado é uma vitória, uma derrota ou um empate, com valores +1, 0 ou ½. 50
51 Jogos O Estado inicial, a função Ações e a função Resultado definem a árvore de jogo correspondente ao jogo. Uma árvore onde os nós são estados do jogo e as bordas são movimentos No caso do jogo da velha: A partir do estado inicial, MAX tem nove movimentos possíveis O jogo se alterna entre MAX (X) e MIN (0) até os estados terminais O número em cada nó de folha indica o valor de utilidade do estado terminal, do ponto de vista de MAX: valores altos são considerados bons para MAX e ruins para MIN. 51
52 Árvore de busca (parcial) para o jogo da velha Usa-se o termo árvore de busca para uma árvore que está sobreposta à árvore de jogo completa, examinando os nós o suficiente para permitir que um jogador determine que lance fazer.
53 Algoritmo E-OU de busca Solução ótima: sequência de ações que leva a um estado objetivo um estado terminal que representa uma vitória. Em um jogo, MIN tem alguma relação com esse estado. MAX deve encontrar uma estratégia de contingência que especifique seu movimento: No estado inicial e Depois de cada resposta possível de MIN, e assim por diante. Isso é análogo ao algoritmo E-OU: MAX no papel de OU e MIN equivalente a E.
54 Algoritmo E-OU de busca Seja o jogo de duas jogadas: Os nós são nós de MAX, os nós são nós de MIN.
55 Algoritmo E-OU de busca Os movimentos possíveis para MAX no nó raiz são identificados por a1, a2 e a3. As respostas possíveis para a1 correspondentes a MIN são b1, b2 e b3, e assim sucessivamente. O jogo termina depois de um movimento realizado por MAX e por MIN. (a árvore tem a profundidade de um único movimento, que consiste em dois meios movimentos, cada um dos quais é chamado jogada.) As utilidades dos estados terminais nesse jogo variam de 2 a 14.
56 O valor MINIMAX Dada uma árvore de jogo, a estratégia ótima pode ser determinada do valor minimax de cada nó: representado como VALOR- MINIMAX(n). O valor minimax de um nó é a utilidade (para MAX) de se encontrar no estado correspondente. O valor minimax de um estado terminal é simplesmente sua utilidade.
57 O valor MINIMAX De outro lado, dada uma escolha: MAX preferirá se mover para um estado de valor máximo, MIN preferirá um estado de valor mínimo Assim, tem-se:
58 O valor MINIMAX Aplicando as definições na árvore do jogo de duas jogadas: O primeiro nó de MIN (B), tem três sucessores com valores 3, 12 e 8; portanto, seu valor minimax é 3. Os outros dois nós de MIN (C e D) têm valor minimax 2. O nó raiz (A) é um nó de MAX; seus estados sucessores têm valores minimax 3, 2 e 2; logo, ele tem um valor minimax igual a 3. A decisão minimax na raiz é a ação a1, pois é a escolha ótima para MAX
59 O valor MINIMAX A definição de jogo ótimo para MAX supõe que MIN também jogue de forma ótima ela maximiza o resultado para MAX no pior caso. E se MIN não jogar de forma ótima? Nesse caso MAX terá um desempenho ainda melhor.
60 O algoritmo minimax Calcula a decisão minimax a partir do estado corrente. Utiliza uma computação recursiva simples dos valores minimax de cada estado sucessor, implementando diretamente as equações da definição. A recursão percorre todo o caminho descendente até as folhas da árvore e, depois, os valores minimax são propagados de volta pela árvore, à medida que a recursão retorna. 60
61 O algoritmo minimax Para a árvore do jogo de duas jogadas: Primeiro o algoritmo efetua uma recursão descendo a árvore até os três nós de folhas inferiores e emprega a função UTILIDADE sobre eles para descobrir que seus valores são 3, 12 e 8 A seguir, ele toma o mínimo desses valores, 3, e o devolve como valor propagado de volta para o nó B. Um processo semelhante fornece os valores propagados de volta de 2 para C e 2 para D. Finalmente, tomamos o valor máximo entre 3, 2 e 2 para obter o valor propagado de volta igual a 3 para o nó raiz. 61
62 O algoritmo minimax O algoritmo minimax executa uma exploração completa em profundidade da árvore de jogo. Se a profundidade máxima da árvore é m e existem b movimentos válidos em cada ponto, a complexidade de tempo do algoritmo minimax é O(bm). A complexidade de espaço é O(bm) para um algoritmo que gera todos os sucessores de uma vez ou O(m) para um algoritmo que gera ações, uma de cada vez. Em jogos reais, o custo de tempo é totalmente impraticável, mas, o algoritmo serve como base para a análise matemática de jogos e para algoritmos mais práticos. 62
63 Poda Alfa-Beta O problema da busca minimax : o número de estados de jogo é exponencial Não se pode eliminar o expoente, mas, se pode reduzi-lo pela metade. Artifício: calcular a decisão minimax sem examinar todos os nós na árvore de jogo. Técnica específica: poda alfa-beta: Quando é aplicada a uma árvore minimax padrão, ela retorna o mesmo movimento que minimax retornaria, mas poda as ramificações que não terão influência possível sobre a decisão final.
64 Considere novamente a árvore de jogo de duas jogadas: a) A primeira folha sob B tem valor 3. Consequentemente, B, que é um nó de MIN, tem valor máximo 3. b) A segunda folha sob B tem valor 12; MIN evitaria esse movimento, de forma que o valor de B ainda é, no máximo, 3.
65 c) A terceira folha sob B tem valor 8; assim, o valor de B é exatamente 3. Agora, podemos deduzir que o valor da raiz é pelo menos 3, porque MAX tem uma escolha de valor 3 na raiz. d) A primeira folha abaixo de C tem o valor 2. Consequentemente, C, que é um nó de MIN, tem valor máximo 2. Porém, sabemos que B vale 3; portanto, MAX nunca escolheria C. Desse modo, não há razão para se examinar os outros sucessores de C. Esse é um exemplo de poda alfabeta.
66 e) A primeira folha abaixo de D tem o valor 14, D vale no máximo 14. Esse valor é mais alto que 3, a melhor alternativa de MAX. Portanto, precisamos continuar a explorar sucessores de D. Como já se tem todos os sucessores da raiz, o valor da raiz também é no máximo 14. f) O segundo sucessor de D vale 5 e, assim, novamente precisamos continuar a exploração. O terceiro sucessor vale 2; agora, D vale exatamente 2. A decisão de MAX na raiz é efetuar o movimento para B, o que nos dá o valor 3.
67 Poda Alfa-Beta Isso também pode ser visto como uma simplificação da fórmula de VALOR-MINIMAX. Sejam x e y valores dos dois sucessores não avaliados do nó C na árvore do jogo de duas jogadas e seja z o mínimo entre x e y. Então, o valor do nó raiz é dado por:
68 Poda Alfa-Beta Em outras palavras, o valor da raiz e, consequentemente, a decisão minimax são independentes dos valores das folhas podadas x e y. A poda alfa-beta pode ser aplicada a árvores de qualquer profundidade e frequentemente é possível podar sub-árvores inteiras em lugar de podar apenas folhas.
69 Poda Alfa-Beta Princípio geral: considere um nó n em algum lugar na árvore, tal que o Jogador tenha a escolha de movimento até esse nó. Se o Jogador tiver uma escolha melhor m no nó pai de n ou em qualquer ponto de escolha adicional acima dele, então n nunca será alcançado em um jogo real. Assim, uma vez que descobrimos o suficiente sobre n, poderemos podá-lo.
70 Poda Alfa-Beta A busca minimax é do tipo em profundidade, só temos de considerar os nós ao longo de um único caminho na árvore. A poda alfa-beta obtém seu nome a partir dos dois parâmetros: α = o valor da melhor escolha até o momento, em qualquer ponto de escolha ao longo do caminho para MAX. β = o valor da melhor escolha que encontramos até agora em qualquer ponto de escolha ao longo do caminho para MIN. A busca alfa-beta atualiza os valores de α e β à medida que prossegue e poda as ramificações restantes em um nó (isto é, encerra a chamada recursiva) tão logo se sabe que o valor do nó corrente é pior que o valor corrente de α ou β para MAX ou MIN, respectivamente.
Jogos. 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 maisBuscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
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 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 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 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 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 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 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 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 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 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 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 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 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 maisFundamentos 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 maisProcura Informada. Capítulo 4
Procura Informada Capítulo 4 Sumário Procura Melhor Primeiro Procura Gananciosa Procura A * Heurísticas Procura local Árvore de Procura Uma estratégia de procura determina a ordem de expansão dos nós As
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 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 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 - 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: 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 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 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 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 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 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
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 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 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 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 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 maisTópicos Especiais: Inteligência Artificial BUSCA COM INFORMAÇÃO E EXPLORAÇÃO
Tópicos Especiais: Inteligência Artificial BUSCA COM INFORMAÇÃO E EXPLORAÇÃO Material baseado e adaptado do Cap. 4 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial
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 maisCEFET/RJ Inteligência Artificial (2017.2) Professor: Eduardo Bezerra Lista de exercícios 03
. CEFET/RJ Inteligência Artificial (2017.2) Professor: Eduardo Bezerra (ebezerra@cefet-rj.br) Lista de exercícios 03 Créditos: essa lista de exercícios contém a tradução dos exercícios disponibilizados
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 maisInteligência Artificial Taguspark
Inteligência Artificial Taguspark Repescagem do Primeiro Teste 22 de Julho de 2006 9H00-10H30 Nome: Número: Este teste tem 7 perguntas e 12 páginas. Escreva o número em todas as páginas. Deve ter na mesa
Leia maisInteligência Artificial
Contextualizando Inteligência Artificial Buscas Onde podemos usar a IA Problemas que não possuem soluções algortimicas Problemas que possuem soluções algoritimicas, mas são impraticáveis (Complexidade,
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 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 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 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 maisCTC-17 Inteligência Artificial Problemas de Busca. Prof. Paulo André Castro
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 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 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 maisInteligência Artificial Alameda e Taguspark
Inteligência Artificial Alameda e Taguspark Primeiro Teste 31 de Outubro de 2008 19H00-20H30 Nome: Número: Este teste tem 7 perguntas e 7 páginas. Escreva o número em todas as páginas. Deve ter na mesa
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 maisResolução de problemas por meio de busca. Prof. Pedro Luiz Santos Serra
Resolução de problemas por meio de busca Prof. Pedro Luiz Santos Serra Agentes de resolução de problemas Agente: É um elemento qualquer capaz de perceber seu ambiente por meio de sensores e de agir sobre
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
Leia maisAlgoritmos Genéticos
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Algoritmos Genéticos Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce de Leon F. de Carvalho São Carlos São Paulo Maio
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 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 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 maisa) Defina em Prolog iguais/1, um predicado que recebe um estado do jogo e que verifica que todas as pilhas têm o mesmo número de peças.
Introdução à Inteligência Artificial 2ª Época 29 Janeiro 2015 Nº Aluno: Nome Completo: Exame com consulta. Responda às perguntas nesta própria folha, nos espaços indicados. (I) O jogo do Nim (também chamado
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 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 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 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 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 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 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 maisBusca com informação e exploração. Inteligência Artificial. Busca pela melhor escolha. Romênia com custos em km. Busca com informação (ou heurística)
Inteligência Artificial Aula 5 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.1 Busca com informação (ou heurística) Utiliza
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 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 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 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 mais