1 / 30

Búsqueda Informada

Búsqueda Informada. Heurísticas. Búsqueda informada: heurística. Ejemplo de heurística para el problema del viajante de comercio. Clasificación de heurísticas. Ventajas de las heurísticas. Aplicando heurísticas. Algoritmo de búsqueda de Greedy. Búsqueda de Greedy: ejemplo.

Download Presentation

Búsqueda Informada

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Búsqueda Informada Heurísticas

  2. Búsqueda informada: heurística

  3. Ejemplo de heurística para el problema del viajante de comercio

  4. Clasificación de heurísticas

  5. Ventajas de las heurísticas

  6. Aplicando heurísticas

  7. Algoritmo de búsqueda de Greedy

  8. Búsqueda de Greedy: ejemplo

  9. Grafo del ejemplo de la búsqueda de Greedy

  10. Evaluación de la búsqueda de Greedy

  11. Minimizar el costo de ruta total • La búsqueda avara minimiza el costo estimado hasta la meta h(n) • poda fuertemente el costo de búsqueda • ni óptima ni completa • la búsqueda de costo uniforme minimiza el costo hasta ese momento, g(n) • óptima y completa • podría ser muy ineficiente • f(n) = g(n) + h(n)= costo estimado de la solución más barata pasando por (n)

  12. Minimizar el costo de ruta total • Observaciones • Supongamos que tenemos un nodo n a una profundidad d en el árbol de búsqueda y que adivinamos que ese nodo se halla a una distancia h(n) de la meta más cercana a él. • La meta estaría entonces a la profundidad d + h(n) en el espacio de problema • En lugar de elegir para la expansión el nodo de mínimo h(n) (distancia esperada hacia la meta), elegimos el nodo de  MIN {d + h(n) } • La profundidad se mide con la función de costo de la ruta g(n) • Quedando MIN {g(n) + h(n)}

  13. Algoritmo de búsqueda A*

  14. Algoritmo de búsqueda A*

  15. Optimalidad de A* • Definir f* - el costo de la solución óptima para la ruta • A* expande todos los nodos con f(n) < f* • A* podría expandir algunos de los nodos a la derecha del “contorno de la meta”, para los cuales f(n) = f*, antes de seleccionar el estado meta. • La primera solución encontrada debe ser la óptima, dado que los nodos de todos los contornos subsiguientes tendrán un costo f más alto y con ello un costo g más alto (todos los estados meta tienen h(n) = 0)

  16. Buscando una solución subóptima 3 (1) (2) 2 4 • Las etiquetas de los nodos son su valor heurístico h = k y los números entre paréntesis son el orden de prioridad para expandir. • El valor k de un nodo significa que esperamos que esté a k pasos de la meta. • El método siempre expande nodos con una mínima distancia esperada al nodo meta, así que el subárbol de la derecha nunca tiene turno para expandir. (Es una cola que privilegia a la ruta izquierda, primero en profundidad) • Conclusión: no tratamos de encontrar un nodo meta que esté a una menor profundidad. (3) 1 1 goal (4) 1 (5) 1 (6) 1 goal (7)

  17. Buscar la Solución Optima 0+3 (1) (2) 1+2 1+4 (6) • Tratamiento para el diagnóstico previo: • Las etiquetas de los nodos son aquí “profundidad + valor heurístico”. Números entre paréntesis son orden de expansión. • Para A* no hay diferencia real entre (5) y (6) • No se puede garantir que se pueda encontrar la solución óptima . • Por ejemplo, qué pasa si (5) fuese el nodo meta? • Problema: con pesimismo se ha etiquetado al primer nodo de la rama derecha como 4 (hemos sobreestimado su distancia a la meta) • Es imperiosa una heurística optimista. (3) 2+1 2+1 (7) 3+0 (8) (4) 3+1 goal (5) 4+1 5+1 goal

  18. Buscar la Solución Optima 0+3 (1) (2) 1+2 1+2 (4) • Admisibilidad • h - la función heurística - es optimista si para todo n, • h(n) <hp (coste real de llegar al nodo meta) • con eso no se sobreestima al costo. • Una heurística optimista (que infravalora el coste) se llama admisible • Casos especiales • h(n) = hp(n) (la heurística perfecta) • h(n) = 0 ?...(búsqueda ciega) (3) 2+1 2+1 (5) 3+0 (6) 3+1 goal 4+1 5+1 goal

  19. Forma útil de ver la optimalidad de A* • Lema A* expande nodos en el orden de valores crecientes de f • Esto implica decir que así como Primero en Amplitud va agregando niveles o capas, A* va agregando contornos “iso-f” siempre crecientes (un contorno “fi” tiene todos los nodos con f = fi), incluyendo al nodo de inicio en dirección al nodo meta.

  20. “Contornos” concéntricos “iso-f” 380

  21. A* aplicado a la búsqueda en Rumania

  22. * ------------------------ ------------------------ * n * G1 *G2 Sea una meta subóptima G2 que está en la cola de espera Sea n un nodo sin expandir en el camino más corto hacia una meta óptima G1 A* nunca va a elegir G2 para su expansión Optimalidad de A*: demostración

  23. Optimalidad de A* Teorema: Sea hp(n) el costo real desde n hasta la meta. Si h(n) <hp(n) para todo nodo n, entonces A* siempre va a encontrar un nodo meta óptimo. Prueba:Sea s el nodo meta de mínimo costo. Sea (tentativamente) que A* seleccione un nodo meta subóptimo s’, donde g(s) < g(s’)…ec.a Sea n un nodo sin expandir en la ruta desde el nodo inicio y el nodo meta óptimo s. Notar que ese nodo sin expandir necesariamente existe, de acuerdo con la suposición previa (en el otro caso, s ya habría sido elegido como el nodo meta).

  24. Optimalidad de A* Puesto quenno ha sido elegido para su expansión en su ruta hacias’, se sigue que: f(n) = g(n) + h(n) > f(s') = g(s') + h(s') = g(s') Dado quehes admisible, g(n) + hp(n) >g(n) + h(n) = f(n),y entonces g(n) + hp(n)>f(s') = g(s') lo cual implica que g(s) >g(s') Esto contradice la suposición previa (ec. a), la que indica ques’es una meta subóptima..

  25. Resumen del algoritmo A* • Una heurística admisible nunca sobreestima el costo de llegar a la meta • un estimado de costo optimista en la solución de un problema es menor -más barato- que el real. • Si h es admisible, f(n) nunca sobreestima el costo real de la mejor solución pasando por n • La búsqueda A* - con f(n) y con h admisible es: • completa y óptima • ejemplo: hDLR es admisible

  26. Búsqueda A*: ejemplo

  27. Evaluación de la búsqueda A*

  28. Heurísticos admisibles: ejemplos

  29. Heurísticos dominantes

More Related