Inteligência Artificial

1. Inteligência Artificial Aula 3

2. Subida de Encosta • Variação do procedimento gerar-e-testar; • muito utilizado quando há disponibilidade de uma boa função heurística para avaliar estados e nenhum outro conhecimento útil está disponível; • Subida de encosta simples: 1.avalie o estado inicial, se ele for um estado- meta, retorne-o e encerre-o, caso contrário continue com o estado-inicial como o estado corrente; 2.repita a operação (loop) até que uma solução seja encontrada ou até não haver nenhum operador a ser aplicado ao estado corrente:

3. a) escolha um operador que ainda não tenha sido aplicado ao estado corrente e aplique-o para produzir um novo estado; • b) avalie o novo estado: • se for um estado-meta, então retorne-o e encerre. • Se não for um estado-meta, mas for melhor que o estado corrente então transforme-o em estado corrente; • se não for melhor que o estado corrente, então continue no loop. • Diferença entre este algoritmo e o gerar-e-testar, neste caso o algoritmo possui um função de avaliação como meio de injetar ao processo controle dos conhecimentos específicos a respeito da tarefa (busca heurística);

4. Pergunta-se ao longo da heurística : “Este estado é melhor que o outro?”; • para o algoritmo funcionar precisamos definir o que significa “melhor”; • exemplo:quebra-cabeça dos quatro cubos coloridos; • para solucionar o problema necessita-se definir uma função heurística que descreva o quão perto esta uma determinada situação da solução (estado-meta); • necessita-se escrever um conjunto de regras que irão transformar uma configuração em outra (conhecimento do problema, espaço de estados); • gera-se um estado inicial aleatório; • busca-se a solução através da função heurística; • se o estado resultante for melhor , será mantido, senão voltaremos ao estado anterior e buscaremos uma heurística diferente;

5. Subida de Encosta pela trilha mais íngreme • Considera todos os movimento já feitos a partir do estado corrente selecionando o melhor como próximo estado; • algoritmo: 1. Avalie o estado inicial. Se ele também for um estado meta, retorne-o e encerre, caso contrário, continue com o estado inicial como estado corrente; 2. Repita o processo até encontrar uma solução ou até que uma iteração completa não produza nenhuma mudança no estado corrente:

6. a) atribua a sucessor um estado; • b) para cada operador que se aplique ao estado corrente faça o seguinte: • aplique o operador e gere um estado novo; • avalie o novo estado. Se for um estado-meta, retorne-o e encerre. Senão, compare-o a sucessor, se for melhor, então atribua-o a sucessor, caso contrário deixe o sucessor como está. • Exemplo: • cubos coloridos neste método, precisamos considerar todas as alterações do estado inicial e escolher a melhor; • neste problema isto é difícil pois temos muitos movimentos possíveis (explosão combinatória); • sempre há perdas e ganhos entre o tempo exigido para escolher um movimento e o número de movimentos necessários para chegar a uma solução;

7. Os métodos vistos até então podem não encontrar uma solução, qualquer um dos algoritmos pode terminar, não porque o estado-meta foi encontrado, mas porque chegou-se a um estado que não há nenhum estado melhor que ele, isto ocorre quando um programa tiver alcançado o máximo local, um platô ou uma cordilheira; • máximo local: estado melhor que todos os seus vizinhos, mas não melhor que estados mais distantes; • platô:área dentro do espaço de busca onde o grupo de estados vizinhos tem o mesmo valor, não sendo possível determinar a melhor direção através de comparações locais;

8. cume:um tipo de máximo local. Área do espaço de busca mais alta que seus vizinhos que não permite atravessar a cordilheira num único movimento; • modos para lidar com estes problemas: • volte a um nó anterior e siga uma heurística diferente (máximos locais); • de um salto grande em alguma direção para tentar chegar a uma nova seção do espaço de busca (platôs); • aplique duas ou mais regras, move-se em várias direções ao mesmo tempo (cordilheiras); • apesar de todos estas estratégias a subida de encosta não é muito eficiente

9. Têmpera Simulada • Variação da subida de encosta; • no início do processo podem ser feitos movimentos descendentes (morro abaixo) explorando suficientemente o espaço do problema, para que a solução final não fique presa a um máximo local, platô ou cordilheira; • utilizada em processos físicos de recozimento, onde substâncias físicas como os metais são fundidas ( altos níveis de energia) e depois gradualmente resfriados até alcançar um estado sólido;

10. Objetivo: produzir um estado final com um mínimo de energia (estado-meta); • função-objetivo (função heurística) é o nível de energia; • a velocidade com que o sistema é resfriado é chamado de cronograma de têmpera; • algoritmo: 1. Avalie o estado inicial. Se for também um estado-meta, então retorne-o e encerre. Caso contrário, continue com o estado inicial como estdo corrente; 2. Inicialize melhor-até-o´momento como igual ao estado corrente;

11. 3. Inicialize T de acordo com o cronograma de têmpera; 4. Repita o processo até ser encontrada uma solução ou até não haver mais nenhum operador que possa ser aplicado no estado corrente: • a) selecione um operador que ainda não tenha sido aplicado ao estado corrente e aplique-o para produzir um estado novo; • b) avalie o estado novo. Calcule • E = valor do estado corrente - valor do estado novo (mudança de energia) • se o estado novo for um estado meta, retorne-o e encerre;

12. Busca pela melhor escolha • se não for um estado meta, mas for melhore que o estado corrente, então torne-o o estado corrente com a probabilidade p´ ( definido aleatoriamente um número entre [0,1] se for menor que p´então o movimento é aceito, senão , não faz nada; • c) retorne melhor-até-o-momento como resposta; • até agora utilizamos duas estratégias sistemáticas de controle de busca , busca em profundidade e em amplitude (diversos tipos); • best-first search: busca pela melhor escolha combinando a busca em amplitude e em profundidade;

13. Grafos ou: • A busca em profundidade é interessante pois permite que uma solução seja encontrada sem que todas as ramificações concorrentes tenham de ser expandidas e também porque não fica presa em caminhos sem saída; • uma maneira de combinar os dois métodos é seguir um único caminha de cada vez, mas mudar de caminho toda vez que algum caminho concorrente parecer mais promissor do que o caminho corrente; • grafos:

14. Na subida de encosta, um movimento é selecionado e todos os outros rejeitados, e nunca mais voltam a ser reconsiderados; • na busca pela melhor escolha, um movimento já selecionado fica disponível, caso o valor do estado corrente seja menor que o valor do selecionado; • para a pesquisa de grafos precisamos usar duas listas de nós: • abertos: nós que forma gerados e sofreram a aplicação da função heurística, mas que ainda não foram examinados (seus sucessores não foram gerados); • fechados:nós que já foram examinados, precisamos mantê-los na memória para efetuar a busca no grafo;

15. precisamos de uma função heurística que diga quais são os caminhos mais promissores; • algoritmo: 1. Comece com abertos contendo apenas o estado inicial; 2. Até ser encontrado um estado-meta ou até não haver mais nenhum nó em abertos, faça o que segue: a) pegue o melhor nó de abertos; b) gere seus sucessores; c) para cada sucessor faça: • se ele ainda não tiver sido gerado antes, avalie-o, acrescente-o a Abertos e registre seu pai;

16. se ele já tiver sido gerado antes, mude o pai se este novo caminho for melhor que o anterior; Neste caso, atualize o custo de chegar a este nó e a qualquer um dos sucessores que este nó possa ter; • Algoritmo A*: • o algoritmo que foi anteriormente apresentado é uma generalização deste algoritmo A* apresentado por HART em 1968, para resolução de busca pela melhor escolha; • Agendas: • nos grafos OU assumimos que seria possível avaliar vários caminhos para o mesmo nó, ou seja, chagariamos ao estado-meta por diferentes caminhos;

17. não possuí nenhuma função heurística que distigua a distância entre um dado nó e uma meta (a espera a se chegar ao caminho meta pode ser maior ou menor (árdua de acordo com o caminho); • agenda é uma lista de tarefas que um sistema pode realizar: • justificativas = lista de razoes pela qual a tarefa está sendo proposta; • classificação = representa o peso total das evidências que sugerem que a tarefa será útil; • algoritmo:

18. 1. Até chegar o estado-meta ou até a agenda ficar vazia: a) escolha a tarefa mais promissora da agenda. Note que essa tarefa pode ser representada em qualquer formato desejado (pode ser uma declaração explícita do que deve ser feito a seguir ou simplesmente, uma indicação do próximo a ser expandido; b) execute a tarefa dedicando a ela a quantidade de recursos determinada por sua importância. Os recursos importantes são o tempo e o espaço. A execução da tarefa gerará tarefas adicionais (nós sucessores): • veja se ela já existe a agenda. Em caso positivo, veja se esta mesma razão para executá-la já está na lista de justificativas. Em caso positivo, ignore esta evidência atual. Se a justificativa ainda não estiver presente, acrescente à lista. Se a tarefa não estiver na agenda, insira-a;

19. Calcule a classificação da nova tarefa, combinando as evidências de todas as suas justificativas. Nem todas justificativas tem peso igual. Em geral, é util associar a cada justificativa uma medida de sua força. Estas medidas são então combinadas na próxima etapa para produzir uma classificação global da tarefa; • no método agenda o problema é encontrar a tarefa mais promissora a cada ciclo, para isso mantém-se a agenda organizada por classificação, ou seja,quando uma nova tarefa é criada, insira-a na agenda em local apropriado; • quando uma tarefa tem suas justificativas alteradas, recalcule sua classificação e mova-a para o local correto da lista; • este método gasta muito tempo para manter a agenda em ordem;

20. Redução de Problemas • Considerando estratégias de busca para o grafo OU pretende-se encontrar um único caminho para o objetivo; • utiliza-se outra estratégia, grafo E-OU, que representa a solução de problemas através da decomposição do problema em um conjunto de problemas menores que precisam ser resolvidos também (arco); • como num arco ou, vários arcos podem surgir de um único nó, indicando uma série de maneiras de chegar ao estado-meta;

21. Algoritmo AO*: • algoritmo de redução de problemas proposto por Martelli e Montari (1973); • Satisfação de Restrições: • muitos problemas de IA podem ser vistos como problemas de satisfação de restrições, sendo que o objetivo é descobrir algum estado problema que satisfaça a um determinado conjunto de restrições; • utilizada em problemas de interpretação da percepção do mundo real; • propagação para trás; • soluções parcialmente especificadas;

22. Análise meios-fins: • Raciocínio para frente e para trás (mistura): • chega-se ao estado-meta resolvendo-se primeiramente os problemas mais difíceis , deixando para depois a resolução dos subproblemas (entre linhas da solução-conhecer as heurísticas);