Prof. Eduardo Bezerra ebezerra@cefet-rj.br CEFET/RJ - Departamento de Informática Inteligência Artificial (GTSI1306, GCC1734) Outras Estratégias de Busca.

Slides:



Advertisements
Apresentações semelhantes
CAMINHAMENTO EM GRAFOS (CONTINUAÇÃO)
Advertisements

Inteligência Artificial
Solved Exercises 1. Finding the Peak. Let A= a1,…,an be a sequence of n numbers with the following property: there is p in {1,…,n} for which (i) the.
Metaheurísticas Prof. Aurora Pozo Departamento de Informática Universidade Federal do Paraná
1 Busca Heurística - Informada Estratégias de Busca Exaustiva (Cega) encontram soluções para problemas pela geração sistemática de novos estados, que são.
DIRETORIA ACADÊMICA NÚCLEO DE CIÊNCIAS HUMANAS E ENGENHARIAS DISCIPLINA: INGLÊS FUNDAMENTAL - NOITE PROFESSOR: JOSÉ GERMANO DOS SANTOS PERÍODO LETIVO
Busca Heurística - Informada
Busca Heurística - Informada
Capítulo 4 - Russell e Norvig
Capítulo 3 - Russell e Norvig
Buscando Soluções Busca Heurística.
Uniform Resource Identifier (URI). Uniform Resource Identifiers Uniform Resource Identifiers (URI) ou Identificador de Recursos Uniforme provê um meio.
Inteligência Artificial
Resolução de problemas por meio de busca
Lecture 4 Pressure distribution in fluids. Pressure and pressure gradient. Hydrostatic pressure 1.
Prof. Reinaldo Bianchi Centro Universitário da FEI 2013
Introdução aos Agentes Inteligentes Busca Heurística (Informada)
Disciplina: Métodos de Computação Inteligente – 1
Busca sem Informação Álvaro Vinícius “Degas”
Inteligência Artificial
Cigré/Brasil CE B5 – Proteção e Automação Seminário Interno de Preparação para o Colóquio de Madri 2007 Rio de Janeiro, outubro/07.
Cigré/Brasil CE B5 – Proteção e Automação Seminário Interno de Preparação para o Colóquio de Madri 2007 Rio de Janeiro, outubro/07.
Busca Heurística - Informada
Busca em Espaço de Estados Parte2 Algoritmos de Busca Cega
O Professor de Inglês Aprendendo e Ensinando
Summary title Arial 72pt Bold body can be reduced to body 60 Introduction O pôster deverá conter no máximo 7000 caracteres (com espaço), os quais deverão.
Limit Equlibrium Method. Limit Equilibrium Method Failure mechanisms are often complex and cannot be modelled by single wedges with plane surfaces. Analysis.
Busca Heurística Prof. Valmir Macário Filho. 2 Busca com informação e exploração Capítulo 4 – Russell & Norvig Seção 4.1 Estratégias de Busca Exaustiva.
Falhas em componentes de sustentação – Cabos de Aço, Correntes e Ganchos.
Busca com informação e exploração - Busca Heurística Jeneffer Ferreira Lázaro .: Capitulo 4 -
BUSCA TABU E. G. M. de Lacerda UFRN/DCA 23/10/2006 Parte I.
Universidade Federal do Rio Grande do Sul Shang-Tsung Um jogador de Liga-quatro Vítor De Araújo Vítor Fortes Rey Inteligência Artificial – Trabalho final.
CEFET/RJ Inteligência Artificial (GTSI1306, GCC1734)
Prof. Eduardo Bezerra CEFET/RJ Inteligência Artificial (GTSI1306, GCC1734) Busca com Informação Prof. Eduardo Bezerra
Inteligência Artificial (GTSI1306, GCC1734)
Regressão Linear com Várias variáveis
Prof. Eduardo Bezerra CEFET/RJ Departamento de Informática Inteligência Artificial (GTSI1306, GCC1734) Prof. Eduardo Bezerra
Visão geral do Aprendizado de máquina
Summary title Arial 72pt Bold body can be reduced to body 60
Regressão Linear com Uma Variável
CS 188: Artificial Intelligence
O modelo de Lotka-Volterra
TENSÕES NORMAIS EM VIGAS
Redes Bayesianas: Amostragens
CEFET/RJ GCC Inteligência Artificial
Aprendizado de máquina
Shang-Tsung Um jogador de Liga-quatro Vítor De Araújo Vítor Fortes Rey
Naja Slides YoungAt Heart Sinatra Som.
2º ENCONTRO UAB-UFPA (Polo Barcarena)
Summary title Arial 72pt Bold body can be reduced to body 60
INF 1771 – Inteligência Artificial
DSI – Desenvolvimento de Sistemas Inteligentes
Inferência Estatística
Tópicos Avançados em Engenharia de Software
(Quando eu me apaixonar)
Aprendizado de Máquina
Prof. Eduardo Bezerra CEFET/RJ Inteligência Artificial (GTSI1306, GCC1734) Busca com Informação Prof. Eduardo Bezerra
Resolução por algoritmos de Busca
Arquitetura e padrões de software
Sistemas Inteligentes Busca Cega (Exaustiva)
ISO Tecnologia da informação - técnicas de segurança - sistemas de gerência da segurança da informação - requisitos.
Arquitetura e padrões de software
Computação Bioinspirada
Introduction to Machine learning
Prof. Eduardo Bezerra CEFET/RJ - Departamento de Informática Inteligência Artificial (GTSI1306, GCC1734) Busca sem Informação Prof.
Prof. Eduardo Bezerra CEFET/RJ - Departamento de Informática Inteligência Artificial (GTSI1306, GCC1734) Agentes e Problemas de.
Arquitetura e padrões de software
Redução de Dimensionalidade
Inteligência Artificial (GTSI1306, GCC1734)
Buscando Soluções Busca Heurística (M. S.).
Transcrição da apresentação:

Prof. Eduardo Bezerra ebezerra@cefet-rj.br CEFET/RJ - Departamento de Informática Inteligência Artificial (GTSI1306, GCC1734) Outras Estratégias de Busca sem Informação Prof. Eduardo Bezerra ebezerra@cefet-rj.br

Créditos Essa apresentação, é material traduzido e/ou adaptado pelo prof. Eduardo Bezerra (ebezerra@cefet-rj.br), e utiliza material cuja autoria é dos professores a seguir: Dan Klein e Pieter Abbeel. O material original é usado no curso CS 188 (Introduction to Artificial Intelligence) da Universidade de Berkeley na Califórnia (https://www.cs.berkeley.edu/~russell/classes/cs188/f14/)

Busca em Profundidade Limitada (depth-limited search, DLS)

Busca em Profundidade Limitada (DLS) DFS não encontra um objetivo se a busca entrar em um caminho de comprimento infinito. Solução (DLS): adicionar limite de profundidade l, isto é, nós com profundidade l não são expandidos. No entanto, isso adiciona outro problema: se o objetivo é mais profundo do que l, ele não será encontrado na busca. A DFS é um caso particular da DLS, com l = ∞ Qual seria um valor adequado para l no caso do problema da Romênia?

Busca em Profundidade Limitada (DLS) Implementação recursiva: failure indica que nenhuma solução foi encontrada cutoff indica que o limite de profundidade foi alcançado. Depth-limited search can be implemented as a simple modification to the general tree or graph-search algorithm. Alternatively, it can be implemented as a simple recursive algorithm as shown in Figure 3.17. Notice that depth-limited search can terminate with two kinds of failure: the standard failure value indicates no solution; the cutoff value indicates no solution within the depth limit.

Busca em Profundidade Limitada: Propriedades Completa? Não, pois a solução (objetivo) pode estar além do limite estabelecido (i.e., l < d). Tempo? O(bl) Espaço? O(bl) Ótima? Não

Busca de Aprofundamento Iterativo em Profundidade (Iterative Deepening Search, IDS)

Busca de Aprofundamento Iterativo em Profundidade A IDS consiste em aplicar repetidamente a busca em profundidade limitada (DLS), com limites (de profundidade) gradativamente crescentes. A IDS termina quando uma solução for encontrada, ou se a busca em profundidade limitada retorna falha (failure), o que significa que não existe uma solução.

Busca de Aprofundamento Iterativo em Profundidade The iterative deepening search algorithm, which repeatedly applies depth limited search with increasing limits. It terminates when a solution is found or if the depth limited search returns failure, meaning that no solution exists.

Busca de Aprofundamento Iterativo em Profundidade l =0 Four iterations of iterative deepening search on a binary tree.

Busca de Aprofundamento Iterativo em Profundidade l =1

Busca de Aprofundamento Iterativo em Profundidade l =2

Busca de Aprofundamento Iterativo em Profundidade l =3

Busca de Aprofundamento Iterativo Número de nós gerados em uma busca de extensão com fator de ramificação b: NBE = b1 + b2 + … + bd-2 + bd-1 + bd + (bd+1 – b) Número de nós gerados em uma busca de aprofundamento iterativo até a profundidade d com fator de ramificação b: NBAI = (d+1)b0 + d b1 + (d-1)b2 + … + 3bd-2 +2bd-1 + 1bd Para b = 10, d = 5, NBE = 10 + 100 + 1.000 + 10.000 + 100.000 + 999.990= 1.111.100 NBAI = 6 + 50 + 400 + 3.000 + 20.000 + 100.000 = 123.456 Overhead = (123.456 – 111.111)/111.111 = 11%

Propriedades da busca de aprofundamento iterativo Completa? Sim Tempo? (d+1)b0 + d b1 + (d-1)b2 + … + bd = O(bd) Espaço? O(bd) Ótima? Sim, se custo de passo = 1 Repare que a busca de aprofundamento iterativo usa somente espaço linear e não muito mais tempo que outros algoritmos sem informação.