Solución - Grupo de Inteligencia Artificial - Universidad Rey Juan ...
Solución - Grupo de Inteligencia Artificial - Universidad Rey Juan ...
Solución - Grupo de Inteligencia Artificial - Universidad Rey Juan ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Universidad</strong> <strong>Rey</strong> <strong>Juan</strong> Carlos Curso 2007–2008<br />
<strong>Inteligencia</strong> <strong>Artificial</strong><br />
Ingeniería Informática<br />
Hoja <strong>de</strong> Problemas 4 - <strong>Solución</strong><br />
Búsqueda Heurística (II) - A ∗<br />
1. Contesta a las siguientes preguntas:<br />
(a) ¿Cómo funciona una heurística con aprendizaje?<br />
<strong>Solución</strong>:<br />
Una heurística con aprendizaje empieza con h ∗ (n) = 0 para todos los nodos n, y<br />
cada vez que se realiza una búsqueda, en cada paso usa el coste real <strong>de</strong> un paso<br />
para mejorar el valor <strong>de</strong> h ∗ .<br />
(b) ¿Cuál es la <strong>de</strong>sventaja principal <strong>de</strong> una heurística con aprendizaje?<br />
<strong>Solución</strong>:<br />
Hay que almacenar los valores h ∗ <strong>de</strong> todos los nodos en una tabla, y por eso<br />
necesita una gran cantidad <strong>de</strong> memoria.<br />
(c) ¿Qué significa que una función heurística optimista h ∗ 1<br />
otra función heurística optimista h ∗ 2?<br />
<strong>Solución</strong>:<br />
h ∗ 1 es más informada que h ∗ 2 si para todo nodo n se cumple que<br />
h ∗ 1 (n) ≥ h∗ 2 (n)<br />
es más informada que<br />
(d) Si hay dos funciones heurísticas optimistas para el algoritmo A ∗ , ¿por qué es<br />
preferible utilizar la más informada?<br />
<strong>Solución</strong>:<br />
Porque A ∗ con la más informada expan<strong>de</strong> un número <strong>de</strong> nodos menor o igual al<br />
número <strong>de</strong> nodos que expandiría con la menos informada.<br />
(e) ¿A qué búsqueda es equivalente el algoritmo A ∗ si se utiliza como heurística la<br />
función h ∗ (n) = 0 ∀n?<br />
<strong>Solución</strong>:<br />
Es equivalente a la búsqueda <strong>de</strong> coste uniforme, ya que f ∗ (n) = g(n) + h ∗ (n), si<br />
h ∗ (n) = 0 implica que f ∗ (n) = g(n) que es la función utilizada por la búsqueda<br />
<strong>de</strong> coste uniforme.<br />
2. Consi<strong>de</strong>re el 8-puzzle cuyo estado inicial y estado meta se muestran en la siguiente<br />
figura:<br />
Página 1 <strong>de</strong> 4
Hoja <strong>de</strong> Problemas 4 - <strong>Solución</strong> Búsqueda Heurística (II) - A ∗<br />
Desarrolle el árbol <strong>de</strong> búsqueda que expan<strong>de</strong> el algoritmo A ∗ , utilizando las siguientes<br />
heurísticas. Evite ciclos generales, indique el or<strong>de</strong>n <strong>de</strong> expansión <strong>de</strong> los estados y<br />
muestre en cada paso los valores <strong>de</strong> f ∗ , g y h ∗ . Suponga que el coste <strong>de</strong> cada operador<br />
es 1.<br />
(a) Heurística 1:<br />
<strong>Solución</strong>:<br />
h∗ 1 (n) = número <strong>de</strong> piezas <strong>de</strong>scolocadas<br />
Página 2 <strong>de</strong> 4
Hoja <strong>de</strong> Problemas 4 - <strong>Solución</strong> Búsqueda Heurística (II) - A ∗<br />
(b) Heurística 2:<br />
h∗ 2 (n) = suma <strong>de</strong> distancia Manhattan<br />
La distancia Manhattan <strong>de</strong> una pieza es la suma <strong>de</strong> las distancias vertical y<br />
horizontal a su posición final.<br />
<strong>Solución</strong>:<br />
Página 3 <strong>de</strong> 4
Hoja <strong>de</strong> Problemas 4 - <strong>Solución</strong> Búsqueda Heurística (II) - A ∗<br />
(c) ¿Cuál <strong>de</strong> las heurísticas expan<strong>de</strong> menos nodos? ¿Por qué? ¿Pue<strong>de</strong> sacar una<br />
conclusión general con respecto a la “calidad” <strong>de</strong> las funciones heurísticas?<br />
<strong>Solución</strong>:<br />
Expan<strong>de</strong> menos nodos la heurística 2, la suma <strong>de</strong> las distancias <strong>de</strong> Manhattan.<br />
Esto suce<strong>de</strong> porque siendo las dos herísticas optimistas, la heurística 2 es más<br />
informada que la heurística 1. Por este motivo es conveniente buscar funciones<br />
heurísticas optimístas que sean lo más informadas posibles.<br />
3. Consi<strong>de</strong>re el problema <strong>de</strong> los bloques cuyo estado inicial y estado meta se muestran<br />
en la siguiente figura:<br />
Desarrolle el árbol <strong>de</strong> búsqueda que expan<strong>de</strong> el algoritmo A ∗ , utilizando la siguiente<br />
heurística:<br />
h ∗ (n) = n o bloques <strong>de</strong>scolocados<br />
Filtre los ciclos simples, indique el or<strong>de</strong>n <strong>de</strong> expansión <strong>de</strong> los estados y muestre en<br />
cada paso los valores <strong>de</strong> f ∗ , g y h ∗ . Suponga que el coste <strong>de</strong> cada operador es 1.<br />
<strong>Solución</strong>:<br />
Página 4 <strong>de</strong> 4