revisão i – ap1

18
1 Revisão I – AP1 Prof. Alexandre Monteiro Recife

Upload: leonard-acevedo

Post on 30-Dec-2015

42 views

Category:

Documents


3 download

DESCRIPTION

Revisão I – AP1. Prof. Alexandre Monteiro Recife. Contatos. Prof. Guilherme Alexandre Monteiro Reinaldo Apelido: Alexandre Cordel E-mail/ gtalk : [email protected] [email protected] Site: http://www.alexandrecordel.com.br/fbv Celular: (81) 9801-1878. - PowerPoint PPT Presentation

TRANSCRIPT

1

Revisão I – AP1

Prof. Alexandre Monteiro

Recife

Contatos

Prof. Guilherme Alexandre Monteiro Reinaldo

Apelido: Alexandre Cordel

E-mail/gtalk: [email protected]

[email protected]

Site: http://www.alexandrecordel.com.br/fbv

Celular: (81) 9801-1878

3

Inteligência Artificial

O que é inteligência Artificial? O que é inteligência Artificial?

O que diferencia inteligência artificial de inteligência natural?

4

Paradigmas da IA

Simbólico: metáfora lingüística/lógica• Sistemas de produção

Conexionista: metáfora cérebro• Redes neurais

Evolucionista: metáfora teoria da evolução natural• Algoritmos genéticos

Probabilista: probabilidade• Redes bayesianas

IA Distribuída: metáfora social• Sistemas multiagentes

sensoresAgente

atuadoresa m

b i e

n t

e

Raciocinadormodelo do ambiente

O que é um agente Agente é qualquer entidade que:?

• percebe seu ambiente através de sensores (ex. câmeras, microfone, teclado, finger...)

• age sobre ele através de atuadores (ex. vídeo, auto-falante, impressora, braços, ftp, ...)

Mapeamento: seqüência de percepções => ação

?

6

Propriedades de Ambientes de Tarefas

Classes de ambientes• Físico: robôs• Software: softbots• Realidade virtual (simulação do ambiente físico): softbots e avatares

Propriedades de um ambiente• Acessível (completamente observável) x inacessível (parcialmente

observável) • Estático (não muda) x dinâmico (muda) – semidinâmico (ações)• Determinista (conhece próximo estado) x estocástico (ñ-determinista)• Discreto x contínuo• Episódico (só depende das ações anteriores) x não-episódico

(seqüêncial)• tamanho: número de percepções, ações, objetivos,...• Discreto (xadrez) x contínuo (dirigir táxi)• Agente único x multiagente

7

Algoritmo Básico

Função agenteSimples (percept) retorna açãomemória := atualizaMemória (memória, percept)

ação := escolheMelhorAção(memória)

memória := atualizaMemória (memória, ação)

retorna ação

Arquiteturas• Agente tabela• Agente reativo simples• Agente reativo baseado em modelos • Agente baseado em objetivos • Agente baseado em utilidade • Agente com aprendizagem autonomia

complexidade

Um problema de busca em IA pode ser definido em termos de...

1. um estado inicial- Em (Recife)- Estar (pobre)

2. um ou mais estados finais => definição do objetivo- Em (João Pessoa)- Estar (rico)

3. Espaço de Estados:- conjunto de todos os estados alcançáveis a partir do estado

inicial por qualquer seqüência de ações.- pode ser representado como uma árvore onde os estados são

nós e as operações são arcos.

4. Solução:- caminho (seqüência de ações ou operadores) que leva do

estado inicial a um estado final (objetivo), passando de um estado para outro

• Ex., dirigir de Recife a João Pessoa- Espaço de estados: todas as cidades da região de Recife a João

Pessoa8

9

Métodos de Busca Busca exaustiva (sem informação ou cega)

• Não sabe qual o melhor nó da fronteira a ser expandido = menor custo de caminho desse nó até um nó final (objetivo).

Busca heurística (com informação)• Estima qual o melhor nó da fronteira a ser

expandido com base em

funções heurísticas => conhecimento

Busca Cega Estratégias para determinar a ordem de ramificação dos

nós:

1. Busca em largura/extensão

2. Busca de custo uniforme

3. Busca em profundidade

4. Busca com aprofundamento iterativo (retrocesso)

Direção da ramificação:1. Do estado inicial para um estado final

2. De um estado final para o estado inicial

3. Busca bi-direcional

11

Busca pela Melhor Escolha (BME) Best-First Search

Busca genérica onde o nó de menor custo “aparente” na fronteira do espaço de estados é expandido primeiro

Duas abordagens básicas:

1. Busca Gulosa (Greedy search)

2. Algoritmo A* e suas variantes Algoritmo:

Função-Insere - ordena nós com base na Função-Avaliação

função Busca-Melhor-Escolha (problema,Função-Avaliação)

retorna uma solução

Busca-Genérica (problema, Função-Insere)

Algoritmos de Melhorias Iterativas

Dois exemplos clássicos

• Subida da encosta (Hill-Climbing)

• Têmpera simulada (Simulated

Annealing)

12

Algoritmo BT

Começando com uma solução inicial s0, a cada iteração,

Um subconjunto V da vizinhança N(s) da solução corrente s é explorado

O membro s0 de V com melhor valor nesta região segundo a função f(:) torna-se a nova solução corrente

mesmo que s0 seja pior que s.

Evitando Ciclos

existe uma lista tabu T, a qual é uma lista de movimentos proibidos.

A lista tabu clássica contém os movimentos reversos aos últimos |T| movimentos realizados

|T| funciona como uma fila de tamanho fixo, • isto é, quando um novo movimento é adicionado à lista,

o mais antigo sai.

Assim, na exploração do subconjunto V da vizinhança N(s) da solução corrente s, ficam excluídos da busca os vizinhos s0 que são obtidos de s por movimentos m que constam na lista tabu

15

Introdução Principal motivação para o estudo da computação

evolutiva através de algoritmos genéticos é:

• Otimização de processos complexo e que possuem um grande número de variáveis

O que é otimizar?

16

Algoritmos Genéticos

População atual

Reprodução

Avaliação

Seleção

População inicial População final

Funcionamento:GERAÇÕES

17

Reprodução

Permite obtenção de novos indivíduos

Utiliza operadores genéticos

•Transformam a população - Crossover (cruzamento ou recombinação)- Mutação

18

Crossover

Diversas variações

• Um ponto- Mais comum

• Dois pontos• Multi-pontos• Uniforme