revisão i – ap1
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 PresentationTRANSCRIPT
Contatos
Prof. Guilherme Alexandre Monteiro Reinaldo
Apelido: Alexandre Cordel
E-mail/gtalk: [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