TEMA 2:

Un agente es algo que percibe y actúa en un medio. La función del agente para un agente especifica la acción que debe realizar un agente corno respuesta a cualquier secuencia recibida.      La medida de rendimiento evalúa el comportamiento del agente en un medio. Un agente racional actúa con la intención de maximiza el valor esperado de la medida de rendimiento, dada la secuencia de percepciones que ha observado hasta el momento.       
Las especificaciones del entorno de trabajo incluyen la medida de rendimiento, el medio externo, los actuadores y los sensores. Elprimer paso en el diseño de un agente debe ser siempre la especificación, tan completa como sea posible, del entorno de trabajo.

El entorno de trabajo varía según distintos parámetros

Pueden ser total o parcialmente visibles, deterministas o estocásticos, episódicos o secuenciales, estáticos o dinámicos, discretos o continuos, y formados por un único agente o por varios agentes.         
El programa del agente implementa la función del agente. Existe una gran variedad de diseños de programas de agentes, y reflejan el tipo de información que ie hace explícita y se utiliza en el proceso de decisión. Los diseños varían en eficiencia, solidez y flexibilidad. EI diseño apropiado del programa del agente depende en gran medida de la naturaleza del medio.         
Los agentes reactivos simples responden directamente a las percepciones. Mientras que losagentes reactivos basados en modelos mantienen un estado interno que les permite seguir el rastro de aspectos del mundo que no son evidentes según las percepciones actuales.
Los agentes basados en objetivos actúan con la intención de alcanzar sus metas, y los agentes basados en utilidad intentan maximizar su «felicidad» deseada.      Todos los agentes pueden mejorar su eficacia con la ayuda de mecanismos de aprendizaje.

TEMA 3

Antes de que un agente pueda comenzar la búsqueda de soluciones, debe formular un objetivo y luego usar dicho objetivo para formular un problema.      

Un problema consiste en cuatro partes

El estado inicial, un conjunto de acciones, una función para el test objetivo, y una función de costo del camino.
El entorno del problema se representa por un espacio de estados.
Un camino por el espacio de estados desde el estado inicial a un estado objetivo es una solución.      
Un algoritmo sencillo y general de BÚSQUEDA-ÁRBOL puede usarse para resolver cualquier problema; las variantes específicas del algoritmo incorporan estrategias diferentes.       

Los algoritmos de búsqueda se juzgan sobre la base(Parámetros para evaluar un algoritmo de búsqueda)

de completitud, optimización, complejidad en tiempo y complejidad en espacio.
La complejidad depende de b, factor de ramificación en el espacio de estados, y d, profundidad de la solución más superficial.       
La búsqueda primero en anchura selecciona para su expansión el nodo no expandido más superficial en el árbol de búsqueda. Es completo, óptimo para costos unidad y tiene la complejidad en tiempo y en espacio de O(b^d). La complejidad en espacio lo hace poco práctico en lamayor parte de casos.      
La búsqueda de coste uniforme es similar a la búsqueda primero en anchura pero expande el nodo con el costo más pequeño del camino, g(n). Es completo y óptimo si el costo de cada paso excede de una cota positiva E.    
La búsqueda primero en profundidad selecciona para la expansión el nodo no expandido más profundo en el árbol de búsqueda. No es ni completo, ni óptimo, y tiene la complejidad en tiempo de O(b^m) la complejidad en espacio de O(bm), donde m es la profundidad máxima de cualquier camino en el espacio de estados.       
La búsqueda de profundidad limitada impone un límite de  profundidad fijo a la búsqueda primero en profundidad.        
La búsqueda de profundidad iterativa llama ala búsqueda de profundidad limitada aumentando este límite hasta que se encuentre un objetivo. Es completo, óptimo para costos unidad, y tiene la complejidad en tiempo de O(b^d) y la complejidad en espacio de O(bd).      
La búsqueda bidireccional puede reducir enormemente la complejidad en tiempo, pero no es siempre aplicable y puede requerir demasiado espacio.       Cuando el espacio de estados es un grafo más que un árbol, puede valer la pena comprobar si hay estados repetidos en el árbol de búsqueda. El algoritmo de BÚSQUEDA-GRAFOS elimina todos los estados duplicados.          Cuando el ambiente es parcialmente observable, el agente puede aplicar algoritmos de búsqueda en el espacio de estados de creencia, o los conjuntos de estados posibles en los cuales el agente podría estar. En algunos casos, se puede construir una sencilla secuencia solución; en otros casos, el agente necesita de un plan de contingencia para manejar las circunstancias desconocidas que puedan surgir.

TEMA 4:

Búsqueda primero el mejor es una BÚSQUEDA-GRAFO donde los nodos no expandidos de costo mínimo (según alguna medida) se escogen para la expansión. Los algoritmos primero el mejor utilizan típicamente una función heurística h(n) que estima el costo de una solución desde n.      
Búsqueda primero el mejor avara expande nodos con h(n) mínima. No es óptima, pero es a menudo eficiente.      

Búsqueda A*

expande nodos con mínimo f(n) = g (n) + h(n).

A*

es completa y óptima. Con tal que garanticemos que h (n) sea admisible para BÚSQUEDA-Árbol o consistente (para BÚSQUEDA-GRAFO). La complejidad EN espacio de A*
es todavía prohibitiva.     

El rendimiento de los algoritmos de

Búsqueda heurística depende de la calidad de Ia función heurística.
Las heurísticas buenas pueden construirse a veces relajando la definición del problema, por costos de solución precalculados para sub-problemas, en un modelo de bases de datos, o aprendiendo de Ia experiencia con clases de problemas.     

BRPM(búsqueda recursiva primero el mejor)

y A*MS(simplificado)
son algoritmos de búsqueda robustos y óptimos que utilizan cantidades limitadas de memoria; con suficiente tiempo, pueden resolver los problemas que A*
no puede resolver porque se queda sin memoria.      Los métodos de búsqueda local, como la ascensión de colinas, operan en formulaciones completas de estados, manteniendo sólo un número pequeño de nodos en memoria. Se han desarrollado varios algoritmos estocásticos, inclusive el temple simulado, que devuelven soluciones óptimas cuando se da un apropiado programa de enfriamiento. Muchos métodos de búsqueda local se pueden utilizar también para resolver problemas en espacios continuos.         Un algoritmo genético es una búsqueda de ascensión de colinas estocástica en la que se mantiene una población grande de estados. Los estados nuevos se generan por mutación y por cruce, combinando pares de estados de la población.      Los problemas de exploración surgen cuando el agente no tiene la menor idea acerca de los estados y acciones de su entorno. Para entornos seguramente explorables, los agentes de búsqueda en línea pueden construir un mapa y encontrar un objetivo si existe. Las estimaciones de la heurística, que se actualizan por la experiencia, proporcionan un método efectivo para escapar de mínimos locales.

TEMA 6:

Los agentes inteligentes necesitan el conocimiento acerca del mundo para tomar las decisiones acertadas.      Los agentes contienen el conocimiento en forma de sentencias mediante un lenguaje de representación del conocimiento, las cuales quedan almacenadas en una base de conocimiento.   

Un agente basado en conocimiento se compone de una base de conocimiento y un mecanismo de inferencia

El agente opera almacenando las sentencias acerca del mundo en su base de conocimiento, utilizando el mecanismo de inferencia para inferir sentencias nuevas, y utilizando estas sentencias nuevas para decidir qué acción debe tomar.     
Un lenguaje de representación del conocimiento se define por su sintaxis.
que especifica la estructura de las sentencias, y su semántica, que define el valor de verdad de cada sentencia en cada mundo posible, o modelo.      
La relación de implicación entre las sentencias es crucial para nuestro entendimiento acerca del razonamiento. Una sentencia a implica otra sentencia B si B es verdadera en todos los mundos donde a lo es. Las definiciones familiares a este concepto son : la validez de la sentencia a =>
B, y la insatisfacibilidad de la sentencia a A ¬B


La inferencia es el proceso que consiste en derivar nuevas sentencias a partir de las ya existentes. Los algoritmos de inferencia sólidos solo derivan aquellas sentencias que son implicadas; los algoritmos completos derivan todas las sentencias implicadas.       La lógica proposicional es un lenguaje muy sencillo compuesto por los símbolos proposicionales y las conectivas lógicas.
De esta manera se pueden manejar proposiciones que se sabe son ciertas, falsas, o completamente desconocidas.        El conjunto de modelos posibles; dado un vocabulario proposicional fijado, es finito, y así se puede comprobar la implicación tan sólo enumerando los modelos. Los algoritmos de inferencia basados en la comprobación de modelos más eficientes para la lógica proposicional, entre los que se encuentran los métodos de búsqueda local y backtracking, a menudo pueden resolver problemas complejos muy rápidamente.      Las reglas de inferencia son patrones de inferencia sólidos que se pueden utilizar para encontrar demostraciones. De la regla de resolución obtenemos un algoritmo de inferencia completo para bases de conocimiento que están expresadas en forma normal conjuntiva.
El encadenamiento hacia delante y el encadenamiento hacia atrás son algoritmos de razonamiento muy adecuados para bases de conocimiento expresadas en cláusulas de Horn.        
Se pueden diseñar dos tipos de agentes que utilizan la lógica proposicional los agentes basados en inferencia utilizan algoritmos de inferencia para guardar la pista del mundo y deducir propiedades ocultas, mientras que los agentes basados en circuitos representan proposiciones mediante bits en registros, y los actualizan utilizando la propagación de señal de los circuitos lógicos.     
La lógica proposicional es razonablemente efectiva para ciertas tareas de un agente, pero no se puede escalar para entornos de tamaño ilimitado, a causa de su falta de poder expresivo para manejar el tiempo de forma precisa, el espacio, o patrones genéricos de relaciones entre objetos.

Etiquetas: Agentes reactivos basados en modelo, Algoritmos de métodos de búsqueda de vectores, Búsqueda en vectores, Búsqueda local en espacios continuos, Definición método de búsqueda, Métodos de búsqueda de vectores