Métodos de Búsqueda

Bioinspirados
Inteligencia Artificial
Universidad del Magdalena
 Búsqueda Local -> Problemas de
Optimización
• Métodos de búsqueda basados en arboles -> Encontrar un
camino de un estado inicial a una meta.
– Búsqueda sin Información (1ro profundidad, 1ro anchura, etc)
– Búsqueda Informada (A*, primero el mejor, etc)

• Ahora la estrategia es distinta

 Cada estado tiene un score f(s) que se computa.
 La meta es encontrar el estado con mejor score o
razonablemente un alto score.
 El camino entre el estado inicial y final no importa.
 Tenemos problemas de optimización.
 Es imposible enumerar los estados.
 Búsqueda Local
Características:
• No retienen caminos
• Usan muy poca memoria
• Pueden encontrar soluciones en espacio de
estados grandes o infinitos (continuos)
• El punto o estado inicial de la búsqueda es
importante
• Se debe tener una noción de progreso
 Ejemplo
• 4-reinas
– Estados: 4 reinas en 4 columnas (4^4 = 256 estados)
– Operadores: mover una reina en una columna.
– Estado meta: no ataques
– Evaluación: h(n) numero de ataques
 Ascenso por la Colina

Continuamente se mueve en la
dirección del estado sucesor
que incrementa el score hasta
que un estado máximo es
alcanzado.

 Inicia en un estado S
 Se mueva a un estado vecino t con mejor score. Repite.
 El vecindario de un estado es el conjunto de vecinos,
también llamado conjunto de movimientos. Esto es
similar al concepto de función de costo.
Ascenso por la Colina
 Ejemplo
• 8-reinas

Vecinos de S
 Ascenso por la colina
• Es un algoritmo codicioso

Posibles
configuraciones
en el espacio de
búsqueda
Problemas del Ascenso por la Colina

Es una búsqueda ciega en el sentido de que desconocemos el

espacio de búsqueda.
Problema del Ascenso por la Colina
• Óptimos locales – sub óptimos (pueden haber
muchos)

• Mesetas
 Problemas del Ascenso por la Colina
• No puede navegar atreves de crestas
estrechas
Variantes de Ascenso por la Colina
• Con reinicios aleatorios

1. Cunado quede atascado, escoger un nuevo estado

para iniciar aleatoriamente.
2. Repetir el procedimiento k veces.
3. Retorne los mejores k óptimos locales.

• Esta estrategia se debería usar siempre que utiliza este

algoritmo
Variantes del Ascenso por la Colina
• Ascenso por la colina estocástico
– Escoger un sucesor aleatoriamente
– Algunas veces dar pasos de descenso. A veces hay
que bajar para volver a subir.
 Enfriamiento Simulado
“Simulated annealing is a variation of hill
climbing in which, at the beginning of the
process, some downhill moves may be made.
The idea is to do enough exploration of the
whole space early on so that the final solution is
relatively insensitive to the starting state. This
should lower the chances of getting caught at a
local maximum, a plateau, or a ridge.”
 Enfriamiento Simulado
• Generar sucesores aleatoriamente.
• Permite malos movimientos con alguna
probabilidad e^(ΔE/T)
• Gradualmente decrementa la frecuencia de
tales movimientos y su tamaño al reducir la
temperatura.
 Enfriamiento Simulado
• Si f(t) es mejor que f(s), siempre acepta t
• En el caso contrario acepta a t con
probabilidad:
Algoritmo
 Ejercicio para la Clase
• Resolver:
La tabla de abajo contiene la distancia entre cinco ciudades. Encontrar la
ruta óptima para el problema del viajero con estas ciudades. Utilizar el
código dado en clase.