Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
Inteligência Artificial Lucas Silva Figueiredo lsf.cin@gmail.com Google Classroom 9gfkdd 1 recapitulando Agentes Agentes e Ambientes Nome Vt Título 4 Ambiente da Tarefa (Task Environment) PEAS: tabela descritiva do agente Resumo da Classificação VISIBILIDADE total X parcial AGENTES único X multi PREVISIBILIDADE determinístico X estocástico INTERAÇÃO episódica X sequencial SINCRONIA estático X dinâmico PERCEPTS discreto X contínuo COMPORTAMENTO conhecido X não-conhecido Nome Vt Título 6 Tipos de Agentes Reflexivo Simples Reflexivo Baseado em Modelos Baseados em Objetivos Baseados na Utilidade Espaço de Estados Descrição do conjunto de estados do ambiente dadas todas as possíveis ações do agente em cada estado Espaço de Estados Busca em Largura Ciclos das Etapas Expandir Teste do Objetivo Marcar Selecionar nó da fronteira com grau de parentesco mais próximo da raiz [usar fila] Busca em Profundidade Ciclos das Etapas Expandir Teste do Objetivo Marcar Selecionar nó da fronteira com grau de parentesco mais próximo da raiz [usar pilha] Busca de Custo-Uniforme Ciclos das Etapas Teste do Objetivo continua a busca até não existir fronteira Expandir Selecionar menor custo Marcar Busca Gulosa O Melhor Primeiro Busca A* Priorizar com base em Distância percorrida + Distância do objetivo notícias e posições notícias e posições notícias e posições aula de hoje Buscas Locais Enconomia de Memória e Ambientes Desconhecidos Agentes com Visibilidade Total Ambientes totalmente observáveis Agentes com Visibilidade Parcial Ambientes parcialmente observáveis Ambientes infinitos Visão do Espaço de Estados State-space Landscape A visibilidade do agente é limitada e por isso uma busca local é necessária Visão do Espaço de Estados Localidade estado atual Elevação direção para o objetivo Mínimos Global e Local mínimo local mínimo global função de custo = função objetivo invertida espaço de estados estado atual e direção da busca platô platô visão (landscape) do espaço de estados Máximos Global e Local máximo local máximo global função objetivo espaço de estados platô platô estado atual e direção da busca visão (landscape) do espaço de estados Busca Subindo a Montanha Hill-climbing Search Essa busca é também chamada de Busca Local Gulosa, por avançar para um estado vizinho que está a priori na direção correta sem considerar o impacto futuro desta decisão Busca Subindo a Montanha Tipo de busca local Avança sempre para o vizinho indicado pela elevação Risco de não encontrar a solução global por 2 razões 1. ficar preso em uma solução local 2. ficar perdido em um platô Busca Subindo a Montanha S escala melhor ---------------------------pior Busca Subindo a Montanha : Visão S 8 vizinhos escala melhor ---------------------------pior Busca Subindo a Montanha S máximo global máximos locais escala melhor ---------------------------pior Busca Subindo a Montanha S ordem de desempate: esquerda, baixo, direita, cima escala melhor ---------------------------pior Busca Subindo a Montanha Uma pequena modificação na posição inicial do agente pode trazer um grande impacto no resultado da busca Busca Subindo a Montanha S ordem de desempate: esquerda, baixo, direita, cima escala melhor ---------------------------pior Busca Subindo a Montanha S escala melhor ---------------------------pior ordem de desempate: esquerda, baixo, direita, cima Buscas Subindo a Montanha Reiniciadas Aleatoriamente Random Restart Hill-climbing Search Buscas reinicializadas aleatoriamente para dar novas oportunidades ao agente para que seu objetivo seja encontrado Buscas Subindo a Montanha Reiniciadas Aleatoriamente 2 1 5 4 3 escala melhor ---------------------------pior Teleporte? E se o agente pudesse reiniciar sua busca a partir de outro ponto no espaço de estados? No caso do agente preso no deserto isso faz pouco sentido. Mas imagine um agente com visibilidade local que busca resolver o Jogo dos Oito (também conhecido como racha cuca) Arrefecimento Simulado Simulated Annealing Simular uma alta energia inicial do agente para que ele possa ir para caminhos custosos (gastando energia) para não ficar preso em um máximo (ou mínimo) local e atingir seu objetivo Buscas por Arrefecimento Simulado 11 13 1 9 12 14 2 10 8 15 3 7 16 17 4 5 6 18 T = 100 OK M = 10; P = T – M = 90%; OK; T = T – M = 90 OK OK OK M = 10; P = T – M = 80%; OK; T = 80 OK OK M = 20; P = T – M = 60%; X ; T = 80 OK … 18. Objetivo atingido melhor ---------------------------pior Busca Local em Feixe Local Beam Search Diversos nós usados como estados inciais Busca realizada em paralelo, cada busca dá um passo por rodada Similar as buscas Reiniciadas Aleatoriamente, mas existe uma diferença Busca Local em Feixe Buscas em paralelo Nós raiz são iniciados aleatoriamente Vizinhos ordenados com base na elevação Cada busca compartilha informações Regiões com maior erro são abandonadas Busca Local em Feixe 2 7 1 8 5 4 3 6 Iteração 1 escala melhor ---------------------------pior Busca Local em Feixe 6 5 1 4 2 3 8 7 Iteração 2 escala melhor ---------------------------pior Busca Local em Feixe 1 Iteração 2 escala melhor ---------------------------pior Algoritmos Genéticos Genetic Algorithms Algoritmos Genéticos simulam a seleção natural, colocando uma população à prova ao longo de gerações na busca por um objetivo compartilhado por todos 864275_1 → “Mutações podem ser causadas por erros de cópia do material durante a divisão celular, por exposição a radiação ultravioleta ou ionizante, mutagênicos químicos, ou vírus.” https://pt.wikipedia.org/wiki/Muta%C3%A7%C3%A3o Desafio 2 http://rednuht.org/genetic_cars_2/ resumo buscas locais subindo a montanha reinicialização arrefecimento algoritmos genéticos referência
Compartilhar