Bsqueda Heurstica en la inteligencia artificial Se llama Bsqueda Heurstica debido a que usa conocimientos especficos del problema.

Con esta bsqueda podemos encontrar soluciones ms eficientemente en el tiempo mas rpido posible sin repetir ninguna ciudad. No obstante existe un tope de 30 ciudades, ya que an a 1 seg por solucin, se tardara 1020 aos en resolver el problema. (El universo solo tiene 1,6 x 1010 aos). Una solucin comn es de 9 ciudades, que nos da una combinacin de 9!=362 880 viajes posibles. Como se ve, la Bsqueda Heurstica nos da la ventaja de rapidez en estos casos.

Tipos de Algoritmos Heursticos

En una primera clasificacin podemos decir que los algoritmos heursticos pueden ser simples o complejos. Los algoritmos simples tienden a tener reglas de terminacin bien definidas, y se detienen en un ptimo local, mientras que los algoritmos ms complejos pueden no tener reglas de terminacin estndar, y buscan soluciones mejores hasta alcanzar un punto de parada arbitrario. Dentro de los algoritmos heursticos complejos podemos hacer una segunda clasificacin, esta vez orientada a la funcionalidad de los mismos. En primer lugar podemos encontrarnos con algoritmos que fueron diseados para dar solucin a problemas de bsqueda de ptimos o clasificacin y por otro lado tenemos los algoritmos que tratan de deducir conocimiento a partir de un conjunto de axiomas, estos ltimos conocidos como sistemas basados en el conocimiento. Entre los algoritmos de busqueda de ptimos se encuentran los siguientes mtodos: Busqueda Tab Temple Simulado Algoritmos Genticos Redes Neuronales

Los sistemas basados en el conocimiento definen un rea muy concreta dentro de la inteligencia artificial, conocida como Ingeniera del conocimiento. Los sistemas desarrollados en este campo siguen un patrn heurstico similar al razonamiento humano.

Busqueda Tab

La bsqueda tab es un procedimiento o estrategia dado a conocer en los trabajos de Glover, y que esta teniendo grandes exitos y mucha aceptacin en los ltimos aos. Segn su creador, es un procedimiento que "explora el espacio de soluciones ms alla del ptimo local", (Glover y Laguna). Se permiten cambios hacia arriba o que empeoran la solucin, una vez que se llega a un ptimo local. Simultneamente los ultimos movimientos se califican como tabs durante las siguientes iteraciones para evitar que se vuelvan a soluciones anteriores y el algoritmo cicle. El termino tab hace referencia a un tipo de inhibicin a algo debido a connotaciones culturales o historicas y que puede ser superada en determinadas condiciones. (Glover).

Temple Simulado
El uso del temple simulado en problemas de Optimizacin se ha extendido desde mediados de los ochenta hasta ahora, a partir de los trabajos de Kirpatrick, Gelatt & Vecchi. Los algoritmos Temple Simulado estn basados en una estrecha analoga entre los procesos fsicos termodinmicos y los elementos de un problema de optimizacin combinatoria. Aunque asintticamente estos algoritmos se comportan como exactos, (un anlisis exhaustivo de esta afirmacin se puede encontrar en el trabajo de Aarts & Korst), en la prctica se disean como heursticos. El campo de aplicaciones se ha extendido durante estos aos. En problemas de rutas destacan las aportaciones de Osman, para el VRP; y Aarts y otros, para el problema del viajante de comercio.

Algoritmos Genticos
En los aos setenta, de la mano de John Holland surgi una de las lneas ms prometedoras de la inteligencia artificial, la de los algoritmos genticos. Son llamados as porque se inspiran en la evolucin biolgica y su base gentico-molecular. Estos algoritmos hacen evolucionar una poblacin de individuos sometindola a acciones aleatorias semejantes a las que actan en la evolucin biolgica (mutaciones y recombinacin gentica), as como tambin a una seleccin de acuerdo con algn criterio, en funcin del cual se decide cules son los individuos ms adaptados, que sobreviven, y cules los menos aptos, que son descartados.

Redes Neuronales
En inteligencia artificial las redes de neuronas artificiales (RNA) son un ejemplo de aprendizaje y procesamiento automtico basado en el funcionamiento del sistema nervioso animal. Se trata de simular el comportamiento observado en las redes neuronales biolgicas a travs de modelos matemticos mediante mecanismos artificiales (circuitos integrados, ordenadores...). Con las RNA se pretende conseguir que las mquinas den repuestas similares a las del cerebro humano, caracterizadas por su generalizacin y robustez.

Sistemas expertos
Los sistemas expertos se basan en simular el razonamiento humano con un doble inters: en primer lugar el del analizar el razonamiento de un experto en la materia para poder codificarlo con la ayuda de un determinado lenguaje informtico; por otra parte, la sntesis artificial de los razonamientos para que se parezcan a los del experto humano en la resolucin de un determinado problema. Estos dos intereses han hecho que los investigadores del campo de la IA intenten establecer una metodologa que les permita verificar la "comunicacin" con los expertos y separar los distintos tipos de razonamiento (formal, deductivo, inductivo...), adems de construir los elementos necesarios para modelizarlos. Mientras que en la programacin clsica se diferencia solamente entre el programa y los datos, en los sistemas expertos se diferencian tres componentes:

Una base de conocimientos Una base de hechos Un motor de inferencia

La base de conocimientos almacena toda la informacin especfica relativa al campo de conocimiento deseado. Para ello se hace uso de un lenguaje especfico para representar los conocimientos y que permite definir al experto su propio vocabulario tcnico. En la base de hechos se encuentran los datos relativos a los problemas que se quieren resolver con la ayuda del sistema. La memoria de trabajo almacena los resultados intermedios, pudiendo guardar el rastro de las inferencias realizadas. Es por eso que puede utilizarse para explicar la forma en la que el sistema ha deducido la informacin durante una sesin de trabajo o describir el comportamiento del propio sistema. Al comienzo del perodo de trabajo, en la base de hechos slo se encuentran los datos introducidos por el usuario del sistema, pero a medida que acta el motor de inferencia, almacena las inducciones y deducciones que ha llevado a cabo el sistema para conseguir las conclusiones. El motor de inferencia, es un programa que a partir del "conocimiento" puede resolver el problema especificado. Esto se consigue gracias a los datos de la base de hechos del sistema. Por lo general, las reglas de la base de conocimiento son silogismos demostrativos (si A es cierto entonces deducimos B). En este caso, el motor de inferencias selecciona, valida y activa las reglas que permiten obtener la solucin correspondiente al problema en cuestin. Existen dos tipos de motor de inferencia: los que emplean el razonamiento aproximado (cuyo resultado puede ser errneo) y los que usan un tipo de razonamiento a partir del que se puede obtener resultado verdadero.

Bsqueda heurstica Los mtodos de bsqueda heurstica disponen de alguna informacin sobre la proximidad de cada estado a un estado objetivo, lo que permite explorar en primer lugar los caminos ms prometedores. Son caractersticas de los mtodos heursticos: No garantizan que se encuentre una solucin, aunque existan soluciones. Si encuentran una solucin, no se asegura que sta tenga las mejor esas propiedades (que sea de longitud mnima o de coste ptimo). En algunas ocasiones (que, en general, no se podrn determinar a priori), encontrarn una solucin (aceptablemente buena) en un tiempo razonable. En general, los mtodos heursticos son preferibles a los mtodos no informados en la solucin de problemas difciles para los que una bsqueda exhaustiva necesitara un tiempo demasiado grande. Esto cubre prcticamente la totalidad de los problemas reales que interesan en La informacin del problema concreto que estamos intentando resolver se suele expresar por medio de heursticas.

El concepto de heurstica es difcil de aprehender. Newell, Shaw y Simon en 1963 dieron la siguiente definicin: "Un proceso que puede resolver un problema dado, pero que no ofrece ninguna garanta de que lo har, se llama una heurstica para ese problema". Si nos planteamos seguir concretando como aprovechar lainformacin sobre el problema en sistemas de produccin, la siguiente idea consiste en concentrar toda la informacin heurstica en una nica funcin que se denomina funcin de evaluacin heurstica. Se trata de una funcin que asocia a cada estado del espacio de estados una cierta cantidad numrica que evala de algn modo lo prometedor que es ese estado para acceder a un estado objetivo. Habitualmente, se denota esa funcin por h(e). La funcin heurstica puede tener dos interpretaciones. Por una parte, la funcin puede ser una estimacin de lo prximo que se encuentra el estado de un estado objetivo. Bajo esta perspectiva, los estados de menor valor heurstico son los preferidos. Pero en otros casos puede suceder que lo que convenga sea maximizar esa funcin. Ejemplos de funciones heursticas Veamos ejemplos de heursticas para algunos problemas concretos. Para el problema del 8puzzle tenemos las siguientes heursticas: a) La basada en la distancia Manhattan (o distancia taxi). Se asocia a cada casilla un nmero que es la suma de las distancias horizontal y vertical a su posicin en el tablero objetivo (esto es, la suma de diferencias de sus coordenadas x e y). La funcin heurstica es la suma de las distancias de cada una de las casillas (excluyendo la que se encuentra vaca).

b) Otra heurstica, mucho ms simple, consiste en contar el nmero de casillas que estn fuera de su sitio (respecto al tablero objetivo). Es una heurstica ms pobre que la anterior, puesto que no usa la informacin relativa al esfuerzo (nmero de movimientos) necesario para llevar una pieza a su lugar. Ejercicio. Otra heurstica posible para el 8-puzzle, si el estado objetivo es el recogido en la figura 1, es la siguiente: h(e) = 3 * seq(e), donde seq(e) cuenta 1 si hay un dgito central en e y 2 por cada dgito x no central que no es seguido (en el sentido de la agujas del reloj) por su sucesor x+1 (imponemos por convenio que 8 + 1 = 1). Calcular el valor de esta heurstica para los estados que aparecen en la figura 1. El problema del viajante.

Estado inicial: un viajante se encuentra en una capital de provincia. Estado meta: quiere viajar a otra capital por la mejor ruta posible (la ms corta) Medios: Las capitales de provincia colindantes estn unidas por carreteras; se dispone de un mapa con la disposicin de las provincias y sus "coordenadas" en kilmetros respecto al "centro" (por ejemplo, Madrid, con coordenadas (0,0)). Una funcin heurstica para ese problema consiste en asignar a cada estado un valor que es la distancia area (en lnea recta) con el estado objetivo. Dicha distancia es la distancia eucldea entre las coordenadas de dos ciudades. Se elige una ciudad como siguiente en el camino cuando la suma de la distancia a la ciudad actual ms la distancia area a la meta sea la menor. Una persona quiere viajar de Madrid a Santander considerando el mapa de carreteras de la fig. 2 Fig. 2

Cuatro alternativas en la primera etapa: Cceres, Palencia, Zaragoza y Valencia. Funcin heurstica considerando la distancia area: Distancia (Madrid, Santander)=Distancia (Madrid, Palencia)+Distancia area (Palencia, Santander) que es ms pequea que la obtenida a travs de Cceres Distancia (Madrid, Santander)=Distancia (Madrid, Cceres)+Distancia area (Cceres, Santander) Funcin heurstica considerando distancias parciales: Distancia (Madrid, Santander)=Distancia (Madrid, Palencia)+Distancia (Palencia, Santander)