Búsqueda Heurística
Autor: Tommy Daniel Gonzales Alvarado
Escuela “Ingeniería Informática y de Sistemas”, Universidad Privada San Pedro
Chimbote, Perú
amorporsiempre11@outlook.com
II. DESARROLLO TEMATICO
I. INTRODUCCIÓN
La búsqueda es una de las técnicas más utilizadas
para resolver los problemas de pathfinding o
planificación que se presentan en la inteligencia
artificial en los juegos de vídeo.
En particular, la búsqueda es utilizada para resolver el
problema de la navegación. La constante evolución de
los juegos de vídeo ha llevado a que la inteligencia
artificial constituya uno de los aspectos más
importantes; es fundamental que los agentes
(entidades autónomas) controlados por la
computadora se comporten en forma inteligente. Un
problema característico es la navegación que consiste
en determinar el camino más conveniente entre una
posición inicial y una posición de destino. Si bien el
planteo del problema es sencillo, el mismo está lejos
de ser trivial debido a la creciente complejidad de los
entornos simulados y los requerimientos de tiempo
real de los juegos modernos.
En Inteligencia Artificial (IA) se emplea el calificativo
heurístico, en un sentido muy genérico, para aplicarlo
a todos aquellos aspectos que tienen que ver con el
empleo de conocimiento en la realización dinámica de
tareas.
Se habla de heurística para referirse a una técnica,
método o procedimiento inteligente de realizar una
tarea que no es producto de un riguroso análisis
formal, sino de conocimiento experto sobre la tarea. En
especial, se usa el término heurístico para referirse a
un procedimiento que trata de aportar soluciones a un
problema con un buen rendimiento, en lo referente a la
calidad de las soluciones y a los recursos empleados.
En la resolución de problemas específicos han surgido
procedimientos heurísticos exitosos, de los que se ha
tratado de extraer lo que es esencial en su éxito para
aplicarlo a otros problemas o en contextos más
extensos.
Esta búsqueda también es conocida como búsqueda
respaldada con información que puede dividir en los
siguientes tipos de búsqueda:
2.1. DEFINICION
En este caso una heurística es una función
matemática, definida en los nodos de un árbol
de búsqueda, que sirve como una estimación
del coste del camino más económico de un
nodo dado hasta el nodo objetivo. Las
heurísticas se usan en los algoritmos de
búsqueda informada como la búsqueda
egoísta.
.2.2. METODOS DE BUSQUEDA HEURISTICA
Los métodos de búsqueda heurística
disponen de alguna información sobre la
proximidad de cada estado a un estado
objetivo, lo que permite explorar en primer
lugar los caminos más prometedores.
En general, los métodos heurísticos son
preferibles a los métodos no informados en
la soluci6n de problemas difíciles para los
que una búsqueda exhaustiva necesitaría
un tiempo demasiado grande. Esto cubre
prácticamente la totalidad de los problemas
reales que interesan en Inteligencia
Artificial.
La información del problema concreto que
estamos intentando resolver se suele
expresar por medio de heurísticas.
2.2.1. CARACTERISTICAS DE METODOS
HEURISTICOS
• No garantizan que se encuentre una
soluci6n, aunque existan soluciones.
• Si encuentran una soluci6n, no se
asegura que esta tenga las mejor
esas propiedades (que sea de
longitud mínima o de coste optimo).
• En algunas ocasiones (que, en
general, no se podrán determinar a
priori), encontrarán una soluci6n
(aceptablemente buena) en un
tiempo razonable.
2.3. TIPOS DE BUSQUEDA - BÚSQUEDA A*:

2.3.1. BÚSQUEDA PREFERENTE POR LO Esta búsqueda es una búsqueda

MEJOR: preferente por lo mejor en la que se utiliza
f como función de evaluación.
Esta búsqueda consiste en expandir primero
aquel nodo con mejor evaluación. Dicha La función f calcula el costo estimado de
evaluación es el resultado de aplicar la la solución más barata, pasando por n y
función de evaluación al nodo, la cual se calcula de la siguiente manera:
devuelve un número que sirve para f=g(n) + h(n)
representar lo deseable que sería la
expansión de un nodo. Siendo g(n) el costo de ruta y h(n) una
heurística admisible (que nunca
Dentro de este tipo de búsqueda se sobreestima el costo que implica
encuentran: alcanzar la meta).

- BÚSQUEDA AVARA.  En esta búsqueda la cantidad de

memoria necesaria crece
Consiste en reducir al mínimo el costo exponencialmente con respecto
estimado para alcanzar una meta. a la profundidad. Pero la elección
Para ello se utiliza una función llamada de una buena función heurística
heurística, la cual estima el costo que permite disminuir notablemente
implica llegar a una meta desde un la complejidad tanto en tiempo
estado determinado, y elige cual es el como en espacio.
siguiente nodo que se va a expandir  Es óptima y completa.
aplicando esta función a cada nodo.
 En esta búsqueda el tiempo y la
cantidad de memoria necesaria
crece exponencialmente con
respecto a la profundidad. Pero la
elección de una buena función
heurística permite disminuir
notablemente la complejidad
tanto en tiempo como en espacio.
 No es óptima ni completa.

2.3.2. BÚSQUEDA LIMITADA POR LA CAPACIDAD

DE LA MEMORIA:

Cuando se implementan las búsquedas vistas hasta el

momento, hay ciertos problemas muy difíciles de
resolver y por lo tanto siempre hay que dar algo a
cambio para resolverlos, y lo primero que se cede es
la memoria disponible.

Para poder conservar la memoria existen:

- BÚSQUEDA A* POR PROFUNDIZACIÓN

ITERATIVA (A*PI):

 En este algoritmo, cada iteración es una

búsqueda preferente por profundidad, la
cual se modifica para utilizar un límite de
costo f en vez de un límite de profundidad.
 En esta búsqueda el espacio requerido en 2.4. FUNCION HEURISTICA:
memoria crece en forma lineal con respecto
a la profundidad, mientras que la
complejidad temporal depende de la
cantidad de distintos valores que adopte la
función heurística.
 Es óptima y completa.
- BÚSQUEDA A* ACOTADA POR MEMORIA
SIMPLIFICADA (A*SRM):
La funci6n heurística puede tener dos
interpretaciones. Por una parte, la funci6n puede
ser una estimaci6n de lo pr6ximo que se encuentra
el estado de un estado objetivo. Bajo esta
perspectiva, los estados de menor valor heurístico
son los preferidos. Pero en otros casos puede
suceder que lo que convenga sea maximizar esa
función.

 Tiene las siguientes características: 2.4.1. EJEMPLOS DE FUNCIONES

 Hace uso de toda la memoria que puede
disponer
 En la medida que se lo facilite la memoria,
evitará los estados repetidos
 Es completa si la memoria disponible tiene
capacidad suficiente para guardar la ruta de
solución más cercana
 Es óptima si dispone de suficiente memoria
para guardar la ruta de solución óptima más
cercana. De lo contrario produce la mejor
solución que sea posible obtener con la
memoria disponible.
2.3.3. BÚSQUEDA DE MEJORAMIENTO
ITERATIVO:
HEURISTICAS:
- Veamos ejemplos de heurísticas para
algunos problemas concretos. Para el
problema del 8-puzzle tenemos las
siguientes heurísticas:
a) La basada en la distancia Manhattan (o
distancia taxi). Se asocia a cada casilla un
número que es la suma de las distancias
horizontal y vertical a su posici6n en el
tablero objetivo (esto es, la suma de
diferencias de sus coordenadas x e y). La
función heurística es la suma de las
distancias de cada una de las casillas
excluyendo la que se encuentra vacía).

La idea básica de los algoritmos de estos tipos de 2 3

búsqueda consiste en empezar con una configuración
completa y efectuar modificaciones para mejorar su 1 8 4
calidad. 7 6 5
Entre estas búsquedas se pueden encontrar:

- BÚSQUEDA POR ASCENSO DE CIMA: Fig. 1

H(Ei)=2 (1 de la casilla 1 más 1 de la casilla 8)
Esta búsqueda se trata de un bucle que
constantemente se desplaza en la dirección
de un valor ascendente. Como el algoritmo
no mantiene un árbol de búsqueda, la
estructura de datos del nodo sólo tiene que
registrar el estado y su evaluación,
denominado VALOR.
Cuando el algoritmo llega a un punto más allá
del cual no se logra ningún avance, es obvio
que debe empezarse de nuevo en otro punto.
- BÚSQUEDA POR ENDURECIMIENTO
SIMULADO:
Esta búsqueda es muy similar a la búsqueda
por ascenso a la cima, pero con la diferencia
de que en vez de empezar otra vez al azar
luego de quedarse atorado en un máximo
local, sería conveniente descender unos
cuantos pasos y así escapar del máximo local
en cuestión.
b) Otra heurística, mucho más simple,
consiste en contar el número de casillas
que están fuera de su sitio (respecto al
tablero objetivo). Es una heurística más
pobre que la anterior, puesto que no usa
la informaci6n relativa al esfuerzo (número
de movimientos) necesario para llevar una
pieza a su lugar.
Ejercicio. Otra heurística 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 digito central
en e y 2 por cada digito x no central que no es
seguido (en el sentido de las agujas del reloj)
por su sucesor x+1 (imponemos por convenio
que 8 + 1 = 1).
Calcular el valor de esta heurística 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 más corta)
 Medios: Las capitales de provincia
colindantes están unidas por carreteras;
se dispone de un mapa con la disposici6n
de las provincias y sus "coordenadas" en 2.5.2. CARACTERISTICAS:
kil6metros respecto al "centro" (por
ejemplo, Madrid, con coordenadas (0,0)).
- Una funcion heurística para ese problema
consiste en asignar a cada estado un valor que es
la distancia aérea (en línea recta) con el estado
objetivo. Dicha distancia es la distancia euclídea
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
más la distancia aérea a la meta sea la menor.
- métodos exploratorios durante la resolución del
Una persona quiere viajar de Madrid a Santander
considerando el mapa de carreteras de la fig. 2.
2.5.3. REPRESENTACION
La representación es la siguiente:
Fig. 2
Cuatro alternativas en la primera etapa: Cáceres,
Palencia, Zaragoza y Valencia.
- Función heurística considerando la distancia
aérea:
Distancia (Madrid, Santander) =Distancia
(Madrid, Palencia) +Distancia aérea (Palencia,
Santander) que es más pequeña que la 2.5.4. COMPONENTES DEL ALGORITMO:
obtenida a través de Cáceres
Distancia (Madrid, Santander) =Distancia
(Madrid, Cáceres) +Distancia aérea (Cáceres,
Santander)
- Función heurística considerando distancias
parciales:
Distancia (Madrid, Santander) =Distancia (Madrid,
Palencia) +Distancia (Palencia, Santander)
2.5. ALGORITMO A*
2.5.1. DEFINICION:
El algoritmo A* (A estrella o A asterisco) es un
algoritmo de búsqueda que encuentra la ruta de
menor coste entre dos puntos siempre y cuando
se cumplan una serie de condiciones.
Este algoritmo goza de una aceptable y continua
implementación gracias a su desempeño y
precisión. Fue descrito en 1968 como una
extensión del algoritmo de Dijkstra (1959), el
algoritmo utiliza una función heurística para
encontrar no solo un camino sino el más óptimo
 El algoritmo es una combinación entre
búsquedas del tipo primero en anchura con
primero en profundidad: mientras que h(n)
tiende a primero en profundidad, g(n) tiende a
primero en anchura.
 De este modo, se cambia de camino de
búsqueda cada vez que existen nodos más
prometedores.
 Utilizando una función heurística, se trata de
problema en el cual la solución se descubre por
la evaluación del progreso logrado en la
búsqueda de un resultado final
 f(n)=g(n) + h(n).
 g(n) es la distancia total que se toma de ir de la
posición inicial a la posición actual.
 h(n) es la distancia estimada desde la posición
inicial a la posición de destino de final, en este
caso se usa una función heurística para calcular
el valor estimado.
 El Resultado final f(n) es la suma de g(n) y h(n),
y es el valor calculado más corto.
 Un nodo o punto inicial
 Un nodo final que representa el final del
algoritmo
 Un método para identificar los nodos:
traspasables y sólidos
 Un método para determinar el costo directo (g)
de moverse entre los nodos
 Un método para determinar el costo indirecto (h)
identificado como posibles movimientos, pero
aún no han sido evaluados
 Una lista de nodos cerrados, donde se
guardarán todos los nodos evaluados y
descartados
 Una forma de identificar que nodo procede a
otro, para poder retornar la cadena de los nodos
2.5.5. ALGORITMO 2.5.8. EJEMPLO

1. Si el nodo inicial es igual al nodo final, se

retorna el nodo inicial como solución
2. Si no, se adiciona el nodo inicial a la lista
abierta
3. Mientras la lista abierta no esté vacía, se
recorre cada nodo que haya en la lista abierta
y se toma el que tenga el costo total más bajo
4. Si el nodo obtenido es igual al nodo final, se
retornan los sucesores, al encontrado
5. Si no, se toma el nodo y se elimina de la lista
abierta para guardarse en la lista cerrada y se
buscan todos los nodos adyacentes al nodo
obtenido y se adicionan a la lista abierta a
menos que el nodo se encuentre en la lista
cerrada o que el nodo sea sólido
6. Si el nodo adyacente ya se encuentra en la
lista abierta se verifica que el costo sea menor,
si es menor se cambian los valores de costo,
sino se ignora DATOS DEL EJEMPLO
7. Se vuelve al paso 3 y se repite hasta que el
punto 4 sea verdadero o que la lista abierta
quede vacía

2.5.6. ANALISIS DEL ALGORITMO

 Completo: si el problema tiene una solución,

este algoritmo la encuentra siempre.
 Óptimo: Si. Si f(n) es admisible, se garantiza
que la solución encontrada es la óptima (la de
menor coste).
 Complejidad temporal: Exponencial. Si f(n) es
consistente, se garantiza que este algoritmo
es el que menos nodos expande de todos los
anteriores.
 Complejidad espacial: Mantiene todos los
nodos en memoria.

2.5.7. APLICACIONES PASO 1

Se tiene a S0 como nodo inicial y a S1, S4, S5 y S6

 Aplicativos para encontrar rutas entre de
como los nodos directamente conectados a él.
desplazamiento entre localidades.
 Minería de datos, búsqueda de
comportamiento en los datos.
 Procesamiento de imágenes.
 Medicina humana, softwares médicos, control
de tumores, problemas cancerígenos.
 En la aeronavegación y transporte, el pilotaje
automático, búsquedas de rutas más
próximas.
 Video juegos de estrategia, camino más corto,
ejemplo: Pacman: Los fantasmas que
persiguen a Pacman buscan el camino más
corto, en lugar de aparecer en forma aleatoria
en el Mapa del Juego.
PASO 2 (PARTE 1) PASO 4 (PARTE 1)

Se agregan al recorrido los nodos directamente Es necesario evaluar si existe una mejor forma de hacer
conectados a S0 junto con sus costes (función g(s) y el recorrido hasta el nodo S2. para esto es necesario
con los valores de la función heurística h(s). saber si existen otros nodos conectados con S2, en este
caso existe uno el cual es S4.

PASO 2 (PARTE 2) PASO 4 (PARTE 2)

Se obtienen los valores para la función f(s) sumando Se evalúa la función f(s) para el recorrido desde S4
los valores de g(s) y h(s) que en este caso serian: f(s1) hasta S2 calculando la suma de g(s) + h(s). El resultado
= 30, f(s4) = 50, f(s5) = 120 y f(s6) = 130. de la operación es 80+ 20 = f(S2) = 100.

PASO 3 (PARTE 1) PASO 5 (PARTE 1)

El recorrido se continua por el nodo cuya función f(s) Se comprueba que el recorrido entre S4 y S2 es mejor
haya sido la menor. En este caso es el nodo S1 con y se descarta el recorrido de S1 a S2. Se agregan los
función f(s) = 30. nodos directamente conectados a S2.

PASO 3 (PARTE 2) PARTE 5(PARTE 2)

Se agregan los nodos directamente conectados a S1. Para este caso se tiene que S3 está directamente
El nodo agregado fue S2. Se evalúa la función f(s) conectado. Se evalúa la función f(S3) que resulta tener
que da como resultado f(S2) = 120. un valor de 35.
PASO 6 (PARTE 1)
Como en el caso anterior es necesario evaluar si
existen rutas alternas para llegar a S3. Existe una
ruta que va desde S5 hasta S3.
PASO 6 (PARTE 2)
Se calcula el valor para f(s) en el recorrido de S5 a
S3. el resultado es f(S3) = 30.
PASO 7
Al existir una mejor ruta para llegar a S3 se descarta
la que fue anteriormente encontrada y se sigue la
nueva ruta. Se agregan los nodos conectados a S3 y
se encuentra el nodo S8 el cual es una meta con
valor h(S8) = 8 y cuyo recorrido desde S3 da como
resultado 5 para la función f(s).
PASO 8
El algoritmo termina cuando se encuentra una meta.
El coste total del recorrido es de 20 + 20 + 5 = 45.
III. PERSPECTIVA DE LA BUSQUEDA HEURISTICA
El poder de juego de BuhoChess se logró gracias a la
búsqueda bibliográfica de los valores recomendados
para la función de evaluación y, sobre todo, a la
experiencia en el juego del autor para ajustar estos
pesos. Estos criterios son subjetivos y es necesaria una
experimentación intensiva para validarlos. Por otra
parte, el uso de una función de evaluación lineal es una
simplificación de la manera en que un humano evalúa
las posiciones de un tablero.
Como trabajo futuro entonces, es primordial el
desarrollo de una función de evaluación más compleja y
que tome en cuenta aspectos no lineales. Dicha función
puede desarrollarse como una red neuronal, donde las
neuronas de entrada son los valores (en centipawns) de
las diferentes características, y como neurona de salida
el valor de la posición. El uso de una red neuronal
permite el uso de técnicas de aprendizaje supervisado y
aprendizaje reforzado para ajustar la función de
evaluación.
IV. CONCLUSIONES
 Los métodos de búsquedas heurísticas son más
utilizados ya que aplican un conocimiento previo
sobre los problemas para obtener mejores
resultados en la búsqueda.
 El método A* es el más utilizado ya que brinda
mejores resultados y a partir de este, se
originan otros métodos de búsquedas
heurísticas.
V. REFERENCIAS BIBLIOGRAFICAS