SI .

TEORÍA
TEMA 2 . BÚSQUEDA
AGENTES SOLUCIONADORES DE PROBLEMAS
El agente solucionador de problemas utiliza técnicas de inteligencia artificial para analizar y comprender el problema
que se le presenta, y luego aplica algoritmos y estrategias para encontrar una solución óptima. Estas técnicas pueden
incluir algoritmos de búsqueda, aprendizaje automático y razonamiento basado en conocimientos.

ETAPAS

Las etapas del agente solucionador de problemas pueden variar según el enfoque y la implementación del sistema
inteligente, pero en general, se pueden identificar las siguientes:

Observación: en esta etapa, el agente recopila información sobre el entorno en el que se encuentra y los objetivos
que se quieren alcanzar. Esto puede incluir la percepción de sensores o cámaras, la lectura de datos de sensores o el
análisis de entradas de usuario.

Formulación del problema: en esta etapa, el agente transforma la información recopilada en una representación
formal del problema que se va a resolver. Esta representación puede incluir una definición formal de los objetivos, las
restricciones y las posibles soluciones.

Búsqueda de soluciones: en esta etapa, el agente utiliza técnicas de búsqueda y exploración para encontrar una
solución al problema. Esto puede implicar el uso de algoritmos de búsqueda como el algoritmo de búsqueda en
profundidad o el algoritmo de búsqueda en anchura.

Selección de la solución: una vez que se han encontrado varias soluciones posibles, el agente debe seleccionar la
mejor solución según ciertos criterios. Esto puede implicar la evaluación de las soluciones en términos de su
efectividad, eficiencia y otros factores.

Ejecución de la solución: en esta etapa, el agente implementa la solución seleccionada y toma medidas para alcanzar
los objetivos deseados. Esto puede implicar la emisión de comandos a un sistema robótico, la modificación de la
configuración de un sistema de control de procesos, o cualquier otra acción necesaria para resolver el problema.

FORMULACIÓN DE UN PROBLEMA DE BÚSQUEDA

Un problema de búsqueda en inteligencia artificial se compone de :

Estado inicial: el estado inicial es el punto de partida del problema de búsqueda, es decir, el estado en el que se
encuentra el agente antes de comenzar la búsqueda. Es un estado concreto que se puede representar mediante una
estructura de datos, como una matriz, una lista o un objeto. Por ejemplo, en un problema de búsqueda de ruta, el
estado inicial puede ser la posición actual del agente en un mapa.

Conjunto de acciones: el conjunto de acciones es el conjunto de acciones que el agente puede realizar para moverse
de un estado a otro. Cada acción está asociada con un costo o un valor de utilidad y puede estar restringida por
ciertas condiciones o precondiciones. Por ejemplo, en un problema de búsqueda de ruta, las acciones podrían ser
moverse hacia arriba, hacia abajo, hacia la izquierda o hacia la derecha.

Modelo de transición: el modelo de transición describe cómo se pueden aplicar las acciones del conjunto de acciones
para pasar de un estado a otro. Es una función que toma como entrada un estado y una acción y devuelve el nuevo
estado resultante de aplicar la acción al estado actual. Por ejemplo, en un problema de búsqueda de ruta, el modelo
de transición puede indicar cómo cambiar la posición del agente en el mapa cuando se mueve hacia arriba.

Prueba de meta: la prueba de meta es una función que verifica si un estado es un estado objetivo, es decir, si el
agente ha alcanzado su objetivo. Si el estado actual coincide con el estado objetivo, la prueba de meta devuelve
verdadero (true), de lo contrario, devuelve falso (false). Por ejemplo, en un problema de búsqueda de ruta, la prueba
de meta podría verificar si el agente ha llegado a la ubicación deseada en el mapa.
Función de coste del camino: la función de coste del camino es una función que asigna un costo a cada camino o
solución en el problema de búsqueda. El costo de un camino es la suma de los costos de cada acción en el camino. La
función de coste del camino puede ser utilizada por el algoritmo de búsqueda para elegir la mejor solución. Por
ejemplo, en un problema de búsqueda de ruta, la función de coste del camino podría ser la distancia total recorrida
por el agente para llegar al estado objetivo.

CARACTERÍSTICAS DE LA ESTRATEGIA DE BÚSQUEDA

Dirección de la búsqueda: La dirección de la búsqueda se refiere a la forma en que se explora el espacio de

Topología del proceso: La topología del proceso se refiere a la estructura del árbol de búsqueda que se genera
durante la búsqueda. Algunas estrategias de búsqueda generan un árbol completo, mientras que otras generan solo
un subconjunto del árbol. Algunas estrategias también pueden usar estructuras de datos especiales, como tablas
hash, para evitar la repetición de estados.

Criterios de selección y aplicación de operadores relevantes: Los criterios de selección y aplicación de operadores
relevantes se refieren a cómo se seleccionan las acciones para aplicar durante la búsqueda y en qué orden se aplican.
Algunas estrategias, como la búsqueda en amplitud, consideran todas las acciones posibles en cada nivel del árbol,
mientras que otras, como la búsqueda A*, seleccionan las acciones en función de una heurística que estima la
distancia al estado objetivo.

Optimización de la búsqueda mediante el uso de funciones heurísticas: Las funciones heurísticas son estimaciones
del costo o la calidad de un estado en función de la distancia al estado objetivo. Algunas estrategias de búsqueda,
como la búsqueda A*, utilizan una función heurística para guiar la búsqueda hacia los estados más prometedores, lo
que puede mejorar significativamente la eficiencia de la búsqueda.

OPERADORES REVERSIBLES

Los operadores reversibles son operaciones que se pueden deshacer para regresar al estado original antes de la
aplicación del operador. En otras palabras, si se aplica un operador reversible a un estado, se puede invertir el efecto
del operador aplicando el operador inverso para volver al estado anterior.

En el contexto de la búsqueda en IA, los operadores reversibles son importantes porque permiten la exploración de
varias soluciones del problema. Por ejemplo, si se aplica un operador reversible a un estado y se llega a una solución
subóptima, se puede aplicar el operador inverso para regresar al estado anterior y explorar otras soluciones posibles.

Un ejemplo común de un operador reversible es el movimiento en un juego de ajedrez. Si se mueve una pieza de una
posición a otra, se puede deshacer el movimiento moviendo la pieza de regreso a su posición original. Otro ejemplo
es la adición y sustracción en una ecuación matemática, donde se puede deshacer la adición restando la misma
cantidad.

FUNCIONES HEURÍSTICAS

Las funciones heurísticas son funciones que se utilizan en la inteligencia artificial para guiar la búsqueda de
soluciones en espacios de estados complejos. Estas funciones proporcionan una estimación del costo o la distancia
de un estado dado al objetivo final, lo que ayuda al algoritmo de búsqueda a elegir qué camino seguir.

Las funciones heurísticas pueden ser diseñadas por el programador o generadas automáticamente mediante técnicas
de aprendizaje automático. En cualquier caso, deben ser ad hoc para el problema específico que se está resolviendo.

ESTRATEGIAS DE BÚSQUEDA NO INFORMADA

Las estrategias de búsqueda no informada en sistemas inteligentes son métodos que se utilizan para buscar
soluciones en un espacio de estados sin tener información específica sobre el problema en cuestión. Estas estrategias
no utilizan información específica del problema, como la ubicación de un objetivo o la distancia a una solución, sino
que se basan en la exploración sistemática del espacio de búsqueda.
Búsqueda preferente en amplitud (Breadth-first)

La estrategia de búsqueda en anchura comienza en el nodo inicial del grafo y explora todos los nodos adyacentes
antes de avanzar a los siguientes nodos en la misma profundidad. De esta forma, se va explorando de forma
sistemática cada nivel del grafo, en orden creciente de profundidad.

La búsqueda en anchura se realiza mediante una cola FIFO (First In, First Out) que almacena los nodos a visitar. El
algoritmo comienza agregando el nodo inicial a la cola y, a continuación, saca el primer nodo de la cola y explora
todos sus nodos adyacentes. Cada nodo adyacente se agrega a la cola y se marca como visitado. El proceso se repite
hasta que se encuentra la solución o hasta que se visitan todos los nodos del grafo.

La búsqueda en anchura garantiza que se encuentra la solución más corta o de menor costo si se utilizan pesos en los
arcos del grafo, ya que explora todos los nodos a la misma profundidad antes de avanzar a una profundidad mayor.

Sin embargo, la búsqueda en anchura puede ser ineficiente en problemas con un espacio de búsqueda grande, ya
que requiere mucho espacio en memoria para almacenar todos los nodos visitados y puede explorar muchos nodos
innecesarios. Además, si la solución se encuentra en una profundidad muy grande, la búsqueda puede ser muy
costosa en términos de tiempo.