revis£o i – ap1

Download Revis£o I – AP1

Post on 30-Dec-2015

32 views

Category:

Documents

3 download

Embed Size (px)

DESCRIPTION

Revisão I – AP1. Prof. Alexandre Monteiro Recife. Contatos. Prof. Guilherme Alexandre Monteiro Reinaldo Apelido: Alexandre Cordel E-mail/ gtalk : alexandrecordel@gmail.com greinaldo@fbv.edu.br Site: http://www.alexandrecordel.com.br/fbv Celular: (81) 9801-1878. - PowerPoint PPT Presentation

TRANSCRIPT

De OMT a UML

Reviso I AP1Prof. Alexandre Monteiro

Recife

nContatosProf. Guilherme Alexandre Monteiro ReinaldoApelido: Alexandre CordelE-mail/gtalk: alexandrecordel@gmail.com greinaldo@fbv.edu.br Site: http://www.alexandrecordel.com.br/fbvCelular: (81) 9801-18783Inteligncia Artificial

O que inteligncia Artificial?O que diferencia inteligncia artificial de inteligncia natural?4Paradigmas da IASimblico: metfora lingstica/lgicaSistemas de produoConexionista: metfora crebroRedes neuraisEvolucionista: metfora teoria da evoluo naturalAlgoritmos genticosProbabilista: probabilidadeRedes bayesianasIA Distribuda: metfora socialSistemas multiagentes

sensoresAgenteatuadoresa m b i e n t eRaciocinadormodelo do ambienteO que um agenteAgente qualquer entidade que:?percebe seu ambiente atravs de sensores (ex. cmeras, microfone, teclado, finger...)age sobre ele atravs de atuadores (ex. vdeo, auto-falante, impressora, braos, ftp, ...)Mapeamento: seqncia de percepes => ao? 6Propriedades de Ambientes de TarefasClasses de ambientesFsico: robsSoftware: softbotsRealidade virtual (simulao do ambiente fsico): softbots e avataresPropriedades de um ambienteAcessvel (completamente observvel) x inacessvel (parcialmente observvel) Esttico (no muda) x dinmico (muda) semidinmico (aes)Determinista (conhece prximo estado) x estocstico (-determinista)Discreto x contnuoEpisdico (s depende das aes anteriores) x no-episdico (seqncial)tamanho: nmero de percepes, aes, objetivos,...Discreto (xadrez) x contnuo (dirigir txi)Agente nico x multiagente 7Algoritmo BsicoFuno agenteSimples (percept) retorna aomemria := atualizaMemria (memria, percept)ao := escolheMelhorAo(memria)memria := atualizaMemria (memria, ao)retorna aoArquiteturasAgente tabelaAgente reativo simplesAgente reativo baseado em modelos Agente baseado em objetivos Agente baseado em utilidade Agente com aprendizagem autonomiacomplexidadeUm problema de busca em IA pode ser definido em termos de...um estado inicialEm (Recife)Estar (pobre)um ou mais estados finais => definio do objetivoEm (Joo Pessoa)Estar (rico)Espao de Estados:conjunto de todos os estados alcanveis a partir do estado inicial por qualquer seqncia de aes.pode ser representado como uma rvore onde os estados so ns e as operaes so arcos.Soluo:caminho (seqncia de aes ou operadores) que leva do estado inicial a um estado final (objetivo), passando de um estado para outroEx., dirigir de Recife a Joo PessoaEspao de estados: todas as cidades da regio de Recife a Joo Pessoa88 9Mtodos de BuscaBusca exaustiva (sem informao ou cega)No sabe qual o melhor n da fronteira a ser expandido = menor custo de caminho desse n at um n final (objetivo).Busca heurstica (com informao)Estima qual o melhor n da fronteira a ser expandido com base em funes heursticas => conhecimentoBusca CegaEstratgias para determinar a ordem de ramificao dos ns:1. Busca em largura/extenso2. Busca de custo uniforme3. Busca em profundidade4. Busca com aprofundamento iterativo (retrocesso)Direo da ramificao:1. Do estado inicial para um estado final2. De um estado final para o estado inicial3. Busca bi-direcional 11Busca pela Melhor Escolha (BME) Best-First SearchBusca genrica onde o n de menor custo aparente na fronteira do espao de estados expandido primeiroDuas abordagens bsicas:1. Busca Gulosa (Greedy search) 2. Algoritmo A* e suas variantesAlgoritmo:Funo-Insere - ordena ns com base na Funo-Avaliao funo Busca-Melhor-Escolha (problema,Funo-Avaliao) retorna uma soluo Busca-Genrica (problema, Funo-Insere)Algoritmos de Melhorias IterativasDois exemplos clssicosSubida da encosta (Hill-Climbing)Tmpera simulada (Simulated Annealing)

1212Algoritmo BTComeando com uma soluo inicial s0, a cada iterao,Um subconjunto V da vizinhana N(s) da soluo corrente s exploradoO membro s0 de V com melhor valor nesta regio segundo a funo f(:) torna-se a nova soluo corrente mesmo que s0 seja pior que s.

Evitando Ciclosexiste uma lista tabu T, a qual uma lista de movimentos proibidos. A lista tabu clssica contm os movimentos reversos aos ltimos |T| movimentos realizados |T| funciona como uma fila de tamanho fixo, isto , quando um novo movimento adicionado lista, o mais antigo sai.Assim, na explorao do subconjunto V da vizinhana N(s) da soluo corrente s, ficam excludos da busca os vizinhos s0 que so obtidos de s por movimentos m que constam na lista tabu

15IntroduoPrincipal motivao para o estudo da computao evolutiva atravs de algoritmos genticos :Otimizao de processos complexo e que possuem um grande nmero de variveisO que otimizar?

16Algoritmos GenticosPopulao atualReproduoAvaliaoSeleoPopulao inicialPopulao finalFuncionamento:GERAES17ReproduoPermite obteno de novos indivduos

Utiliza operadores genticosTransformam a populao Crossover (cruzamento ou recombinao) Mutao18CrossoverDiversas variaesUm pontoMais comumDois pontosMulti-pontosUniforme