Estratégias de buscas às cegas em Inteligência Artificial

1. Resolução de
problemas por
meio de busca
Estratégias de busca às cegas

2. Agentes Baseados em Objetivo
● Agente de Resolução de Problemas
● Sem informação X Informada
● Sequência fixa de ações

3. Agente de Resolução de Problemas
● Formulação
○ Objetivo
○ Problema
● Ambiente
○ Observável - Sempre terá conhecimento do estado atual.
○ Discreto - Cada estado terá um número finito de ações para escolher.
○ Conhecido - Conhecimento de quais estados serão alcançados a
partir de cada ação.
○ Determinístico - Cada ação tem um resultado.
● Busca
● Formular, Buscar e Executar

4. Problemas e seus Componentes
● Estado Inicial
● Ações
● Modelo de Transição
○ Espaços de estados e Grafo
● Teste Objetivo
● Custo de Caminho
○ Custo de Passo
● Solução X Solução Ótima

5. Características de um Problema
● Abstração
● Problemas no Mundo Simplificado X Problemas no Mundo Real

6. Em busca de soluções!

7. Em busca de soluções
● Busca no espaço de estados
● Árvore de busca
● Escolher nó → Testar → Expandir

11. Medição do desempenho de resolução
● Completeza
● Otimização
● Complexidade de tempo
● Complexidade de espaço
● Complexidade expressa em termos de 3 quantidades:
○ b (fator de ramificação)
○ d (profundidade do nó objetivo menos profundo)
○ m (comprimento máximo de qualquer caminho no espaço de estados)
● Custo de busca
● Custo total = custo de busca + custo de solução

12. Estratégias de Busca!

13. Busca em Largura
O nó raiz é expandido e em seguida todos os seus filhos
(sucessores), depois os sucessores desses filhos, e assim
por diante.
● Utiliza um fila (lista FIFO) para a borda.
● Sempre terá o caminho mais raso.
● Sempre terá o menor caminho e será ótima, se o
custo de passo for igual para qualquer ação.
● Ocupa muita memória
○ Sendo b o fator de ramificação e d o nível do
objetivo, o algoritmo tem complexidade de
tempo e espaço O(bd
).
○ Somente instâncias pequenas (Toy Problems).

15. Busca em Profundidade
O nó raiz é expandido e em seguida o seu primeiro filho
(sucessor), depois o primeiro sucessor desse filho, e
assim por diante, até que chegue a uma folha (nó sem
filhos) ou a um nó já explorado.]
● Utiliza um pilha (lista LIFO) para a borda.
● Falha em espaço de estados infinitos
● Também pode ser implementada com recursividade.
● Se executada em uma árvore de altura m e fator de
ramificação b, possui complexidade temporal O(bm
).
● Vantagem: complexidade espacial.
○ Aplicada à árvores.
● Busca com retrocesso utiliza ainda menos memória

17. Busca em Profundidade Limitada
● É determinado um limite até onde será expandida a árvore
● Conhecimento Prévio do Problema
● Semelhante a busca em árvore ou em grafos
● Desvantagens
○ l > d logo a complexidade de tempo passaria para O(bl
) e a de espaço
O(bl).

18. Busca em Aprofundamento Iterativo
● Aumenta gradualmente o limite até o objetivo.
● Ótimo quando o custo de passo for igual para cada ação .
● Seus requisitos de memória são modestos
● Desvantagem
● Complexidade de tempo O(bd
) e complexidade de memória O(bd) .

20. Busca de Custo Uniforme
Expande o nó com custo de caminho mais baixo
● Extensão da busca em largura
● Ótima para qualquer função de custo de passo
● Utiliza uma fila de prioridades para a borda
● Não importa o número de passos, apenas o custo total
● C*: custo da solução ótima
● k: custo mínimo de toda ação
● Complexidade do pior caso: O(b⌈C*/k⌉
)

22. Comparações
● Completas
○ Em Largura*
○ Custo Uniforme
○ Aprofundamento Iterativo*
● Ótimas
○ Em Largura*
○ Custo Uniforme
○ Aprofundamento Iterativo*

23. Por fim...
● Custo de passo diferente → Busca de Custo Uniforme
● Maior probabilidade do objetivo estar nas folhas → Busca em
Profundidade
● Maior probabilidade do objetivo ser raso → Busca em Largura
● Preferida → Busca de Aprofundamento Iterativo

24. Obrigado!