ALGORITMO MINIMAX

INTRODUCCIÓN

Como sabemos los juegos está a la vanguardia y por ende deben poseer algoritmos complejos para dar la mejor jugada al contrincante de esta forma maximizara la dificultad del juego a continuación detallemos estos algoritmos de juegos.

MARCO TEÓRICO

QUÉ ES UN ALGORITMO MINIMAX

Este algoritmo trata de dos variables de MAX y MIN en donde trata de maximizar los valores de MAX y minimizar los valores de su contrincante, determinando los roles de juego tomando en cuenta lo siguiente: 

CARACTERÍSTICAS DE MINIMAX

·                     P Su complejidad se determinada en base a sus reglas

·                     Intervienen dos variables MAX y MIN

·                     Cada jugador conocer el estado del otro

·                     Posee una los valores de estado final

·                     Posee carácter recursivo

                                                        ESTRUCTURA MINIMAX

EJEMPLO:

Un clero ejemple es el juego de tres en raya

CONCLUSIONES

Este algoritmo tienen la peculiaridad de siempre ganar y el contrincante llegaría solo a empatar, en el cual existen 2 dos jugadores MAX y MIN en donde busca la necesidad de minimizar los valores del contrincante para aumentar la dificultad.

BIBLIOGRAFÍA

Russell, S; Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. Segunda Edición. Pearson Education. España

Rodríguez, J.2005.Minimax. (En Línea).Consultado 19 de Nov.2015.Formato PDF. Disponible en: http://www.itnuevolaredo.edu.mx/takeyas/Apuntes/Inteligencia%20Artificial/Apuntes/tareas_alumnos/Minimax/Minimax.pdf

  

Sánchez, Ana. 2011. Juegos con Adversario Algoritmo Minimax. (En Línea).Consultado 19 de Nov.2015.Formato PDF. Disponible en:http://www.it.uc3m.es/jvillena/irc/practicas/estudios/minimax.pdf

BÚSQUEDA ENTRE ADVERSARIOS

INTRODUCCIÓN

Los agentes en la actualidad tiene la cualidad de decidir por cuenta propia cómo reaccionar antes diversas situaciones en lo cual pueden generar conflictos a continuación se detallara más sobre el tema.

MARCO TEÓRICO
BÚSQUEDA ENTRE ADVERSARIOS

En los desarrolladores de juegos busca la forma de desarrollar en entorno multiagente con la capacidad de rozamiento independiente, de acuerdo a los movimientos efectuados contra el contrincante dándole la capacidad de efectuar la mejor acción posible.

CARACTERÍSTICAS

Ø  Debe enfrentarse a un contrincante

Ø  Espacio de búsqueda

Ø  Capaz de competir con el razonamiento humano

Ø  Puede competir contra un oponente

TOMA DE DECICIONES DEL JUEGO

  

Este tipo de decisiones pueden definirse con los siguientes componentes:

  

Ø  El estado inicial: donde inicia

Ø  La función sucesor: define cada movimiento que se efectúa 

Ø  Test Terminal: determina la finalización del juego

Ø  La función utilidad: e determina las poción de los jugadores si perdió o gano

·                     Ejemplo

    

CONCLUSIONES

Estos se implemente a estrategias de juegos para darle la capacidad de efectuar la acción más eficaz a cualquier movimiento que efectué el contrincante, para llegar a la función utilidad y determinar el estado final de los jugadores

BIBLIOGRAFÍA

Russell, S., Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. Segunda Edición. Pearson Education. España

Ceccaroni, L. 2011. Inteligencia Artificial Búsqueda entre adversarios. (En Línea).Consultado 5 de DIC.2015.Formato PDF. Disponible en:http://www.cs.upc.edu/~luigi/II/IA-2007-fall/2d-busqueda-entre-adversarios-(es).pdf

ASCENSO DE COLINA

INTRODUCCION

Los algoritmos de búsquedas son muy implementados en la actualidad por la cualidad de llegar a una solución de forma eficiente por ende existen diversos algoritmos entre el cual tenemos el algoritmo de ascenso de colina que se encarga de evaluar cada nodo con el fin de llegar al ruta más óptima y en si solucionar el problema a continuación profundizaremos más sobre el tema.

MARCO TEORICO

ASCENSO DE COLINA

El ascenso de colina trata de buscar el mejor estado con respecto al estado actual para así hacer su mejor movimiento, haciendo una estimación con el estado padre con respecto a los descendientes.

PROBLEMAS

Máximo local: es el mejor nodo que se encuentra actualmente a comparación de los nodos cercanos.  

Meseta: se refiere cuando grupo de estados vecinos poseen el mismo valor.

Risco: es otro tipo de máximo local, que no se puede atravesar de la forma convencional.

SOLUCIONES

Hay varias problemáticas al aplicar estos algoritmos y para solucionar estas problemáticas se implementa lo siguiente.

Posibilidad de retornar a un estado padre para tomar otra ruta.

Capacidad de retomar la búsqueda en otro punto reiniciándolo.

Aplica mas de una operación para decidir la ruta que va a tomar.

CONCLUSION

Se concluye que este método de búsqueda hace comparaciones con un estado actual con cada uno de sus nodos para determinar cual es el mejor nodo teniendo la capacidad de retornar a los estado padres para asi tomar otras rutas y racorrer cada unos de sus nodos con el fin de encontrar la solución propuesta.

BIBLIOGRAFÍA

Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. Segunda Edición. Pearson Educación. España.

FUNCION HEURÍSTICA

INTRODUCCION

Es una función que abarca en los métodos de búsqueda informada para mejorarla, dándole una respuesta a la solución  para llegar al objetivo planteado con mayor anticipación que los otros tipos de búsquedas que no implementa esta función a continuación profundizaremos sobre el tema.

MARCO TEORICO

FUNCION HEURÍSTICA

L este método permite obtener información con mayor anticipación sobre la proximidad de un nodo objetivo para así determinar las rutar para idóneas para llegar a su solución de una forma más eficiente.

Ya que la función heurística permite indagar de forma más exhaustiva para adquirir información sobre el habiente de investigación.

CARACTERÍSTICAS

De las diversas características que la función heurística ofrece tenemos las siguientes:

·         Esta función no ofrece que garantizar llegar al resultado.

·         No nos ofrece el mejor resultado siempre

·         Nos ofrece llegar a una solución aceptable pero con un lapso de tiempo requerido.

·         Por lo general este tipo de  busque es mejor que la no informada porque llegar a la solución en una forma más eficiente.

·         Las expresiones a resolver por lo general se la expresa mediante la heurística.

·         A la función heurística también se la denomina como función asociativa porque asocia cada estado de forma numérica de forma que este lo evalua para para poder llegar al estado objetivo y se lo denomina función h(e).

VENTAJAS

Con esta función tiene gran posibilidad de llegar a la solución con un coste bajo de una forma más eficiente

No depende en exceso de la función de evaluación del mismo.

CONCLUSIÓN

En la actualidad la función heurística  se la implementa en muchos agentes de búsqueda ya que permite mejorarla para poder llegar a una solución de una forma más eficiente que los demás métodos

BIBLIOGRAFÍA

Russell, s.2008.inteligencia artificial un enfoque moderno. Segunda edición. Pearson education. Madrid-España.

Malagón, s.2010.busqueda heurísticas. (En línea).Disponible en http://www.nebrija.es/~cmalagon/ia/transparencias/busqueda_heuristica.pdf

ALGORITMO GENÉTICO

INTRODUCCIÓN

Los algoritmo geneticos estas inspirado en la evolucion biologica por la cual hacen cruzamientos de cogigos geneticos para dar a variacion en la poblacion por los que las nuevas desendensias satifaciendo nesesidades que la que la antigua no hacia.

MARCO TEORICO

ALGORITMO GENÉTICO

Son llamados así porque inspira a la evolución biológica, estos algoritmo hacen evolucionar una población de individuos mediantes mutaciones o recombinaciones genéticas, sometiéndolas a acciones aleatorias o de selección

ELEMENTOS DE ALGORITMOS GENETICOS

OPERADORES GENETICOS:

•         Son las operaciones que pueden ejercerse a una población para obtener una nueva

POBLACION:

•         Conjunto de individuos

INDIVIDUO:

•         Se caracteriza por ser único y es el código de información en el cual opera el algoritmo

ESTRUCTURA

CODIFICACION

•         es la forma de representación para su fácil comprensión e implementación

POBLACION INICIAL

•         la base para futuras generaciones.

FUNCION FITNESS

•         Es la asignación de valores para reflejar el nivel de adaptación al problema

SELECCION

•         Proceso de selección de individuos progenitores para obtener una nueva descendencia

CRUZAMIENTO

•         Este permite el intercambio de información entre individuos

MUTACION

•         Este se aplica con la finalidad de incrementar la diversidad de la población

VETAJAS

Ø  Una clara ventaja es la es que mientras otras soluciones trabaja en una sola dirección los algoritmos genéticos trabajan con varios al mismo tiempo con las facilidad de que un camino no le resulta simplemente lo desecha y continua con nuevos caminos.

Ø  Tiene mayor tolerancia en la optimización de algún problema a comparación de los métodos tradicionales

Ø  Mejor manipulación de parámetros simultáneamente

Ø  No necesita conocimiento específico sobre el problema

Ø  Usan algoritmos probabilísticos

DESVENTAJAS

u  Pueden tardarse en llegar a la conclusión debido a los parámetros de población y numero de generación

u  Deben realizase con lenguaje de programación con tolerancia a cambios aleatorios del mismo.

CONCLUSION

Los algoritmos genéticos nos proporcionan grandes beneficios ya que son tolerantes a variación y fallos del mismo, con una adaptabilidad muy conveniente en el ámbito de experimentación para llegar a una óptima solución.

BIBLIOGRAFÍA

Russell, s.2008.inteligencia artificial un enfoque moderno. Segunda edición. Pearson education. Madrid-España.

Inteligencia artificial algoritmo genético (En línea).Disponible en pdf: http://disi.unal.edu.co/~lctorress/iartificial/IAc010.pdf

Búsqueda Informada y explorada Introducción

Búsqueda Informada y explorada

Introducción

INTRODUCCIÓN

Los métodos de búsqueda hoy en día son muy implementados de lo cual existen varios métodos como lo son la informada y la explorada, aunque la explorada tiene carácter de ser bidireccional la informada tiene más eficiencia ya que cuenta con información previa gracias a la función heurística para llegar a su objetivo planteado mucho más rápido, al contrario de la explorada que puede que nunca llegar a encontrar su objetivo quedando en un ciclo infinito a continuación profundizaremos mas sobre el tema.

MARCO TEÓRICO

¿QUÉ ES UNA FUNCIÓN HEURÍSTICA?

Se deriva del griego heuriskein que significa “encontrar” o “descubrir” y en la rama de inteligencia artificial se la utiliza para referirse a técnicas que mejora el desempeño en los algoritmos de búsqueda.

 

BÚSQUEDAS INFORMADA

Este tipo de búsqueda implementa conocimiento específico de algún problema por el cual encuentra una solución mucho más eficiente que la búsqueda no informada de las cueles mostraremos dos tipos de búsquedas que implementa la función heurística para mejorar su desempeño.

Búsqueda A*

Búsqueda Primero el Mejor

BÚSQUEDA VORAZ PRIMERO EL MEJOR

Trata de escoger el nodo con el mejor valor que implemente un recorrido menor y seguir esa ruta que conduzca a una solución rápida y así evaluar los nodos con la función heurística (n)=h(n).

BÚSQUEDA A* MINIMIZAR EL COSTO

Se le llama búsqueda A* “búsqueda A-estrella”, evalúa cada nodos combinando g(n), para determinar el coste `para  alcanzar el nodo, y h(n), el coste de ir al nodo objetivo.

f(n)=g(n)+h(n)

Ya que la g(n) ofrece el recorrido entre el nodo inicial al nodo n dándonos su costo, y la h(n) nos da una estimación del coste del camino más economico desde el nodo n al nodo objetivo, tenemos un coste del camino más barato hacia nuestro nodo objetivo.

f(n)= consiste en alcanzar el coste más económico para el estimado de la solución a través de n

Así, tratamos de encontrar el camino más económico para dar solución a la problemática, es razonable intentar primero el nodo con el valor más bajo de g(n). Resulta que esta estrategia es más que razonable: con tal de que la función heurística h(n) satisfaga ciertas condiciones, la búsqueda A* es tanto compleja como óptima.

La optimiza de A* es sencilla de analizar si se usa con la BÚSQUEDA ARBOLES. En este caso, A* es óptima si h(n) es una heurística admisible, es decir, con tal de que la h(n) nunca subestime el coste de alcanzar el objetivo. Las heurísticas admisibles son por naturaleza optimistas, porque piensan que el coste de resolver el problema es menor que el que es en realidad. Ya que g(n) es el coste exacto para alcanzar n, tenemos como consecuencia inmediata que la f(n) nunca sobrestima el coste verdadero de una solución a través de n.

Ejemplo

CONCLUSIONES

Como pudimos observar métodos de búsqueda ayuda a determinar una mejor ruta para seguir el trayecto al nodo objetivo e implementado la función heurística para mejorarla de cuales son la busque informado de lo contrario de la explorada no implemente la función heurística por lo cual puede tardarse mas e incluso puede caer en un ciclo infinito y nunca llegar al objetivo planteado.

BIBLIOGRAFIA

Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education. p 1242

García. E. 2009. Vida e inteligencia artificial. Revista ACIMED. V 19 n. (En Línea). Consultado el 14 de Abril 2014. Disponible en: http://scielo.sld.cu/scielo.php?script