descubriendolaia / codigoia Goto Github PK

La búsqueda A* tiene en cuenta tanto el camino recorrido como la heurística para escoger el siguiente nodo del árbol de búsqueda.

Usar el método de la resolución para hacer inferencia en lógica de proposiciones.

En cada paso analizamos los estados vecinos y nos quedamos con el mejor de ellos, hasta alcanzar un máximo. El problema es que puede ser un máximo local.

Implementar el algoritmo de búsqueda voraz (gradiente o máxima pendiente) que sólo tiene en cuenta la heurística (no el coste de camino recorrido).

Implementación de la búsqueda bidireccional en grafos con dos árboles de búsqueda primero en anchura, hasta que se encuentran en un estado común.

Igual que A* pero, cuando se tiene una cantidad de memoria limitada, se debe ir eliminando los nodos con peor valor. Implementarla poniendo como límite un número máximo de nodos pequeño, para ver cómo se van eliminando.

Crear clases para poder hacer cálculos en lógica de proposiciones.

En vez de un único estado como mejor estado, se tienen varios de ellos que se escogen de todos los estados vecinos de todos ellos.

Combinación de A* con la búsqueda en profundidad iterativa. Implementar pseudocódigo y usarlo con los ejemplos ya definidos.

Agregar el código en noinformada.py

Uso del método de encadenamiento hacia delante para realizar inferencia en lógica de proposiciones.

La red bayesiana más sencilla que permite hacer inferencias.

Uso del método de encadenamiento hacia atrás para realizar inferencia en lógica de proposiciones.

Ejemplos en código de los conceptos que se han visto al inicio del enfoque probabilístico y que son la base de las redes bayesianas.

Mejora el ascenso de colinas aplicando aleatoriedad al elegir los estados vecinos para evitar los máximos locales.

Uso de equivalencias y reglas de inferencia para realizar inferencias en lógica de proposiciones.

Búsqueda en profundidad teniendo en cuenta los costes de las acciones, siempre y cuando dichos costes no sean negativos.

Agregar el código en noinformada.py

Se aplican técnicas basadas en la genética para ir generando los nuevos estados.

Ejemplos de independencia absoluta, independencia condicional e inferencia probabilística: las bases de las redes bayesianas.

Implementar tablas de verdad como método de inferencia en lógica de proposiciones.

Basada en la búsqueda de coste iterativo de la búsqueda no informada, se usará el valor (coste de camino + heurística) como límite (en vez de sólo el coste).

• Agregar los atributos heurísticas y valores a las clases Nodo y Problema del Grafo para poder usarlas en las búsquedas informadas.
• Modificar los ejemplos para probarlo.
• Método para obtener hijo con menor valor.

Implementar el algoritmo AO*, que mejora la búsqueda A* definiendo subproblemas a resolver en paralelo y obtener una solución global combinando las soluciones parciales. No hay pseudocódigo, asi que intentar implementar algún ejemplo ilustrativo.

Uso del método tableaux para realizar inferencia en lógica de proposiciones. Hay que evaluar si implementarlo o no porque este método es muy manual.

Mostrar un ejemplo con todas las equivalencias, para ver así que funcionan.

• Agregar el código en noinformada.py

Definir varios ejemplos significativos en lógica de proposiciones para comprobar que todo funciona correctamente.