Apuntes De Agentes Inteligentes PDF

1 Agentes Inteligentes Eva Mendoza Cabrera AGENTES I NTELIGENTES I NDICE: ·Definicion ·Propiedades entornos ·Estructuras de los agentes ·Tipos de agentes ·Equivalencia entre clasif...

1 Agentes Inteligentes Eva Mendoza Cabrera AGENTES I NTELIGENTES I NDICE: ·Definicion ·Propiedades entornos ·Estructuras de los agentes ·Tipos de agentes ·Equivalencia entre clasificadores I. D EFINICI ÓN Cuanto más observable sea el entorno más sencillo será Un agente es cualquier entidad que percibe su entorno construir agentes que operen en él. La mayor parte de los a través de sensores y actúa sobre él mediante actuadores. problemas del mundo real son parcialmente observables. Los agentes pueden ser humanos, robots, termostatos, entre otros, siempre y cuando puedan procesar percepciones y tomar B. Deterministas vs No deterministas acciones. Si las acciones tienen efectos predecibles(conducen al mismo estado) o inciertos. Fig. 1. Enter Caption C. Episódicos vs Secuenciales(No episódico) II. P ROPIEDADES DEL ENTORNO Un ambiente es episódico si el comportamiento del agente *El agente debe operar en un entorno: puede ser dividido en secuencias de percepción-acción no relacionadas entre ellas Si las acciones presentes afectan o *Los entornos tienen muchas propiedades que afectan al no a las futuras. diseño de los agentes Las acciones se ejecutan sobre el entorno D. Estáticos vs Dinámicos El entorno proporciona las percepciones Si el entorno cambia o permanece constante mientras el agente toma decisiones. A. Observables vs Parcialmente observables E. Discretos vs continuos Si el agente puede percibir toda la información necesaria o Si el número de percepciones y acciones es finito o infinito. solo una parte. Un entorno es observable si el agente puede obtener información. III. E STRUCTURAS DE LOS AGENTES Completa Un agente consta de un programa que define su compor- Correcta tamiento y una arquitectura que proporciona los sensores y Actualizada actuadores para interactuar con el entorno.  2 IV. T IPOS DE AGENTES dependiendo de las necesidades del problema. Esta clasi- 1) Agentes reactivos: Actúan de reglas simples basadas en ficación permite diseñar agentes adecuados para cada percepciones inmediatas. contexto, desde entornos estáticos hasta dinámicos y 2) Agentes Basados en Modelos: Utilizan un modelo complejos. del entorno para tomar decisiones más informadas. Mantienen un estado interno para complementar las Limitaciones de los Agentes Inteligentes percepciones. Complejidad Computacional: Los agentes delibera- 3) Agentes Basados en metas: Deciden acciones en tivos, que utilizan razonamiento y planificación, pueden función de metas definidas. Utilizan búsqueda y plan- requerir un procesamiento significativo, lo cual resulta en ificación para alcanzar objetivos a largo plazo. tiempos de respuesta más lentos, especialmente en en- 4) Agentes Basado en Utilidades : No solo buscan cumplir tornos dinámicos donde el cambio constante del entorno metas, sino optimizar el proceso de alcanzar dichas afecta la calidad de las decisiones. metas, considerando factores como eficiencia o seguri- Necesidad de Información Precisa: Para planificar efec- dad. tivamente, un agente deliberativo necesita información 5) Agentes que Aprenden: Incorporan un componente precisa y completa del entorno. En entornos parcialmente de aprendizaje que mejora su comportamiento con la observables o con información incompleta, la capacidad experiencia, ajustando sus reglas y modelos. de planificación se ve limitada. Dificultad en Entornos No Deterministas: En entornos V. AGENTES D ELIBERATIVOS VS R EACTIVOS no deterministas, donde las acciones no siempre resultan Los agentes deliberativos piensan antes de actuar, anal- en los mismos efectos, los agentes pueden tener prob- izan el entorno y planifican.Son efectivos en situaciones lemas para actuar de forma efectiva, ya que no hay donde hay tiempo y recursos suficientes. garantı́as sobre las consecuencias de sus acciones. Los agentes reactivos responden de manera rápida y Costos de Implementación: Los agentes que requieren directa a estı́mulos del entorno.Son útiles en entornos una planificación compleja y una estructura deliberativa dinámicos donde la rapidez es crucial, aunque su capaci- suelen tener un costo elevado de implementación, debido dad de razonamiento es limitada. a la necesidad de diseñar modelos del entorno detallados y algoritmos complejos. VI. AGENTES H ÍBRIDOS Concesiones entre Pensamiento y Reacción: Los agentes reactivos son rápidos y adecuados para entornos Combinan caracterı́sticas de los agentes deliberativos y cambiantes, pero su capacidad de planificar está limitada. reactivos. Usan planificación para metas a largo plazo, pero Los agentes deliberativos, por otro lado, pueden razonar y pueden reaccionar rápidamente a cambios inesperados en el planificar, pero son más lentos en responder. Un enfoque entorno. hı́brido intenta unir ambos, pero requiere una tercera capa de supervisión, lo cual aumenta la complejidad. VII. R ESUMEN DE VENTAJAS VS LIMITACIONES Ventajas de los Agentes Inteligentes Adaptabilidad: Los agentes inteligentes pueden adap- tarse a diferentes entornos utilizando su capacidad para percibir y razonar. Dependiendo del tipo de agente, pueden ser reactivos (responden de manera rápida) o deliberativos (razonan y planifican acciones futuras). Racionalidad: Los agentes inteligentes actúan de manera racional, intentando siempre maximizar una medida de rendimiento. Esta racionalidad permite a los agentes tomar decisiones adecuadas basadas en la información disponible. Autonomı́a: Los agentes inteligentes operan de manera autónoma, lo que significa que pueden actuar sin inter- vención humana constante, lo cual es ideal para entornos donde la supervisión directa no es viable. Capacidad de Aprendizaje: Algunos agentes, como los Learning Agents, pueden aprender de la experiencia. Esto permite mejorar su rendimiento a lo largo del tiempo, haciéndolos más efectivos en la resolución de tareas complejas. Flexibilidad: Los agentes inteligentes pueden dividirse en tipos diferentes: reactivos, deliberativos, hı́bridos, etc.,  3 S ISTEMAS MULTIAGENTES C OMUNICACI ÓN La comunicación directa entre los agentes se realiza a través I NDICE: Definición Tipos de sistemas multiagente del paso de mensajes, donde los agentes intercambian infor- mación mediante un protocolo definido. Esta comunicación permite la coordinación y la cooperación entre los agentes, Comunicación y cooperación asegurando que todos tengan la información necesaria para Comunicación cumplir sus tareas. Cooperación C OOPERACI ÓN D EFINICI ÓN La cooperación en sistemas multiagente puede realizarse a Un sistema multiagente está compuesto por varios agentes través de dos estrategias principales: que interactúan entre sı́, requiriendo habilidades para cooperar, Planificación Multiagente: Implica la creación de un coordinarse y negociar. Estos sistemas operan en entornos plan global dividido en subplanes para los agentes. Puede dinámicos y suelen utilizar la estrategia de divide y vencerás, ser: lo que permite aprovechar la computación paralela y dis- – Centralizada: Un agente planifica para todos, divi- tribuida para mejorar el rendimiento y reducir fallos. diendo el problema y asignando subplanes. – Distribuida: Cada agente crea su propio plan parcial T IPOS DE S ISTEMAS M ULTIAGENTE y luego se combinan en un plan global (e.g., Partial Global Planning, PGP). Independientes: Los agentes siguen sus propias metas Negociación: Basada en la ley de oferta y demanda, los sin coordinación. agentes identifican recursos o servicios que necesitan y – Discretos: Un agente filtra spam mientras otro busca negocian con otros agentes. Un protocolo común es el información en internet. Contract Net Protocol, donde un agente descompone una – Emergentes: Dos robots independientes limpian un tarea en subcontratos y asigna las tareas mediante un almacén sin interactuar entre sı́. proceso de pujas. Cooperativos: Existe coordinación entre los agentes, que puede ser: VIII. R ESUMEN DE VENTAJAS Y LIMITACIONES : – Con comunicación: Los agentes se coordinan me- Independencia de los agentes: Permite flexibilidad y diante comunicación directa. adaptabilidad. – Sin comunicación: Los agentes cooperan indirecta- Comunicación directa e indirecta: Cada estrategia tiene mente a través del entorno (e.g., depredadores en una ventajas según el contexto, siendo el paso de mensajes cacerı́a). directo ideal para cooperación compleja y la pizarra Tipos de Agentes Cooperativos: adecuada para entornos compartidos. – Homogéneos: Tienen una estructura idéntica (sen- Planificación Centralizada vs Distribuida: La planifi- sores, actuadores, conocimiento del dominio, sistema cación centralizada es más eficiente, pero más propensa a de toma de decisiones) pero se encuentran en distin- fallos. La planificación distribuida ofrece más robustez y tas ubicaciones. permite a los agentes adaptarse a cambios en el entorno. – Heterogéneos: Poseen diferentes metas, acciones y conocimientos del dominio, además de estar ubica- dos en distintos lugares. C OMUNICACI ÓN Y C OOPERACI ÓN La comunicación es fundamental para la cooperación entre agentes. Existen tres estrategias principales de comunicación: Invocación de métodos: Un agente invoca el método de otro. Sistemas de pizarra: Los agentes utilizan un área común donde escriben y leen información, facilitando la comu- nicación indirecta. Paso de mensajes: Los agentes intercambian mensajes directamente, permitiendo estrategias complejas de coop- eración. Un ejemplo de protocolo es el KQML (Knowl- edge and Query Manipulation Language), que define ac- tos de comunicación (e.g., preguntar, decir) y el contenido del mensaje.  4 R EPRESENTACI ÓN DEL CONOCIMIENTO Objeto-Atributo-Valor Representa información en forma de listas de ternas (objeto, I NDICE: atributo, valor). Se usa como una representación equivalente a registros de programación. Se utilizan ejemplos de animales ·Introducción para ilustrar cómo se asignan valores a atributos, como el ·Formas de representación peligro que representa un tiburón. Lógica proporcional Lógica de predicados Marcos (Frames) Otras lógicas Los marcos se utilizan para representar clases, subconceptos Redes semánticas e instancias. Los marcos incluyen atributos (slots), métodos, y Objeto-Atributo-Valor permiten herencia simple o múltiple. Un ejemplo aplicado es Marcos la representación de asignaturas y planes de estudios en una Programación orientada a objetos universidad. Espacio de búsqueda Programación Orientada a Objetos I NTRODUCCI ÓN Esta forma de representación utiliza lenguajes como Java, En este apartado se presenta la importancia de la repre- C++, o Python. Define clases, subclases e instancias (objetos), sentación del conocimiento para que los ordenadores puedan utilizando principios de herencia y métodos similares a otras resolver problemas. Los agentes inteligentes requieren de in- formas de representación del conocimiento. Es útil en la formación que debe ser representada en lenguajes especı́ficos, implementación de conceptos complejos que tienen atributos permitiendo el procesamiento de hechos y acciones. Esta rep- y relaciones especı́ficas. resentación facilita que los sistemas interpreten y solucionen problemas similares a los humanos. Espacio de Búsqueda F ORMAS DE R EPRESENTACI ÓN Muchos problemas en inteligencia artificial se representan como espacios de búsqueda, donde cada estado es una posible Lógica Proposicional (Booleana) solución o un paso hacia la solución. El objetivo es encontrar La lógica proposicional utiliza proposiciones que pueden el camino entre un estado inicial y un estado final (meta). Esta ser verdaderas o falsas y sı́mbolos lógicos como ∧, ∨, →, ¬. representación es fundamental para la resolución de problemas Su ventaja principal es que es decidible; sin embargo, tiene mediante búsquedas y planificación automática. una capacidad de representación limitada. Se usan ejemplos como sensores de fuego y alarmas para mostrar cómo realizar IX. R ESUMEN DE VENTAJAS Y LIMITACIONES inferencias basadas en las reglas establecidas. Lógica Proposicional: Es sencilla y decidible, pero tiene una capacidad limitada para representar relaciones Lógica de Predicados (de Primer Orden) complejas. Es más rica que la lógica proposicional, ya que usa con- Lógica de Predicados: Más expresiva, permite inferen- stantes, variables, y predicados, y permite la cuantificación con cias complejas, pero es computacionalmente costosa. operadores como ∀ y ∃. Se utilizan ejemplos de titulaciones Lógicas de Segundo Orden y Difusa: Son altamente en universidades para ilustrar su uso, mostrando cómo inferir expresivas, útiles para incertidumbre, pero complejas de información mediante unificación y Modus-Ponens. implementar. Redes Semánticas: Representan jerarquı́as visualmente, permiten inferencia, pero no pueden manejar bien la Otras Lógicas cuantificación ni la negación. Lógicas de Segundo Orden: Permiten predicados que Objeto-Atributo-Valor: Es fácil de usar, pero limitada toman otros predicados como argumentos, aumentando en términos de complejidad de las relaciones. la capacidad de representar conceptos complejos. Marcos (Frames): Organizan el conocimiento Lógica Difusa: Utiliza grados de pertenencia, represen- jerárquicamente y permiten herencia, pero la herencia tando información en una escala entre verdadero y falso, múltiple puede ser difı́cil de manejar. siendo útil para representar incertidumbre. POO: Es modular y ampliamente utilizada, pero se vuelve compleja con múltiples niveles de herencia. Redes Semánticas Espacio de Búsqueda: Útil para la resolución de prob- lemas, pero puede ser computacionalmente costoso si el Las redes semánticas representan conceptos mediante grafos espacio de estados es grande. dirigidos, donde los nodos representan entidades y los arcos relaciones binarias. Se utilizan para ilustrar jerarquı́as y rela- ciones entre conceptos, como herencia de propiedades (e.g., todos los humanos respiran porque son seres vivos).  5 E SPACIOS DE B ÚSQUEDA Búsqueda hacia atrás: Parte de la meta y retrocede hacia el estado inicial. Reduce el factor de ramificación en I NDICE: Espacios de Búsqueda algunos problemas. Búsqueda bidireccional: Realiza dos búsquedas si- – Definiciones multáneas, una desde el estado inicial y otra desde el – Ejemplos objetivo, buscando que ambas se encuentren en un punto – Explosión combinatoria intermedio. Reduce el tamaño del árbol de búsqueda. Búsqueda No Informada – Búsqueda en amplitud II. A N ÁLISIS DE C OMPLEJIDAD – Búsqueda en profundidad Se analiza la eficiencia de las técnicas de búsqueda en – Búsqueda en profundidad iterativa términos de complejidad temporal y espacial: – Búsqueda hacia atrás Búsqueda en amplitud: Complejidad temporal y espa- – Búsqueda bidireccional cial es O(bd ), donde b es el factor de ramificación y d la Análisis de Complejidad profundidad. – Problema Búsqueda en profundidad: Complejidad temporal – Ejemplo O(bd ) y espacial O(d). Menor consumo de memoria, pero – Resultados no siempre encuentra la solución. Búsqueda en profundidad iterativa: Complejidad tem- Búsqueda Heurı́stica poral similar a la búsqueda en amplitud, pero con menor – Heurı́sticas uso de memoria. – Búsqueda en escalada y haz Búsqueda bidireccional: Complejidad temporal y espa- – Búsqueda de ”El mejor primero (A*)” cial se reduce, ya que el árbol de búsqueda es menor. – IDA* Los espacios de búsqueda representan todos los posibles III. B ÚSQUEDA H EUR ÍSTICA estados de un problema y las transiciones entre ellos mediante La búsqueda heurı́stica utiliza información adicional para operadores. Un espacio de búsqueda se puede visualizar guiar la búsqueda de manera más eficiente. Algunas técnicas como un grafo donde los nodos son los estados y los arcos incluyen: representan las transiciones posibles entre estados. Heurı́sticas: Son funciones que estiman el costo restante Estados iniciales: Punto de partida del problema. para llegar al objetivo. Se obtienen generalmente rela- Estados meta: Objetivos o soluciones buscadas. jando restricciones del problema original. Operadores: Definen las transiciones entre estados (e.g., Búsqueda en escalada: Expande el nodo que parece más funciones o reglas). prometedor según una función heurı́stica. Puede quedar Factor de ramificación: Promedio de sucesores de cada atrapada en máximos locales o mesetas. nodo. Búsqueda en haz: Expande simultáneamente los k nodos Profundidad del árbol: Número mı́nimo de niveles hasta más prometedores. Mejora las posibilidades de encontrar alcanzar una solución. una solución óptima, pero no garantiza la optimalidad. Resolver un problema se reduce a encontrar un camino en Búsqueda ”El mejor primero” (A*): Combina el costo este grafo, y la exploración del grafo es lo que llamamos acumulado hasta el nodo actual (g(n)) con una estimación búsqueda. heurı́stica del costo restante (h(n)). Es completa y admis- ible si la función heurı́stica es adecuada. IDA*: Similar al algoritmo A*, pero con una estrategia I. B ÚSQUEDA N O I NFORMADA de búsqueda en profundidad y con lı́mites de costo En la búsqueda no informada, se explora el espacio de que se van incrementando. Complejidad espacial lineal, búsqueda sin ninguna información adicional sobre la distancia adecuado para problemas grandes. a la meta. Existen varias estrategias: Búsqueda en amplitud: Explora todos los nodos de un IV. R ESUMEN DE V ENTAJAS Y L IMITACIONES nivel antes de pasar al siguiente. Es completa y óptima si A. Búsqueda No Informada todos los costos son iguales, pero tiene un alto consumo Ventajas: de memoria. No requiere información previa sobre el espacio de Búsqueda en profundidad: Explora una rama hasta el final antes de retroceder. Tiene menor consumo de búsqueda. Es completa si el espacio de búsqueda es finito. memoria, pero no garantiza la solución óptima ni ser completa. Limitaciones: Búsqueda en profundidad iterativa: Combina búsqueda Alto consumo de recursos, especialmente en búsquedas en amplitud y profundidad. Repite búsquedas en profun- en amplitud debido al gran número de nodos generados. didad con un lı́mite que se incrementa en cada iteración. No garantiza la solución óptima en algunos casos (e.g., Es completa y óptima. búsqueda en profundidad).  6 B. Búsqueda Heurı́stica Ventajas: Utiliza conocimiento adicional para guiar la búsqueda de manera más eficiente, reduciendo el número de nodos generados. Puede encontrar soluciones óptimas si la heurı́stica es admisible. Limitaciones: La calidad de la búsqueda depende de la calidad de la heurı́stica utilizada. Puede quedar atrapada en máximos locales, mesetas o crestas (e.g., búsqueda en escalada).